为用户提供医疗搜索、重症指南、送药上门、在线问医、疫苗预约、健康管理等方面专业服务。

健康食用油，运动饮品，休闲食品，面食系列，米系列，意大利面系列

边缘智联网（edge+AI+IOT=eAIOT）综合实验平台是一款集成物联网、嵌入式、移动互联技术、人工智能于一体的高端教学科研实验平台。 整个教学平台包括物联网、嵌入式Linux和人工智能（AI），三个部分互相支撑、互为补充。平台采用多核高性能 AI 处理器，预装 Ubuntu Linux 操作系统与OpenCV计算机视觉库，支持TensorFlow Lite、NCNN、MNN、Paddle-Lite、MACE等深度学习端侧推理框架。 实验平台支持图像处理、语音处理、无线通信、传感器原理、RFID等技术的主流算法及应用。提供完整的配套教学教材，实训案例的源码、开发手册等，满足AI和IOT教学实训、应用开发等需求。 本项目实验平台搭载瑞芯微RK3399处理器，不少于9个无线传感器节点，配备11.6寸高清触摸屏、高清相机模块、7麦麦克风阵列和ODB接口。 硬件系统采用DC12V电源适配器安全统一供电，结构为上下两层一体化设计，上层紧固式安装实验所需硬件（非磁吸式安装），实验所需硬件均平铺安装在一整块底板上，下层收纳放置配套线材、配件等设备。 实验平台支持ZigBee、BLE、lorawan、nbiot、RFID等无线网络通信，支持无线传感器网络、物联网人工智能、嵌入式系统开发、RFID射频识别技术等课程实验。同时配备可私有云和公有云部署的“物联网云平台”，配合多种传感器模块，可完成基于物联网云平台的嵌入式无线传感器综合实验。本平台提供嵌入式深度学习框架Tengine，可完成人工智能实验，包含基于深度学习的目标检测实验、基于深度学习的人脸识别实验，可完成声纹识别门禁实验、AI语音智能家居实验、知识图谱和聊天机器人实验等人工智能实验。

本软件主要功能是版面对象（文字、表格、公式、图形等）的自动识别，包括版面分割、样式识别、表格识别、公式识别、图形解析、文字识别与元数据抽取等。可用于数字内容制作（如点读书热区检测）、文件格式转换（如PDF到EPub）、表单识别与金融文档处理、数学公式识别与结构化拷贝、题库构建与试题检索、漫画制作与检索等。目前支持图像、PS、PDF、Word、EPub、网页等文件格式，支持图书、论文、证券研究报告、试题、表单类数据等。

设备的所有技术模块均是来自于企业的生产实际运用并结合职业院校教学实训的特点研发而成。通过实训让学生了解企业的智能化生产流程和相关知识，掌握现代企业智能制造的一般技术技能。产品致力服务于制造类中、高职院校智能制造、工业机器人、机械制造及其自动化、电气自动化、机电一体化、机电技术应用、工业物联技术、MES生产管理等相关专业的教学实训以及生产一线智能制造设备安装、调试、组织生产、维护保养的技术技能培训。

智能身心反馈放松椅 一、初始状态尺寸：沙发尺寸cm：高105 宽94 长103。 二、沙发整体组合材质：电动控制系统，靠背可进行100度-170意调节，腿部可进行90度-170度任意调节。 颜色：米白加果绿。净重：55KG。开合次数：5万次开合测试，无故障。 沙发组合材质：                                                                                                                                  1、高规格加粗木方做骨架2、加密字簧+进口牛皮筋+中软海棉+无纺布+坐架布3、坐垫使用高密度海绵，靠背、扶手内胆填充3A公仔棉4、晨光龙机械架 三、体感系统配置： 控制器一台：播放控制音量、振动大小调节，上下曲切换，播放模式等。 功率放大器一台:播放模式：TF卡、蓝牙、3.5MM音频输入；3.5MM音频输出至耳机，接收控制器输入信号，音频输出至喇叭，并提取音频中的10-150赫兹低频经放大输出至换能器。 低音频体感振动换能器6个：8欧10瓦；沙发内置。 四、RV反馈放松训练系统V2.0是一款基于心率变异性和新生物反馈技术的“双心”健康管理系统。它根据对人体心率变异性及其频域特征的分析来确定人的生理和心理状态，并通过调节人体自主神经系统内的和谐与平衡，达到增强心理调节能力、提高生理健康水平的目的。 该系统采用红外光电传感器获取心率变异信号，通过USB接口与电脑相连接。用户可在电脑上看到自主平衡前后其心率变化、输送比的变化，并可反复训练，以达到消除紧张、疲劳、焦虑和提升个人表现的目的。该系统结合了生物反馈的新成果和技巧，添加了丰富多彩的训练项目和放松引导来辅助训练，用户可以通过轻松有趣的互动体验过程来调节自己的身心协调状态。 五、硬件系统：（四核、8GB内存、128G固态硬盘、21.5寸液晶显示器） 六、移动台车：材质abs，尺寸：550mm*500mm*850mm

我校发明了一种小型、低成本的铁电高分子柔性传感器，简单地贴合在手腕等部位，即时采集脉搏波信号，获得节律、波形等与心血管功能密切相关的参数。传感器能追踪健身和服用血管扩张药状态下脉搏波的变化；精确区分心脏输出的主波和次级反射/重搏波，评估血管硬化程度。传感器能耗为微瓦级，扣式锂电池驱动预计可工作两年；与智能手环等相整合，可在线关注心血管系统健康，定制个性化健身和心脏药物服用计划。该研究曾入围2016春季美国材料研究学会iMatSci的20个项目。

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。

研究背景：  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。

本研究低成本搭建了弹性可扩展的Hadoop云计算平台