简介：本发明公开一种超级电容器用相互连接且卷起的网状石墨烯材料的制备方法，属于新型炭材料技术领域。该方法是以蒽油为碳源，纳米碳酸钙为模板，氢氧化钾为活化剂，加入N,N‑二甲基甲酰胺使三者混合均匀后，置于管式炉中，在氩气气氛下加热，直接制备得到目标产物。本发明以廉价的碳酸钙为模板，蒽油为碳源，制备的相互连接且卷起的超级电容器用网状石墨烯电极材料具有容量高、可用能量密度大等优点。该材料用作对称型超级电容器电极材料，在BMIMPF6离子液体电解液中，0.05A/g电流密度下，其比容为256F/g，可用能量密度高达143Wh/kg，可以和锂离子电池的能量密度相媲美。  

本发明公开了一种用于超级电容器电极材料的纳米氧化镍的制备方法及其制备的纳米氧化镍，首先将NiCl2·6H2O与氯化胆碱基深共熔溶剂混合，得到质量浓度为10～30g/L的溶液Ⅰ；加热至120～150℃，将100～300份的去离子水与1000份溶液Ⅰ混合，反应0.5～2h，经离心分离得到沉淀物，再经洗涤、干燥、煅烧后，得到所述的纳米氧化镍。本制备方法条件温和、耗时短，适合大规模工业化生产；制备得到的花状纳米NiO的晶粒粒径小于10nm，粒径分布均匀且比表面积大，以其作为电极材料制备的超级电容器，具有较高的可逆容量和循环性能，3000次充放电循环后比容量仍稳定在460F/g附近。

2022年10月17-21日，第28届ACM移动计算与通讯系统大会（MobiCom 2022，CCFA类）在澳大利亚悉尼举行。计算机学院系统软件团队关于泛在计算环境下的利用异构计算资源进行端侧原位训练的论文“Mandheling:Mixed-Precision On-Device DNN Training with DSP Offloading”进行了在线汇报，得到了与会者的高度关注和广泛讨论。

本发明涉及压力传感器技术领域，特指一种宽量程高精度集成双膜电容式压力传感器及制作方法，包括玻璃衬底，玻璃衬底上设有浅槽一与浅槽二，浅槽一与浅槽二通过细槽连通，浅槽二中心位置设有浅槽通孔，浅槽通孔从浅槽二底面延至玻璃衬底底面，浅槽一上设有可测量低压差的电容Ｃ１，浅槽二上设有可测量高压差的电容Ｃ２，可测量低压差的电容Ｃ１包括底电极板与薄压力敏感膜，可测量高压差的电容Ｃ２包括厚压力敏感膜与顶电极板，浅槽通孔通过细槽与可测量低压差的电容Ｃ１对应设置，浅槽通孔通过浅槽二与可测量高压差的电容Ｃ２对应设置。本发明通过可测量低压差的电容Ｃ１与可测量高压差的电容Ｃ２分别实现了压力在低压段与高压段的高精度测量。

成果介绍本发明公开了一种虚拟家装室内场景设计中的阴影渲染方法。包括阴影映射图生成步骤，半影估计步骤，基于泊松碟采样的百分比渐近滤波步骤，最后通过加入漫反射环境光，生成具有真实感的虚拟家装室内场景阴影效果图。本发明方法能够高效且能改善阴影映射图锯齿走样的问题。技术创新点及参数本发明提供一种真实感强烈，生成了场景中物体的软阴影而且速度快， 可以满足虚拟家装实时渲染要求的虚拟家装室内场景设计中的阴影渲染方法。市场前景本发明方法结合阴影映射图与百分比渐进滤波技术实现虚拟室内家装 的实时阴影效果渲染，不仅能够生成具有真实感的家装室内设计中的阴影渲染，而且 不会随着场景中三维物体复杂度增加而增加，无需预处理能够满足实时应用需求。该 技术对计算机虚拟现实在虚拟家装领域的应用具有重要意义。

本成果以专利形式体现（专利号 201310723968.2 ），生命科学大多以微生物为研究对象，有很多物种都是近缘的，无法用普通方法区分，本方法通过 PCR 方法可以快速区分，建立了一种设计特殊引物的方法。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

针对子载波非连续可用的情况下，基于迭代平均处理的思想，设计了适用于载波扩展OFDM系统中的导频符号，使用这种导频符号，能有效地克服OFDM系统峰均功率比过高的问题，且能保证较优异的误比特性能。

采用本发明得到的低相关区域序列组，在一定的相关区域内，绝大部分自相关函数取值为零，并且全部互相关函数取值为零。本发明所得到的低相关区域序列组，可以广泛应用于认知无线电系统，如信号同步、信道估计、多用户扩频等方面。