悬赏金额：95万元 发榜企业：百盛（广州）生物制品有限公司  需求领域：环医疗器械及设备及医学专用软件；临床医学-肿瘤 产业集群：生物医药与健康产业集群 技术关键词：人工智能；病理学；组织形态学

本发明提出了一种基于改进和声搜索算法的无线传感器网络路由方法，包括以下步骤：Step1、初始化算法相关参数 HMS、HMCR、PAR 以及评价次数 eval_Nomax；Step2、利用轮盘赌初始化和声记忆库 HM；Step3、评价和声库中各和声路径的适应度；Step4、设置 eval_No＝0；Step5、设置 i＝0；Step6、产生候选和声；Step7、eval_No++，若 eval_No＜eval_Nomax，执行 Step8；否则执行 Step11；Step8、对和声库中的第 i 条和声 Xi＝{s,x2,…xj,…,d},进行邻域搜索；Step9、eval_No++，若 eval_No＜eval_Nomax，执行 Step10；否则执行 Step11；Step10、i++，若 i＜HMS，执行 Step6；否则执行 Step5；Step11、记录和声记忆库中的最优和声路径。本发明的路由方法具有较高的能效，并且能够有效地延长整个网络的生命周期。

本发明公开了一种基于多尺度池化的卷积神经网络人脸识别方法。该方法利用多尺度池化的卷积神经网络来提取人脸图像的特征以实现人脸识别。在构建卷积神经网络的过程中，采用卷积和最大值采样交替的方法对特征进行深度提取，另外对每层卷积层采用了多尺度池化的策略和步骤，一并输入到全连接层，使其具有多尺度的、固定大小的特征列向量。本发明不需要对输入的人脸图像做截取或调整尺寸，不同尺寸的图像都能使用同一个网络进行训练和识别。基于多尺度池化的卷积神经网络不但解决了输入图像尺寸可以不固定的问题，使得网络能够提取多尺度的人脸特征，而且对网络性能带来极大的提升，将会促进多尺度池化的卷积神经网络在人脸识别中的广泛应用。

本发明设计了一种集成宽带小型化和差相位比较网络的单脉冲天线阵列，包括小型化宽带平面和差相位比较网络和平面八木阵列天线；小型化宽带平面和差相位比较网络由双面平行带线构成，包括第一级网络和第二级网络，第一级网络包括第一级环形耦合器，第二级网络包括两个第二级环形耦合器，耦合器环形部分设置有反相器，反相器上下两层之间通过金属化通孔形成电连接。 本发明增加了和差相位比较网络的带宽，并具有更小的结构尺寸，比一般的T型功分馈电网络的尺寸还小，同时不需要馈电网络到天线间的过渡结构；采用平面结构大大简化了整体构造，加工难度低，易于大规模生产，且易于同其它平面电路集成，尤其适合集成在雷达系统中，安装调试极为方便。

本发明属于集成电路技术领域，具体为一种面向手势识别的稀疏二值网络激活图像编解码硬件加速器。本发明的硬件加速器包括：激活图像编码单元，编码图像存储单元，编码图像解码单元。该加速器针对稀疏二值网络的激活图像中存在大量相同向量进行压缩，这些相同的向量是由于二值化的手势边缘作为输入所产生的，压缩激活图像可以有效地降低片上存储容量，降低数据搬运功耗，进而降低芯片功耗；该加速器能够对压缩后的激活图进行译码，在译码过程中跳过重复的计算，从而减少计算次数，提升计算速度，有效地提升硬件性能。本发明具有低功耗，低延时的特性，有效地降低硬件资源，提升硬件的能效比。

新东方在线是新东方教育科技集团旗下专业在线教育网站，其课程涵盖中小学、考研、雅思、托福、日语、韩语、GRE、GMAT、SAT、AP、四六级等类别。致力于提供个性化、互动化、智能化在线学习体验。

“全面感知、深度融合、多维服务”的淮阴工学院智慧校园建设与应用实践近十年来累计投入 1.98 亿元，围绕新型基础设施、数据中台、智慧教学、智慧科研、智慧管理、智慧服务等方面建成了高水平智慧化数字校园，在学科与信息化融合、网络安全等方面形成鲜明特色。

（一）项目背景 当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。 （二）项目简介 本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。 （三）关键技术 我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示： 图 1 技术路线图 其中，项目包括的关键技术主要有以下三点： 1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术 该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多 重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与 识别准确度的平衡、人机交互的变化规律等全新科学问题。 2.学习状态多模态数据解析和智能处理技术 利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、 脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模 态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的 状态数据。 3.多层次数据差分隐私保护技术 学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的 具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据 多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下， 研究满足学习行为分析所需要的数据颗粒度。