专利名称：

神经系统挂图（45张）   第二版《人体解剖挂图》在第一版的基础上，重新设计、增绘、修改近80幅图。新增绘的内容：主要是肌肉部分，从而将骨、骨连结和肌肉编绘成一个完整的运动系统；另外，在消化、呼吸、泌尿生殖和局部解剖等系统中也增绘了若干幅新图。全套挂图仍按运动系统、消化系统、呼吸系统、泌尿生殖系统、循环系统、神经系统、内分泌系统、感觉器和局部解剖等9个部分，进行编排包装，共计260幅。 为了节省篇幅，本版挂图仍对某些内容采用一图多用的方法予以展示，例如部分血管和周围神经部分，即未作独立的完整系统进行编绘，而是放在“局部解剖”中予以综合展示。因此，使用神经系统挂图时，请按读者上述编排，依教学需要进行选图。   主要内容： 1、神经系统模式图 2、神经元模式图 3、脊髓白质固有束膑腱反射示意图 4、脊髓的外形、被膜和横断面 5、脊髓的灰质、节段和马尾 6、脊髓颈段横切面和细胞构筑分层 7、脊神经的组成和分布模式图 8、脑干腹面观 9、脑干背面观 10、脑神经核模式图（背面观） 11、延髓横切面（1） 12、延髓横切面（2） 13、脑桥横切面 14、中脑横切面 15、丘脑和下丘脑核团模式图 16、小脑 17、大脑半球外侧面 18、大脑半球内侧面 19、脑底面 20、脑的正中矢状断和脑岛 21、脑的水平切面 22、脑的冠状切面 23、脑的内部结构（示侧脑室） 24、脑底的动脉 25、大脑半球的动脉 26、脑和脊髓的血管 27、脊髓的动脉和被膜 28、硬脑膜及硬脑膜静脉窦 29、颅内外静脉的交通、脑的静脉 30、脑脊液循环模式图 31、脑神经概观 32、眶及眶内容（侧面观） 33、三叉神经（右侧、外侧面） 34、三叉神经（右侧、内侧面） 35、舌下神经及锁骨下动脉 36、舌喉、迷走、副神经的行程与分布 37、迷走神经颈段 38、浅部感觉传导路 39、深部感觉传导路 40、椎体系（皮质脊髓束） 41、椎体系（皮质核束） 42、椎体外系（皮质-脑桥-小脑系） 43、椎体外系（纹状体-苍白球系） 44、自主神经系统概观 45、交感神经系统模式图

本发明公开了一种基于神经网络的反演大气可降水量的MODIS模型改进方法，包括以下步骤：S1：利用MODIS三通道比值法反演大气可降水量PWV，记为PWVMODIS；S2：利用BP神经网络建立测站处的纬度φ、测站处的高程h、年积日doy、PWVMODIS与测站GPS/MODIS反演的PWV残差RES之间的非线性关系；S3：对BP神经网络模型进行训练；S4：将φ、h、doy以及PWVMODIS作为输入参数代入BP神经网络模型，并计算出GPS测站处PWV残差RESBP；S5：利用RESBP补偿PWVMODIS，获得大气可降水量PWV＝PWVMODIS+RESBP。本发明有效提高了建模精度。

项目成果/简介:本发明涉及一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法,旨在通过改进的广义回归神经网络解决茶叶储存时间分类问题,属于茶叶储存时间分类领域.其原理利用电子鼻传感器模拟人感官品评的功能和特征,采集不同时间不同传感器的特征值,构建样本集.利用果蝇算法优化广义回归神经网络,获得广义神经网络的平滑因子,进而构建毛峰茶叶储存时间的FOAGRNN分类模型和方法.本发明的有益效果在于将果蝇算法优化广义回归神经网络算法应用于毛峰茶叶数据中,提高预测毛峰茶叶储存时间分类的效率和准确度,为消费者提供茶叶储存时间分类的有效方法.

本发明涉及一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法,旨在通过改进的广义回归神经网络解决茶叶储存时间分类问题,属于茶叶储存时间分类领域.其原理利用电子鼻传感器模拟人感官品评的功能和特征,采集不同时间不同传感器的特征值,构建样本集.利用果蝇算法优化广义回归神经网络,获得广义神经网络的平滑因子,进而构建毛峰茶叶储存时间的FOAGRNN分类模型和方法.本发明的有益效果在于将果蝇算法优化广义回归神经网络算法应用于毛峰茶叶数据中,提高预测毛峰茶叶储存时间分类的效率和准确度,为消费者提供茶叶储存时间分类的有效方法.

长效融合蛋白 TAT-HSA-α-MSH 是李红玉教授团队经历 3 年研发的一种能够有效通过 BBB、具有较长半衰期且能够抑制中枢神经炎症的重组蛋白药物。该研究通过构建融合蛋白酵母表达载体、筛选高表达酵母重组菌株、高密度发酵、建立纯化方法、进行理化性质分析、免疫原性分析、检测体外生物活性、检测跨越 BBB 能力、检测体内药效及半衰期等多方面的综合研究，为抗中枢神经炎症相关药物的研发及跨血脑屏障药物递送提供了新的思路。研究成果具有独立自主知识产权，已成功申请国家发明专利 1 项。

本发明公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，其包括以下步骤：(1)将振动位移传感器及振动速度传感器设置在旋转机械上，利用所述振动位移传感器及所述振动速度传感器采集所述旋转机械的振动信号；(2)对采集到的所述振动信号进行多尺度小波分解，以得到小波灰度图；(3)按照预先训练过的卷积神经网络的输入形式，对所述小波灰度图进行预处理；(4)将预处理后的所述小波灰度图输入到所述卷积神经网络，所述卷积神经网络对接收到的所述小波灰度图进行分析诊断，以得到所述旋转机械的故障诊断结果。