本实用新型涉及一种水塔式多层营养液供给的中药材培育装置,包括支架，支架包括支架主干，在支架主干的两侧连接多层横向固定架，在横向固定架上安置培育单元，培育单元内培育有若干中药材幼苗；支架的底部设有营养液供给箱，营养液供给箱上连接供液主管，供液主管上连接多个与培育单元一一对应连接的供液支管，各个培育单元的端部通过出液管与营养液供给箱连接，营养液供给箱通过供液主管和供液支管向各个培育单元供给营养液，为培育单元中的中药材幼苗提供所需的营养，同时也能保证营养液循环利用，使用方便。

本发明公开了一种在液相中采用激光焊接制备纳米复合材料的 方法，涉及纳米复合材料制备技术领域。其包括：纳米悬浊液制备步 骤，将纳米颗粒状的原材料均匀分散在液体媒介中，形成纳米悬浊液； 激光焊接步骤，向所述纳米悬浊液中引入设定波长、设定功率的激光， 并持续设定时间，以执行激光焊接，所述激光焊接过程中，持续搅拌 所述纳米悬浊液；分离步骤，分离出执行完激光焊接步骤的产物，干 燥获得复合纳米材料。本发明方法工作温度低、反应温和

（专利号：ZL 201510089923.3） 简介：本发明公开了一种高拉速下抑制结晶器液面波动的装置，属于冶金工艺优化技术领域。本发明包括聚流机构、分流机构及连接机构，聚流器侧面设有与其相连通的聚流口，聚流器内部设有挡流板，聚流器上部设有圆形孔，该圆形孔与其上方的连接管相连通，连接管与出流口相连通；分流器为一长方体，分流器上部设有若干通孔，分流器下部设有矩形凹槽；出流口与吊柱相连，吊柱与分流器相连，大吊柱一端与分流器相连，大吊柱另一端与

本实用新型公开了一种机电液一体化全密封波浪能发电装置。第一浮体与第二浮体固定设置在密封流管的两端，使得第一浮体与第二浮体托举整个波浪能发电装置漂浮在海上；密封流管内设有能量提取单元、导流机构和流体介质，波浪作用下装置往复摆动，流体介质在密封流管中经过能量提取单元地往复来回流动，使流体介质吸收波浪能并传递给能量提取单元生成电能，通过导流机构的设置使能量提取单元中的发电机始终朝一个方向旋转，完成波浪能发电过程。采用流体、机械、电气一体化设计，内部与海水完全隔绝，结构简单，活动件少，无动密封，通过优化所述浮体的内外形状设计、质量分布设计和涵管流道设计，可实现可靠、高效、稳定的波浪发电。

本发明涉及用于物件或物料贮存或运输的容器的加工领域，公开了一种用于套装大型液袋的全自动生产线，包括地轨、滑触线装置和贯穿每一个工位的运动单元以及依次设置的排料阀阀座安放工位、翻转工位Ⅰ、排气阀阀座/进料阀阀座安放工位、PE筒形薄料套装工位、PP筒形薄料套装工位、排气口/进料口切割工位、排气阀阀体/进料阀阀体装配工位、翻转工位Ⅱ、排料口切割工位、排料阀阀体装配工位和脱袋工位。本发明可实现多层PE筒形薄料和PP筒形薄料的自动套装、自动切孔、自动安放阀座和阀体并拧紧，最后自动脱袋，取代了大量的人工劳动，提高了生产效率；同时使产品生产的精度提高，保证了卫生情况，提高了产品质量。

本发明属于制冷剂技术领域，具体涉及一种制冷剂液滴的可视化测量装置和方法，装置包括：液滴进样系统，进样仓通过进样阀连接沿重力方向设置的毛细针管；高压可视化系统，毛细针管伸入与进样仓连通的观测仓；可视窗口设于观测仓相对侧壁，观测平台固定于观测仓内且在可视窗口间、毛细针管下方，热电效应半导体设于观测平台上；压力控制系统，电加热模块和半导体制冷片设于进样仓上，压力微控制单元与两者电联；光学成像系统，高速摄像机和光源设于可视窗口外，计算机与两者电联。与现有技术相比，本发明解决现有技术需高成本、操作复杂的高压进样设备且仅能测量液滴接触角。本方案通过液体工质的重力作用，实现高压环境下进样，不需高压进样设备。

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。

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

产品详细介绍产品简介：　　 纽迈科技推出的小鼠核磁共振成像仪能提供给您独特对比信息，准确而直观的反映活体动物内部情况，现MRI设备已广泛应用于生命科学领域。活体小动物磁共振成像仪是一款功能强大，无损伤性的成像分析仪，帮助您了解实验对象体内结构及各组织对比信息。该设备使用永磁体，维护成本低，性能优越，适合于生命科学相关领域科研应用。技术指标：1、磁体类型：永磁体；2、磁场强度：0.5±0.08T，仪器主频率：21.3MHz；3、探头线圈直径：40mm；应用解决方案：1、头部肿瘤类动物模型研究2、头部血栓、脑梗等动物模型研究 3、肝部肿瘤、脂肪肝、其它肝部疾病研究 4、皮下肿瘤研究5、靶向药物(纳米生物材料、MRI造影剂)研究6、肿瘤研究7、心血管疾病研究8、基于磁共振造影剂的靶向研究9、病理研究，肥胖研究10、胚胎发育研究11、肾脏研12、磁共振造影剂研究应用案例一：小鼠皮下肿瘤造影成像应用案例二：小鼠多层成像应用案例二：磁共振造影剂研究注：仪器外观如有变动，以产品技术资料为准。