针对老年人与护理人员存在严重的数量差异，难以匹配，一对多 护理模式难以确保医疗机构护理服务质量，以及视频监控的方式掌握患者的护理情况存在个人隐私泄露、数据流量庞大、存在监控盲区、人力成本高昂等痛点问题，本项目采用低成本、小流量可随时随地掌 握护理情况的解决方案，即更便宜：MEMS 可穿戴传感器，更安全：无需图像采集保护个人隐私，更快捷：数据流量小方便分析上传，实现室内精确定位、护理情况监控、紧急救护报警等主要功能。

项目背景：现有船舶设计及强度评估方法已经处于缓慢发展 阶段，但是船舶结构安全事故（尤其是针对大型船舶）却屡见不 鲜，传统的技术方法在提升船体结构强度的同时，也直接导致船 舶建造成本和船舶营运成本的快速增加，因此船舶结构安全保障 技术发展已进入一个瓶颈期。类比其他行业如桥梁飞机等，发展 方向已逐渐向智能化监测以及预警及决策转变。为打破瓶颈，针 对船舶结构安全性的技术方向也应向智能化感知及辅助决策方 向转变。其中的主要研究要点为智能感知和数字孪生关键技术， 技术路径为构建传感系统的搭建与优化体系、研究结构状态智能 感知和数据挖掘方法，建立基于感知数据的载荷反向识别、数字 孪生模型与驱动更新技术，以及基于智能算法的安全评估技术， 该技术不但可以在营运过程中保障船舶结构安全，还可以船舶设 计优化和完善规范有重要的指导意义。该需求技术国内外均处于 初步研究阶段，国外船级社 DNV 已有该类产品，但国内尚无同类 产品，并未形成行业壁垒，可实现研究自主化，获得自主知识产 权，填补国内空白；该产品的研发也有利于实施国家制造业发展、 山东省产业转型和青岛市海洋发展等国家和地方战略，在抢占行 业高地的同时带动产业链升级。 所需技术需求简要描述：1.传感器网络布局优化及数据采集，硬件传感网络布局覆盖全船结构，最大监测点不小于 128， 最高采样频率不低于 500Hz；2.船体结构感知系统智能化数据处 理，实现结构正常状态数据和异常状态数据的模式识别；3.船舶 结构智能孪生模型构建及同步演化；4.结构安全在线评估，并提 出结构安全完成任务使命所需的运维处理和运维策略。  对技术提供方的要求:1.在船体结构监测领域具有一定的研 究经验；2.具备相关领域软件开发和硬件集成、测试能力；3. 具有相关技术的研发和软件开发背景；4.具备船级社质量管理体 系认证。 

产品详细介绍 智能设备与应用STEAM主题课程 项目背景 随着科技的快速发展，各式各样的智能设备已逐渐融入到我们的日常生活中，为人类带来诸多便利。传感器作为与外界环境交互的重要手段和感知信息的主要来源，是各类智能设备的基础与核心，在推动社会进步和经济发展有着十分重要的作用。学习电子传感相关知识有助于学生了解现代科技社会，并体会制作科技创意作品带来的乐趣。 在本项目中，学生可借助八爪鱼智能设备与应用套件和人工智能与编程教学系统，了解常见传感器和执行器的原理及应用，制作相应的创意作品，并通过编程实现智能控制。 课程性质 这是一门以项目式教学开展的跨学科课程，以基于建构主义理论的 5E 教学模式作为指导，结合了中小学信息技术课程标准与编程教学特色。 课程目标 1.知识与技能 ⚫ 认识常用传感器和执行器的原理，知道其功能和应用领域，并学会简单使用。 ⚫ 初步了解简单的机械结构和连接方式，体验简单的模型搭建。 ⚫ 了解指令、程序和算法的基本含义，能够读懂简单的程序流程图。 ⚫ 学会使用图形化模块或 C++语言设计简单程序，并下载到模型上执行。 2.过程与方法 ⚫ 通过阅读多媒体资料和对传感器、执行器进行连接测试，掌握搜集、分析、比较和分类信息的方法，培养信息处理能力。 ⚫ 能够读懂图形化编程或 C++的程序流程图，能分析程序的功能并简单调试，发展编程思维能力。 ⚫ 能根据现实生活中人工智能的实际应用，设计程序并使模型运行，发展工程思维能力和解决问题能力。 3.情感态度与价值观 ⚫ 了解日常生活中常见的智能设备，初步认识智能设备对工作和社会的影响。 ⚫ 乐于倾听不同的意见和理解别人的想法，尊重他人的情感与态度。 ⚫ 实事求是，勇于修正与完善自己的观点。

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：

铁路勘测设计一体化、智能化是系统地研究和建立以数字化信息为基础，以计算机应用技术拉通勘测设计全过程为主要特征的新的生产作业模式。所以，该系统应将使用各种勘察手段所采集的铁路线路及其相关的地形、地理、地质、水文等资料加工成数字化信息，通过接口界面进行信息处理并传输到工程数据库中。先进的计算机网络必须覆盖各专业CAD终端，各专业在集成化设计环境中共享工程数据的信息，完成本专业设计，同时输出数字化和可视化的设计成果，供后序专业应用。设计完成后，全部CAD设计电子文件通过网络直接归档，从而实现铁路勘测设计一体化。随着各专业设计专家系统的建成与不断完善，再实现勘测设计智能化。在一体化新的作业模式下，勘测设计的全过程可以理解为对一般数字化信息流的采集、加工和扩充的过程。外业的勘测和勘探资料是这股数字化信息流的源头，各专业的设计工作是对信息流的加工和扩充。最终完成的数字化信息就是设计成果和归档资料。设计与管理所面向的不再是原来的书面资料和图纸，而是在工程数据库统一管理下，在网络的终端上有序受控流动的数字化信息流。所以，实现勘测设计一体化的过程就是从以非数字化为基础的现有作业模式向以数字化为基础的新的作业模式转化的过程。实现这一转化需要建立新的勘测设计流程，研究解决新模式带来的一系列技术层面和管理层面的关键问题。 1)勘测设计资料数字化是新的生产作业模式的基础，只有后道工序需用计算机处理的资料是数字化的资料，才能保证整个设计过程形成数字化的信息流。这就需要外业勘测时尽量利用各种测量仪器的数字化功能，使第一手资料即是数字化的形式，同时资料整理必须利用计算机来完成，才能获得满足内业设计要求的数字化勘测成果。为了实现外业数字化勘测，重点应研究以下问题：充分开发利用航测、全站仪及各种遥感设备的数字化功能；研究既有地图如何实现高精度、高清晰度扫描数字化处理；开发在勘测现场的铁路线路初步设计方案比选系统，改变外业队的作业方式，建立与数字化勘测相适应的装备水平、劳动组织、作业内容和管理制度。 2)建立工程数据库是新的生产作业模式的核心，新模式与原有模式的重大区别之一就是外业与内业之间、各专业这间需要共享的数据都要通过数据进行存取，所有的设计成果都由数据进行保存与管理。所以，如何开发一个符合铁路勘测设计行业特点、功能强大的工程数据库管理系统是本项目研究的一个重点。为此，需要研究与解决以下关键技术问题：做好标准化工作，制定铁路勘测设计一体化数据格式标准，规定每个专业的哪些数据需要进；如何处理非结构化数据；如何制定适应铁路勘测设计特点的数据结构。 3)建立铁路勘测设计集成化设计环境是新的生产作业模式的关键，新模式与原有模式的重大区别之一，就是全部内业设计均在集成化设计环境中进行。设计集成化环境是以计算机网络为平台，工程数据为核心，设计流程管理为主线，各专业设计软件与程序数据库接口为主要内容的计算机集成应用体系。为此，需要研究与解决以下关键技术头题：建设技术先进的计算机网络系统；研究出一种适应各种软件和各种数据需求的专业设计软件与工程数据库的接口方案；开发设计流程管理系统，保证整个设计在受控，有序的条件下进行。从而实现完全消除专业间书面资料的往来传动，每个设计人员在自己的计算机站点上就可完成设计和前后工各种间的信息交换。 4)建成计算机档案管理系统是新的生产作业模式的重要内容，新模式与原有模式的重大区别之一，就是全部电子设计文件采用光盘存储并由计算机管理。计算机档案管理可实现在网络环境下直接检索、查询、浏览和下载电子档案文件，并为电子设计文件重复利用提供了极大的方便。为此，需要研究与解决以下关键技术问题。正确处理管理型软件与管理方式之间的关系，就是说，所编的档案管理软件应满足行业的需要，适应各设计院在档案管理上存在种种差别的实际情况，而不是让各设计院改变档案管理方式来适应所编的软件；能浏览各种格式的电子文件，使软件具有良好的实用性。 5)采用人工智能技术是实现铁路勘测设计智能化的主要途径。传统CAD技术的特点是辅助设计人员进行计算与绘图，没有智能功能。总结国内外经验后，我们认为，以专家系统、智能CAD为主要内容的人工智能技术在铁路设计中的应用是实现铁路勘测设计智能化的主要途径。铁路选线是带全局性的非常错综复杂的设计问题，一直以人工以验为主进行设计，只能对有限的方案进行研究，设计周期长，推荐方案往往不是最优的。所以，必须要研究铁路新线设计智能CAD系统，以提高设计质量。采用综合地质勘探方法来解决特定的工程地质问题被证明是行这有效的。由于综合地质勘探模式有几十种，采用哪一种模式来解决某一个具体工程地质问题往往是很复杂的、模糊的。采用的模式不适合，就不能有效地解决问题，所以要研究铁路地质综合勘探方法专家决策支持系统，以显著提高地质工作质量

产品详细介绍 电压：6V-24V 额定电流：10A(持续工作无需散热器) 额定电流：30A(持续工作需铝散热器) 额定电流：60A(持续工作需铝风扇散热器) 注：固态开关小，安静，没有移动部件，防止击穿和温度过高而熔融。出口商品，出口品质。

自美国 2011 年实施材料基因组计划（Materials Genome Initiative，MGI），现已成为全球材料创新研发的强大助推剂，将高通量实验、材料数据和高通量计算三要素有机结合，加速材料创新性研发并降低成本。MGI 将成分-工艺-组织-性能的关联集成化、跨尺度分析，将材料的研发由传统经验式提升到科学设计。高通量材料计算和数据挖掘技术是材料基因工程的重要组成部分，通过材料的高通量热力学/动力学计算、高通量相场模拟、数据挖掘和性能预测，实现材料合金成分、制备工艺、微观组织结构和宏观力学性能的调控及优化，为新材料的开发设计提供指导，实现产品全制备周期的数字化、智能化管理，提高产品质量稳定性、降低产品研发周期和成本、提升企业的核心竞争力。

NFC射频磁性基板材料是一种高磁导率低损耗的超薄磁性基板材料,该材料是移动终端集成NFC系统的关键支撑，但材料制备技术长期掌握在国外公司。国家工程中心经过技术攻关研制成功低成本磁性基板材料,打破国外技术垄断。

已有样品/n“新型高密度存储材料与器件”面向大数据时代对海量数据存储和处理的需求，研究相变、阻变、铁电等新型存储材料和器件的设计与制备关键技术，发展用于高密度存储阵列的选通器件及三维集成技术，研制兼具信息存储、逻辑、运算、编解码等多功能的新型原型器件以及柔性阻变存储器原型器件，将为我国发展具有自主知识产权的新型高性能存储材料与器件奠定技术基础。