饮用水过程中预处理和深度处理通常是分别在饮用水常规处理工艺之前和以后，采 用适当地处理方法，将常规处理工艺不能有效去除的污染物或消毒副产物的前体物加以 去除，以提高和保证饮用水质。臭氧活性炭技术是目前饮用水处理中最为有效和经济的 处理工艺之一，臭氧是一种强氧化剂，它对水体中病毒的灭活十分有效，将其作为饮用 水预处理技术，可氧化部分溶解性有机物和有效改善常规处理混凝效果。臭氧生物活性 炭采取先臭氧化后活性炭吸附，在活性炭吸附中又继续氧化，这样可以扬长避短，充分 发挥活性炭吸附和臭氧氧化各自所长，克服各自所短。通过该工艺，臭氧能使难氧化降 解的高分子有机物被氧化成易生物降解的低分子有机物，这不仅为炭柱降解有机物创造 了条件，也减轻了活性炭的吸附负荷。同时，臭氧氧化使水中有充足的溶解氧，反过来 又为好氧微生物的生命活动提供了良好的条件。其中，生物活性炭是利用微生物去吸收 利用被活性炭吸附的污染物，客观上起到了使活性炭再生的作用。通过长期中试和生产 性试验证实：对于微污染黄浦江原水，经处理后水质达到了《城市供水水质标准》（CJ/T 206-2005）要求和即将颁布的《生活饮用水卫生标准》要求。试验结果处理后主要水质 指标氨氮≤0.5mg/L，CODMn≤3.0mg/L，能将 Ames 致突变试验阳性的原水转变为 Ames 致 突变试验阴性的出厂水。

一、项目分类 关键核心技术突破 二、成果简介 近十几年来，随着污水厂一级A排放标准的提标改造工作的快速推进，有效削减了全国范围内有机物、氮源及磷源的排放，有效缓解了水生态环境的压力，在一定程度上控制了黑臭水体及富营养问题的发生。然而全国范围内的水污染问题是分布不均的，部分流域存在环境容量较小、生态环境脆弱，容易发生严重环境污染问题，2015年环保部针对生态环境脆弱等敏感水体提出更为严格的特别排放限值。随后北京、河南、天津、安徽、江苏和浙江等省市相继发布了新的地方排放标准，各地出台的高标排放限值在污水处理厂掀起了新一轮的提标改造工作。

针对垃圾渗滤液中的COD、BOD5及氨氮浓度较高，水质水量变化大，污染物种类繁多，可生化性差的问题，研究开发的垃圾渗滤液全量化处理工艺实现了零浓缩液排放，出水水质达到《生活垃圾填埋场污染控制标准》(GB16889-2008)，该工艺基本不受水质水量变化的影响，自动化程度高，投资成本和运行成本为目前普遍采用的膜处理工艺的1/3。该工艺已经在渭南垃圾渗滤液处理场进行中试，取得良好效果。该工艺技术申请国家专利2项，已授权1项。

成果介绍针对采用比例积分观测器法，结合电池荷电状态估计，设计能够同时对模型参数和电池荷电状态同时进行估计的算法，可应用于整车的BMS软件算法设计。搭建的软硬件平台可应用于BMS算法测试。技术创新点及参数(1)采用比例积分观测器法，结合电池荷电状态估计，设计能够同时对模型参数和电池荷电状态同时进行估计的算法；(2)在观测过程中模型参数可实时更新，算法满足李雅普诺夫方程，估计计算时可保证收敛；(3)更好的动态特性与电池充放电周期整体估计精度，且在电流信号有噪声时仍有较好的估计精度；(4)基于STM32芯片主控，AD7280芯片采集数据，μC/OS-III系统完成了控制系统软硬件设计。台架实验表明，系统信号采集精度良好，性能实现成功；(5)采用OCV法对Ah法进行纠正，获得新的综合SOC估算值，针对性地设计了初值确定方法，得到改良的SOC估计算法。*明该算法能在整个电池恒流放电过程中稳定估算SOC；(6)为考虑电池工作过程中的产热，对传统的SOC估算方法，引入温度约束，建立改良的SOP估计算法。*明该算法能很好地考虑电池温度对SOP估测影响而提升估算精度；(7)采用STM32F103芯片主控，AD7280A芯片采集信息，μC/OS-III系统建立了BMS软硬件系统，并进行了实车试验。结果表明改良后的估计算法精度良好可靠，所设计BMS具备出色的控制性能。市场前景本项目的涉及的算法设计及软硬件架构，可以采用成果授权、成果转让或者技术服务的形式与汽车零部件供应商产生合作。

与传统图片级分类标注方法相比，Visionome技术可多产生12倍标签，而这些标签训练出来的算法显示了更好的诊断性能。基于此技术，团队训练出可准确识别多种眼前段病变的裂隙灯图像智能评估系统，可应用于大规模筛查、综合分诊、专家级评估、多路径诊疗建议等多个临床场景。不仅在回顾性数据集中表现出眼科专家级别的诊断水平，在前瞻性数据集中也表现出色。使用者通过在Visionome诊断系统中上传眼前段图像，即能一次获得多个部位的全方位诊断，与传统的人工智能算法相比，Visionome系统可生成更加全面、精细、具体的报告，真正让医学人工智能应用揭开神秘的面纱，成为一个接地气的“医生”。

谐波电能计量及其仪表用以定量描述电能生产、 传输、消费的全过程，广泛应用于包括光伏、风电、电动汽车、 充电站在内的新能源及传统电力系统。 项目主要功能包括：自适应迭代分解电压和电流信号得到 谐波与间谐波成分，计算其谐波含量；计量各个谐波/间谐波成 分的四象限电能计量参量；具有有功、无功能量脉冲输出，记 录参数设定、开盖检测以及电压不对称、过压、过流、超限等 事件，具有液晶循环显示功能，可通过 RS-48

本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。 一、项目分类 关键核心技术突破 二、成果简介 切割问题和装填问题在学术界属于一类经典的NP 难问题，它们有着众多的变种，例如：一维的背包问题，二维的矩形切割问题，三维的装箱问题等。其中以二维的场景应用最为广泛，相关求解算法可以作为玻璃、板材、管材、服装切割套料智能制造的算法内核。 本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。 对于玻璃切割问题约束复杂的特点，本软件有针对性的提出了一种局部解的表示方法，它使算法的分布式部署成为可能，并且大大减少了程序运行时的内存开销。为了提高算法的效率，软件采用了贪心随机的基本搜索框架，并结合问题特点，将搜索过程分为多层嵌套进行，以提高搜索的灵活性和精确性。

本发明公开了一种评价降相关算法效果的方法，首先通过对原始协方差阵进行 Cholesky 下三角（LLT） 分解，选择 L 矩阵作为规约基计算原始协方差阵的长度缺陷。其次，对原始协方差阵进行降相关，然后得 到降相关后的协方差阵，再对其进行 Cholesky 下三角（LZLZT）分解，同样利用分解后的 LZ矩阵计算其长 度缺陷，计算方法简单且顾及了矩阵维数。最后，降相关前的长度缺陷和降相关后的长度缺陷进行做差，得 到的数值越大，表明降相关效果越好。该方法可以有效的评价降相关效果，同时长度缺陷考虑了协方差阵的 维数问题，且计算简单，克服了耗时等问题。从而有效的提高了评价方法的稳定性和实时性。 

该平台包括多项核心技术和技术优势： （1）基于逻辑隔离机制的算力主机安全保护。实现了一种基于逻辑隔离机制的沙箱算力环境，能够独立于用户的系统进行计算。通过计算环境隔离、数据的存储隔离、网络环境的隔离，保障了算力运行环境独立于用户系统，互不干扰。 （2）多源异构数据的混合学习模型。提出一种基于深度学习的多源异构数据的混合学习模型，该模型通过深度学习进行不同数据源的特征提取，然后再通过深度学习的融合训练得到结果。 （3）高并发任务的调度。采取动态分配任务的机制，根据当前不同地区网络的传输速度，算力的分布情况，训练数据量的大小，根据制定的规则找到最合适的几个服务地点进行任务分配、数据传输以及分布式训练，最大化地利用当前算力资源。 （4）数据隐私保护。通过联邦学习、同态加密训练、区块链数据确权等方式加强对用户数据的保护。实现了一套基于同态加密和多方安全计算的训练系统，能够完全保护用户的数据隐私性。 （5）区块链记录及激励。“计算即挖矿”，系统根据用户提供的计算资源以及资源利用率来进行区块的奖励，算力越大获得的奖励也就越多。通过搭建的区块链可以记录数据的交互信息以及使用权，并可搭建智能合约平台。 该协作学习平台撮合各方业务和资源，包括算力、数据、模型，结合分布式机器学习、安全多方计算技术，提供保护隐私数据、算法模型前提下的协作学习服务，通过底层分布式账本记录，电子合约对接供需方，智能匹配资源对接，建立AI协作生态。具有以下优势：协作低成本、平台化；具备数据隐私保护，打破共享壁垒；后台底层账本对平台使用中产生的模型、数据、算力、广告收入等进行管理，保证数据可信；操作便捷，可提供定制化服务，高效最优匹配。02. 应用前景 该协作学习平台可用于人工智能、互联网广告、金融等领域，为中小型企业、科研机构或个人提供算力共享、数据共享、模型共享与模型开发等服务，具有广阔市场前景。03. 知识产权 已申请发明专利16项，登记软件著作权1项。04. 团队介绍 本成果团队长期研究区块链、人工智能、网络安全等。团队课题负责人为徐恪教授、博士生导师，清华大学计算机系副主任，国家杰出青年科学基金获得者，北京市卓越青年科学家。获得国家科学技术进步奖二等奖、国家技术发明奖二等奖，2011年获中国计算机学会青年科学家奖，是中国电子学会理事和中国计算机学会理事，曾在ACM SIGCOMM、IEEE/ACM TON、IEEE Communication Magazine等知名国际会议、期刊发表论文100余篇，近五年获得中国发明专利授权四十余项，获得美国发明专利8项。团队成员还包括多位教授、副教授、研究员和博士研究生。05. 合作方式 投融资 / 商务合作。06. 联系方式 邮箱：liuyi2017@tsinghua.edu.cn