新葡京娱乐场-大陆娱乐场开户注册

本實用新型公開了一種基于偏振光相位調制的結構光生成裝置。激光器發出線偏振光的光束入射到半波片上，經過半波片偏振方向旋轉角度，再到電光相位調制器中分解成兩個偏振分量，被電光相位調制器調制產生相位差，接著經擴束鏡擴束后入射到左、右偏振分光鏡拼接后形成的端面中間讓調制后的光束透過，然后兩路光束入射到偏振片上僅透過沿其光軸方向的分量形成一路光束，最終聚焦在聚焦鏡的焦點處發生干涉。本實用新型能應用到熒光顯微成像上，能獲得更好的熒光信號信噪比和更強的組織內部大深度成像能力。

本發明公開了一種頻率及脈寬可調的微波信號產生方案，基于由一個寬帶光源、一個可調的差分群時延元件，一個帶寬可調的光濾波器，及一個頻域到時域映射模塊構成的微波產生裝置；微波信號產生方法為：將光源產生的寬譜光注入光譜構造模塊中，使用可調的差分群時延模塊及光濾波器構造目標光譜，最后利用頻域到時域映射裝置產生指定頻率及脈寬的微波信號。本發明方法在保證了產生微波信號高頻性能的基礎上，實現了信號頻率及脈沖寬度的可調性，增強了一般微波信號生成方法的靈活性。

本發明公開了一種基于動態規劃的電力系統黑啟動方案生成方 法。采用逐步推演黑啟動恢復操作的思路，且通過狀態削減技術不斷 精簡恢復效率或質量不佳的操作序列，因而無需像 Petri 網等技術一樣事先將全網所有元件的恢復條件及其相互銜接關系進行全列舉再作決 策，提高了算法效率，降低了對計算存儲的要求。不基于任何黑啟動 恢復階段假設，每步恢復操作均能從所有種類中自由選擇，因此允許 根據需要對發電機組重啟、網架恢復和負荷恢復進行任意組合，易于 克服黑啟動前期線路節點電壓過高，后期網架不適應負荷恢復

本發明公開了一種利用激光點云輔助的可量測全景影像生成方法，包括：步驟 1，將全景影像進行 虛擬成像獲得多幅框幅式影像；步驟 2，選取初始點對，并初始化各框幅式影像的外方位元素；步驟 3， 以初始點對中所有激光點到對應框幅式影像上的投影誤差的和最小為條件方程，調整外方位元素初始值， 獲得精確的外方位元素值；步驟 4，構建激光點云的空間索引，在空間索引中選取以曝光中心為球心的 球形鄰域，球形鄰域內激光點云即全景影像的鄰域點云；步驟 5，計算鄰域點云中各激光點的法向量， 獲得鄰域點云的特征；步驟 6，將鄰域點云的深度和特征投影到全景影像。采用本發明生產的可量測全 景影像具有較高精度，可廣泛運用于測量領域及資產調查。 

項目背景：大型工業軟件是我國邁向制造強國的戰略支 撐，實現智能制造的核心技術載體。歐美發達國家將“掌握 最先進的大型工業軟件的核心技術”視為“持續掌控全球工 業產業布局主導權”的必要條件。《國民經濟和社會發展第 十四個五年規劃和 2035 年遠景目標綱要》指出，要“加強 工業軟件研發應用”。典型的大型工業軟件 CAD 是提高我國 制造業核心競爭力，保證國家制造業戰略安全所必須的關鍵 技術，但目前市場基本被國外產品壟斷，核心技術受制于人。 發展我國自主可控的 CAD 軟件，打破卡脖子局面勢在必行。 面向行業的 CAD 軟件是當前的發展趨勢。在化工設備的 CAD 設計環節，其主流的技術已經逐漸從二維模型設計到三維模 型設計演進。但在化工設備的制造環節，仍然以二維工程圖 作為唯一參考。由于諸多原因，通過軟件自動將三維模型自 動生成二維工程圖成為解決問題的較優解。二維工程圖自動 生成是 CAD 行業世界性難題，國內外尚無一款軟件完整實現 該功能。為了攻克 CAD 工業軟件卡脖子戰略性技術，提升國 產工業 CAD 軟件的競爭力，大幅度提高化工設計的設計效率， 尋求合作以研制出具有自主知識產權的、符合化工靜設備設 計要求的二維工程圖自動生成關鍵技術。 所需技術需求簡要描述：針對公司前期設計的三維模型 文件，自動創建二維工程圖，滿足以下關鍵技術需求：1.能 夠覆蓋 90%以上的靜設備類型；2.設計架構可擴展，可以通過配置或者類似插件形式擴展的新的設備類型；3.支持的自 動出圖內容包括圖幅、視圖、文表、節點圖、管口方位圖等； 4.支持的文表包括標題欄、明細欄、管口表、管口明細表、 技術特性標和零件參數表等，文表內容準確率 100%；5.支持 的視圖元素包括投影視圖、自動標注、管口引線、零件序號 引線等；視圖表達正確、清晰、無歧義、符合行業習慣；6. 支持的圖幅種類有裝配圖、零件圖、部件圖、管口方位圖； 7.支持整套設備圖紙自動布局，包括圖幅的選擇、圖紙拼接、 圖面內元素的自動布局等；8.尺寸正確率 100%，核心尺寸缺 失率 0%，整體尺寸缺失率<5%；9.圖面美觀，符合行業規范， 圖紙完成度>90%；10.支持常見的圖面布局形式，視圖比例 恰當，各圖面元素間結構關系合理，整體布局緊湊、美觀。 可提供若干布局方案供選擇。  對技術提供方的要求:1.具有化工設計行業知識和經 驗，承擔過石油化工相關項目。2.熟悉 CAD 軟件的相關開發。 3.具有工學博士學位或高級職稱，技術方案成熟可靠穩定有 創新思維。 

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：

本發明的目的在于克服現有技術的不足，提供一種基于門限的低復雜度MPA算法， 該算法通過設置置信度門限來及時對可靠的碼字進行譯碼，或對發送概率極低的碼字進行 舍棄，從而有效地降低了原始MPA算法的復雜度。

本發明公開了一種并行 LLL 高維模糊度降相關算法，首先通過混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對高維模糊度降相關的計算效率，增強高維模糊度降相關的能 力。其次為了得到降相關能力較強的 Z 變換矩陣，所以在每一次 QR 分解變換過程中，變換系數矩陣要 獲取較小的整數值，因此在每次下三角分解前先對模糊度協方差矩陣的行向量按內積大小進行升序排序， 而在上三角分解前先對矩陣的列向量按內積大小進行降序排列，由此求得的 Z 變換降相關性能更佳。最 后把算法正交變換過程中的取整運算移至在求 Z 矩陣時取整，可以避免算法迭代過程中反復取整而引起 的誤差累積，解決算法發散的問題，從而進一步提高并行 LLL 算法的計算效率和穩定性。 

本成果針對空間目標的運動特征，通過研究目標距離徙動軌跡與 等效運動模型，構建了一個欠定的運動方程組，基于全局炳最優化準 則求解出目標運動參數，提出了一種全新的距離對準算法。實驗結果 表明該算法具有較高的準確性，更重要的是，距離對準過程中不會引 入距離像隨機偏移誤差和高頻相位誤差，這也是應用大轉角高分辨成 像方法的前提條件。