适合编程教学实践课堂  适合AI教学实践课堂 教学控制纯硬件设计，开机即教，零维护 重塑电子教室，智启交互与拓展新境 合班授课新高度，真正实现全球授课 自带设备入课堂，文件收发超丝滑 全系统兼容，Windows、苹果、信创产品随心带    

产品详细介绍

产品详细介绍

产品详细介绍

产品详细介绍 电子罗盘KVH-C100 电子罗盘KVH-C100简介：电子罗盘KVH-C100具有体积小、价格低、性能稳定可靠等特点，专为工业和军事上的使用而设计，采用磁通门技术，航向精度可达到0.5°以内，通过其数字接口，可提供地球磁场X、Y轴的水平分量。电子罗盘本身采用铝壳封装，工作温度达-40-+65°，电子罗盘内置的自动校准软件，可提供对磁场变化而引起的误差的修正。高技术的设计，多年丰富的军工生产经验，使C100电子罗盘不仅在实验室里达到所述的技术指标，而在最终用户产品里也同样如此。可以不夸张地说：C100电子罗盘是目前世界上最先进的电子罗盘。  虽然GPS在导航、定位、测速、定向测量等方面有着极其广泛的应用，但由于其信号常被高楼、高山、峡谷、树冠等物体所遮挡，其信号可用性仅为60% ，加之美国出于自身利益上的考虑，从不承诺不实施SA干扰和区域关闭， 这更给GPS用户带来很大疑惑和担心。因此，将GPS与电子罗盘相结合，二者相互补充，组合使用是导航领域的理想选择。在美国，虽然其完全独立掌握GPS的卫星资源，但为了使系统更加可靠，使导航信息100%有效，M1坦克及其它一些重要装备上仍加装了电子罗盘。 电子罗盘KVH-C100技术参数:

产品详细介绍产品特性：1.柜体采用1mm及1.2mm优质钢板制作，多处加强结构，承重性能好，重叠式结构设计，密封性能极佳。2.表面处理采用先进的有18道工序组成的橘纹烤漆，耐腐蚀性强。 3.门镶3.2mm高强度钢化玻璃，防前倾耳式结构设计。带平面加压把手锁一体化设计,有防盗功能。4.LED超高亮数码显示，温湿度传感器采用美国原装著名品牌honeywell，温湿度独立显示，使用寿命长。湿度可设定且具有记忆功能，断电后无需再设定。5.湿度显示范围0%～99%RH,温度显示范围-9℃～99℃。显示精度:湿度±3%RH;温度±1℃6.机芯利用中加(中国，加拿大)合作技术，采用进口吸湿材质，取得中国国家专利。7.行业内唯一一家拥有智能化控制系统的防潮箱。自动判断机器内湿度来决定工作时间，节省能源，延长产品使用寿命。主机外壳采用高温阻燃材料，杜绝安全隐患8.断电后仍可运用物理吸湿补位功能继续除湿，24小时内湿度上升不超过10%。9.  行业内唯一一家通过ROHS环保的产品。避免重金属等元素污染存放的贵重产品。10.用于湿度敏感类材料的防潮保管，如IC等湿度特别敏感的材料存放，可选购防静电. 名称 型号 湿度控制范围（RH） 平均功率（W） 最大功率（W） 是否防静电 

产品详细介绍 　　实现面向未来的技术，这种技术旨在随着学校的成长而不断扩大和适应成长，ActivBoard 100系列为不断进化的课堂打下了坚实的基础。 　　ActivBoard 100 System一瞥： 　　•互动性和生动的展示吸引和鼓励学生积极参与。 　　•与普罗米休斯软件、工具和资源库无缝结合，也可以很轻松地与您现有的课堂教学工具配合使用，将课堂变成互动的、引人入胜的教学环境。 　　打下坚实基础 　　要建立一个在未来几年内都符合需求的互动课堂，必须要有一个坚实的基础。ActivBoard 100是一款课堂互动显示设备，与ActivInspire个人版软件无缝结合。旨在抵御最恶劣的课堂环境，互动电子白板ActivBoard 100鼓励课堂参与和协作。 　　鼠标笔ActivPen轻轻一点，ActivInspire个人版的一系列资源，大量的模板和课堂活动让学生在引人入胜的互动课堂上将图形和动画带入到生活中。普罗米休斯的超过6800个免费教师资源和网上专业发展资源供您创建活跃的、有灵感的和参与性的教室。 　　ActivBoard 100具有缩放和拉屏功能，为创建互动课堂奠定了坚实基础。 　　为什么选择ActivBoard 100? 　　扩展功能 　　立体声的增强功能，无线连接和双用户功能不断升级，以满足您的需求。 　　连接和分享 　　USB供电，有一个USB接口，方便您连接电脑。 　　完整的整合方案 　　互动电子白板ActivBoard 100与普罗米休斯软件、互动学员应答系统、互动工具和内置的多种资源库等无缝结合，将教室变成一个互动的综合环境。 　　互动电子白板ActivBoard 100有短焦、超短焦、极短焦投影机的安装选择。 　　互动电子白板ActivBoard 178E系统 　　ActivBoard 178E是一套完整的、高质量的、具有超高价值的互动系统。除了无与伦比的服务、支持和丰富资源，ActivBoard 178E还有普罗米休斯的投影机承诺，确保可预见的低成本投入及维护，降低总成本。 　　系统包含： 　　•ActivBoard 178 　　•PRM-32短焦投影仪 　　•悬置系统 　　•ActivInspire个人版软件 　　•型号 　　ActivBoard 178 (78") 　　类型选择 　　短焦、超短焦、极短焦投影机悬置系统 　　兼容性 　　互动电子笔ActivArena (双用户功能)、互动教学平台软件ActivInspire、综合问答器ActivExpression、无线投票器ActiVote、互动评估软件ActivEngage、ActivEngage2、无线手写板ActivSlate、互动展台ActiView、互动电子笔ActivPen、互动电子教鞭ActivWand、互动音响系统ActivSound 　　连接方式 　　USB：5m(16英尺)USB线;2.4GHz ActivHub无线连接;无线升级包100/300可供选择 　　•操作系统 　　Windows、Mac、Linux 　　安装 　　操作ActivBoard 100需要安装ActivInspire个人版包括驱动程序。可在普罗米休斯的国际社区平台Promethean Planet上查看ActivInspire的规格书和下载 ActivInspire专业版软件。管理员或特殊用户访问权限需要安装驱动和软件。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。