便携式环境检测系统主要用于野外或现场水质快速检测，包括宽水面水样采集、样品前处理（消解、萃取、气提等）、显色反应与测量等过程，尤其适合于农村、山区、企业和突发事故快速水质检测，随时随地使用，非专业人员即可操作，30分钟即可完成水样的野外或现场全检测过程，在野外环境检测领域处于国际先进水平。

本实用新型提供了一种嵌入式智能遥控系统，其用于多个电器的远程控制，其包括无线传输单元、无线接收单元、数据存储单元以及智能遥控单元；所述无线传输单元将输入的指令信号通过无线网络的方式发送至所述无线接收单元，所述无线接收单元接收到所述指令信号并转发至所述的数据存储单元，所述数据存储单元接收到指令信号并完成转换，提取存储的指令数据，并发送至所述智能遥控单元，所述的智能遥控单元接收到所述指令数据，并执行对应的操作。本实用新型通过无线传输单元传输各种电器的相关指令，依次通过无线接收单元、数据存储单元获得控制指

可以量产/n该项目是实现嵌入式设备的自主控制、操作。 该项目有广泛的应用需求，将产生较大经济效益。

  距离的高精度实时测量在现代工业的各个领域中的应用越来越广,工件的表面轮廓目标物体的相对位置、形状描述等都离不开距离的高精度测量,非接触、小型化、数字化、智能化成为距离测量系统发展的趋势。随着数字信号处理器(DSP)功能越来越强,光电耦合器CCD的日益普及,使符合实际工业生产要求的非接触高精度在线距离测量系统的研制成为可能。    技术原理与工艺流程:    光学三角法检测技术。光学三角法的测量原理就是使发光元件所发出的光束照射在被测物体表面上并被反射,部分反射光成像在位置敏感元件表面上(如CCD,PSD等),通过检测光斑在敏感表面上的位置,由几何关系即可计算出被测物体的距离。这类位移测量仪的基本组成是激光器、物镜、光电接收器、信号处理及测量显示系统。    图像中心位置的识别算法。这是非接触测量技术中的关键技术,当激光照射在被测物体表面散射,经透镜会聚在cCD表面成像,所成像的模拟信号经过模拟数字转换器(AD)被转换为数字信号处理器可以处理的数字信号后,要经过图像中心位置识别算法的处理确定所成像的中心点位置,根据激光三角法原理,由所成像的中心点位置就可以求出相应的被测量物体的距离信息。    为了保证系统可靠性和提高测量精度,用查表与细分相结合的方法根据线性CCD上像点的位置确定目标物体的距离。    主要技术性能指标：    测量范围:50mm；    测量仪与被测物体距离:80mm；    测量精度:在全部测量范围内,不小于01mm；    分辨率:25微米；    测量频率:1KH    技术水平及用途：    在工业生产中有很多生产指标和工艺参数要实现测量和控制,非接触距离测量可以为生产的调度指挥和工艺参数的监测提供准确、可靠、快捷的信息,是一种应用范围很广和非常有潜力的测量技术。    应用行业:1.教育2制造业

项目的背景及目的 距离的高精度实时测量在现代工业的各个领域中的应用越来越广，工件的表面轮廓，目标物体的相对位置，形状描述等都离不开距离的高精度测量，非接触，小型化，数字化，智能化成为距离测量系统发展的趋势。随着数字信号处理器（DSP）功能越来越强，光电耦合器CCD的日益普及，使符合实际工业生产要求的非接触高精度在线距离测量系统的研制成为可能。 技术原理与工艺流程 光学三角法检测技术。光学三

产品详细介绍FACEWARE头盔式面部捕捉系统在《阿凡达》拍摄中，卡梅隆使用了面部捕捉头戴设备，每个演员头戴一套摄像设备，它用广角镜头记录下演员面部最微妙的表情变化，将数据合成到电脑中制作输出。如今这项令人叹为观止的面部捕捉新技术已正式登陆中国。Image Metrics公司研制的FACEWARE头盔式面部捕捉系统在需要充满灵性和充分创造性的面部表情动画中充当了践行者。Rockstar已经采用了这项面部表情捕捉技术制作了 《黑色洛城(L.A Noire)》，未来会将此技术应用于旗下所有游戏，这也包括《侠盗猎车手5(Grand Theft Auto 5)》。 系统组成一、 头戴式面部表情捕捉系统   Faceware的头盔是为Faceware系统提供最佳面部视频的系统套件。1、 用摄像机捕捉的面部表情视频提供了前所未有的大量数据记录的视频不只是Faceware最好的数据流，还是动画师最好的参考。2、 完整的嘴唇和口型数据3、 完全无负担的捕捉—超轻的重量和完全的贴合设计4、 可以捕获任意长度的数据5、 无需要面部标记点标定6、 坚固耐用---该设备在2K运动、动视暴雪、EA、索尼、侠盗车手等公司运行了几千个小时的项目。二、 面部表情分析处理平台 1、 无标记点面部表情动画跟踪。无需粘贴反光标记点和特殊化妆。2、 支持任何的视频格式。3、 分析指定的视频片段。分析平台允许用户将视频拆分多个段落并生成关键的模型，还能在有效的范围内再指定，只处理需要的内容。4、 导出模型采用基于模型的分析技术，可以使用户应对特殊画面的分析。5、 智能特征识别智能的脸部特征识别技术能够使用户快速建立面部特征跟踪。 三、 面部表情动画匹配系统  面部表情匹配软件是一批批专业的面部表情动画制作高手创建面部表情动画每天需要使用的专业软件。我们的系统久经考验，并且制作出成千上万分钟的面部表情动画和AAA级游戏。全球案例 暗黑破坏神3 哈利波特系列 木乃伊3 龙帝之墓 颤栗异种 孤岛惊魂3

一种具有环境适应性的足式机器人稳定性控制方法及系统，该控制方法通过利用上一触地过程相关参数信息与期望达到的控制目标进行比较，对飞行相水平运动速度和系统总能量实行反馈控制，预测控制触地角度并进行系统能量补偿控制，最终实现足式机器人 SLIP 等效模型在不同地面环境下的期望稳定周期运动。系统包括系统状态检测模块和稳定控制模块。本发明不需要建立具体的机器人动力学模型，不需要计算精确的不动点触地角度，通过反馈控制实现控制收敛，控制方法简单，计算迅速，很好的解决了现有方法控制实时性不足、适应性不够等问题。且具有较好的未知环境适应性，为足式机器人稳定性控制提供了一种较好的解决方案。

团队具备成熟的高性能电机研发能力，具备瞬态有限元仿真技术、多物理场联合仿真技术、场路耦合仿真技术，能够定制开发有刷/无刷直流、感应电机、电励磁/永磁同步等各类电机，助力多家企业实现核心电机自主化、国产化。 团队研发了基于空间磁场的高性能电机健康状态在线监测系统，能够实时监测电机健康状态，即使发现电机微小故障，有效提高电机可靠性。

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。