本发明涉及一种复合菌种煤炭生物絮凝剂，其优点在于絮凝率高、降低了各种因素对絮凝效果的限制，使其适用范围更广。本发明包括体积比为 1∶1 的黑曲霉菌液和黄孢原毛平革菌菌液，其中黑曲霉菌液和黄孢原毛平革菌菌液分别是指培养黑曲霉和黄孢原毛平革菌得到的培养原液、由培养原液离心得到的培养原液离心上清液、将培养原液经过破碎得到的破碎液或将破碎液离心得到的破碎离心上清液，其中黑曲霉培养原液和黄孢原毛平革菌培养原液分别通过以下步骤制备得到：a、富集培养，b、适应性培养，c、再次富集培养，d、活性培养。

本发明涉及一种工艺条件温和，对设备要求低，产物均匀性好，一步合成纳米钯催化剂的光合成制备方法，其是采用普通市售白炽灯为辐射光源，在水-乙醇混合溶液内，以表面活性剂-大分子复合体系在溶液中形成具有自组装行为且与金属离子之间存在着超分子相互作用的软物质团簇为模板，在室温温和条件下制备纳米钯催化剂。

该发明属于植物病害生物防治技术领域，具体涉及一种用于油菜根肿病生物防治的菌株拟康宁木霉ReTk1，该菌株能在油菜内进行内生性生长，同时还涉及一种生防菌拟康宁木霉ReTk1菌剂的制备方法，还涉及一种拟康宁木霉ReTk1菌株在制备治疗或预防油菜等十字花科植物根肿病药物中的应用。 可用于油菜等十字花科植物根肿病的生物防控。 转化条件：所需资金小，有大型固体发酵条件，能进行大量发酵产生分生孢子并进行孢子的收集分装等即可。 成果完成时间：2014年

该发明属于农作物标记辅助育种技术领域，具体涉及利用抗除草剂基因的油菜化学杀雄制种方法。该发明提出了一个改良程序，能够简化的、安全的以及经济的利用化学杀雄制种的方法：即在无遮挡措施条件下，利用除草剂苯磺隆的同时处理（喷施相同浓度的苯磺隆溶液）父母本，允许母本植株雄性不育，父本植株（携带又除草剂抗性基因）雄性可育。该程序主要特点是既可以保证优良杂交种的安全生产，又可以允许化学杀雄剂苯磺隆规模化喷施（不需要在遮挡条件下保护父本）可以降低生产成本，提高杂种优势利用在生产甘蓝型油菜杂交种的效率。 市场预期：该成果具有良好的市场前景，可以同时降低油菜化学杀雄制种的风险以及成本。 转化条件：制种试验田、苯磺隆除草剂以及实施田间除草剂处理的机械等。 成果完成时间：2016年

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

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

该项目研制的酶联免疫检测技术包括免疫原、包被原、抗体的制备以及样品的处理和检测等步骤。能一次性测出样品中斑蝥黄、β-胡萝卜素、β-阿朴-8’-胡萝卜素醛、叶黄素、辣椒红素、β-紫罗酮酸的总含量，缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 该项目缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 成果完成时间：2013年

基于身份证开锁的物联网电子锁系统，主要由物联网电子锁、云服务器、后台管理软件、客户端软件组成。整个系统是基于无线以太网通信技术，可实现远程无线对电子锁的监控管理，通过RFID射频识别技术识别身份证信息。该系统解决了可用二代身份证刷卡开锁的问题，实现开锁过程实名制，以及利用无线以太网络传输开锁密码、开锁身份证号、门锁状态等信息的问题。

本发明公开了一种吡啶酰胺类化合物及其制备方法与应用。该类化合物的结构通式如式I所示。相关生物活性验证，发现其中某些化合物具有特异的油菜素内酯反应，如促进黑暗中拟南芥突变体det2‑1下胚轴伸长，水稻叶片倾角增大，增强玉米耐盐胁迫的能力等。个别化合物在低浓度就具有很高的响应值，另外在高浓度情况下，还能抑制小麦的株高，延缓生长，提高其抗倒伏的能力。同时在防治野燕麦、节节麦、稗草、狗尾巴草、山羊草等禾本科杂草上具有很好的防治效果。该系列化合物制备容易，成本低廉，农业应用推广价值高，值得后续的深入研究开发。

电镀作为金属材料的表面改性技术已经取得了很广泛的应用，近年来电镀也开始在非金属导电材料的表面改性领域取得相当规模的工业应用。但高电阻率氧化物材料表面金属镀覆一直以来不能采用电镀工艺，这是因为这类材料的电子电导小，电镀液中被镀金属离子不能从材料表面得到电子，所以不能沉积下来。传统的绝缘氧化物材料表面镀覆金属的方法有化学镀、真空蒸镀、溅射镀、涂覆金属浆料后再烧结等方法，各方法都有各自的优缺点。如含有氨水的化学镀银溶液不稳定，甚至有可能生成有爆炸危险的叠氮化合物。真空蒸镀和溅射镀有设备投资大、维护费用较高等缺点，涂覆金属浆料后再烧结的方法有金属层厚度不均匀等缺点。 我们发明了一种高电阻率金属氧化物材料表面电镀的技术，解决了多种高电阻率金属氧化物材料表面不能电镀的问题。高电阻率金属氧化物材料电镀的基本过程是首先对氧化物材料表面进行原子氢致电导改性处理，提高其表面电子电导，使材料表面出现半导化甚至金属化，然后在氧化物材料表面直接电镀金属层。我们在这个方向上已经进行了近十年的研究，发表了十几篇学术论文，申请了两项发明专利。      本技术适用于由氧化物功能材料制造的电子元器件表面电镀，也适用于氧化物材料颗粒或块体的电镀等，所得金属镀层厚度均匀，与氧化物材料表面具有良好的结合力。