帕金森病是一种是老年人群中常见的慢性、进行性、运动障碍性中枢神经系统疾病。帕金森病主要是由于大脑中缺乏多巴胺引起的．左旋多巴(Levodopa，L-dopa)为目前治疗帕金森病的主要药物．多巴胺不能够通过血脑屏障到达大脑治疗帕金森病，而 L-dopa 能够通过血脑屏障，到达中枢神经系统，并在体内脱羧酶的作用下转变为多巴胺，从而治疗帕金森病．常见的治疗帕金森病的药物多为 L-dopa 及其与其他药物的复合物，如美多芭、息宁等。在全球 500 强畅销药物市场中，抗帕金森治疗市场超过 20 亿美元。来源于大肠杆菌的 4-羟基苯乙酸-3-羟化酶（ p-hydroxyphenylacetate3-hydroxylase ，PHAH) 具有较宽的底物范围，可以将 L-酪氨酸转化为 L-dopa，反应单向进行，产物均为 L 型，且该酶不会进一步氧化 L-dopa。但由于 L-酪氨酸并不是 PHAH 的最适底物，该方法催化生成 L-dopa 反应速率慢，到目前文献报道的最高产率为 12.5g/L，并不能实际生产应用。前期本实验室通过对大肠杆菌芳香族氨基酸代谢途径进行改造，已获得从葡萄糖发酵生成 L-酪氨酸高产大肠杆菌菌株，发酵水平仅次于美国麻省理工学院与美国杜邦合作文献报道的 L-酪氨酸发酵水平.本课题对 4-羟基苯乙酸-3-羟化酶进行突变改造，获得了一催化反应速度大幅提升的突变体。在 L-酪氨酸的代谢途径的基础上，含 4-羟基苯乙酸-3-羟化酶突变体的大肠杆菌培养 38 小时转化生成左旋多巴产率即可达 50g/L 以上，且培养发酵简单易行为世界上首个采用此法可实现大规模工业应用的左旋多巴生产路线。目前左旋多巴市场价格约为50 万/吨，此法生产成本远低于左旋多巴市场价格。

工业机器人技能考核与实训平台主要应用在工业机器人基础操作教学阶段，可以实现工业机器人基本结构、基础操作、参数配置、在线示教编程、简单语言编程、工具更换、复杂轨迹规划及编程、模拟上下料和码垛工艺应用、IO通讯、离线编程应用等教学内容，实训台式设计特别适合于标准教室型实训场地，为学生掌握基础编程能力和调试技能提供硬件支撑，满足教学需求。该实训台主要用于工业机器人技术人才的培养教学和技能考核。

第四范式成立于2014年底，是国际领先的人工智能平台与技术服务提供商，公司以“Empower AI Transformation and Advance AI For Everyone”为企业愿景，旨在让AI成为驱动社会进步、企业增长的引擎。依托于领先的机器学习技术与丰富的行业实践经验，第四范式打造了企业智能化转型战略产品“天枢”，通过构建以消费者为中心的全链路客户流量运营，帮助企业实现以创造业务价值为目标的智能化转型。此外，第四范式为企业树立了正确的转型目标和方法，通过自动化AI应用构建平台第四范式HyperCycle ML，提升AI建模效率，降低AI应用门槛，将AI技术快速、规模化落地到企业众多业务场景中，提升业务场景价值。同时，第四范式采用软件定义算力的先进理念为企业提供软硬一体AI集成系统SageOne，降低企业AI部署总体拥有成本，推动企业全面智能化转型进程。目前，第四范式已为金融、零售、能源、医疗、制造、互联网、媒体等行业成功落地上万个AI应用，助力各行业企业的AI创新变革。点击上方按钮联系科转云平台进行沟通对接！

主要包含如楼宇设备自控系统工程，保安监控及防盗报警系统工程，智能卡系统工程，通讯系统工程，共享电视系统工程，车库管理系统工程，综合布线系统工程，计算机管理、网络系统工程，电影广播系统工程，会议系统工程，视频点播系统工程，智能化小区综合物业管理系统工程，可视会议系统工程，大屏幕显示系统工程，智能灯光、音响控制系统工程、数据中心机房工程等安装工程施工。

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。