利用十年百余万次的近视眼医学验光大数据，揭示出真实世界青少年近视眼发生、进展与稳定的规律。在此基础上，运用随机森林算法进行机器学习，建立人工智能预测系统，可对近视进展趋势进行个体化预测，3年内准确率达90%，10年内准确率达80%以上，也可提前8年有效预测高度近视，为近视眼的精准干预提供了科学依据。开发出一套人工智能云平台，提供高效的近视预测服务。通过访问智能平台，输入前后两次检查的年龄和度数（间隔至少一年），即可预知10年内的近视度数变化与高度近视风险。       中山眼科中心近年来对近视眼进行了系统性的研究，不断取得突破，产生了重大的社会影响和意义。

本发明涉及一种短期风速组合预测方法，包括步骤:1. 从相关数据采集与监视控制系统中提取历史 风速数据;2. 对提取的风速数据采用聚类经验模态分解进行序列分析;3. 对聚类经验模态分解得到的 各子序列分别建立最小二乘支持向量机模型，并采用自适应扰动粒子群算法和学习效果反馈对影响最小 二乘支持向量机预测效果的三个参数进行综合选取;4. 根据最小二乘支持向量机学习效果选用最优参数 进行预测;5. 叠加各子序列的预测结果，得到风速预测结果;6. 对风速预测结果进行误差分析。本发 明建模过程简单实用，能快速有效的进行风速预测，从而有效进行风功率预测，对电力系统的安全稳定 和调度运行具有重要意义，具有广泛的推广应用价值。

本发明公开了一种二重预测视频编解码方法和装置，解码方法中，解码重建图像的重建过程包含二重预测补偿过程和第二重预测存储，其中二重预测补偿过程包括第一重预测补偿过程和第二重预测补偿过程，其中第二重预测补偿过程的输入包括重建后的第一重残差和重建后的第二重残差；编码方法包括二重预测过程和第二重预测存储，其中二重预测过程包括第一重预测过程和第二重预测过程，其中第二重预测过程的输入包括和第一重残差和第一重残差预测值；此编码方法产生相应码流；本发明使用二重预测编解码方法和装置去除冗余，得到编码性能的提高。

上海大学通信学院蒋皆恢研究团队联合复旦大学附属华山医院、瑞士伯尔尼大学合作团队于2020年4月22日在《European Journal of Nuclear Medicine and Molecular Imaging》上在线发表论文“Individual brain metabolic connectome indicator based on Kullback-Leibler Divergence Similarity Estimation predicts progression from mild cognitive impairment to Alzheimer's dementia”。该期刊是核医学领域最具影响力的顶级学术期刊，在JCR及中科院SCI期刊分区为一区Top，2019年其影响因子达7.182。上海大学为第一单位，上海大学通信学院博士生王敏为第一作者，上海大学蒋皆恢副教授和华山医院左传涛教授为共同通信作者。该研究依托上海先进通信与数据科学研究院、上海大学通信学院特种光纤与光接入网重点实验室、特种光纤和先进通信国际联合实验室进行。 阿尔兹海默症(AD)是引起痴呆最常见的老年退行性疾病，其医疗年花费占国内生产总值的1.47%。由于AD疾病进程不可逆转，一旦确诊绝大多数已至中晚期痴呆。药物赖以起效的靶细胞都已经凋亡，更无从谈药效。因此早期诊断和干预已成为临床共识。轻微认知障碍(MCI)为AD痴呆前期，基于MCI临床基线数据对AD转化进行预测，具有重要的临床价值。18F-葡萄糖代谢(FDG)正电子发射断层扫描成像(Positron Emission Computed Tomography, PET)技术，可在体揭示认知下降过程中的大脑代谢水平变化，但是先前的研究多是基于数值分布的量化分析，而忽视了各神经元之间的代谢相关性，这些代谢相关性可能揭示一些常规指标难以发现的微弱病理生理学变化。因此，蒋皆恢研究团队提出了一种新的基于KL散度估计的、个体代谢连接组学方法，并用于对MCI向AD转化预测。基于公共数据库ADNI数据的研究结果表明，该方法在MCI人群分析中具有较高的有效性、稳定性和特异性。使用该方法构建的脑代谢连接组学预测指标，在510例MCI患者中达到了比传统方法更高的预测效果。本研究为揭示脑内代谢连接异常提供了新思路。论文链接：https://link.springer.com/article/10.1007/s00259-020-04814-x

本发明提供基于微结构参数的黏土固结系数预测方法，该方法包括有以下步骤：进行不同压力作用下土的固结实验，根据常规土工实验测取孔隙比；算出不同固结实验的固结系数；采用扫描电镜方法获得相应样品断面处的微观结构照片；对土的微结构照片进行颗粒体区域和孔隙体区域分割，并抽取颗粒体单元总数、单元方向、总面积、总周长、面积比信息；对颗粒体进行分析并建立累计贡献率95%以上的主成分表达式；建立主成分与该种土固结系数之间的关系。有益效果是采用该方法，将黏土的固结系数与其微结构参数联系起来，可根据黏土的孔隙比和微观参数主

本发明公开了一种水电站负荷区间预测方法，充分利用历史负荷数据，通过计算待预测日已知时刻负荷序列与各历史日实际负荷序列的线形差异度获得待预测日的相似日集合，根据待预测日的相似日进行待预测日点预测，再通过对大量历史负荷预测误差样本进行分析，得出未来负荷可能取值的概率性区间结果。根据区间预测结果，水电站决策人员在进行生产计划、实时调度等工作时能够更好地认识到未来负荷可能存在的不确定性和面临的风险因素，从而及时作出更为合理的决策，并为水电站实时负荷分配提供依据。

区域隐伏矿体三维定量预测评价，可以用一句话概述地表达为：以多年积累的二维地质调查成果与经验为基础，依托三维可视化技术拓展为三维实体地质模型，以成矿控制因素有利组合部位的定量圈定与筛选实现深部矿产资源的定位与评价。因此，系统地收集研究区的地质、矿产基础资料，在平面地质图和剖面（钻孔）图等基础地质资料的基础上利用地质三维建模技术构建三维地质模型；在此基础上，针对成矿有利部位开展矿产地质调查、深部钻探和大比例尺物、化探等工作；利用三维矿产预测模型，有机的组合各种成矿预测相关信息，提取有利成矿条件，寻找有

成果简介焦炉炼焦过程中所产生的荒煤气经集气管、 初冷器和鼓风机等环节处理后传输给化产及煤气用户。 传输过程中， 集气管压力系统和鼓风机调速系统的稳定优化控制对于炼焦生产有着十分重要的作用。 当集气管压力过高时， 一方面造成跑烟冒火，污染环境； 另一方面降低了荒煤气的回收率， 造成能源的浪费。 当集气管压力出现负压时， 空气就会从炉门、 炉盖等处进人炉体， 导致焦炭质量下降、 缩短炉体使用寿命及煤气中氧含量增加。 为此我们针对非对称分布多焦炉多集气管共用一套鼓冷装置的系统设

本发明公开了一种陶瓷刀具沟槽磨损预测的新方法，属于金属 高速切削领域。该模型预测方法步骤包括：检测难加工材料被加工表 面硬化层深度；进行难加工材料陶瓷刀具高速加工实验，获得并定量 测量对应刀具沟槽磨损边界；通过测量分析，获得沟槽磨损宽度和深 度数据；通过多元线性回归方法获取沟槽磨损宽度和硬化深度的关系； 建立沟槽磨损宽度和深度之间的微分关系；最后建立沟槽磨损深度和 硬化层厚度之间的对应关系。由于本发明中在预测陶瓷刀具沟槽磨损 时考虑了被加工表面的硬化层深度，从而更加接近真实的加工状况， 提高了沟槽磨

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。