上海皮赛电子有限公司研发STC IAP15W 8051 MCU学习板。

这个项目是集硬件、软件、服务于一体，通过高科技现代化的网络技术、4G/5G技术、云技术、调频广播发射技术、远程监测、播放管理等技术，实现远程管理、播放服务。

本发明公开一种强震下增强抗倒塌能力和整体性的砌体结构及其方法。在相邻的上层圈梁和下层圈梁之间的墙体内，相邻的两根构造柱之间砌有一组以上钻孔砖，每一组钻孔砖含有第一排钻孔砖和第二排钻孔砖，所述第一排钻孔砖的各钻孔砖的孔道中心线即第一孔道中心线重合，所述第二排钻孔砖的各钻孔砖的孔道中心线即第二孔道中心线重合，所述第一孔道中心线与第二孔道中心线斜向分布且相互交叉；所述第一排钻孔砖和第二排钻孔砖的孔道内各自贯穿有加强钢筋，所述加强钢筋的下端固定连接有U型预埋件，所述U型预埋件埋置于所述下层圈梁内，所述加强钢筋的上端锚固在所述上层圈梁或相应的构造柱的钢筋内。

本发明公开了一种基于关键动素的肢残者作业能力评价方法， 包括:(1)构建作业实体、作业本体和作业空间三个作业要素类，对作 业系统进行全面描述;(2)相应生成能够完成任务的动素序列;(3)为组 成该动素序列的各个动素分别赋予三级评价指标;(4)识别出关键动素， 并以此作为评价的基点;(5)结合关键动素来进行运动仿真，测量得出 肢残者执行该关键动素时的生物力学参数量;(6)将正常人的生物力学 参数作为作业要求，与肢残者的生物力学参数测量结果比较。通过本 发明，能够在后续仿真及计算处理过程中避免海量数据，

浙江大学航空航天学院宋吉舟教授团队，便基于形状记忆聚合物，提出了一种新型的“万能抓手”策略。这个“万能抓手”的载体非常简单，就是一块智能“塑料”。别瞧它结构简单，本领可不小，它可以把目标物体“锁”在体内，轻松地抓取1微米到1米大小之间任何形状的物体。 目前这一研究成果已发表在知名学术期刊《科学进展》（Science Advances）上，文章共同第一作者为浙江大学航空航天学院硕士生令狐昌鸿和博士生张顺，通讯作者为浙江大学航空航天学院宋吉舟教授。 宋吉舟教授团队的“万能抓手”何以做到“探囊取物”？靠的便是形状记忆聚合物。形状记忆聚合物是一种特殊的智能材料，论其特殊，就特殊在它的“逆来顺受”：在外部刺激作用（如光、热）控制下，形状记忆聚合物可软可硬，在受到一定的外力作用导致变形后，它就能保持这个变形后的形状，可谓“顺其自然”；然而在一定的外部刺激作用下，它又会变回原来的样子。目前形状记忆聚合物已经被广泛用于智能织物、电子包装管的热收缩膜、航空器太阳能帆板展开机构、智能医药器件等领域。 宋吉舟教授团队的新策略：第一步，就是抓取物体时，先在外部刺激作用下，让形状记忆聚合物变得柔软，趁此机会将物体或者物体表面的结构嵌入其中；第二步，去掉外部刺激，让形状记忆聚合物变回刚硬的状态，保持住该变形的临时形状，将物体“锁住”，从而把物体抓取起来；第三步，等把物体转移到目的地之后，再次施加外部刺激，形状记忆聚合物就会恢复初始形状，将物体“解锁”释放。 形状记忆聚合物万能抓手抓取和释放物体的流程示意图 形状记忆聚合物这块智能 “ 塑料 ” ，就好像是一把有魔力的万能锁，能锁住世间万物：为了获取 “ 猎物 ” ，它 先 变成柔软的橡皮泥，把物体柔柔地包住，然后变成坚硬的石头，把物体牢牢地锁住，等把物体 “ 押送 ” 到目的地，又会重新变成软软的橡皮泥并释放物体。宋吉舟教授介绍，这把 “ 万能锁 ” 能在典型的三维结构物体上产生很大的抓力，包括球体、方块、管状物体、螺栓、螺母、枣核、钥匙串等；更厉害的是，它还能像壁虎一样， 粘附在物体表面 ，不论物体表面光滑还是粗糙。 形状记忆聚合物万能抓手对典型宏观物体的抓力   那么对于尺寸小的物体，这个抓手又是如何发挥功效的呢？当物体尺寸小到微观尺度（100微米左右或者更小），物体受到的表面力，特别是与抓手的粘附作用强，会给物体的释放带来较大的挑战。在该设计中，抓手通过把物体或者物体表面的结构锁在其内部实现抓取，不依赖抓手的粘附力，所以当粘附力给物体释放带来挑战时，就可以在抓手表面镀上一层特殊材料，或者增加抓手表面粗糙度来减弱粘附，从而实现物体释放。这样，即使是75微米大小的不规则铁颗粒或者是直径10微米的二氧化硅球，也能顺利从形状记忆聚合物万能抓手上得到释放。 使用形状记忆聚合物万能抓手操纵75 微米的不规则铁颗粒和10微米直径的二氧化硅球 “微观抓手就像微观世界里的吊车，可以用它在微观世界里搭建‘建筑’，制作特殊的光电器件。”令狐昌鸿说，“这个抓手在微观视角下还有一个优势，就是一个抓手就是数以万计的微观吊车，可以高效地在微观世界工作。” 谈及具体应用，宋吉舟教授表示，在柔性电子制备中，最重要的一步就是微观元器件的快速组装，即把制备基底上数以万计或者更多的维纳元器件转移到柔性的使用基底上。以往的方法都依靠粘附来一次性抓取这些元器件，但是释放的时候粘附就变成了限制因素。而宋吉舟教授课题组提出的这个策略，完全不依赖粘附，为柔性电子的制备提供了一种新思路，有望推进柔性电子的工业化进程。 使用形状记忆聚合物万能抓手组装柔性电子器件的简单展示 该项目得到了国家973计划、国家自然科学基金和中央高校基本科研业务费专项资金等的支持。

本发明公开了一种基于忆阻器的情景记忆电路及其操作方法， 电路包括编码电路和检索电路；编码电路可以根据事件本身及其相关 特征对事件进行编码并存储于电路中，通过擦除信号对已存信息进行 擦除，并将产生的记忆痕迹信号作为下级电路的输入信号；检索电路 能够将记忆痕迹信号和检索信号相互匹配进而产生相应的情景记忆行 为；本发明可以根据施加的相关脉冲操作，模拟生物的情景记忆行为。 完成人：缪向水、许磊、李祎、段念 

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。

已有样品/n重点突破智能终端深度学习处理器芯片设计，研发并改进CNN、RNN 等深度学 习算法和技术，设计并研发Alex、Caffe、Torch等常用的深度学习架构。深度学习 处理器芯片支持CNN/DNN/MLP等主流深度学习神经网络算法，基于深度学习处理器 芯片的智能设备可运行手写数字识别等任务；深度学习处理器芯片处理imagenet测 试集图像分类任务达到30帧/s，芯片面积不超过60平方毫米，单芯片功耗不超过 20W，所研发的芯片性能功耗比超过目前智能终端所使用的主流CPU的100倍。最终 在

基于深度学习的图像识别云端服务平台，能够 通过云计算框架训练深度学习算法模型，对图像进行目标检测 和识别。平台拟采用云端 API 的形式，为其他客户端的提供简 单易用的图像识别服务，将目标识别应用到互联网及移动应用 场景中，推动移动互联网的进步。 该平台实现如下功能：1.模型训练：平台能够基于用户给 定的不同行业的数据，训练相应的精细化分类模型。2. 图像识 别：平台能够根据预先训练好的识别模型，对用户