本发明公开了一种液压挖掘机执行机构的速度调定系统，用于电控先导液压挖掘机执行机构的速度特性调定，可编程控制器(1)上设置一个电控手柄回路(100)和两个电流变换回路(200)；电流变换回路(200)控制步进电机(3)带动指针电刷(4)在圆环形精密电阻体(5)上转动，从而改变指针电刷(4)输给可编程控制器(1)的电流信号，进而调节挖掘机执行机构的速度。本发明设置有两个电流变换回路(200)，可以对挖掘机单个执行机构运动或两个执行机构复合运动的速度进行调定，并用调定后的速度曲线替换挖掘机控制器(20)中的速度曲线，实现挖掘机执行机构的速度调定，使其符合工作要求和驾驶员的操纵习惯，不需要更换多路阀阀芯，方便高效且精确稳定。

本软件面向文本，对知识单元关联关系进行挖掘，从而实现对海量数据信息的合理利用。现在已经能够根据文本挖掘出文本所含知识单元对的对应关系，实现了从海量信息中的知识关系提取。

软压下技术是当今世界上连铸领域的前沿技术。其基本目的就是改善铸坯凝固时宏观偏析的自然形成过程，在铸坯将要完全凝固时，通过压下力的作用使铸坯发生变形，不但补偿这时由于中心快速温降而造成的收缩，并且可把残余元素或合金元素富集区域的钢液挤回树枝晶状体的间隙区域内，同时将最后凝固的树枝晶组织破碎，从而形成致密而无偏析的中心区再凝固组织，从而达到降低偏析程度的目的。同时，在这个过程中，铸坯的内部裂纹被焊合，疏松和缩孔也被压合。因此，软压下技术能明显改善铸坯的内部质量。 北京科技大学多年来与武汉大西洋冶金工程技术有限公司合作，从事软压下领域的理论、装备及生产实践研究。现已探明软压下技术的机理，并在轻压下装置设计时的结构及工艺参数的选取方面取得了可喜的成果。从样机的现场运行情况看，达到了明显改善铸坯内部质量的目的。 本成果对于抑制方坯连铸生产中的低倍缺陷具有很好的实际应用价值。可在方坯连铸中推广应用。

一、成果简介 拥有鸡基因组细菌人工染色体(BAC)文库，基因组覆盖率10倍以上，100~300kb基因组插入率达到90%以上，文库的嵌合体率为5%~6%，为功能基因的研究提供了重要的资源和平台。对鸡重要经济性状QTL座位的大尺度定位，在10条染色体发现19个QTL座位影响体重性状；在18条染色体上发现52个QTL座位影响不同的屠宰性状和屠体测量性状；在12条染色体发现21个QTL座位影响胫长性状。开展了包括茶花鸡在内的鸡蛋白质组功能基因表达研究，通过

本技术支撑了我国遥感卫星从地表监测到人类活动监测的跨越，总体上达到了国内领先水平，在夜光遥感载荷设计定标处理、星基导航信号增强方面处于国际领先水平。1）研制了高灵敏度、高动态范围、高几何辐射质量的夜光遥感微小卫星。提出了星载耦合杂光规避、联合增益处理等模型方法，构建了夜光遥感器在轨几何辐射定标技术，设计的夜光相机在灵敏度、动态范围、几何辐射质量等方面优于DMSP/OLS、NPP/VIIRS等国际同类传感器。2）首创低轨卫星对GNSS的信号增强。提出了低轨卫星对GNSS进行

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。

本实用新型涉及农业机械，尤其是一种超声波振动土壤挖掘装置。包括机架，其中，还包括变幅杆挖掘铲、超声波换能器和超声波发生器，所述变幅杆挖掘铲与超声波换能器固定连接，超声波发生器通过信号电缆线将电信号传递给超声波换能器，超声波换能器与机架连接；所述变幅杆挖掘铲包括铲刀和铲柄，铲柄的一端与超声波换能器固定连接，铲柄的另一端与铲刀固定连接，铲柄在竖直方向的截面面积从与超声波换能器的固定连接端到与铲刀的固定连接端由大到小逐渐过渡变化。可以有效解决土壤切削挖掘作业阻力大、耗能高等问题。