电子鼻（也称为人工嗅觉系统）是模仿动物嗅觉系统而开发出来的一种电子设备，其系统主要由传感器阵列、信号处理系统及模式识别等三大部分组成。本项目采用的 Znose 电子鼻具有无损、快速、定量检测的优势。目前在农产品及食品品质判别、生产监控上得到应用。 1、农产品、食品的品质判别：电子鼻与 CDA、PNN 等技术结合，对相同品牌不同陈化年限的酒类的分辨率达 100%，具有非常客观、敏感的识别度。 2、生产环节品质控制。电子鼻与自动控制技术结合，在酒类勾兑、酒类发酵过程中进行实时监控。勾兑完成率 100%

中科院医学物理中心研制出了国内第一台基于PTR-MS原理的呼气实时在线检测质谱仪，并在医院开展了肺癌等重大疾病患者的呼气检测实验研究，初步结果表明：判别癌症的真阳性率、真阴性率均达到70%以上。 本项目将在前期工作基础上，研发实用化呼气检测质谱仪工程样机，通过大规模呼气检测试验，建立肺癌等重大疾病快速筛查与辅助诊断的呼气检测新方法，进行性能评估与示范应用。并寻求与医疗公司或社会资本合作，推进呼气检测质谱仪的转移转化，为我国先进医疗仪器的发展和属地医疗健康产业的发展做出积极贡献。 （1）目标：突破呼气代谢物快速、高灵敏探测技术，研制实用化呼气检测质谱仪工程样机，开展肺癌等重大疾病呼气临床试验，建立呼气检测癌症筛查与辅助诊断方法，进行性能评估与示范应用。申请医疗器械注册证，实施成果转移与产业化。 呼气检测质谱仪具有以下特点： 技术先进：直接吹气在线检测，速度快；离子聚焦，质谱检测灵敏度高。方法新颖：呼气检测癌症筛查与辅助诊断，安全无创、简捷便利、接受度高、费用低。创造性：不同人种癌症发病率存在差异，呼气标志物可能不同，项目可建立中国人癌症呼气标志物特征。癌症筛查真阳性率：>70% （2）主要任务： 研制实用化呼气检测质谱仪工程样机，具有良好的长期运行稳定性和重复性，并满足呼气快速与高灵敏检测要求。 开展肺癌等重大疾病的大规模呼气检测临床试验，病例和健康志愿者数量分别达到500人以上，确保呼气检测数据有医学统计意义。 呼气标志物统计与癌症诊断模型建立。研究并排除环境空气、年龄、性别、饮食、吸烟与否、治疗等外在因素的干扰。开展示范应用，对呼气检测癌症诊断模型进行性能评估与验证。通过交叉验证，以及对另外的癌症患者与健康志愿者的呼气检测，检验呼气检测质谱系统的性能。

TRU树木雷达检测系统是为检测树干内部腐朽和地下根系分布而设计的。 它利用探地雷达技术对树木进行无损扫描，可生成高分辨率图像。 系统有两种独立的检测方法，分别用于检测树干的内部状况及根系的实际分布

主要包含石墨炭素物理性能检测仪器及制样设备，如石墨中温导热系数测试仪，真空膨胀仪，动态法弹性模量仪，氧化性测定仪，电阻率测定仪，真密度测定仪，高温抗折仪，抗压抗折试验机，行星式球磨机等。

含硫检测仪

楚航科技车规级平台研发生产的60GHz生命体征探测雷达，采用3发4收天线通道，可覆盖车内全区域，体积小，低成本，低功耗， < 1%误报率与0漏报率，可实现ROA第二排占位探测与第三排活体探测, DMS驾驶员心跳呼吸检测。

一、经络检测系统 经络脏腑病位关联：经络、脏腑、五行关联图，将未病扼杀在萌芽之中；八大系统生理机能分析：归纳、总结人体八大系统与经络的关系，给出人体经络辨证情况；十二经络传感情况分析：依脉经络柱状图，细化分数；科学采集：精准识别不同人体特征，采集双手、双脚十二经原穴生物电参数；精准判读：经络能量值量化精度可达到小数点后三位，助力医学研究；智能检测：靶向定位穴位采集，智能辨析并出具检测报告； 二、耳穴检测系统 检测系统多样化：可检测消化系统、运动系统（上肢）、运动系统（下肢）、运动系统（躯干）、呼吸系统、感觉系统、神经系统、肝胆系统、泌尿系统、生殖系统、其他（内分泌、心血管）等10大系统。测试笔符合人体工程学设计，握持舒适。测试笔电伏微弱、无痛苦、无伤害。

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。