项目成果/简介:长牡蛎“海大1号”是我国培育的第一个牡蛎新品种，填补了我国牡蛎良种培育的空白。中国海洋大学自2006年在国内率先开始了长牡蛎快速生长系的选择育种，以山东乳山海区自然采苗养殖的长牡蛎为基础群体，基于群体选育、辅以分子标记辅助育种，采用有效繁殖亲本数量控制、选育群体世代遗传参数与选择效应评估以及选育世代遗传多样性监测等多项关键技术，通过连续6代成功培育出长牡蛎“海大1号”新品种。该新品种具有生长速度快、壳型规则等特性，目前在山东、辽宁、江苏等地养殖面积超过20万亩，取得了显著的经济和社会效益，有力推动了我国牡蛎养殖业的良种化进程。长牡蛎“海大2号” 新品种是中国海洋大学继培育我国第一个生长性状优良的长牡蛎“海大1号”新品种的基础上培育的长牡蛎第二个新品种。长牡蛎“海大2号” 新品种是以金黄壳色和生长速度作为选育目标性状，采用家系选育和群体选育相结合的混合选育技术，辅以分子标记辅助育种，经过4代培育而成。该新品种体重和出肉率可分别提高38%和25%以上，左右壳和外套膜均为色泽亮丽的金黄色（养殖户喜称“金牡蛎”“金蚝”），在北方沿海进行了示范养殖，深受育苗企业和广大养殖户的喜爱，大大提高了我国养殖牡蛎的品质和档次。长牡蛎“海大3号”新品种是以2010年从山东沿海长牡蛎野生群体中筛选出的左壳为黑色的个体为基础群体，以壳黑色和生长速度为目标性状，采用家系选育和群体选育相结合的混合选育技术，经连续6代选育而成。在相同养殖条件下，与未经选育的长牡蛎相比，10月龄贝壳高平均提高9%，软体部重平均提高64.5%，左右壳和外套膜均为黑色，黑色性状比例达100%。适宜在山东和辽宁人工可控的海水水体中养殖。项目阶段:工业化生产阶段效益分析:牡蛎是世界上养殖产量最大的海水养殖种类，世界年产量为400多万吨，产值近40亿美元，也是消费量最多的贝类产品。我国是牡蛎的故乡，牡蛎居我国四大经济贝类之首，年产量480多万吨，占世界牡蛎产量的4/5。我国牡蛎产量虽然很大，但产值仅占世界的1/4左右。在我国牡蛎价格仅为2-4元/kg，而在美国和欧盟国家的牡蛎价格却高达1~2 美元/个。虽然国外牡蛎价格昂贵，但我国每年却要从美国、澳大利亚等国家进口大量的牡蛎，来满足各大城市高档市场的需求。长牡蛎“海大1号”、“海大2号”和“海大3号”新品种品质优良，可作为进口牡蛎的替代产品，具有广阔的市场前景。预期投资500万元，养殖规模2000亩，产值2000~3000万元。知识产权类型:发明专利 、 软件著作权知识产权编号:GS-01-005-2013 GS-01-007-2016 ZL201410120162.9 GS-01-007-2018技术成熟度:通过中试技术先进程度:达到国内领先水平成果获得方式:独立研究获得政府支持情况:无

本发明公开了一种超疏水涂料的制备方法及其所得涂料和制备高透明超疏水涂层的应用，所述超疏水涂料的制备方法包括如下步骤：向容器中一次性加入一定体积的溶剂，共溶剂，催化剂，然后以一定转速搅拌一段时间，再向其中先后加入一定体积的硅酸酯和含氟硅氧烷，在室温的条件下，继续反应一定时间，即得所述涂料。本发明所制备的超疏水涂料可以通过喷涂、蘸涂、浸涂等方法，用于玻璃，纸片，钢铁等不同的基底上，所制备的涂层在可见光的范围内，透过率达到92％以上。与现有技术相比，不仅所制备的涂层制备方法简单，成本低廉，有利于大规模工业化生产，所制备的涂层具有多种用途，如车窗玻璃，摩天大楼光幕，手机和电脑屏幕等，有很大的商业价值。

长牡蛎“海大1号”是我国培育的第一个牡蛎新品种，填补了我国牡蛎良种培育的空白。中国海洋大学自2006年在国内率先开始了长牡蛎快速生长系的选择育种，以山东乳山海区自然采苗养殖的长牡蛎为基础群体，基于群体选育、辅以分子标记辅助育种，采用有效繁殖亲本数量控制、选育群体世代遗传参数与选择效应评估以及选育世代遗传多样性监测等多项关键技术，通过连续6代成功培育出长牡蛎“海大1号”新品种。该新品种具有生长速度快、壳型规则等特性，目前在山东、辽宁、江苏等地养殖面积超过20万亩，取得了显著的经济和社会效益，有力推动了我国牡蛎养殖业的良种化进程。 长牡蛎“海大2号” 新品种是中国海洋大学继培育我国第一个生长性状优良的长牡蛎“海大1号”新品种的基础上培育的长牡蛎第二个新品种。长牡蛎“海大2号” 新品种是以金黄壳色和生长速度作为选育目标性状，采用家系选育和群体选育相结合的混合选育技术，辅以分子标记辅助育种，经过4代培育而成。该新品种体重和出肉率可分别提高38%和25%以上，左右壳和外套膜均为色泽亮丽的金黄色（养殖户喜称“金牡蛎”“金蚝”），在北方沿海进行了示范养殖，深受育苗企业和广大养殖户的喜爱，大大提高了我国养殖牡蛎的品质和档次。 长牡蛎“海大3号”新品种是以2010年从山东沿海长牡蛎野生群体中筛选出的左壳为黑色的个体为基础群体，以壳黑色和生长速度为目标性状，采用家系选育和群体选育相结合的混合选育技术，经连续6代选育而成。在相同养殖条件下，与未经选育的长牡蛎相比，10月龄贝壳高平均提高9%，软体部重平均提高64.5%，左右壳和外套膜均为黑色，黑色性状比例达100%。适宜在山东和辽宁人工可控的海水水体中养殖。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

成果介绍超材料(Metamaterial),或其二维形式—超表面(Metasurface)由具有亚波长尺寸的人工原子周期或者非周期地排列而成,其描述方式可分为等效媒质和空间编码两种形式。由等效媒质描述的超材料(或超表面)我们称之为新型人工电磁媒质,由空间编码描述的超材料(超表面)我们称之为编码超材料(超表面)和数字超材料(超表面)。对于新型人工电磁媒质,人们通过自由设计单元结构、单元排列方式、以及单元各向异性,可以根据意愿控制等效媒质的媒质参数,实现自然界中不存在或者很难实现的介电常数和/或磁导率,进而控制电磁波。本成果对于新型人工电磁媒质对电磁波的调控作用,例如隐身衣、电磁黑洞、雷达幻觉器件、远场超分辨率成像透镜、新型透镜天线、隐身表面、极化转换器、人工表面等离激元器件及混合集成电路等。技术创新点及参数对于编码和数字超材料(超表面),我们提出基于空间编码调控电磁波的新思路。其中,一比特编码超材料选用相位差接近180度的两种基本单元(记为0单元和1单元),按照一定规律排列0和1单元构成超材料,以实现所需的设计功能。当电磁编码采用FPGA控制时,可实现现场可编程超材料,即单一的超材料在FPGA的实时控制下可实现多种功能(例如单波束、多波束、波束扫描、隐身功能等)。市场前景本成果获得国家自然科学二等奖。该项目突破传统模拟超材料的等效媒质表征方法，创造性地提出用 0 和 1 表征的数字超材料，建了数字编码和现场可编程超材料新体系；在国际上率先从微波传输线的角度研究人工 SPP 超材料，提出一种性能优越的超薄、可共形 SPP 传输线，开辟了基于 SPP 模式的微波领域新分支，实现了超材料研究从跟跑、并跑变成走在世界前列的跨越。

本发明公开了一种兼顾近场和远场性能的三维摄像声纳系统换能器阵列的稀疏优化方法，包括以下步骤：根据三维摄像声纳系统中近场数字波束形成算法的类型，确定三维摄像声纳系统的聚焦距离误差参数；利用聚焦距离误差参数确定近场稀疏优化能量函数；采用全局寻优算法，求解使近场稀疏优化能量函数达到最小的稀疏换能器阵列Q1；对Q1中开启的换能器进行二次稀疏优化，求解使远场稀疏优化能量函数达到最小的稀疏换能器阵列Q2；当声纳系统工作在近场状态时，使用Q1进行聚焦波束形成；当声纳系统工作在远场状态时，使用Q2进行远场波束形成。本发明能够在有效降低系统硬件复杂度的同时，保证系统在不同探测距离下都具备稳定的探测性能。

史延慧教授介绍，实验基于咪唑的双齿配体（1,4-双咪唑基苯（1）和1,3-双咪唑基苯（2））及三齿配体（1,3,5-三咪唑基苯（3））通过[2+2]及[2+3]配位驱动自组装与三种金属钌中心（[Ru2(µ-η4-OO∩OO)(h6-p-cymene)2](O3SCF3)2(OO∩OO =草酸根（oxa（4）），2,5-二氧基-1,4-苯醌（dobq（5））和5,8-二氧基-1,4-萘醌（donq（6）））反应，合成了6个四核矩形金属环7-12及3个六核三棱柱金属笼子13-15。生命科学学院张鹏副教授通过MTT实验发现配合物9,12和15对所测试的癌细胞系都有很高的抗癌活性，比顺铂更优，与阿霉素相当。文章探讨了细胞内摄取的效率是如何影响配合物9,12和15对癌细胞的细胞毒性和选择性的，结果发现化合物9的积累水平在三种配合物中最高，即与A549中的最低IC50值一致（1.14 μM）。为研究抗癌机制，测量了滴定ctDNA到钌配合物的溶液中的紫外-可见光谱，得出配合物9,12和15与双链ctDNA的结合能力是通过静电结合方式作用的。这种结合方式通常是由带正电的药物分子与DNA中带负电的磷酸部分相互作用导致的，而化合物9具有与ctDNA作用的最高结合常数Kb。

本成果可以应用在基于无人飞行器的导航、跟踪和三维重建等领域，方便在此类系统上构建起精确可调的双目立体视觉系统。目前，在无人机航拍领域，目前的云台系统多用于单个相机航拍，该设计正是弥补了双目相机航拍的需求，同时高精度的伺服系统有利于提高立体视觉标定精度。 本技术的目的在于克服现有技术的上述缺陷，提供一种基线长度和俯仰角度可以自动调节的无人双目立体摄像机，该设计具有高精度的伺服控制性能，可以精确调节基线的长度，从而改变两个摄像机共同可视范围的大小，能有效计算图像的深度信息，可以应用于机器人导航、目标跟踪、三维重建等领域。