新葡京娱乐场-大陆娱乐场开户注册

我校理學(xué)院大數(shù)據(jù)研究團(tuán)隊(duì)在人工智能與大數(shù)據(jù)處理技術(shù)研究方面取得系列進(jìn)展，研究成果分別發(fā)表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級期刊。神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域中目前最為火熱的研究方向——深度學(xué)習(xí)的架構(gòu)基礎(chǔ)。雖然深度學(xué)習(xí)在近幾年發(fā)展迅速，但是關(guān)于如何設(shè)計(jì)最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)的問題仍處于探索階段。該團(tuán)隊(duì)分別針對人工智能中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、高維大規(guī)模數(shù)據(jù)存在無效和冗余特征、難以獲取長時(shí)序信息等問題與缺陷，設(shè)計(jì)出了一系列網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時(shí)序循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效改善了上述不足，提高了人工智能模型的學(xué)習(xí)性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡(luò)特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發(fā)表在人工智能領(lǐng)域權(quán)威國際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國石油大學(xué)（華東）為第一署名單位。該項(xiàng)工作得到國家自然科學(xué)基金、國家科技重大專項(xiàng)、山東自然科學(xué)基金、中央高校基本科研業(yè)務(wù)費(fèi)、中國石油天然氣集團(tuán)公司重大科技項(xiàng)目以及山東省高校青年創(chuàng)新科技支撐計(jì)劃的資助。 特征選擇技術(shù)也稱屬性選擇，是指從原始特征或?qū)傩灾羞x擇出最有效的特征或?qū)傩砸越档蛿?shù)據(jù)維度的過程，它是人工智能數(shù)據(jù)預(yù)處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術(shù)的重要環(huán)節(jié)。該項(xiàng)工作在神經(jīng)網(wǎng)絡(luò)中嵌入Group Lasso懲罰項(xiàng)并實(shí)現(xiàn)特征冗余控制，在選出對解決問題最有幫助、蘊(yùn)含信息量最大的特征或?qū)傩缘耐瑫r(shí)，控制所選特征子集的冗余程度，以達(dá)到降維的最優(yōu)效果，從而使模型的泛化能力更強(qiáng)，降低神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生過擬合的風(fēng)險(xiǎn)。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化模型設(shè)計(jì)與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發(fā)表在國際人工智能領(lǐng)域權(quán)威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國石油大學(xué)（華東）為第一署名單位。該項(xiàng)研究成果得到了國家自然科學(xué)基金、山東省自然科學(xué)基金和中央高?；究蒲袠I(yè)務(wù)費(fèi)的資助。 該項(xiàng)工作借助L1正則子具有的稀疏表達(dá)能力，提出兩種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化學(xué)習(xí)模型；本項(xiàng)工作另外一個(gè)突出貢獻(xiàn)就是提出了一種簡單且具有通用性的收斂性證明方法，同時(shí)保證了模型設(shè)計(jì)的合理性。實(shí)驗(yàn)結(jié)果表明所提出模型具有強(qiáng)大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數(shù)據(jù)。該研究成果在人工智能與深度學(xué)習(xí)構(gòu)造最簡網(wǎng)絡(luò)結(jié)構(gòu)方面具有很強(qiáng)的指導(dǎo)作用和應(yīng)用推廣價(jià)值。

高端智能化、高效節(jié)能、低耗能的機(jī)械設(shè)備主要為：履帶式的移動(dòng)破、圓錐破

本發(fā)明涉及鈰氮氟共摻雜二氧化鈦光催化劑及其在可見光降解有機(jī)污染物中的應(yīng)用。采用的技術(shù)方案是：鈰氮氟共摻雜二氧化鈦光催化劑，其制備方法如下：將鈦酸丁酯在攪拌下緩慢滴入乙醇和冰乙酸混合溶液中，攪拌均勻后，逐滴加入氫氟酸溶液，攪拌形成透明混合溶液A；將氨水與乙醇混合，加入硝酸鈰，調(diào)節(jié)pH至2，配成溶液B；將溶液B緩慢滴入溶液A中，得到均勻透明溶膠；在空氣中放置陳化，得到固體凝膠；干燥后研磨成粉末，置于馬弗爐中400～500℃，焙燒40 min～1.5 h，得到鈰氮氟共摻雜二氧化鈦光催化劑。合成方法簡單的，穩(wěn)定的，形成催化效率高的非金屬和金屬三摻雜二氧化鈦光催化劑。多元素共摻雜催化劑得到的產(chǎn)物在粒徑、形貌上與對比單摻雜或雙摻雜有較大的不同，多元素共摻雜能大幅度提高催化劑的催化活性，給催化劑的物理性質(zhì)帶來很多優(yōu)點(diǎn)，如粒徑變小，表面積增大，表面具有特殊結(jié)構(gòu)。本發(fā)明的目的是為了擴(kuò)大TiO2的可見光響應(yīng)范圍，減小電子和空穴的復(fù)合，從而提高TiO2對太陽能的利用率，提高其可見光催化活性，因此本發(fā)明對TiO2表面進(jìn)行修飾，提供一種在可見光作用下，光催化效果好的鈰氮氟共摻雜二氧化鈦光催化劑及其制備方法。采用鈰氮氟共摻雜二氧化鈦光催化照射的方法處理雙酚A廢水，使其降解率達(dá)到99%以上，不完全降解率低于0.5%。

課題組既往的研究以及本課題前期的實(shí)驗(yàn)結(jié)果提示腫瘤相關(guān)巨噬細(xì)胞大量分泌CC L 1 8，并鑒定了P ITPNM3是CCL18的功能性受體，其與乳腺腫瘤的惡性程度正相關(guān)，因此，CCL18及其受體P ITPNM3是導(dǎo)致乳腺癌轉(zhuǎn)移的關(guān)鍵基因，也是進(jìn)一步開展臨床轉(zhuǎn)化研究的關(guān)鍵靶點(diǎn)。研發(fā)能夠靶向CCL18及其受體 PITPNM3的小分子化合物和單克隆抗體對于將來研發(fā)乳腺癌治療的前體藥物，改善乳腺癌的轉(zhuǎn)歸有重大意義。

對CF3自由基引發(fā)非活性烯烴和遠(yuǎn)程的胺β-C-H鍵的官能化的研究進(jìn)展。該研究在國際上首次實(shí)現(xiàn)了有機(jī)膦催化的CF3自由基串聯(lián)反應(yīng)：烯烴的官能化和酰胺類衍生物的β-Csp3-H鍵官能化，分別得到雙三氟甲基化的烯酰胺和三取代的5-(三氟甲基)噁唑。該反應(yīng)具有較高區(qū)域選擇性、化學(xué)選擇性和立體選擇性；利用該方法可以一鍋法制備三取代的5-(三氟甲基)噁唑，具有方法簡單、步驟少等優(yōu)點(diǎn)。此法不僅彌補(bǔ)了傳統(tǒng)方法中使用金屬催化劑催化時(shí)導(dǎo)向基團(tuán)必不可少的不足，而且為自由基有機(jī)反應(yīng)提供了一種新的思路。

該項(xiàng)工作發(fā)展了首個(gè)利用碳-硫鍵活化的Stille交叉偶聯(lián)聚合。在溫和的反應(yīng)條件下，制備了一系列高溫Stille反應(yīng)難以獲得的聚合物半導(dǎo)體材料，從而為合成低成本，高性能的有機(jī)/高分子半導(dǎo)體材料提供了新的研究思路。

紅芪(Radix Hedysari)也稱為 ―獨(dú)根‖ ,是豆科植物多序巖黃芪(Hedysarum polybotrys Hand.-Mazz.)的干燥根。紅芪性微溫、味甘，歸肺、脾經(jīng)。具有補(bǔ)氣升陽、固表止汗、利水消腫、生津養(yǎng)血等功效。其化學(xué)成分主要有多糖、黃酮、皂苷、微量元素及氨基酸。 肝纖維化為一病理組織學(xué)概念，是多種慢性肝病共有的病理改變，肝纖維化是由于多種損肝因素引起肝臟星狀細(xì)胞 (HSC)的激活，細(xì)胞外基質(zhì)(ECM)過多生長而致細(xì)胞轉(zhuǎn)化生長因子 1(TGF