云之翼超融合一体机是自主研发的新一代超融合解决方案。基于云之翼自研的服务器虚拟化和存储虚拟化技术，将计算、存储和网络集成于X86服务器之中，并通过云管理平台实现IT资源的可视化管理，为客户提供硬件与软件，产品与服务一体的云数据中心。  云之翼超融合一体机实现了资源模块化的横向弹性伸缩，形成统一的计算与存储资源池，不仅可以减少数据中心服务器数量，整合IT资源，达到提高资源利用率和降低整体拥有成本的目的；而且可以利用软件定义数据中心技术，建立一个安全的、资源可按需调配的数据中心环境，为业务部门提供成本更低、服务水平更高的IT基础架构，从而能够针对业务部门的需求做出快速的响应。 一、产品优势 降低成本 1、空间、电力和运维成本都大幅降低，可有效节省40%-60%的综合成本；2、支持存储旧产品，可对现有的物理存储进行集中管理，进行利旧建设； 数据更安全 1、数据多副本存储，无需任何额外成本，即可实现数据双活；2、数据可靠系数高达99.99% ；3、数据可用性更高，最大支持10副本； 多平台支持 1、支持Citrix、VMware、Hyper-V、KVM等多种虚拟平台，实现不同的超融合组合方式；2、支持与Amazon S3等第三方平台对接，实现混合云存储模式； 降低门槛  1、软硬件一体化整合，开箱即用；2、仅需x86服务器，无需购买独立存储, 简化网络拓扑； 性能更卓越  1、I/O路径全优化，多种数据本地化优化；2、对服务器及存储虚拟化进行深度优化，存储性能提升30%〜50%； 按需建设 1、根据当前需求最小化建设，支持横向扩展，避免硬件过度投资；2、支持动态添加、积木式建设、线性高效扩容，适应不同时期业务，按需扩展； 二、应用场景 软件定义数据中心 借助超融合架构，以软件定义的IT架构实现统一融合的数据中心全虚拟化资源池建设。 开发与测试平台 借助超融合架构，智能调度计算、存储和网络资源，实现开发测试环境的快速搭建。 分支机构 借助超融合架构，为分支机构提供一站式业务应用交付，实现总部对分支机构资源的统一管理。 桌面云建设 通过超融合构建桌面云，不仅可以提供桌面云所需的性能、可用性、可扩展性，同时还可以降低架构的复杂性、管理难度，以及建设成本。 关键业务应用 关键应用对业务连续性和性能都要求非常高，将关键应用部署在超融合上，可以提高系统的性能、可扩展性、可管理性，同时降低成本。 应用新建及扩容 借助超融合架构，实现计算、存储、网络资源池化，提供应用快速上线和资源按需扩展的能力。

本发明公开了一种基于对偶模态方程的确定性声固耦合响应预示方法，包括如下步骤：（１）将声固耦合系统中的结构和声腔划分成不同的子系统；（２）计算结构子系统和声腔子系统的模态；（３）计算相邻子系统中模态间的耦合参数；（４）建立耦合系统的对偶模态方程；（５）通过前置处理，获得确定性载荷作用下，子系统模态上受到的广义力载荷；（６）计算对偶模态方程，获得所有模态的参与因子；（７）通过模态叠加，计算系统确定性声固耦合响应。本发明提供的确定性声固耦合响应预示方法，把系统划分成连续耦合的子系统，并用有限频带内的子系统

本发明公开了一种用于文化赋能机场设计评价的跨模态数据处理方法，涉及跨模态数据分析与处理技术领域，包括，基于预处理后的多源评价数据，通过自适应时间对齐算法，获取时间对齐多源评价数据；基于卷积神经网络模型，构建多源质量增强模型，将时间对齐多源评价数据输入多源质量增强模型，获取高质量多源评价数据；基于高质量多源评价数据，构建多维语义空间，获取多维语义空间中的位置信息和关联规则；通过分析位置信息和关联规则，获取一致性多源评价数据；基于一致性多源评价数据，通过综合评分机制，评估文化赋能机场文化元素。本发明通过自适应时间对齐算法和卷积神经网络模型，显著提升了数据处理的准确性和可靠性。

钻削加工是机械制造行业中孔加工的最主要方法，钻头是切削刀具中使用频率最高、应用最为广泛的刀具。多刃多尖钻头（倪志福钻头）“好用，但难磨”是业界公认的，该技术产品的的推广应用的关键问题是“重磨”。胡思节教授采用可换钻尖的形式制造高性能的多刃多尖钻头，改变传统整体钻头结构，使用钻杆和刀片可分离的结构形式，钻杆可多次重复使用，刀片磨损后可快速更换,刀片更换后的定位精度可以达到0.02mm，彻底解决了多刃多尖钻头钻尖“重磨”的难题，为多刃多尖钻头的大面积推广使用铺平了道路。钻尖形式根据多年的研究成果，采用独特的多刃多尖的结构形式(且这些钻型只能用我们自己研发的特有的五轴数控钻尖磨床来加工)。钻尖刀片采用高硬度耐磨的硬质合金材料制造，把“好钢用在刀刃上”，可节约90%以上昂贵的硬质合金材料(硬质合金材料的价格是制造刀杆材料价格的10倍以上)，从而大大降低可换钻尖式硬质合金钻头的制造成本。

本发明公开了一种基于改进二维经验模态分解算法的图像去噪方法,首先，将待去噪图像经传统BEMD算法进行自适应分解得到各阶IMF后，对各个IMF的概率密度函数与待去噪图像概率密度函数之间的相似性进行测量，其次，根据相似性测量值区分出噪声主导模态函数与信号主导模态函数的边界索引值,然后，使用小波去噪算法对噪声主导模态函数进行降噪处理得到实际的图像噪声，接着，重构出与原图像具有相同信噪比的多幅图像后对其累加求平均、实现将噪声压缩到低阶IMF中，最后，使用BEMD?DT对该平均图像进行去噪处理。通过本发明方法对图像进行去噪，取得效果均好于小波降噪以及传统BEMD等降噪方法的去噪效果。