青岛申飞安达环保材料有限公司成立于2021年03月05日，注册地位于山东省青岛市黄岛区泊里镇徐家官庄东南、东庄村北，法定代表人为王文礼。经营范围包括一般项目：耐火材料生产；耐火材料销售；再生资源销售；金属废料和碎屑加工处理；非金属废料和碎屑加工处理；再生资源加工；生产性废旧金属回收；环境保护专用设备制造；新型建筑材料制造（不含危险化学品）；建筑材料销售；通用设备制造（不含特种设备制造）；金属材料制造；机械零件、零部件加工；机械设备销售；非金属矿及制品销售；机械零件、零部件销售；通用设备修理；固体废物治理；砼结构构件制造；建筑工程机械与设备租赁；机械设备租赁；特种设备出租；运输设备租赁服务；仓储设备租赁服务；机动车修理和维护；非居住房地产租赁；住房租赁；物业管理；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；新材料技术研发；资源再生利用技术研发。（除依法须经批准的项目外，凭营业执照依法自主开展经营活动）许可项目：可用作原料的固体废物进口；道路货物运输（不含危险货物）；货物进出口。

山东莘纳智能新材料有限公司，成立于2019-07-24，注册资本为5000万，法定代表人为徐印珠，经营状态为开业，工商注册号为371522200099988，注册地址为山东省聊城市莘县莘亭街道办事处耕莘街与阳平路交叉路口西200米路北，经营范围包括围绕二氧化钒相关材料（纳米材料、浆料、智能隔热玻璃涂层、智能精准光调控多功能农用薄膜），在其制备及应用领域进行深入研发、生产（危险化学品除外），并进行市场销售。  

山东九鼎新材料有限公司是江苏九鼎新材料股份有限公司（股票代码：002201）在山东投资的全资子公司,成立于2010年12月。公司占地35万平方米，一期投资10亿，主要经营HM/HCR无碱、高性能玻璃纤维纱、玻璃纤维深加工制品的研发、生产和销售。 公司建有原料均化系统、玻璃熔制系统、纤维成型系统、浸润剂配制系统及公用工程配套设施构成的完整的、高性能玻璃纤维纱及深加工生产线。通过计算机DCS集成控制系统实现数据化、信息化、自动化的运行管理，其生产工艺和技术在国内处于领先地位。 公司采用九鼎新材自主研发的采用独特玻璃成份和熔制工艺制成技术，生产HM（High Modulus fiberglass ）/HCR高模量玻璃纤维高性能玻璃纤维纱、磨具材料增强网布、玻纤短切毡、玻纤缝边毡等玻纤深加工制品。具有绝缘性好、耐热性强、抗腐蚀性好、机械强度高等优点，广泛应用于管罐、交通、电子、电气、工业设备、造船、医疗、海洋开发、风电、航空航天等高新科技产业及其他复合材料中的增强材料、电绝缘材料和绝热保温材料等国民经济领域。 “用我们的勤劳和智慧建设充满活力、令人向往、永续发展的百亿九鼎、百年九鼎”。九鼎正在努力打造玻纤新材料深加工基地，致力于成为新材料领域最优秀企业。    

青岛海洋新材料科技有限公司（AMMT）坐落于美丽的海滨城市——青岛，专业从事船舶及海洋防护材料、功能材料、复合材料等的科研开发、工程应用、生产、销售和技术咨询服务。 公司是国家认定的高新技术企业，先后通过了ISO9001:2015(GB/T19001-2016)质量管理体系认证、ISO14001:2015（GB/T24001-2016）环境管理体系认证。现已承担了十几项国家级重大科研项目和省市科研项目，其中多数项目已完成鉴定验收，技术成果达到国内领先水平。目前，公司已授权专利30余项，已开发出轻质功能材料、绝热耐温材料、深海功能材料、管道重防腐材料等系列产品。其中聚酰亚胺泡沫保温材料获“国家重点新产品”“青岛市技术发明二等奖”，管道重防腐材料通过英国WRc-NSF及山东省卫生和计划生育委员会颁发的饮用水认证证书、改性聚脲材料荣获“青岛名牌”产品称号、青岛市“专精特新”产品、“专精特新”示范企业。 青岛海洋新材料科技有限公司拥有一支精干高效的管理团队、富于创新的技术团队和勇于攻坚克难的营销团队。短短四年的时间完成了体制机制的创新，获得了数十项国家发明专利和专有技术，产品技术水平均处于国际或国内领先，在国内初步建立了以青岛、哈尔滨、北京、大连、上海、武汉和广州为区域中心的营销网络，同时为市场提供技术支撑和保障的技术服务体系也基本建成。 青岛海洋新材料科技有限公司遵循“依靠科技、全员参与、细节管理、持续改进、顾客满意”的质量方针，以满足客户和市场的需求为最高目标，产品已广泛应用于船舶海洋工程、港口码头、管道储罐、桥梁隧道、水利水电工程等领域，优异的产品性能和优质的技术服务获得用户的一致好评。 青岛海洋新材料科技有限公司将继续坚持诚信为本、持续创新，以成为“海洋新材料领军企业”为战略目标，打造“百年品牌”，为我国海洋资源的开发利用、海洋权益的维护和蓝色经济的发展贡献力量。 青岛海洋新材料科技有限公司诚挚邀请国内外客户朋友莅临指导、洽谈，谋求合作共赢！

变格科技是国内顶尖的电容触控技术研发生产制造商，致力于打造智慧型触控产业生态圈。变格主要生产基于非规则铜系金属网格的低电阻透明导电膜，同时集上下游供应链的研发、设计、生产、销售及服务支持为一体，为用户提供具有竞争力的解决方案，统一多屏交互语言，提升交互效率和实现交互一体化。 变格科技成立于2015年，是一家以技术驱动触控供需生态链的科技型创新企业，目前拥有无锡材料研发生产基地、厦门研发应用中心和北京协同创新中心，是大尺寸触控国际领先厂商，现有7”~86”模组、套件和整机解决方案，业务遍及国内外军工电磁屏蔽、商务白板、教育黑板、智能家居、新零售等应用领域。

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明涉及一种磁性离子液体，特指基于胍基官能团的离子液体的制备方法及在萃取脱除非极性溶液中含硫有机物的用途。其结构如通式（I）所示，该类离子液体是典型的室温离子液体，具有很低的熔点及很高的沸点，室温呈液态，蒸汽压低，稳定性好，与非极性溶剂互溶度极低；具有极高的脱硫效率，可在3~6min达到脱硫的萃取平衡；选择性高，不会对原来的非极性溶液产生污染及着色。该发明的磁性离子液体之中，当n=1.5~2时，具有很高的顺磁性，其比磁化系数大于59.1×10-6emu/g,优于已有的报道。因此，萃取脱硫结束后可以通过外加磁场的方法方便地实现离子液体和非极性溶剂的分离。该类磁性离子液体通过加水稀释并用四氯化碳反萃取的方法能恢复其性能，并且可以循环多次使用而不会引起脱硫效率的明显降低。脱除的含硫芳环化合物也能通过减压蒸馏富集并实现回收利用。

该项目研制的酶联免疫检测技术包括免疫原、包被原、抗体的制备以及样品的处理和检测等步骤。能一次性测出样品中斑蝥黄、β-胡萝卜素、β-阿朴-8’-胡萝卜素醛、叶黄素、辣椒红素、β-紫罗酮酸的总含量，缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 该项目缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 成果完成时间：2013年