基于物联网、大数据、云平台的社区风险源的评估，日常监控和处置，采用物联网+运行服务的商业模式。需要相关大数据计算和云平台技术研究及支撑。

麦可思通过对师范类专业认证标准的研究与分析，设计调研评价指标。以结果为导向，基于师范生培养的“出口 - 过程 - 入口”全过程，从毕业生中期发展、应届毕业生跟踪、用人单位评价、教学质量与改进、师资保障、学生成长及生源与招生等维度，对师范类专业人才培养质量进行监测，同时也结合师范认证中关注的校本数据，为专业构建内部质量监测体系及撰写自评报告提供数据举证。

为中小学校及校外教育机构提供课程整体规划、学习空间创新建设。

成果描述：本实用新型公开了基于物联网的智能杀虫灯,其包括灯杆、杀虫灯、控制箱和与蓄电池电连接的太阳能电池板,太阳能电池板一侧端部通过连接杆固定安装在灯杆上,其中部放置于灯杆的顶端；太阳能电池板处于水平状态时,杀虫灯位于太阳能电池板的正投影下；灯杆上设置有与太阳能电池板中部接触,用于使太阳能电池板与水平面呈一夹角的动力装置；动力装置包括安装在灯杆上与蓄电池电连接的电动机,电动机的输出轴延伸至灯杆内部与一蜗杆连接；灯杆内壁上通过轴承安装有一转轴,转轴上固定安装有与太阳能电池板接触的凸轮和与蜗杆配合的涡轮；控制箱内设置有控制模块和与控制模块连接、并通过物联网与外部控制终端进行通信的通信模块。市场前景分析：本实用新型公开了基于物联网的智能杀虫灯,其包括灯杆、杀虫灯、控制箱和与蓄电池电连接的太阳能电池板,太阳能电池板一侧端部通过连接杆固定安装在灯杆上,其中部放置于灯杆的顶端；太阳能电池板处于水平状态时,杀虫灯位于太阳能电池板的正投影下；灯杆上设置有与太阳能电池板中部接触,用于使太阳能电池板与水平面呈一夹角的动力装置；动力装置包括安装在灯杆上与蓄电池电连接的电动机,电动机的输出轴延伸至灯杆内部与一蜗杆连接；灯杆内壁上通过轴承安装有一转轴,转轴上固定安装有与太阳能电池板接触的凸轮和与蜗杆配合的涡轮；控制箱内设置有控制模块和与控制模块连接、并通过物联网与外部控制终端进行通信的通信模块。与同类成果相比的优势分析：国内领先

该方案集中体现代工业生产流水线加工系统，将物料供给、工件检测、加工、搬运、立体存储等以及生产监控与管理等知识全面展示在学生面前。整个系统由多个功能站有机组合而成，而各功能站又可以由多个子功能模块组成，可根据实际需求重新组合，为在校学生提供一个符合职业角色的先进工业技术综合实训环境。

1、产品介绍 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括人工智能边缘计算平台（RK3588）、深度相机、二自由度云台、多轴机械臂、微型输送机、工业相机以及麦克风阵列等。这些设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov等热门模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 1.一体式设计，要配套提供键盘、鼠标、电源适配器和实验教具，支持上电即用； 2.提供17寸以上屏幕，分辨率≥1920×1080; 3.安装面板需同时集成机械手臂、2D视觉系统、深度视觉系统、二自由度电动云台、语音模块、嵌入式传感器等组件.  

农业物联网整体方案 利用各种传感器、摄像头，通过物联网方式，把农业数据汇集到农业物联网平台，为第三方专业应用提供开放、统一的数据管理和分析平台。 通过数据中心大屏、手机App展示农场、草原、沙漠绿化实景，直观感受实际效果,提供大数据分析，为领导或投资人提供决策参考。 通过手机App获取所购买产品的生产过程参数、视频信息,让消费者买的放心。 获取农业、养殖业生产过程中的空气、土壤、水质各类环境参数，让农户在专家系统指导下合理种植、养殖制定正确的自动化控制计划。 让农业厂商及技术人员获取农业生产的第一手数据、评估化肥使用效果，为农业生产提供实时、远程的技术支持。 农田数据采集及分析 通过传感器实时采集农田空气温湿度、二氧化碳含量、光照强度、土壤温湿度，通过自动控制启动浇水灌溉系统；通过视频分析，采集和分析虫害发生情况，为防虫防灾提供预警。 农产品智慧配送 农产品出厂流程标准化，消费者可以通过包装上的二维码了解产品生产日期、产地，全程可追溯；甚至可以访问生产过程参数和视频，让消费者放心。 通过电商平台建立农场和消费者的直接交易，通过智能物流配送柜，及时、低成本的送货上门。 智能配送柜提供到货提醒、空间管理、密码取货等功能，最大程度方便消费者。

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。