液滴阵列是研究数字分子检测、数字分子免疫学、单细胞分析的重要技术手段，是当前生物医药领域的研究热点。受植物叶片倒模的启发，创新性地将限制性表面能梯度微孔阵列应用于高通量液滴数字化过程（相关研究成果发表在中科院工程类分区Q1、Q3期刊上），提出了基于仿生微流控原理的数字化液滴阵列技术，设计开发了数字分子诊断和单细胞分析通用系统平台，在细胞、颗粒的分散阵列化及生物应用进行了探索。经过近4年研究，已完成了平台原理验证、结构优化、系统调试、生物应用验证的工作，应用在数字PCR、数字LAMP等核酸分子诊断领域，在多菌分离及培养等单细胞分析领域，初步开发了数字ELISA等分子免疫学领域研究方法。

 数字视频内容真实性和完整性鉴别问题，已经成为公安司法取证、互联网视频内容鉴伪等领域的迫切需求和技术难点。本项目成果--数字视频内容篡改取证分析工具平台，是信息内容分析技术国家工程实验室信息认知实验室研究团队，在国家863项目和多项国家自然科学基金的支持下，独立开发的具有完全自主知识产权的成果，拥有4项发明专利，并取得软件著作权登记。  基于视频篡改取证分析工具平台，能够在不需要任何先验知识的情况下，实现对数字视频帧删除、帧插入等各类帧间篡改，以及复制-粘贴等帧内篡改等，而导致原始视频信息完整性被改变情况的被动取证分析。  该平台共提供了4种视频取证与篡改分析的算法，包括光流场特征篡改检测，速度场特征篡改检测，复制-粘贴篡改检测以及基于马尔科夫特征的双压缩检测。在国际上首次提出了通过采用光流变化率以及空间金字塔结构，对视频解压缩后的图像序列中光流特征的一致性检测，从而发现由于帧删除或帧插入造成的光流特征统计直方图突变的间断点检测。该方法在国际第三方测试库上的检测准确率可达到95%以上，在上海市人民检察院提供监控视频实际样例测试库上可达到80%以上。  目前该平台已在上海市人民检察院视听科进行试用及合作推广。本项目成果可以广泛应用在国家司法机关、检察院和公安体系以及商业数字证据鉴定中心，用于鉴定监控视频或者网络视频的真实性、原始性和唯一性。

当前，高校内部学院、部门网站更新不及时，僵尸网站、发布内容存在不规范用语、错别字等情况较为普遍，造成了很大的安全风险。由内蒙古财经大学自主开发的“镜湖一号——高校对外宣传数据智能分析平台一体机”，很好的解决了上述出现的问题。同时，还具备了呈现学校对外宣传数据数据分析与挖掘的可视化态势展现功能，支持大屏观看和手机端查看。“镜湖一号”基于高校对互联网发布的各类数据，使用人工智能和大数据分析技术设计应用模型，让学校的管理者实时掌握数据动态。 应用场景及创新点： 1.监控敏感信息泄露，展现处置状态。 2.代替人工发现更新不及时、不到位的网站。 3.对比分析高校党建态势，同时展现学校内部各部门党建状态和成果。 3.实时展示高校发布的宣传数据态势，分析出最受欢迎、热门文章等。 4.平台支持国产化平台部署。 5.实现一体机快速部署。

物联网感知大数据可信存储与分析处理平台（IOT-SeaCloudDM）：针对智慧城市、物联网、车   联网中各种采样数据（包括各类传感器、RFID、条形码阅读器采样的时空相关数据）的数据管理需求，  提供一个通用的感知大数据处理平台，对各类相关的感知采样数据进行统一管理，并达到如下目标：（1） 提供 PB~EB 级的感知采样数据存储、管理与查询处理。（2） 提供时态 - 空间数据、采样数值数据的统计分析与数据挖掘。（3）在此基础上，为各类智慧城市、物联网应用提供基础软件支撑。

“基于虚拟机的恶意程序检测分析平台”利用在QEMU虚拟机环境中运行PE文件获取的API调用序列及参数等动态信息，通过虚拟机提供的模拟主机环境触发PE文件的行为，进而根据虚拟机监控器层得到的信息抽象出PE文件的各种文件、注册表、进程、网络等行为，利用增强学习AdaBoost算法作为集成框架，选择决策树算法C4.5作为子分类器生成算法对PE文件的恶意性进行判决。

成果描述：本实用新型公开了一种多功能电力仪表,包括仪表主体和绝缘层,所述仪表主体的上端设有散热网,且散热网的一侧设有散热网安全销,所述仪表主体的外表面设有操作界面,且操作界面的上方固定安装有时间显示表,所述时间显示表的一侧设有故障指示灯,所述操作界面的内部设有液晶显示屏,且液晶显示屏的底端设有控制键,所述仪表主体的底端固定安装有安全支架,所述绝缘层的内部设有防静电聚氯乙烯板,本实用新型所述的一种多功能电力仪表,设有散热网和绝缘层,能够有效散除仪表工作时带来的热量,并能阻隔仪表内部强大电流,避免操作人员由于操作不当带来的危险,适用不同工作状况,带来更好的使用前景。市场前景分析：本实用新型所述的一种多功能电力仪表,设有散热网和绝缘层,能够有效散除仪表工作时带来的热量,并能阻隔仪表内部强大电流,避免操作人员由于操作不当带来的危险,适用不同工作状况,带来更好的使用前景。与同类成果相比的优势分析：国内领先

产品详细介绍企业信息您只要致电：021-55884001（袁经理）我们可以解答 船舶电动控制仪表实训装置 的相关疑问！我们可以帮您推荐符合您要求的 船舶电动控制实验台,船舶电动仪表实训装置,船舶电动控制仪表实训装置 相关产品！找不到所需产品？请点击 产品导航页当前产品页面地址：http://www.shfdtw.com/productshow-94-1300-1.htmlTWCB-15 船舶电动控制仪表实训装置一、产品概述      船舶电动控制仪表实训装置是我们公司以船舶上常用的DDZ-III型仪表和调节器为主要器件，针对自动化、轮机自动化专业的实训教学特点，设计开发的一套专门针对轮机自动化电动过程控制系统的实训装置，使用经典PID控制算法实现对过程控制中的液位、压力及流量等几大热工参数闭环、连续的控制。本装置能满足《轮机自动化》、《检测及变换技术》、《过程控制》以及《自动控制理论》等课程的实训教学。通过该实训装置的使用和学习，学生能够认识和使用电动检测仪表、调节器，掌握过程控制中P、I、D参数的调节规律以及整定方法。二、系统特点1.对象装置和控制系统一体式设计，结构紧凑2.对象框架采用不锈钢材料制作3.外形美观，操作方便，开放性好三、技术指标1.输入电压：单相三线～220V±10%  50Hz2.工作环境：环境温度范围为-5℃～+40℃  相对湿度＜85%（25℃） 海拔＜4000m3.整机功耗：＜1.5kVA四、系统配置1.被控对象：不锈钢储水箱、动力系统、有机玻璃水箱、压力变送器、流量计、阀门、管路等；2.控制系统：漏电保护器、控制开关、指示灯、电动调节器、开关电源等。五、实训项目1.单闭环液位控制2.单闭环压力控制3.单闭环流量控制

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。