实验原理 本实验的目的是熟悉材料的拉伸应力与应变之间的关系。通过转动传感器和力传感器，灵敏测量测试样品所受的拉伸量和拉力。PASCO Capstone软件可实时测量拉伸过程中所产生的应力与应变曲线，从曲线图上可进一步测得杨氏模量，弹性区，塑性区，屈服点等参数。   仪器概述 在该实验中学生可通过增加拉力来测试不同直径钢丝的力学性质。样品两端被紧密地固定，通过转动手柄使得样品沿一个方向拉升，在拉升的过程中力传感器测量力臂所施加的力，最大可测的拉力为250N，同时转动传感器实时测量样品的伸长量，采用PASCO Capstone软件可以计算出应变和应力的大小，并画出相应的曲线，在弹性区内应力和应变的斜率就是杨氏模量。弹性型变和塑性型变的分界点就是屈服点，这个点也可以从PASCO Capstone软件中得出。   仪器特点 采用传感技术和数字化采集分析技术，可较为灵敏地实时测量与分析材料的应力与应变的关系 材料拉力小型测试台，兼容PASCO Pasport系列转动传感器（PS-2120A）和力传感器（PS-2104） 手拧螺钉固定样品，使更换样品变得更为方便   技术参数 项目 技术参数 材料拉力小型测试台 包括底座，样品架，力杠杆臂等结构； 力杠杆臂采用5：1结构，可使力传感器最大测量到250N； 拉伸行程范围：27mm； 摇柄每转一圈行程：1mm； 手拧螺钉固定样品，方便更换试件； 同时兼容PASCO无线传感器与有线传感器 无线转动传感器 角度分辨率：0.18° (0.00314 弧度) 线性分辨率：0.0157 mm (当使用半径5mm滑轮附件时) 滑轮附件的三档直径：10, 29，48 mm 轴径：6.35 mm 最大转速：30转/秒 光学编码器：2000 分区/转，双向 充电电池：锂聚合物 连接方式：直连USB或通过蓝牙4.0 无线力/加速度传感器 受力量程: ±50 N （力杠杆臂结构下可拓展至250N） 分辨率：0.03 N 精度：0.1 N 加速度量程：±16 g 电池：可充电锂聚合物 连接方式：直连USB或蓝牙4.0 传感器带有数据存储功能，可进行离线数据采集，可在测试之后再进行下载。 测试样品组 包含三种不同直径的钢丝样品 每种样品10根   实验内容与典型实验数据 多种金属材料应力-应变关系测量 计算材料的杨氏模量 找出材料的弹性区，塑性区，屈服点和断裂点等参数，并分析材料特性   订购列表 型号 描述 数量 BEX-8104 材料拉力与杨氏模量测量实验装置 1 不包含在BEX-8104中的必备件： UI-5400 PASCO Capstone软件 1 PS-3500 USB蓝牙适配器 1   部件列表 部件型号 部件描述 数量 BEM-5229 材料拉力小型测试台 1 PS-3220 无线转动传感器 1 PS-3202 无线力/加速度传感器 1 BEM-5230 材料拉力测试样品组 1   包装清单 实验装置1套（见部件清单），手册1本。

短脉冲加工-材料的柔性加工 脉宽是激光微加工的一个重要参数。LPKF ProtoLaser R4配备皮秒激光器，可用于柔性基材的精密成型以及淬火或烧结基材的切割。 激光应用在创新材料上的无限可能 LPKF ProtoLaser R4 精密皮秒激光用于创新应用 无损加工热敏材料 智能CAM软件操作简单 一级激光安全等级随开即用 冷激光消融无热效应 在激光加工工艺中，激光的脉宽越短，对材料的热影响就越低，因此，皮秒激光克服了材料加工中这个重要的技术问题，加工中几乎没有热传递，并且材料加工的效率更高。 微材料加工专家 热效应对于温度敏感材料的切割以及表面加工都有着不良影响，而皮秒激光能在超短脉宽内提供超高的能量，在热效应作用之前就可以将材料加工完成，如Al2O3陶瓷材料或GaN半导体材料，皮秒激光在加工过程中完全不会让材料变色。因为几乎无热效应产生，材料无微裂隙。 完美加工表面 针对柔性材料的表面图形成型，如透明薄膜的消融或塑料薄膜上金属层的去除，很低的能量即可完成加工，所以要求激光器能够稳定输出低能量， LPKF ProtoLaser R4 可以很轻松地解决这些需求，由于它的功率输出范围精确可控，因此也可加工HF材料和硬板FR4板材等。 易操作 LPKF CircuitPro界面友好，集成CCD靶标识别系统，能够完成高精度的加工，用户在实验室环境下即可短时间内完成各种材料的加工，尤其是热敏感材料。

山东同大海岛新材料股份有限公司成立于2002年,前身为昌邑市无纺布厂,拥有30年的无纺布生产经验和技术并且自1996年开始超细纤维的研发,建成了以国产设备为主的全套超纤革生产线,成为国内较早获得超纤发明专利的企业。 公司于2012年创业板成功上市,现为全国最大的超纤研发生产企业之一,员工600余人,年产海岛超纤人工革系列产品1400万米,是国内著名的“中国超纤产业基地”,产品通过国际SGS、BV全项产品检测,产品质量及技术水平居国内领先水平。 公司通过ISO9001质量管理体系认证与ISO14001环境管理体系认证以及IATF16949质量管理体系认证并获准使用“中国生态超细纤维合成革”证明商标。拥有10项国家专利并主持及参与起草了15项国家与行业标准,荣获“中国名牌”、“国家备案高新技术企业”、“博士后工作站”、“山东省海岛新材料工程技术研究中心”、“山东省省级企业技术中心”、“泰山产业领军人才”、“鸢都学者”、中国驰名商标、中国科技名牌500强、中国纺织科技型企业、AAA等级信用企业等诸多殊荣,完成多项国家重点建设项目和重点新产品。产品获国家科学技术进步二等奖以及20余项省部级科技奖。 产品广泛应用于休闲鞋、劳保鞋、沙滩鞋、运动鞋、鞋内里、劳保手套、运动手套、各式箱包、沙发、家具、室内装饰、汽车内饰、服装服饰、体育用品等诸多领域。公司目标是确保国内第一、向世界第一迈进,全力打造成为全球超纤重要供应商。

韶关市曲江金扬耐磨材料有限公司是“广东省耐磨材料产学研技术创新联盟”成员单位，是省内知名的高技术耐磨材料中试和生产基地。本公司拥有一支10余人组成的专业研发和中试团队，拥有熔炼炉、热处理炉、直读光谱仪等材料中试和生产设备。具备成套的耐磨材料及其零部件生产、在线分析、质量检测仪器设备，具备中试和产业化装备条件。本公司本身还是耐磨、耐蚀耐磨材料的产业化基地，企业现年生产能力10000吨，按全面质量管理体系并依科技型企业模式进行企业管理。

模拟人体外皮模块，采用高分子生物仿真材料，真实还原人体表皮、真皮、皮下组织等，设计可替换耗材模块，操作手感真实。适用于消毒、切开、缝合、打结等外科手术学基本操作训练。

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

本发明涉及一种四氧化三钴纳米线阵列、其制备方法以及作为锂离子电池负极的用途。该四氧化三钴纳米线阵列，其形貌为菱形结构，菱形的边长为100nm~500nm，菱形内角的锐角为30°~60°，阵列长度为5μm~20μm。本发明还提供了制备该四氧化三钴纳米线阵列的方法，以一定摩尔比的钴盐、化学结合剂、碱性反应物和水在常温下进行混合搅拌，将混合均匀的溶液移入反应釜中，并将干净的衬底置于溶液中进行水热反应后取出冲洗，再在惰性气氛中热处理，得到四氧化三钴纳米线阵列。本发明的四氧化三钴纳米线阵列可直接作为锂离子电池负极，能明显提高电池的比容量和循环性能，放电容量高达1000mAh/g以上，是一种理想的锂离子电池电极材料。

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

【发 明 人】刘晓；蔡皓；蔡宝昌；张科卫；裴科【摘要】本发明涉及一种HPLC-DAD法同时测定四物汤中10种化学成分含量的方法。属于中药成分分析领域。其步骤如下：(1)混合对照品溶液的配制。(2)供试品溶液的配制。(3)测定法：采用HPLC-DAD法测定混合对照品及供试品的浓度。色谱条件：色谱柱：elit?C18(250mm×4.6mm，5μm)；检测波长：280nm；流速：0.8mL·min-1；柱温：30℃；进样量：20μL；梯度洗脱条件：0~2.0min，体积分数为2%的甲醇等度洗脱，2.0~15.0min线性增加至20%的甲醇，15.0~25.0min为体积分数20%的甲醇等度洗脱，25.0~42.0min线性增加至100%的甲醇，42.0~45.0min为100%的甲醇等度洗脱。本发明所建立同时测定四物汤煎剂中10种化学成分的分析方法简单方便、重复性好，准确可靠，可为四物汤煎剂质量控制提供依据。