XM-TMA诊断性刮宫监测考核指导模型   功能特点： 1、诊断性刮宫监测考核指导模型采用优质材料制成，腹腔内有早期妊娠子宫，解剖位臵准确，皮肤柔软有弹性，手感逼真。 2、早期妊娠子宫内设有模拟病变，供操作者训练，可客观地评价操作者实施诊断性刮宫的质量是否达标。

XM-102女性全身人体骨骼模型   XM-102女性全身人体骨骼模型示女性成人骨骼，由女性全身散骨串制而成一整体骨架，成直立姿势，四肢大的关节部分均可活动，显示女性全身骨骼的组成和形态外观、神经分支、脊椎动脉和腰椎间盘等，头颅含可活动的下巴、可移动的头颅盖、骨缝线和三颗可取下的下牙，其中四肢骨和头颅骨可以灵活拆卸组装，整体固定在支架上，带底座，可灵活移动。 尺寸：自然大，高170cm 材质：PVC材料

产品详细介绍QSX-17型抗穿孔性仪(力特) 利用重锤从高处落下冲击PVC防水卷材，以测定其抗穿孔性 技术参数： 1、金属导管刻度长为：500mm,分度值10mm 2、重锤重为：500g±1g 3、冲杆端钢球为：?12.7mm 4、垫块：150mm*150mm*50mm 密度为25kg/立方米的泡沫聚苯乙烯 5、垫板：150mm*150mm*5mm铝板 6、净重：11kg 7、仪器外型尺寸：280mm*155mm*832mm   

（专利号：ZL 201510680435.X） 简介：本发明公开了一种负载型Au‑Pd/mpg‑C3N4纳米催化剂催化甲酸脱氢的方法，属于化学化工技术领域。本发明将制备好的负载型Au‑Pd/mpg‑C3N4纳米催化剂置于反应器中，将反应器置于油浴中升至一定温度，接着将甲酸和甲酸钠混合液加入反应器中进行反应，生成的氢气采用排水法收集。所述Au‑Pd/mpg‑C3N4纳米催化剂是采用Au、Pd和去离子水按照一定摩尔比配置，将载体mpg‑C3N4加入上述溶液中，向混合液中添加还原剂，经过滤、干燥后制得。与传统的负载型催化剂不同的是：根据本发明，调节催化剂中金属金、钯的含量及mpg‑C3N4含量就可以制得用于甲酸脱氢制氢气的高活性、高选择性负载型Au‑Pd/mpg‑C3N4纳米催化剂。

 AMF能与超过80%的陆生植物结合，是一类对植物生长有促进作用的有益真菌。大多数外来植物不仅能迅速地与入侵地AMF结合，而且能破坏本地植物与AMF共生关系。因此，AMF一直被认为是促进外来植物入侵的一个重要生物因子。然而，以往的研究表明AMF与植物的相互作用具有磷元素依赖性。低磷浓度时，AMF促进植物生长；而高磷浓度时，AMF抑制植物生长。因此，磷浓度很可能是影响AMF对外来植物入侵促进作用的重要因子。该研究通过对两种华南入侵植物假臭草(Eupatorium catarium)和三叶鬼针草(Bidens pilosa)及其伴生的本地种进行室内控制实验，发现：随着磷浓度增加，AMF对入侵植物和本地植物生长作用都由促进转向抑制（图a）。混种时，入侵植物抑制了本地植物与AMF结合，导致在低磷浓度时削弱了AMF对本地植物生长的促进作用；而在高磷浓度时削弱了AMF对本地植物生长的抑制作用（图b）。因此，AMF对外来植物入侵促进的作用随着磷浓度升高而减弱。       该研究首次提出并用实验证明AMF对外来植物入侵的促进作用具有土壤磷浓度依赖性，完善了外来植物成功入侵的机制，提出了通过改变土壤微生物与外来植物共生关系来控制外来植物入侵的新思路。由于在全球氮沉降加剧的背景下会造成磷元素更为缺乏，该研究还预测未来AMF对外来植物入侵的促进作用将会进一步提升。

【发 明 人】陆兔林；毛春芹；季德；李林；殷放宙；张莹；许金国；吕高虹；单鑫【摘要】本发明公开了一种对酒精性肝损伤有辅助保护功能的中药制剂，它是由下列重量份配比的原料药所制成：人参100-480份，五味子100-480份，葛根200-960份，枸杞子300-1200份，甘草100-480份，经药理实验证实，本发明确实对酒精性肝损伤有较好的辅助保护功能，且服用安全，适用于酒精性肝损伤的预防和治疗，本发明还公开了其制备方法及用途。

本发明公开了一种基于相变磁性材料的非易失性逻辑器件及逻 辑操作方法，非易失性逻辑器件包括磁头以及依次附着于衬底上的底 电极、绝缘层，相变磁性薄膜和顶电极；其中相变磁性材料由一种相 变材料基质中掺杂铁磁性元素构成，材料的磁性能够通过非晶态-晶态 相变来可逆调控。本发明基于材料的相变控磁特性实现“实质蕴涵” 逻辑运算以及“与”、“或”、“与非”和“或非”四种布尔逻辑运 算，其运算结果以材料的剩余磁化存储在器件中，从而实现

本发明公开了一种基于子空间融合和一致性约束的准稠密匹配扩展方法。首先获取可靠的种子匹配，在种子匹配周围选定待扩展区域。然后对区域内的所有待扩展像素点进行稠密 SIFT 特征提取，并通过子空间学习将待扩展点的特征信息和位置信息进行融合。在寻找匹配时，利用一致性约束学习一个局部非刚体变换，该变换与仿射变换·748·等模型相比可以更好地描述非平面复杂场景。每一次扩展完成之后，对扩展结果进行优化，剔除不好的匹配

（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。