实名制网络学习空间，旨在打造与现实教育组织中各级教育机构、学校、班级、师生等主体相对应的网络教育组织体系。空间为多层次用户团队（包括从师生个体协作团队班级团队学校团队学科团队区域团队）提供相应的资源、工具、环境的支持和服务，实现“自上而下”、“自下而上”的双向良性互动。 教师空间：为教师开辟一个集学习、工作、交流于一体的实名制网络学习空间，以基于SNS的人际关系架构和知识体系、教材体系构建服务体系，实现信息的快速传播和精准获取，并汇聚为校、区、市、省各级生成性资源。 学生空间: 学生空间不仅能够全面记录学生成长全过程，还能为学生自主学习提供良好的信息化环境，让学生随想随学、自主学习、个性发展。学生可制定自己的学习计划，相关通知、信息都会自动推送到学习空间，空间资源能自动汇集和推送，学生相互之间，以及与学校空间、班级空间、教师空间可以互联互通，完美实现师生互动、生生互动。 家长空间：平台为针对家长用户提供便捷的，平台将呈现家校交流的相关服务。家长以家长身份、学生帐号登录，平台就会将学生近期的一些学习情况呈现出来，方便家长全面主动了解学生在校学习情况、班级情况以及，班主任、任课教师的情况，并与。家长可通过平台与任课教师进行深入的交流和沟通，关注学生的学习全过程，还可得到一线教育专家的指导和点拨。 协作组空间：教师可以按年级、学科、兴趣爱好、教育行政结构等多维度组建协作组。协作组提供资源管理、话题、问答、问卷、投票等基本应用模块，并支持文章、资源、图片、视频等分类管理，能从个人空间中选取已发布的各类资源拉取到协作组。 班级空间：班级空间是师生间的协作教学、讨论交流的网络环境，是现实班级课堂的补充与延续。班主任可组建班级，聚合管理班级学科教师、学生，课程安排，学习内容，开展学习活动，形成学习反馈，增强学生班级凝聚力和成员归属感。 学校空间：以学校为单位开展教学研活动，可与本校师生组织衔接，便于校内各项业务活动的组织管理。学校管理者可发布校内公告、查看基础管理数据。本校教师可随时参与各类教、学、研活动，本校学生可积极参与各类校园活动及社会实践活动。师生发布的所有内容会自动汇聚到学校空间，积淀本校生成性资源，支持各学校空间独立管理。 学科空间：省、市、区县、校各级机构管理的所有学科均可拥有相应的学科空间，能够自动汇聚范围内相同学科的教研员、学科带头人、教研资源、工作室、协作组、学科文章、学科活动等，加速本学科教师之间的协作交流，展示特色学科资源和成果。学科教研员可发布学科新闻公告等内容、查看基础管理数据等，支持各学科空间独立管理。 区域空间：区域各级机构、各机构学科各类信息的集中汇聚区，同时也是各级政策的集中发布区、研修动态的集中展现区，为开展区域性教育业务提供全面的支持和服务。省、市、区各级空间融合互通，内容、人员至下而上汇聚，政策、任务至上而下传达。通过区域空间及业务应用系统，可促使城镇和农村的学校之间、教师之间实现“手拉手、结对子”， 共同参与各类业务活动、分享优质教育资源，先进帮后进，推动教育公平。

赛尔网络有限公司成立于2000年12月，经教育部批准，负责中国教育和科研计算机网CERNET的运营与管理。秉承“网络服务教育”的宗旨，赛尔网络立足教育、服务社会，充分发挥人才、技术等方面的优势，为用户提供包括网络接入、网络技术、网络信息等全方位高品质的服务。 成立十年来，赛尔网络坚持不懈地进行技术创新，不断提高CERNET网络运行质量与服务水平，扩大网络覆盖范围，打造安全畅通的绿色网络，广泛开展网络集成、建设、运维等全方位的网络技术服务与国际贸易服务，以及教育资讯、在线培训、远程视频面试等多样化的网络信息服务，积极参与下一代互联网研发与试商用建设，成为中国领先的互联网技术与服务提供商。 赛尔网络不断吸纳国际领先管理理念，进行流程优化，提升运营效率，为客户创造更高价值。公司先后通过了ISO9001:2000质量管理体系认证和CMMI3等国际认证，在全国范围内设立29家分公司，建立了全面的质量保障体系与快速响应市场变化的营销体系。公司积极推动与国际一流技术和最新应用的合作，拥有赛尔投资、赛尔毕博、赛尔教育、赛尔新概念、赛尔时代传媒、赛尔汇力安全等多家子公司。 服务求生存，贡献求发展。在教育部的正确领导下，在国家有关部门和社会各界的大力支持下，赛尔网络将加倍努力，推动教育信息化，促进优质教育资源共享，为教育改革与发展和国家信息化建设做出更大的贡献。  

本发明提供了一种基于神经网络的超密集异构网络负载均衡优化方法，将ART2型神经网络和基于代价的分布式方法相结合的低复杂度超密集异构网络下行用户连接方法，联合调整所有小站的代价偏置值，解决超密集异构网中的负载均衡问题。本发明采用ART2型神经网络的分类设置初始值，可以大大降低迭代次数和计算复杂度，能提高基站边缘和中间的用户的吞吐量率，自动的均衡跨层和同层之间基站的负载，进一步显著降低负载均衡迭代方法的迭代次数，更加适应快速复杂多变的实际情况。

本发明公开了一种基于拉曼光谱技术的藻种分类识别方法，包括：取相同藻种的多个样本，每个样本均为当前藻种的活体藻液，采用拉曼光谱仪获取各个样本的拉曼光谱原始信息；对采集的拉曼光谱原始信息进行预处理，得到对应的预处理谱图，然后采用偏最小二乘法从各预处理谱图中提取主因子；更换藻种，获得与不同藻种相对应的主因子；以所有藻种的主因子作为输入，以与各主因子相对应的藻种分类为输出，建立BP神经网络模型；取待鉴别活体藻液，获得该待鉴别活体藻液的主因子并输入所述BP神经网络模型，获得待鉴别活体藻液中所包含的藻种分类。本发明实现了基于拉曼光谱技术的藻种快速准确分类，大大简化了操作步骤，缩短了检测时间。

本发明公开了一种基于被动毫米波极化成像的材料分类方法； 首先利用毫米波辐射计成像系统在无极化照射环境中获取给定入射角 下场景的水平极化图和垂直极化图；再根据水平极化图和垂直极化图 计算得到“线极化比”图像；然后统计分析“线极化比”的分布规律， 利用阈值估计公式估计“线极化比”阈值；最后根据分类准则，实现 对场景中的金属材料和非金属材料的分类。本发明能非接触、被动地 对金属材料和介质材料的进行有效分类，并且不受环境辐射变化的影 响，具有很好的鲁棒性，可用于金属目标的遥感与探测、金属危险品 的安全检测与预警等领域。

本发明提供了一种基于音频信号特性分类的无参考音频质量评价方法和系统，包括步骤：步骤 1， 基于有参考音频质量评价模型建立训练模型，采用机器学习获取不同类型音频信号的音频质量与网络参 数的关系，即无参考音频质量评价模型；步骤 2，在音频信号网络传输中，将当前丢包率、当前延迟时 间和当前丢包数据的音频信号类型输入无参考音频质量评价模型，获得当前音频质量。本发明对不同类 型信号采用不同的质量评价关系式进行质量评价，能更真实地反映用户体验。

1. 痛点问题 2021年12月，生态环境部会同相关部门印发了《“十四五”时期“无废城市”建设工作方案》，指出将在100个左右地级及以上城市开展“无废城市”建设，对提升城市固体废物的全过程管理水平提出了更高的要求。然而，当前我国许多城市固体废物产生量持续加大，无害化处置能力尚未得到有效保障，处理设施布局零散，固体废物精细化、信息化管理水平较低，在构建先进的城市固体废物管理模式中面临顶层设计、基础设施、管理体系等软硬件条件的不足，显著影响“无废城市”建设成效及固废管理领域碳减排目标的实现。亟需改进传统碎片式、分种类、智能化水平较低的固体废物管理模式，依托物联网和智慧支撑技术形成多种类型固体废物分类-收运-协同处置全链条系统性方案，充分发挥固废处置中的减污降碳协同增效作用，提升城市固体废物处理在全环节规划设计、工艺技术集成优化、工程及园区的可持续运营等方面的综合实力。 2. 解决方案 针对城市固体废物全过程管理问题，本项成果发挥清华大学环境学院循环经济产业研究中心在城市固体废物管理理论研究、工艺优化调控和规划决策应用等领域的长期积累，开发“无废城市”建设顶层系统规划工具，研发全链条工艺模拟与优化技术，搭建基于物联网和大数据的城市固废智慧化管理平台，形成能够有效服务于“无废城市”建设的城市固废分类-收运-协同处置全链条系统性解决方案。具体包括： （1）针对城市固体废物处理处置系统存在的现实问题，在整个城市层面构建从源头分类减量到末端处理处置、处理设施协同共生的工程技术体系和管理运营模式，打造处理设施协同共生、碳减排和二次污染集中控制效果显著、实现物质有序循环和能量梯级利用的多源固废协同处置园区，构建无害化、资源化、可持续的城市循环代谢链网； （2）开展多源固废处理处置工艺机理模拟，揭示固废-水-能耦合代谢路径与减污降碳潜力空间，实现工艺参数优化；模拟不同固废管理路径对物流、能流的影响，支撑不同应用场景下涵盖源头分类及减量化、污染处理处置、残余物集中控制全过程的工程技术体系优化； （3）基于物联网、智能监控、在线仿真技术等，构建城市固废管理多源异构大数据系统，形成原创性固废智慧管控技术，支撑建立集固废监测、溯源、预报、应急、调控等功能于一体的可视化管理平台，提供多场景、多效能、智慧化城市固废系统性解决方案。 合作需求 （1）与从事城市固废处理、再生资源回收利用、静脉产业园建设等领域的企业以及绿色金融机构开展业务合作； （2）项目孵化需办公场地500平米，天使轮融资需求约3000~5000万。

本发明公开了一种人流量统计系统中分类器的自动选择方法，属于视频监控及模式识别技术领域。本发明包括：预先设定多个成像视角，分别离线训练一个分类器；在线学习时，针对当前输入图像，对各分类器分别执行下述操作：检测目标，将当前检测出的行人目标与已有的跟踪目标进行关联，对未关联的跟踪目标采用跟踪算法进行跟踪，将未关联的检测目标加入跟踪目标队列中；对跟踪目标队列中符合条件的目标进行计数；若所有分类器所计目标数均未超过阈值，

本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果

该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。 主要技术指标 不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。 该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。 表 1. 不同数据集下的训练样本选取数量 表 2. PaviaU 大学数据下不同方法的正确率比较