本发明公开了一种属于功能陶瓷制备技术领域的具有高Tc、高压电性能的钛钪铌酸 铅铋锂系压电陶瓷。提出由以用通式(1-x)BiScO3-xPb(1-y)LiyTi(1-y)NbyO3表示的压电陶瓷 材料，其中x、y表示复合离子中相应元素材料在各组元中所占的原子数，即原子百分比， 0.50≤x≤0.90，0≤y≤0.10。该压电陶瓷可采用传统压电陶瓷制备技术和工业用原材 料、在1150℃或更低温度下烧结而获得，其工艺稳定。本发明压电陶瓷具有良好的压电 性能、实用的平面机电耦合系数，其kp大于40％，d33达300pC/N以上，Tc大于400℃，在 高温电子设备中具有实际应用的价值。

本发明公开了一种 3D 打印用金属基陶瓷相增强合金工具钢粉末 的制备方法，该合金工具钢粉末所含元素及质量百分含量为：C， 0.2-5％；Si，0.2-1％；Mn，0.1-1％；Ni，0.3-1％；Cr，3-25％；Mo， 0.2-15％；V，0.2-14.5％；W，0.3-15％；Co，1-18％；Nb，0.2-1％； 金属基陶瓷相金属元素，0.2-8％；铁，余量，所述制备方法如下：1) 将原料混合粉末熔化；2)脱氧处理；3)脱硫

本发明公开了一种 3D 打印用金属基陶瓷相增强合金工具钢粉末 的制备方法，该合金工具钢粉末所含元素及质量百分含量为：C， 0.2-5％；Si，0.2-1％；Mn，0.1-1％；Ni，0.3-1％；Cr，3-25％；Mo， 0.2-15％；V，0.2-14.5％；W，0.3-15％；Co，1-18％；Nb，0.2-1％； 金属基陶瓷相金属元素，0.2-8％；铁，余量，所述制备方法如下：1) 将原料混合粉末熔化；2)脱氧处理；3)脱硫

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。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。

成果描述：我们研发的低/中介LTCC材料主要性能满足： 材料1： 介电常数：10±10% Qf：≥50000 烧结温度：900度 材料2：介电常数：20±10% Qf：：≥50000 烧结温度：900度市场前景分析：这两类LTCC材料具有损耗低，与LTCC工艺兼容等特点，非常适合基于LTCC技术研发的各种微波集成器件应用与同类成果相比的优势分析：国内目前还没有厂家进行同类型材料的批量生产，主要依托国外进口，因此技术和成本优势明显。