用于演示一年中因地球公转，太阳直射点移动而造成的正午太阳高度、昼夜长短的分布和变化规律。

XM-606A右半脑带血管和神经模型   XM-606A右半脑带血管和神经模型显示大脑半球、间脑、小脑和脑干中脑、脑桥、延髓各个部分以及脑神经和脑血管等结构。 尺寸：自然大，15×15×6cm 材质：PVC材料

产品详细介绍HXZJ-IV平面和立体足迹提取箱重量：10.6kg尺寸：565x295x225mm价格：2200.00元 立体足迹提取盒产品功能1.静电法提取成趟灰尘足迹。2.静电法提取单个灰尘足迹。3.静电法提取软质表面上的灰尘足迹。4.压敏胶提取高灰尘足迹。5.黑色硅胶足迹提取片提取水渍足迹。6.石膏法提取立体足迹产品配置序号 产品名称 数量 序号 产品名称 数量1 HXJD-Ⅵ型静电吸附器 1台 13 黑色硅胶足迹提取片 5张2 1.2米接地线 1根 14 30x15cm折角比例尺 2把3 8米接地线延长线 1根 15 5米卷尺 1把4 充电器 1个 16 红黄白防水粉笔 3支5 电源适配器 1个 17 毛巾 1条6 提取成趟足迹静电膜 10卷 18 汗布手套 2双7 提取单个足迹静电膜 14张 19 一次性鞋套 4双8 静电板 4张 20 一次性口罩 5个9 足迹保护盒 1个 21 一次性帽子 5个10 灰尘固定剂 1瓶 22 立体足迹提取盒 1个11 黑色衬底足迹提取片 5张 23 铝合金箱 1个12 白色衬底足迹提取片 5张       立体足迹提取盒内容：塑料足迹框 2付 组合成长方形框架，围住足迹。标准袋装石膏 2袋 水瓶灌满水，全部倒入石膏袋，手抓石膏袋，使石膏与水完全混合，缓慢浇筑在足迹上，一袋石膏正好可灌制一枚足迹。标准容量水瓶 1个网状石膏筋 2个 浇筑一半石膏时，将网状石膏筋铺在足迹上，再浇筑剩余的石膏。足迹标牌 2个 浇筑完成后，将标牌放在足迹上，石膏凝固后标牌被固定，可在其上书写。 

可组装结构，包括线圈、常开、常闭、公共端连接件、底座等。

XM-623椎骨和脊髓、脊神经关系模型   XM-623椎骨和脊髓、脊神经关系模型显示脊髓的被膜及其周围的血管神经，椎管内有三层被膜包围脊膜，即硬脊膜、蛛网膜和软脊膜，三层被膜在枕骨大孔处与相应的脑膜相延续，31对脊神经穿出脊髓和椎管时，三层脊髓被膜随之伸延一段距离，并逐渐变薄，移行于神经外膜中。 尺寸：放大，42×27×25cm 材质：PVC材料

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。