产品详细介绍 整体功能特点 结构化安装：安装更加高效、简便，连接处采用防松螺母。 布线美观：布线更加整齐、方便，整体美观度大大提升。 固件升级：主控器支持固件升级、伺服马达支持内部固件升级。   基本参数 自由度数量：16 尺寸：489x356x 66mm(横高x身高x 体宽) 材质（结构件）：铝合金 直流供电：7.4V高倍率锂电池组（推荐7 V-9V DC） 控制方式：用户自主编程控制（可无线遥控、多机同步启动等） 调试与下载端口：Mini USB 保护设计: 短路保护、电量检测与报警 内部传感器: 声音传感器、2.4G高速通讯模块、3D加速度传感器   伺服马达 控制范围：0-359度控制（带数字反馈） 输入电压：4-9V DC 电流：0-2.2 A 力矩：12Kgf·cm 减速比：1：307 齿轮：高强度金属齿、传动效率高 外壳：高硬度环保材料 寿命:>10万Cycle(5kgf·cm下测得) 信号模式：串行命令模式和传统PWM模式 保护功能：过流、短路保护、过压保护、过热保护 特色功能：伺服马达支持内部固件升级 应用方式：舵机控制方式、减速电机控制方式、编码电机控制方式 接线方式：两边侧面各有一个输入/输出口，用于连接上一级与下一级伺服马达（串行连接方式）   3D人型伺服软件 基于微软.net平台+NXA3.1(微软3D开发平台)开发； 图形化编程与代码编程方式相结合，满足不同层次使用者的需求； 支持在线调试与仿真、支持三维与实体同步仿真、支持与传感器结合编程，扩展功能强大； 带偏差修正功能与常用动作库、程序一致性好、调试方便快捷。 通过调整机器人的动作，可以同时在虚拟和实体中仿真机器人动作，调整伺服马达角度的同时，软件会根据马达调整的角度来进行相应的矫正。

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。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破

武汉大学无线数码显微互动系统采购项目竞争性磋商

“火电厂厂级运行性能在线诊断及优化控制系统”从火电厂全厂整体综合优化运行的角度出发，通过对其所属多台机组的运行状态进行连续监视、经济分析、在线诊断以及优化控制，达到稳定、节能的目的。本项目由西安热工研究院和华北电力大学共同协作完成并获2005中国电力科学技术一等奖。 本项目创建了一套完整的技术体系，包括从全厂整体综合优化运行系统的概念、定位、理论方法、关键技术到应用软件开发、系统集成、示范和推广应用。研制成功具有自主知识产权的"火电厂厂级运行性能在线诊断及优化控制系统"（SIS）。

“新型多天线传输技术”是5G移动通信系统亟待研究的关键问题之一。孕育其中的3D-MIMO技术则是亟需攻克的难点之一。据此，本技术成果依据3D-MIMO技术中的多用户智能波束赋型，研究Massive MIMO阵列对5G系统波束赋型性能的影响。 技术成果主要功能： ？ 时间反演波束赋形（Time Reversal Beamforming, TRBF）通信系统可计算模型。 此部分主要是在经典的天线系统排布方向图与增益的理论研究基础之上，进一步研究这些天线系统的排布对TR大规模MIMO通信系统性能的影响，建立了基于不同天线系统排布的不同的信道响应模型。 ？ TRBF通信系统互耦效应的可量化分析模型。 建立了互耦的信道模型，然后通过信道模型来分析TRBF通信系统的性能。 ？ TRBF通信系统极化信息的可量化分析模型。 针对天线的极化特性建立信道模型，基于极化信道模型分析TR通信系统的性能，建立系统极化信息可量化分析模型。 技术成果应用领域： TR通信可以利用复杂环境中的丰富多径来提高系统的信道容量，减小误码率等等。并且TR的空间聚焦特性能精确定位用户终端，所以TR Massive MIMO通信系统可以用在受阴影衰落较大的地区，例如位于密集高大建筑楼群的低层用户，由于巨大的建筑物遮挡阴影损耗，要想实现设备到设备之间的直接通讯很困难，而TR技术可以精确定位到传输终端，达到普通波束赋形达不到的效果。类似的环境还有山区高大山群的阴影衰落，信号衰减大的森林地区等等。 此外，TR通信能够利用复杂环境中的丰富多径来提高通信系统的性能，所以在电磁波反射路径多的环境，自然环境比如地下车库，隧道等，人造环境比如模拟体验太空舱，金属装饰风格的办公室或者住宅等（见下图2）。在这些多径异常丰富的环境下，移动终端经常会出现接收不到信号等，这也是秉承随时随地接入网络宗旨的5G蜂窝移动通信系统亟待解决的问题，而这些场景正是完美的TR技术应用场景。 由此可以想见，TR在5G蜂窝移动通信系统覆盖范围下的某些特殊通信场景极有用武之地。

成果描述：本发明申请要解决的问题是，在偏僻的野外或者野生动物保护区，对珍稀物种检出，从而追踪它们的生活轨迹，或者在某些仓库农场对破坏储存物的害虫或者家养动物的天敌的检出是非常重要的。本专利建立一种实时的基于生物声音的只能检测方法，分析提取了动物声音的时域特征，频域特征，通过对特征的分析、分类，及时有效的检测出生物的运动痕迹。市场前景分析：生物活动轨迹的追踪有着重大的现实意义，在粮食以及动物保护方面有着非常广泛的作用。本发明着重从声音的频域、时域进行特征提取，然后选取特征组合，对特征进行有效的分类。研究实验表明，本算法的平均准确率达到89.9%。与同类成果相比的优势分析：本篇专利提出的识别系统的流程在原有的基础上增加了两个环节，即流程成为：预处理->声音提取->特征提取->特征选择->模型训练；并且还提出了新的算法，采用了许多最近提出的特征，比如MFCC[6-9]。经实验验证，本文提出的方法相比之前的方法正确率提高了20%左右，达到了89.9%。