本发明提供了一种模态试验中多传感器附加质量消除方法，推导模态试验中多传感器质量影响消除公式，确定模态试验中布置的传感器个数及消除传感器质量的顺序，基于实测的频响函数根据消除公式逐一计算消除各传感器质量影响的频响函数。本发明首先基于Ｓｈｅｒｍａｎ?Ｍｏｒｒｉｓｏｎ公式推导传感器质量影响消除公式，根据公式实测所需的频响函数，代入公式依次逐一消除，最终实现多传感器质量消除。本发明实现了消除模态试验接触式测量方法中传感器附加质量造成的测量误差，通过对实测频响函数信号的处理消除了多传感器质量对频响函数的不利影响，具有实际工程意义。

多射流电纺与 Janus 结构产品：

利用稀土元素有未充满的 4f 壳层和 4f 电子被外层电子屏蔽的特性，将稀土铝酸盐基质移植到聚合物基体中，生成具有夜光性的蓄光型纺丝液，所纺出的纤维在受光时捕集激发态电子，停止光照后持续的发光跃迁。该项目得到了国家“863”计划和国家自然科学基金的资助。稀土夜光纤维是以纺丝原料为基体，添加长余辉稀土铝酸盐发光材料，经特种纺丝制成夜光纤维。该夜光纤维吸收可见光 10 分钟，便能将光能蓄贮于纤维之中，在黑暗状态下持续发光 10 小时以上。夜光纤维色彩绚丽，且不需染色，是环保高效的高科技产品。该纤维及其织物可广泛应用于建筑装潢、交通运输、夜间作业、日常生活及娱乐服装等领域。 目前，本研究室研发的夜光纤维已成功实现产业化，并得到企业，社会的广泛好评，取得了良好的经济和社会效益。 关键技术 （1）采用高温固相法控制制备不同色光的高效储能稀土夜光材料； （2）通过表面改性和功能助剂的双重作用实现夜光材料在不同基体材料的均匀分散； （3）通过复合纺丝技术制备不同色光的夜光纤维，同时保证其力学性能； （4）只需吸收紫外光或可见光 10 分钟，便可持续 10 小时以上发光。 知识产权及项目获奖情况 发表学术论文 30 余篇；申请专利 15 项，授权专利 3 项；所获奖项： 2005 获得江苏省科技进步二等奖，2013 年获纺织工业协会科技进步二等奖， 2013 年获中国商业联合会科技进步一等奖。 4 项目成熟度 实现产业化生产。 5 投资期望及应用情况 目前已与部分企业合作，将夜光纤维应用于玩具、服装等领域。 

产品详细介绍

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

1．隧道内智能交通诱导标志板用于车辆诱导控制，诱导车辆是否可以进入隧道以及 关闭指示等，当隧道或禁止通行时，分流指示灯诱导车辆从侧道离开。正面显示文字、 图形：向前指示（绿色箭头）、变道/事故指示（黄色箭头）、禁止指示（红色叉）等符 号及速度提示等内容，反面显示包括：向前指示灯（绿色）、禁止灯（红色）等内容。 如图 1 2．隧道外情报板用于隧道口，情报板全屏由彩色模组和单色模组组成，彩色模组以 显示交通图标或限速值,单色模组以显示文字为主。有多种方法显示主控机发送的文字 和图案信息，每条有各自的标号和显示方式。如图 2 交通信息可变情报板为智能型外场设备，具有显示驱动、控制功能。

针对油品调合过程中的关键质量指标辛烷值（马达法和研究法）和雷德蒸汽压等调合规律的非线性，建立了预测准确，结构简洁的智能调合模型。由于实际工业生产过程中存在的干扰因素很多，调合模型输出值与成品油属性在线分析仪的检测值不可避免地要产生一定的偏差，为此开发了汽油调合模型的在线优化校正技术，使调合模型适应工业过程操作特性的变化和生产工况的迁移。在建立的调合模型基础上，开发了离线和在线优化技术。离线优化技术不需要企业进行管道改造和安装在线分析仪，可在一定范围内提高调合的成功率和降低调合成本。在线调合模式基于离线模式，可动态更新和优化调合配方，从而能够进一步提高调合成功率，降低调合成本，减少质量过剩。开发的优化技术还考虑了多种可能的现场生产模式：例如：管道调合，罐式调合，罐底油补偿模式等。已汽油调合软件ECUST_BLEND工作。成品汽油调合过程的建模、模拟与离线优化技术已经成功在金陵石化完成现场应用。其中汽油辛烷值调合效应模型，将汽油调合过程中组分油表现的非线性效应定量的描述出来，进而准确的对成品汽油的关键指标辛烷值作出预测，与传统的乙基模型对比表明所建模型精度提高了约1%。在调合模型基础上开发的离线优化技术，结合了成品油生产现场的特点，能够有效的考虑罐底油、直调组分、锰剂添加量、以及库存约束等现场情况。在实际应用过程中，所完成的汽油调合工作全部一次达到国III标准。通过与传统的手调方式进行比较，优化后配方提高了一次汽油调合的成功率，稳定了汽油生产过程，并且降低了调合成本与质量过剩：质量过剩稳定在0.?以内，且研究法辛烷值在93.5-4.1之间波动。仅以离线优化为例，通过成本核算，每年的调合成本可减少1275万元左右。

针对油品调合过程中的关键质量指标辛烷值 (马达法和研究法) 和雷德蒸汽压等调合规律 的非线性，建立了预测准确、结构简洁的智能调合模型。由于实际工业生产过程中存在的干扰 因素很多，调合模型输出值与成品油属性在线分析仪的检测值不可避免地要产生一定的偏差， 为此开发了汽油调合模型的在线优化校正技术，使调合模型适应工业过程操作特性的变化和生 产工况的迁移。在建立的调合模型基础上，开发了离线和在线优化技术。离线优化技术不需要 企业进行管道改造和安装在线分析仪，可在一定范围内提高调合的成功率和降低调合成本。在 线调合模式基于离线模式，可动态更新和优化调合配方，从而能够进一步提高调合成功率，降 低调合成本，减少质量过剩。开发的优化技术还考虑了多种可能的现场生产模式。例如：管道 调合，罐式调合，罐底油补偿模式等。已汽油调合软件ECUST_BLEND工作。 成品汽油调合过程的建模、模拟与离线优化技术已经成功在金陵石化完成现场应用。其中 汽油辛烷值调合效应模型，将汽油调合过程中组分油表现的非线性效应定量的描述出来，进而 准确的对成品汽油的关键指标辛烷值作出预测，与传统的乙基模型对比表明所建模型精度提高 了约5%。在调合模型基础上开发的离线优化技术，结合了成品油生产现场的特点，能够有效 的考虑罐底油、直调组分、锰剂添加量、以及库存约束等现场情况。在实际应用过程中，所完 成的汽油调合工作全部一次达到国III标准。通过与传统的手调方式进行比较，优化后配方提 高了一次汽油调合的成功率，稳定了汽油生产过程，并且降低了调合成本与质量过剩，质量过 剩稳定在0.1以内，且研究法辛烷值在93.5-4.1之间波动。仅以离线优化为例，通过成本核算， 每年的调合成本可减少1275万元左右。

项目背景： 超高强汽车用钢具有超高的强度和优异的塑性，是汽车轻量化的理想材料，受到汽车制造行业的广泛关注。根据国家强国战略咨询委员会发布的《节能与新能源汽车技术路线图》，汽车轻量化近期和中期目标为：重点发展超高强钢和先进高强钢技术，实现高强钢在汽车中的应用比例达到 50%以上；重点发展第三代汽车钢和铝合金技术，并推进其产业化应用。因此，在车身结构件上应用超高强钢是汽车行业极具潜力的发展方向之一。然而，超高强钢在使用中还存在较多的应用瓶颈，比如其成形窗口窄、边部开裂、回弹、可焊性差等问题。在所有问题中，回弹最为突出，并且随着强度增加，回弹的倾向和严重程度不断增大。在此背景下，开展针对超高强钢回弹技术的研究，采取有效手段控制回弹，可有效推进高强钢在汽车车身上的应用。 关键工艺技术： 项目的关键工艺技术为：基于组织演变的回弹行为控制技术，即基于超高强钢成形过程中的组织演变与回弹的内在关系，提出回弹行为的控制技术。通过分析超高强汽车用钢在成形过程中的 local misorientation 等微观组织、力学性能和弹性模量的变化，总结影响超高强钢的回弹机理，建立超高强钢回弹预测模型，最终实现超高强钢的回弹行为控制。