本发明公开了一种基于 flash 编程干扰错误感知的 LDPC 译码优化方法，随着 NAND 闪存存储密度的提升，每个单元存储较多的比特信息，单元之间的耦合干扰较强烈，造成严重的编程干扰错误，使得传统的 BCH 码不足以保证数据的可靠性，LDPC 码具有优于 BCH 码的纠错性能而被应用于 NAND 闪存存储系统中。使用被优化的 LDPC译码算法具有重要意义。现已观察，编程干扰错误具有数值相关性特征，当进行 LDPC

1.痛点问题 协作机器人与人类共享工作空间，通过直接（即物理上）或间接地与人类交互共同开展操作任务。相比传统工业机器人，协作机器人有更高的安全性和更易于编程的特点，能够通过人类示教部署于各种不同的任务并灵活地与人类配合。随着传统工业机器人带来的效率提升趋于饱和，能够安全配合人类的协作机器人能够进一步提高制造业的生产效率，带来可观的经济效益。然而，现有的协作机器人存在以下两大痛点问题。 问题一：安全和效率之间的权衡一直是人机交互中未系统解决的开放性问题。当存在人机直接接触时，为了保证人的安全，现有的协作机器人是通过中止正在进行的任务、顺从人的干预以保证安全；然而，不论人是有意地干预（即工人直接抓取机械臂来引导其任务）还是无意地接触机器人，都将造成机器人暂停手头工作；直到人类停止干预，机器人才能继续执行它的任务。虽然这种人机协作方式能够保证机器人与工人合作的安全，但因为机器人需要在不同的工作模式之间切换，其工作效率将会受到影响。 问题二：如何提高人的示教效率为协作机器人的另一大痛点问题。协同机器人多用于能够灵活拆装的生产线，以适应新的任务，因此新任务的编程效率很大程度上决定了工作效率。基于人类示教的编程方式具有自然、本能的优势，能够直接传递人类的操作技巧与经验。其中，将示教轨迹参数化为可以编辑修改、适应不同任务的形式是提高效率的核心问题。该示教轨迹不光应该包含机器人末端的运动数据，而且应该包含同时调整的冗余关节运动数据，从而同时完成末端主任务与关节避障任务，以适应工作环境。现有的示教方式未能结合离线示教与在线介入，因此无法适用于需要同时记录机器人末端和关节的示教任务。 2.解决方案 本项成果基于增强现实-触觉感知技术，开发了混合交互接口与人机互补操作算法，以解决上述痛点问题。 ①对于问题一，本项成果提出了自适应视觉控制与零空间阻尼控制的协作框架：在有限视场、未校正相机、关节奇异的情况下，保证了机器人在整个工作空间内的全局稳定性；在不影响机器人末端任务的前提下，允许人类专家随时、安全地介入以改变机器人关节姿态，以应对环境动态变化或突发事件，从而实现了安全与效率并重的人机协作方式。 ②对于问题二，本项成果构建了增强现实-触觉感知的混合接口，让人类专家可以在任务和冗余联合空间进行双手演示，同时记录机器人末端与机器人关节的数据。示教轨迹基于DMP方法进行参数化，能够根据不同任务所需的末端位置、关节角度、运动速度进行自适应调整，在保证末端任务精度的同时完成关节的避障任务。 技术核心： ①基于增强现实-触觉感知的混合交互接口; ②用于双手示教的机器人轨迹学习方法; ③自适应全局稳定控制算法。 预期产品：用于人机互补协同操作的设备与软件 3.合作需求 1)资金需求：本项成果开发的人机互补协作平台，在硬件与软件研发阶段需要资金投入，需约250-500万元人民币； 2)孵化资源：公司研发所需办公及研发场地、实验室、分析与测试实验室等； 3)团队：协作平台开发团队、商务开发与合作团队、财务、法务等支持团队； 4)生产制造企业合作：提供人机协同操作的场景与需求，开展工厂真实环境的测试与部署； 5)基础研究合作：与协作机器人、增强现实、触觉感知方向的国内外基础研究团队合作，开发新的交互设备与算法。

本发明公开了一种纠删码存储中负载感知的数据归档方法，包 括步骤：获取纠删码存储集群中生产集群的每个节点的负载权重值， 并将负载权重值存储在数组中，并根据节点负载权重值来确定不同条 带在生产集群中的归档节点集合。对第 i 个条带，初始化其归档节点 集合为空，从第 i 个条带的数据分布集合中选择负载权重值最高的节 点，并判断该节点的负载权重值是否大于该节点的数据块个数，如果 为是，则将该节点对应的数据块填充在该条带的归档

本发明公开了一种基于视觉感知特征的光谱降维方法及系统，包括构造综合人眼视觉色度特性和光 谱特性的权函数 w(λ)，利用构造的权函数 w(λ)计算任意光谱样本集 S 的权函数 Siw(λ)，对样本集的权函 数 Siw(λ)进行均值化处理，得到样本集均值权函数矩阵 Wfv，构造用于均值权函数 Wfv 平滑优化模型及 约束目标函数，利用优化目标函数 ObjFunc 对平滑优化模型进行约束，确定权函数矩阵 Wfv 最佳平滑优 化函数参数 n 值，利用确

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：