植物、中草药中的挥发性成分分为油溶性和水溶性两大类，俗称挥发油、精油，是天然香精的主要原料、也是中药的活性部位，在香精香料工业和中药领域中有广泛应用。实际应用时主要采用水蒸汽蒸馏工艺所得产品，但在该工艺下挥发油的提取率不高，尤其是水溶性较强的挥发性成分很难采用水蒸汽蒸馏工艺制备。 挥发性成分一般都含有一个或多个-OH等基团，易于与水形成最低共沸点的共沸物，本技术的原理是在传统水蒸汽蒸馏装置的提取罐与冷凝器之间增加一个精馏塔，随水蒸汽共沸蒸发的有机挥发物进入精馏塔，经过多级气液平衡后气相中有机物浓度大大提高，使得冷凝器中气相中有机挥发油的浓度高于其在水中的溶解度，从而易于冷凝分层。因此本提取-共沸精馏耦合工艺可显著提高挥发油的得率和浓度。 对柴胡、川芎、苍术、没药、玫瑰、茶叶、荷叶等药材、植物的提取结果表明，与水蒸汽蒸馏工艺相比，本技术可使挥发油的得率提高2~5倍，挥发油浓度提高2~3倍，十分适合于水溶性较强、含量较低（低于2%）的挥发油提取。本技术具有自主知识产权，已申请中国发明专利：挥发性成分提取装置及其提取方法，申请号：200810032234.9，公开号：CN101274148A

可以量产/n"华油杂5号"是华中农业大学国家油菜改良武汉分中心利用自己的专利技术"油菜细胞核+细胞质雄性不育三系选育方法"对原"华杂4号"的亲本不育系1141A进行遗传改良而选育出的超高产优质抗（耐）病杂交油菜新品种，其不育系为RGCMS-1141A（或986A），恢复系为"恢5900"。"华油杂5号"的不育系RGCMS-1141A具有如下新特点：1.不育性比原不育系1141A更加稳定彻底，微粉较少；2.品质优量，其芥酸含量<1%,硫苷含量<30umol/g；3.不育系的花瓣比原1141

废润滑油经过适当的工艺处理成为再生润滑油，从环境保护、资源有效合理利用和经济角度来看都是一种合适的处理方法，不仅可以充分利用资源，还可带来可观的经济效益，本项目是以废润滑油为原料，加工再生产多种规格的润滑油基础油及其它副产品，设计生产能力为10万吨/年。 采用加氢工艺，由原料预处理、加氢再生、加氢产品分馏等3个主要单元组成。操作条件是在高温、高压、催化剂的作用下进行，废润滑油中各类氧化物、添加剂等与氢反应，生成相应的加氢化合物以除去废油中的杂质，加氢工艺使用加氢脱硫或加氢补充精制催化

本发明属于医药技术领域，公开了从植物肉桂中分离提取的多种瑞诺烷二萜类化合物的活性及结构，提供了新瑞诺烷二萜化合物的分离制备方法。本发明揭示了该类化合物具有免疫抑制活性、昆虫拒食活性和生长抑制活性，其中具有免疫抑制活性的化合物表现为对ConA 诱导的 T 细胞增殖有显著抑制作用，昆虫拒食活性和生长抑制活性表现为对甜菜夜蛾幼虫有拒食活性、对棉铃虫幼虫有拒食活性和对棉铃虫幼虫有生长抑制作用。这些化合物可用于制备免疫抑制、对昆虫有拒食活性和生长抑制活性的药物。

本发明属于医药技术领域，公开了从植物肉桂中分离提取的多种瑞诺烷二萜类化合物的活性及结构，提供了新瑞诺烷二萜化合物的分离制备方法。本发明揭示了该类化合物具有免疫抑制活性、昆虫拒食活性和生长抑制活性，其中具有免疫抑制活性的化合物表现为对ConA 诱导的 T 细胞增殖有显著抑制作用，昆虫拒食活性和生长抑制活性表现为对甜菜夜蛾幼虫有拒食活性、对棉铃虫幼虫有拒食活性和对棉铃虫幼虫有生长抑制作用。这些化合物可用于制备免疫抑制、对昆虫有拒食活性和生长抑制活性的药物。

本发明公开了一种热场协调控制的提拉法晶体生长炉，包括绝热外壳及设置在绝热外壳内的生长室，生长室设置有坩埚，绝热外壳的外部设置有用于对坩埚进行加热的主电磁感应线圈，主电磁感应线圈的下方设置有副电磁感应线圈，主电磁感应线圈和副电磁感应线圈之间存在间距，有多根底部进气管和多根中部进气管平行伸入绝热外壳内，绝热外壳的顶部设置有气流出口，气流出口作为籽晶杆移动通道，绝热外壳内设置有用于削弱辐射传热的可伸缩遮热板和用于调整

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

随着视频与图像技术的快速发展，在监控视频中识别特定人物身份有着重要的实用价值。本项目   针对现实场景下，普遍存在的面部遮挡以及拍摄机位和镜头距离变化，而导致传统基于正面人脸的识 别方法的准确率将大大降低，甚至识别错误的问题，提出了一种基于局部分割与融合的算法，应用于 视频分析平台下的特定人物识别，融合多部位识别特征，提高了部分遮挡、多场景和镜头变化下的人 物识别鲁棒性，经充分验证，达到了先进的识别精度，可以满足实际应用的需求。该技术是优化并提 高复杂背景下人物识别精准度的一项核心技术，已申请国家发明专利 1 项。

本发明公开了一种视频摘要中事件与背景的融合方法。该方法在前景检测与目标跟踪的基础上，将事件与背景的融合问题分成事件预处理、背景帧选择、事件与背景融合三个步骤。首先对事件进行预处理，包括对事件按面积大小排序并调整局部亮度；然后，用事件投票的方式选择最优背景帧，使尽可能多的事件落在该帧背景上；最后融合事件与背景，根据当前位置的像素点在背景帧上的状态标志值和在图像块上的二值前景值选择使用泊松图像编辑方法融合或加权融合