XM-QD高级多功能气道管理模型   XM-QD高级多功能气道管理模型以头颈部解剖结构原理为指导，参考《急诊护理学》、《耳鼻咽喉－头颈外科学》、《麻醉学》等临床教材内容设计而成，具有皮肤、皮下组织、气管和食管等头颈部解剖结构特点，可进行气管插管、人工呼吸面罩通气、口腔气管液体异物吸引等操作训练。   一、功能特点： ■ 具有精确的头颈部解剖特征，可以更加有效地讲解Sellick手法和气道痉挛。 ■ 模拟气道可以插入喉罩和复合插管。 ■ 提供清除气道阻塞和吸引液体异物的操作练习。 ■ 可经气道管理模型口或鼻进行气管、咽、食管插管。 ■ 可进行口腔、口咽、鼻咽吸引，通过支气管镜进行经口或鼻支气管吸引。 ■ 可以进行打开气道练习和复苏球-面罩、复苏球-插管之间通气练习。   二、标准配置： ■ 高级多功能气道管理模型：1台 ■ 手提铝塑箱：1个 ■ 气管插管：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

智能家居式管理24小时图书馆将各种设备连接到一起，智能开关、照明控制、手机APP远程控制、设备运营监控等多功能联动。

呼吸慢病患者物联网管理平台，主要是对患者的个人身体检测数据进行采集、主要是手环、听诊器、体温计的数据采集，医生对患者的听诊音频进行审核分析，并给出诊断报告；以及心肺音数据的切片标记。和呼吸慢病患者可视化分析，利用可视化工具提供丰富的图表展示，提高结果的可读性。

呼吸慢病患者物联网管理平台，主要是对患者的个人身体检测数据进行采集、主要是手环、听诊器、体温计的数据采集，医生对患者的听诊音频进行审核分析，并给出诊断报告；以及心肺音数据的切片标记。和呼吸慢病患者可视化分析，利用可视化工具提供丰富的图表展示，提高结果的可读性。

教室智能运维管理平台结合先进的AI、大数据、物联网等技术，与先进管理体制与先进管理模式相融合，建立现代化的智能运维体系，让教室管理更高效、更科学 产品特性： AI智能巡检，智能识别设备故障，主动防范教学事故 支持教学管理人员远程巡课 多维度可视化数据分析，助力科学决策 信息化建设成果展示 为满足多样化的大屏展示需求，智能运维管理平台能够充分呈现信息化建设的关键成果，如信息化系统建设情况、信息化设备日常使用情况，以及智能化系统的实时运行态势。  AI运维系统 当前许多的运维工作还是靠人工完成，例如教室设备巡检、设备关机检查、调换教室等。特别是巡检工作主要靠运维老师定期完成，平时只能根据报修电话被动开展检查维护。运维管理平台依靠AI技术，可按需（每天/隔天）对教室设备进行自动检查，实现课前发现问题，辅助分析解决问题，达成课中无故障的目标。同时智能机器人24小时值守，自动完成管理员设定的各类智能策略，帮助管理员实现简单而高效的运维工作。 教学设备统一管控 教室综合运维管控平台可以实现对教室内所有的教学设备设施进行统一集中的自动化管理。包含对传统多媒体教学设备（如：电脑、投影机、投影幕、功放等）、在新型教学理念支撑下所出现的新型教学设备，如：交互大屏等，以及环境控制设备（如：灯光、窗帘、空调等）进行自动化、智能化的控制。 教室巡课 平台专门为教学管理人员设计了的巡课功能。在办公室即可远程巡视教师的上课过程，通过教室的实际画面，也可通过勾选只看上课教室查看正在上课的教室，点击某一教室画面会进入巡课三画面页面，包括教师画面，学生画面，电脑画面。 移动运维系统 教室智能运维管理平台为更好的服务于教室管理老师，提升工作效率，提供了移动运维客户端，即使不在办公室，也能完成大部分教室远程管控工作。实现教室设备移动管控、设备故障移动处理，提升整体服务的效率和体验。。 统计分析 教室智能运维管理平台通过多维度分析教室运维管理的各项工作指标，形成量化数据并以图形化的方式呈现，为相关领导提供决策支撑。统计分析包括教室设备使用情况分析、故障统计与分析、灯时统计、能耗统计等模块。  

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。

中山大学黄立南教授课题组利用大规模宏基因组数据，探究酸性矿山废水（acid mine drainage, AMD）底泥环境中病毒物种和功能的生物地理分布及其对原核微生物群落、理化因子、气候条件以及地理距离的响应，促进了对于自然环境中病毒-宿主-环境三者间相互作用关系的理解。

针对高缺陷炭负极电化学储钾容量与稳定性难以兼顾的问题，报道一种原位缺陷选择性调变与导电骨架搭建策略，通过热力学与动力学双重调控，提高缺陷炭负极电化学储钾综合性能。