本发明提出了一种基于固定位置的无线信道动态密钥生成方法，首先采集通信双方在多个工作频点的信号强度，然后双方分别对测量得到的信号强度数据进行处理，包括数据交织、平滑、Rank操作以及双门限量化，得到双方的密钥序列后再进行密钥一致性协商使得双方获得完全相同的密钥。并可进一步改变射频工作参数测量获得更多密钥。本发明方法为无线安全通信提供了新思路，通过测量接

本发明提供双声道 3D 音频生成装置及方法，装置包括左右耳声压模拟模块、距离变量函数确定模 块、远场头相关传递函数提取模块、近场头相关传递函数记录模块、卷积模块，首先计算距离不同的声 源在硬质球体的某点上产生的声压，然后将不同距离下声源在该点处的声压比较得到距离变量函数值， 再根据距离变量函数值与已有的远程头相关传递函数得到近场头相关传递函数，再利用该头相关传递函 数进行时频变换得到头相关传递冲激响应与音频信号进行卷积，最终得到 3D 音频。利

本实用新型公开了一种基于PID算法控制的电磁直立车，包括车体，所述车体顶部设有蓝牙模块，所述蓝牙模块电性连接PCB控制电路板，所述PCB控制电路板设置在所述车体内部，且所述PCB控制电路板上设有PID控制器，所述PID控制器的一侧电性连接陀螺仪，所述陀螺仪一侧设有加速度传感器，所述加速度传感器电性连接所述PID控制器，所述PID控制器电性连接驱动电机，所述驱动电机设置在所述车体内腔的底部，且所述驱动电机设有两个，两个所述驱动电机的旋转轴分别朝向相反的方向，所述旋转轴上连接行驶轮，本实用新型简化直立车

切割问题和装填问题在学术界属于一类经典的NP 难问题，它们有着众多的变种，例如：一维的背包问题，二维的矩形切割问题，三维的装箱问题等。其中以二维的场景应用最为广泛，相关求解算法可以作为玻璃、板材、管材、服装切割套料智能制造的算法内核。 本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。

本发明的涉及一种对图像中矩形进行检测的方法。本发明旨在 寻找图像中矩形的最佳四个顶点集合，首先对图像进行边缘检测，获 得由图像中所有边缘点组成的集合即边缘空间，然后用四个边缘点表 示一个矩形个体，简称为个体，通过计算四个边缘点之间连线的存在 性和夹角接近直角的程度来计算个体的适应度，选择适用度高的个体 进行交叉和变异操作来产生新一代的个体。通过多次选择、交叉和变 异操作最终找到组成矩形四个顶点的最佳集合。该方法基于遗

本发明公开了一种液晶基多眼套叠仿生成像探测芯片，包括多眼套叠成像探测架构，其包括同轴顺序设置的驱控与图像预处理模块、面阵可见光探测器以及面阵电控液晶聚光微透镜，面阵电控液晶聚光微透镜包括 m×m 个单元微透镜，其中 m 均为正整数，面阵可见光探测器被划分为 m×m 个子面阵可见光探测器，每个子面阵可见光探测器包括 m×m 个光敏元，面阵电控液晶聚光微透镜用于接收目标光波，并将该目标光波离散分割到面阵可见光探测器中不同

1.痛点问题 本项预期成果是解决复杂场景中目标三维数据重建、驱动的关键技术。 针对实际应用中复杂运动场景，例如刚性运动的交通工具，变形移动行人等，传统的运动结构恢复方法在进行场景深度求解时无法确定每个单元结构的相对尺度，导致无法对复杂运动场景进行重建。在现有的深度估计、语义分割、位姿估计等相关技术，存在识别精度低、提取不到关键信息、应用场景单一等问题，无法满足大尺度场景应用的需求。 2.解决方案 本项目成果提出了一套面向目标、人体深度数据重建技术，有效实现对复杂运动场景下人、物的深度重建与驱动，有效解决现实场景目标的数字化模型生成与虚拟场景下的驱动映射问题。提出多模态采集、时空复用编码摄像方法，获取大景深、高时空分辨、丰富的精确场景视觉信息，基于超像素关系分析的深度重建方法，包括目标超像素分割，图像帧匹配，运动关系判定，通过时序传播与概率模型更新实现实时深度重建，提高最终三维重建模型的稠密度、鲁棒性、一致性和准确度。构建了基于深度卷积神经网络的目标实例检测与位姿估计框架，从目标对象观测图片提取其分割掩码并不断迭代更新，输入深度卷积神经网络进而得到目标6D位姿估计并进行迭代改进，从而实现目标在动态复杂场景下的位姿还原，克服了在光照、姿态变化、遮挡等不良因素环境下的目标位姿不准确问题，确保了目标6D位姿估计的鲁棒性与准确性。 合作需求 寻求在元宇宙、数字城市、自动驾驶、AR/VR、机器人、制造业等领域有相关技术开发、市场推广经验，能推广本技术落地的高科技企业，可以进行深度合作。

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：

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：

本发明的目的在于克服现有技术的不足，提供一种基于门限的低复杂度MPA算法， 该算法通过设置置信度门限来及时对可靠的码字进行译码，或对发送概率极低的码字进行 舍弃，从而有效地降低了原始MPA算法的复杂度。