博理科技是国际领先的3D打印全产业链高新技术企业，致力于数字化技术研究与应用开发。博理以高分子材料与3D打印装备研发为核心，以数据设计、数据应用、软件自动化、工业智能化等技术研发为支撑，专注于数字化智能制造与数字化应用服务。形成了面向多产业的综合应用解决方案，取得了3D打印技术应用的突破性成果，开创了以增材制造（3D打印）为基础的“设计即产品”的新制造模式，助力多行业生产制造的数字化改革与创新发展。  企业使命：让制造更简单，以数字化柔性制造满足人们的个性化需求 企业愿景：成为全球高分子材料3D打印智能制造的领军企业 

1. 项目概述机械产品性能预测技术是在虚拟样机技术基础上，结合产品的特点和要求，在产品的设计阶段就对产品的性能进行预测。南京工业大学现有成熟的产品性能预测技术有：① 刚度，强度及承载能力预测；② 疲劳性能预测；③ 固有频率，模态及动态响应分析； ④ 撞击性能预测；⑤ 温度场，热应力场分析；⑥ 汽车整车性能分析；⑦ 汽车液压制动系统设计（各类盘式、鼓式制动器等）；⑧ 建模造型技术。2. 技术优势仿真计算精度达到物理样机测试数据的95%左右。通过对产品性能进行预测，可以大大减少样机及试验次数，缩短产品开发周期，减少开发成本。3. 技术水平：国内先进

中性笔及白板笔油墨生产工艺及配方

本发明提出一种基于视觉特征的视频指纹检测方法，具体为：按照帧间相关性对视频序列分段，在分段中提取关键帧；在各关键帧中提取视频特征；利用像素点特征字典对像素点分类；对各关键帧分别进行多次不同数量的分块，在各子块中依据像素点的分类结果统计像素点特征字典各元素的出现次数，得到该子块的特征向量；将所有子块的特征向量拼接得到关键帧的高维视频指纹；对各高维视频指纹进行降维；将各视频片段关键帧的低维视频指纹按照时间先后顺序连成关键帧视频指纹串。本发明还提供了基于上述指纹检测方法的视频匹配方法。本发明通过对视频内容的关键信息进行有效描述，在不影响匹配率的情况下，大大降低了算法的复杂度，有效提高了检测效率。

本成果源于为江苏省科技厅资助的产学研重点项目，主要的成果内容：（1）地铁区间隧道及车站基坑开挖对文物等重要构筑物的影响预测评估技术；（2）地铁施工爆破对构筑物振动影响评估预测技术；（3）文物检测的新技术研究；（4）文物加固消险新技术。（5）地铁施工时文物监测新技术及远程监控系统开发。（6）地铁运营期间轨道振动对文物鼓楼影响的研究。目前针对地铁施工及运营对文物的影响分析及控制保护技术在国内外尚较少见，本项目组已经针对上述研究内容取得4项软著和多项相关专利，并且参与了南京地铁4、5、6、7及宁句城际等多条线路沿线的文物评估及加固项目取得了不错的成果。

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。

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。

1、 高分子材料专业人员，对高分子材料改性有工作经验的最好。2、 设备自动化或智能化面的专业人员，提高传统生产线的自动化和智能化水平，减少对人员的依赖性，提高设备的综合技术水平。