本发明公开了一种基于自组织映射模型的云软件性能异常错误 诊断方法，包括：追踪记录待检测的软件在云环境中运行时的系统调 用信息；分析出现性能异常的虚拟机上软件运行时系统调用序列，划 分每个进程对应的系统调用序列；根据划分得到的进程系统调用序列 建立检测模型，并对可疑进程进行异常检测；计算出现异常的进程中 最相关的系统调用，排序后输出。本发明能够准确完整地记录软件运 行时的行为，能够自动化建模并且检测出异常的系统运行过程

本发明公开了一种高强钢热成形差异化力学性能分布柔性控制 方法，包括如下步骤：(1)在高强钢坯料成形后需获得具有高强度的位 置表面涂覆涂料；(2)将坯料置于加热炉中加热使涂覆涂料区域完全奥 氏体化而未涂覆涂料区域非奥氏体化或非完全奥氏体化；(3)将坯料从 加热炉中取出快速转移至成形模具上；(4)闭合模具使坯料成形并冷却， 涂覆有涂料的区域冷却后发生相变得到完全的马氏体组织，强度提升 塑性下降，未涂覆涂料的

基于该实验室所发展的位点特异蛋白质 - 聚氨基酸偶联技术 (J. Am. Chem. Soc. 2016, 138, 10995−11000) ，以干扰素 -α2b （一种抗病毒和抗肿瘤药物）为模型药物蛋白合成了头 - 尾相接的干扰素 - 聚氨基酸大环偶联物，并将其与野生型干扰素， 2 个线型干扰素 - 聚氨基酸偶联物，以及 1 个线型干扰素 -PEG 偶联物平行比较。研究结果表明，无论在细胞实验还是动物实验层面，干扰素 - 聚氨基酸大环偶联物的药学性质均明显优于其他对照组。最为特殊的是，大环偶联物不仅仅具有传统蛋白质 - 高分子偶联物的典型优势如长循环时间和高肿瘤滞留，还有环状多肽药物特有的高肿瘤渗透性。由于这一系列的优异性质，干扰素 - 聚氨基酸大环偶联物最终在多个动物模型中都表现出优异的抗肿瘤活性，其抑制肿瘤生长效果明显优于实验对照组（包括野生型干扰素， PEG 偶联物和线性聚氨基酸偶联物）。

本发明公开了一种化合物3-氟-4-羟基-5-硝基-1-苯基丁酮及其制备方法和农用生物活性。在反应器内加入硝酸和乙酐，搅拌一段时间后将反应液降温至0到20℃，加入3-氟-4-羟基-1-苯基丁酮，反应一段时间向反应混合物加入水，再加入乙酸乙酯萃取多次，从有机相获得目标化合物。该化合物对苹果腐烂、白菜灰霉等植物病原菌具有较高的抑制作用。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。

赋能·协同·卓越：服务高等教育强国建设

南方科技大学材料科学与工程系讲席教授王湘麟课题组在基于纳米石墨烯的高性能单原子电催化剂、C60衍生物高效储锂、CSPbBr3量子点铁电性质研究等取得重要进展。相关论文发表于Nano Energy(IF：15.548)；ACS nano (IF：13.903)；《美国化学会志》（Journal of the American Chemical Society，IF：14.695)。 发展高效稳定的非铂基电催化剂对质子交换膜电池等清洁能源转换装置的大规模应用具有关键作用。王湘麟团队基于结构明确的纳米石墨烯，合成了单原子铁-氮-碳氧还原催化剂，其催化活性接近商业Pt/C，并具有高循环稳定性。我校物理系副教授徐虎和物理系博士后黄祥构建了理论计算模型并模拟电催化反应过程。 在锂电池电极材料方面，王湘麟团队与台湾大学高分子科学与工程研究所教授王立義(Wang Leeyih)团队合作，基于C60衍生物开发高性能的储锂材料，研究论文发表于ACS Nano。 王湘麟团队与吉林大学化学学院袁宏明教授合作，首次发现全无机卤化物钙钛矿CsPbBr3量子点具有出色的铁电性，研究论文发表于《美国化学会志》。