成果简介：本项目以聚酰胺-胺型树形分子（PAMAM）为模板制备了粒径可控、 颜色可调的 CdS/PAMAM 量子点溶液，该溶液具有较高的荧光强度；应用于潜 指纹识别时选择性吸附能力优异，发光量子点沉积在纹线上，小犁沟没有吸 附（图 1）；尤其对胶带粘面潜指纹具有非常理想的显现效果，可以通过室温 反射和紫外可见荧光两种形式成像，具有较广的适应性；对陈旧指纹的显现效果良好，大大提高了使用范围。该显现液在公安部物证鉴定中心、北京市 公安局等实战部门进行了实际应用，均取得很好的效果，一致认为其操作简便、显

成果简介：精密内孔加工特别是硬淬材料和高粘性材料的内孔加工，砂轮的损耗十分严重，而内孔加工精度和表面质量对砂轮几何形貌及磨削性能的变化十分敏感，因此，需要采用高耐磨的具有良好保持性的超硬砂轮及其磨削技术，本项目可针对不同材料的内孔磨削要求，提供高效的砂轮设计与制造及其应用技术。该技术主要应用于强化铸铁、轴承钢、不锈钢、陶瓷等材料的精密内孔加工。比普通砂轮提高耐用度10倍以上，磨削粗糙度Ra≤0.4。 项目来源：自行开发 技术领域：先进制造 应用范围：有一定的

成果简介：在研究物质的性质时，经常需要知道微粉颗粒的比表面积大小。在橡胶工业中常用的补强剂为固体分散颗粒炭黑，它的比表面积对所填充的橡胶的物理性能产生很大的影响；在催化领域，催化剂的比表面积是表征催化剂化学物理性能的一个重要参数；在冶金、建筑材料等方面的生产和研究中也经常需要知道微粉颗粒的比表面积，所以，微粉颗粒比表面积的测量被许多科学技术领域所关注。本项技术为一种微粉表面积动态氮吸附测量方法及测量仪器，仪器具有良好的测量准确性和重复性，并且操作方法简单，测量速度高。微粉比表面积测量仪由气路系统、

中国科学技术大学中国科学院微观磁共振重点实验室彭新华研究组在自旋量子精密测量领域取得重要进展，首次提出和验证了Floquet自旋量子放大技术，该技术克服了以往只在单个频率处量子放大的局限性，实现了多频段极弱磁场信号的量子放大，灵敏度达到了飞特斯拉水平。

成果简介：所研制的微小型零件显微视觉检测系统，适用于各种块类、板类微小型零件及小模数微小型直齿轮的任意边缘的微米级精度测量和微结构在线快速测量。 技术指标：X/Y方向测量范围：0.01mm-50mm；Z方向测量范围：0.01mm-100mm；X/Y方向位置检测分辨率：0.05m;X/Y方向测量精度：(1+1000/L)m；可进行模数≤0.2mm微小型模数直齿轮的基本参数、几何尺寸、主要单项误差和综合误差测量。荣获国防科技进步三等奖1项，兵器科技进步一等奖1项，申请发明专利1项。

成果简介：靛蓝是染色牛仔布的主要染料，每年全世界的靛蓝需求量达 10 万吨之多。靛蓝生产工艺主要以间歇法为主，已经有一百多年历史了。其中 的碱熔反应工艺堪称间歇反应的经典，在一百多年历史中，即使到上世纪 90 年代国际上最大、技术最先进的化学品公司最后放弃该产品生产的时候，也没有能够用一种连续的生产工艺来代替它。目前全世界大概 80％的靛蓝由中 国生产，其中 60~70％出自江苏泰丰公司。在 2006&nbs

区块链技术应用于具体周边实际工作的内容

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。