XM-641口、鼻、咽、喉内侧面血管神经模型   XM-641口、鼻、咽、喉内侧面血管神经模型显示头面部内侧面口、鼻、咽、喉内部结构以及脑血管和脑神经等结构。 尺寸：自然大，21×3.5×13.5cm 材质：PVC材料

XM-634头颈部血管神经附脑模型   XM-634头颈部血管神经附脑模型由头颈部正中矢状切面（左侧半可向上移动）、颅顶、脑正中矢状切面、眼、左侧半胸锁乳突肌、三角肌、胸大肌、斜方肌、下颌骨、锁骨等19个部件组成，并显示头顶部正中矢状切面、颅顶、颅底、大脑半球、间脑、小脑和脑干各个部分，以及脑神经和脑血管等结构。 尺寸：自然大，34×37×20.5cm 材质：PVC材料

XM-629A头部正中矢状切面附血管神经模型   XM-629A头部正中矢状切面附血管神经模型显示头颈部正中矢状切面内、外侧面的局部形态及其血管和神经等结构，共有81个部位指示数字标识标志及对应文字说明。 尺寸：自然大 材质：PVC材料

XM- 619-2脊椎附脊髓和脊神经放大模型   XM-619-2脊椎附脊髓和脊神经放大模型取自胸椎，采用人体等比例设计，展示了胸椎脊髓、脊神经和交感神经的形态解剖结构，带有多个部位数字指示标志和对应的文字说明。 尺寸：自然大，15×14×30cm 材质：PVC材料

XM-629A头部正中矢状切面附血管神经模型   XM-629A头部正中矢状切面附血管神经模型显示头颈部正中矢状切面内、外侧面的局部形态及其血管和神经等结构，共有81个部位指示数字标识标志及对应文字说明。 尺寸：自然大 材质：PVC材料

XM-631A头面及颈部血管神经分布模型（带数字标识）   XM-631A带数字标识头面及颈部血管神经分布模型由3部分组成，显示头部主要神经，筛板、视神经、动眼神经、滑车神经、展神经、三叉神经、三叉神经节、眼神经、额神经、眶上神经、滑车上神经、泪腺神经、鼻睫神经、睫状神经节、上颌神经、眶下神经、翼腭神经、上牙槽神经、上牙神经丛、下颌神经、颊神经、下牙槽神经、下牙神经丛、颏神经、舌神经、耳颞神经、颞深神经、鼓索、耳大神经、翼腭神经节、岩大神经、岩深神经、腭大小神经等，并且展示了颈部的肌肉和主要动静脉的解剖，共有多个部位数字指示标志和对应的文字说明。 尺寸：自然大 材质：PVC材料

   简介：本发明提供一种镀锌板的彩涂预处理及底漆涂覆相结合的水性无铬表面处理液,属于镀锌板的表面处理技术领域。该处理液成分质量百分比为:水性树脂,20～60%;有机硅烷,0.5～1.5%;无机缓蚀剂,0.25～0.8%;封闭剂,0.1～0.3%;稳定剂,0.02～0.05%;溶剂为去离子水,余量。使用本发明所提供的表面处理液能够在镀锌板表面形成一层致密的钝化膜,其总体性能达到或超过铬酸盐钝化膜的水平,同时由于其优异的耐蚀性能和附着力,涂覆的漆膜层可作为彩涂板的底漆直接在其上涂布面漆,简化了镀锌板彩涂处理工艺,有利于降低成本;漆膜中具有片层结构的蒙脱土有利于阻隔氧气和水汽与基板接触,从而有效提高耐蚀性。

西安电子科技大学机电工程学院多智能体研究中心郑元世教授团队通过引入了智能体及邻居的历史状态，提出了一种基于记忆信息的一致性协议并建立了该协议下显式的一致域。

本发明的主要工作是基于多源异构网络推断主体(用户)之间的社 会关系(包括同类型之间或不同类型之间的主体关系，本发明中只以用 户为例)的方法，异构网络是指网络中主体类型多种或者主体之间的关 系类型多种，关系可以分为好友和其他两种。主要内容包括在两个(例 如 Twitter 网络、通讯网络)异构网络中，两个网络的主体类型都包含有 用户，但不同网络中主体之间的关系链接类型是不同的在 Twitter 网络 中用户之间的关系是

成果描述：通信网络关键节点可视化分析系统提供了Degree、 Betweenness centrality、Closeness centrality、 Eigenvector centrality、 HITS和PageRank等中心性计算算法。 不同的算法适用于不同的场合。Degree算法表示节点的直接影响力强弱。 节点的Degree中心性值越高，该节点的直接影响力越大。 Betweenness centrality算法研究节点之间的通信程度和节点对信息的控制， 使用该算法可以准确找到网络中某些“流量”非常大的重要节点；本算法可用于设计网络的通信协议、 优化网络部署和检测网络瓶颈等。Closeness centrality研究信息传播的独立性和有效性； 本算法反映了节点在网络中居于中心的程度；本算法可用于考察一个节点不依靠其它节点来传播信息的程度。Eigenvector centrality基于特征向量的方法不仅考虑节点邻居数量还考虑了其质量对节点重要性的影响， 这是从网络中节点的地位和名望角度考虑，适用于网页排序。HITS是一种重要的网页重要性排序算法，主要适用于网络信息检索领域。 PageRank是网页排序领域中最著名的算法；该算法基于网页的链接结构给网页排序；它认为万维网中一个页面的重要性取决于指向它的其它页面的数量和质量；本算法适用于网页排序。 在本系统中可以方便、轻松和快捷的使用以上算法；输入数据，选择中心性算法，系统会快速展现算法分析结果；结果中越重要的节点在画面展示中直径越大， 直径越小的节点表示节点的重要性越低；在系统右侧栏目中节点以重要性程度降序排序，前五个节点名字用红色突出标记。 以上展示方式是为了让分析人员方便分 析数据。市场前景分析：发掘网络中重要性节点 （边）一直是图论领域 的一个基本问题。随着 近年来复杂网络研究热 潮的兴起，特别是很多 实际网络所抽象出来的 复杂网络，表现出了与 以往图理论不同的特性， 如小世界特性、无尺度 特性等。如何在复杂网 络环境下，发掘重要性 节点已经成为复杂网络 研究的一个基本问题， 同时网络中节点的重要 性进行评估具有重要的 实用价值。尤其对各种 各样具体的网络，更可 以有针对性地分析其性 质，制定正确的策略和 措施。与同类成果相比的优势分析：本系统提供了更多的中 心性算法，分析人员可 以在本系统上从多角度 分析数据，从而得出更 为准确的分析结果； 本系统提供了数据可视 化的展示方式，并且将 重要的节点突出展示； 本系统提供了不同算法 的对比分析表，方便分 析人员对比分析； 本系统提供重要节点的 进一步分析思路，提供 节点的详细分析页面。