本发明公开了一种硅烷偶联剂修饰二氧化钛纳米管阵列材料及其制备方法和应用。该硅烷偶联剂修饰二氧化钛纳米管阵列材料主要由二氧化钛纳米管阵列、硅烷偶联剂、有机溶剂和冰醋酸混合后反应得到，可应用于处理含有机污染物和/或重金属污染物的废水中。本发明的硅烷偶联剂修饰二氧化钛纳米管阵列材料氧化还原能力强，可同时去除有机污染物和重金属污染物，且去除效果好，可反复使用。

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。

动脉粥样硬化性心血管疾病的发病率和病死率逐年上升，已经成为威胁我国人民健康的主要问题。

近日，上海交通大学电子系义理林教授课题组基于智能锁模算法、时间拉伸技术和实时高速电路建立的实时光谱分析控制平台，实现了锁模激光器输出飞秒脉冲的实时光谱调控，对飞秒激光器的设计具有重要的应用价值。相关成果以“Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis”为题目于2020年1月发表于国际光学顶尖期刊《Light: Science & Applications》（中科院长春光机所与Nature出版集团合办期刊），并入选为封面文章，在“News & Views”栏目被专门评述。博士生蒲国庆为第一作者，义理林教授为通信作者。 图说：期刊封面文章 飞秒尺度（1E-15秒）脉冲对应着原子分子、材料、生物蛋白、化学反应等丰富物质体系的众多超快过程，有着广泛而重要的应用。锁模激光器作为产生飞秒脉冲的重要基础研究工具，在物理、化学、生物、材料、信息科学等领域都有广泛的应用。飞秒锁模激光器自上世纪六十年代发明以来，与其相关的研究分别于1999，2005，2018年获得过诺贝尔奖。 随着超快光学的快速发展，越来越多的前沿应用需要对飞秒脉冲的时域和光谱进行精细控制。由于飞秒脉冲的产生涉及非常复杂的非线性和色散传输效应，达到特定脉冲状态的稳态输出需要对激光器多个参数在高维空间进行优化，传统基于激光器光学设计和优化的方法已被证明难以精确实现。 通过对飞秒脉冲状态进行智能识别，结合智能算法对激光器多参数进行全局优化，有望获得理想的飞秒脉冲输出，但其主要挑战在于飞秒脉冲难以实时精确识别。低速时域采样无法识别飞秒脉冲宽度和形状，光谱仪虽可识别飞秒脉冲积分光谱但无法识别其瞬时光谱，因此传统方法都无法做到实时控制飞秒脉冲精确锁模状态。为了解决这一难题，义理林教授课题组提出在锁模控制环内引入时间拉伸-色散傅里叶变换（TS-DFT）技术，通过时域到光谱的转换，采用低速时域采样即可识别飞秒脉冲对应的瞬时光谱宽度和形状。结合智能控制算法，实现了以1.4nm为精度对飞秒脉冲光谱宽带从10nm到40nm进行可编程控制，光谱形状可编程为高斯型或三角形等。这是本领域首次实现飞秒锁模脉冲光谱宽度和形状高精度实时编程控制，解决了飞秒锁模脉冲锁模状态无法精确调控的难题。 基于实时的光谱控制，该研究还展示了从窄谱锁模态至宽谱锁模态以及从三角形光谱脉冲态至宽谱锁模态的演变过程，发现两者动力学过程具有相似性，提出了目标锁模状态可能决定中间动力学过程的猜想，为人们进一步探索锁模激光器内部机理提供新视角。 图说：基于快速光谱分析的飞秒锁模脉冲智能控制 非线性光学著名专家John Dudley教授（欧洲物理学会主席，IEEE/OSA Fellow）在《Light: Science & Applications》的“News & Views”栏目撰文介绍此项工作，认为本工作极具创新性，开拓了研究锁模动力学新的可能性，很可能应用于多种锁模光纤激光器中。 义理林教授课题组过去六年来一直致力于解决飞秒锁模激光器的智能控制问题，2019年发表在光学领域顶级期刊《Optica》的“智能锁模激光器”成果入选美国光学学会旗下新闻杂志《Optics & Photonics News》2019年光学年度进展“Optics in 2019”。该方向工作部分得到国家自然科学基金（61575122）的支持。《Light: Science & Applications》论文全文https://www.nature.com/articles/s41377-020-0251-x《Light: Science & Applications》“New & Views”评述论文https://www.nature.com/articles/s41377-020-0270-7

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

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。

本发明公开了一种硅烷偶联剂修饰二氧化钛纳米管阵列材料及其制备方法和应用。该硅烷偶联剂修饰二氧化钛纳米管阵列材料主要由二氧化钛纳米管阵列、硅烷偶联剂、有机溶剂和冰醋酸混合后反应得到，可应用于处理含有机污染物和/或重金属污染物的废水中。本发明的硅烷偶联剂修饰二氧化钛纳米管阵列材料氧化还原能力强，可同时去除有机污染物和重金属污染物，且去除效果好，可反复使用。