本发明公开了一种多轴数控机床转台几何误差六位置辨识方法，包括：根据机床结构和转台位置，确定球杆仪在转台坐标系上的六个安装位置；结合球杆仪测量方向以及转台几何误差对机床精度影响模型，建立球杆仪读数与转台几何误差之间的关系；根据球杆仪详细坐标和测量方向齐次向量建立转台的六个集成误差表达式；根据转台垂直度误差和位置偏差的性质，分离得到转台十项几何误差的辨识公式；建立球杆仪安装误差对球杆仪读数影响模型；安装球杆仪，转动转台得到各个安装位置处球杆仪读数；对球杆仪读数进行拟合，得到剔除安装误差后的球杆仪数据；利用十项几何误差辨识公式计算得到转台所有的几何误差。该方法操作简单方便，辨识精度高，系统性好。

一种用于对多轴运动控制系统测量轮廓误差的系统和方法，该系统包括独立配置的编码器位置采集模块、主处理器、编码器信号转 接控制器，编码器信号转接控制器具有编码器信号引出接口，该引出 接口通过光电耦合器与编码器信号输入接口连接，用于传输编码器信 号至编码器位置采集模块。由于将轮廓误差测量系统与伺服、运动控 制系统拆分，采用独立的轮廓误差测量系统，可根据实际需要调整期 望轮廓以及轮廓误差的算法，并且轮廓误差测量系统不受运动控制系 统软硬件的制约，使用于多轴运动控制系统的轮廓误差测量系统可以 与不同的伺服、运

本发明公开了一种五轴联动机床旋转轴的几何误差连续测量方 法，其包括如下步骤：在五轴联动机床的主轴上安装激光位移传感器， 并在其工作台上安装三个不共线的标定球，设定标定球的齐次坐标表 达式；分别以摆动轴 A 和回转轴 C 为标定轴，利用激光位移传感器测 量摆动轴 A 及回转轴 C 在不同转角时，各标定球圆心在 X、Y、Z 方 向上的位置偏差；根据标定球圆心的位置偏差及标定球的齐次坐标表 达式，计算获得摆动轴 A 和回转轴 C 的几何误差值。本发明利用斜曲 面建立待测刚体 X、Y、Z 三个方向位置偏差的

本发明公开了一种用于光学散射测量的基于拟合误差插值的库匹配方法，包括：确定样品待测结构参数的变化范围并对其执行离散化处理，将所获得的离散网格点及其对应理论光谱值储存到光谱库中；获得待测样品的测量光谱并计算出离散网格点对应的测量光谱值与理论光谱值之间的拟合误差，然后将其同样储存到光谱库中；为拟合误差设定阈值并执行粗搜索，利用搜索出的拟合误差所对应的离散网格点来构建候选参数集，并对拟合误差执行多维插值处理获得相应的拟合误差插值函数；基于拟合误差插值函数细搜索找出全局最优点，其所对应的参数值即为最终确定的

本发明公开了一种应用于光栅三维投影测量中的相位误差补偿方法，包括如下步骤：生成正弦光栅条纹；采集经物体表面调制之后的光栅条纹；对图像预处理；根据预处理的条纹图像利用相移法解相位；投射单一灰度值的灰度图像于标准白板表面；将步骤(5)的分区域结果，通过求得的理想相位映射到投影仪靶面；根据分区域结果建立不同区域的分区域校正模型； 向物体投射正弦光栅条纹；利用相移法求解初相位，根据建立的分区域误差补偿对相位进行补偿，求解实际相位； 利用标定好的相机参数和求取的绝对相位，根据空间交汇法计算出被测物体的三维坐标信息。本发明可以解决由于Gamma非线性所导致的相位误差和测量误差。

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：