主要功能         10位四则运算         百分比计算、圆周率计算、平方运算         带分数与假分数互相转换         小数与百分数互相转换         时、分、秒输入与转换、时间运算         分数化简计算、求倒数、带余数除法         全点阵显示、快速上下、左右翻转查看         多步重现、显示方式与书写格式一致         修改、插入、删除、定点计数法         24小时时间设定、计时器         2001年到2099年日期调设         题库、答案、全清键         超硬保护盖         硅胶按键         手动、自动关机功能 规格尺寸：  重量：110g(含电池) 机身尺寸：150mm*78mm*15mm 耗电：0.003W 电源：二节AAA（7号/SUM-4） 电池寿命：约有1年（每天使用一小时） 操作温度：0℃-40℃

主要功能：双行显示，具有修改、插入、删除功能 重现功能 快速上下翻转 快速左右翻转 240种计算功能 10位数+2位指数显示 错误提示 9个变量 分数计算 百分数计算 答案存储 六十进制与十进制的换算 双曲/反双曲函数 常用及自然对数、指数、倒数、阶乘 随机数、π、小数位数、有效位数、舍入 平方根、立方根、根、平方、立方 极坐标/直角坐标变换/双曲/反双曲函数 分数计算、百分数计算、度分秒计算 排列、组合 统计、回归计算 规格尺寸： 重量：135g(含电池) 机身尺寸：160mm*84mm*16mm 耗电：0.0002W 电源：一节AAA（7号/SUM-4） 电池寿命：约有2年（每天使用一小时） 操作温度：0℃-40℃ 包装尺寸：163mm*88mm*24mm 此款计算器为10+2显示函数计算器，符合国标、行标JY/T0382-2007,适合中学生使用，塑料按键，有保护盖

XM-711A男性生殖器解剖模型   XM-711A男性生殖器解剖模型采用板式设计，由4部分组成，显示了男性生殖系统的生殖腺、睾丸、附睾、输精管、射精管、尿道、附属腺(精囊腺、前列腺）和外生殖器（阴囊、阴茎）的详细解剖结构，共有多个部位数字指示标志和对应的文字说明。 尺寸：40×26×10cm 材质：PVC材料

1 .掌握大鲵子二代亲鲵生殖生理特点和生殖调控机理，创建大鲵子 二代生殖调控技术和大鲵子三代全人工繁殖和苗种规模化培育技术；2 .选育和培育出体质健壮子二代亲 鲵400多组（1尾雄亲鲵+3尾雌亲鲵为一组），诱导性腺发育与雄雌同步成熟，使用高活性催产剂进行人 工催产，催产率达72%，受精率90%，孵化率33%，苗种存活率90 .5%，三年（2007-2009年）共繁育大 鲵子三代苗种44800尾；3 .实现大鲵子三代苗种规模化生产，能提供大批量子三代苗种供养殖部门发展 大鲵养殖产业，并在自然保护区放养，还进行子三代健康养殖示范，具有显著的经济效益、社会效益和 生态效益

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

近期，西湖大学人工光合作用与太阳能燃料中心孙立成实验室在探索这一未解之谜的过程中取得进展。

随着RFID技术的进一步发展，RFID系统的大规模应用将成为一种趋势，在未来的应用中将会面临一些重大难题。大规模应用的某些应用场景中，要求RFID读写器的射频信号能够覆盖一个庞大的区域，但由于读写器与标签之间有限的通信距离，这就需要大量的RFID读写器以一种密集的形式部署在整个区域中。目前关于这一问题的研究还非常稀少，这一问题如果没能有效解决，将成为制约RFID系统大规模应用的瓶颈。在RFID大规模部署应用中，有效地进行RFID网络规划，合理放置读写器位置、适当配置读写器参数，使网络资源得到优化分配，在保证高读取率和网络负载平衡的前提下，减少读写器冲突、标签冲突，决定RFID系统服务质量的关键问题。对RFID读写器进行合理有效的部署，不仅从成本上节约不必要的RFID设备投入，提高经济效益；而且通过RFID读写器网络中各个读写器协调工作，能够更加有效的采集RFID标签上的数据，提高RFID系统的整体性能。 RFID阅读器部署系统是以在指定的地图覆盖区域满足一定的覆盖率的情况下如何部署RFID阅读器为研究目标，开发出了一套能根据已指定的地图得到RFID阅读器部署最佳方案的部署软件。通过指定地图编辑相应的地图覆盖区域，然后根据RFID阅读器模型在指定覆盖率的情况下得到最佳的RFID阅读器部署方案。在此基础上也可以指定若干RFID阅读器的部署位置进行重新部署。该部署系统主要包括编辑地图覆盖区域、导入地图覆盖区域、导入读写器模型和部署结果展示四个子模块，主要功能如下： 1. 地图编辑覆盖区域打开地图，编辑地图覆盖区域并保存。其中编辑功能包括图形要素的添加、删除、修改以及图形信息的合成、分解、提取等功能；保存功能主要是通过jpg文件格式、存取、旋转、压缩等算法将地图文件保存为jpg文件格式。 2. 设置地图导入精度，导入地图需要覆盖的区域。地图精度就是地图的精确度，即地图的误差大小，是衡量地图质量的重要标志之一，它与地图投影、比例尺有关。用户可以根据屏幕分辨率、经纬度、地图放大级别以及维度值等，设置地图的导入精度，然后导入需要覆盖的区域。 3. 设置阅读器覆盖区域的导入精度，导入阅读器覆盖区域模型。覆盖区域模型可以是二维的，也可以是三维的。关于覆盖模型的分类有很多，常见的感知模型有以下两种：一种是二元感知模型，另一种是概率感知模型。 4. 根据已经导入的地图需要覆盖的区域和阅读器覆盖区域的模型，在指定覆盖率的前提下，运用粒子群优化算法得出RFID阅读器个数并给出具体的部署坐标，在地图覆盖区域上展示出来。覆盖率一般定义为所有节点所能覆盖到的区域面积与整个需要覆盖区域面积的比值，是衡量无线传感器网络、RFID网络及其它无线网络覆盖性能的重要指标之一。