本发明属于污染物检测技术领域，涉及一种Fe‑MOF/Fe<subgt;3</subgt;S<subgt;4</subgt;复合材料及其作为纳米酶在检测马拉硫磷中的应用。将六水合三氯化铁溶液和富马酸溶液混合，得到混合液A，然后进行回流反应，得到Fe‑MOF前驱体；将硫源加入到Fe‑MOF前驱体的乙醇分散液中，超声处理后，密封并进行水热反应，制得Fe‑MOF/Fe<subgt;3</subgt;S<subgt;4</subgt;复合纳米材料。本发明所提供的制备方法流程简便、原材料价格低廉、资源丰富，合成成本低，且产品性能稳定，适合大批量合成。通过溶液颜色变化可实现对马拉硫磷的可视化检测，具有高灵敏度、低检测限、宽线性响应范围和较好的选择性及稳定性。

伊辛超导是指超导库珀对的自旋被有效的塞曼磁场固定住，由此表现出极强的的面内临界磁场（远超其泡利顺磁极限）。通过分子束外延法在双层石墨烯终止的6H-SiC(0001)衬底上成功制备出大面积（毫米以上）原子级平整的高质量单层过渡族金属硫化物NbSe2薄膜（仅0.6 nm厚），在此基础上对其覆盖非晶态Se保护层，进而对非原位的电输运物性展开了系统研究。研究发现：单层NbSe2薄膜表现出超过6 K的起始超导临界转变温度和高达2.40 K的零电阻温度，超过了早期机械剥离获得的单层NbSe2以及分子束外延生长的单层NbSe2的超导转变温度。同时，强磁场和极低温下的输运测量结果直接证实了平行特征临界场Bc//(T = 0)是顺磁极限场的5倍以上，符合Zeeman保护的伊辛超导机制（前期NbSe2薄片中的伊辛超导证据需要实验数据的理论拟合在更低温更高磁场下的外推）。此外，极低温垂直磁场下的电输运测量表明，单层NbSe2薄膜在接近绝对零度时的量子临界点表现出量子格里菲斯奇异性。

本项目首先基于社区网格化管理和社区团购的社区性这一核心共性，明确社区网格化治理模式落实于社区团购的具体结合点，增强社区网格化管理迁移至社区团购中的可行性。 一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 胡筱玥 哲学院哲学专业 2020.9-2024.9 彭思思 哲学院哲学专业 2019.9-2023.9 白涵宇 哲学院哲学专业 2020.9-2024.9 何子蔓 哲学院哲学专业 2020.9-2024.9 石向林 哲学院哲学专业 2020.9-2024.9 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 李薇 哲学院 副教授 社会福利与社会工作 四、项目简介 本项目首先基于社区网格化管理和社区团购的社区性这一核心共性，明确社区网格化治理模式落实于社区团购的具体结合点，增强社区网格化管理迁移至社区团购中的可行性；其次本项目通过实地调研与线上调查相结合的方式深入探究社区网格化与社区团购实际结合情况，了解包括团长、消费者在内的社区团购主体对社区网格化和社区团购的看法，经过两个阶段的调研以定量定性相结合的方式为探寻两者融合发展的优化路径提供丰富的数据支持；在大量文献资料和调研数据支持下，为通过社区网格化治理模式优化社区团购提供富有前瞻性、切实可行的建议。

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。