您也可以在淘宝网首页搜索“锦正茂科技”，就能看到我们的企业店铺，联系更加方便快速！ 锦正茂低温控温仪TESK301型低温控温仪是有北京锦正茂科技有限责任公司自主研发的高精度单回路低温温度控制系统，可以实现从20K-600K的温度控制输出。该温控系统具有一路传感器输入和一路加热输出功能，传感器输入和加热输出组成了一个控制回路。TESK301单通道设计能满足大部分实验室科研以及工业低温控温使用。配合适当的传感器低温度测量低至1.4K，高温达到600K以上，分辨率高达10mK。加热输出功率分为三档可调节，低档低至0.8W，可达80W，能满足大部分低温设备加热需求。 您也可以在淘宝网首页搜索“锦正茂科技”，就能看到我们的企业店铺，联系更加方便快速！  TESK301内置了一个标准恒流电源向电阻温度计供电,通过四线法测量温度传感器电压信号，经16位A/D转换，自校准，数字滤波，查分度表，修正计算后显示实测温度，经与设定温度比较后，实时PID运算给出控制信号，通过机内固态继电器周期控制加热电压来实现温度的控制。 您也可以在淘宝网首页搜索“锦正茂科技”，就能看到我们的企业店铺，联系更加方便快速！ 锦正科技以现代高科技产业和传统产业为核心业务，对内承接科研生产任务，对外以商务平台方式实现军民两用技术成果转换，形成了科学管理的现代化经营模式，专门从事物理、化学和材料等领域的科学仪器研发、销售  各类型超低温测试设备（液氮 液氦）制冷机系统集成 ，定制 ，高低温真空磁场发生系统，Helmholtz线圈（全套解决方案），电磁铁（全系列支持定制），螺线管，电子枪（高稳定性双极性磁铁恒流电源1ppm），高低温磁场真空探针台，霍尔测试系统，电输运测量解决方案，磁光克尔效应测量系统等产品种类齐全，性能可靠，至今已有近10余年的历史，是国内（较早）生产探针台，电输运，电磁铁的厂家之一。 您也可以在淘宝网首页搜索“锦正茂科技”，就能看到我们的企业店铺，联系更加方便快速！  

北京大学化学与分子工程学院楼宇自控系统设备采购及安装项目 招标项目的潜在投标人应在登录东方在线www.o-science.com注册并购买获取招标文件，并于2022年06月15日 09点30分（北京时间）前递交投标文件。

东南大学化学化工学院落地式高速冷冻离心机采购招标项目的潜在投标人应在东南大学采购中心网（https://dnzb.seu.edu.cn/）获取招标文件，并于2022年06月16日14点30分（北京时间）前递交投标文件。

能源与动力工程学院超快时间分辨光谱系统招标项目的潜在投标人应在详见西安交通大学采购与招标管理办公室网站（cgb.xjtu.edu.cn）获取招标文件，并于2022年07月04日14点30分（北京时间）前递交投标文件。

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。