以新大陆嵌入式AI核心开发板为核心，结合深度摄像头、激光雷达等部件，以差速模型与视觉神经网络技术，掌握ROS 机器人操作系统、深度学习、自动驾驶等融合技术。 

集计算机视觉、智能语音、机械臂融合控制技术为一体，配套机器人色块分拣、语音机器人、小型柔性智能制造、无人零售等多个行业典型实验案例，学习掌握人工智能专业核心技术。

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。

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。

产品详细介绍 　　盈可视教育资源云平台是一套建立在Linux系统环境下，基于JAVA平台进行开发的，针对教育视频资源共享及应用的平台软件。 　　该系统以目前流行的“国家公开课平台”的展现方式进行视频资源的展示与分享，无须安装专用播放器，通过B/S架构下的网页FLASH+HTML5双模式直播及点播技术，实现实时直播点播、虚拟切片、评论、评分、编辑、教学分析、点播统计、用户管理等功能应用，并支持>1000用户并发访问，为教育资源的共享提供了一套优秀的解决方案。 　　盈可视教育资源云平台除了提供优质视频资源的发布共享外，还提供前端录播系统的集中管理功能，实现前端录播课室的控制以及预约录制管理应用。 　　六大亮点 　　微课虚拟切片 　　丰富学科资源 　　在线评分打点 　　个人工作室 　　大规模直播点播 　　集中管理控制 　　其他功能 　　主题分类展示 　　多级平台接入 　　用户权限管理 　　SNS社区功能 　　视频点播统计 　　视频在线编辑 　　ST教育分析工具 　　一键转载分享 　　一、 微课虚拟切片 　　视频虚拟切片功能，切片不破坏原有视频的完整性，剪切的视频片段可进行自由下载，完整提取课堂精华，精彩微课轻松建立。 　　支持多个关键字录入，且进行切片后的原视频仍能完整保留，不会破坏原始视频素材结构。 　　盈可视教育资源云平台可实现在线的视频编缉,可将视频文件在网页上进行剪切、合并、输出等操作，轻松实现视频资源的在线集中加工操作，让视频资源更趋完美。 　　二、 丰富学科资源 　　平台支持学科资源文件的上传，学科资源文件类型包括文档、图片、视频、音频等，支持文档、图片的在线阅读，无需下载到本地。支持学科资源文件搜索。 　　支持学科资源文件分类根据院校、年级、学科、章节等规则的自定义，支持学科资源文件下载热度排行榜，支持学科资源文件点击热度排行榜，支持分类资源的上传时间、点击率排行列表显示。 　　三、 在线评分打点 　　在线评分打点及统计功能，轻松实现专家点评、师生交流，学生间交流、教师间交流的功能，同时能对评分结果进行统计以及Excel表导出。 　　系统可进行具体评分项目、评分模板管理，不同类别的视频可设置不同的评分内容。 　　用户在平台上进行点播时，在评分打点界面还可进行视频相关附件的保存以及下载，从而实现专家对视频中课堂PPT课件的点评需求以及学生对教师课件或者其它学习资料的下载需求。 　　四、 个人工作室 　　支持教师与教研员个人工作室的建立，在个人工作室内教师可进行个人教学研讨成果的公告发布，实现第一时间的教研成果展示，从而推动教师的教研创新能力发展，促进教研成果探讨共享与交流。教师可上传自己的精品教学视频并进行相关视频管理，同时可上传自己的教学课件进行发布与管理。 　　五、大规模直播点播 　　系统支持200间以上录播教室的直播转发以及直播列表选择，支持>2000路并发直播及点播观看。 　　六、 集中管理控制 　　系统可支持前端录播主机的集中式管理，由统一的管理平台对网络内多台录播主机进行集中式管理，管理通过IE网页方式实现。管理内容包括前端录播系统的接入、删除、信息修改、录制模式选择/开启/停止、直播权限、关机等操作。 　　系统可实现多台录播主机的预约录制集中管理功能，管理员可进行每一间录播室一个学期以上的预约时间列表设定、浏览、删除。并可通过甘特图的形式查看教室预约情况。

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：