人工智能应用创新实训平台是一款专为人工智能领域专业学生设计的多功能教学工具，它集科研教学、实验实训和项目实践于一体，提供了一个全面的学习环境。该平台以国产高性能芯片RK3588作为其边缘计算的核心，支持本地化编程开发，使得学习者能够深入掌握人工智能技术。此外，平台还支持PyTorch、TensorFlow、NCNN等多种主流深度学习框架，便于学生进行模型训练和推理实践。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov11等前沿模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括深度相机、双轴云台、多轴机械臂、微型输送带、工业级相机以及麦克风阵列等。这些尖端设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。

气体放电低温等离子体中含有大量活性粒子，包括高能电子、离子、自由基、活性原子和分子及紫外光子等，能够激发一系列物理和化学反应，而宏观温度又可以保持较低水平，可以使低温下难以发生的反应得以实现。此外，等离子体技术和传统的催化剂相结合能够产生等离子体催化协同效应。本项目面向目前亟待解决的能源和环境问题，设计研发了不同结构的同轴介质阻挡放电反应器、刀片式滑动电弧反应器以及旋转滑动电弧反应器等，这些反应器结构简单、制作成本低、可与传统催化等技术相结合，并且可实现工业化放大；另外开发了适用于这些反应器的交流高频、微秒脉冲和纳秒脉冲等电源，所构建的低温等离子体协同催化系统可应用于能源转化和环境保护等领域。

(1) 技术属性说明 本项目利用发酵工艺取得灵芝三萜类化合物，开展了临床前药理药效研究，并进行了药物 动力学研究与固体制剂开发。 (2) 技术创新点 利用细胞培养生产灵芝酸单体，结合生物发酵，生物工程技术与现代制剂技术，确定了灵 芝酸单体的制备工艺、药理学评价、制剂制备的工艺路线，并验证了工艺的可行性和稳定性。 此外，完成了灵芝酸有效成分的分子结构式的鉴定，建立了定性和定量分析方法；完成了药效 学研究、实验动物模型的建立、观察了灵芝酸扶正作用的药效学作用、增效作用研究；完成了 药物动力学研究，建立了灵芝酸生物体内定性和定量分析方法；进行了药物动力学研究，确定 了固体制剂的制备方法，为医药企业的产品开发与推广打下基础。

（1）技术属性说明本项目利用发酵工艺取得灵芝三萜类化合物，开展了临床前药理药效研究，并进行了药物动力学研究与固体制剂开发。（2）技术创新点利用细胞培养生产灵芝酸单体，结合生物发酵，生物工程技术与现代制剂技术，确定了灵芝酸单体的制备工艺、药理学评价、制剂制备的工艺路线，并验证了工艺的可行性和稳定性。完成了灵芝酸有效成分的分子结构式的鉴定，建立了定性和定量分析方法；完成了药效学研究、实验动物模型的建立、观察了灵芝酸扶正作用的药效学作用、增效作用研究；完成了药物动力学研究，建立了灵芝酸生物体内定性和定量分析方法；进行了药物动力学研究，确定了固体制剂的制备方法，为医药企业的产品开发与推广打下基础。已申请的国家发明专利：（1）灵芝酸单体Me环糊精包合物及其口服固体制剂的制备方法，申请号：200910050801.8，（2）灵芝酸在肿瘤生长或增殖抑制剂中的应用，申请号：CN200510026378.X（3）灵芝酸在癌症治疗中作为增敏增效剂和抑制剂的应用，申请号：CN200510112304.8（4）灵芝酸在制备癌转移抑制剂中的应用，申请号：CN200510112303.3（5）灵芝酸在癌症治疗中的应用， PCT申请号：PCT/CN2006/001171

项目简介 本成果通过反向细乳液法快速制备具有孔隙结构的壳聚糖纳米粒，方法简单易行， 成本低。所得壳聚糖纳米粒可应用于药物载体、废水处理等领域。项目属国际首创。该 成果已获中国授权专利，专利号：ZL201210451937.1。 性能指标 （1）壳聚糖纳米粒粒径范围在 100～500 nm，具有孔隙结构。 （2）壳聚糖纳米粒分散性好，相互之间不粘连。适用范围、市场前景 适用范围：各种人用药品、兽药、农药的载体材料；工业废水中重金属离子如：Cd2+、 Cu2+

本发明公开了一种直接采用火焰发射光谱分析来在线检测锅炉火焰中气相碱金属浓度的方法，首先选择要测量碱金属的特征谱线，然后构建特征谱线辐射强度关于火焰温度、气相碱金属浓度的拟合模型，再次通过实验标定确定拟合系数，最后由便携式光纤光谱仪测量火焰对象的辐射光谱，得到火焰温度和碱金属特征谱线辐射强度，代入建立的已知拟合系数的拟合模型计算得到火焰中气相碱金属的浓度。本发明能够简便、准确的在线检测炉内燃烧火焰中气相碱金属的浓度，并可以同时检测多种碱金属含量，设备简单、成本低廉，便于工业现场测量。

层析聚酰胺    聚酰胺是由酰胺键聚合形成的高分子化合物。其酰胺基可与羟基酚类,酸类,醌类，硝基等化合物以氢键形成结合而被吸附 ，其脂肪长链可作为分配层析的载体。聚酰胺在含水系统中层析时，聚酰胺作为非极性固定相，其层析行为反向柱层析;在非水溶剂系统时，聚酰胺作为分配层析的载体，其层析行为为正向柱层析。 技术指标: 分子量:14000-17000 比表面积:5-10㎡/g PH 值:4-7.5 粒度:14-30目;30-60目;60-80目；60-100目;80-120目 80-100目100-200目 溶 解 度:溶于浓盐酸，甲酸，微溶于醋酸，苯酚等溶剂，不溶于水，甲醇，乙醇，丙酮，乙醚，氯仿和苯等常用有机溶剂，对碱较稳定，对酸的稳定性较差，尤其是无机酸，在温度高时更敏感。 主要用途: 聚酰胺特别适用于多元酚类化合物的分离，如大麻二酚(CBD)、黄酮类、醌类、酚酸类、含羟基化合物、羧基化合物等。由于其对鞣质吸附强，也可用于将植物粗提物中的鞣质除去。

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。