Ø 随着多媒体技术和网络技术的不断发展，涌现出视频广播、视频会议、手机电视、网络电视等视频广播应用。温家宝总理在今年“两会”做的工作报告中指出“要积极推进三网融合取得实质性进展”。然而，分布式网络中的视频信息容易被非法用户窃取、篡改、伪造，破坏数据的机密性、真实性和完整性，损害了视频提供者和接受者的利益。因此，本系统在保证视频信息的质量（如清晰度和色彩）同时，保证了视频在网络中传输的安全性。

涵盖工业通信领域三大主流技术：工业以太网、工业总线、工业无线，分别选用了能耗监测，生产管理，物流监管三个应用场景辅助工业通信教学平台教学。

技术优势： 1)通过物联网、云平台实现质量远程监控、安全连锁报警与管理； 2)根据原料工艺操作条件不断变化，优化计算获取最佳操作参数； 3)远程智能系统具有始于感知、精于计算、巧于决策、善于学习功能。 采用物联网和互联网+的信息化技术实现装置、厂级、园区三废净化装置运行质量远程监控与安全保障系统，为企业、园区提供高效的技术服务，解决化工、制药行业实际运行存在的有机物达标排放难题，满足国家当前“环保法”、“水十条”严格指标要求，在装置节能与污染物零排放面取得明显经济和社会效益。

项目简介： 快速应急救援关键：第一时间获得灾区的实时信息。利用现有移 动互联网技术，系统可在灾后获得授权情况下迅速激活客户端获取其 位置信息，并将信息上传至后台服务器。根据人员分布配合 GIS 地理 信息系统统筹调度，做出合理救援策略。 该系统可以有效弥补应急救援系统的不足，为消防、公安、地震、 水利等部门提供广泛的地震、洪灾应急救援支持、日常紧急求助、失 踪人员定位等服务。该系统可以满足目前社会和市场上对应急救援系 统的强烈需求，应用前景十分广阔。该项目是一项极具应用前景和良 好的产业化前景的研究课题，将会产生明显的经济效益和社会效益。

该成果为 中国煤炭地质总局，中国矿业大学（北京），西安科技大学，山东科技大学，陕西省煤田地质局，河北工程大学，河北省煤田地质局等多家单位合作成果，获 2010 年度国家科学技术进步二等奖。项目 建立了以煤炭地质理论为支撑，以遥感调查技术、高精度地球物理 勘查技术、煤炭地质快速精准钻探技术、煤矿区环境遥感监测与工程治理技术、煤炭地质信息化技术为关键技术的中国煤炭地质综合勘查理论与技术体系。

本项研究是在我国铁路全面提速的大背景下提出的，铁路列车大规模提速后，轨道结构振动加剧、线路动力作用恶化的现实情况，采用理论、试验与工程实践相结合的研究方法，对提速线路的加固对策、化化技术及其理论基础问题，开展了全面系统的研究。 本项目运用现代车辆－轨道耦合动力学理论，通过建立提速车辆－轨道耦合动力学模荆地，对提速线路疲乏岔、钢轨接头、桥台与路基连接处、以及小半径曲线等线路薄弱部位年轻化 轨动力作用，进行了理论分析与试验研究，探明了产生了这些动力问题的根源及其危害。在此基础上，结合我国铁路实际，总结出强化提速线路的五项关键技术措施：1.对时速140～160km提速区采用高弹性轨下胶垫；2.推广使用60AT可动心轨式提速道岔；3.逐步推行道岔无缝化改造;4.对关键桥涵端部路基基础进行加固; 5.对山区铁路小半径曲线轨道采用新型混凝土轨枕及配套强化措施。

1. 痛点问题 PDF电子工程图作为一类重要的非结构化数据，承载了丰富的业务知识和信息。然而，因其复杂性和专业性，PDF工程图难以被机器直接处理，目前主要还是靠人来读取、理解、核对和应用，限制了工程建设领域行业的深层次智能发展。若机器能够像人类一样理解图纸的内涵，就可以支撑丰富多彩的下游智慧应用。如规范智能审查、3D模型智能重建、面向应急逃生、无障碍等特定应用场景的信息智能提取等。这些基于图纸的智慧应用，其核心挑战就是对图纸内容的有效识别和理解。 2. 解决方案 清华大学软件学院BIMChecker Group，自主研发了“图智”-PDF工程图AI识别与审查重建系统，基于深度学习技术和工程领域业务知识应用的有效融合，解决了现实PDF工程图纸信息高分辨率、高密度、相互遮挡等识别难题，实现了对建筑平面图图元和空间布局的智能识别和结构化表达。主要特点如下。 1） 适用于住宅建筑、公共建筑等民用建筑以及仓库、厂房等工业建筑； 2） 支持建筑设计说明、表格、建筑平面图的一键式AI识别； 3） 支持Revit模型一键生成和面向《建筑设计防火规范》的一键审查； 4）支持对现有防火条文、其他国家规范、企业规范的修改和自定义，系统的审查算法可自动适配更新。 合作需求 寻找在AI审图、室内矢量模型重建、图纸特定信息智能提取及其它基于图纸的智能应用场景方面有需求的合作方；开展系统的应用推广、定制化图纸内容识别服务等内容，为各类下游应用、平台提供核心AI图纸理解技术支撑。合作方需具备项目或资金支持。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

项目成果/简介:数据采集技术可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。多模态传输技术LPWAN (Low-Power Wide-Area Network，低功率广域网络)在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。       LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。最具前景的LPWAN技术——NB-IoT和LoRa：物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。LoRa （Long Range）:   一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。数据分析技术人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试