本发明涉及用于物件或物料贮存或运输的容器的加工领域，公开了一种用于套装大型液袋的全自动生产线，包括地轨、滑触线装置和贯穿每一个工位的运动单元以及依次设置的排料阀阀座安放工位、翻转工位Ⅰ、排气阀阀座/进料阀阀座安放工位、PE筒形薄料套装工位、PP筒形薄料套装工位、排气口/进料口切割工位、排气阀阀体/进料阀阀体装配工位、翻转工位Ⅱ、排料口切割工位、排料阀阀体装配工位和脱袋工位。本发明可实现多层PE筒形薄料和PP筒形薄料的自动套装、自动切孔、自动安放阀座和阀体并拧紧，最后自动脱袋，取代了大量的人工劳动，提高了生产效率；同时使产品生产的精度提高，保证了卫生情况，提高了产品质量。

本发明属于制冷剂技术领域，具体涉及一种制冷剂液滴的可视化测量装置和方法，装置包括：液滴进样系统，进样仓通过进样阀连接沿重力方向设置的毛细针管；高压可视化系统，毛细针管伸入与进样仓连通的观测仓；可视窗口设于观测仓相对侧壁，观测平台固定于观测仓内且在可视窗口间、毛细针管下方，热电效应半导体设于观测平台上；压力控制系统，电加热模块和半导体制冷片设于进样仓上，压力微控制单元与两者电联；光学成像系统，高速摄像机和光源设于可视窗口外，计算机与两者电联。与现有技术相比，本发明解决现有技术需高成本、操作复杂的高压进样设备且仅能测量液滴接触角。本方案通过液体工质的重力作用，实现高压环境下进样，不需高压进样设备。

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

成果描述：本实用新型涉及英语教学设备技术领域,尤其是一种用于英语教学展示板的快速固定装置,包括支撑板,所述支撑板的底部设置有支撑腿,所述支撑板的上表面中部开设有滑槽,所述滑槽内设会有两个滑块,所述支撑板的侧壁上开设有与滑槽侧壁连通的条形槽,两根所述支撑柱上均开设有安装槽,两个所述安装槽通过展示板连接,所述固定块上均开设有通孔,所述通孔的中部安装有固定板,所述弹簧的另一端与安装板的一侧中部固定连接,所述安装板远离弹簧的一侧安装有卡块,所述展示板上开设有与固定块匹配的固定槽,本实用新型结构简单,使用方便,便于调节,能够适用不同型号的展示板,并且能够快速安装,节约时间。市场前景分析：本实用新型涉及英语教学设备技术领域,尤其是一种用于英语教学展示板的快速固定装置,包括支撑板,所述支撑板的底部设置有支撑腿,所述支撑板的上表面中部开设有滑槽,所述滑槽内设会有两个滑块,所述支撑板的侧壁上开设有与滑槽侧壁连通的条形槽,两根所述支撑柱上均开设有安装槽,两个所述安装槽通过展示板连接,所述固定块上均开设有通孔,所述通孔的中部安装有固定板,所述弹簧的另一端与安装板的一侧中部固定连接,所述安装板远离弹簧的一侧安装有卡块,所述展示板上开设有与固定块匹配的固定槽,本实用新型结构简单,使用方便,便于调节,能够适用不同型号的展示板,并且能够快速安装,节约时间。与同类成果相比的优势分析：国内领先

本实用新型公开了一种基于翻板阀控制截流管道流量的截流井，它包括截流井构筑物，所述截流井构筑物内设有合流管道，所述截流井构筑物还连接有截流管道，所述截流管道内通过转轴设有翻板，根据截流井内水位的变化所述翻板通过转轴相对于截流管道转动；所述翻板上转部分可以完全覆盖管道，下转部分与截流管道管壁有间隙，且翻板下转部分距离截流管道的最小距离为H。本实用新型结构简单、制造容易、成本低廉、无需电力、无需任何精密设施、完全由水力自动控制翻板阀的旋转，发生溢流时截流管道的流量很小。

本发明属于 3D 打印技术领域，具体公开了一种埋入式电路板复 合 3D 打印方法，结合选区激光熔化(SLM)和选区激光烧结(SLS)两种 3D 打印方式，利用 SLS/SLM 成形装置，依靠送粉喷头和吸粉喷头实 现各层中绝缘非金属粉末和导电金属粉末在绝缘基板区域和导电线路 区域的选择性分布，经过建模、切片、铺粉、吸粉、送粉、激光扫描 成形等主要成形步骤，制造出免凹槽加工的埋入式电路板。本发明利 用 3D 打印技术可成

本发明公开了一种高压反应釜用复合搪瓷板的制备方法及其产 品，属于复合搪瓷板领域，其包括如下步骤：S1 对搪瓷钢和高强钢的 结合面进行清理，使结合面无氧化铁皮；S2 将结合面清理洁净的搪瓷 钢和高强钢采用点焊方式焊接为一体，获得待轧制坯体，接着对待轧 制坯体进行再加热，所述再加热的出炉温度为 800℃～850℃；S3 对经 过再加热的待轧制坯体进行轧制，获得搪瓷钢和高强钢结合面冶金结 合良好的复合钢板；S4 在所述复合

本实用新型涉及基质辅助激光解吸电离飞行时间质谱仪中实验仪器制样技术领域，尤其涉及一种用于样品固定在片状载体原位检测的MALDI靶板，包括固定或承载样品的载样片，载样片中间位置为样品区，还包括设有载样凹槽腔的靶板主体，载样片放在载样凹槽腔内，靶板主体与载样片之间设有导电胶层。本实用新型与传统的方法相比，不必预先溶解在溶剂中，省去耗时的样品溶解或稀释过程，有较强的实用性。现市场上尚无针对于样品固定在片状载体原位检测的MALDI靶板，本实用新型解决了固定在载体平面上的样品不利于检测的问题，实用性强。本实用新型具有结构简单、操作方便、外形美观、实用性强、生产制造成本低等优点。