实验内容 1、自由振荡—摆轮振幅与系统固有周期的对应值的测量； 2、测定阻尼系数 β，阻尼电流连续可调，测试绘制阻尼变化曲线； 3、测定受迫振动的幅度特性和相频特性曲线； 4、研究不同阻尼对受迫振动的影响，观察共振现象； 5、学习用频闪法测定运动物体的某些量，例如相位差等。

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

（专利号：ZL 201510237036.6） 简介：本发明公开了一种合成2H‑吲哚[2，1‑b]酞嗪‑1，6，11(13H)‑三酮的方法，属于离子液体催化技术领域。该合成反应中芳香醛、邻苯二甲酰肼和5，5‑二甲基‑1，3‑环己二酮的摩尔比为1：1：1，酸性离子液体催化剂的摩尔量是所用邻苯二甲酰肼的3～7％，反应溶剂乙醇以毫升计的体积量为邻苯二甲酰肼以毫摩尔计的摩尔量的3～5倍，回流反应8～30min，反应结束后冷却至室温，有大量固体析出，抽滤后滤渣乙醇洗涤、真空干燥后得到产物。本发明与采用其它酸性离子液体催化剂的合成方法相比，具有催化剂催化活性高、可生物降解性好、制备成本较低以及整个合成过程操作简单方便等特点，便于工业化大规模应用。

成果的背景及主要用途： 由天津大学设计开发，主要用于混合戊烷中正戊烷、异戊烷和环戊烷的分离， 并兼作混合碳四中正丁烷和异丁烷以及混合己烷中正己烷的分离。产品用途广泛, 可作为可发性聚苯乙烯及聚氨酯泡沫体系的发泡剂，用于无氟冰箱、冰柜、冷库 及管线的保温等领域；可作线性低密度聚乙烯催化剂的载溶剂,脱沥青的工业溶 剂、分子筛脱蜡的萃取剂等；也可作为化工原料,如异戊烷脱氢制异戊烯、异戊 二烯,戊烷混合物经氯化、精馏、催化水解,可生产粗戊醇,经多级分离蒸馏后得到 1-戊醇,同时正戊烷氧化生产苯酐和顺酐的研究也取得一定进展。 技术原理与工艺流程简介： 装置首次采用四塔可拆分流程，还可兼作混合碳四中正丁烷和异丁烷以及混 合己烷中正己烷的分离装置，有利于压缩建设投资。改变传统装置先分离出混合 戊烷中纯品正戊烷、异戊烷和环戊烷，再将前两者按比例混合生产发泡剂的做法， 直接产出发泡剂、正戊烷或者异戊烷以及环戊烷产品。通过消除过度分离和事后 11天津大学科技成果选编 再混合的不合理操作以及对换热网络进行优化创新，不仅较同类装置能降低 30% 左右的能耗，还提高了装置柔性和适应性（适应多种比例发泡剂生产要求和多重 工况）以及企业对市场变化的应对能力。本技术通过自主创新开拓了分离领域新 的精细分离方法。设计采用天津大学新型规整填料及塔内件技术（包括专利技术 和专有技术如导向梯形浮阀、金属折峰式波纹填料 ZUPAC、大直径丝网填料塔 填料盘增强技术、通透式填料支撑结构、端效应减小装置、变孔径流预分布管技 术、新型单级导板式液体分布器、槽盘式集油箱、双列叶片进料分布器等）。产 品质量高于同类产品，满足了混合戊烷同分异构体精细分离的需要，各项技术指 标均达到或超过了设计要求。 技术水平及专利与获奖情况： 本技术为国内领先技术，目前有两项技术专利。 <一种混合戊烷同分异构体精细分离的双效精馏方法及其系统> CN101602641 <一种对分离了双烯烃的碳五抽余原料进行深加工的方法> CN101823931A 应用前景分析及效益预测： 成果已在国内部分地区推广，并将向全国其它部分地区乃至国外进行更广泛 的推广。 应用领域：本成果可应用于精细化工产品生产领域。 技术转化条件（包括：原料、设备、厂房面积的要求及投资规模） 本成果已经处在产业化稳定应用阶段，已经转让企业 1 家。 合作方式及条件：与企业合作。 

本发明公开了一种内轮与外轮相分离的转速可控的吸引性磁悬浮轮子，该轮子包括内轮、外轮、吸引性悬浮系统、牵引系统、导向系统、控制系统、通信系统和供电系统。本发明设计的磁悬浮轮子摆脱了电机和车轴对现有轮子的束缚，可由控制系统采用有线或无线的方式控制转速，并且同一车轴可连接多个轮子，为轮子的应用和创新提供了新的突破点。

本发明公开了一种内轮与外轮相分离的转速可控的推斥性磁悬浮轮子，该轮子包括内轮、外轮、牵引系统、推斥性悬浮系统、导向系统、控制系统、通信系统和供电系统。本发明设计的磁悬浮轮子摆脱了电机和车轴对现有轮子的束缚，可由控制系统采用有线或无线的方式控制转速，并且同一车轴可连接多个轮子，为轮子的应用和创新提供了新的突破点。

本发明涉及双膦酸盐类药物的离子色谱分离分析方法，特别涉及等度分离积分脉冲安培检测分析的双膦酸盐类药物的离子色谱分离积分脉冲安培检测分析方法，包括实际样品处理、基线测绘、进样和离子交换、洗脱、电化学检测分析步骤；本发明对双膦酸盐药物能进行良好的分离分析，保留时间、峰高、峰面积的相对标准偏差均小于2.0％，工艺流程大为简化，本方法还可用于血液样品中的双膦酸盐药物含量的检测。

本发明提供一种利用聚二甲基硅氧烷疏水材料板分离微丝菌的方法，该方法的步骤是将污水处理厂曝气池中已发生以微丝菌为优势菌的膨胀污泥混合液滴加在具有凹槽结构的聚二甲基硅氧烷疏水材料板上，冷藏放置保存后，采用氯化钠溶液对聚二甲基硅氧烷疏水材料板进行冲洗，利用相似相容原理实现微丝菌从活性污泥混合液中的分离。本发明的效果是该方法操作简单易行，可快速地实现微丝菌从活性污泥混合液中的分离，克服了微丝菌从活性污泥系统中分离困难的问题，可将分离有微丝菌的聚二甲基硅氧烷疏水板上置于培养基中，进行微丝菌的纯培养，与传统的稀释平板法和涂布平板法等微丝菌纯培养方法相比，加快了微丝菌菌种的筛选，可将微丝菌的纯培养周期缩短3～6周。