随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。

XM-655E脑干脑神经核及脑神经 XM-655E脑干脑神经核及脑神经根据脑神经核纤维的分布、功能和发生来源，将脑神经核用各种颜色加以区分，深红色代表体躯传出（运动）核柱，黄色代表一般内脏传出（付交感）核柱，粉红色以示特殊内脏传出核柱，蓝色代表一般体躯，内脏和特殊内脏传入（感觉）核柱，黑绿色代表特殊体躯传入核柱，延髓背侧的薄、楔束核亦用蓝色表示，中脑红核用橙黄色，黑质用紫色，脑神经纤维鱼核柱颜色一致。 尺寸：放大，30×23×45cm 材质：优质铁丝

XM-655E脑干脑神经核及脑神经   XM-655E脑干脑神经核及脑神经根据脑神经核纤维的分布、功能和发生来源，将脑神经核用各种颜色加以区分，深红色代表体躯传出（运动）核柱，黄色代表一般内脏传出（付交感）核柱，粉红色以示特殊内脏传出核柱，蓝色代表一般体躯，内脏和特殊内脏传入（感觉）核柱，黑绿色代表特殊体躯传入核柱，延髓背侧的薄、楔束核亦用蓝色表示，中脑红核用橙黄色，黑质用紫色，脑神经纤维鱼核柱颜色一致。 尺寸：放大，30×23×45cm 材质：优质铁丝

本成果围绕光伏并网系统电能质量展开。基于深度学习算法，研究谐波等电能质量指标变化规律，运用特征提取技术处理时序数据，实现电能质量预测。研发基于态势感知的电能质量调控装置，总谐波补偿率不小于 90%，补偿次数 2 - 50 次。成果形式包括研究报告、调控装置示范应用，申请发明专利 3 项，发表论文 3 篇。应用场景涵盖光伏电站、配电网等，可提升电网可靠性与经济性，减少设备损耗、优化调控策略、降低弃光率，为新能源消纳提供支撑。

XM-305B上肢肌肉附主要血管神经模型   XM-305B上肢肌肉附主要血管神经模型由上肢肌、三角肌、肱三头肌、肱桡肌、旋前圆肌、指浅屈肌、臂丛和腋动脉等7部件组成，显示上肢带肌、臂肌、前臂肌前群、后群和手肌等结构，共有79个部位数字指示标志及对应文字说明。 尺寸：自然大，85×23×18cm 材质：PVC材料

XM-618神经元放大模型   XM-618神经元放大模型可拆分为2部件，置于基板上，显示神经元、突触、有髓及无髓神经纤维立体超微结构。 尺寸：放大，30×42×12cm 材质：PVC材料

XM-628自主神经解剖模型   XM-628自主神经解剖模型按成人实际标本大小塑制而成，显示自主神经系统结构全貌，自主神经系统由交感神经和副交感神经组成，模型中交感神经呈黄色，副交感神经呈白色。显示的结构：大脑、面神经、三叉神经、额神经、泪腺神经、眶下神经、牙神经 、舌神经、气管、食管腮腺、舌下腺、甲状腺、颈内动脉丛、颈神经、主动脉、腔静脉  肺动静脉 、心  、心丛  灰白交通支、腹腔神经、腰骶神经节、肠系膜神经等。 尺寸：自然大，30×12×86cm 材质：PVC材料

XM-639脑神经在头颈部分布模型（十二对脑神经）   XM-639脑神经在头颈部分布模型（十二对脑神经模型）上带部分颅底，眶的上壁和外侧壁已剖掉，暴露出眼球、眼球外肌和眶内神经、下颌支及部分颞骨、颈部浅层肌除去暴露出脑神经在颈部的分布；颅底内面可见十二对脑神经出入颅底孔裂的情况，在正中面上，上鼻甲粘膜内可见嗅神经丝穿筛孔进入嗅球，切开鼻腔外侧壁暴露翼腭神经节及其分支；眶内显示眼球、眼球外肌， 动眼神经、滑车神经、展神经、三叉神经眼支和睫状神经节的位置的分布；下颌支及颞骨一部已切去，显露三叉神经的上颌神经，下颌神经的走行、分支、分布和下颌下神经节；面神经在面神经管内分出岩大浅神经和鼓索的情况，舌咽神经、迷走神经在颈部走行、分布情况，副神经支配胸锁乳突肌和斜方肌，舌下神经进入舌内等情况。 尺寸：放大2倍，42.5×15×40cm 材质：PVC材料

XM-627椎管内部脊髓神经模型 （脑脊髓与周围神经解剖模型）   XM-627椎管内部脊髓神经模型（脑脊髓与周围神经解剖模型）显示自然位置的脑、脊髓、脊神经与椎管的形态、结构、位置关系。椎管由游离椎骨的椎孔和骶骨的骶管连成，上接枕骨大孔与颅腔相通，下达骶管裂孔而终。其内容有脊髓、脊髓被膜、 脊神经根、血管及少量结缔组织等，脊神经共31对，连接在脊髓上的神经，分布在躯干、腹侧面和四肢的肌肉中，主管颈部以下的感觉和运动。 尺寸：73×25×16cm 材质：PVC材料

1.采用“智能识别，无需额外定位技术”，印刷要求低，使用方便 本系统采用国内目前最先进的“智能识别”技术，答卷设计无需增加额外的定位点、定位线或同步头，也不需要以答题区域的边框、转角等作为定位识别符，确保了不因答题区域的线框偏移、变形、模糊或断线等因素影响扫描识别的稳定性及准确率。且系统中设置了自动识别偏移、折角检测、双页进纸等。 2.试卷纸张适应性好，支持超薄、加长纸扫描 本系统支持使用50克以上普通纸，以复印、速印或胶印方式双面印制答卷，2010年安徽中考各科试卷在本系统中均顺利通过扫描。 3.支持任意答题卷或答题卡的扫描、阅卷 由于采用了“智能识别”技术，本系统可做到在预先不知答题卡设计的情况下对任意答题卡或答题卷的顺利扫描和阅卷工作。2010年安徽中考阅卷成功使用本系统即是很好的例证。 4.互联网阅卷优势明显 本系统支持A4、A3及不规则尺寸的答卷扫描识，且A3答题卡在200dpi分辨率下，其双面扫描的影象文件容量不大于250K，这就确保了在当前互联网带宽不是很宽的情况下依然能够流畅的进行互联网阅卷；本系统不仅支持在局域网、广域网或互联网上进行阅卷，并且提供B/S和C/S结构的可选系统，具有支持通过互联网实现教师在家里阅卷或跨地区学校联考远程网上阅卷功能； 5.分布式设计，轻松实现联考 本系统采用C/S结构，支持分点联合阅卷功能，可以轻松实现与其他同样应用本系统的兄弟单位一起进行联考阅卷。 6.答卷扫描与考生考号、客观题涂点识别同步完成，无须行进行二次识别操作 本系统在答卷扫描的同时即完成客观题答案的准确识别，当扫描完成时，客观题的识别工作即全部完成，有利于及时发现扫描过程中出现的异常情况，便于及时进行查错和纠错操作。如果采用严格定位技术设计的产品，扫描与识别分二次进行，先扫描后识别。 7.答题卷设计灵活，支持多种统计与分析 本系统支持单选、多选的客观题任意混排，不限制客观题答案选项的数量（原则上不少于26个）以及不限制答案的组合方式，同时支持客观题的题目和涂点混排。 本系统也支持主客观题部分的选做题（M选N，M≥N，如2选1、3选2等）评卷及数据处理功能，即系统可以自动识别选做的标识并进行处理；同一大题的不同选题应可以交由不同分组的老师独立评阅；且支持公共答题区域和8字码（七段码）识别，以最节省纸张的方式实现选项较多的选做题。 支持A、B卷的答题卡及常用条形码考生考号的自动识别，同时支持题卡合一和题卡分离的模式。 本系统支持评卷题目按照题组分组阅卷以及统计分析功能，从而实现对文综、理综中单个科目（如：政治、历史、物理、化学等）分科单独统计分析。 8.系统适应性强、容错性好 支持试卷印刷异常的特殊情况处理功能，确保在出现例如：试卷页码漏印、试卷印刷有倾斜、客观题涂点印刷不完整、试卷有小幅褶皱等情况下的正常扫描识别功能。 9.可实现与主流高速扫描仪的无缝对接 本系统设计使用底层协议实现与当前主流的高速扫描仪无缝对接，采用本系统不需要增加额外的图形加速卡，即可实现对答卷的扫描识别速度不低于扫描仪的标称值，实时性达到100%（即：正确识别的答卷扫描识别量 ≧ 扫描仪标称速度 X 实际扫描时间）。 10.支持典型试卷、电子化批注，便于课堂讲评 支持在试卷上做类似于人工阅卷评卷给分的给分标记，在标记时完成登分；试卷评阅的痕迹能以图像的方式保存在计算机系统中，并与阅卷过程中的标记及得分进行合成生成电子图像。 在评卷过程中对典型试卷可随时作标记，阅卷完成后方便调阅，使课堂讲解更直观、生动。