具有聚集诱导发射(AIE)和聚集诱导猝灭(ACQ)效应的双发射有机材料在文献中很少报道，通过调控这类有机分子的聚集程度可以实现多色荧光发射。中国科学技术大学杜平武教授课题组合成了首个具有聚集可调双发射性质的手性双环分子，并与杨上峰教授课题组合作，通过AIE效应实现了圆偏振发光性质（CPL）的增强。

生物矿化是指生物体通过生物大分子的调控作用生成无机矿物质的过程，它是链接无机与生物之间的桥梁。与一般矿化最大的不同在于，它是生物在特定的部位，在一定的物理化学条件下，在生物有机物质的参与控制或影响下，将溶液中的离子转变为固相矿物的过程。像骨骼，鳞片，牙齿等的形成都是自然界中比较常见的生物矿化过程。与工业生产条件不同，生物矿化不需要苛刻的条件，它是一个条件温和、低耗能且无污染的物理化学过程。生物矿化采用了自然界中比较简单且常见的组分，并且可以实现对样品从成核到结晶过程的调控。因此，探索并模仿生物矿化中

专利申请时，成果处于研发阶段，技术处于国内空白。

本发明公开了一种采用简便的水热法制备小粒径板钛矿二氧化钛纳米粉体的方法，所得产物以粒径 约为 10 nm 的板钛矿 TiO2 纳米粒子为主体，还含有少量的长度约为 100 nm 的板钛矿 TiO2 纳米棒。该 产品不仅具有高的晶相纯度和热稳定性，而且具有比商品 TiO2 纳米粒子（P25）更小的粒径和更大的比 表面积。采用传统方法以小粒径板钛矿 TiO2 纳米粉体制备浆料和多孔膜光阳极，并以其构建的板钛矿 TiO2 基 DSSCs 的最优光电转

利用肠道工程菌及其代谢产物，创制新一代“生物活药”，用于增强机能、治疗疾病，已成为生物医药科学领域的前沿研究热点。其中，如何无创精准在体调控工程菌定植及给药，一直是工程菌生物医学应用转化的难点之一。

（专利号：ZL 201410690807.2） 简介：本发明公开了一种BiOBr/RGO纳米复合材料的制备方法及其应用，属于光催化剂领域。该复合材料的活性组分是BiOBr/RGO，特点是花状的BiOBr与层状RGO交织在一起，形成独特的三维立体结构，其制备方法是：量取一定量的甲苯，十六烷基三甲基溴化铵和油酸，恒温搅拌，加入氧化石墨烯，获得溶液A；再量取一定量H2O，加入HNO3和Bi(NO3)3·5H2O，得到溶液B；在搅拌状态下把溶液B

本发明公开了一种无机纳米杂化荷正电聚电解质络合物渗透汽化膜的制备方法。配制无机纳米粒子杂化的阴离子聚电解质水溶液；配制pH为5.8-10.0的阳离子聚电解质水溶液；将无机纳米粒子杂化的阴离子聚电解质水溶液滴加入阳离子聚电解质水溶液中，得到无机纳米杂化的荷正电聚电解质络合物；将络合物分散在一元酸水溶液中，经过滤，静置脱泡后，用刮膜刀将其涂覆于聚砜超滤膜上，烘干后得到无机纳米杂化荷正电聚电解质络合物渗透汽化膜。通过掺杂不同质量分数的无机纳米粒子以及调节阳离子聚电解质溶液的pH值可得到不同组成的无机纳米杂化荷正电聚电解质络合物。制备的无机纳米杂化荷正电聚电解质络合物渗透汽化膜具有优异分离性能和高稳定性。

使用超声、微波辅助水热合成的方法制备出不同相貌的ZnO、Cr ZnO、CoO ZnO等纳米复合颗粒，通过复合和掺杂改性，分别构建p-n结和形成催化活性位点，提高气敏性能。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。