本发明提供了一种卫星信号的电离层传播时延的时域数值计算方法，是一种精确计算电离层中电波 传播时延的方法。具体实现过程步骤包括：步骤（1）对电离层中的理论进行建模。步骤（2）对电磁场 差分迭代公式以及色散媒质的辅助变量 FDTD 迭代公式进行推导；分析数值稳定性与数值色散的关系， 确定合适的时间步长；设置合理的吸收边界，选取合适的激励源。步骤（3）对算法进行验证与性能分 析。步骤（4）利用算法评估经典校正模型。本发明的方法可用于对现有电离层时延误差校正模型的评 估，并作为更精确与优化的校正模型的理论基础。 

本发明公开了一种基于计算机视觉的个性化脚部建模与鞋垫定制方法，包括：获取被测者的脚部视频数据，对脚部视频数据中相邻的两帧图像进行特征点提取，并用利用光流法对相邻视频帧之间的特征点进行跟踪匹配，采用零均值归一化互相关系数 ZNCC 验证剔除其中不可靠的跟踪结果，并根据跟踪匹配的结果构造特征点的轨迹，对脚部视频数据中的关键帧进行选取，根据得到的特征点轨迹，并利用SFM 方法对视频关键帧队列中的特征点轨迹进行三维重建，以生

围绕未来能源需求特性辨识、场站/设备智能监测、能效优化管理3项核心内容，开展研究并提出以下3个核心创新点，创新点一为基于数据驱动的需求侧用能行为特性辨识及容量价值评估方法，有效解决了需求侧用能行为特性分析难度大、精确度差、有效性低的问题，为能源电力系统容量规划和优化投资提供了科学依据；创新点二为基于数据挖掘计算的多元设备状态监测与需求侧能效优化技术，解决了需求侧用能设备运行状态监测能力差、管控水平低的问题，实现提质增效；创新点三为基于数据高效融合计算的场站环境监测及虚拟现实交互技术，有效解决了各种环境参数大量冗余导致的监测结果误差大的问题。 平台可应用于包括智能设备制造与销售、能源设备在线监测、能源设备全寿命周期管理、能源站点智慧运行维护、用能负荷预测、能质能效分析与应用等。

项目简介 “柴油机排气管分支流场测试和三维流场计算分析”项目由中国船舶重工集团公司 地七一一研究所委托开展。对柴油机排气管分支进行流场进行 PIV（Particle Image Velocimetry）测试，并通过结合数值模拟技术分析排气管分支内的流场结构以及进行优 化改进工作。项目主要解决难点为高速流场的实验台搭建、精确计算以及光学测量。 产品性能、指标 提供柴油机排气管分支在各个工况下

5G通信技术、嵌入式软件开发、计算机技术等， 本科生、硕士研究生等全职聘用， 博士以上学历考虑兼职聘请为技术顾问等

本发明公开了一种基于换道行为的主线收费站ETC指示标志设置安全距离计算方法，包括如下步骤： 1、计算驾驶员开始对ETC指示标志的内容进行读取的位置到驾驶员开始准备实施换道、减速等行动的位置之间的距离L1； 2、计算驾驶员开始对ETC指示标志的内容进行读取的位置到ETC指示标志所在位置之间的距离L2； 3、计算驾驶员开始准备实施换道、减速等行动的位置到驾驶员完成换道、减速等行动准备通过闸机的位置之间的距离L3； 4、计算ETC指示标志前置距离L4，L4＝L1+L3?L2； 5、计算具体ETC收费车道布置方案对应的ETC指示标志设置安全距离f(N,n)max。该方法提供了一种针对ETC与MTC共存的主线收费站ETC指示标志设置安全距离计算方法。

XM/ALS900A高级心肺复苏、创伤模拟人 （计算机控制/无线版）   执行标准：执行美国心脏学会(AHA)2015国际心肺复苏(CPR)＆心血管急救(ECC)指南标准。 XM/ALS900A高级心肺复苏创伤模拟人（无线版）由全身模拟人、计算机控制系统、创伤模块组成，可进行CPR训练考核、创伤止血包扎等操作。 一、产品特点： ■ 本模型为成年男性整体人，采用高分子材质，肤质仿真度高。 ■ 解剖标志明显，具有仿真的头颈部，头部可水平转动，有利于清除异物。 ■ 胸部体表标志明显（胸骨角、乳头、剑突等），便于胸外按压的操作定位。 ■ 可触及颈动脉搏动，死亡状态下，颈动脉搏动消失，抢救成功后，颈动脉搏动恢复，颈动脉搏动与有效按压相关联。 ■ 心肺复苏术：仰卧位，头可后仰，便于清除呼吸道异物，可进行胸外按压。 ■ 可进行口对口人工呼吸或者使用简易呼吸器辅助呼吸，有效人工呼吸可见胸廓起伏。 ■ 瞳孔示教：死亡状态下，模拟人瞳孔散大，抢救成功后，双侧瞳孔由散大变为正常。 ■ 模拟人和计算机之间通信方式：蓝牙无线通信。 ■ 模拟人手臂关节灵活，可进行搬运练习。 二、软件功能： ■ 软件依据《美国心脏学会2015国际心肺复苏心血管急救指南标准》的操作标准对心肺复苏操作进行评价。 ■ 软件形象的展示了心肺复苏急救流程，图文并茂的介绍了急救链中的每项操作要点。 ■ 操作模式：训练、考核、实战三种操作模式，每种模式均可自行设置操作时间、按压次数、按压深度、吹气次数、吹气量、CPR循环次数等，老师也可调节和变更按压和通气的考核标准值，建立符合当次考核状态的心肺复苏标准。 ■ 学员管理：可自由编辑学员名称及编号，用于存档。 ■ 人工口对口呼吸(吹气)时： · 动态条码指示灯显示潮气量大小：吹入的潮气量正确由条码绿灯显示，吹入的潮气量过小由条码黄灯显示，吹入的潮气量过大由条码红色指示灯动态反馈显示潮气量大小。 · 电子计数显示：详细记录吹气正确和错误的次数（吹气量过大、吹气力量过小）。 · 语音提示：中文语音提示，详细提示吹气错误的具体原因以便训练者及时改正。 ■ 人工手位胸外按压时： · 动态条码指示灯显示按压深度：按压深度正确由条码绿灯显示，按压深度过小由条码黄灯显示，按压深度过大由条码红色指示灯动态反馈显示按压深度。 · 电子计数显示：详细记录按压正确和错误的次数（按压力量过大、按压力量过小、按压位置错误）。 · 语音提示：中文语音提示，详细提示按压错误的具体原因，以便训练者及时改正。 ■ 全程心电图显示： · 抢救前：显示为濒临死亡的心电图, 呼吸图消失。 · 抢救中：进行按压操作时，显示按压心电图，频率与按压频率一致，呼吸监护显示潮气操作图形。 · 抢救成功后：显示为窦性心律，呼吸恢复正常。 ■ 依据《2015年美国心脏协会心肺复苏及心血管急救指南》的操作标准，对心肺复苏操作进行评价，操作达标，模拟人复活，操作未达标，模拟人死亡。 ■ 模拟人3D动画：正常状态时，模拟人3D动画有瞬目，休克或死亡状态时3D动画为闭眼。 ■ 成绩单所有操作结果数据以表格形式清晰显示，并可保存成绩单，可连接通用打印机对成绩单进行打印。 ■ 按压与人工呼吸比：30：2（单人或双人）。 ■ 操作周期：先30次按压再2次人工吹气，30：2五个循环周期CPR操作。 ■ 操作频率：100-120次/分。 ■ 操作时间：以秒为单位计时。 三、创伤功能： ■ 面部烧伤Ⅰ Ⅱ Ⅲ度 ■ 前额撕裂伤口 ■ 颌前创伤口 ■ 锁骨开放性骨折与胸膛挫伤 ■ 腹部创伤伴有小肠突露 ■ 右上臂肱骨开放性骨折 ■ 右手开放性骨折、软组织撕裂伤口、骨组织暴露 ■ 右手掌枪弹伤口 ■ 右大腿股骨开放性骨折 ■ 右大腿复合形股骨骨折 ■ 右大腿金属异物刺伤 ■ 右小腿胫骨开放性骨折 ■ 右足开放性骨折右小指截断创伤 ■ 左前臂烧伤Ⅰ Ⅱ Ⅲ度 ■ 左大腿截断创伤 ■ 左小腿胫骨闭合性骨折以及踝关节和足挫伤 四、标准配置： ■ 心肺复苏全身人体模型：1台 ■ 手拉推式硬塑箱：1只 ■ 计算机：用户自配或选配 ■ 蓝牙适配器：1个 ■ 电源适配器：1个 ■ CPR安装操作软件：1套 ■ 复苏操作垫：1条 ■ 一次性呼吸面膜(50张/盒)：1盒 ■ 可换肺囊装置：4套 ■ 可换面皮：1张 ■ 创伤模块：1套 ■ 操作指南光盘：1张 ■ 急救手册：1本 ■ 说明书：1册 ■ 保修卡合格证：1张

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

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