本实验箱是根据21世纪高等学校规划教材《电路》、《电路实验教程》的要求而设计的，重点在于训练学生的实验技能，提高学生分析和解决问题的能力，树立工程的观点和严谨的科学作风，帮助学生巩固和加深理解所学的理论知识。 实验一   电路元件伏安特性的测试 实验二      电源等效变换、戴维南（诺顿）定理及最大功率传输 实验三   直流电路基本定理综合实验 实验四   电路过渡过程的研究 实验五   R、L、C元件阻抗特性及交流等效参数的测定 实验六   日光灯电路及功率因数的提高 实验七      RLC串联谐振电路的研究 实验八   RC选频网络特性的测试 实验九   单相电能表的校验 实验十   互感与变压器 实验十一   三相电路综合实验 实验十二   二端口网络参数的测定 实验十三   电阻温度计的制作 实验十四   运算放大器的应用——受控源、电压跟随器、反相器和DA转换器的设计 实验十五   移相器的设计与测试 实验十六   负阻抗变换器的制作和应用 实验十七    RC一阶电路动态特性的仿真 实验十八  RLC串联谐振电路的仿真 实验十九   非正弦周期信号电路的仿真 实验二十   电路矩阵方程的计算机求解

产品详细介绍 数字设计与数字制造解决方案 借助数字化设计工具培养创新设计能力； 掌握手工和二维、三维设计软件绘制简单的技术图样等； 运用图形样式对意念中或客观存在的技术对象进行可视化的描述和交流。 符合课标项目任务提示推荐的主题设置； 结合智能硬件、无人机、编程、大数据等新兴科技； 实际项目中培养技术意识、工程思维与创新设计 借助数字制造软件工具培养图样表达能力； 通过图样表达设计构想，用技术语言实现 有形与无形、抽象与具体的思维转换； 识读简单的机械加工图及控制框图等常见技术图样 借助数字制造工具培养物化能力； 根据方案设计要求，进行材料选择、测试与规划，工具选择与使用，工艺设计与产品制作等； 独立完成模型或产品的成型制作、装配及测试，具有较强的动手实践与创造能力。 具体方案请留言详细了解

产品详细介绍 凝胶成像价格，凝胶成像技术，凝胶成像参数 凝胶成像即：对DNA或RNA胶 进行切胶、拍照、观察、分析的实验室类仪器，凝胶成像系统可以应用于分子量计算、密度扫描、密度定量、PCR定量等生物工程常规研究。 1、引领国际潮流的人性化设计！工程塑料模具成型，安全、美观、轻便； 2、防紫外弹出式观察窗，无需电脑，观察原始实验结果，方便、快捷； 3、左右侧双开门的一体化割胶装置，配合观察窗使用，舒适、安全； 4、专业软件系统支持的全电脑控制+触摸控制面板双控制体系，控制电源开关、光源控制、光圈、聚焦等观察和拍摄工作，实现污染现场和电脑操作现场隔离，防止交叉污染，确保操作者安全； 5、抽屉式样品载物台，方便取放样品； 6、紫外自动防护装置：拉出载物台取放样品，系统自动关闭紫外光源，防止实验者被高强   度紫外光照射。特殊情况亦可暂时解除防护功能，方便箱体外部的切胶操作。 7、紫外灯管10分钟定时关闭功能，有效延长紫外灯管和紫外玻璃的使用寿命。 主要参数：

简单介绍： MRI技术仿真虚拟实验系统应用主流的MR设备和操作系统界面可完成理论知识、模拟视频、模拟仿真操作、人机考试模拟仿真整个MR系统的工作流程，MRI技术仿真虚拟实验系统对学生的规范化实训与教学工作。MRI技术仿真虚拟实验系统模拟MR教学系统设备按照医院MR室布局标准建设。 详情介绍： 建议电脑配置：操作系统  Windows 7  64位    处理器：  英特尔 Core i5-7400 @ 2.00GHz 双核 以上 内存：      8 GB 以上 主硬盘： 硬盘500G以上或固态硬盘（128G）以上 显卡：   Nvidia GeForce GT 730 ( 2 GB )以上 显示器： 19寸 1366x768 正好 MR硬件教学系统技术参数 一、应用主流的MR设备和操作系统界面可完成理论知识、模拟视频、模拟仿真操作、人机考试模拟仿真整个MR系统的工作流程，对学生的规范化实训与教学工作。模拟MR教学系统设备按照医院MR室布局标准建设。 二、MR硬件主要组成 1 扫描床 2 主磁体机架 3主机控制软件工作站 4 遥控控制台 三、设备功能参数 1. 扫描床 1.1床面尺寸≥667mmx2600mm 1.2水平运动范围 ≥  2350mm 1.3垂直运动范围≥366mm 1.4床面*离地面满足*小≤*小580mm ，*大946mm 1.5扫描床承载重量 ≥  250kg 1.6按照扫描模式可以自动进入主磁体中心。 1.7提供床垫、头颅线圈、颈部线圈、体部线圈、乳腺线圈、肩关节线圈、膝关节线圈等扫描附件。：乳腺线圈和肩关节线圈为选配 2.主磁体扫描架 2.1机架尺寸≥1700x1700x1500mm：1730mm×2080mm×2410mm 2.2机架孔径≥710mm 2.3配备定位激光灯，X/Y/Z三方向 2.4机架外形款式必须与目前合资品牌1.5T磁共振机机外形一致，对磁共振机机架外形 采购方有决定权。 2.5机架两侧分别各带一块控制面板，具备控制床面升降、前后运动，控制激光定位系统、“急停”，磁体中心锁定按钮，自动进入主磁体中心键；机架顶侧具有液晶显示屏，可显示各项机械运动参数 3.MR主机控制软件 3.1具备系统基础知识、仿真扫描视频、仿真操作系统、特殊检查与图像处理、人机考试 3.2病人信息登记，病人协议选择，病人体位选择，成像参数选择，扫描定时选择 3.3具备病人管理功能，支持病人信息登记，预选，设定扫描部位，扫描参数设置，扫描方式设定功能。 3.4具备定位像显示、操作、处理及定位参数设置功能，能实现利用定位激光灯实现各个部位的定位功能。 3.5定位像扫描界面显示三幅定位框，分别对应横断位 冠状位  矢状位 图像，每个定位框内可显示定位线，可以调节定位线的区域 角度。 3.6具备体位设置功能，能实现调整功能。 3.7具备图像显示，图像浏览，图像处理功能。 3.8扫描包含头颅、胸部、腹部、脊柱、四肢关节等至少15个扫描部位选取功能，各种参数随着需求选择确定进行扫描。每一个扫描部位中 包含常规扫描方位序列(SE序列 FSE序列IR序列 STIR序列 FLAIR序列 GRE 序列等) 、特殊扫描方位与序列（如DWI扫描 SWI 扫描）  快速扫描序列、增强扫描 序列  、MRA扫描 序列，腹部扫描方案里应含有 MRU MRCP扫描序列 方案，同时显示不同扫描参数出现不同图像，可以用特殊方法显示特殊扫描图像。参数改变图像随着改变。 3.9执行扫描，系统会象真实MR 机器一样在图像显示区实现扫描图像一幅紧接一幅动态显现的整个过程，同时扫描模拟进度条一直前行直到图像扫描完成，扫描出的图像必须与扫描方位序列一致。比如  颅脑横断T2WI 扫描序列完成后，图像显示T2WI,横断DWI序列扫描后的图像是DWI 图像。增强扫描 显示增强MR图像。每一个扫描过程操作、显示增强剂量、速度、时间、辐射剂量显示、排版各种方案、单、多幅、图像定位线显示、拍片、综合性图像处理（DR、CT、MR）教学、训练、练习

结构 SET-2000系列传感器与测控技术实验台由主控台、三源板(温度源、转动源、振动源)、各类传感器、相应的实验模块、数据采集卡及处理软件、实验台六部分组成。

物联网技术综合实验系统III型（CES-IOT6818）配置高性能的嵌入式ARM Cortex-A53八核CPU S5P6818网关及丰富的扩展应用接口，并多达45个传感器模块、8个控制器模块可供选择，均采用统一接口，可插拔。另外，平台配置了4G、WiFi、GPS、蓝牙、摄像头等模块及10.1英寸高清电容式触摸液晶显示屏，支持Android 5.1.1 Lollipop操作系统。 物联网技术综合实验系统III型采用模块化设计，整个系统由高级物联网网关、ZigBee无线模块、传感器模块及RFID射频开发套件四部分组成。实验系统提供多达数十种课程实验，课程实验提供开放的软件及硬件资源，着重培养学生的实际动手能力，可实现教学、科研等物联网相关课题。

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。