XM-CW高级肠外营养护理模型   XM-CW高级肠外营养护理模型主要用于训练经中心静脉插管给予病人肠外营养的治疗和护理，使用者可训练中心静脉置管的相关消毒、穿刺、固定等操作，也可用于为病人进行健康教育。   一、功能特点： ■ 模拟正常成年男性体型大小，解剖结构准确，半透明的设计更利于立体观察内部的骨骼、血管、心脏和部分肺脏。 ■ 透过透明设计可以清晰的观察到颈内静脉、锁骨下静脉通路。 ■ 右侧胸部的穿刺部分有外皮涵盖。 ■ 心脏模块可以打开，看见标记成红色的三尖瓣结构。   二、标准配置： ■ 高级肠外营养护理模型：1台 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-QG2高级成人气管切开护理模型   XM-QG2高级成人气管切开护理模型模拟了一成年人上半身结构，口、鼻有开放的插入口和气管切开造口，采用高分子材料制成，质地柔软、富有弹性、形象逼真，主要用于练习气管切开后的护理和吸引技术。   一、功能特点： ■ 模型为成年人头颈及躯干上部，体表标志明显。 ■ 具有精细的解剖结构：咽、会厌、气管、食道及气管切开区、环状软骨、左右支气管树、双侧胸锁乳突肌、胸骨上窝。 ■ 可经口腔、鼻腔、气管切开处吸痰，操作正确可吸出模拟痰液。 ■ 可进行气管切开后护理练习。 ■ 可进行痰液抽吸练习。 ■ 可以进行经口腔吸引术练习。 ■ 模拟练习气管套管的清洁和护理技术。 ■ 可反复进行练习。   二、标准配置： ■ 气管切开护理模型：1台 ■ 气管套管：1套 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-901成人牙模型总汇（32颗牙）   XM-901成人牙模型总汇模型上下颌牙齿模型平放在基板上，显示成人牙列、切牙、尖牙、前磨牙和磨牙的形态及构造，共计32颗牙齿。 尺寸：自然大，3×7.5×14cm 材质：PVC材料

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。