计算全息与信息安全综合实验系统是用光电传感器件（如CCD或CMOS）代替干板记录全息图，然后将全息图存入计算机。全息图可以通过用计算机模拟来实现被测物体的数字再现和处理。也可以利用空间光调制器（SLM）实现光学再现。数字全息与传统光学全息相比具有制作成本低、成像速度快、记录和再现灵活等优点。近年来，随着计算机特别是高分辨率CCD的发展，数字全息技术及其应用受到越来越多的关注，其应用范围已涉及形貌测量、变形测量、粒子场测试、数字全息显微、防伪、三维图像识别、医学诊断等许多领域。        TP-XOS1 计算全息与信息安全综合实验系统使用高精度CMOS相机和空间光调制器（SLM）进行采集和再现，降低了对环境（暗室、防震）的要求，免去了冲洗的不安全隐患，可以对数据进行二次开发，如滤波、存储、传输、加密安全等，拓展了全息的应用领域。 主要实验内容： 数字记录数字再现实验 光学记录数字再现实验 数字记录光学再现实验 光学记录光学再现实验 信息安全光学加密原理实验    

WRCAM焊接机器人编程与维护离线编程软件是根据《焊接机器人编程与维护职业技能等级标准》开发的一款焊接机器人离线编程软件。软件结合国内外工业机器人编程方法和指令的共性特点，结合焊接机器人编程的要点，软件采用通用性的离线编程操作界面与多品牌机器人数模导入，易学易懂易上手，是焊接机器人离线编程学习的基础。 焊接机器人编程与维护离线编程是专业的软件，是利用CAD图形建立起机器人及其工作环境的几何模型，再利用一些规划算法。通过对图形的控制和操作，在离线的情况下进行轨迹规划。对编程结果进行三维虚拟仿真，检验编程的正确性，最后用后置处理器将生成的代码传到机器人控制器，控制机器人运动，完成计划任务。WRCAM是完全自主可控的国产可扩展的离线编程软件平台，软件集成了大量全新的专利核心技术。软件具有强大的图形编辑环境，可对机器人单元进行离线编程和轨迹验证，支持焊接、切割、融覆、3D打印等多种工艺。

齿数相同的两齿轮相互啮合，分别驱动两压力辊转动，压力辊径向施加作用力，以使板材在两压力辊之间输出，压力辊既要能够转动，又要能径向浮动，这两个运动相互独立（即解耦），在齿轮与压力辊之间连接双向万向节，利用双万向节的工作特性实现压力辊的转动与径向浮动的运动解耦。 特点：用于机械原理教学。 主要技术参数如下： ①输送辊子：直径80mm，长度180mm； ②减速电机：功率80W，电压220V，输出转速23.5rpm； ③外形尺寸：长x 宽x 高=1000㎜x 750㎜x 320㎜； ④重量：80kg；

两齿轮相互啮合，驱动凸轮转动，凸轮驱动平底推杆上下往复运动，通过花键使推杆转动，即推杆在凸轮的作用下可沿轴向移动，又可以在齿轮的作用下转动，这两个运动互不干扰，相互独立（解耦）。 特点：用于机械原理教学。 主要技术参数如下： ①中心距：180mm； ②顶升盘直径：160mm； ③减速电机：功率80W，电压220V，输出转速23.5rpm； ④外形尺寸：长x 宽x 高=650㎜x 450㎜x 550㎜；； ⑤实验台重量：50kg;

项目组全面落实立德树人根本任务，经过20余年教育研究和培养实践，创建了“固本培元、交叉融合、项目引领，资源环境与材料类创新人才培养模式与实践”的研究生教育教学成果。

项目组全面落实立德树人根本任务，经过20余年教育研究和培养实践，创建了“固本培元、交叉融合、项目引领，资源环境与材料类创新人才培养模式与实践”的研究生教育教学成果。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。