本发明公开了一种桩板平面与立面交错组合的辅助消能工，通过在泄流堰下游的消力池内等距设置 3 级板桩结构，形成空间结构交错的板桩错位布置，使水流出现旋滚，达到多级辅助消能的效果;所述 板桩结构均由若干消能桩及其之间架设的高低板组成，布置于同一过水断面上。水流剧烈撞击板桩结构， 

在电力半导体模块的发展中，随着集成度的提高，体积减小，使得单位散热面积上的功耗增加，散热成为模块制造中的一个关键问题，而传统的模块结构（焊接式和压接式）已无法成功地解决散热问题。因此对处于散热底板和芯片之间的导热绝缘材料提出了新要求。目前，国内外电力电子行业所用此种材料一般是陶瓷-金属复合板结构，简称DBC板

（专利号：ZL 201410053248.4） 简介：本发明公开了一种周边设抗剪筋槽钢框架的钢筋混凝土板，属于建筑材料领域。该混凝土板包括混凝土、双层钢筋网、槽钢和抗剪筋，槽钢焊接成框架，抗剪筋点焊于槽钢，且与板平面成45度角，位于上层钢筋网钢筋端部对应的槽钢口内侧边缘位置，钢筋网由纵横向钢筋间隔均匀交错构成，且纵向和横向钢筋之间均为等间距设置，钢筋网作为板的骨架在板厚度方向分层布置，钢筋网四周焊接于槽钢框架，中间由混凝土包裹。本发明筋混

在处理高浓度工业废水时，，厌氧折流板反应器（ABR)工艺可以在一个反应器内实现一体化的两相或多相处理过程，但是，一体化反应器内污泥浓度低，两相分离困难，处理效果不稳定等问题一直阻碍着该技术的发展，而本发明通过 在传统ABR反应器增设斜管，通过斜管区的污泥沉淀作用，不仅有效减少了污泥流失，而且在酸化反应器和甲烷反应器斜管区以下形成了悬浮污泥层，污泥浓度得到提高。实现了产酸相和产甲烷相的分离，使得产酸菌和产甲烷菌能在各自的适应的生存环境下生存，能更好的发挥各自的作用，达到高效处理废水的目的。与普通的厌氧折流板反应器相比，设备内污泥浓度提高了约5%-12%，COD去除率提高了约5%-10%，更好的改善了污水的处理效果。

本发明公开了一种船舶双曲率外板空间定位标记方法及其标记装置，其方法包括以下步骤：1)在计算机上建立船舶的坐标原点信息；2)将爬行智能车的理论爬行路径以及船舶双曲率外板上需要标记的点的空间坐标输入给爬行智能车；3)爬行智能车吸附在船舶双曲率外板上并在船舶双曲率外板上爬行并做出修正；4)爬行智能车在船舶双曲率外板上做出标记。其装置包括计算机、空间定位装置、爬行智能车、安装在爬行智能车上的吸附机构、标记机构。本发明实现了爬行智能车在复杂双曲率外板上的吸附、爬行、标记功能，依托空间定位技术，实时监控爬行智能车姿态，修正偏差，保证爬行智能车爬行路线不发生较大偏差。

采用丰田ES300原车实物；可分别模拟左、右路及双路共同碰撞时的工作状况；可循环演示气囊的爆开过程；可对传感器进行检测，可设置故障，配电脑检测端子。采用普通220V交流电源，经内部电路变压整流转换成12V直流电源，无需蓄电池，减少充电的麻烦，12V直流电源有防短路功能。 材料要求：外观八成新；附件齐全；功能良好，如采用旧材料制作要求全部翻新。附设备使用说明书。 规格：1400×500×1700mm

实验室电路板制作的全能型选手ProtoMat S64 高速主轴可以完成精细的线路雕刻，最小线宽线距可达100um(4mil)，主轴故障率低。作为设备的有效补充，真空吸附台和焊膏分配器使得S64如虎添翼。 • 全自动操作系统 包含自动换刀 • 低维护成本的高转速主轴加工 • 一体化智能系统软件 • 摄像头靶标识别与铣刻线路宽度控制 • 大理石基台确保高精度 产品信息 主轴转速60 000 RPM 6万转的主轴转速，保证了精确的几何尺寸，也大大缩短了电路板加工时间。主轴的低故障率，究其原因，主要是因为气动自清洁功能和深度限位传感器的应用。花岗岩台面不限于温湿度的变化，形变小，基础精度高，大大保证了系统的高精度和被加工材料的一致性。 自动化功能：自动换刀、铣刻宽度自动调整功能、焊膏分配器 15把刀具随意更换——如有需要，在加工过程中，可以随意换取15个刀位上的任意刀具。刀具是锥型刀具，可以控制不同的切割深度，以获得不同的线路宽度。设备具备自动调整刀具切割深度的功能，一旦确认加工深度，即可得到恒定的线路宽度。这一功能，大大缩短了调刀时间，也使得无人值守得以实现。设备中的传感器，确保了精确的铣刻深度控制，并可以防止换刀撞刀现象。 2.5维加工 2.5维壳体加工 焊锡膏分配器 如需点焊锡膏，设备集成的分配器可以完全自动地将焊膏点到焊盘上，而不需要额外的编程处理。 传感器控制 设备中的传感器确保了精确的铣刻深度控制，并可以有效防止换刀撞刀现象。

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

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U型集热管超导液太阳能热水器。在水箱的一端设有集热管孔，U型集热管由集热内管和集热外管组成，集热内管的内置部分通入水箱内浸入水中，集热内管外置部分套装有集热外管，安装在抛物槽面的聚光线上，集热内管与集热外管间留有间隙，并呈真空状态，集热内管的内置部分向上倾斜，集热内管外置部分向下倾斜，集热内管管内装有超导液。集热管内的超导液受阳光照射，转变为高温超导液蒸气，进入集热内管内置部分，将水箱水加热，水吸热后使超导液蒸气一部分变为超导液再流回集热内管外置部分，超导液受到阳光照射再次蒸发，如此往复，实现将水加热。