本发明公开了一种模拟驾驶人主观感知与反应的交通流微观仿真方法，该方法包括以下步骤：(1)确定元胞的总数和仿真车辆的个数，初始化仿真系统；(2)仿真系统按照如下步骤进行演化：根据驾驶人的最大期望速度，对车辆进行加速操作；根据交通状况对车辆进行速度调整操作；根据交通状况，对车辆进行随机慢化操作；更新车辆在下一仿真时刻的位置；(3)计算交通流的密度、速度和流量关键交通参数。本发明在速度调整操作和随机慢化操作等关键技术环节更加真实地考量了驾驶人的主观感知与反应特征，使得模型能够更好地分析驾驶人的主观因素对交通流运行的影响，为道路交通系统的规划、设计与管理提供支持。

针对京津冀中长途通勤的多条线路，展开基础实地调研及问卷调研，并对一手数据进行收集分析，多层次地分析各种影响因子的效用；以此为基础，建立京津冀中长途重点线路通勤特征基本数据信息模型库,并完成出行特征分析研究报告；结合上述数据，探索中长途交通成因与影响机制研究、空间结构与形态特征及演变规律研究，为区域规划优化途径与控制性提供指导意见。 创新要点： 1. 针对东京首都通勤圈为代表的国际成熟通勤圈案例进行调研分析，以京津冀多条通勤线路实地及问卷调研为基础，完成出行特征分析研究报告； 2.针对轨交通勤与区域协同、产业分布与城市空间等提出中长途轨道通勤交通内外接驳区域规划与设计的控制性策略建议； 3.从换乘优化和多目的出行链整合两个方面提出京津冀一体化北京下中长途通勤接驳空间节点优化的策略与措施。

本实用新型涉及无线充电技术，特别涉及一种适用于交通巡逻的无人机无线充电系统，包括充电平 台端和无人机端；充电平台端包括光伏电池板、超声波定位模块、重力感应模块、发射线圈、中央控制 器和蓄电池；无人机端包括接收线圈、电池组和定位模块；光伏电池板依次连接蓄电池和发射线圈，中 央控制器分别连接超声波定位模块、重力感应模块和发射线圈；接收线圈依次连接电池组和定位模块； 发射线圈与接收线圈之间进行能量传递。该无线充电系统不仅提高了无人机的续航能力，增加巡

1、基础研究人才。2、化工工艺人才。3、高端化工设计人才。4、工艺设计人才。

2022年10月17-21日，第28届ACM移动计算与通讯系统大会（MobiCom 2022，CCFA类）在澳大利亚悉尼举行。计算机学院系统软件团队关于泛在计算环境下的利用异构计算资源进行端侧原位训练的论文“Mandheling:Mixed-Precision On-Device DNN Training with DSP Offloading”进行了在线汇报，得到了与会者的高度关注和广泛讨论。

成果描述：本软件面向文本，对知识单元关联关系进行挖掘，从而实现对海量数据信息的合理利用。现在已经能够根据文本挖掘出文本所含知识单元对的对应关系，实现了从海量信息中的知识关系提取。市场前景分析：随着计算机网络的迅速发展和日益普及，因特网上的信息以指数增长。信息时代带来了海量的数字化文本，日益积累的数据使得信息的获取越来越困难。人们的时间和精力是有限的，面对如此巨大的数字资源，无法从大量数据中迅速而准确地找到有用的信息，因而需要自动化的抽取工具，来帮助人们检索海量数据。与同类成果相比的优势分析：本软件相对于其他同类成果，自动化程度更高，挖掘关系的正确性有相对提高，对海量数据中知识单元关系的挖掘有很大的用处。

软件主体根据自己的信任信息建立信任关系，避免了使用证书交换导致信任协商变得复杂繁琐；不需要合作的主体每次交互都重新建立信任关系。

图1. 矿识的4个页面 a: 选取待识别的矿物，可现场拍照获取或从手机相册中选取 b: 截取待识别矿物中心图 c: 输入便携硬度仪测量或经验估计所得的硬度值后得到识别结果 d: 可以不使用硬度值，仅用图片进行识别 表1 矿识与其他相关工作的对比 图片类型 相关研究 性能 可识别矿物数 准确率(%) Raman spectroscopy 拉曼光谱 Computers & geosciences 2013 6 83.0 Microscope 显微镜 Sensors 2019 4 90.9 Mathematical and Computational Applications 2011 5 93.9 Photo 相机图片 Artificial Intelligence in Theory and Practice, 2008 6 91.0 Minerals 2019 12 74.2 photo & hardness 相机图片+硬度 矿识 36 90.6   表2 矿识能够识别的36种矿物及其准确率 矿物名 样本数  仅用图片识别的正确数 结合图片与硬度识别的正确数 Agate玛瑙 5 5 5 almandine铁铝榴石 6 4 4 azurite蓝铜矿 2 1 2 beryl绿柱石 1 1 1 chalcopyrite黄铜矿 2 1 2 cinnabar辰砂 1 1 1 copper铜 2 2 2 fluorite萤石，氟石 11 8 10 galena方铅矿 3 2 3 halite石盐 1 1 1 hematite赤铁矿 8 1 5 malachite孔雀石 6 5 5 opal欧泊 1 1 1 orpiment雌黄 3 1 3 pyrite黄铁矿 6 5 6 quartz石英 4 4 4 sphalerite闪锌矿 1 0 0 stibnite辉锑矿 8 7 8 sulphur硫磺 2 2 2 total 73 52 65 Accuracy \ 71.2% 89%