高分子材料专业，本科及以上学历，5名

本发明公开了一种与湖羊睾丸重量主效QTL有关的SNP分子标记及其应用，属于遗传育种和分子生物学领域。该SNP分子标记位于绵羊11号染色体第54289512位碱基，该位点处出现C和T两种等位基因的多态性。该SNP位点的不同基因型与湖羊睾丸重量显著相关，其中CC基因型个体的睾丸重量显著高于TC和TT基因型(P<0.01)。将所述SNP分子标记应用于高繁殖力种公羊的早期选育，对提高羊群生产能力和增加养殖效益具有重要意义。

本项目拟通过建立复合纳滤膜多层结构的协同设计方法，丰富复合纳滤膜制备的理论基础，提升纳滤膜的分离性能，形成一批具有自主知识产权的高性能纳滤膜制备技术，并实现规模化生产，促进纳滤膜分离技术的广泛应用。

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

丁香醛与3,4,5-三甲氧基苯甲醛是通用药物中间体，它们最主要的用途是用于合成经典抗 菌剂——甲氧苄啶，每年全球生产量达5千吨左右，中国是主产国。目前丁香醛与3,4,5-三甲氧 基苯甲醛的生产路线为对甲酚四溴化-水解制得二溴醛、二溴醛甲氧基化得丁香醛、再进行甲 基化制得3,4,5-三甲氧基苯甲醛。这条传统路线的主要缺陷是溴素的消耗极大，后续副产大量 的溴化氢，必须设立耗溴的溴代烷烃工厂。因此丁香醛与3,4,5-三甲氧基苯甲醛的生产需依赖 溴素原产地，副产衍生化过长，生产成本较高。随着中国溴素资源的枯竭逐步显现，当前丁香 醛与3,4,5-三甲氧基苯甲醛产业亟需产业升级换代，开发使用新的低溴、绿色的合成技术。这条路线的优点在于： 1. 在溴化反应制备二溴酚中，使用洁净溴化技术，无副产溴化氢，溴素消耗量最小，实现 溴素资源的循环利用，摆脱丁香醛与3,4,5-三甲氧基苯甲醛生产对溴素资源原产地的一类，并 且该步反应几乎无废水排放。 2. 在甲氧基化反应制备二甲氧基对甲酚中，使用定量甲氧基化技术，可以直接回收精甲醇 用于循环生产甲醇钠。与此同时通过回收溴化钠进行循环利用，无废水排放。 3. 在氧化反应制备丁香醛中，使用本课题组开发的高效氧化技术，安全、高产、分离简 便，仅有少量中和废水。 4. 这是一项低碳、低溴耗、循环经济、低污染的绿色洁净合成路线，生产成本较老工艺有 较大幅度下降，为产业更新升级所急需。并且该条路线可以联产中间体三甲氧基甲苯，形成合 理的产业链条。

铁电陶瓷粉体及其集成器件的研究与开发是目前最为活跃的领域。大部分铁电陶瓷是钙钛矿型复氧化物，其中最为重要的是BaTiO3基氧化物陶瓷。BaTiO3是在第二次世界大战的1942年到1945年间，由美国、苏联、日本各自发现的高介电常数、强介电体的材料。由于其具有优越的介电、压电、铁电性能，被广泛应用于制备各种陶瓷电容器、微波器件、铁电存储器、温度传感器、非线性变阻器、热敏电阻、超声波振子、蜂窝状发热体等电子器件。随着现代科学技术的飞速发展和电子元件的小型化、高度集成化，需要制备与合成符合发展要求的高质量的钛酸钡基陶瓷粉体。纳米BaTiO3基电子陶瓷具有独特的绝缘性、压电性、介电性、热释电性和半导体性为元器件的小型化、集成化带来可能，大大提高了产品的附加值和市场竞争力。如采用纳米BaTiO3粉末制多层电容器，可以显著减薄每层厚度增加层数，从而大大提高电容量和减小体积。因此，低成本合成钛酸钡基纳米陶瓷粉体对我国信息产业、电子工业等的发展具有重要的意义。 溶胶-凝胶自燃合成(Sol-gel Autoignition Synthesis，SAS)是九十年代伴随着高温燃烧合成的深入研究和超纯、超细氧化物陶瓷的制备而出现的一种低成本制备与合成单一氧化物和复杂氧化物的技术。它是指有机盐凝胶或有机盐与金属硝酸盐在加热过程中发生氧化还原反应，燃烧产生大量气体，可自我维持并合成所需燃烧产物的材料合成工艺。它的主要的特点有以下几点：(1)：燃烧体系的点火温度低(150℃-200℃)，一般为有机物的分解温度；(2)：燃烧火焰温度较低(1000℃-1400℃)，燃烧时产生大量气体，可获得具有高比表面积的陶瓷粉体。高温燃烧合成燃烧温度一般高于1800℃，合成的粉体粒度较粗，而SLCS则可制得纳米粉末；(3)各组分达到分子或原子水平的复合；(4)：反应迅速：燃烧合成一般在几分钟内完成；(5)所合成的粉体疏松多孔，分散性良好；(6)：耗能低；(7)：所用设备和工艺简单、投资小；(8)：自净化：由于原料中的有害杂质在燃烧合成过程中能挥发逸出，所以产品纯度易于提高。 本项目申请者采用SAS技术已经成功地合成了粒度达70nm左右的BaTiO3陶瓷粉体。 广泛应用于制备各种陶瓷电容器、微波器件、铁电存储器、温度传感器、非线性变阻器、热敏电阻、超声波振子、蜂窝状发热体等电子器件。

项目属于化学工艺和能源高效转化利用的交叉领域，先后列入国家“十一五”支撑计划项 目、中国石油化工集团公司重点攻关项目、中国石油天然气集团公司重点攻关项目。气态烃非 催化部分氧化技术可广泛应用于焦炉气、煤层气、天然气、油田气、炼厂气等气态烃化合物制 备合成气，是能源化工领域的核心技术，应用前景广阔。 项目系统研究了气态烃非催化部分氧化技术，主要创新点在于： (1) 基于转化过程为传递控制的原理，创新性地提出了新型气态烃非催化部分氧化烧嘴。 (2) 基于烧嘴与流场匹配的思想，提出了新的转化炉拱顶隔热衬里设置结构型式。 (3) 提出了气态烃非催化部分氧化新的流程组织模式、自动控制及安全联锁保护系统的理 念，形成了具有自主知识产权的气态烃非催化部分氧化制合成气成套工艺技术。该技术打破了 GE、Shell等跨国公司的垄断，主要技术经济指标国际领先。

我国氯化钾主要通过盐湖卤水盐田蒸发结晶形成光卤石矿，主要成分包括NaCl和 KCl·MgCl2·6H20，通过脱除氯化钠和氯化镁制备氯化钾产品，目前最先进的工艺是反浮选- 冷结晶工艺，其中反浮选技术是增加氯化钠晶体表面的疏水性，经过搅拌鼓入空气，氯化钠表 面的水层迅速破裂并与气泡形成富含氯化钠的泡沫层。该泡沫层通过刮板分离，实现光卤石中 的氯化钠分离，获得高质量的低钠光卤石。氯化钠浮选药剂的物化性能及加料操作方式，直接 影响氯化钾产品品位。 华东理工大学资源过程工程研究所基于浮选机理研究、浮选药剂合成与复配设计、浮选工 艺设计优化及工程放大，开发了非催化、无三废排放的氯化钠浮选原料药绿色合成工艺，工业 规模药剂产品有效成分达93%以上；研制了多元药剂复合配方，其氯化钠捕获能力达到国外复 合药剂同等水平，捕钠能力达到4500克氯化钠/克药剂以上。