量程：0～20ppm；分辨率：0.005ppm；检测大气、汽车尾气等气体污染情况。

量程：0～5000ppm，分辨率：20ppm；电极使用寿命为≥10000次；无源电机驱动；红外光谱分析，用于测量气体中二氧化碳的含量。

310mm×250mm×280mm，偏振片一对，不同部位用不同的层数，显示不同的彩色。

TES-5600RN1/30数字红外接收器   　　深圳台电 (TAIDEN) 是全球领先的会议系统设备供应商，已成功装备联合国总部、世界银行总部、欧洲委员会总部、G20 首脑峰会、APEC 首脑峰会、厦门金砖会议等国际组织及大型会议。深圳台电公司最早于 2001 年研制出全球第一套不受高频驱动光源干扰的红外线同声传译系统，并于 2008 年自主研制出数字红外处理芯片，发明了数字红外无线会议系统。 　　2015 年，深圳台电公司首次将国际先进的数字红外技术引入到多媒体教学环境中，基于对多媒体教学环境音频设备需求的深度挖掘，先后推出了一系列音质清晰、抗干扰能力强且便于管理的教室音频系统，充分满足了教学 环境中的扩声、常态化录音、互动录播、教室多媒体设备集中控制(一键上下课)的需求，同时通过内置带电子锁充电座的设计解决了设备管理繁琐和需要反复回收充电的难题，还完全杜绝了老师贴身佩挂传统无线麦克风时会产生的射频辐射问题，是真正意义上的功能丰富、人性化设计且绿色环保的解决方案。       音质清晰 结合深圳台电自主研发的数字红外处理芯片及国际先进的数字红外技术，在20米范围内不论远近均保持完美音质：频响：主机线路-主机：50 Hz~20 kHz           麦克风-主机：100 Hz~20 kHz信噪比：≥90 dBA总谐波失真：≤0.05% 提高声音清晰度，让老师能较长时间以自然声调讲课，保护老师声带，避免声嘶力竭 清晰的声音能调动学生注意力，减少上课分心、开小差现象，从而提高听课效果 超强抗干扰 先进的数字红外技术，不受高频驱动光源干扰，可正常工作于阳光下的环境 多个教室同时使用，相互之间不会串频和干扰 不受外界无线电干扰 便于使用和管理 红外麦克风无需对频，即开即用，简单方便 可为教师配备个人专用红外麦克风，一师一麦，高效，卫生 麦克风充电座内置电子锁，可通过手机扫码或刷卡解锁无线麦克风，方便管理，避免丢失 无电磁辐射 不产生对人体有害的电磁辐射 不受无线电频率使用限制，节省广电频率资源       TES-5600RN1/30 数字红外接收器   TES-5600RN1/30 …………………………………………………… 数字红外接收器（带RJ45接口，可配1个无线麦克风）   TES-5600RN/30 数字红外接收器   TES-5600RN/30 ……………………………………………………… 数字红外接收器（带RJ45接口，可配2个无线麦克风）  

试剂库的化学品存储中挥发、实验人员日常实验都会产生大量实验废气，根据《大气污染物排放标准 GB 16297-1996》标准中规定的污染物排放标准，实验废气未经过滤净化不得排放，实验废气如何合规排放成为了实验人员、管理人员日常工作中的难点。 乐普乐吉公司生产的智能分子级化学净化器中的滤芯可根据实际需求灵活调配，过滤化学品挥发、日常实验所产生的有害气体，过滤后的空气质量达到职业卫生浓度限值标准。智能分子级化学净化器另外搭载了智能芯片可连接数据平台，实现信息自动同步共享，并可通过移动小程序控制过滤器/过滤装置的启闭、风机运行模式、报警阈值。

HJ-6A恒温磁力搅拌器是六联多头磁力搅拌器，它是理想的对液体加热、搅拌分析测定仪器。具有独特的恒温自动控制调节的优点。采用直流无刷电机,躁声低，机械故障少，调速平稳。由氟材料与磁钢精制而成的搅拌子，具有耐高温、耐磨、耐化学腐蚀，旋转力强的特点，并可在密封容器中进行调混工作，使用十分理想与方便。 技术参数 电源220V±10%50Hz～60Hz 搅拌有效容积（20～2000ml）×6 电机功率25W×6 加热功率200W×6 搅拌转速0～2400rpm(连续可调) 控温范围RT～100℃（度≤±1℃） 定时0～120min

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。