1. 痛点问题 2021年12月，生态环境部会同相关部门印发了《“十四五”时期“无废城市”建设工作方案》，指出将在100个左右地级及以上城市开展“无废城市”建设，对提升城市固体废物的全过程管理水平提出了更高的要求。然而，当前我国许多城市固体废物产生量持续加大，无害化处置能力尚未得到有效保障，处理设施布局零散，固体废物精细化、信息化管理水平较低，在构建先进的城市固体废物管理模式中面临顶层设计、基础设施、管理体系等软硬件条件的不足，显著影响“无废城市”建设成效及固废管理领域碳减排目标的实现。亟需改进传统碎片式、分种类、智能化水平较低的固体废物管理模式，依托物联网和智慧支撑技术形成多种类型固体废物分类-收运-协同处置全链条系统性方案，充分发挥固废处置中的减污降碳协同增效作用，提升城市固体废物处理在全环节规划设计、工艺技术集成优化、工程及园区的可持续运营等方面的综合实力。 2. 解决方案 针对城市固体废物全过程管理问题，本项成果发挥清华大学环境学院循环经济产业研究中心在城市固体废物管理理论研究、工艺优化调控和规划决策应用等领域的长期积累，开发“无废城市”建设顶层系统规划工具，研发全链条工艺模拟与优化技术，搭建基于物联网和大数据的城市固废智慧化管理平台，形成能够有效服务于“无废城市”建设的城市固废分类-收运-协同处置全链条系统性解决方案。具体包括： （1）针对城市固体废物处理处置系统存在的现实问题，在整个城市层面构建从源头分类减量到末端处理处置、处理设施协同共生的工程技术体系和管理运营模式，打造处理设施协同共生、碳减排和二次污染集中控制效果显著、实现物质有序循环和能量梯级利用的多源固废协同处置园区，构建无害化、资源化、可持续的城市循环代谢链网； （2）开展多源固废处理处置工艺机理模拟，揭示固废-水-能耦合代谢路径与减污降碳潜力空间，实现工艺参数优化；模拟不同固废管理路径对物流、能流的影响，支撑不同应用场景下涵盖源头分类及减量化、污染处理处置、残余物集中控制全过程的工程技术体系优化； （3）基于物联网、智能监控、在线仿真技术等，构建城市固废管理多源异构大数据系统，形成原创性固废智慧管控技术，支撑建立集固废监测、溯源、预报、应急、调控等功能于一体的可视化管理平台，提供多场景、多效能、智慧化城市固废系统性解决方案。 合作需求 （1）与从事城市固废处理、再生资源回收利用、静脉产业园建设等领域的企业以及绿色金融机构开展业务合作； （2）项目孵化需办公场地500平米，天使轮融资需求约3000~5000万。

本发明公开了一种人流量统计系统中分类器的自动选择方法，属于视频监控及模式识别技术领域。本发明包括：预先设定多个成像视角，分别离线训练一个分类器；在线学习时，针对当前输入图像，对各分类器分别执行下述操作：检测目标，将当前检测出的行人目标与已有的跟踪目标进行关联，对未关联的跟踪目标采用跟踪算法进行跟踪，将未关联的检测目标加入跟踪目标队列中；对跟踪目标队列中符合条件的目标进行计数；若所有分类器所计目标数均未超过阈值，

本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果

该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。 主要技术指标 不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。 该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。 表 1. 不同数据集下的训练样本选取数量 表 2. PaviaU 大学数据下不同方法的正确率比较

一种基于非监督特征学习的高分辨率遥感影像场景分类方法，包括对输入的原始高分辨率遥感图像 进行划分得到场景，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作; 计算所有训练图像块的低维流形表示，聚类得到一组聚类中心;对每一幅场景密集采样得到局部图像块， 对每个局部图像块做预处理操作后映射到相同的低维流形空间中，然后进行编码获得场景的所有局部特 征;将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全 局特征表达;随机挑选若干幅场景作为训练样本，由分类器得到每一幅场景的预测类别标号，完成原始 高分辨率遥感场景的标注任务。

本发明属于风功率爬坡预测领域，涉及一种基于大风气象分类的风功率爬坡预测模型切换方法，按 以下步骤进行：首先根据指定地理范围内的历史大风波动天气提取出可以明显表征大风天气的特征量和 特征指数，并形成判别表达式。进而采用 Fisher 判别法中的判别准则计算出判定范围以及特征量和特征 指数的加权系数，得出判别结果，并通过统计检验进行验证分析。通过判别法进一步得出大风天气分类 结果，依据不同大风天气的时空尺度的特征，最后形成对不同统计预测模型之间的切换机制。本发明将 数值天气预报的结果进行爬坡天气判别研究，在风功率爬坡的综合预测方法上为不同的统计预测方法提 供了更准确的切换机制。 

基于亚胺类动态共价反应以及课题组对于组分动态网络方面的前期研究基础，对有机笼状与环状化合物自分类组分动态网络的设计和动态适应性进行了深入研究。该研究首先以两种多胺（T、NON）和二醛（Py）构成的三元混合体系为原料，考察其自分类性能。理论上，各组分基元可以在体系中进行随机的结合，产生由单一或混合组分基元所构成的多元复杂体系。因此，在最简单三元组分基元体系中（Py、T、NON），可能产生三种平衡态：1）Py与T或NON选择性结合，产生Py3T2和Py2(NON)2的同质自分类（homo-self-sorting）结构；2）Py与T和NON同时结合，产生一种特定的异质自分类（hetero-self-sorting）结构；3）Py与T，NON的反应不具备选择性，进而产生具有统计学分布的超复杂混合状态。而实验结果表明，该混合体系首先产生一系列的复杂中间体，随后这些中间体有序的转化为热力学稳定状态，生成有机笼状化合物和大环的同质自分类产物，即平衡态1进一步将三元混合体系扩展到更为复杂的四元体系，构建出基于有机笼状与环状化合物的自分类组分动态网络。通过对组分基元的合理设计和选择，该网络能够实现对于环境变化由动力学控制的亚稳态到热力学稳定态的动态自适应过程：通过核磁共振对于各个组分分布的实时监控，该混合体系在有机笼状化合物（动力学优势产物）的驱动下首先经历具有失衡组分分布的亚稳态；随着时间的延长，亚稳态产物的含量会逐渐减少，进而最终达到处于相反的失衡组分分布的热力学稳定状态。这项工作首次将自分类的概念扩展到两种不同维度（有机笼状和环状化合物）的有机拓扑学结构，为自分类设计摆脱金属模板化的常规体系，从而实现纯有机自分类体系的构建。为开发物种多样性和环境适应性并存的复杂化学系统提供了新的设计思路。

本发明公开了一种利用多光谱图像分类进行典型地物参考图制备的方法，从多光谱图像提取出感兴趣类作为地标，并制备出包含所述地标的参考图，以用于目标的间接定位识别，该方法具体包括：从多光谱图像中选择感兴趣类，提取其光谱-空间纹理特征，根据提取的光谱-空间纹理特征对多光谱图像进行分类；在分类基础上，提取完整的感兴趣类，并依据地标选取准则选择用作地标的感兴趣类；根据地标材质类型，利用红外辐射公式计算出地标在大气参数条件下的红外

本发明提供了一种基于快速二值编码的高分辨率遥感影像场景分类方法，包括步骤:步骤 1，划分 待分类遥感影像获得场景单元;步骤 2，从场景单元中提取尺寸相同的图像块作为局部图像块训练样本; 步骤 3，采用非监督学习法学习局部图像块训练样本获得滤波器组;步骤 4，将场景单元与滤波器组中 各滤波器分别做卷积获得各场景单元的幅滤波器响应图，采用二值编码法分别融合各场景单元的幅滤波 器响应图获得各场景单元的全局特征描述;步骤 5，基于场景单元的全局特征描述进行场景单元分类。 本发明在保证场景分类精度的前提下，大大降低了非监学习法的计算代价。

本发明公开了一种嵌入式微处理器非可克隆函数密钥认证系统， 包括嵌入式端、烧写设备端和 PC 端，嵌入式端包括 PUF 待分析数据 提取模块以及 IAP 模块，烧写设备端包括待烧写程序处理模块，PC 端 包括嵌入式认证程序生成模块、PUF 分析模块、数据库模块、散列数 据生成模块、以及帮助数据生成模块，PUF 待分析数据提取模块用于 多次提取 SRAM 中的初始上电数据，并将数据发送到 PUF 分析模块， PUF 分析