麦可思通过对师范类专业认证标准的研究与分析，设计调研评价指标。以结果为导向，基于师范生培养的“出口 - 过程 - 入口”全过程，从毕业生中期发展、应届毕业生跟踪、用人单位评价、教学质量与改进、师资保障、学生成长及生源与招生等维度，对师范类专业人才培养质量进行监测，同时也结合师范认证中关注的校本数据，为专业构建内部质量监测体系及撰写自评报告提供数据举证。

产品详细介绍

产品详细介绍

1、解决连续热压机多液压控制系统中难题。2、解决热压机板厚控制系统难题。

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

主要技术要点（创新点） ： 采用空间 3-UPU 柔顺并联机构作为结构类型，与传统微力传感器的敏感元件相比，具有高精度、高强度、无累积误差等优点； 3 个支链相互垂直放置，并且每 1 条支链能感受某一方向的力，同时不会影响其他支链的悬臂梁的应变，具有 3 维解耦力传感特点； 采用 3-UPU 柔顺并联结构具有高固有频率，具有频宽范围大的特点； 采用 2 对对称的悬臂梁的应变形成全桥式电路作为输出，具有温度不敏感的特点。项目背景：随着精密工程技术、微机电系统(MEMS)技术及微/纳米技术等的研究，微传感器技术得到极大发展，特别是微力传感器，在各种微操作过程中执行对微接触力的检测，实现力-位移或力-视觉等混合控制，对提高微操作系统的精度起到了重要作用。该成果来源于胡俊峰副教授主持的国家自然科学基金项目《基于柔顺机构的智能微操作机器人动力学与控制研究》。 

本发明涉及一种基于仿生复眼微透镜技术的3-2-3维目标检测方法及系统,采用基于仿生复眼结构微透镜系统的低分辨率数据获取模式对目标区域进行捕捉成像,根据两个微透镜器件拍摄的微透镜阵列影像采用线性加权平均法构建低分辨率影像采用前方交会测量方法重构目标的三维轮廓若低分辨率影像中有效捕获目标后,则以微透镜阵列影像为基础数据,采用正则化的方法重构目标区域的高分辨率影像获取目标区域的高分辨率二维影像后,采用基于纹理梯度的GAC模型对目标进行精确识别。

本发明涉及一种用于耐高温涂料的空心梯度高红外热阻隔微球结构及其制备方法。本发明属于高温隔热材料技术领域。该陶瓷微球结构为空心，且陶瓷微球由MO2(M＝Ti，Zr)、SiC两相组成，各相组分含量沿半径方向呈连续的梯度变化。该微球采用种子沉淀与先驱体转化法相结合，步骤为：首先磺化交联聚苯乙烯(SPS)微球，利用沉淀法将聚碳硅烷(PCS)与金属醇盐混合溶液滴加到搅拌着的SPS水溶液中，经烘干及熟化后得到梯度陶瓷先驱体包覆的SPS实心微球，再将实心微球于真空炉烧结(1000-1400℃)，得到空心梯度陶瓷微球。本发明具有制备工艺简单，性能优异，产品红外热阻隔效果好，适用范围广等优点。

本发明公开了一种一步法完成梨微嫁接并生根的方法，其包括以下步骤：于增殖培养基上培养高度、粗度、生长势达到嫁接要求的梨组培苗，选择高2厘米至3厘米、生长健壮一致的组培苗，在无菌条件下，于顶部斜切去头作为砧木；选择与砧木生长势相近的组培苗作为接穗，于基部斜切留梢；将砧木顶部斜切面和接穗基部斜切面紧密靠在一起，用塑料套管固定嫁接部位形成嫁接苗，再将嫁接苗接种于培养基中，在25℃±2℃，每天光照十二小时，

关键工序生产的自动化 ① 粉碎（雷蒙磨）自动控制系统的研发   研制可对粉碎车间雷蒙磨振动下料、粉碎、气流粗分工况进行实时监测、自动优化控制的自动监控系统。将雷蒙磨因堵塞停机造成的故障次数比现阶段减少75%，且提高工效15%以上。    ② 气流分级自动控制系统的研发   研制气流分级机用自动控制系统，具备以下功能：可根据分级轮主机负载实时自动调节喂料速度、根据所设定的风压值自动调整变频器运行、根据生产工艺要求自动向企业综合信息平台实时发送生产工况参数。    ③ 提纯工序实时检测与信息管理系统的研发   开发可对提纯缸、脱水机、烘干炉等主要设备工况进行实时监控的智能化监控仪设备。    ④ 水力分级自动控制系统的研发   研发水力分级设备用自动控制系统，可根据工艺曲线要求自动控制水流量。采用水泵变频控制，变常规的高低液位控制为恒液位控制，液位控制精度达到0.3%；研制出料自动切换装置，实现出料无人值守。 ⑤ SiC冶炼炉在线自动测控装置的研发   研制SiC冶炼炉在线自动测控装置，可按冶炼工艺和炉温自动进行恒功率综合优化控制，炉温控制精度达到2.5级。成果已在工厂正常运行3年。获得4项发明专利授权，5项软件著作权授权 雷蒙磨粉碎自动检测方法及装置                   专利号：ZL200810020792.3 一种提高碳化硅微粉水溢流分级效率的精密控制方法 专利号：ZL200910035173.6 一种燃煤锅炉能效监测方法                      专利号：ZL201110091483.7 阵列式LED照明灯具的中心区域温度动态控制方法  专利号：ZL201210356239.3 一种经济型燃煤锅炉能效监测系统及方法           专利号：ZL201110292517.9 一种低冗余度高可靠性船舶发电机组智能测速装置 专利号：ZL201110058228.2一种手机可遥控的总线型区域供热计量管理系统 专利号：ZL201010134495.9