以高性能纤维（玻纤、碳纤、芳纶等）为增强体，通过自有独特专利技术制备三维正交、角联锁、间隔型机织物以及三维多向编织物，并通过树脂改性、复合成型等技术集成制备成系列三维机织、三维编织复合材料。系列结构材料具有质轻、高强、高模、耐冲击等性能、阻燃、隔音、隔热等特性，可广泛用于交通工具、体育用品、军事、安全防护等领域。 关键技术 ① 重构出“纤维-预制件-复合材料”在空间位置的真实图像，再现复合材料内部纤维束空间路径、偏转和纤维束间的接触状态，定量揭示工艺织造参数之间的关联关系；基于连续介质假设和有限变形理论，建立三维机织多尺度结构设计方法。 ②以界面相的微观结构为切入点，从设计合理的碳纤维-环氧树脂界面微结构入手，将碳纳米材料作为纳米改性剂引入碳纤维/环氧树脂复合材料界面中，揭示其界面增强增韧机理，最终确立界面、结构与性能的关联机制。 知识产权及项目获奖情况 （1）一种用于宽幅扁平碳纤维丝束的连续定型工艺ZL201010519415.1 （2）一种适用于无弯曲织物织造的夹头 ZL201310303000.4 （3）一种适用于无弯曲织物织造的送经装置 ZL201310302349.6 （4）一种无弯曲织物织造的纬纱递进装置 ZL201310302920.4 （5）一种体密度梯度变化的碳纤维针刺预制体 ZL201410159117.4 （6）一种深交联结构碳纤维增强酚醛树脂基摩擦材料及其制备方法ZL201501531119.6 项目成熟度：成熟度 5 级 投资期望及应用情况 ：可广泛用于交通工具、体育用品、军事、安全防护等领域。 

开发前景及产业化效益分析：随着介入诊疗技术的发展，介入性诊疗器材产业作为新兴的医疗器材产业也迅速发展壮大，以每年25%以上的速度增长， 到2015年，预计将达到300-400亿元。其中冠脉支架增长速度达到45%左右， 其市场规模占介入诊疗器材产业产值的60%。 然而，国产支架自主产权的缺乏，使之在国际市场时常受到专利侵权的阴影。 所以亟待开发具有完全自主知识产权的，疗效更加优良的血管内支架。本项目 系列支架产品，可称为内皮“友好型"血管支架克服现有支架的缺陷，消除平滑肌细施增生，减少不可降解的聚合物产生的炎症，减少血管内再狭窄。

　　上海天路公司是专业生产塑胶跑道、塑胶地坪、安全弹性胶垫、大型玩具、健身器材，集设计生产施工销售一条龙服务。　　公司拥有专业生产聚氨酯铺装材料的化工生产厂，具备完善的专业设备，先进的生产工艺和完备的测试手段，同时由天路弹性研究所高级专家裘士廉、茅青组织了一支造诣较深的科技队伍。　　我公司生产的"天路"牌聚氨酯塑胶跑道、塑胶地坪、安全弹性胶垫属国家高新科技产业，并获国家专利，产品质量完全达到国际先进水平，产品主要性能已经国际权威机构--英国C.S.T.检测合格，符合BS7188标准；并接受国家体育产品最权威的检测机构华东理工大学聚氨酯质量检验中心的定点检验，符合GB/T14833-93标准。九九年被国家建设部唯一评选为新型绿色环保建材名优产品。　　公司本着诚信、务实的精神，欢迎各界朋友有识之士来我公司洽谈业务，谋求合作、共同发展。

青岛钜策碳材料技术研究院有限公司成立于2020年05月26日，注册地位于山东省青岛市黄岛区滨海街道古镇口军民融合创新示范区融合路687号，法定代表人为朱波。经营范围包括从事新型材料领域内的技术开发、技术咨询、技术服务、技术推广、技术转让;生产、销售：机械设备及配件；经营其他无需行政审批即可经营的一般经营项目。

产品详细介绍    在国内各种行业都向无污染、高环保的方向可持续发展的趋势下，低碳建筑已逐渐在国内流行。作为建筑材料中的低碳专家，单面金属复合墙板（也被称之为单面石膏彩钢板）统称为金属复合墙板逐渐在城市建设中展现出巨大优势。金属复合墙板质量轻，有保温、隔热、吸音、防火等性能，并广泛应用于各种大规模工程，像各种大型厂房、办公楼、学校等。正是由于这些优点，使金属复合墙板在建筑业中的地位得到提升。       金属复合墙板作为新型的建筑建材，它的发展极为迅速，也逐渐成为时下使用最广泛的建筑材料。在这近十年的改良进步中，金属复合墙板经历了从单层彩色钢板到单层石膏复合彩钢板混合的发展阶段。金属复合墙板的种类也趋向多样化，这也使得金属复合墙板在各类应用中变得更广泛。而从今后的发展趋势看，金属复合墙板更向多样化和安全性的方向发展。金属复合墙板的型号、图案、颜色将更丰富，厚度也会不断增加，在性能上金属复合墙板将更保温，更防火。    穹明科技根据客户的不同需求和金属复合墙板在不同领域的应用，不断对金属复合墙板进行技术改良和创新，为金属复合墙板增加了更多应用价值。在这种良好的发展趋势下，金属复合墙板的市场前景会更加广阔。

产品详细介绍腾讯深汕云计算数据中心腾讯深汕云计算数据中心位于深圳汕尾特别合作区，是深汕特别合作区成立来引进的首个重大项目和龙头项目。一、项目特点:1. 投资规模大、产业关联度高、辐射效应强腾讯深汕云计算数据中心总投资20亿元,是服务器20万台的国家云计算示范工程。该项目投资规模大、产业关联度高、辐射效应强，完全建成后将为华南地区数亿互联网用户提供优质服务，同时还将建立为大量的第三方应用服务的开放式平台，提供开放式接口，能够为互联网产业的发展发挥聚集效应。2. 获得“多赢”结果，强大的数据中心资源“云” 该项目落户深汕特别合作区将获得“多赢”结果。腾讯将该项目作为业务发展新的着力点，并借此完善其在全国的战略布局，借助对华南和沿海地区的良好覆盖，该数据中心将和腾讯在华北、华东的云数据中心一起形成全国性布局，连成一片强大的数据中心资源“云”。3. 发展“总部＋基地”、“研发＋基地”、“服务＋基地”的先导示范效应该项目对发挥龙头企业和重大项目的带动作用，加快推动深圳产业转型升级和双转移，大力发展“总部＋基地”、“研发＋基地”、“服务＋基地”的外溢性经济，协调平衡区域经济发展具有重要的先导示范效应，将有效提升企业投资合作区的信心，增强合作区招商引资吸引力，对合作区实现“一年起好步”的发展目标意义重大。合作区将以该项目落地为契机，将区位优势转化为经济发展优势，提升产业承接能力，全面推进合作区开发建设，为深圳加快产业转型升级和汕尾的跨越式发展做出积极贡献。4. 深汕两市优势互补、深化合作的重要成果腾讯深汕云计算数据中心是深汕两市优势互补、深化合作的重要成果，必将有力带动合作区的相关产业发展，对促进互联网产业技术变革、加快新一轮科技进步也将起到重要的推动作用。深圳市将与汕尾市一道推动项目建设，吸引更多优秀企业到合作区投资发展，力争早日实现优秀企业“花满园”、科技创新“果满枝”的繁荣景象，努力把合作区建设成为全省乃至全国区域合作创新示范区，为“加快转型升级，建设幸福广东”作出积极贡献。二、穹明金属复合墙板在此项目中的完美运用设计性:1.建筑载荷小，属于轻质隔墙类型2.坚固、耐震、防火、耐火满足现代建筑装饰要求3.墙体内设夹层可配管、配线 4.综合造价合理实用性:1. 增加建筑使用面积，墙体厚薄可自由选择2. 空间划分灵活、可重复使用便于用户维修、改建，节约成本3.美观、清洁、舒适，现场完工即可迁入办公，不污染环境、不产生大量废料，具有环保和节约资源的效果 4. 断热、隔音、吸音及抗震具有国际先进水平的建筑内装修，内隔断装饰材料要求

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