产品详细介绍智能广播系统 CY-1122无线扩音适用学校或幼儿园主机自带功放可直接推动20个教室音箱数码扩音，微电脑控制，中文菜单显示每天定时自动播放120次，每周内各天的自动播放时间不同连续播放，二套定时工作菜单随选定时工作点随时增加或删除自动编程播放功能和手动点播功能主机自带U盘、SD卡播放和收音播放2G内存，通过电脑可随时增减曲目分区控制，不少于6路分区可选自动控制扩展功放机的电源、音源等系统主机智能化控制功放电源开关工作，省电又安全自动控制一路用电器定时开关数字无线扩音、壁挂式、教室用无线音频数字化传输，码分多址，频分多址，互不串音讯道随选，发射麦克风全校教室通用发射麦克风可根据学校教师数增配，实现一师一麦液晶屏显示，VHF频段，32讯道任意对频使用，载波指示发射器数字化设计，智能调节电耗，充电一次可工作20节课以上配装线间变压器，可直接接入广播系统120V信号，多用途广播系统信号和无线话筒信号自动转换音频输入、输出，可与多媒体电教平台等配套使用或外接音箱步进选取信道工作半径15m发射器音量独立可调声音清晰，音质好，信噪比高

实训无线全录播系统解决方案是一套系统性的针对职教多种教学场景进行信息化建设的方案，帮助院校快速搭建数字化的无线全录播实训室，让专业理论知识与实际操作深度融合，使教学聚焦于技能和综合素质的培养。

电量显示/状态上报/语音归还提醒/磁吸充电/音频编码/本地音量调节/支持type-c充电/支持外接音频输入

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

神经递质作为神经元与神经元及神经元与细胞之间沟通的媒介分子，介导了发育、信息感知，运动及大脑的高级认知功能。随着生化分离纯化技术的发展以及人们对大脑精细结构的进一步了解，现如今已发现有几十种重要的神经递质。而神经系统在时间和空间上的高度复杂性对研究特定神经递质的动态变化及其功能提出了极大的挑战。本项目成功构建了一系列新型的基因编码的神经递质荧光探针，可实现对特定神经递质动态变化的灵敏检测。该类荧光探针利用大多数已知的神经递质所对应的特异性G蛋白偶联受体（GPCR）与循环重排的荧光蛋白（cpGFP）融合，利用循环重排荧光蛋白的荧光强度变化来指示GPCR的激活，进而反应外源神经递质的浓度变化（图一）。我们命名该类荧光探针为GRAB探针，即为GPCR Activation Based Sensor的缩写。