本发明公开了一种采用基于 Delaunay 三角剖分的空间网络编码的网络传输方法，适用于包含 N 个终端点的传输网络；包括初始化步骤、Delaunay 预处理步骤、形成子矩形步骤、子矩形划分步骤、求平衡前线性规划最优解步骤、调整中继点到平衡位置步骤、求平衡后线性规划最优解步骤和 Delaunay 后处理步骤；通过采用 Delaunay 三角剖分得到斯坦纳点和增补的斯坦纳点作为候选的中继点，并通过非均匀划分得到候选的中继点，从上述候选的中继点中选出最优的中继点，对选出中继点的位置进行微调以进一步降低代价，从而得到采用空间网络编码的网络传输方案，解决现有技术中仅基于非均匀划分的空间网络编码方法中，当中继点与终端点非均匀密度分布时求线性规划最优解时计算量大的问题，进一步有效提升网络传输的总体性能。

本发明属于生物工程技术领域。具体涉及对三种猪肠道冠状病毒均易感的猪回肠上皮细胞株。通过对IPI‑2I细胞的克隆筛选，获得了一株对猪流行性腹泻病毒(PEDV)、猪δ冠状病毒(PDCoV)和猪传染性胃肠炎病毒(TGEV)均敏感的细胞株IPI‑FX，该细胞株保藏在中国典型培养物保藏中心，其保藏编号为：CCTCC NO：C2019115。PEDV、PDCoV和TGEV均能在IPI‑FX细胞上有效增殖，增殖滴度均高于106.0TCID50/mL。为深入开展猪肠道冠状病毒的免疫与致病机制及混合感染等的研究提供了有用的细胞，在IPI‑FX细胞上开展相关研究能更好地反映猪体感染时的真实情况。

该项目2016年获得湖北省科技进步一等奖。由于乙酰甲喹和喹烯酮尚未确定每日允许摄入量(ADI)、残留标识物(MR)和靶组织(TT)，未能制订最高残留限量(MRLs)和休药期(WP)，喹乙醇仅有猪肌肉暂定MR及MRL，这三种药物一直没有科学的食品安全标准和风险管控技术，消费者健康受到威胁。 该项目主要创新如下： 1、针对代谢资料缺乏、无MR等问题，在猪、鸡和鲤开展放射示踪研究，鉴定出代谢物33种，发现残留物20种，阐明了代谢机制、残留消除规律及种属差异，确定了MR及TT，为有害残留的风险评估与管控提供了翔实、科学的基础数据。 2、针对毒理资料缺乏、无MRLs等问题，开展全面、系统、深入的毒理和暴露评估研究，揭示药物的毒性和毒作用特点，阐明量-效、时-效关系，确定了ADI，制订MRLs 18个、休药期6个，为有害残留的风险管控与交流提供了理论依据。 3、针对缺乏新型、高效检测技术的问题，自主研制残留物的标准品17种，建立定量/确证分析方法9种，发明快速检测的核心试剂22种，创制基于抗体的高效检测试剂盒6个，为有害残留的风险管控提供了技术支撑。 发现的代谢物和残留物，自主研制的标准品、检测方法及其标准，发明的快速检测核心试剂及试剂盒，填补了国内外空白，提升了兽医兽药科技的自主创新能力。喹乙醇新MR的发现改正了国际食品法典委员会以往推荐的错误标准。 成果完成时间：2012年

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。