产品详细介绍

1、机器学习领域技术性人才 2、存储系统领域技术性人才 3、系统软件领域技术性人才 4、分布式存储系统架构领域技术性人才 5、分布式存储系统重删领域技术性人才 6、分布式存储系统资源调度领域技术性人才 7、分布式存储系统非易失介质领域技术性人才 8、分布式存储系统网络领域技术性人才 9、固态盘领域技术人才

近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

项目成果/简介:近年来，大气污染问题日益严重，尤其是雾霾、光化学烟雾、臭氧等问题已经引起国内外广泛关注。挥发性有机气体（VOCs）是造成雾霾及臭氧（O3）的重要污染物。吸附法是去除VOCs高效简便的方法之一，但在实际应用中，水蒸气的存在与VOCs产生竞争吸附，因此设计具有高VOCs吸附性能的疏水性吸附剂具有重要意义。近日，天津大学环境学院“大气环境与生物能源团队”（http://catalysis.tju.edu.cn/）针对分子筛表面亲水性及其在含湿条件下VOCs吸附应用存在的问题，利用多孔有机聚合物疏水性等特征，设计合成了一系列分子筛与多孔有机聚合物核壳结构的新型吸附材料，所开发的吸附剂有效提高了分子筛表面疏水性，并且大大提升了其在干燥和潮湿条件下的甲苯吸附性能。相关研究成果《Core-shell structured Y zeolite/hydrophobic organic polymer with improved toluene adsorption capacity under dry and wet conditions》已发表在环境类国际高水平期刊Chemical Engineering Journal（IF: 10.652）上。该系列吸附剂的研发为制备一系列疏水性吸附剂提供了新的思路。

成果描述：淀粉和蛋白质是大米的主要成分，蛋白质占8％左右。大米蛋白的开发都具有广阔的市场前景和很高的附加值。大米蛋白的价值主要体现在它的低过敏性，无色素干扰，具有柔和而不刺激的味道及它的高营养价值上。它富含人类所需的必需氨基酸，尤其赖氨酸的含量高于其他粮谷类。大米蛋白的生物价高达77，在粮食作物中占第一位，而且可以与猪肉（生物价74），牛肉（生物价69）相媲美。正是由于大米蛋白的低过敏性和高营养价值，其市场需求量日趋增加，若作为大米深加工的副产品，必将大大提高大米价值。大米蛋白的应用也越来越广泛，如制成大米蛋白粉、水解大米蛋白、大米改性蛋白、高附加值肽、生物活性肽、抗性蛋白等。作为多种食品的添加剂，如混合饮料、布丁、冰激凌、婴儿食品等的添加剂。市场前景分析：食品市场。与同类成果相比的优势分析：生产的大米蛋白符合相关质量标准，颜色米白色，有天然米香味，可作为保健食品原料也可直接加工成人体服用的大米蛋白。 从大米蛋白延伸出来的大米多肽或氨基酸产品符合质量标准，可最为保健食品的原料，生产多肽，氨基酸胶囊，口服液产品，也可开发出大米多肽饮料这样的新型保健饮料。

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。