|
搜索
搜 索
高等教育领域数字化综合服务平台
基于数字孪生模型的智慧桥梁管理系统
主要基于在役桥梁数量庞大、病害严重、数据管理混乱、维修决策困难等背景，针对桥梁群服役期间的健康管养问题，建立了基于数字孪生模型的桥梁群数据管理系统。项目展示包括移动端人工检测、无人机图像检测、水下检测、索力监测、桥梁动力特性识别及施工监控等多种实际应用场景，并依据桥梁的设计信息生成与实际桥梁一致的虚拟孪生模型。该模型能够实时集成、更新多源数据信息，及时反应当前桥梁构件、整体状况；并根据桥面交通荷载流量等荷载信息，通过数字孪生模型预测桥梁性能未来演化趋势，由此对实际桥梁管养提供预防性养护措施建议；本技术意在解决实际管养过程中纸质化、平面化的管养方法，优化数据管理混乱现状，并通过数字孪生模型实现桥梁群管养由被动养护向预防性养护转变过程。
东南大学
2021-04-11
基于最优模型的WEB舆情趋势预测方法
本发明公布了一种基于最优模型的WEB舆情趋势预测方法。该方法的基本思想就是首先对历史舆情事件进行分类获取舆情的几大类别，然后对分类获得的各个类别中事件的时间序列图进行聚类获取小类，通过保证均方误差和最小的方式求取各个小类的最优模型从而获取各个大类的最优模型集。
电子科技大学
2021-04-10
基于单幅图像的三维模型重建
Ø 计算机图形学、虚拟现实和电子游戏等领域的快速发展，导致对具有高度真实感的三维模型的需求与日俱增。本项目充分利用镜面对称约束，同时利用特征点作为位置约束以及添加透视投影等约束，通过最小化线性约束下的曲面二次目标函数实现曲面重建，最后进行纹理提取，从而获得逼真的三维模型。该技术具有输入信息简单，建模速度快，真实感强等优点，目前已经获得“基于单幅图像的光滑对称曲面重建方法”国家发明专利授权。
北京理工大学
2021-04-14
基于数字孪生模型的智慧桥梁管理系统
主要基于在役桥梁数量庞大、病害严重、数据管理混乱、维修决策困难等背景，针对桥梁群服役期间的健康管养问题，建立了基于数字孪生模型的桥梁群数据管理系统。项目展示包括移动端人工检测、无人机图像检测、水下检测、索力监测、桥梁动力特性识别及施工监控等多种实际应用场景，并依据桥梁的设计信息生成与实际桥梁一致的虚拟孪生模型。该模型能够实时集成、更新多源数据信息，及时反应当前桥梁构件、整体状况；并根据桥面交通荷载流量等荷载信息，通过数字孪生模型预测桥梁性能未来演化趋势，由此对实际桥梁管养提供预防性养护措施建议；本技术意在解决实际管养过程中纸质化、平面化的管养方法，优化数据管理混乱现状，并通过数字孪生模型实现桥梁群管养由被动养护向预防性养护转变过程。
东南大学
2021-04-13
尿的形成电动模型XM-D020
XM-D020尿的形成电动模型
XM-D020尿的形成电动模型显示血液循环与尿的生成过程途径，尿的形成包括肾小球的过滤，肾小管、集合管的重吸收和分泌排泄三个连续的生理过程。
一、示教内容：
■ 模型的结构为肾单位（由肾小体和肾小管组成）。
■ 尿的生成过程是教学的难点及重点，模型的解剖部分突出了结构的特点，表现肾单位的结构及尿的生成过程。
■ 肾小球做剖面，近端小管，远端小管部分做剖面，集合管与乳头之间做剖面。
■ 尿的形成包括肾小球的过滤，肾小管、集合管的重吸收和分泌、排泄三个连续的生理过程
，此过程用灯光显示。
■ 在近端小管中显示葡萄糖和氨基酸等结构。
■ 在集合管和乳头管之间的剖面上显示无机盐、水分等结构。
二、技术参数：
■ 尺寸：47×16×72cm
■ 材质：PVC材料+铝合金边框
三、标准配置：
■ XM-D020尿的形成电动模型：1台
■ 说明书：1册
■ 保修卡合格证：1张
上海欣曼科教设备有限公司
2021-08-23
XM-430眼球的发生模型
XM-430眼球的发生模型
功能特点：
■ XM-430眼球的发生模型由7部件组成，显示眼球的外形结构发生变化过程。
■ 在前脑泡突出左右两个眼泡，剥掉左半外胚层露出的眼泡并形成末端膨大部和较细的蒂。
■ 眼泡末端膨大内凹陷形成内外两层眼杯，由于在发育过程中上面和两侧面生长快在眼杯下方出现一缺口即脉络膜裂。（裂内有视网膜中央动静脉通过）
■ 在胚胎六一七周，脉络膜裂开始闭合眼杯形成完整的双层球状杯形体，杯口缩小成瞳孔眼杯前部发育形成视网膜盲部，后部发育形成视网膜视部。
■ 在胚胎四五周时覆盖眼杯表面的外胚层局部增厚即晶状板，在眼杯凹陷时晶状体板即随着突入眼杯内形成晶状体凹。
■ 胚胎六周至三个月之间，自视网膜前部生成次级玻璃体纤维，排列整齐将杯内的原始玻璃体压缩到中央部，这时玻璃体与眼球同时增长。
■ 四个月胎儿眼球解剖，眼杯周围的中胚层分化出内外两层后，外层致密的纤维形成巩膜，内层疏松的形成血管膜即脉络膜睫状体和虹膜，玻璃体动脉穿过玻璃体。
■ 眼睑和结膜的发生，眼睑和结膜均来自表面外胚层在胚胎第五周开始时眼的周围形成褶，褶的外层化成眼睑皮肤，内层分化成结膜。
■ 尺寸：放大
■ 材质：玻璃钢材料
上海欣曼科教设备有限公司
2021-08-23
新一代基座大模型GLM-4
项目负责人：唐杰，清华大学计算机系WeBank讲席教授、大模型研究中心主任，国家级人才，ACM/AAAI/IEEE Fellow。研究兴趣包括人工智能、知识图谱、数据挖掘、社交网络、大语言模型等。曾获ACM SIGKDD Test-of-Time Award（十年最佳论文）、IEEE ICDM研究贡献奖、国家科技进步二等奖。
运营团队：2019年，智谱AI成立，迅速形成以清华大学计算机系98级张鹏为CEO、高文院士弟子刘德兵为董事长、清华创新领军博士王绍兰等为核心的运营团队。
清华大学计算机系知识工程实验室李涓子、唐杰、许斌等人建立了完全自主知识产权的科技情报挖掘与智能服务平台，申请专利40余项。2019年，通过科技成果转化，北京智谱华章科技股份有限公司（以下简称“智谱AI”）成立，致力于打造新一代认知智能大模型，与学校合作研发了双语千亿级超大规模预训练模型GLM-130B，并基于此千亿基座模型打造了对话模型ChatGLM，具有双语、高精度、快速推理、可复现、跨平台等核心优势，在此基础上开源单卡版模型ChatGLM-6B，全球下载量已超过1000万次。
2024年1月，新一代基座大模型GLM-4正式推出，整体性能相比上一代大幅提升，比肩世界先进水平。它支持更长上下文，具备更强多模态能力，推理速度更快，支持更高并发，大大降低推理成本。同时，GLM-4的智能体能力得到大幅提升，可根据用户意图，自动理解、规划指令以完成复杂任务。GLMs个性化智能体定制功能亦同时上线，用户用简单提示词指令即能创建属于自己的GLM智能体，由此任何人都能实现大模型的便捷开发。
清华大学
2025-05-16
基于深度学习的新冠病毒的早期检测筛查模型系统
西安电子科技大学计算机科学与技术学院智能软件与系统新技术研究所副教授张亮团队依托上海瑞金医院、西安交通大学第二附属医院等的新冠肺炎疑似、确诊患者肺部CT影像，通过综合分析新冠肺炎患者的肺部CT影像特点（磨玻璃、体积大小、位置等特征），张亮团队加快技术攻关，设计开发了基于深度学习的新型冠状病毒的早期检测筛查模型系统。
西安电子科技大学
2021-04-10
一种混合模型及基于混合模型的连铸漏钢预报方法
简介：本发明公开了一种用于连铸漏钢预报的混合模型，属于冶金连铸中监控技术领域。混合模型包括：基于GA‑BP神经网络的单偶时序模型和基于逻辑判断的组偶空间模型。该预报方法的步骤为：1)监控结晶器温度并存储数据；2)将数据输入单偶时序模型，判断每个热电偶温度随时间变化是否符合粘结时温度变化波形，将判断结果保存到数组Y(i,j,t)中；3)当Y(i,j,t)在阀值范围[θmin,θmax]内时，标记该热电偶异常，计算第i行、i‑1行异常热电偶数目分别为m、n；4)利用m+n与粘结报警和粘结警告热电偶数目阀值比较进行粘结判断。本发明实现了提高粘结性漏钢识别精度的目标。
安徽工业大学
2021-04-11
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10