本发明公开了一种基于多元数据增强超图神经网络的抗癌药物协同预测方法，涉及生物医学数据挖掘领域，该方法包括将包含全部的药物‑药物‑细胞系三元组数据集分为第一集合和第二集合，然后执行训练阶段和测试阶段；所述训练阶段用于基于第一集合得到分子图的药物结构数据，以及细胞系的基因表达数据，进行嵌入的学习并完成对协同效应预测器的训练；所述测试阶段用于基于第二集合得到分子图的药物结构数据，以及细胞系的基因表达数据，进行嵌入的学习以获得节点嵌入，并根据获得节点嵌入和训练完成的协同效应预测器完成预测。本发明不仅可以帮助临床医学发现用于癌症治疗的新型协同药物组合，而且能够助力发现抗癌药物协同作用的潜在机制。

本发明公开了一种基于神经网络模型 BP 算法的嵌入式矿压检测方法法，首先根据根据待检测区域的地域情况，采用多个振弦式压力传感器进行测量；然后 ARM7 处理器根据系统任务个数建立相应的进程；最后在建立的任务中打开定时器，输出一个固定在某一频率范围内的脉冲，经过驱动激振电路，产生一个能对振弦式压力传感器内部振弦起振的信号，同时使用 ARM7处理器对振弦式压力传感器返回的脉冲信号进行频率测量，计算得到压力值，最后，利用温度传感器采集振弦周围区域的温度，采用 BP 算法建立神经网络模型，利用神经网络模型对得到的各组压力数据及采集的温度数据进行学习，并根据神经网络模型找出压力随温度的变化规律，对振弦式传感器进行温度补偿。

本发明公开了一种认知无线电中基于自组织映射神经网络的恶意用户判别方法，本发明利用自组织映射(简称SOM)神经网络学习输入能量矩阵的分布特征，并根据学习结果对输入量进行有效的分类。首先引入“可疑度”的概念，其大小根据每次训练后每种类别所包含的次级用户的个数进行分配。为了消除传统的SOM神经网络的缺陷，本发明进一步提出了“平均可疑度”的概念。具体步骤包括：获得能量矩阵，利用SOM神经网络算法对能量矩阵进行训练得到分类矩阵，计算每个次级用户的“可疑度”，构造索引矩阵并重复训练过程，并将每次得到的“可疑度”取平均值，即“平均可疑度”，并利用“平均可疑度”对次级用户进行分类，识别出恶意用户或是正常用户。

XM-213男性躯干骨附主要动脉和神经分布   XM-213男性躯干骨附主要动脉和神经分布模型由男性半身骨架及血管神经附透明亚克力躯壳串制而成一个整体，固定在底板上，显示颅骨与脑，躯干骨与胸、腹、盆腔内脏器官毗邻的位置和关系，可以让学生通过透明体表了解血管、神经在躯干的形态、分布及位置关系。 尺寸：高95cm 材质：PVC材料

本发明公开了一种治疗输卵管阻塞性不孕症的隔药灸脐中药组合物，避免了口服药物对胃肠、肝肾的损伤，无毒副作用，并且采用隔药灸脐法进行治疗，具有简、便、验、廉、捷的优点，既有艾灸刺激穴位而产生的作用，也有药物吸收后的直接作用，两者结合，内病外治，治疗输卵管阻塞性不孕症见效快，疗效确切。除此以外，本发明药物廉价易得，成本低，便于推广应用。

【项目来源】科技部公益性行业专项资助项目。 【项目简介】针对主要产地加工与炮制生产环节交叉重复，加工操作繁琐，易导致中药饮片有效成分流失等问题，选择30个品种为主要研究对象，按适宜产地加工类别，通过技术研究与集成创新，将中药饮片产地加工与炮制生产相关工序进行有机整合，明确各环节技术参数及应用范围，建立形成具有优化生产环节、便于储存运输、降低成本等优势的产地加工与炮制生产一体化的关键技术、规范和加工设备。 【技术指标】 1. 制定各类《中药饮片产地加工与炮制生产一体化技术规范》4项。 2. 中药饮片产地加工与炮制生产一体化设备4套。 3. 30种中药饮片产地加工与炮制生产一体化生产SOP。 4. 中药饮片产地加工与炮制生产一体化过程控制系统1套。 5. 申请专利和软件著作权5项、发表论文56篇；培养专业技术人员及研究生60名。 6. 中药饮片产地加工与炮制生产一体化技术规范在中药材加工产地及基地推广，提供可行性应用报告。 【推广应用前景】 本项目可以解决中药材产地加工及饮片生产一体化方面的关键技术问题，提高中药材产地加工过程的科技水平，促进中药饮片产业的健康发展。预计本项目完成后，将形成5-10个国内一流水平的中药材产地加工及饮片生产示范基地，全部生产线均由产地加工及饮片生产一体化设备组成，并实现全过程信息化控制，在整个中药饮片行业具有示范效应，引领中药饮片产业的科技进步和产业转型升级。本项目研究成果和目标产品，包括中药材产地加工技术规范、中药饮片产品、中药饮片产地加工设备及中药饮片生产信息化系统等，产业化后可以产生巨大的经济效益。预计本项目相关产品在未来10年内可占领全国30%左右的市场份额，按照全国有100家饮片厂及50家中医院应用本项目成果计算，预计将产生5-8多亿元的市场份额。同时，本项目通过直接的产地加工流水线设备及中药饮片销售，项目进行期间，可以实现年销售额2.5-3亿元。

成果介绍针对我国中药废渣产率逐年增加、常规处理处置方法效率低、资源浪费严重及二次污染等迫切问题，开发以高含水的中药废渣为燃料，通过先进化学链燃料转化技术，将其就地转化为高品质合成气和热能的技术和工艺，实现中药渣的无害化、减量化和资源化综合利用。技术创新点及参数（1）避免使用纯氧做气化剂，具有比常规固体燃料气化、热解技术更高热效率和燃料转化率；（2）直接以高水分中药渣为燃料，充分利用生物质成分和水分，生成的合成气热值和品位均高于常规气化技术，或用来直接生产浓度较高的氢气用作车用燃料；（3）以廉价合成铁基材料、天然铁基材料或炼铝废弃物作为高温传氧材料，实现传氧、传热和催化气化功能，提高燃料转化率，大幅降低合成气中焦油含量；（4）反应器结构采用多级分步反应，并与传热-传质过程高度耦合集成，易于实现连续规模化生产。以上关键技术的开发，将瞄准氢气或合成气燃料生产及药企行业内废弃物能源资源化利用等目标，紧紧依靠强大的能源化工优势，避免同质化竞争导致的产业发展风险，确保技术开发成功的同时形成产业错位发展的优势。市场前景通过废弃中药渣的中高温气化方式生产高品质的合成气的综合效果最好，符合国家固体废弃物资源化和能源化利用政策，也可直接用于药企以替代部分燃料；产生的极少量生物质灰渣易于处理，在与相关中药企业密切合作中，形成优势互补，加速整体技术和关键设备开发，根据需求侧的行业分布、废弃物产地、燃料及产物运输等特点，逐步形成规模适中的、模块化的燃料转化平台。形成针对解决中药企业生物质废弃物的资源化、无害化和减量化的系统性综合解决方案与推广模式，建立示范基地，促进该领域的产业化。

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。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。