新葡京娱乐场-大陆娱乐场开户注册

技術分析（創新性、先進性、獨占性） 本項目已經具備具有200個CPU集群輔助計算，目前已建立了國際上領先的萬個化學藥物的化合物庫和六萬多種中藥單體化合物庫、利用國際一流的計算機輔助設計軟件（Schrodinger, Discovery Studio, MOE等）進行大規模化合物數據庫的虛擬篩選，并根據REOS預測、ADME/T性質的理論預測，結構聚類等，剔除成藥性差的化合物。 目前已經針對多個靶點和藥物做了國際創新性研究工作，相關成果在藥學領域相關SCI期刊上共發表論文17篇，平均影響因子>4.5，他引460余次。

一、項目簡介 由于眾多工業企業存在工作環境噪音大、粉塵多、勞動強度大等問題，均不同程度面臨著招工難的問題，生產規模很難擴大。同時，由于長時間重復機械工作，容易出現漏檢和誤檢，整體工作效率不高。對于已上線成套設備的企業，其集成度仍較低，自動化程度及性能都亟待提高，很難滿足市場的迫切需求。因此，機器換人可有效解決上述問題，而機器視覺是模擬人工操作的關鍵，綜合利用視覺檢測、模式識別、優化調度和綜合信息管理等技術和方法提高生產自動化水平極為重要。 二、前期研究基礎 項目組已與惠州高視科技有限公司簽署合作協議“機器視覺定位平臺開發與技術服務，2018.3-2019.3，50萬元”，并聯合廈門大學自動化系與高視科技有限公司建立“視覺定位聯合實驗室”，與廈門市自動化學會簽署合作協議，聯合建立“人工智能-機器視覺聯合實驗室”。研究了視覺對位平臺如何實現兩個目標物之間的精確對準。視覺系統需要對兩個目標物分別進行拍攝，選擇Mark點或者目標物的邊或角的特征信息。利用視覺對位技術，實現兩個目標物物理坐標之間的在X、Y軸和角度坐標的偏差，通過驅動相關運動平臺，引導平臺運動到貼合位置，實現視覺引導精確對位。 三、應用技術成果 開發了鞋模噴膠系統，采用傳送帶傳送鞋模，利用工業相機采集圖像，經圖像處理算法檢測鞋模邊緣，再將處理過的邊緣坐標數據傳送給控制器，控制器控制噴膠器對鞋模進行噴膠。 開發了自動貼蓋機系統，基于傳送帶傳送產品，利用工業相機采集傳送帶上的產品圖像，再通過圖像處理算法定位到模板圖像在采集圖像中的準確位置，從而通過坐標轉換將圖像中的坐標轉換到世界坐標，然后將數據通過串口通信傳送給控制系統，控制系統會控制機械手在定位到的位置坐標貼上產品標簽或者封蓋。 四、合作企業 惠州高視科技有限公司是一家專業從事機器視覺應用領域設備、計算機圖像處理系統解決方案研發的高科技現代化企業。公司的機器視覺產品廣泛應用于液晶、電子、新能源、金屬加工等行業公司秉承以人為本、合作共贏的管理理念，以技術開發為中心，以客戶需求為導向，致力于成為在機器視覺檢測、測量、圖像識別領域杰出的系統解決方案及設備供應商。擁有11項軟件著作權和5項實用新型專利。

人工智能物聯網時代要求語音交互有非常好的體驗感,室內環境下,當距離超過兩米后,通過墻壁的反射造成的混響、音響設備的回聲及其他環境噪聲對語音識別帶來了極大的影響,因此基于麥陣的聲音采集與處理模塊成為物聯網時代的最佳人機交互采集模塊。目前成熟的麥克風陣列語音信號采集與前端處理模塊尚未出現，市面上僅有少數國外廠家如科勝訊提供雙麥降噪芯片。同時,語音識別應用還需要配合降噪處理,目前的方案全部采用分離設計,一顆降噪芯片+一顆語音識別芯片。近年來隨著大數據挖掘,基于人工智能神經網絡的深度學習開始在語音識別領域進行推廣運用,相對于傳統的GMM模型,識別率得到了很大的提升。然而神經網絡計算量非常巨大,需要采用GPU或CPU陣列的方式來進行運算,并且需要外加語音陣列降噪模塊,其方案成本高,體積和功耗大。因此市場上對一款同時支持遠場語音麥陣降噪和神經網絡識別,具備高性價比的單芯片需求極大,具有巨大的市場前景和競爭力。

產品簡介： CES-AIoT339 是軟/硬件一體的面向 AI 人工智能方向的實訓系統，融合邊緣計算，人臉識別，機器視覺，文本/證件識別，語音識別諸多 AI 技術，同時引入物聯網傳感器，無線網絡知識點，是一套 AI 人工智能+物聯網綜合型實驗系統。 該款實驗箱由具有邊緣計算能力的單板計算機，高清晰畫質視頻采集器，拾音器，本地顯示器，操控端口，物聯網基礎部件組成，完整布署在實驗箱里，配套實驗教程和實訓所需的輔件。 該款實驗箱是針對新工科“人工智能”專業研發的，具備創新，先進，實踐性強等特點，適用于人工智能，計算機，電子，信息工程，自動化等相關專業。 產品特點： 該系統引入科大訊飛語音技術，百度 AI OCR 技術，可運行在邊緣計算機上實現通用文字識別，證件/票據識別，語音識別等 AI 應用，比如身份證識別，戶照，銀行卡，營業執照，車牌，駕駛證/行駛證的識別。 AI 人工智能+ 物聯網“雙核”組合 提供物聯網傳感器，無線網絡模塊，NB-IoT 模塊，與邊緣計算機，AI 人工智能部件，構成 AI人工智能和物聯網的融合，且支持與阿里云的鏈接，支持使用者進行 AI 人工智能物聯網的應用擴展開發。 基于安卓系統的 AI 人臉識別技術 提供人臉識別的開源安卓工程包，實現靜態，動態下的人臉特征采集，特征分析，對比等人臉識別功能。 AI 人工智能+ 物聯網“雙核”組合 基于 ARM 架構 Cotex-A72 六核處理器，內建強大視頻處理引擎 Mail-T864 GPU, 完美支持H.265/H.264 視頻解碼，支持大數據處理，流暢運行 AI 應用軟件。 硬件一體化設計，高度集成，易于設備的維護實驗所用到的硬件，均布署在實驗主板上，一對 N 供電模式，各單元相互獨立，模塊化設計。

基于跨行業數據挖掘標準流程CRISP-DM，實現數據的深度挖掘分析，幫助教師與學生發現數據中隱藏的關系及規律，為教師科研提供數據分析探索、模型構建、成果應用的一站式數據挖掘工具，高效開展行業應用研究。平臺支持用戶通過簡單拖拽、低代碼的方式快速完成挖掘分析流程構建。同時支持模型自動化構建、模型智能評估，推薦最優模型與算法。 1、極簡的建模過程 基于拖拽式節點操作、連線式流程串接、指導式參數配置，用戶可以通過簡單拖拽、配置的方式快速完成挖掘分析流程構建。平臺內置數據處理、數據融合、特征工程、擴展編程等功能，讓用戶能夠靈活運用多種處理手段對數據進行預處理，提升建模數據質量，同時豐富的算法庫為用戶建模提供了更多選擇，自動學習功能通過自動推薦最優的算法和參數配置，結合“循環行”功能實現批量建模，幫助用戶高效建模，快速挖掘數據隱藏價值。 2、豐富的分析算法 內置150多個分析算子，包含30余種數據預處理方法，5種數據融合方法、11種常用特征工程，實現數據融合處理與特征構建；包含聚類、分類、回歸、關聯規則、時間序列、綜合評價、協同過濾等7類N種機器學習算法，支持深度學習、集成學習與自然語言處理等人工智能分析方法，滿足各類業務科研場景需求。 3、靈活的擴展能力 支持用戶編制SQL\R\Python\Java\Scala\Matlab\PySpark腳本實現個性化的算法腳本。自定義算法功能允許用戶通過R\Python\Java\Scala基于平臺規范封裝自主算法并發布形成平臺節點，方便用戶靈活擴展平臺算法節點功能，增強平臺的業務適應能力，充分滿足不同領域科研的個性化需求。 4、全面的分析洞察 通過豐富詳實的洞察內容，幫助用戶全方位觀察建模過程任意流程節點的執行結果，為用戶開展建模流程的改進優化提供依據，從而快速得到最優模型，發現數據中隱含的業務價值。建模分析報告支持在線查看，并且支持下載可編輯Word版本，支持科研報告及相關成果發布應用。 5、全棧科研成果管理與應用能力 分析成果的快速工程化應用，支持模型以調度任務、異步服務、同步服務、流服務及本地化服務包等形式應用，滿足工程化的不同訴求。提供統一的成果分類統計及統一管理監測，幫助用戶高效便捷地管理成果、利用成果及監測成果。 6、跨平臺模型遷移及融合 支持PMML文件的導入和導出，可以實現跨平臺模型之間的遷移和融合，利于用戶進行歷史模型的遷移，實現用戶在不同平臺的模型成果快速共享，提升各類科研成果的復用性。    

本成果可從根本上解決上述痛點難題，傳感器檢測到冰雪等風險路況時，及時向路政、交警部門和社會發送預警和報警信號，以便及時采取風險管控措施，大大降低惡性交通事故發生的可能性。還可與道路融雪化冰系統協同工作，監測到冰雪危險路況時，傳感器信號自動啟動融雪化冰系統工作，消融冰雪，保障道路安全通暢。本成果的主要創新點： 1）壓電平膜傳感器多階諧振頻率和振動譜解析技術； 2）多光譜傳感器光電信號處理技術； 3）復阻抗傳感器信號檢測及處理技術； 4）多傳感器信息融合人工智能技術； 5）傳感器可靠性結構設計技術。 冰雪路況傳感器主要包含阻抗譜、諧振譜和多光譜等三種核心關鍵技術，如下圖所示，其來源于團隊前期研發的壓電平膜式、光纖（光電）式和阻抗式結冰傳感技術成果，均為具有自主創新特色及自主知識產權的研究成果。

武漢工程大學郵電與信息工程學院是經教育部批準設置的普通本科高校。學院創建于2002年，由武漢工程大學與武漢化院科技有限公司聯合舉辦，是一所以普通本科教育為主，以信息與通信技術（ICT）為特色，培養通信、計算機、自動化、化工制藥、材料、機械、電子、土木、以及藝術、外語、經濟、管理等學科領域高級應用型人才為主的全日制普通高等學校。學院目前擁有兩個校區。一是武漢工程大學武昌校區，位于武漢市洪山區虎泉街366號；二是郵科院校區，位于武漢市洪山區郵科院路88號。武昌校區占地面積500余畝，郵科院校區占地200余畝，擁有教學行政用房面積16.8萬平方米，館藏圖書70萬余冊，教學科研儀器設備總值6530余萬元。兩校區均位于武漢中國光谷的核心地帶，直線距離1.2公里，集秀美的風景、幽雅的環境、濃厚的文化氛圍、便利的交通、完備的現代教學與生活設施于一體。學院現有教師659人，其中具有碩士學位及以上的比例為88.6%，具有中高級職稱的比例80.3%，聘請40多位專家學者和知名人士為學院客座教授。學院現有全日制本（專）科學生近萬人，設有機械與電氣工程系、化工與材料工程系、經濟與管理系、建筑工程系、藝術設計系、公共學部等6個系部，開辦工學、理學、管理學、經濟學、文學、法學、藝術學等7個學科門類的39個本科專業、10個專科專業。郵科院校區集中了通信工程、電子信息工程、軟件工程、網絡工程、通信技術等郵電通信領域特色優勢專業。學院獲省級及以上本科教學質量工程項目數量在全省同類高校名列前茅。擁有湖北省普通高等學校戰略性新興（支柱）產業人才培養計劃專業、省荊楚卓越工程師協同育人計劃專業、省專業綜合改革試點專業、省級“雙萬”專業、省獨立學院重點培育專業等15個，省級重點（培育）學科1個，省級精品資源課程4門；省級教學團隊及優秀基層教學組織4個；國家地方所屬高校“本科教學工程”大學生課外實踐教育基地1個，省級實習實訓基地2個；教育部產學合作協同育人項目3個，省級及以上教研、科研項目30余項。 學院師生在“互聯網+”大學生創新創業大賽、“創青春”全國大學生創業大賽、全國大學生數學建模競賽、全國大學生電子設計競賽、全國大學生機械創新設計大賽、結構設計大賽、藝術設計大賽、外語翻譯大賽等國家和省市各類課外競賽中屢獲佳績。2018年共獲得各類學科競賽國家級一等獎2項，二等獎1項；省級一等獎13項，二等獎16項，三等獎28項。學院在全國大學生數學建模競賽中表現尤為突出，共計獲得國家級獎項3項，省級獎項21項。近年來，學院榮獲國家級獎勵100余項，省市級獎勵200余項，榮獲省級優秀學士學位論文100余篇。學院畢業生就業率穩定在94%以上，考研上線率達15%。學院多年依托武漢工程大學優勢專業和優質教學資源辦學，在辦學條件、實驗室、師資等方面共建共享。學院一直與世界知名的信息通信領域產品和綜合解決方案提供商——武漢郵電科學研究院（現為中國信息通信科技集團有限公司）長期合作，共同致力于信息通信領域高素質應用型人才培養，已累計向社會輸送了近9000余名相關專業本專科畢業生。學院與湖北興發集團聯合開辦“興發基地班”，每年定向培養100余名各類工程技術人才。學院擁有國內最先進的移動通信實驗室、高速率大容量光傳輸實驗室，與世界知名企業羅克韋爾、達內教育集團在校內共建自動化實驗室、大數據實驗室，建有校園智慧教室、政治理論課網絡工作室、心理咨詢中心等。學院與東風汽車、烽火科技、中國電信、浙江物產化工集團等100多家國有大中型國企、外資企業、民營企業等建立了密切的校企合作關系，與美國、英國、新加坡等多所國外高校開展校際合作與交流。 學院多年堅持立德樹人根本任務，為社會培養和輸送了數萬名優秀畢業生，涌現出了一批省級及以上先進集體和優秀個人。學院師生先后獲得“湖北省高等學校先進基層黨組織”、“活力團支部”、“師德先進個人”、“全國民辦高校優秀輔導員”、“中國大學生自強之星”、“自強學子”、“拾金不昧學子”等光榮稱號。學院獎助學金體系設置完整，品學兼優的學生可以獲得國家獎學金、國家勵志獎學金以及學院綜合獎學金、單項獎學金和社會獎學金等。學院積極開展大學生科技文化節、文化藝術節、體育節、校園金話筒大賽、校園十大歌手大賽等豐富多彩的校園文化活動，學生在學好專業知識的同時，可通過參加社團活動、學科競賽、社會實踐、志愿服務等豐富校園文化生活，提升個人綜合素質，實現自我人生價值。

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。成果：1.藥物毒性預測方法：傳統的化合物毒性檢測技術一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預測服務器首頁致癌性預測結果頁相關綜述對本服務器的介紹RF-hERG-Score預測藥物引起的hERG相關心臟毒性2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。特異性重打分函數顯著虛擬篩選性能顯著較高篩選出兩個候選抑制劑3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。lncRNA-蛋白質相互作用預測模型的性能比較lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預測方法：傳統的化合物毒性檢測技術一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預測服務器首頁 致癌性預測結果頁 相關綜述對本服務器的介紹 RF-hERG-Score預測藥物引起的hERG相關心臟毒性 2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。 特異性重打分函數顯著虛擬篩選性能顯著較高 篩選出兩個候選抑制劑 3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。 lncRNA-蛋白質相互作用預測模型的性能比較 lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

采用前沿的深度學習算法和相關數據處理技術，經過不斷優化和創新，能夠在極短時間內完成 CT 圖像的人體器官勾畫功能，目前已實現 30 多種器官的自動勾畫。大量歷史病例數據集和模型的不斷創新使 DeepViewer 多種器官的勾畫精準度達到 95%以上。