本发明提供了一种一维纳米复合金属氧化物气敏材料及其制备方法。本发明将氯化锌溶液、氯化锡溶液混合后与氢氧化钠溶液进行水热反应，通过加入无水乙醇、表面活性剂和控制反应条件而制备一维纳米氧化锌氧化锡复合材料。该制备方法与现有的一维纳米金属氧化物材料的制备方法相比，具有成本低，操作简单，低能耗等优点。制备的纳米复合材料对甲烷、一氧化碳、二氧化氮等气体具有气体敏感度，是一种良好的气敏材料。

本发明公开了一种平面度误差测量装置其包括激光器、柔性铰 链、静光栅、动光栅、测量头、压缩弹簧、底板以及光电探测器，测 量头固定在柔性铰链的第一端部处并伸出，动光栅设置在柔性铰链的 第一端部内，压缩弹簧一端与底板连接且另一端与柔性铰链的第一端部连接，压缩弹簧位于测量头的下方，柔性铰链的第二端部与底板固 定，静光栅固定在底板上，其与动光栅平行相对且相邻设置，激光器 也设置在底板上，光电探测器设置在静光栅出光端。本发明还提供一 种二维扫描工作台。

本发明属于半导体存储器技术领域，具体为一种基于二维半导体材料的电荷超注入存储器及其制备方法。本发明通过存储叠层能带设计，在实现闪存的非易失性存储特性；通过横向电场设计以及器件的仿真模拟设计，利用二维半导体材料的原子级薄层特性，显著增强最大横向电场从而提升电荷的注入效率，实现存储器中电荷的超注入机制，进而实现闪存的亚纳秒编程。本发明存储器在维持十年数据保持能力的同时，大幅提升了电荷注入效率，将编程速度提升至亚纳秒，为解决电荷存储领域超快编程和长保持时间无法共存的重大挑战提供新的解决方案。

本发明公开了一种吩噻嗪基二维共价有机框架材料及其制备方法和应用。所述二维共价有机框架材料具有如下式(I)或式(II)所示的结构：本发明的二维共价有机框架材料具有高的结晶性和比表面积，孔径分布均一并且热稳定性良好，同时还有着良好的光敏基团、适合的光学带隙，在光催化氧化偶联方向有着良好的应用。

本发明公开了一种基于纳秒-皮秒-飞秒激光技术的金属制品 3D 打印方法，该方法采用集成光纤激 光器提供纳秒激光对金属原材料进行烧结熔化及固化，同时，使用皮秒或飞秒激光对精加工区域进行 精加工。实时监测系统可采用多种宏观和微观检测手段，具体选用哪些检测手段取决于待制作产品所 需精度。本发明可实现更精确的尺寸控制，提高了打印效率，省去了传统 3D 打印后所需的清

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。