本发明公开了一种基于多路复用技术的多通道光谱测量装置与方法，装置包括光路切换开关阵列、 探头组和光谱仪，光谱仪和探头组通过光路切换开关阵列连接;探头组由 N 个光纤探头组成，光路切换 开关阵列由 N 个相同的光路开关单元并联构成，N 取大于等于 2 的整数;N 个光纤探头分别通过 N 个 相同的光路开关单元与光谱仪连接。本发明只需要通过一台光谱仪就可以观测多个光纤探头采集的光谱 数据，而且不必通过人工

本发明公开了一种动目标多尺度多维度红外光谱特征测量方法及系统，属于图像处理、红外光谱测量领域。本发明主要为解决对动目标红外光谱特征测不到，测不准的问题。本发明方法包括：(1)建立目标红外光谱多维度多尺度特征表示公式，从中提取目标红外光谱精确模型。(2)从中提取感兴趣区域精确定位方法，识别感兴趣区域各部件位置信息。(3)从中提取多框架伺服控制方法，解决目标红外光谱测不到问题。本发明将红外光谱数据及图像数据结合进行处理，

一种等离子体发射光谱法检测重金属污染方法，对样品的发射光谱进行实时采集，根据不同重金属元素的特征发射波长对光谱数据进行识别，以标准样品的浓度为横坐标，光谱峰值强度为纵坐标，绘制标准校准曲线；将待测样品的光谱峰值强度代入标准校准曲线，计算出重金属元素的浓度，在对样品的发射光谱进行实时采集前，利用放电等离子体对样品进行处理，如果样品是液体时，将液体样品吸附在载体上进行处理。本发明在检测过程中，利用放电等离子体，能够激发重金属元素，提高检测效率，适用于快速响应的应用场景。此外，该方法无需昂贵的真空设备或复杂的化学试剂，并通过标准曲线校准，可实现对重金属元素的准确定量分析，检测精度高且结果稳定可靠。

本发明公开了一种直流电机的驱动?调速一体式约束预测控制方法，本发明将这种驱动?调速一体式的控制技术应用于直流电机，首先利用广义比例积分观测器技术在串级电路和转速的光电编码器采集的转速信息的基础上对系统的集总干扰进行估计，得到重构后的集总干扰信息，结合模型预测控制相关技术设计出针对直流电机的带输入约束的输出反馈控制器，在保证系统动态响应性能的基础上，因为不需要使用电流、电压以及转矩传感器，降低了系统的成本，提高了系统容错能力，同时可以明显地抑制参数摄动和负载转矩突变等因素引起的干扰，从而大大提高直流电机系统的输出转速的控制精度和干扰抑制能力。

利用合成gRNA-靶序列的高通量文库允许直接在细胞环境中便捷和高通量地收集gRNA活性数据，由此建立的计算模型来预测gRNA的活性比较可靠。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

本发明提供的一种基于表面分子印迹技术的3‑MCPD检测方法及装置，将待测油脂与有机相介质体系混合以形成电化学介质体系，采用CNTs/SiO2‑MIPs修饰电极直接检测所述电化学介质体系中的3‑MCPD含量；其中，所述有机相介质体系包括极性或弱极性有机溶剂。相比于现有技术中在对3‑MCPD进行检测时，其对待测油脂的前处理过程过于复杂、处理效率低，本发明的基于表面分子印迹技术的3‑MCPD检测方法及装置，其检测效率高、检出限低。

主要创新性成果包括：发现鱼类GH分泌活动受多种神经内分泌因 子的调控，其中促性腺激素释放激素（GnRH）、促甲状腺素释放激素（TRH）、多巴胺及其激动剂等都 能刺激GH分泌，而生长抑素（SRIF）则抑制GH分泌；发现刺激GH分泌的神经内分泌因子等通过口服途 径能显著促进GH分泌和提高鱼体生长速率，且这些因子共同使用，其叠加作用产生的促生长效果更为显 著；构建了斜带石斑鱼等鱼类cDNA文库，克隆了生长激素（GH）及其受体，类胰岛素生长因子Ⅰ、Ⅱ （IGF-Ⅰ，IGF-Ⅱ）及其受体，脑垂体腺苷酸环化酶激活多肽（PACAP）、神经肽Y(NPY)、生长素释放 素（ghrelin）等生长相关功能基因；研制了基因重组GH，采用投喂方法证明它能为鱼消化道吸收而促进鱼 体生长。

抗肿瘤分子靶向新药 BZG 和光热消融-化疗靶向治疗新模式的研究是以提高抗肿瘤效果，降低抗肿瘤药物毒副作用为研究目的，以抗肿瘤分子靶向新药的研发和现有化疗药物靶向治疗新模式的创新这两个关键问题为切入点进行系统研究。科研团队经多年攻关，利用计算机模拟、化学合成筛选得到具有全新化学结构的激酶抑制剂已完成其产业化合成路线的优化。本项目以靶向治疗为主导研究模式，集产学研于一体，提高了临床转化的可能性。

本项目国际上首次实现了分子筛膜材料的连续化合成。解决了无机分子筛膜材料生产的品质稳定性难题，保障了超低缺陷分子筛膜材料的大规模生产应用。 本项目基于国际首创的微波介电合成技术,通过微波连续镀膜装备的自主研发，进一步强化微波合成过程中的非热效应（如Maxwell-Wagner效应，选键活化效应等)，弱化热效应，在国际上首次实现了高质量分子筛膜材料的连续化生产。专家组鉴定意见为:项目自主开发了连续化微波镀膜技术、自动化膜管后处理技术、分子筛膜管质量在线检测技术，并研制了相关生产与检测设备，形成了自动化分子筛膜连续生产线，年产量大于2万平米，合格品率大于99%，优级品率大于90%。这些指标与代表国际领先水平的日本三井造船和三菱化学的数据相比，具有5倍以上的单线产能提升和15%以上的合格品率提升，解决了分子筛膜材料生产的品质稳定性难题。更为重要的是，利用微波合成技术将分子筛膜的构成晶体从微米级缩小至纳米级，极大程度上消除了传统方法无法解决的系统缺陷，优级品分子筛膜表现出世界领先的分离选择性，为分子筛膜超深度脱水应用奠定了重要基础。