本发明公开了一种部分单元能量回馈级联型变频器及能量回馈单元配置方法，由基于三相不控整流 电路的功率单元和能量回馈单元级联构成，其中，能量回馈单元为基于三相 PWM 整流电路的功率单元， 由绝缘栅双极型晶体管构成的逆变电路、中间直压电路和三相 PWM 整流电路并联构成，所述的中间直 压电路包括第一电容、第二电容、第三电容和第四电容，第一电容和第二电容并联构成第一并联支路， 第三电容和第四电容并联构成第二并联支路，第一并联支路和第二并联支路串联。本

2 015 年我国实施了史上最严的环境保护法，对企业污染排放做出严格规定， 对违法排污企业惩罚力度大大加强。食品和药品发酵企业的废水/废渣的资源化 利用是降低企业运行成本的有效途径。发酵废水/废渣由于其有机质含量高、可 生化处理性好和成分相对稳定的特点，非常适用于微生物电化学产氢气。 微生物电化学产氢所用到的装置称作微生物电解池。该装置被质子交换膜分 隔成一个阳极室和阴极室。在阳极室，生长在电极表面的微生物能够降解有机物 生成二氧化碳、质子和电子。质子和电子分别通过质子交换膜和外电路到达阴极， 两者在一定的外电压（>0.2 V）作用下在阴极生成氢气。整个装置可以实现污水 中有机物的去除，同时回收氢气。

本发明公开了一种基于氯化铵化学链循环的纯碱—氯乙烯联产工艺，氯化铵化学链循环为：首先利用载体与氯化铵反应吸收氯化氢，释放出氨气，再将吸收氯化氢的载体进行加热，释放出氯化氢；然后将获得的氨气与氯化钠水溶液及二氧化碳反应生产纯碱，副产的氯化铵循环回用；将获得的氯化氢与乙炔反应生产氯乙烯，乙炔制备过程副产的二氧化碳回用至纯碱生产，释放氯化氢后的载体循环回用。本发明所述的氯化铵化学链循环技术，集成现有的纯碱和氯乙烯生产工艺，解决了氯化铵循环问题，有望实现纯碱工艺的低氨或零氨消耗；简化纯碱和氯乙烯工艺，大幅降低资金投入及能源消耗；同时减少了生产中CO2与固体废弃物的排放，并得到高附加值的轻质碳酸钙。

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。

项目简介 嵌入式系统在这个信息化与工业化的社会占据着举足轻重的位置。嵌入式系统的 概念毋庸再提，其应用范围更是广之又广，其发展趋势更是为人瞩目，这里套用更有 权威的刊物原话可能更有说服力和感染力！“信息时代，数字时代使得嵌入式产品获 得了巨大的发展契机，为嵌入式市场展现了美好的前景”。从而佐证嵌入式研究与教 学投入的前瞻性与实用性。 本项目在对 ARM 的内核、结构和工作原理以及仿真环境比较熟悉的基础上主要完 成对 ARM 各种外围接口的电路软、硬件设计与仿真以及 ARM 系统板开发的工作。基于 S3C4510B 是一款高性价比 RISC 微控制器，内含 ARM7 TDMI RISC 处理器核，ARM7TDMI 为低 功耗、高性能的 16/32 核，比较适合用于对价格及功耗敏感的应用场合的需要完成其最小硬 件系统的设计。目前系统只需付资制作便可投入到教学实验中，且内核的升级与外围的扩 展与更新以及可应用场合与范围的变动可随时对系统进行升级与改制。