本发明公开了一种微流控芯片及其在单分散纳米颗粒制备中的 应用。所述芯片包括内管、外管和外管进样头；所述内管与外管共中 心轴套接；所述内管一端为尖端出样口，深入外管内部，内管另一端 为进样口，伸出外管外部；所述外管进样头嵌合在外管管壁上。本发 明提供的微流控芯片结构简单，使用寿命较长，具备各向均一性，制 备的纳米颗粒单分散性好，粒径一致。 

本发明公开了一种UV固化电纺的彩色微纳米纤维绞线及其制备方法，缠绕成所述绞线的微纳米纤维带有色彩，所述微纳米纤维含有光固化高分子材料和彩色光疗胶，所述微纳米纤维通过无溶剂电纺纺丝前驱液制得，电纺过程在少氧紫外光照环境下进行，所述纺丝前驱液含有光固化材料的液体预聚物、光引发剂和光疗胶，不含有机溶剂。该绞线具有丰富饱满的色彩，且牢色度好，不易掉色，具有较好的力学拉伸性能，同时在静电纺丝制备过程中无需添加有机溶剂，制备过程更加安全环保，适宜大规模生产。该装置在静电纺丝领域有一定的应用潜能价值，而且在制备过程中无需添加有机溶剂，安全环保，适宜大规模生产，具有很好的应用前景。

本发明公开了一种具有电磁性能的柔性微纳米纤维绞线及其制备方法，缠绕成所述柔性微纳米纤维绞线的微纳米纤维含有光固化高分子材料、导电物质和磁性纳米颗粒，所述微纳米纤维通过无溶剂电纺纺丝前驱液制得，电纺过程在少氧紫外光照环境下进行，所述纺丝前驱液含有光固化材料的液体预聚物、光引发剂、导电物质和磁性纳米颗粒，不含有机溶剂。该微纳米纤维绞线具有优异的力学性能，且具有良好的电磁性能，同时在静电纺丝制备过程中无需添加有机溶剂，制备过程更加安全环保，适宜大规模生产。

本发明公开了一种硫酸头孢喹诺的肺靶向PLGA微球制剂及其制备方法。所述靶向微球制剂是以硫酸头孢喹诺为原料药，以PLGA为载体，按原料药与载体的重量比为1：5~20制得，本发明还提供了靶向微球制剂的制备方法。本发明的有益效果是：所制备的微球包封率在60%以上，85%以上的微球粒径分布在7~35um范围内，因此微球制剂可靶向富集到肺部，有效提高药物的疗效，降低药物的毒副作用；同时可延长药物在肺部的滞留时间，维持血药浓度平稳，起到长效的作用。

本发明属于生物化工领域，具体涉及一种通过连续流微反应装置光催化辅酶NADH再生的方法。所述方法包括如下步骤：(1)将g‑C<subgt;3</subgt;N<subgt;4</subgt;‑SO光敏剂与电子供体，电子介体以及NAD<supgt;+</supgt;置于磷酸盐缓冲液中，在黑暗条件下均匀混合搅拌，得到光催化反应原液；(2)将步骤(1)所得光催化反应原液置于设有光照的微通道反应装置中进行光照处理，连续得到所述辅酶NADH。本发明采用g‑C<subgt;3</subgt;N<subgt;4</subgt;‑SO光敏剂，通过连续流微反应装置光催化辅酶NADH再生。所述光敏剂的合成步骤简单且成本低廉、反应条件温和、反应装置操作简单，显著提高辅酶NADH再生效率，在生物催化二氧化碳还原为高值化合物方面具有广阔的应用前景。

通过在BCG表面表达FimH蛋白，赋予了BCG靶向肿瘤细胞糖基化的能力，达到了增强BCG对膀胱肿瘤细胞的选择性黏附和增强免疫反应的一箭双雕的效果，在膀胱癌原位模型中展现出了出色的抗肿瘤效果和良好的安全性，为临床BCG菌株的减毒增效提供了新的策略，具有极大的临床转化潜力。

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。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。

电子科技大学电磁环境仿真及智能处理平台采购项目竞争性磋商