一、产品简介        MXY5001光纤传感原理及应用综合实训平台是我司专为各种光纤传感器的学习与研究而开发的。该实训平台是在光纤传感领域中的光纤透射技术、反射技术及微弯反射技术等基本原理的基础上开发而成的。本实训平台从简单到复杂，从基础到应用，系统的介绍了光纤传感器的基本原理，实验方法以及实际应用的实例。学生可以根据所提供的可搭建设计组件开展各种实验，或者根据仪器所提供的元件进行二次搭建。这不仅丰富了大学实验的教学内容，拓宽了学生的知识面，而且可以进一步调动学生学习本专业的积极性，对理工科院校学生将所学知识的工程应用化具有积极的意义。 二、实验内容 LD光源P-I、V-I特性曲线测试设计实验 光纤微弯传感系统设计实验 光纤位移传感系统设计实验 光纤烟雾报警系统设计实验 光纤温度传感系统设计实验 光纤液位测量系统设计实验 光纤压力传感测量系统实验 光纤导光照明系统设计实验 光纤传感角度测量设计实验 三、主要技术参数 1、光源： 650nm点状半导体激光器；650nm光纤激光器；1W红光LED；3W全彩LED； 2、功率计探头： 光电池型号SL248R；开路电压0.3V；短路电流8µA；暗电流1nA；光谱响应范围550nm-750nm，峰值波长650nm；功率范围：0-5mw 3、显示屏：     LCD1602液晶显示屏，单排16针接口；8位双向数据总线；可与8位单片机或控制器直接相连；管脚高电平为+5V；可显示2行；每行16个字符。 4、51系列单片机：     STC89C52，新一代超强抗干扰、高速、低功耗的单片机，指令代码完全兼容传统8051单片机，12时钟/机器周期可任意选择，最新的D版本内部集成max810专用复位电路。 5、光纤微弯称重： 光源：650nm光纤激光器；多模光纤跳线：纤芯直径62.5µm，长度1m；液晶显示光功率值； 砝码：10g、20g、50g、100g、200g； 6、光纤位移传感： 光源：650nm光纤激光器；反射式光纤传感器：纤芯直径φ1长度80cm；液晶显示光功率值； 7、光纤烟雾报警及浓度显示： 光源650nm光纤激光器；多模光纤跳线：纤芯直径φ1长度50cm；液晶显示光功率值及烟雾浓度；光线透过率小于80%（即烟雾浓度大于20%）报警； 8、光纤温度传感： 对射式光纤传感跳线：纤芯直径62.5µm，长度1m；PT100温度传感器：测温范围：0~90°； 温控仪：额定电压180V～220V，50Hz；电源功耗<5W；量程0～400℃；准确度0.5；分辨率1℃；环境温度0～50℃；相对湿度35%～85%；风扇：DC-12V直流风扇；液晶显示光功率值 9、光纤液位测量： 多模光纤跳线：纤芯直径62.5µm，长度1m；光纤准直透镜：近距离，焦距可调；烧瓶：具备入水口及出水口；液晶显示光功率值，水位小于设定值时报警。 10、压力传感测量： 气泵：ACO-001；功率20W；电源220VAC/50Hz；排气量20L/min；压力传感器：测量范围20～250KPa；相应的输出电压为0.2V～4.9V；工作温度范围为-40℃～+125℃； 11、导光照明光纤：端点发光、体发光两种； 12、调整架：轴向位移调节采用了精密螺纹副调节，运动平滑； 四、配置设施 光纤传感应用综合实训平台主机、导轨及支架组件、位移组件、微弯形变装置、 压力组件、温度组件、液位测量组件、照明光纤、光纤跳线、法兰盘，实验指导书及实验录像光盘等。

传统的方式对嵌入式算法的编写以及实物调试都有比较高的要求，控制板性能有限、底层代码编写学习成本高、硬件资源调用不直观、算法实现与代码调试不方便，因此需要耗费学生与科研人员大量的时间与精力。 采用快速控制原型（RapidControlPrototyping简称RCP），那么就可以高效的、便捷的完成了前期算法的验证，研旭推出的电力电子仿真系统只需在MATLAB的Simulink搭建控制算法模型，下载到RCP控制器中，即可实现控制过程。 本系统将RCP控制器与可定制的功率硬件、电机结合在一起，通过模块化的方式，便于搭建各种不同类型的功率变换系统，非常适合高校、科研院所进行电力电子装置级和系统级的控制算法的验证。 系统同时可集成各类测试电源和检测仪器，一体化的结构，让学习开发更为方便省力。 系统特点： 更方便，更易上手 在Matlab中设计的控制算法自动生成代码，自动加载到实时目标机中运行，避免了繁琐的编程和Debug工作； 使用门槛低，会Matlab仿真即可完成实验测试工作，所有测试工作只需一人即可完成。 更灵活，更开放 硬件模块化设计，多种拓扑结构的功率硬件可选，同时，可根据需求定制各种不同的功率硬件，拓扑结构、功率级别、传感器的数量位置等均可以变化； 软件模块化设计，算法编程和监控全部采用基于模型的可视化设计方法，提供各类验证过的算法模型，可直接组合调用，大大缩短研发时间。 更可信，更可靠 功率级的算法验证，完美复现实际系统，具有很高的可信度； 采用高可靠性的功率模块和经过完善测试的接口模块，故障率低； 具备软件保护和硬件保护双重保护，安全性高； 具备数字仿真和物理电路双重验证，设计更灵活，实验数据更具说服力。

IECUBE-3100集成电路测试实训平台是一个源于继承广电路行业实际工业应用场景，基于集成电路行业国际领先的NI测试测量技术，针对集成电路测试技能培养而专门开发的实训平台，可以完成典型集成电路的测试实训，包括ADC、DAC、PA、数字逻辑IC以及晶体管等。

以数字化、网络化、智能化、安全化、平台化为客户实现“化N为1”，一键既所见，打造智能高效、节能、安全、环保的管、控、营一体化平台，提供一站式的物联网解决方案。为了解决系统工程集成商项目应用中存在的设备管理，数据分析，用电安全，运维保养，可视化应用，外部系统对接等繁琐痛点。

产品概述 斯科信息RFID智能工具柜是基于物联网射频识别技术的专业化资产管理系统，集成了先进的RFID读写设备、智能控制终端和多层安全验证模块。该解决方案实现了对工具、仪器设备的无人化自助借还、实时库存盘点和全生命周期管理，大幅提升企业资产利用效率和管理精细化水平。 核心技术特点 1. 智能识别管理系统 采用高性能RFID读写器与定制化天线阵列，确保99.9%的识别准确率 支持高频(HF)与超高频(UHF)RFID标签，兼容ISO15693、ISO18000-6C等多协议标准 专利抗金属标签技术，有效解决金属环境下的信号干扰问题 2. 多重安全验证机制 支持IC卡、指纹识别、人脸识别、密码验证等多种身份认证方式 可配置权限管理体系，实现人员-工具-权限三级对应 开门超时报警、非法取用报警、异常操作实时记录 3. 智能化管理平台 云端SaaS管理平台，支持多网点、多柜体统一管理 实时库存可视化看板，工具状态一目了然（在库、借出、待维修、报废） 自动生成工具使用报表、人员借还统计、工具利用率分析 工作流程 身份认证：用户通过IC卡/生物识别验证身份 智能借出：系统自动识别取出工具并记录关联信息 自动归还：关门自动盘点，更新库存状态 异常处理：未授权操作实时报警，支持工具追溯查找 数据同步：所有操作数据实时上传至管理平台 性能指标 盘点速度：整柜盘点≤3秒（200件工具） 识别准确率：≥99.9% 系统响应：＜1秒 数据存储：本地存储≥10万条记录，云端无限扩展 环境适应性：工作温度-20℃~60℃，湿度10%~90% 行业应用解决方案 电力行业 安全工器具定期检测管理 绝缘工具有效期智能提醒 工器具使用培训记录关联 航空维修 专用工具校准周期管理 航材设备使用记录追溯 适航要求符合性管理 智能制造 生产线工具智能调度 使用时长统计与寿命预警 工具维护保养自动提醒 客户价值 管理效率提升：工具盘点效率提升10倍以上，人力成本降低60% 资产利用率优化：工具共享率提高40%，减少重复采购 安全管理强化：实现100%操作可追溯，安全事故降低80% 决策支持：数据驱动管理优化，提供精准的采购和报废决策依据 技术服务支持 斯科信息提供全生命周期服务： 需求调研与方案定制 系统部署与集成服务 操作培训与技术支持 系统升级与维护服务 📞 联系我们：19925314483获取行业解决方案详情与演示体验斯科信息技术团队为您提供专业的RFID工具管理咨询与定制化服务

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

上海计呈教学设备生产GC-M/A1机电液气一体化实验教学培训系统，是让的本实验台以挖掘机构为载体，综合应用软件编程、电气设计、PLC控制、运动控制、逻辑控制等开展机电液气综合的一系列实验。本实验教学培训系统根椐各阶段的教学要求、培训要求、实验要求、创新研发要求，综合液压、机械、电气等进行模块化设计、智能化设计、课程化设计。本教学培训系统是一个实验的大平台，是各院校开设机电液气一体化验证性、设计性、创新性实验的得力助手。

本发明提供一种跨平台乡村旅游APP的实现方法与装置，所述方法包括：S1，基于乡村旅游的视图层业务需求，利用AppCan跨平台技术框架，采用html5+css3+JavaScript构建乡村旅游APP的用户交互界面；S2，基于乡村旅游的数据层业务逻辑需求和所述用户交互界面，利用AppCan跨平台技术框架，通过手机系统统一接口webview，构建乡村旅游APP的移动业务逻辑；S3，基于与后台服务器的信息访问需求，利用AppCan跨平台技术框架，构建APP客户端与所述后台服务器的信息交互逻辑。本发明能够有效提高应用代码复用率和开发的效率，并能有效降低开发者劳动强度。

数据是企业的重要资源，数据质量则是体现其价值的关键。大多数企业已建立的众多的基础专业数据库、信息资源管理系统，并完成的数据仓库建设，但是对数据与信息的质量、新数据是否上来以及上来及时性等缺乏有效的监控手段；同时，已有信息资源往往被分散的保存着，其管理维护乃至数据库的变更都难以掌控。本系统基于元数据、元结构、元知识模拟专家对于数据与信息资源的管理策略，利用机器学习、自然语言处理以及知识库技术，实现了基础数据资源监控与管理，建立了基础数据资源动态监控与质量巡检系统。系统主要功能包括： 元数据管理 建立和管理包含所有基础数据库结构信息的元数据库，使对各个基础库中的最新数据项和数据项变更历史等有一个全面的掌控；同时也为今后建立在基础库之上的应用和对数据库的维护打下良好的基础。 重要基础数据的采集监控 对各基础数据库中的重要数据是否及时采集入库及基础数据的删除进行定期的监控，并对监控的结果给出相关结论报表，以便及时了解各基础库数据的数据增删情况。 数据质量巡检子系统 定期地对各基础数据库中的重要数据项进行质量检查，监控各数据项中的数据是否满足给定的规则条件，对于不符合条件的数据通过提供的预警机制进行预警。 本技术可用于通信、能源、交通、政府、国家中医药管理局、医疗机构、冶金行业、石油石化等行业。