本发明公开了一种基于视频的交通流量获取方法，首先通过绘制虚拟线框，并获取一个检测区域；然后对每一帧检测区域图像提取运动前景并通过腐蚀和膨胀、连通区域过滤后，提取每一块连通区域中的SURF(Speeded？up？robust？features)特征点；最后，提取每一块连通区域的最小外接矩形，当且仅当当前帧的某一连通区域不在虚拟线框内，且该块通区域块与上一帧中某个与虚拟线框相交的连通区域块的SURF特征点匹配达到90％以上，则认为有一车辆通过虚拟线框，从而完成交通流量的获取。

本技术系CDMA移动通信系统核心技术方面的发明性成果，由国家杰出青年科学基金项目和教育部重点科学基金项目联合支持，并结合国家863计划九五重点之重项目和信产部移动通信专项基金“第三代移动通信系统研究开发项目”的实施而形成。

本发明公开了一种基于重复子结构的复合材料有限元建模方法，包括以下步骤：建立复合材料精细化的多组分单胞有限元模型；基于上述精细化的多组分单胞有限元模型，建立复合材料重复子结构模型；对重复子结构进行缩聚，然后将特征矩阵装配到单胞残余结构，得到全复合材料分析模型；此方法在保证计算精度的同时简化了复合材料精细化建模工程，极大的提高建模效率，具有十分重要的工程意义。

一种基于锥面弹性变形的电主轴安装固定结构，它包括固定基座(1)、外锥套(2)和内锥套(5)，所述的 电主轴(6)的两端分别设有由外锥套(2)、内锥套(5)构成的一组锥环，两内锥套(5)套装在电主轴(6)的外侧， 与电主轴(6)之间圆柱配合，各内锥套(5)与对应的外锥套(2)之间锥面配合，固定基座(1)套装在外锥套(2) 的外侧，内外锥套通过螺钉(3)轴向紧固，使得内外锥套径向膨胀将电主轴与固定基座结合为一体。本实用 新型的外锥套和内锥套采用小锥角，锥环锥面和螺钉螺纹面双重增力，增力比大且可以自锁，夹紧可靠； 带开口锥环组变形容易且均匀，定位精度和夹紧刚度高。

本成果针对设备油液分析技术领域，提出了一套设备油液按需维护及故障诊 断方法，针对运行设备在其全寿命周期内提供了一套完整的监测检测服务，立足 于设备服役期内的健康状态，以在用油液（液压油、齿轮油等）为检测对象，以 油液全谱分析方法为核心，通过研究油液分析关键技术、优化分析流程、提高分 析技术的自动化程度等手段，实现了油液维护、状态评估、损伤修复于一体的闭 环式监测，充分降低了设备的突发性故障停机事件与维护成本。 优化油液磨粒制谱环节，自动、准确地提取油液中包含的与设备运行状态相 关的信息； 快速获取谱片的全域数字图像，得到谱片中的图谱信息； 实现谱片磨粒信息的智能提取，全方位地获取磨粒的尺寸分布、数量分布、 形貌分布等特征，完成油液信息的量化表征； 建立典型磨损颗粒的自动识别模型，获取油液中异常磨损颗粒的磨损类别， 结合尺寸、形貌特征判断磨损部位及磨损严重程度； 全方位地评估设备当前的油液性能与磨损状态，分别从润滑状态、磨损情况 出发，为设备的安全、健康运行提供相应的维护措施，动态地指导设备开展相关 的监测工作。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

手感质量的评估是当今纺织工业中非带重要的环节，但是感官评定涉及到人体复杂的生理和心理因素，所以即使是同一块织品，对于不同的人也会得到不同的评价。因而把感官评估客观化、用相对客观的方法和稳定的尺度来评价织物的手感质量是非常必要的。 本系统把智能技术、数据库技术、网络技术和纺织品感官评估技术结合起来，实现了基于Internet的智能化纺织品感官评估。通过Internet这个服务平台，了解到顾客的喜好，以及某时斯市场需求趋势，生产者与消费者之间的互动架起桥梁，对整个纺织行业系统的革新有着积极的作用。本系统的成功实施还能积极的促进感官评估在其它工业领域中的广泛应用。

本成果在不引起图像质量变化的情况下加载记录信息和提取加载信息，可以用于数字产品的的知识产权保护，涉密产品的授权使用。技术创新点：不破坏数字图像的前提下实现信息的隐藏和提取。  

该项目针对装备智能化改造、智能个体自治技术、多智能体协商规则和自组织生产策略进行了深入研究，开发了相应原型系统——基于物联技术的自组织智能制造实验系统，形成了一套以物联技术为基础，通过自治与协商方式，实现车间自组织实时生产的“智能工厂”模式。 技术优势 该系统具备自组织、自决策、自适应、自学习的功能特征，可适应目前动态多变的制造环境，满足多品种、变小批量、高度定制化的生产需求。通过提供模块化热插拔的智能接口装置，可以帮助企业快速实现智能化改造升级。该智能制造系统可以高效柔性自治的应对加工、装配、检测等作业任务。

光学领域顶尖期刊《自然·光子学》报道了浙江大学信息与电子工程学院陈红胜教授课题组的一项最新研究：在国际上率先实现基于深度学习的新一代智能隐身器件。在不依赖任何人为操控的情况下，快速地动态适应变化的背景环境，从而与背景电磁环境特征融为一体，实现自适应隐身。论文审稿专家认为：“这是一项激动人心的、及时而杰出的工作，它连接了变换光学、电磁超材料和人工智能等领域，为智能光子材料和器件这个新兴领域树立了很好的标杆，也将大大促进其他智能电磁器件的发展。”自然界存在两种“隐身”策略。一种是在变色龙和章鱼生物中常见的拟态隐身，使自己融于周边环境；另一种是透明隐身，即光透过物体时不产生任何散射，例如海樽和水母。科学家近年来提出的变换光学隐身方法则区别于上述两种策略，它利用坐标变换的方法来控制电磁波，使其绕过被隐身的区域，按照原来的方向传播，从而使物体完全隐形。与自然界的“隐身衣”相比，人类的“隐身衣”多数只能工作在单一的环境背景和既定的入射波条件。如果稍加改变外界环境或者入射波，隐身效果便会大幅度降低。“理想的隐身衣应该和章鱼和变色龙一样，能够快速自动地适应于变化的外界刺激和背景环境。”陈红胜说。如何才能实现这一点？“章鱼有色素细胞，我们有可重构的新型人工电磁材料单元；章鱼有中枢神经，我们有深度学习方法；章鱼有光敏细胞，我们可以搭建电磁波和环境探测器。”论文第一作者、课题组成员钱超说。当前，深度学习已经开始渗入电磁材料领域，但是主要偏重于理论上设计优化人工电磁材料。如何在实验上实现新型的智能电磁材料、构建新一代智能隐身系统并实现快速有效的自适应隐身，是一个极具挑战的课题，在此之前还未见成功实验的报道。经过三年多的不懈努力，陈红胜研究团队组在充分研究隐身领域关键技术瓶颈的基础上，在微波段成功实现了智能自适应隐身器件。研究团队设计了一项小车智能隐身实验——小车身披一层超薄的可重构的超表面隐身材料，这件“隐身衣”由智能芯片控制，集成了训练好的深度学习模型，能够根据输入的电磁信息快速做出决策，改变“隐身衣”的电磁响应。探测雷达随机改变着入射波的频率、极化和入射角，而小车的任务就是动态适应变化的探测信号，对雷达“隐身”。当环境发生变化，变色龙大约需要6秒时间过度到环境色；而当电磁环境发生变化时，披着智能隐身衣的小车只需要15毫秒就能自动地实时“换装”。陈红胜教授表示，智能隐身成功地融合了新型电磁材料和人工智能等领域，其采用硬件手段实现用于隐身调控的深度学习模型，在应用中只需单次前向计算即可做出合理的决策，大大地缩短了响应时间，这一方法对于实时性要求很高的其他应用也有很好的借鉴意义