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。

目前的高校，数据中心建设存在的大量的问题，难以满足高校在决策、管理、服务、流程优化、业务创新等多方面的要求。为此，急需进行全面的数据治理。通过数据治理可重复的迭代过程，螺旋式上升模型，实现数据资产的不断沉淀、积累和质量的持续提升。 高校数据中台的建设遵循技术与管理的相结合，贯穿在数据管理的过程中。建立科学有效的数据中台体系，对学校各业务系统和数据中心的数据质量实施全程、全域和全员的管理。将数据质量管理以制度化、规范化的方式落实到数据采集、存储、清洗、生成、转化、传递和使用的各个过程环节之中。 方案优势： 1. 多元化的数据管理，真正实现数据全生命周期管理 通过数据中台及数据治理，定位核心数据，将信息数据通过标准化采集、自动化清洗、共享化整合入库等操作最终实现信息标准管理、元数据管理、主数据管理、历史数据管理、数据资源管理、数据安全管理等多元化数据管理场景，真正实现数据全生命周期管理。 2. 高自由度组合，打破固有局限 以信息化建设为基础，通过数据中台体系，对于信息标准、元数据、公共数据、数据交换、数据质量检测进行统一规划管理，同时所有产品功能模块可独立或按需组合，支持多种自定义模式，突破原有的固定局限，满足用户不同的数据中心建设需求。 3. 数据监控运维一览，实现可持续数据治理 通过统一监控与运维平台，实现主动监控、集中管理的方式，满足对于数据标准、数据采集、数据质量检测、数据内容等可视化监控与一站式管理，降低了人工运维成本，实现运维水平和可持续维护能力的效果。

建设专业的大数据实践教学平台，提供多样的实践教学环境和算力支持。 提高大数据专业建设水平，丰富大数据教学资源和提高专业能力。 链接产业，转化和对接企业级大数据项目案例、数据集并做到及时更新。 提供师资工程能力，提供充足的大数据专业师资和技术支持服务。

本实用新型公开了一种基于时空联合调制和MZI光波导阵列的成像光谱仪。采用无狭缝成像系统，包括前置镜以及一层干涉光谱仪芯片或者多层干涉光谱仪芯片相层叠而成的三维芯片，每层干涉光谱仪芯片包括主要由模斑转换器阵列、MZI阵列和探测器阵列依次连接而成的光波导结构，MZI阵列由具有不同干涉臂差的MZI平行排列而成，每个MZI的输入端口在成像像面上接收平行于推扫图像区域上同一排或列的像元信号。本实用新型既简化了光路的复杂程度，又极大减轻了成像光谱仪的重量和体积，具有高集成度和高稳定性，并大大提升了系统的入射光通量，使得成像光谱仪小型化、轻型化。

本发明公开了一种批量快速创建文件系统元数据和数据的方法， 具体针对预知的工作集，例如目录拷贝，压缩文件解压操作等，在保 证文件系统可靠性的前提下，首先对元数据区域的超级块、块组描述 符、数据位图、Inode 节点位图三种元数据进行修改。然后依次按照操 作的顺序将 Inode 节点信息和数据分别写入元数据区域和数据区域。 根据本发明的方法，首先，使得系统避免了元数据页面写回引入的频 繁随机的小写问题；其次，增加了写延迟

本发明公开了一种基于图数据处理系统的数据并行访问方法， 所述方法包括以下步骤：S1、载入图数据至内存，将图数据各节点平 均分配至各处理器上并行处理；S2、各处理器调用图算法并行处理分 配至自身的图数据节点，处理过程中对图数据节点进行原子性读写； S3、将经图算法处理后的所有图数据节点写回至硬盘形成完整图数据， 判断所有图数据节点是否均收敛，如果收敛，则流程结束；如果不收 敛，则返回步骤 S1 进行下一次循环直到写回至

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。

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：