湖南信息学院是经中华人民共和国教育部批准建立的应用型本科大学，隶属湖南省人民政府管理，位于中国历史文化名城长沙，坐落在国务院原总理朱镕基的家乡——长沙经济技术开发区毛塘工业园。学校下设电子信息学院、管理学院、商学院、艺术学院、马克思主义学院、继续教育学院、创新创业学院、国际学院(筹)等二级学院，开设工学、管理学、经济学、艺术学等多个学科门类30余个本、专科专业，现在校学生13000余人。 办学理念。学校坚持公益性办学原则,以“教育报国”为己任，以“自强不息、敢为人先”为校训，以“立品行、求品质、讲品位、创品牌”为校风，以“创新、内涵、特色、优质、共享”为发展理念，以“信息化、生态化、国际化”为办学定位，以“产教融合、校企合作、工学结合、双证融通”“专业+互联网+大数据”为人才培养模式，以“人格健全、身体健美、心理健康、专业坚实”为人才培养标准，以“办中国特色、世界先进水平的应用技术大学”为发展目标。 办学条件。学校占地1000多亩，生态化的校园风景如画，五湖五园五桥五广场相映成趣，被誉为“中国高校最美校园之一”;学生公寓典雅温馨、设施先进、生态环保，被誉为“中国最舒适的学生公寓之一”;现代化的图书馆各类书籍400多万册;校园信息化全国领先，建成了有线无线全覆盖的“顶级信息高速公路”、“一心三云”信息应用总平台，实现了管理服务一卡通、视频监控一站通、教育教学全联通，是湖南省首批教育信息化试点院校。 师资队伍。学校构建了以青年博士、教授为代表的“青年教师创新教学团队”，以海外高端人才为代表的“海外教学团队”，以企事业高管、高级技术人员为代表的“实践教学团队”;建立了五级教师教学能力评价制度;形成了现代大学多绩多酬的薪酬体系，为建设一支师德高尚、业务精湛、结构合理、务实进取的高素质、应用型师资队伍提供了坚实的保障。 共享机制。学校始终坚持共享发展理念，开办了全国高校首所教职工子弟学前教育免费附属幼儿园;提供了教职工拎包居住的精装修免费公寓;建成了优秀教职工、专家海南免费休养基地;设立了教职工家庭重大事故救助基金;建立了教职工、专家“功勋、功臣、功德”“湘信学者”和学生“湘信英才奖学金”及贫困生五级等奖助制度，构建了“国家、学校、企业”贫困生资助体系。师生自豪感、获得感、幸福指数不断提升。 育人质量。学校不断创新人才培养模式，以与国防科技大学合作建设的北斗卫星开放实验室为引领，以国家、省市支持建设的100多个实验实训中心为依托，以近1000家校企合作企业为支撑，形成了校校、校政、校企合作共赢的协同创新育人机制;不断创新学生工作“书院制”改革，构建了“聚智”、“聚能”“聚思”、“聚美”四大书院育人新格局;强化了毕业生创业、就业、入伍参军、解放军士官选拔及考研分类指导，建立了学生多元发展的培养机制，近5年，毕业生平均就业率达98%，用人单位满意率保持在95%以上，连续5年被评为省市大学生就业工作先进单位，就业率和就业质量排名始终保持在湖南省高校第一方阵前位。 办学声誉。学校先后获得教育部人才培养工作水平评估优秀等级、中央综治委平安校园建设优秀成果奖、省综治工作先进单位、省级示范性院校、省级高等教育教学成果一等奖、省党建工作先进高校、省文明高校、省平安高校、省信息化校园示范高校、省大学生就业创业示范建设校、多类竞赛金奖等500多项荣誉，其中多项荣誉在同类院校中位居第一，在党委、政府、科研机构、协会、第三方机构等组织的办学情况评估、评价、评比等工作中学校始终保持同类院校全国领先、全省领军水平，受到了国家领导人和社会各界的高度赞誉。 办学目标。学校紧紧围绕国家“一带一路”“互联网+”“中国制造2025”“中部崛起”“长江经济带”“富饶美丽幸福新湖南”和“长沙国家中心城市”战略发展机遇，充分发挥学校地处省会长沙的区位优势、体制机制优势、校园地形地貌、生态优势，把学校建成中国高校校园环境最美、校风最优、师生最快乐的温馨幸福校园，建成专业最前沿、教学设施最先进、师资力量最强、人才培养质量最高的一流高校。 立足湖南，服务祖国，放眼世界，学校正朝着“中国特色、世界先进水平的应用技术大学”目标阔步前进!

 自然场景下的文字识别更加贴近于生活和生产中的需要，可以运用到许多领域： 1.    将自然场景下的文字识别应用到试卷批阅与作业批改的过程中。通过自然场景下的文字识别技术，将试卷和作业中的答案提取出来，然后依据语义分析等技术实现对整份作业试卷的批阅，使老师有更多的精力和时间投入到日常教学任务中。 2.    将自然场景下的

本系统已经能实现校园信息的共享和发布，基本覆盖了校园所有活动的信息，受到学生和老师的欢迎。

校园信息发布系统     近年来随着教育信息化的发展，大量的校园资讯与社会信息需要健康、规范、严谨、高效地从信息平台传递到学生群体，单纯依靠传统的网站宣传及校园黏贴画的方式已经远远不能满足信息及时传递和分区域、分内容管理需求，校园信息发布系统为校园信息发布和信息交流提供了平台。 更多资讯及相关产品讯息可点击登录信昇达教育官网www.eduxsd.com进一步了解!

　　采用进口实芯理化板台面，具有防静电、防水、防火、耐刮、耐磨、抗击使用寿命长等特点。铝木框架结构，壁厚1.4㎜，表面采用环氧树脂粉末喷涂，由教师统一控制电源，并设有电教数字信息采集等功能。

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：

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：

本发明的目的在于克服现有技术的不足，提供一种基于门限的低复杂度MPA算法， 该算法通过设置置信度门限来及时对可靠的码字进行译码，或对发送概率极低的码字进行 舍弃，从而有效地降低了原始MPA算法的复杂度。

本发明公开了一种并行 LLL 高维模糊度降相关算法，首先通过混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法针对高维模糊度降相关的计算效率，增强高维模糊度降相关的能 力。其次为了得到降相关能力较强的 Z 变换矩阵，所以在每一次 QR 分解变换过程中，变换系数矩阵要 获取较小的整数值，因此在每次下三角分解前先对模糊度协方差矩阵的行向量按内积大小进行升序排序， 而在上三角分解前先对矩阵的列向量按内积大小进行降序排列，由此求得的 Z 变换降相关性能更佳。最 后把算法正交变换过程中的取整运算移至在求 Z 矩阵时取整，可以避免算法迭代过程中反复取整而引起 的误差累积，解决算法发散的问题，从而进一步提高并行 LLL 算法的计算效率和稳定性。 

随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在