以煤为基础是我国的基本能源格局，目前传统的煤炭利用效率低、污染严重 (利用效率不到70%,二氧化硫和粉尘占大气污染80%以上)，发展洁净煤技术是必然的选择。水煤浆（Coal Water Mixture，简称CWM）是将具有一定粒径分布的煤粉分散于水介质中制成的高浓度煤/水分散体系（煤含量65～70%），是一种经济的、洁净的、可代替石油和天然气的液体燃料和化工原料。性能良好的水煤浆应具备：高浓度和高稳定性等要求，煤水的界面性能相差很大，必须用界面改性剂来改善煤水界面相容性，因此添加剂技术是水

全天候室外视觉导航:难题内容是恶劣气候，或环境变化较大时导航效果不是很好。

高分子新材料

高动态范围图像(High-Dynamic Range，简称HDR)，相比普通的图像，可以提供更多的动态范围和图像细节。具备HDR技术的LED屏幕可以显示更精细、更高对比度、更高色彩还原的画面。 色域也进一步的扩展 更好的还原了大自然真实的颜色 行业内唯一一家同时支持HLG/HDR10两种HDR格式 高动态范围宽色域技术极大化视觉综合体验，让LED显示屏显示效果无与伦比

节能作为时代发展的必然趋势，拥有优秀的节电性能的产品才能在长时间使用过程中不被时代淘汰,奥拓电子的LED产品具有多项节能的专利技术。 精准电压控制技术 无风扇设计，优良的散热结构 专利的智能亮度调节技术 驱动芯片智能开关技术

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

一、寻求废石资源综合利用技术研究技术 集团下属多家矿山拥有大量的采矿废石，其中德兴铜矿废石堆场累计堆存废 石约 18 亿吨，每年新增废石约 8900 万吨，其主要成分是：SiO2占 63.79%、Al2O3占 11.34%、 CaO 占 2.31%、MgO 占 2.21%、K2O 占 4.1%。 预期效果：实现废石综合利用，提升经济效益、社会效益和环境效益。 二、寻求SCR连铸连轧连铸机铸轮铜环国产化研究技术 铸轮铜环是 SCR连铸连轧生产线连铸机核心部件，直接影响整条生产线生产效率、产品质量，多年来一直依靠进口（德国 KME 公司），造成了采购成本高、资金占用大、废旧铸轮铜环处置困难等问题。SCR3000、SCR4500 生产线的铸轮铜环直径约2440mm，净重为625kg，主要成分为铜、铬、锆，其制备过程的熔炼、铸造、锻造工艺不明确，现有的国产替代产品存在寿命偏短、导热的均匀性不佳等问题问题，具体表现为表面开裂，局部形变、弯曲；铸坯经常出现“黑红坯”。 三、寻求德兴铜矿“以爆代破”新技术研究与应用技术 随着露天开采的深入，开采区域的斑岩面积占比不断增加，难爆区范围也越来越 大，制约我矿露天爆破质量的整体提升。当前的爆破技术经济指标与国外现代化大型露天矿山的爆破技术经济指标还存在较大差距，特别是难爆区以及部分极硬岩区域的爆破质量提高的幅度还不是很大，还有较大的改善空间，但存在技术瓶颈。以采选联合优化的理念，开展“以爆代破”新技术和新装备的研究和应用，特别是与岩性相匹配的炸药的研究和应用、先进爆破器材的应用以及爆破智能化水平的提高，形成整套“以爆代破”安全高效爆破技术，解决难爆区和极硬岩区爆破质量提升的技术瓶颈，实现德兴铜矿爆破质量“质”的提高，真正达到“以爆代破”的目的，从而更大程度的降低采、选综合成本

成果简介：现代大客车局域网CAN总线，采用PIC18F458单片机设计，可对大客车整车用电设备进行实时地检测与控制。现代大客车CAN总线是一种高速的、具备复杂的错误检测和恢复能力的高可靠性强有力的网络。 项目来源：自行开发 技术领域：先进制造 应用范围：汽车电器企业、汽车线束生产厂 现状特点：技术水平达到国外先进水平。整个系统由若干控制模块组成，模块间用CAN总线通讯，并带有总线休眠功能；系统工作可靠，具有过载保护功能；能适应汽车的工作环境，依