本实用新型公开一种耙式水果采摘收集器，其包括：手持杆、耙体、吸口、耙齿、固定刀刃、活动刀刃、腰形偏心槽、偏心盘、软管、收集箱、负压装置。耙体与手持杆固定，上面设有吸口。耙齿与耙体固定，固定刀刃与耙齿一端固定。活动刀刃上开设有两个腰形偏心槽，使活动刀刃滑动安装在固定刀刃上。偏心盘固定在活动刀刃上，带动活动刀刃沿着两个腰形偏心槽延伸的方向相对固定刀刃做往返的直线运动，使活动刀刃与固定刀刃形成开合结构。两块翼板安装在耙体的两侧且与耙齿朝向同一侧弯曲。切割下来的水果，在两块翼板的引导下向吸口处集中。收集箱通

科研团队经过3年多研究，形成了集理论分析、试验测试和计算机仿真于一体的技术方法，为工程单位整机性能进行振动与噪声评估、分析、优化及验证。 一、项目分类 关键核心技术突破 二、成果简介 科研团队经过3年多研究，形成了集理论分析、试验测试和计算机仿真于一体的技术方法，为工程单位整机性能进行振动与噪声评估、分析、优化及验证。 研究成果早期应用与宁波大学与玉柴动力的发动机减振降噪、方太叶轮异音减振项目，并在山东巨明集团的452、688等玉米机械上进行了减振降噪的优化改进上，使其发动机、驾驶室的传递率分别从156%降低至75%、157%降低至78%，驾驶室舒适性也得以大幅度改善，有效地提升了该款产品市场竞争力。2019年该两款产品的销售量为22500万元，年增长约20%。 2019年宁波大学与柳工集团所签订的TC800起重机减振降噪技术合同是本项目技术的进一步推广应用。

   济南凯锐机械设备有限公司是一家依托国家级科技产业园的高新技术企业。专业生产各类试验机及配套检测仪器，公司拥有专业的科研机构和设计开发人员，具有雄厚的技术力量。公司自成立以来，为更好的满足市场及广大用户的需要，新产品层出不穷，始终保持国内领先水平，质量可靠，信誉至上，服务及时，受到用户的广泛欢迎。    公司主要生产液压万能试验机、电子万能试验机、压力试验机、拉力试验机、冲击试验机、硬度计、弹簧试验机、摩擦磨损试验机、动平衡试验机、金相检测设备、铸造试验仪器、电线电缆检测仪器、光学仪器、无损检测仪器、橡胶塑料检测仪器、环境试验箱、建筑交通检测仪器、标准测力仪、纺织检测仪器及石油产品检测仪器等。可为机械制造、冶金矿山、汽车船舶、石油化工、科研及大专院校、能源、交通、航空航天等行业提供各类试验仪器及技术服务。另外，我公司还承接各类非标试验机项目和试验机的技术升级改造项目。　　     经过多年努力，我公司在全国已具有极大的影响力，在用户中建立了良好的信誉，在市场中树立了自己的优秀品牌。我们决心更加努力，把我们的各项工作做的更好。始终保持技术领先地位，竭诚为广大用户提供更优质、更完善的服务。并热忱欢迎广大用户朋友来电来函咨询洽谈，携手并进、共同发展，共创美好明天。

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。

天津大学机械学院大样品台原子力显微镜项目竞争性磋商

西安交通大学机械工程学院高精度磁控溅射机竞争性磋商

西安交通大学机械工程学院高精度磁控溅射机竞争性磋商