本发明公开了云存储系统中基于溯源信息的视频共享方法。系统客户端收集视频溯源信息，客户端上传共享的视频及相关视频溯源信息，服务器根据客户端上传的视频溯源信息建立溯源图。云存储系统服务器接收到视频下载请求后，在溯源图中查找所述请求下载视频的起始视频，若查找到起始视频存在于云存储系统中，则根据 BFS(广度优先遍历)算法选择一条从所述起始视频到所述请求下载视频的代价最小的路径，依照该路径重新生成所述请求下载的视频并发送给客

本成果面向国家亟需的复杂系统集成和功率管理等应用，采用多层次设计的指导思想，研究并突破了系统芯片多层次低功耗关键设计技术，提出了复杂片上网络系统建模、低功耗路由及互连、超低功耗模拟电路 IP 设计技术和高效率集成化功率转换和功率管理技术。提出的系统芯片低功耗多层次设计技术广泛适用于系统集成芯片、数模混合集成以及功率管理和功率转换系统，显著降低了数字信号处理器、多模多频移动基带等芯片的功耗水平，使单片功耗由瓦级降低到毫瓦级，具有广泛的适应性和兼容性。 NOC 模拟器软件支持二维和三维的 Mesh、Torus、Clustered Mesh、Clustered Torus 拓扑结构类型，交换机制为 Wormhole，路由算法为 XY 路由算法，通信模式支持 uniform 和 hotspot 模式，数据包长度可调，片上通信量可配置，最终能评估片上网络系统芯片的跳转延迟等各种延迟时间参数、仲裁能耗等各种能耗参数、实际包产生率、产生成功率、数据包分布等性能和功耗参数。 图1 NoC仿真软件 图2 绿色节能AC/DC功率转换器芯片

本成果为先进控制在钢包精炼炉电极控制中的应用。钢包精炼炉先进控制系统包括钢包精炼炉电极对象、数据采集通道、神经网络PFC-PID控制器、电极调节装置，上位机，如图1所示。数据采集通道主要实现信号的采集和转换，采集的信号包括变压器一次侧电压、电流信号，二次侧电压、电流信号；神经网络PFC-PID控制器根据采集和计算的信号，利用控制模型计算出电电极调节器的输入信号输出给电极调节装置；电极调节装置实现信号的转换，控制执行机构实现电极的升降。控制系统采用“恒阻抗”策略，实现了基于神经网络的预测控制（PFD

本发明公开了存储系统中基于溯源信息的文件元数据查询方法。 在系统客户端收集溯源信息，通过分析得到文件相关性信息并传递给 元数据服务器；元数据服务器根据文件之间的关系信息实时维护关系 图；建立基于关联感知的元数据索引树；接收到查询请求后，先在索 引树中查找到种子结果集，然后在关系图中查找，得到初始结果集， 最后对初始结果集根据查询条件进行排序和精简得到最终结果发送给 客户。本发明还提供了相应的文件元数据查询系统。本发明

神舟十二号载人飞船于6月17日从酒泉卫星发射中心发射升空，随后与天和核心舱对接形成组合体，3名航天员进驻核心舱，进行了为期3个月的驻留，开展了一系列空间科学实验和技术试验。神舟十二号载人飞行任务的圆满成功，为后续空间站建造运营奠定了更加坚实的基础。

新能源高占比发展下传统同步机组与风光新能源机组呈现“此消彼长”趋势，电力平衡面临“保供应、促消纳”的两难局面。因此，迫切需要研究面向新型电力系统的电网智能调度与可视化预警关键技术，保障电网安全可靠供电和新能源最大化消纳，助推碳达峰目标顺利实现。 该成果实现了面向新型电力系统的电网智能调度与可视化预警应用的信息融合、智能告警、动态监视、海量数据阅读、超实时仿真和高性能计算、基于人工智能的电网安全稳定分析、虚拟现实、基于图数据库的人-机交互等功能，为新型电力系统电网调度员提供了一个准确及时掌握电网实时运行态势的分析决策工具，实现调度员对调度计划方案的智能互动决策以及电网风险的实时可视化预警。 该技术实现了传统电网调度模式向智能性电网调度模式转换，可广泛应用于电网、电力公司调度及区域控制中心等机构，在实现电力系统安全可靠运行的同时，促进高比例新能源最大化消纳和保障电力可靠供应。同时，该系统不但可应用于实时运行管理，而且还可应用在规划、交易、营销等新型电力系统生产管理的不同领域。该成果已在四川省电力公司、中国南方电网等30余家单位机构投入使用，产生了良好的经济和社会效益。 图1 基于大数据的电网运行行为识别及可视化显示 图2 多源信息融合的电网环境监测可视化

本发明公开了一种电液伺服系统有限时间精确跟踪控制方法及系统，具体为：建立单出杆电液位置伺服系统的数学模型；基于多层前馈神经网络，构建有限时间神经网络扩张状态观测器，对单出杆电液伺服系统受到的匹配以及非匹配未知函数扰动和系统状态进行估计；接着构建面向模型不确定性补偿的单出杆电液伺服系统有限时间精确跟踪控制算法，设计带分数阶的有限时间多层神经网络自适应律；选取神经网络权值参数的初始值及自适应律矩阵以及控制器参数，实现系统模型不确定性的补偿，使系统的输出跟踪期望的控制目标。本发明在有限时间内降低了单出杆电液伺服系统控制器的稳态跟踪误差，提高了模型不确定性补偿能力，提高了单出杆电液伺服系统的跟踪精度和跟踪速度。

ClassIn在线教学系统，首款从教学需求出发设计的在线教学系统: 1、系统支持班课、大直播、一对一答疑等各种班型； 2、支持视频互动与分组教学等丰富的线上教学形态； 3、提供高效实用的教学工具，PBL教学不可或缺的互动电子黑板，全课件云盘轻松调取，课堂板书知识，扫码即可带走，实现数字化教学； 4、完备的教务监课管理功能，便于教学管理老师实时进行巡课，督查； 最大化还原实际课堂的体验，实现高校教学要求的实质等效。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。