渗透汽化分离过程不受汽液平衡的限制，因而在传统分离手段难以分离的恒沸物分 离、微量水脱除等方面具有独特的优越性。透汽化技术具有以下优点: 1）高效；2）运 行成本低，低能耗，一般比恒沸蒸馏法节能1/2～2/3，投资仅为蒸馏操作的50～60％； 3）产品质量好；4）绿色环保；5）过程简单，操作简便，便于放大和集成；6）可分离 近沸物、共沸物和恒沸物。

本发明提出一种无深度反转的集成成像3D投影显示装置，该装置由投影机和微反射镜阵列组成，投影机将微图像阵列直接投影到微反射镜阵列的后方，微反射镜阵列包含的反射单元个数与微图像阵列包含的图像元个数相同，且反射单元与图像元中心对齐，微反射镜阵列的反射单元对投影机投影的光线进行反射并聚集还原，再现出无深度反转的3D图像。

本发明公开了一种石墨烯基双模混合集成电控液晶微透镜阵列，包括阵列化控光架构、第一驱控信号输入端口和第二驱控信号输入端口，阵列化控光架构的上下层之间顺次设置有第一基片、微圆孔形图案化石墨烯电极、第一液晶定向层、第一液晶层、第二液晶定向层、石墨烯共地电极、第二基片、第三液晶定向层、第二液晶层、第四液晶定向层、微圆环孔形图案化石墨烯电极、第三基片，微圆孔形图案化石墨烯电极、石墨烯共地电极和微圆环孔形图案化石墨烯电极分别

随着物联网设备的指数型增长，传统云计算的集中式处理方法已不能满足数据处理和数据安全等需求，边缘计算应运而生。边缘计算可以提升物联网的智能化，促使物联网在各个垂直行业落地生根。但是，一般的应用都默认只支持一种物联网组网协议或使用一种边缘计算框架，且组网协议跟边缘计算框架的接入十分繁琐，用户使用操作不便，耗时长。   一种集成多组网协议多边缘计算框架的边缘计算处理平台可同时兼容多种组网协议和集成多种边缘计算框架，简化接入步骤，大幅度降低用户的操作步骤和时长。同时，部署简单快捷，通过配置文件执行一键启动脚本即可实现平台的自动化部署及统一管理。与现有技术相比，该平台配置变更灵活。针对不同的服务器，不同的设备，只需要修改配置文件就可以直接部署生效。无须重新编译代码，无须重新创建镜像。此外，该平台具有良好的扩展性，极高的并发处理能力和很强的稳定性。可利用硬件加速数据处理，通过对FPGA、GPU和ASIC等的加速算法实现对数据的加速处。

本项目获 2018 年中国轻工业联合会科技进步奖一等奖柠檬酸是一种重要的三羧酸类化合物，广泛应用于食品、医药、化工等领域，是当前世界上产量和消费量最大的食用有机酸，是世界第二大发酵产品。虽然发酵法生产柠檬酸起步较早，但目前其生产技术仍存在问题，如发酵种子培养周期长、活力低；发酵菌种影响柠檬酸合成的生理、代谢特性认识有限；传统同步糖化发酵工艺原料利用不充分；柠檬酸提取过程能耗高，废水有机物浓度高、处理难度大等。因此，本项目在江南大学刘龙教授带领下实现了传统的技术升级和转型，实现绿色智能化生产。获 2018 年度中国轻工联合会科技进步一等奖。 主要创新内容及技术突破： 1、建立了结合超声波诱导孢子快速萌发与种子糖化酶水平表征的移种策略， 发酵强度由 2.55 g·L-1·h-1 提升至 2.85 g·L-1·h-1（提升幅度 11.8%）； 2、进行了柠檬酸发酵生产菌株的系统生物学分析，发现发酵后期的低 pH 环境可激活柠檬酸合成相关基因的表达，葡萄糖作为效应物可激活其转运蛋白的表 达； 3、强化同步糖化发酵方式，利用葡萄糖模糊预测模型结合糖化酶阶段添加的策略补偿发酵中后期 pH 急剧降低导致的葡萄糖供给速率不足，中试规模发酵强度进一步提升至 3.15 g·L-1·h-1，残总糖由 19.2 g·L-1 下降至 13.2 g·L-1（下降幅度 31.3%）； 4、应用模拟移动床实现了柠檬酸发酵液连续分离提纯及废水资源再利用，在实现了清洁化生产的同时柠檬酸收率达到 98%，较传统钙盐法提高 5%。 

成果介绍本发明公开了一种虚拟家装室内场景设计中的阴影渲染方法。包括阴影映射图生成步骤，半影估计步骤，基于泊松碟采样的百分比渐近滤波步骤，最后通过加入漫反射环境光，生成具有真实感的虚拟家装室内场景阴影效果图。本发明方法能够高效且能改善阴影映射图锯齿走样的问题。技术创新点及参数本发明提供一种真实感强烈，生成了场景中物体的软阴影而且速度快， 可以满足虚拟家装实时渲染要求的虚拟家装室内场景设计中的阴影渲染方法。市场前景本发明方法结合阴影映射图与百分比渐进滤波技术实现虚拟室内家装 的实时阴影效果渲染，不仅能够生成具有真实感的家装室内设计中的阴影渲染，而且 不会随着场景中三维物体复杂度增加而增加，无需预处理能够满足实时应用需求。该 技术对计算机虚拟现实在虚拟家装领域的应用具有重要意义。

本成果以专利形式体现（专利号 201310723968.2 ），生命科学大多以微生物为研究对象，有很多物种都是近缘的，无法用普通方法区分，本方法通过 PCR 方法可以快速区分，建立了一种设计特殊引物的方法。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：