产品详细介绍

产品详细介绍 u 三路麦克风输入 u 麦克风独立调节 u 线路立体声输入 u 录音立体声输出 u 外接4-16Ω喇叭 u 高、低音调节 u 话筒48V独立切换 u 话筒反馈状态独立切换 u 供电方式：AC220V/50Hz u 反馈移频量：5Hz±1Hz u 输出功率：100W u 频率响应：非反馈移频状态：20Hz ～ 20kHz       反馈移频状态：150Hz ～ 15kHz

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

在可持续发展战略的影响下，属于清洁能源范畴的纯电动汽车、混合电动汽车及燃料电动汽车的发展成为世界各国关注的焦点。传统的离合器空调压缩机在新型的电动和燃料汽车上无法使用，因此研制新型的电动压缩机成为电动汽车整车配套的必然选择。电动汽车器件布置比较紧、自重大，为了实现电动压缩机小型化和轻量化的目的，压缩机设计采用了直流无刷电机和涡旋压缩机一体化半封闭的设计方案。由于电机内有制冷剂和冷冻油流过，无法安装位置传感器，因此需要开发无位置无刷直流电机电动压缩机控制器。SED36型一体化整体电动压缩机及其控制器由华东理工大学和上海三电贝洱汽车空调有限公司合作自主开发，填补了国内空白，技术水平达到国际领先水平。申报了两项具有自主知识产权的国家发明专利和一项国际发明专利，两项国家发明专利已经公开。PCT专利申请号为：CN2004/001552；国家专利公开号：1538613和1635310。第一代产品通过了上海汽车工业科技发展基金会的验收，第二代产品经上海市科学技术委员会鉴定，鉴定认定技术达到国际领先水平。

在可持续发展战略的影响下，属于清洁能源范畴的纯电动汽车、混合电动汽车及燃料电 动汽车的发展成为世界各国关注的焦点。传统的离合器空调压缩机在新型的电动和燃料汽车上 无法使用，因此研制新型的电动压缩机成为电动汽车整车配套的必然选择。电动汽车器件布置 比较紧、自重大，为了实现电动压缩机小型化和轻量化的目的，压缩机设计采用了直流无刷电 机和涡旋压缩机一体化半封闭的设计方案。由于电机内有制冷剂和冷冻油流过，无法安装位置 传感器，因此需要开发无位置无刷直流电机电动压缩机控制器。SED36型一体化整体电动压缩 机及其控制器由华东理工大学和上海三电贝洱汽车空调有限公司合作自主开发，填补了国内空 白，技术水平达到国际领先水平。 主要技术参数：工作电压范围为DC280V-360V；压缩机转速为600-10000rpm； 输入功率等级为2.5KW；具有参数自适应和多种保护功能。 适用于纯电动汽车、混合电动汽车及燃料汽车空调系统；无位置无刷直流电机控制方法具 有技术通用性，适用于各个行业的无位置无刷直流电机控制

   对于MVB设备测试的内容及方法在国外已经取得了一定的成果，但测试工具、方法垄断，仅用在少数相关企业的产品。国内在此方面的研究还在起步阶段，目前还没有成熟的测试工具与方法。因此，基于此种情况参考IEC61375相关标准，设计测试方案进行测试。应用范围：     城市轨道交通领域的制动设备网卡的测试。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本发明公开了一种电动汽车负载随机接入无线充电的稳定控制系统及其方法，适用于电动汽车负载数量不确定的路口无线充电情形，属于电动汽车无线充电技术领域。该方法主要包括监测负载个数，根据负载个数得到稳态电压调控方案，进而基于动态功率有界波动域的监测点选取方法，分析得到最优监测点的位置，最终实现各负载充电功率稳定，解决单一发射区域多接收电动汽车负载系统中新增负载带来的电动汽车单体接收功率跌落问题。采用本发明的电动汽车负载随机接入无线充电的稳定控制方法，随着新负载的接入仍能保证各负载接收功率稳定，且接入过程中不对其他负载接收功率产生较大冲击。

本成果获教育部高等学校科学研究优秀成果奖（科学技术进步奖）。采用实验力学方法研究和掌握了在高应力、强流变、强采动影响等复杂条件下巷道破碎围岩岩体峰后软化、峰后剪胀扩容及流变等特性和规律；建立了围岩体力学特征和围岩支护结构体的相互关系。基于复杂条件下巷道破碎围岩的峰后强度软化和剪胀扩容效应，考虑巷道开挖后岩体强度、变形和应力分布特征，建立了复杂条件下软弱破碎巷道围岩的深浅支撑层结构理论；综合考虑围岩强度、应力和变形破坏的区域分布特征，将围岩划分为深浅支撑层结构，分析了深浅支撑层与围岩稳定的关系及深浅支撑层的演化特征和巷道变形破坏特征；掌握了巷道围岩宏观力学结构，确立巷道支护须控制的范围和支护方式确定。自主研发了锚固体流变拉拔试验系统，获得了锚固体流变失稳机理、破坏特征及类型，提出了破碎围岩巷道深浅支撑层流变破坏分析方法、结构特征及支护设计，为锚固支护结构失效诊断、有效控制深浅双支撑线层结构内巷道流变变形及防止失稳提供了依据。形成了基于深浅双支撑层理论的巷道支护设计方法和技术，提出了复杂条件下的巷道变形特征和围岩结构的预测方法、控制措施及巷道需求支护力的计算方法。对于破碎围岩巷道支护时，必须首先确立巷道的围岩赋存状态及围岩结构，分析计算深浅双支撑层结构的存在范围、力学特征和规律，进而确立浅支撑层的位置和所需支护力，一般可以形成以“锚网喷＋高预应力 U 型钢桁架锚索＋注浆”为核心的复合支护形式。锚杆对浅支撑层补强后，浅支撑层岩体与锚杆形成组合拱式的承载结构，锚索将浅支撑层与深支撑层联合起来共同形成围岩整体承载结构，而锚注再次对围岩进行加固，提高围岩整体强度，改善围岩应力分布状况，使围岩变形协调化、荷载均匀化，对深浅支撑层发挥整体承载能力具有重要作用。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。