|
搜索
搜 索
高等教育领域数字化综合服务平台
慧视实验平台
面向人工智能工程技术、人工智能技术应用等专业的核心技术教学，学习掌握人工智能计算机视觉、智能语音、边缘计算、终端感知控制等相关人工智能关键技术。
新大陆教育
2022-06-23
区块链实验平台
具备教学实训、课堂练习、资源承载的支撑能力以及区块链理论知识、技术实战、环境搭建、开发语言、案例分析于一体的实验平台。
新大陆教育
2022-06-23
鸿鹄计划应用平台
深圳市越疆科技有限公司
2022-06-14
融合智能服务平台
融合智能服务大脑以物联网技术为基础，人工智能、大数据、云服务为支撑，智能服务为主体，提供八大能力助力企事业单位数字化改革。平台实现设备、数据互联，业务、应用协同，管理、服务闭环；实现决策科学化、管理精准化、服务个性化，治理水平全面提升，支撑构建高质量服务体系。
1.物联互通：通过统一的标准应用协议并建立标准化的终端设备接入规范，提供园区内各种终端广泛感知和泛在接入能力，达到物物相连的目标；
2.能力复用：将园区内身份识别、金融支付、各类缴费、节能管控、安防控制等以API、微服务等方式进行统一汇聚发布，提供智能服务复用能力，实现信息化快速迭代；
3.数据分析：集合数据标准、元数据、数据质量、数据资产、数据安全等模块，为客户提供数据汇聚、共享及分析能力，为领导提供更加精准的决策依据；
4.业务协同：提供图形化配置及跨应用协同能力，实现校务应用之间功能、数据及权限的协同关联，消除身份孤岛、数据孤岛和服务孤岛；
5.能力开放：集合各类系统接口用于师生创新应用开发的技术平台，对外提供能力开放，对内完成服务集成，助力智慧校园建设过程中的创新应用拓展；
6.统一认证：提供统一身份库、身份介质管理、身份认证、身份识别及核验、统一授权、单点登录能功能，突出卡码脸一体的识别与核验能力，实现园区用户的一致管理；
7.数字孪生：基于数字孪生等技术建立镜像化、数字化、智能化的虚拟园区融合各种资源和服务，突破时空、资源、身份的限制为信息化带来全面变革；
8.服务闭环：对园区内的公寓、餐厅、教室、图书馆、场馆、停车、安防等场景化应用实现服务闭环能力，提升服务质量和管理效能。
正元智慧集团股份有限公司
2022-06-14
融创教学平台
融创教学平台是一款全方位、多功能的在线学习管理系统，旨在为教育工作者和学生提供便捷、高效的教学与学习体验。平台支持课程管理、督导巡课、资源共享、在线测评、学业分析等多种功能，致力于提升教学质量与学习效果。
北京大智汇领教育科技有限公司
2024-11-28
一种用于工业园区混合工业污水处理的方法
针对化学工业园区混合污水的成分复杂、COD 高、含盐高、难降解的技术难题，以水解酸化、接触氧化、曝气生物滤池为基础，耐盐菌种为核心，开发A-O-A-B 复合工艺处理工业园区混合污水处理技术。具体工艺流程如下：（1）预处理：具有不同污染特征的污水单独进行相应预处理，之后均匀混合，混合后进水 COD 小于 2000mg/L；（2）出水首先引入一级水解酸化池。水解酸化池表面负荷 0.3-0.8m 3 /(m 2 ·h)，水力停留时间一般控制在 10-20h；（3）出水引入生物接触氧化池。溶解氧含量一般应维持在 2.5-3.5mg/L 之间，气水比为（15-20）：1。对于可生化性较高的有机污水，有机负荷宜取 1.0-1.8kgBOD/m 3 .d；对于生化性较差的废水，有机负荷取 0.8-1.2kgBOD/m 3 .d；对于生化性较好但有机浓度较高的工业废水，有机负荷宜取 1.0-2.0kgBOD/m 3 .d。进水 COD Cr ＞1500mg/L 时，HRT 为 10-18h；COD Cr 为 1000-1500mg/L，HRT 为 8~12h；COD Cr低于 1000mg/L，HRT 为 6-10h；（4）出水引入二级水解酸化池，水解酸化池表面负荷 0.5-1.0 m 3 /(m 2 ·h)，水力停留时间控制在 8-12h。（5）出水进入曝气生物滤池（BAF）。气水比（3-5）：1，BOD 5 负荷 2.0-5.5kg/(m 3 .d)，NH 3 -N 负荷0.35-0.7kg/(m 3 .d)，水力停留时间 2-2.5h，反冲洗周期 2-10d。
北京科技大学
2021-04-13
互联网文本内容主题概念漂移检测系统
成果描述：互联网文本内容主题 概念漂移检测系统， 通过分析数据集中的 所有文档数据的潜在 语义关系，提取出它 们之间的潜在语义主 题标示，通过评估参 数的方法，将生成的 主题时序关系用数据 的形式表示出来，并 以此为依据主动发现 待预测数据集中主题 的转变与转化现象， 并提供给用户这一主 题转移过程。市场前景分析：点。基于这些特点， 流数据的处理和分析 面临巨大的挑战，是 当前数据挖掘领域研 究的热点。 分类是数据挖掘领域 的重要课题，当前流 数据分类问题面临的 主要挑战之一就是概 念漂移问题，即数据 中学习的概念（从属 性到类别的映射）是 随时变化的。 通过对互联网中文本 内容的主题概念漂移 进行检测，对于正确 分类互联网文本等方 面具有重要的意义。与同类成果相比的优势分析：能够将生成的主题时 序关系用数据的形式 表示出来，方便用户 查看； 可以动态调整评估参 数，以实现对不同数 据集的自适应性分析； 可以将评估参数值与 发生概念漂移的主题 中心相关联，主动探 测出主题发生变化的 过程。
电子科技大学
2021-04-10
基于互联网+及数字孪生技术的智能制造
项目成果/简介:项目在多年国家项目的支持下，在项目“面向工厂规划和生产过程的数字化工厂技术”获2013年教育部科技进步二等奖的基础上，进行持续开发完善，与沈阳机床合作，在智能制造领域进行了深入的合作研究， 在沈阳机床智能制造展示线开发完成数字化孪生仿真模型及基于互联网的定制信息系统，系统实现了网络化定制下达生产订单，数字化孪生系统在线仿真模拟，真实展现生产场景，并可通过移动设备进行浏览和信息管理。项目符合中国制造2025所倡导的智能制造和互联网+技术的发展，对中国制造向智能化转型起到促进作用。项目通过展示真实个性化印章的智能加工、检测和装配，体现网络化的定制及数字化双胞胎技术。应用范围:项目所开发完成的技术符合中国制造2025所提出的智能制造技术路线，已应用于工业实际和大专院校的教学培训。目前国家大力资助建立智能制造试点示范项目，制造企业也在积极转型，向数字化和智能化转型发展，这些都需要数字孪生和互联网+技术的支持。 项目成熟度：小批量生产，项目已独立以及结合沈阳机床的生产线及教育系统得到市场的应用，特别是在中国航发商用航空发动机有限责任公司相关项目中得到应用。 拟在全国范围内推广：1.项目可应用于离散制造业的规划、调试、运行和维护阶段的仿真优化，通过建立工厂、生产线、设备的三维模型，实现虚实结合的数字双胞胎。 2、教育培训领域：通过实现智能制造理念的面向教育和培训的生产线系统，通过模块化的系统，实现对智能制造教学和培训。项目阶段:小规模生产效益分析:项目的技术创新点、先进性在于实现了数字孪生技术在生产线中的应用，达到了生产线的虚实融合。不仅可在规划阶段对生产线进行仿真验证，还可在生产运行过程中实现虚实融合，并通过AR-VR技术对操作指导、维修指导和生产过程监控提供支持，从而实现多维的虚实融合，是实现智能制造的关键技术之一。项目相关技术不仅能够应用于工业实际的智能化制造之中，还特别适合面向智能制造的教育和培训。
同济大学
2021-04-10
CDMA2000移动互联网内容监管系统
本系统在设计中使用了先进的网络处理器技术，包括高性能的IXP2400处理器和高速千兆以太网接入能力，提供了强大的网络处理能力和可靠的运行稳定性。本系统完成的基于网络处理器硬件平台根据不同的实际需求，可以广泛应用于各种网络通信系统和网络安全领域，边缘路由器，千兆硬件防火墙和入侵检测系统，具有广阔的市场前景。
东南大学
2021-04-10
基于大数据的能源互联网能量管理系统
随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。
清华大学
2021-04-11