新葡京娱乐场-大陆娱乐场开户注册

本發明公開了可同時測定梨的多個指標參數的裝置，包括：暗箱；位于所述暗箱內，用于測量梨的重量的電子稱重旋轉平臺；位于所述暗箱內，用于測量梨的高度的高度測量裝置；用于向梨發射檢測光的光照模塊；用于接收梨的反射光的光譜采集模塊；用于接收所述電子稱重旋轉平臺和高度測量裝置的信號計算樣品體積，以及用于接收所述光譜采集單元信號計算樣品pH值的控制單元。本發明還公開了一種利用所述的可同時測定梨的多個指標參數的裝置測定梨的多指標參數的方法。本發明實現了梨的重量、高度、體積以及pH值的多項物理參數的快速檢測，檢測快速準確，檢測成本低，環境污染小。

研究背景：  大數據應用的多樣化  需要的計算模型、數據模型多樣化；  目前每類模型需要單獨的開源系統來支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系統導致大數據分析平臺非常復雜、效率低下。 研究目標： 研究和開發面向新型多計算模型融合架構的、高時效、可擴展的新 一代大數據分析支撐系統與工具平臺FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 針對目前大數據分析平臺復雜、效率低下的痛點，該系統具有三個  方面的優勢：首先，這套系統采用融合架構，一方面實現關系、圖、鍵  值、文檔等多種數據模型的高效融合，另一方面實現批處理計算、流計  算的深度融合，并可以通過SQL擴展語言來進行多模型的統一查詢，實現高效的跨模型查詢。其次，對于復雜系統來說，時效性非常重要，這  套系統采用融合架構提高效率是實現高時效的基礎，更重要的是，我們  對大數據分析從數據到用戶進行了端到端的全棧時效優化。最后，對于  大數據應用來說，系統擴展性非常重要，本系統在資源層、存儲層和計  算層進行了全面的擴展性優化。下面在融合架構、高時效和可擴展這三  個方面，分別詳細介紹FAST系統的三個主要亮點。 融合架構 FAST系統的第一個亮點是融合架構，我們在技術方面的創新主要包  括多數據模型融合和多計算模型融合兩方面。 多數據模型融合： 設計和研發了多模型數據管理與查詢引擎，支持關系、圖、鍵值、  文檔等多種數據模型，實現了查詢解析、查詢優化、元數據管理、數據  分布等功能，將多種數據模型進行統一管理和深度融合。同時擴展了SQL語言，通過統一的查詢接口支持對關系、鍵值、圖、文檔等數據進行獨立訪問或者跨模型查詢。 經過試驗，多模型數據融合查詢，比Spark 2.3.4的查詢時間能平均減少70.7%。目前spark等現有系統還需要手工編程方式來實現跨模型查 詢，所以FAST系統在易用性上也表現良好，降低使用門檻，提高開發效率。 多計算模型融合： 在計算層實現了最常見的批處理計算和流計算深度融合，批流融合的核心方法是在系統內部實現批和流的統一表達，批是對有限數據集  的運算，流是對無限數據流的計算，我們設計了UCollection結構對批和  流數據進行統一表達，通過識別的bounded標志，來確定是批、流、或批流融合。有了統一表達，可以開展一系列融合優化來提升系統性能。 并且對上通過Unified API統一用戶的批、流接口，實現二者在編程范式上的統一表達。對于批流混合的計算，融合架構系統的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。 高時效 FAST系統的第二個亮點是高時效，即縮短大數據分析的時間消耗，  提高效率。由于大數據分析平臺是一個非常復雜的系統，為了做到高時效，系統不能存在性能短板，因此需要對大數據分析的整個過程進行端到端的全棧時效優化。如圖中所示，自下而上，需要在多模態存儲、批流融合、機器學習、人工操作各層都進行優化。 對于多模態存儲，面向應用負載和異構硬件特征進行自適應優化； 對于批流融合計算，在統一表達基礎上，進行系列融合優化技術， 包括DAG優化、迭代優化、部署優化、操作符優化等； 在機器學習層面，進行模型優化、消息優化、梯度優化、概率優化 等來提高時效； 而且我們也考慮到大數據分析過程中用戶人工操作的時效性問題，  通過智能地進行大數據分析方法和模型的推薦，來縮減人工操作的  時間。 可擴展 FAST系統的第三個亮點是可擴展，由于大數據應用規模很大，數據增速快，對系統可擴展性的要求非常高，為此我們在系統的資源層、  存儲層和計算層進行了全面的擴展性優化。 在資源層，系統都部署在云計算的虛擬化資源之上，利用了云計算資源的彈性機制進行系統擴展。并在系統中實現了可伸縮調整模塊，  能實時監控軟硬件系統的狀態，按照應用需求來自適應地進行彈性伸縮。 在存儲層，分布式存儲系統擴展性的關鍵在于分布式共識和一致性 協議（Raft），因此提出了KV-Raft、vRaft等進行Raft的擴展優化。 在計算層，我們擴展了機器學習模型的參數規模，使系統可以支持  到百億級別的超大規模機器學習模型訓練，并且性能方面有明顯提  升。 亮點成果： 融合架構大數據分析平臺目前已經在阿里巴巴雙十一進行示范應用。  從2020年11月10日至11月16日一周的時間，在阿里的生產環境中，研發 的系統一直連續穩定運行，基于淘寶和天貓的實際用戶信息進行大數據 分析，綜合運用了本系統的存儲、計算、機器學習等多個模塊的能力， 累計進行了184億件商品推薦。 同時在雙十一期間，基于智能交互向導技術，也面向電子商務應用  的賣家提供了“生意參謀”應用，基于大數據分析，幫助賣家分析產品  銷量變化的原因，以及促銷的有效手段等。

本發明公開了一種可尋址測量局域波前的成像探測芯片，包括可尋址加電液晶微光學結構、面陣可見光探測器和驅控預處理模塊

本發明涉及一種動壓軟巖巷道用可伸縮恒力讓壓錨桿，由錨桿體、托盤、拉桿、預緊調節螺栓、主彈簧、銷軸、刀形凸輪、輔彈簧、錨固頭框架、滾輪、滾輪架和螺母組成。錨桿體與拉桿通過螺紋相連接；托盤可在外力作用下沿著拉桿移動，且在移動過程中主彈簧和輔彈簧對托盤產生的合成預緊力基本保持不變，即保持恒力。當動壓軟巖巷道的圍巖發生變形時，托盤通過帶負荷移動讓壓，釋放應力。圍巖卸壓后，托盤回移補強，實現對圍巖的二次加固。當圍巖因應力擾動反復發生變形時，錨桿可形成對圍巖的“讓-支-讓”循環支護和柔性支護，避免巷道被毀壞。本發明設計巧妙，結構緊湊，托盤移動行程大，除錨桿體外均可拆卸后循環使用，節約成本。

本實用新型涉及電機產品技術領域，尤其為一種自帶可拆裝蓋板的多功能電機底座，包括底座、電動伸縮桿和蓋板，兩個L型固定塊之間活動插設有T型連接塊，所述T型連接塊遠離底座的一端固定連接于電機上，底座中對稱開設有安裝孔，所述安裝孔中固定插設有電動伸縮桿，電動伸縮桿遠離安裝孔一端固定有連接頭，所述蓋板槽中設置有蓋板，蓋板的一端連接有拉環，底座中心處開設有配重塊槽，蓋板一側鋪設有防腐層。本實用新型通過開關來控制電動伸縮桿，將蓋板安裝在電動伸縮桿上方的連接頭內，這個可拆裝的蓋板能夠起到保護的作用，底座內部開設的配

等效負折射率平板透鏡又稱 DCT-plate，該技術通過光場重構原理，將發散的光線在空中重新匯聚，從而形成不需要介質承載的實像。根據場景需要，可設置不同的影像呈現角度，結合體感互動裝置實現人與實像的直接交互。該技術現處于世界領先地位！ 

面向日益復雜多樣的電子產品應用場景，電子設備的小型化進程不斷加快，對于高集成、多模式、多功能的芯片需求飛速高漲。本項研究成果針對生物醫療電子、個人無線體域網、近距離無感支付、車載定位、戰場實時感知、無人機導航等應用需求，提出一種超寬帶無線通信兼具FMCW雷達測距的復合型收發機創新性結構。收發機采用超寬帶射頻調頻+可再生型鑒頻技術，實現通信及雷達的共架構方案；提出多相中頻時差測距機理，將分辨率提高2個數量級，達到mm級精確測距，動態范圍擴大4倍；射頻前端基于電流共享技術，實現射頻振蕩器+功放、低噪放+鑒頻+混頻的一體化實現，系統功耗優化40%；提出子載波發生器+頻率校正環路的數字化復用結構，發射機可半數字化實現，從而得到一款支持無線數據傳輸、時差/頻差/相差雷達測距的極低功耗復用型收發芯片。 圖1.研制的通信+雷達集成收發機芯片顯微照片

細菌群體感應抑制劑是李紅玉教授團隊以嗜酸硫桿菌為研究材料，研發的一種可通過阻斷細菌生物膜的形成從而顯著降低細菌耐藥性的群體感應抑制劑。細菌生物膜是大量細菌通過信號分子交流從而誘導特定基因表達凝聚成的具有高度抵抗力的結構性細菌群落，堅實穩定、不易破壞，抗生素等物質難以貫穿從而使得藥物沒有作用。該團隊研發出的群體感應抑制劑是一種信號分子調節劑，在不影響細菌正常生長的前提下，可抑制細菌的交流從而阻止了細菌生物膜的形成（圖 1），降低了細菌的抵抗力，從而降低其耐藥性。該產品擁有國家發明專利，具有自主知識產權

本發明公開了一種可尋址電調光反射率薄膜。包括陰極，陽極陣列，以及設置在陰極和陽極陣列間的介電層；陽極陣列由 M×N 元陣列分布的陽極單元構成，陽極單元由規則排列且相互連通的多個子電極構成，可尋址電調光反射率薄膜被劃分為 M×N 元陣列分布的電調光反射率單元，陽極單元與電調光反射率單元一一對應，構成電調光反射率單元的陽極，所有電調光反射率單元共用陰極；通過陽極單元和陰極對電調光反射率單元執行獨立加電操作，進而通過調變加

本發明公開了一種可尋址測量局域波前的成像探測芯片，包括可尋址加電液晶微光學結構、面陣可見光探測器和驅控預處理模塊；液晶微光學結構被劃分成可獨立施加電驅控信號的多個液晶微光學塊，各液晶微光學塊具有相同的面形和結構尺寸，被加電液晶微光學塊為液晶微透鏡陣列塊，其余未加電液晶微光學塊為液晶相移板塊；被液晶微光學塊化的液晶微光學結構將與其對應的面陣可見光探測器劃分成同等面形和規模的面陣可見光探測器塊，并且各面陣可見光探