癌细胞的快速增殖加上肿瘤血管的结构和功能异常，导致实体瘤内的区域氧气供应减少，形成缺氧微环境。研究证实缺氧与肿瘤高侵袭性特征、治疗抵抗以及临床预后不良密切相关。在缺氧条件下，缺氧诱导因子α（HIFα）的羟基化和泛素蛋白酶体降解减弱，因此HIFα稳定并转移到细胞核中，其与HIFβ形成异二聚体复合物，进而结合靶基因启动子中的缺氧反应元件（HREs）激活转录。HIFs是癌细胞适应缺氧环境最重要的内源性转录因子，可调节涉及增殖、葡萄糖代谢、血管生成、肿瘤侵袭和耐药的多种基因。因此，HIFs可以说是肿瘤中最有吸引力的药物靶标之一，进一步深入研究HIFs涉及的调控机制，有助于开发特异性靶向HIFs的肿瘤治疗新策略。

本发明公开了一种复杂背景环境中的风力机叶片表面图像提取方法，其包括如下步骤：(1)在风力机每个叶片的迎风面处分别设置方形黑白格标记图，粘贴的位置为平面且与叶片迎风面平行，进而利用标记图的姿态代替叶片姿态；(2)利用摄像头对风力机运行图像进行采集，并将采集到的图像实时传输至工控机中；(3)对摄像头采集到的图像信息进行图像处理以获得叶片表面图像，并根据叶片上的标记图获得风力机叶片信息。本发明可实现对野外环境中运行风力机叶片图像的提取，简化了分析处理过程、加快了分析速度。

该方案基于VR/AR/MR/虚仿/游戏等行业主流的核心技术，集聚行业主流应用的沉浸式、头戴式、桌面一体式、CAVE式等设备，融合基于润尼尔多年虚拟仿真、虚拟现实产品研发技术经验、技术优势的企业级别虚拟现实教学、实训案例，以复现企业真实工作线、对标行业岗位人才需求标准为技术要求，搭建软、硬一体化的综合实训环境。

该项目由东南大学生物科学与医学工程学院教授张天柱研究完成。 本项目将首先利用PDMS和PTFE为基本原料基于静电相互作用制备基本的粘合剂，再利用适当的交联剂进行原位交联进一步提升粘合强度，同时在其中添加具有光催化灭活病毒功能的TiO2 NPs，最终所获得纳米复合材料PDMS/PTFE/TiO2粘附体系，不仅有望在干燥或潮湿的环境中持续有效地粘附2019-nCoV病毒，而且由于TiO2NPs的存在，又进一步在光照下对捕获的2019-nCoV病毒实施杀灭。该粘附体系的操作方便和简单,有效工作时间可长达1年以上，期望能够满快速抑制2019-nCoV传播的迫切需求。该PDMS/PTFE/TiO2黏附剂既可以单独使用，也可以涂敷在各种基体的表面，如棉织品、化纤织品、塑料网和金属基材表面等，悬挂于公共场所（火车站、地铁通道、机场、商场等）的适当位置，通过对2019-nCoV病毒的捕杀将能够十分有效地阻止2019-nCoV病毒在空气中的传播。 该项目将显著提高公共出行场所病毒传染的抑制水平，降低医疗资源的消耗，提升我市的公共卫生健康水平。可向湖北省等疫区提供批量供货，从公共卫生预防的角度提供有力保障。同时作为低成本、可长期储存的公共卫生健康保障物资进行战略储备。本项目所产生的新技术和新产品必将极大增强我国在公共场所防止病毒扩散的技术实力，具有广泛的应用前景，包括人流密集的大型超市、大型医院门诊、大型宾馆、大型食堂餐厅、车站候车室、火车和汽车车厢等都有应用本技术和产品的必要。在每年秋冬之际，进行早期防治，避免疫病大面积传染，维护医护人员、公务人员与广大国民的身体健康，挽回消费行业经营停滞的损失，造福众多的中小企业和千百万家庭，维护城乡居民的安全出行，从而有利于全社会的安定与繁荣。

本课题研发用于海洋环境（海水及水产品）中病毒、致病菌等病原微生物、重点针对可能引起人类疾病的细菌和病毒（如总杆菌数、大肠杆菌、粪链球菌、产气荚膜梭菌、铜绿假单孢菌、金黄色葡萄球菌、腺病毒、肠道病毒、甲肝病毒、副溶血弧菌、创伤弧菌、沙门氏菌及李斯特菌）快速检测的分子生物技术，为研制用于这些微生物的现场监测手段和设备奠定理论和技术基础。检测方法采用基因芯片检测、蛋白质检测和聚合酶链式反应（PCR）检测三种。

本服务体系主要依托 SPARROW 模型，它是一款由美国国家地质调查局（USGS）开发的非线性流域污染物评估模型，其介于传统统计学模型与机理模型之间，用于估计流域地表水体中污染物负荷与污染源之间的关系。是美国 TMDL 计划推荐流域模型方法之一。 原始 SPARROW 模型基于 SAS（统计分析系统）平台运行，使用 IML 语言编写，其嵌套的统计模块可以轻松调用非线性加权最小二乘法（NWLS）进行方程的求解，完成所需参数的估计，虽然SPARROW 本身可以免费使用，但是 SAS 平台购买费用不菲，为此我们基于 SPARROW 模型的原理，使用 FORTRAN 语言开发了面向我国特点的具有空间响应特性的水环境管理模型，简化了原SPARROW 模型中不适用于中国的模块，并增加 jackknife 不确定性分析模块，按照中国水环境管理需求补充可能实现的模块，优化模型功能，改善人机交互形式，使数据输入及模型运行更加方便易学并符合中国的数据特点。利用 ArcGIS 生成河网、划分子流域等，提取与整合必要的与流域河流属性相关的输入数据，并利用该平台将模拟结果进行可视化表达。

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

项目简介：《选矿厂生产统计计算机管理系统研究》通过湖北省科技厅组织的鉴定，其科研成果处于国内领先水平。 技术特点：本课题以大冶铁矿厂为实例，利用当前流行的Microsoft Visual Basic6.0开发选矿厂生产统计计算机管理系统软件，该系统解决了多金属选厂报表金属量不易平衡的问题，具有创新性。用户只需一次性输入原始数据，相互关联的生产日报表、周报表、月报表和年报表将自动生成，生产日报表可当天上报。企业领导、工程技术人员、管理工作者和统计分析人员可根据工作需要任意浏览、调用、打印各种报表，有利于正确指导现场操作、生产调度、组织管理和领导决策。应用领域：该系统既针对性，又有通用性，便于计算机管理网络化。可在全国同类矿山企业中推广使用，具有广阔的应用前景和良好的社会、经济效益。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。