新一代AI图像增强技术，精准的3D形体识别； 支持手势控制、实时3D扫描、实景测量、教室学情分析； 侦测到从物移动时，自动跟踪移动轨迹，精准还原动态细节。

H3C Learningspace是新华三自主研发的基于VDI及VOI混合架构，针对教育等场景提供的云教室融合桌面解决方案，兼顾VDI云上的灵活性，集中资源（包括系统、应用、数据等），按需向学员分配虚拟桌面，以及胖终端形式的性价比，低投入情况下满足新课改、3D建模、视频处理等高负载要求。 H3CLearningspace通过统一的Web管理控制台，实现远程运维，对数据中心资源集中管理、统一监控，概览界面直观展示系统健康度、课程/教室/用户总数量、桌面运行情况、资源使用率、异常报警信息等，可点击各模块进一步查看详细信息。 自动安装：除一体机出厂已预装所有必要程序外，还提供裸机安装，底层虚拟化、分布式存储、管理平台程序等集成打包，一个镜像导入，即可自动执行下一步直到安装完毕。 一键巡检：部署完毕、后期维护、故障定位等等，平台一键健康检查，即可自动发现系统隐患，并给出优化建议。 模板优化：课程镜像通过自动优化工具，对操作系统进行上百条性能优化动作，较大化提高桌面使用体验。 自动升级：管理平台上传升级包，所有终端自动检测与下载，服务器后台、教师端、学生端自动执行升级操作，无需手动干预。 Learningspace将最复杂的代码逻辑留给研发层，最通俗易懂的操作呈现给前端，较大程度节省人工参与的工作量，提高效率。 活力课堂，教学手段多样 Learningspace内置新华三自研配套教学管理软件，专为教育场景定制。 基础功能：模板切换（一键上下课、不同课程对应不同模板）、屏幕广播、签到、学生演示、收发文件、屏幕监看、一键禁网、离线逃生、一键重启、座位调整、U盘禁用、全屏肃静、自习模式、账号模式、虚拟教室、远程协助、电子教鞭…… 语音相关：语音广播、分组讨论、学生发言、语音会议、个别通话…… 特色功能：直播课程、大班基础课等需求，教师端可随时勾选多个班级合并为一个逻辑大班，进行统一授课与控制。 常用功能应有尽有，无论在体验，还是成本上，Learningspace均实现了突破。除内置外，还支持第三方多媒体教学软件的无缝集成，以保障任课老师多年的教学习惯得以延续，减少学习成本。 测试考试，省掉九十九步 无纸化考试以其保密、环保、效率等众多优势，正逐步替代纸质模式，Learningspace内置测试平台与考试环境自动部署模式。 随堂测试：老师可以发起单抢答、全班答、随机答等形式的评估测验，测验结束后系统自动阅卷打分，测试结果计入学生积分系统，在校园空间的积分墙进行排名展示，老师可以此为参考，对学生上课质量进行评估。 考场定制：支持多种考试场景，如国家计算机一、二级等级考试，社会职称考试等，支持ATA、NCRE等考试部署要求。同时提供考试专属镜像，自定义保留考试桌面（桌面完整环境与文件数据）周期时间，以便考试结果有异议可后期溯源备查。 无论是纸质的考卷阅卷，还是PC的手动环境部署，其工作量均为通宵级，而Learningspace开发大量自动化流程，遵循能不动手即不动手，能省时间则省时间的原则，为广大教师提高百倍效率，少走不必要的路。 网盘分享，再无硬件拷贝 Learningspace内置网盘功能，由分布式存储提供服务，为数据安全加持多重保障，每位师生均可分配一个私人校园网盘，在校期间永久保留个人数据，访问不局限在云环境，校园网范围接入均可登陆获取自己的专属数据，省去忘带U盘的尴尬，也阻断病毒的传播途径。提供分类查询，分享文件，配合作业空间功能，让数据分享无边界，学习趣味再提升。 较佳性能，尽情三维渲染 H3C作为国内少有的NVIDIA授权VDI厂商，具备vGPU技术，可将企业级显卡进行虚拟化切割，把性能强劲的GPU算力分配给云桌面，极大增强VDI架构的图形处理能力。灵活的显存分配，根据使用需求任意切分，实现OpenGL和DirectX的3D类应用流畅运行。显卡资源云端集中管理，可视化的GPU资源监控管理功能，有效降低运维成本。 与此同时，Learningspace也提供更省成本的解决方案，VOI组件支持充分发挥胖终端硬件性能，将CPU与集成显卡无损耗提供给图形设计或视频处理等高负载应用场景，而后端无需大量服务器资源，节省数据中心建设投入，与此同同时，内置的网盘功能可漫游终端生产的文件数据，除了保障安全，更能提供便捷。 作业空间，趣味云上答题 任课老师可创建自己的课程组，组内包含上此课的学生账户，学生拥有对应的登录使用权限，所有操作均为浏览器访问，不局限特定环境，教室、寝室、图书馆，随时随地，写作业。 云上作业：教师可在此课程组里编辑和发布作业，设置提交截止日期，所有课程内的学生均可见，过期答题，提交拒收。 评论互动：教师在平台批改打分，会自动呈现数据统计报表，如提交人数、平均分等，同时教师可选定优秀答案公开展示，全体学生可对其评论、留言。 微课空间：教师端可上课期间进行录屏，将上课内容完整上传至微课空间，以作为公开课或复习视频共享，学生可以点播微课视频进行学习、点赞、评论和回复。 安全策略，确保万无一失 在安全保障上，Learningspace做了大量安全机制，多重保障，以消除隐患顾虑。 集群技术：将每教室的学生桌面平均分散到所有云主机，避免单台主机压力过载，确保不会出现某些主机闲置，而某些利用率极高的情况，所有集群资源可在其他教室未上课时，全部集中提供给某个教室使用，性能10倍提升。 双机热备：支持集群拆分，每个集群可以独立承担业务功能。拆分后的集群在恢复网络后，可以再次合并，恢复原有业务。满足学校在考试、阅卷期间使用的计算、存储、网络等资源与正常业务实现完全物理隔离，各项业务照常开展。 权限回收：为防止学生误操作，以及考试场景的安全性，学生终端断电、桌面关机、重启、甚至硬件损坏，数据均不会被清除，只有教师端点击下课，学生桌面才会还原。故障终端现场换新，虚拟机仍会保持之前的状态，重新自动连接。 教师端离线：教师端实时检测与云桌面平台交互是否异常，从而自行切换离线和在线状态。离线模式下教师可不依赖云桌面数据中心进行屏幕广播、屏幕监控、语音广播、学生发言、语音讨论、远程协助、学生转播等等。 终端多样，品牌保障品质 不同的终端体系，对应不同场景需求，大幅度提高适用范围：VDI灵活多变，可塑性强，承载普通业务场景，横向扩容，搭配vGPU技术满足高性能3D渲染需求；VOI本地计算，发挥终端全部性能，数据云端存放，节省服务器资源，降低投入成本。 ARM架构、X86架构、分体机、一体机、老款性价比、新款高性能……各类形态可供选择，体积小巧，机身一体化设计，噪音直线下降。瘦终端嵌入式芯片，最低达1/30的PC功耗；胖终端桌面级CPU，超强性能。无风扇、机械硬盘等易损元件，基本可做到硬件零维护，相对PC，使用周期更长，节省开支、减少电子垃圾。内置自研SpaceOS系统，开箱通网即可受远程管控。

产品详细介绍

产品详细介绍

膜技术特别是超滤膜技术广泛应用到海水和水体净化、化工分离、医药和食 品等领域。但是，目前的膜材料耐污染能力和选择性均有限，且成本高，限制了 膜技术的广泛应用。该技术通过酸化 ZrxSi1-x O2 /Al2O3 功能材料的制备、在多孔支 撑体表面组装成自组装膜和集成设备后具有亲水、耐污染、选择性吸附和净化的 性能，可广泛用于海水淡化预处理、含油海水和污水的净化等，并已进行了 200 升/小时自组装膜集成设备现场运行，完全可以产业化。 该技术通过酸化 ZrxSi1-x O2 /Al2O3 功能材料的制备、在多孔支撑体表面组装成自组 装膜和集成设备，该自组装膜集成设备对海水和含油海水净化后可以分别达到碎 屑岩油藏注水 A3 级标准(SY/T 5329-94)和天津市污水综合排放 1 级标准 (DB12/356—2008)，以及海水淡化反渗透膜的进水(浊度≤0.3NTU, SDI≤4)和向环境 排放及回用的要求(固体悬浮物≤3mg/L，油含量≤8mg/L，COD≤50mg/L)，在 0.1Mpa 压力下的通量大于 500L/m2h，净化 1 吨海水的成本约 0.2-0.3 元人民币，成本低， 可进行重复利用，可代替目前使用的聚合物超滤膜装置（1.7－2 元，材料无法回 收利用，通量低）。 成果水平：国内领先，2 项发明专利 市场分析及前景：该技术研制的自组装膜和集成设备已经进行了 200 升/小时自 组装膜集成设备的现场运行，完全可以进行产业化。年产 100 吨酸化 ZrxSi1-x O2 /Al2O3功能材料需要投资 500 万元人民币（包括固定资产和流动资金），可制造处 理 200 万吨水的自组装膜集成设备，需要员工 10-15 人，年利润大约在 1000 万 人民币。1 吨酸化 ZrxSi1-x O2 /Al2O3功能材料组成自组装膜后可处理含油海水 2 万吨，核 处理 1 吨含油海水需 0.2-0.3 元人民币。 主要技术指标：该自组装膜集成设备对海水和含油海水净化后可以分别达到碎屑 岩油藏注水 A3 级标准(SY/T 5329-94)和天津市污水综合排放 1 级标准 150天津大学科技成果选编 (DB12/356—2008)。 合作方式：融资 1000 万 

产品详细介绍※产品定义：以生态智慧与自然美学的心理健康观为基础，以生态体系下的幸福蓝图为目标，依据中国五行，融合山、水、气、光、动、植物等要素，契合四季变化特征，统合视、听、嗅、味、触、平衡觉等感知方式，精心设置心理健康辅导活动并配以相应道具，称之为生态心理辅导箱。该产品旨在让个体在亲近自然的过程中，获得人与事物、人与自然、人与社会的心理感悟与成长，实现自然美、社会美、心灵美的融合与统一。活动设计与设置遵循维果斯基的“最近发展区理论”，能够满足生态心理辅导的基本要求。※产品内容：※依据《中小学心理健康教育指导纲要(2012年修订)》精神，产品活动分为认识自我、学会学习、人际交往、情绪调适、升学择业以及生活和社会适应六个主题。※同时，《纲要》提出要“培养学生积极心理品质，挖掘他们的心理潜能”，因此，上述六大主题参照积极心理学理念，分为五个方面：积极情绪的培养、投入状态的激发、良好人际的构建、人生意义的探寻、成就体验的营造。※配套书籍是中国教育学会“十二五”科研规划课题成果。※提供配套教学视频指导光盘，不少于6课。由一线专业心理教师授课，在中小学课堂实录，由正高级职称心理学专家或具有高级职称的心理学博士点评。※提供产品合格证、产品说明书。※提供配套的心理学设备管理系统软件。www.ludus.cn   010-57793992

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。

非线性失真是5G通信系统和其他新兴多载波通信系统的主要失真来源，而数字预失真代表着线性化方法发展趋势。目前，数字预失真方法均采用了对非线性器件输出信号的包络特性进行直接线性化的简单思路。由于有源非线性器件（如射频功放）存在最大输出功率的限制，故此种原理的线性化算法在高能信号区会造成输出有效增益的明显下降，也就是难以同时满足低功率损失和高线性化效果的要求。这不但造成了低下的电源利用效率，并且造成我国对进口大功率射频器件的依赖。 针对5G通信非线性失真研究的理论空白，申请人率先完成了非线性失真信号微观分析法，首次揭示了亿万个随机交调项间的定量关系，推导出了系统参数和非线性频谱间简洁的多项式表达关系，并将仿真速度提高1100倍。针对目前射频电路预失真方法的原理性缺陷，申请人建立的多级精细化数字信号预失真方法实现了在低功率损耗的条件下取得高度线性化效果，此方法可提高功放的功率利用率，降低我国对大功率射频功放的进口依赖。

项目成果/简介: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。应用范围:家居智慧控制，提高舒适度：家庭生活状态统计和日常需求预测与推荐；多模态行为分析和数据采集和传输系统；多模态行为数据采集和分析平台；基于LoRaWAN/5G的工厂环境、农业大棚等环境监测系统。技术成熟度:通过中试