本发明公开了一种基于超材料的远红外单谱信号探测器，包括·798·自下而上依次设置的衬底层、N 型砷化镓层、二氧化硅层与超材料层、欧姆电极和肖特基电极。超材料层为具有周期性微纳米结构的金属开环共振单元阵列，所述金属开环共振单元阵列包含了一种图形及其特征尺寸参数，该图形对于远红外电磁波具有完全吸收特性，通过改变金属开环共振单元的结构和尺寸参数可以调控对应的电磁波吸收频段，通过改变 N 型砷化镓的耗尽层宽度可

本发明公开了一种基于超材料的太赫兹单谱信号探测器，包括自下而上依次设置的衬底层、N 型砷化镓层、二氧化硅层与超材料层、欧姆电极和肖特基电极；其中超材料层为具有周期性微纳米结构的金属开环共振单元阵列，金属开环共振单元阵列包含了一种图形及其特征尺寸参数，该图形对于太赫兹电磁波具有完全吸收特性，通过改变金属开环共振单元的结构和尺寸参数可以调控对应的电磁波吸收频段，通过改变 N 型砷化镓的耗尽层宽度可以调控超材料层中金属开环

本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果

该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。 主要技术指标 不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。 该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。 表 1. 不同数据集下的训练样本选取数量 表 2. PaviaU 大学数据下不同方法的正确率比较

南科大医学院教授张文勇、研究助理教授栾合密等在国际著名生物信息学与计算生物学期刊Bioinformatics上发表题为“CPVA: a web-based metabolomic tool for chromatographic peak visualization and annotation”的论文。该研究创新提出了以色谱中心策略算法（CCS）提高基于质谱的组学数据质量，并搭建了R-Shiny的Web应用CPVA，实现了组学数据在线交互式的处理。 该论文提出了色谱中心策略算法（CCS），并开发了在线互动工具来解决该领域普遍存在的问题。色谱中心策略是指通过对组学数据中提取的色谱峰形状进行数字化描述，包括对称性（Symmetry）、锯齿度（Jaggedness）、形态（Modality）、色谱质量指数（MCQ）等，并以在线互动的方式直接展示色谱峰的形态特征。

产品详细介绍         谱诚博阅原卷留痕阅卷机，独创的原卷留痕阅卷新模式，能够切实解决师生存在的不同困境，提高教师阅卷效率，给广大学子增效减负。          我们的原卷留痕智能阅卷机，具体优势有以下几点：      1.无需答题卡。省时省钱      2.无需人工干预。减轻教师负担      3.原卷答题。学生原卷答题无需答题卡，省时便捷      4.原卷批改。方便学生复习，教师掌握学生学情。      5.高效阅卷。一键阅卷，操作简单；客观题自动批阅、主观题得分自动识别、总分自动统计、错题标准答案自动打印；双面同时阅卷，效率优于人工批阅。                                                                       阅卷机产品展示图 谱诚博阅的原卷留痕阅卷机AYJ800针对网上阅卷系统的不足，做出创新改进，实现了学生原卷作答，教师原判批改，所有的批改原卷留痕，阅卷机本身负责主观题的批改，客观题的批改读取，可以与原有的共享资源平台对接形成闭环，更有针对性的服务于基础教育阶段的师生，因材施教。                                                                                                                              阅卷机批改后的卷面效果   此外，谱成博阅科技有限公司基于大数据的准确分析给学生提供专家级学情分析报告，可以真正的促进学生的学习，针对性提高学习效率，具体有以下优势： 1.纸质试卷自动电子存储 2.学生答题分析 3.易错知识点分布统计 4.平台利用学情报告完成针对性教育与个性化学习 5.自动生成学生错题本，学生提高成绩有捷径 6.自动生成高频易错题集，老师定位重点有方向 7.学生各人知识点掌握情况分析表，补齐短板有目标 8.每人一张个性卷，数据分析有反馈 如今，教育行业，越来越多的教学内容期待高效的传播，越来越多的基础教育阶段的学生希望节约时间，更注重自己全方位的发展，越来越多的教育培训服务更多的依赖大数据的分析来快速指导实践，谱诚博阅原卷留痕阅卷机AYJ800就可以很好地满足教育行业师生的各种需求，无论从教学、考试还是各大培训都会相得益彰共同发展，未来在原卷留痕阅卷机的广泛普及下，必将极大地促进基础教育的发展，为学生学习开辟更加恢宏的康庄大道。 杭州谱诚博阅科技有限公司——教育信息化服务理念的倡导者,我们专注于教育，致力于实现创新技术与传统教学模式的最佳融合，倾注全部的心血和激情，发展互联网教育服务产业，开创中国教育现代化的未来。我们创造并实践崭新的服务模式和商务模式，打造产业生态圈。在智能阅卷、智慧课堂、云端针对练习、云端个性考试服务、K12互联网信息化教育等领域，博阅科技的创新理念和技术将推动行业的蓬勃发展。 公司现已拥有独立的研发团队、生产基地，以及遍布全国的销售网络渠道。公司开发的爱阅卷原卷留痕阅卷机系统，多项技术通过了国家有关部门的严格测试，技术处理水平先进。博阅爱阅卷原卷留痕阅卷机系统是将现代先进的图像压缩、分割技术与高速图像扫描设备相结合而产生的一项高效数字化信息系统。系统经过严密设计，并结合传统的阅卷模式，成功地将先进的计算机网络技术同教师阅卷工作结合在一起。在充分考虑用户的需求和使用状况的基础上，优化、整合设计流程，实现了灵活方便的阅卷、大数所分析、试卷管理过程，充分体现了本阅卷系统的实际效益和推广意义。博阅科技正成为广大师生及家长的好伙伴。

肢端肥大症通常是由垂体腺瘤引起的生长激素的持续性分泌引起的一种临床综合征，其患病率约为60/百万人，年发病率约为0.03~0.04/万。由于其隐匿的发作，模糊的症状和缓慢的进展，该疾病的诊断通常被延迟，导致严重的并发症，例如心血管疾病和治疗困难。因此，必须使用自动高效的筛选方法，促进该疾病的快速准确诊断。

本发明公开了一种基于 WAMS 时间断面信息和拓扑信息的故障 诊断方法。该方法包括： (1)通过 WAMS 获取互联电网中各量测点的三 相电压和电流的幅值和相角数据；(2)使用获取的三相电压和电流的幅 值数据按照故障诊断启动判据进行计算；(3)对满足故障启动判据的量 测点三相电压和电流的幅值数据进行实时特征量提取，形成实时模式 向量；(4)将量测点 i 提取的实时模式向量与预设的已知故障类型的基 准模式向量集合相匹配，根据匹配结果给出初步故障结果；(5)根据时 间信息和电网拓扑信息对满足启动判据的量

本发明公开了一种基于分层时间模糊 Petri 网的输电网故障诊断 方法，属于电力技术领域；现有技术中的 Petri 网模型应对不确定及缺 失的报警信息的容错能力仍有待加强；本发明的分层时间模糊 Petri 网 模型，包括分层子模型和综合诊断模型，在保护和断路器发生误动或 拒动、报警信息缺失以及发生多重故障等情况下，均能给出正确的诊 断结果，具有较好的应用前景。 

程然课题组在医学领域知名期刊Journal of Hematology & Oncology上发表了一种通过学习面部照片特征，构建肢端肥大症自动诊断和严重程度分类的深度学习方法。该方法可以帮助人们方便地进行自我筛查，从而对肢端肥大症进行早期诊断并因此得到早期治疗。并且，该方法是第一个具有肢端肥大症严重性分类功能的自动化方法，并对每种分类取得了89%以上的准确率（超过一般医生水准），为进一步推广应用奠定了基础。程然为论文共同通讯作者，合作单位包括北京协和医院与剑桥大学公共卫生和初级保健司。