便携式通用精细智能信号采集分析系统根据设备状态监测和故障诊断的要求采集并记录与设备工作过程相关的主要状态参数的状态信号，如振动、噪声、转速、电流等，然后对这些参数和信号进行快速处理和精密分析，提取反映设备运行状态的特征信息，快速准确地给出设备运行状态的性能评价，为设备管理、诊断及维修提供依据，从而保障设备长期安全可靠地运行。

    目前,对于心脏进行检测的仪器主要有两类:一类是基于心脏电学特性的心电图类是基于心脏声学特性的听诊和心音图。心电图是现在医院普遍采用的心脏监测方式,它能够较为准确和全面的反映心脏的健康状况。但是,有些心脏疾病,当它在心音图上反映出来的时候在心电图上还没有反映,所以,心电监测较心音检测有一定的滞后性。一个完整的心动周期,心脏会产生两个声音:第一心音(S1)和第二心音(S2)。有些情况下,比如幼年和老年的时候也会出现第三心音(S3)、第四心音(S4),但正常情况下,一般只能听到S1和S2。51的形成主要来自于心室收缩期开始时二尖瓣和三尖瓣的关闭;S2的形成主要来自于心室舒张期开始时主动脉瓣和肺动脉瓣的关闭。    许多心血管疾病,尤其是瓣膜类疾病,心音都是重要的诊断信息,在临床医学中有非常广泛的应用。但是,传统的心脏听诊容易受医生经验、听诊水平的影响。因此,如何能够利用先进的数字信号处理技术和计算机技术提取反映心脏健康状况的定量的全方位的心音信息,已成为当今研究和医疗应用的热点。便携式心音分析仪不仅可以用于家庭的医疗保健,方便用户进行平时的心脏监测,提早发现和预防心脏异常;而且,可以通过心音各种特征参数的提取,为医生的心脏诊断提供定量的依据。    技术原理与工艺流程简介:    软件算法:短时傅立叶变换、小波变换等多种信号处理的时频算法。    硬件平台:基于哈佛结构的数字信号器较计算机相比更适用于数字信号处理算法的快速实现,其体积小、功能针对性强的优点更有利于产品的开发和实现技术水平。    当前最先进的时频分析算法。如小波变换,被誉为“数学显微镜”,不仅能够分析心音各种成分的时间、频率信息,而且能够反映出频率随时间的变化情况。

成果与项目的背景及主要用途 目前，对于心脏进行检测的仪器主要有两类：一类是基于心脏电学特性的心电图；一类是基于心脏声学的特性的听诊和心音图。心电图是现在医院普遍采用的心脏监测方式，它能够较为准确和全面的反映心脏的健康状况。但是，有些心脏疾病，当它在心音图上反映出来的时候在心电图上还没有反映，所以，心电监测较心音检测有一定的滞后性。一个完整的心动周期，心脏会产生两个声音：第一心音（S1）和第二心音（S2）。有些情况下，比如幼年和老年的时候也会出现第三心

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

同济大学电信学院刘富强教授团队研制的汽车主动安全预警系统能综合运用视频检 测与识别技术、传感器信息获取技术、CAN 总线数据挖掘技术、信息集成融合技术，提 取车辆及其周边环境信息，对可能发生的危险状况进行预测并主动的发出预警信号从而 保证交通安全。 其中视频检测识别技术通过对视频图像进行实时处理与分析具备以下功能：通过驾 驶员的闭（眨）眼状态判断驾驶员是否处于疲劳驾驶状态；提取前方道路标志线环境信 息并反馈给驾驶员和汽车用于车辆行驶状态提示；捕获障碍物（如道路中的车辆和行人） 在车道中的位置和与本车的距离和相对运动信息从而避免潜在的碰撞事故。传感器技术 综合使用多种传感器，其中超声波距离传感器可以近距离测量传感器与目标之间的距离； 而激光雷达可以大范围远距离的距离测量从而弥补超声波和视频的不足；加速度仪可用 来测量汽车行驶过程中的加速度；而方向盘转角能够实时获得驾驶员对车辆的操控，同 时也能推算车道的曲率半径。控制器局域网 CAN 技术可以获得车辆运行状态信息（车速、 油门开度、转向灯状态等。上述技术获得的一些车辆的信息数据经过信息集成融合技术 融合成事先设定的数据格式，使之成为所需要的数据地图。由此可以判断汽车是否处于 危险状态或者是否会造成潜在事故从而给出预警信号。

呼吸是人类的最基本生理需求。然而，空气污染物的存在往往使这一基本需求难以得到保障。更有甚者，在一些特殊环境场所，空气中可能存在高致病微生物如病毒和细菌、生化毒剂、毒素等严重危害人体健康甚至威胁生命。此外，空气中也可能存在一些未知的有毒物质，如不明病原体、化学物质等。目前已有的空气安全预警技术主要针对有限的几种污染物或者有毒物质进行实时监测，无法覆盖包括生物与化学威胁在内的所有潜在威胁。空气中的污染物种类繁多，理论上很难发展一种同时监测上千种污染物的仪器设备。另外，空气毒性安全预警技术需要对空气毒性做出快速响应，以便为采取防御措施争取宝贵的时间。这些要求都是对当前技术的极大挑战，很难实现对空气的综合毒性的实时预警。