上海皮赛电子有限公司研发STC IAP15W 8051 MCU学习板。

产品详细介绍　　飞达（FD）系列语言学习系统是真正的现代化的系统，按国际标准模块设计，WINDOWS界面下操作方式，具备完善的视频、音频演播系统，多功能的主控录音机和学生跟读机及高性能的多媒体硬件配置，性能稳定，是进行语言培训号教学的理想工具。 　　标准考试分析器　　具有应答分析功能，可将学生的应答做分析，分析的结果显示在显示屏上，并可同时打印出来供分析和找出问题，便于教师及时掌握学生的学习进度。 　　节目特性功能　　根据学生的能力和课堂的目的，节目可按要求设置。　　全体学生收听一路教材　　学生自由选择教材         教师可对教材进行插话讲解　　教师通过音箱进行授课及播放教材　　学生可收听、收看视听同步教材 　　多媒体特性功能　　主录音机播放听力教材　　计算机播放光盘教材　　计算机播放影碟多媒体教材　　录像机播放录像带教材　　内装A－V转换器，可同时转换音频和视频　　学生可监视显示器画面　　播放4套节目源　　

这个项目是集硬件、软件、服务于一体，通过高科技现代化的网络技术、4G/5G技术、云技术、调频广播发射技术、远程监测、播放管理等技术，实现远程管理、播放服务。

自助服务终端一体机银行政务海关酒店医院智能报道缴费工位机终端

本项目提供压缩机全生命周期管理系统，建立模块化、集成化数据环境，面向于往复压缩机、隔膜压缩机，服务于石油化工、加氢站、储气库、船舶动力等行业主要包括： 设计规划阶段——压缩机整体方案设计，压缩机结构形式设计，核心部件材料遴选分析，启/停流程设计，安全控制策略设计等； 运行工作阶段——压缩机运行数据实时采集、远程动态展示，核心部件状态监测与故障诊断，监测诊断一体式/分体式硬件与软件系统开发； 检修维护阶段——零部件维修预警、寿命预测，可视化维修方案、维修模型、维修视频，压缩机及其辅助系统、零备件信息数字化管理平台。 关键技术一：压缩机性能计算技术与选型设计技术 基于 Windows 平台，遵循结构化、模块化原则，采用 QT 框架、C++语言编制交互设计软件，可实现往复压缩机物性计算、热力计算、动力计算、设计校核复算、平衡计算、产品系列化自动匹配、多工况计算七项功能于一体，可实现往复压缩机机组设计计算、选型、零部件管理一体化功能。现阶段已授权发明专利 1 项，软件著作权 1 项。 关键技术二：压缩机状态监测与故障诊断技术及设备 针对压缩机核心零部件构建相应状态监测方案与故障诊断方法，包括：①集成气缸内热力过程特征和阀片声发射信号的诊断方法，基于气阀声发射信号获得气阀故障的特征参数和反映故障程度的量化指标，诊断不同类型气阀故障；②基于活塞杆应变重构 pV 图方法的往复压缩机气阀无损故障诊断方法，基于活塞杆应变重构压力-容积图（p-V图）的无损监测方法，为传统侵入式方法破坏气缸完整性带来安全隐患的问题提供解决方案；③十字头销磨损、活塞杆松动的故障诊断方法，对不同程度十字头销磨损、活塞杆松动故障进行模拟试验，对比时频域分析研究十字头销磨损、活塞杆松动的故障机理、声发射信号和振动信号特征，提取故障特征识别故障程度；④基于压缩机内油-气压力“伴随”关系，国内外首次提出了集成声发射与油-气压无损监测的隔膜压缩机状态监测新方法，进一步根据油-气压力“伴随”关系的失调追溯故障根源；⑤基于增量式编码器的往复压缩机轴系扭振测试方法，基于增量式编码器构建了往复式压缩机扭振测试系统，为传统方法在现场实际应用时难于实施提出解决方案；⑥压缩机气流脉动和振动模态分析技术，隔振结构设计、管路结构设计，提供机组振动测试、诊断以及改进方案。 本项关键技术现阶段已授权国内发明专利 4 项，申请国际专利 2 项、国内发明专利10 项；应用于中海油海洋平台天然气压缩机；开发压缩机故障诊断仪，已在某加氢站压缩机调试中成功检测出气阀泄漏、膜片运动失效、活塞环磨损、溢油阀阀芯磨损等严重故障。 关键技术三：压缩机数据共享与健康管理云平台 构建压缩机及其辅助系统、零备件信息数字化管理平台；构建压缩机热力-动力-应力-寿命分析模块，集成监测数据评价机组运行状态；基于故障诊断技术，建立机组现场监测数据与健康/故障状态信息实时共享平台，打破机组现场与远程管理者之间的技术壁垒；实现压缩机核心部件维修预警、寿命预测，交互 GUI 界面集成可视化压缩机维修维保手册、指导视频、三维模型；压缩机全生命周期管理，显著提高运维效率和管理水平。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。

已有样品/n重点突破智能终端深度学习处理器芯片设计，研发并改进CNN、RNN 等深度学 习算法和技术，设计并研发Alex、Caffe、Torch等常用的深度学习架构。深度学习 处理器芯片支持CNN/DNN/MLP等主流深度学习神经网络算法，基于深度学习处理器 芯片的智能设备可运行手写数字识别等任务；深度学习处理器芯片处理imagenet测 试集图像分类任务达到30帧/s，芯片面积不超过60平方毫米，单芯片功耗不超过 20W，所研发的芯片性能功耗比超过目前智能终端所使用的主流CPU的100倍。最终 在

基于深度学习的图像识别云端服务平台，能够 通过云计算框架训练深度学习算法模型，对图像进行目标检测 和识别。平台拟采用云端 API 的形式，为其他客户端的提供简 单易用的图像识别服务，将目标识别应用到互联网及移动应用 场景中，推动移动互联网的进步。 该平台实现如下功能：1.模型训练：平台能够基于用户给 定的不同行业的数据，训练相应的精细化分类模型。2. 图像识 别：平台能够根据预先训练好的识别模型，对用户

研究目的和意义机器学习和人工智能已成为当今最热门的技术之一。2017年，国务院印发了《新一代人工智能发展规划》，正式将人工智能作为国家重要发展战略之一。人工智能已经成为信息技术时代的又一波浪潮。在这波浪潮的推动下，互联网行业、金融行业、传统制造业、政务民生、公安警务等各行各业都在积极向人工智能领域转型升级，利用人工智能先进技术提升智能分析和辅助决策能力，