本项目研究了单个动力源分时段驱动多个负载的传动方案，采用电磁控制技术设计了分体式电磁联轴器，通过径向移动活动半联轴器，实现其与不同位置的多个固定半联轴器分时段接合。将该分体式电磁联轴器应用于多层升降横移式立体车库各层车位的升降传动装置，能够实现同一层的多个车位共用一台升降电机，电机分时段驱动各个车位的升降动作，减少电机数量，提高电机的使用率；多个车位采用一台升降电机驱动，能够方便的在电机驱动部分安装配重块，以减小电机功率、节约能源。本项目获批发明专利3项。

成果创新点 通过光谱使飞蛾兴奋起飞、使飞蛾治盲无方向、高温 杀虫。 核心优势：替代化学农药；广谱高效，本装置可以应 用到所有农作物，瓜果蔬菜,茶叶,烟叶,树木等杀虫率高。 本成果是利用几种稀土材料按一定比例进行配方，在 特殊真空管中加电压发出所需要的光谱，这种光谱它的管 控农作物面积约 20 到 40 亩。当所有农作物和经济农作物 的害虫飞蛾，在接收到这种光谱后立刻兴奋起飞追光，当

通过光谱使飞蛾兴奋起飞、使飞蛾治盲无方向、高温杀虫。核心优势：替代化学农药；广谱高效，本装置可以应用到所有农作物，瓜果蔬菜,茶叶,烟叶,树木等杀虫率高。本成果是利用几种稀土材料按一定比例进行配方，在特殊真空管中加电压发出所需要的光谱，这种光谱它的管控农作物面积约20 到 40 亩。当所有农作物和经济农作物的害虫飞蛾，在接收到这种光谱后立刻兴奋起飞追光，当害虫飞蛾飞往強光区，一种光谱对飞蛾的付眼进行治盲，使飞蛾失眠无方向而落地。飞蛾追光是它的本性，当追补到高温区域直接烧死。

1.痛点问题 在临床医学实践过程中，会产生医学图像、电子病历、生命组学等多种类型的医学数据，这些数据能够从不同角度对患者的病情进行刻画。因此实现多模态临床医学数据的自动化和智能化分析，有利于推动国家健康医疗大数据产业的发展，助力“健康中国”战略的实施。 我国不同地区医疗水平差异较大，医疗资源在空间上分配不均。某些科室如影像科、病理科有较大的医师缺口，供需矛盾突出。这种供需不匹配的问题也造成了医生工作负担加重，患者等待检查结果周期变长等诸多问题。在当前情况下，短期内无法通过培养更多的新医生来缓解医疗资源供需紧张的问题。 为缓解上述问题，目前已有企业推出了基于人工智能的辅助诊疗产品，但这些产品大都针对单一模态的医学数据，无法从整体的视角进行辅助诊断和决策，辅助诊断的准确性仍有较大的提升空间。 基于以上痛点问题和产业机遇，我们希望通过技术创新，研发出一套有效的多模态医学数据智能分析系统，应用“多模态医学数据+人工智能”的技术模式，缓解当前医疗资源供需紧张的社会问题。 2.解决方案 本项目旨在研发对多模态医学数据进行有效整合分析的人工智能方法。处理的数据类型包括：患者的医学图像、电子病历、生命组学等多种模态的医学数据。针对医学图像数据，构建目标检测与分割、特征提取、相似图片检索等智能化算法；针对电子病历数据，构建分词、医学实体识别和标准化算法；针对生命组学数据，研究基因突变致病性预测的深度学习算法。上述多模态医学数据智能分析技术为基础，研发多模态医学数据智能分析的系列软件产品，为医院提供人工智能辅助诊断等应用产品。 3.合作需求 寻求与医疗机构、医疗设备耗材企业、远程病理运营企业开展相应的合作。

本发明公开了一种多物理域特征信息融合方法，包括：（1）通过测量工具获取工程事件中所需要的先验信息，去除其中的冗余信息，获得优化的特征信息集；（2）将优化的特征信息集中的每个特征信息值 Xi 转换成区间形式；（3）求取广义隐马尔科夫初始模型；（4）根据获得的广义隐马尔科夫初始模型λ，获取最优模型；（5）求得每个单物理域的最优的广义隐马尔科夫模型，再各单物理域最优模型参数间的耦合关系，合成联合的广义区间后验概率分布，完成获得多物理域特征信息融合。本发明的方法通过广义贝叶斯法则

1、历经十多年的研发，已形成独立建立高精度、工程化的北斗兼容GPS/GLONASS/GALILEO四系统的地基增强系统建设方案，形成了以EarthNetV3.0（中心数据处理软件）和S6535b（多星座基准站接收机）为自主核心产品的产学研一体化成果。 2、网络RTK与实时精密单点定位技术的交叉融合，使未来的地基增强系统将实现大规模NRTK/RTPPP集成处理，从而实现广域动态高精度导航与定位服务。 3、面向手机终端的GNSS高精度动态定位研究将有力促进其在车路协同自动驾驶、智慧城市等领域的深入应用。

成果简介：项目在多导航系统兼容、高精度数据仿真、高动态高精度射频信号生成等技术方面取得了突破性的进展，并设计研发了国际国内领先的多体制高性能卫星导航模拟设备。其实现了BD-2（一期，二期）、GPS、GLONASS以及Galileo四个导航系统共22个频点导航信号的高精度仿真。 项目来源：国家十二五重点项目 技术领域：信息技术/先进制造技术/地球观测与导航技术等 应用范围：潜在合作领域 现状特点：国内先进 技术创新：高动态高精度中

针对多动力（列车、地震、侧风）作用下桥梁系统动力学理论与关键技术存在的诸多技术疑难，持续开展了桥梁结构体系模型试验、现场测试、理论分析与数值仿真， 提出多动力作用下轨道桥梁系统振动控制理论及减震技术，研发了桥梁系统抗震设防及多灾害评估方法， 研究成果已在桥梁结构体系设计与运营维护中推广应用。

已有样品/n该成果可以直接或间接的对电力设备在运行中的多个关键物理信号进行收集、转化、显示、存储和分析，为电力设备的在线运行状态监测以及性能分析提供基础。该成果显示和存储的信号具有很高的精度，能满足更多精度要求较高的数据采集要求，且能够同时采集上百路信号；通过软件部分的编写可以同时处理和分析多种物理信号，并根据工程需求实现多元化的显示方式与交互模式。该成果的主要技术指标包括：满足设备监控与分析要求数据精

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。