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。

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

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。

含危险有机物杂质的废盐的安全及无害化处置技术及装备研发。主要指标：有机物杂质分解去除率99%以上，可得到纯净的可利用的工业盐