特点 高传输功率，低损耗，性能稳定，温升低。 用途 广泛用于各种电子仪器和设备，电视机，计算机通讯设备。  

参数设置 (WH6 仪表) 零点校准(出厂已预设，特殊情况需调整)：高低液位报警值设定： 高水位报警：溢流水位下5-10cm例如设定AH高位报警值设定5.5米 低水位报警：最低有效水位上5-10cm 例如AL低位报警值设定3.5米   系统测试 缓慢向水池注水，观察显示值与实际水位是否一致 达到高低水位报警值时，验证声光报警功能和消防泵联动 检查控制室与现场显示是否同步，误差应 <1cm (精度范围内) 特殊情况处理： 流动液体：将探头放入 φ45mm 保护钢管 (管壁开孔)，再固定于水中 高温环境(>60℃)：使用高温型 WH311 或加装散热装置 强干扰场所(如变电站)：使用三重防雷型 WH311，屏蔽层双端接地 七、安装验收要点 探头垂直安装，距池底 0.5-1 米，远离进出水口 电缆固定牢固，屏蔽层可靠接地，防水措施到位 显示仪表安装规范，消防控制室与现场显示一致 高低水位报警功能正常，能联动消防泵控制 符合《消防给水及消火栓系统技术规范》GB50974-2014 要求 WH311 消防水池液位显示装置安装遵循 "探头垂直安装→电缆可靠连接→仪表规范安装→系统精确调试" 的流程。安装关键在于确保探头位置准确、电缆屏蔽良好和系统联动可靠，这样才能为消防安全提供稳定准确的水位监测。安装完成后，建议每季度进行一次校准检查，确保长期测量精度。

本发明公开了一种基于有限状态自动机的语音情感交互装置与方法。所述装置包括：语音采集模块，用于设置录音源、采样率、音频通道、音频数据格式，完成后向原始文件写入裸数据生成文件A；对文件A进行语音情感识别的语音情感识别模块；通过情感的载体进行情感交互的语音情感交互模块。语音情感交互模块包括：有限状态自动机模型的构建模块，用于采用有限状态机描述语音情感状态及其转换过程；情感交互状态转换表的建立模块，用于有限状态自动机转换函数的定义和有限状态自动机转换函数的确定；转换矩阵模块，用于在有限状态自动机模型中，用状

型号：KL-040SD【变波+脱气模式】功率：240W 频率：40KHz容量：10L品牌：Kelisonic/科力超声科力超声支持定制各种双频超声波清洗机，高频超声波清洗器产品特点：Kelisonic®SD系列变波脱气多功能小型超声波清洗机通用于各种实验室电子厂，医疗器械，珠宝钟表，牙科，光学等行业应用的超声波清洗科力小型超声波清洗机配备工业型40KHz高效超声波换能器，容量从3.2L-30L多种规格可选。 

Kelisonic®KG-X6超声波发生器产品特点： 超声波清洗发生器采用全数字化设计，键控自动搜频，使频率点精度更高；独特的恒流功能，不管负载如何变化，确保超声波输出恒定；三屏显示，可同时显示三个参数如：超声波频率；输出电流，定时增加RS485和PLC通讯接口；科力超声波清洗发生器采用防腐蚀设计，保证不受使用环境的制约，使用寿命更长。深圳市科力超声波洗净设备有限公司可提供25KHz超声波清洗发生器；28KHz超声波清洗发生器；40KHz超声波清洗发生器，以及双频超声波清洗发生器，高频超声波清洗发生器。 

特点紧凑，更坚固，抗震，抗潮，抗电强度高。该产品部分型号通过VDE认证，符合RoHS要求。用途广泛用于音响、空调，程控交换机，家电产品控制电路用。 EI30 系列 

本成果是获得授权发明专利的专利成果（ZL 201310080656.4）。该成果公开了一种语音同步驱动三维人脸口型与面部姿势动画的方法，通过用户输入新的语音信息，经过预处理之后，在虚拟人的人脸头像上合成与语音同步的口型动画和面部姿势动画。本发明具体包括两个阶段，在训练阶段，通过KNN和HMM的混合模型实现语音可视化建模；在合成阶段，通过用户输入新的语音信息，先进行语音信号的特征提取，再经过KNN和HMM混合模型生成与语音信号相对应的人脸面部姿势和口型帧序列参数，经过平滑处理后，使用Xface软件合成更加细腻、丰富的三维人脸动画。本成果不仅具有重要的理论研究价值，而且在可视通信、虚拟会议、游戏娱乐和教学辅助等领域有着广阔的应用前景。

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

        技术成熟度：技术突破         研发团队以设计制备宽光谱超材料吸收器和像元级集成红外探测器为研究主线，在超薄宽带高吸收原理与策略、材料/器件设计与制备方面取得了突破性进展。围绕器件吸收率低、噪声等效温差（NETD）大、集成兼容性差的难题，提出了无损与损耗型介质结合、多模谐振耦合光吸收的思路，获得超薄宽带高吸收率材料；提出将超薄宽带高吸收率材料与非制冷红外探测器像元级集成新思路，获得了宽谱、NETD小、多色探测的非制冷红外探测器，NETD降低3倍，研究成果已在中国兵器北方夜视广微科技应用转化。         意向开展成果转化的前提条件：中试放大及产业化工艺开发资金支持