本发明提供了一种用于发动机尾气中的银掺杂钙镁复合储存还原催化剂及其制备方法和应用，本发明以ZSM‑5分子筛颗粒为载体，以可溶性镧盐和银盐为原料，碱性溶液为共沉淀剂，将La与Ag负载于分子筛颗粒表面，焙烧得到负载第一层的催化剂；将该催化剂置于溶解了氢氧化钙和氢氧化镁的丙三醇溶液中，向溶液内滴入氨水再加入硫醛或硫脲等有机物，将Ca、Mg和S负载于已负载有第一层催化剂颗粒的表面，干燥后得负载有两层活性组分的催化剂颗粒。所述催化剂可同时存储尾气中的硫氧化物和氮氧化物气体，可解决传统氮氧化物存储催化剂价格偏高、于含硫尾气中脱氮效率下降较快等技术问题，且本发明合成工艺简单，缩短合成周期，降低生产成本。

本发明公开了丁苯羟酸在制备用于防治由植物病原菌引起的植物病害的杀菌剂中的用途，本发明通过室内毒力测定，证明了丁苯羟酸对植物病原真菌具有良好的抑制活性。丁苯羟酸作为杀菌剂，具有高效和低毒的优点，适合于植物病害化学防治的要求。目前大量杀菌剂的使用，导致病原菌的抗药性增强，而且传统的杀菌剂对环境污染大、残留高，直接威胁着人类的食品安全。而丁苯羟酸是一种可降解、无污染、对环境友好的小分子化合物，并且其抗药性差、对非靶标生物及人畜安全，能够保证农产品及果蔬的高品质，符合可持续发展的要求，其研究和市场应用前景广阔。

本发明公开了双氯芬酸钠在制备用于防治由植物病原菌引起的植物病害的杀菌剂中的应用，本发明通过室内毒力测定，证明了双氯芬酸钠对植物病原真菌具有良好的抑制活性。本发明首次提出将双氯芬酸钠作为杀菌剂，具有低毒和高效的优点，适合用于植物病害化学防治的要求。传统的化学杀菌剂对环境的污染大、残留高，对食品安全有严重威胁。双氯芬酸钠是一种环境友好的小分子化合物，可降解、无污染，并且植物病原真菌的抗药性低、对非靶标

我国水处理技术起步较晚，大部分是剖析、仿制或依据国外专利研制的，再加上我国水处理剂工业发展历史较短，科研经费有限,因此具有基础薄弱、技术比较落后、整体水平不高的特点。虽然经过“八五”、“九五”攻关在水处理药剂开发方面达到了较高水平，但是随着环保和节水意识的加强，在水处理药剂的低磷化、环保化方面，在水处理药剂生产的连续化、自动化、标准化方面，水处理药剂

本发明公开了一种不含粘结剂的生物有机无机"全元"复合微生物肥料及其制备方法和应用,属于农业高新技术.所用肥料原料为粉粹过筛的生物有机肥和粉粹后的无机化肥;生物有机肥所用菌株为解淀粉芽孢杆菌Bacillus amyloliquefaciens SQR‐9;所用化肥为硫酸铵,过磷酸钙和氯化钾.工艺流程为将原料根据养分需求配比混匀,加入圆盘造粒机,间歇性喷雾造粒,分筛,最终在温度≤50℃条件下烘干至含水质量比低于20%,包装即为商品生物有机无机"全元"复合微生物肥料.此工艺大大降低了生物有机无机肥的生产成本,操作简单,肥料成粒率好,造粒效率高 。

本发明公开了季铵盐型阳离子聚电解质-阴离子表面活性剂复合物的制备方法及用途。首先采用溶液滴定络合的方式制备季铵盐型阳离子聚电解质-阴离子表面活性剂复合物，后将其溶解在有机溶剂中，将其涂覆在支撑层上，烘干得到季铵盐型阳离子聚电解质-阴离子表面活性剂复合物渗透汽化优先透醇膜。季铵盐型阳离子聚电解质-阴离子表面活性剂复合物内部的离子交联结构能够有效抑制该渗透汽化透醇膜在醇/水料液中的过度溶胀，保持膜的稳定性；同时，表面活性剂的疏水长链和聚电解质的疏水主链，能提供膜对醇的优先选择吸附。因此，该类优先透醇膜制膜方法简单易行、成本低廉，具有良好的工业化应用前景。

本发明公开了格列本脲在制备用于防治由植物病原菌引起的植物病害的杀菌剂中的用途，本发明通过室内毒力测定，证明了格列本脲对植物病原真菌具有良好的抑制活性。格列本脲作为杀菌剂，具有高效和低毒的优点，适合于植物病害化学防治的要求。目前大量杀菌剂的使用，导致病原菌的抗药性增强，而且传统的杀菌剂对环境污染大、残留高，直接威胁着人类的食品安全。而格列本脲是一种可降解、无污染、对环境友好的小分子化合物，并且其抗药性差、对非靶标生物及人畜安全，能够保证农产品及果蔬的高品质，符合可持续发展的要求，其研究和市场应用前景广阔。

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。