本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

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

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

本发明涉及一种新型介孔碳担载的金属催化剂及其制备方法，金属催化剂由金属粒子0.01wt％～90wt％和介孔碳载体10wt％～99.99wt％组成，介孔碳载体由杂原子掺杂的介孔碳材料制成，该杂原子掺杂的介孔碳材料是以含有杂原子的离子液体为单体，与模板剂在室温下混合，然后在400～1000℃下煅烧1～6小时，冷却至室温，最后除去模板剂制得，金属粒子的平均粒径为1～100nm，介孔碳材料中杂原子的质量分数为0.01wt％～80wt％。本发明催化剂可以通过氮、硫、磷、硼、氟等杂原子的掺杂调控纳米金属的价态以及金属在载体表面的沉积与分散，从而有利于增强其催化活性。另外，催化剂制备简单，对水、空气和热稳定。

"低碳醇通常是指碳数在二及以上的醇，其往往可直接作为汽车燃料，也可作为汽油添加剂而加入汽油中，提高汽油辛烷值，而长碳链醇（主要是C6+醇）是增塑剂、洗涤剂、润滑油合成过程中重要的中间体。近年来，通过合成气一步法制备低碳醇的催化剂分为四类，即Rh基催化剂，甲醇修饰催化剂，费托合成修饰催化剂，Mo基催化剂。其中Rh基催化剂具有最高的醇选择性，但其较高的价格以及储量的稀少而限制了其商业应用；甲醇修饰的催化剂其醇选择性较高，但产物主要是甲醇、异丁醇，C2+-OH选择性较低；Mo基催化剂耐硫，但其活性较低，甲烷化严重，反应条件苛刻；费托修饰的催化剂，虽然其碳链增长能力较强，但有大量的烷烃生成，C2+-OH选择性较低。已将碳纳米管应用于合成气制备低碳醇的催化剂，其在高压微反评价装置，300~350 C，6~10 MPa，3000~6000 mL/(g•h)的反应条件下，加氢产物中总醇醚的碳基选择性≥60%，乙醇选择性≥30%，总醇醚时空产率≥100 mg/(g•h)，乙醇≥50 mg/(g•h)；催化剂稳定性考核>1000 h。 项目已经完成具有自主知识产权的低碳醇催化剂的研发，并成功完成了百

本发明公开了一种高、低有效氢碳比原料共混催化热解制取燃料的装置和方法，该装置包括预混器、两级螺旋进料器、马达、料仓、流化床热解器、旋风分离器、两级冷凝装置、焦炭仓、储油罐、储气罐、预热器。该方法能够利用该装置将高、低有效氢碳比的不同原料进行共混催化热解。本发明能够将有效氢碳比低的含碳固体废弃物廉价高效地转化为高品质的液体燃料，同时处理有效氢碳比高的塑料等固体废弃物，解决了目前有效氢碳比低的生物质等含碳固体废弃物转化困难，热解产物品质不高，选择性差，催化剂易结焦、失活快的问题。

本发明公开了一种以智能物流叉车为载体的碳排放智能监控和减排系统，包括能读取物流中心订单数据库中订单信息的碳排放智能减排监控系统、设于智能物流叉车上的智能物流叉车硬件终端，智能物流叉车硬件终端包括：碳排放检测装置、ＧＰＳ定位装置及能控制智能物流叉车动作的中央处理器，中央处理器能将碳排放量信息与位置信息发送给碳排放智能减排监控系统；碳排放智能减排监控系统能根据碳排放量信息与位置信息、并以低碳节能的执行原则将订单分配给中央处理器，又能自动规划出叉车最优作业路径，中央处理器会根据最优作业路径及分配订单进行作

本发明公开了一种具有防静电性能的碳分子筛吸附剂的制备方法，该方法是以高分子 糠醇树脂、脲醛树脂聚合物为原料，经过粉碎、细粉碎、成型、碳化、活化和碳沉积调孔等 工艺，采用本发明方法制备出用于低浓度瓦斯气变压吸附分离 CH4 气的碳分子筛，该碳分子 筛不仅对 CH4 具有高吸附量，选择吸附系数大，强度好，成本低，无污染，而且可以有效防 止低浓度瓦斯气的爆炸问题。

本发明为一种常温条件下大批量制备疏水性碳量子点的方法，公开了一种可在室温、常压条件下，大规模制备疏水性碳量子点的方法。此方法以烷基吡啶盐为碳源和保护剂，在其溶液中加入强碱，常温常压条件下静置，即可生成具有绿色荧光的疏水性碳量子点。整个制备过程在室温及常压条件下完成，操作简单，成本低，且具有较高的产率，可用于大规模合成疏水性碳量子点。制备的碳量子点具有低毒、较强的荧光和较高的光稳定性，因此在制备荧光油漆、荧光涂料及荧光纤维生产等领域具有广泛的应用前景。

一种用于Pb2+分离的磁纳米固相萃取剂的制备方法,以Fe3O4纳米颗粒为磁核,以去离子水和乙醇的混合液为溶剂,加入25%的浓氨水,占总体积分数的5%,混合均匀后于反应容器中恒温搅拌水浴加热30分钟后滴加A,反应1小时后加入B,升温至60℃回流1小时后,冷却,洗涤,干燥后加入乙醇溶剂或氯仿溶剂中,然后加入C,40℃恒温搅拌12-24小时;洗涤,低温干燥后即得用于Pb2+分离的磁纳米固相萃取剂.所述A修饰剂含有正硅酸酯类,B修饰剂含氯功能化的硅氧偶联剂,C修饰剂为双硫腙.本发明制备的磁纳米固相萃取剂,吸附量大,速率快,工艺简单,成本低,绿色环保,适合于大规模工业生产.