产品详细介绍

（一）项目背景 当前，智慧教育具有智能导学、精准推荐、定制辅导、精细评价等特点，已成为国际国内教育信息化发展的趋势。智慧教育的研究主要聚焦于智慧学习环境建设的研究、智能技术支持下的智慧教学研究和机器学习技术支持下的个性化学习研究。智慧教育的出现极大地促进了当前教育中学习空间的重构。在“学习空间”之前，人们通常使用“教学空间”来指代这种场所，将有教学活动的场所均称作教学空间。随着人们对学习过程的理解变化、智慧教育的快速发展以及人们对非正式学习的重视，学习空间逐渐由单一的物理教学空间向包含物理空间、网络空间、移动空间的多元学习空间转变。多元学习空间的提出虽然更多地体现出了“以学生为中心”的倾向，但如何具体衡量多元学习空间对学生学习效果的影响是评价多元学习空间的重要步骤。同时，在多元学习空间具体构建时，面对空间中来源不同、结构多样、数量庞大的多模数据如何进行处理存储、并在保证数据有效性的前提下对教育数据进行隐私保护是多元学习空间需要解决的另一个难点。 （二）项目简介 本项目主要目标是针对信息技术支撑下学习空间多元化、场景复杂、需求多样化，学习者及学习行为呈现出新的特点和规律，研究多元学习空间中学习行为数据化关键技术，构建“云-边缘-物联网”架构的多模态数据存储与处理平台，实现混合式学习环境下学习行为智能感知和数据化，优化学习行为模型，基于实际应用与不同学习目标函数及内容，建立可重复、可预测、可验证的对比数据集，为数据驱动的智慧教育生态构建和教育应用提供核心技术与数据支撑。 （三）关键技术 我们面向智慧教育中准确认知学生的学习状态和行为的大数据需求提出研究方案。本项目实施方案涉及教育学、物联网、云计算、人工智能、隐私保护等多个领域，主要技术路线如图所示： 图 1 技术路线图 其中，项目包括的关键技术主要有以下三点： 1.基于物联网的多模态数据实时智能感知和多时间域数据采集技术 该技术针对学习状态的数据化、特征参数量化问题，设计能够采集多 重学习空间下的智能数据感知物联网系统。主要技术难点在于抽样频率与 识别准确度的平衡、人机交互的变化规律等全新科学问题。 2.学习状态多模态数据解析和智能处理技术 利用智能感知物联网采集实时性的原始学习状态数据，包括面部表情、 脑电信号、头部姿态、交互行为等原始数据，这些数据具有数据量大、模 态多、冗余度高等特点，需要通过智能化的预处理方法转换成可以量化的 状态数据。 3.多层次数据差分隐私保护技术 学习行为数据是学习者被动采集的多方面行为数据，受到日益增长的 具有争议性的数据伦理的制约。该项技术通过数据隐私保护机制实现数据 多层次化的差分隐私安全算法；在保证学习者最大数据隐私性的前提下， 研究满足学习行为分析所需要的数据颗粒度。

一、项目简介 当前虚实融合技术面临的重大挑战可以归结为以下两个关键科学问题：（1）非配合虚实环境的无缝融合与交互自然呈现。（2）云环境下虚实融合环境的语义理解、统一表达与应用软件快速定制。为解决上述两个关键科学问题和技术瓶颈，本项目重点研究了自然虚实融合呈现的硬软件技术和装置，构建虚实融合应用流程框架和规范，创新云软件定制和服务模式，实现应用示范。充分利用移动、穿戴式设备的多传感器优势以及云端结合方式进行三维结构的重建、语义标注、识别理解与信息关联。 二、前期研究基础 目前已发表论文10篇，包括4篇期刊论文等（包括TIP、TMM等权威期刊论文）。申请专利3 项。 三、应用技术成果 1）基于搜索的图像深度估计，相对误差低于传统方法，对训练集的需求小于基于深度学习的方法。 Make3D数据集的深度估计结果2）基于双模深度玻尔兹曼机（DBM）的三维场景物体检测框架，给出了RGBD训练数据不足的难题，流程如下 3）基于序列约束的哈希算法在不同比特率情况下均取得了很好的效果。 在LabelMe和Tiny100K上使用不同哈希比特率的效果

北京豪思生物科技有限公司（简称豪思生物）是一家由留学归国人员创立的研发型高新技术企业，公司的研发及高层管理团队由多位留学欧美的资深学者和企业家组成，具有丰富的医疗技术研发及管理运行经验。 豪思生物在全球临床质谱研究领域权威科学家、公司首席科学顾问Gert Lubec 教授牵头指导下，公司自主研发了一系列临床质谱筛查产品，包括应用于阿尔兹海默症、心血管疾病、泌尿疾病等重大疾病早期筛查诊断、遗传代谢病筛查、药物浓度检测、代谢物检查（氨基酸、脂肪酸、胆汁酸）、类固醇激素检测、维生素谱检测等质谱检测产品和服务，尤其在阿尔兹海默症早期诊断、治疗与监测相关技术已具备国际领先水平。 同时，公司与美国梅奥医疗平台、清华大学质谱研究组、北京大学有着深度的合作关系，通过大力整合国内外先进技术资源，从而构建国际领先的质谱诊断平台。豪思生物的研究成果已在国内成功申请10项专利，国际专利申请工作也正同步进行。点击上方按钮联系科转云平台进行沟通对接！

本平台基于用户报刊订阅历史数据及用户个人信息，结合矩阵分解，K-Means等机器学习技术，构建了用户报刊个性化推荐系统，在提升推荐准确性的同时较好地解决了冷启动问题。

研发阶段/n主要研究设计可扩展至1024 核的众核智能处理器架构。研究面向智能处理的 存储一致性模型；研究异构智能处理器的非对称片上网络；研究超大规模智能任务 的核间分割；研究多智能处理任务的动态调度；研究众核智能处理器的层次化物理 设计；研究存算一体化的众核智能芯片结构；研究智能处理器芯片的异构并行；研 究多智能芯片的高速片间互联。到2020年，以实现人工神经网络智能计算速度和能 效的指数性增长为目标，取得超大规模人工神经网络芯片架构、智能芯片指令集、 新型智能编程语言及编译器、自主智能算法等方面