产品详细介绍系统概述： 教育资源系统为全体教师提供一个教学资源和专题资源的共建和共享平台，汇集优质教育资源，提高优质教育资源的利用率。 该系统是数字化学习平台(数字化学习背景和概念解释详见“网络课程系统”概述)和教师研修平台的核心成员系统，课程和主题教研等很多应用系统也都依赖该系统。 系统特色： 所有资源文件都统一进行格式转换或转码处理，确保任何格式的文档都被转换成统一的pdf文件，任何格式的视频都被转码成mp4格式，并且打上客户方水印； 系统支持跟JMS异步消息系统通讯；系统支持QUEUE队列系统，用于转码排队，由JMS消息系统来统一调度； 采用“教育社区”模式，建成一个“上传、转码、审核、上线、预览、购买、评价、应用”为主轴的教育交易市场，优胜劣汰，符合《教育 信息化2.0行动计划》利用平台模式实现资源“众筹众创”的指导方向； 重视一线教师的资源建设参与力度，改变数字教育资源自产自销的传统模式，鼓励教师“先共享，再自创”，解决资源供需瓶颈问题； 严禁重复上传，同一个教育资源除了在资源平台可以调用之外，还能被网络课程、主题教研、评课和作业等其它应用系统引用，大大提高了教育资源的利用率。

上海皮赛电子有限公司研发STC IAP15W 8051 MCU学习板。

产品特点： 4.5寸LCD液晶显示屏,全自动微电脑控制系统，多级菜单式操作，操作简单，灵敏度高； 集成三路水质在线监控，实时在线监测源水、RO和UP三路水质，可定时、定质取水; 配备USB接口，支持历史告警记录和历史取水记录的数据导出功能； 系统具备密码设置保护功能，多级权限设定； 全自动RO膜防垢冲洗程序，手动、自动冲洗功能，可延长RO膜使用寿命，保持低细菌污染状态； 超纯水循环系统可自由启动、关闭，保持低细菌污染状态。 超大容量一体化两柱超纯化柱组模块。 采用德国贺利氏（Heraeus)185/254nm双波长紫外杀菌。 磨砂面卡接式强化预处理组件，维护更便捷； 采用低压24VDC为主电源供电，水电分离布局，符合安全规范，高强度工程塑料机箱，杜绝腐蚀生锈； 采用先进的电磁兼容设计，具有抗干扰能力强，噪音小等特点。   技术参数 产品名称 基础型 除热源型 超低有机物型 超强组合型 产品型号 Biosafer-TA Biosafer-TB Biosafer-TC Biosafer-TD 工作条件 源水城市市政自来水（TDS≥300时增配强化前处理单元）；温度5～45℃；源水压力：1-5Kg/cm²；电源：220V  50Hz；功率：30～80W 制水量 台式：5L/h、10L/h、15L/h、20L/h、30L/h、40L/h；落地式：40-150L/h 产水水质标准 水质符合中国国家实验室用水规格（GB6682-2008）Ⅲ、Ⅰ级标准，美国ASTM、NCCLS、CAP标准；吸光度（254nm，1cm）≤0.001； 纯水水质 电导率≤1μS/cm@25℃,电子截留率：96-99%，有机物截留率：＞99%，双级反渗透电导率≤1μS/cm@25℃，水质标准优于中国国家实验室用水（GB6682-2008）三级水标准 超纯水水质 电导率≤0.055μS/cm@25℃；电阻率18.25ΜΩ·cm@25℃，水质标准优于中国国家实验室用水（GB6682-2008）一级水标准 取水流速 RO纯水2L/min UP  超纯水：1.8L/min 热源 / ﹤0.001Eu/ml ﹤0.02Eu/ml ﹤0.001Eu/ml TOC ﹤10ppb ﹤5ppb ﹤3ppb ﹤3ppb 微生物 ﹤0.1cfu/ml 微颗粒 （大于0.2μm）含量﹤1/ml 应用领域 适用于标准级实验、高纯标准溶液配制、定量分析、血液检测、毒性检测、缓冲溶液配制、原子吸收/发射光谱、液相色谱、气象色谱等 适用于分子生物学及生命科学、动物细胞及植物细胞培养，组织培养，电泳凝胶分析，生物工程，培养基设备等 适用于痕量分析，高效液相色谱，离子色谱，气质相联，总有机碳(TOC)分析，有机物分析，毛细管电泳，微电子部件清洗，毒理学研究，环保实验分析等 适用于环境分析实验，物理学电化学及界面研究，各种高精度仪器分析，分子生物学及生命科学，试管婴儿，组织培养，动物及植物细胞培养，双向电泳实验，蛋白质纯化，氨基酸分析基因研究

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

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，

1.痛点问题 新材料的设计与研发往往面临挑战：急需的新材料难以快速筛选设计，而设计出的新材料又难以找到高效且低成本的合成配方，拥有合成配方的新材料又会面临规模化的长周期探索。根据国家工业和信息化部对30余家大型骨干企业调查结果显示，130种关键材料中，有32%国内完全空白、54%虽能生产，但性能稳定性较差、只有14%左右可以完全自给，亟需新思路来解决我国新材料研发难题。本项目着眼于新材料研发，希望通过创建目前业内空白的智能化新材料研发范式，引领行业智能材料开发自动化服务与工艺的开发。 在数字化、智能化浪潮中，国家和各行业的产业界都非常看重科研的智能化升级。通过持续的交流与调研，我们发现许多企业和研发团队目前对智能研发存在大量潜在需求，而智能研究服务与工艺的同类竞品极少。因此，清华智研将作为一家高新科技企业，以AI赋能研发（AIEmpoweringResearch&Development）为使命，组建国际顶尖水平团队，向国内引进并自主开发世界前沿的AIforScience技术，打造世界级的AI未来实验室（World-ClassAIFutureLab）。 2.解决方案 本技术为新材料研发数字化智能服务平台，可在材料研发过程中对各个尺度以及不同研发阶段下进行智能化的加速及分析服务。以各种人工智能算法为核心，如主动学习算法，图神经网络，卷积神经网络等，我们根据不同材料体系的尺度包括三大方面：1.针对分子及晶体等微观尺度的功能材料研发，设计智能化的深度学习系统。2.针对二维功能材料及其功能性器件、催化剂、膜材料等宏观尺度，设计智能化的深度学习系统。3.针对功能材料研发的表征仪器等平台尺度，设计智能化的系统解决方案。这些智能化解决方案能极大地加速新材料尤其是碳中和相关材料的研发速度，从而大大地降低研发成本与时间，为企业获得有竞争优势的科研壁垒。 自动化和人工智能助力未来智能实验室的方方面面，从样品制备（称量固体、添加液体、超声处理.等)，到合成（分配液体，控制温度，混合，测量pH值，干燥等)、表征（气相色谱，高效液相色谱，分光光度法等)，通过自动化/机器人的辅助，可以有效提高可重复性，提高信噪比，加快实验速度。通过人工智能技术，将实验数据转换为可操作的智能指导，快速浏览并利用复杂的数据，提升认知能力。 智能化研发平台 3.合作需求 拟成立公司推动该项成果的产业化进程，希望对接 1）工程化、产品化所需的资源； 2）新能源、新材料领域合作企业。