中试阶段/n该成果发现特定脂肪酰胺在缓解骨质疏松和神经保护方面具有显著 功效，并对其作用机制进行了深入研究。在此基础上，以含特定脂肪酰 胺的药食两用植物为主要原料，针对老年人群的健康需求，设计开发了 具有增加骨密度及抗疲劳、抗抑郁和改善记忆能力功能的保健食品，拥 如下系列独创性的核心技术：1. 阐明了特定脂肪酰胺的生理功效及其作 用机制。2. 创建了植物源的特定脂肪酰胺的单体制备及其含量检测技 术。该项目在国内率先建立了系列脂肪酰胺单体制备技术及其含量检测 技术。3. 含特定脂肪酰胺的植物提取物制备

沈杰教授团队以一种结构简单、成本低廉的纳米级星状聚合物为农药分子载体，纳米载体与呋虫胺可以通过氢键和范德华力等作用实现药剂纳米级装载。纳米载体对呋虫胺的装载效率为17.41%，二者的结合打破了呋虫胺自身的团粒结构，将其粒径从269.28 nm降低至29.43 nm。

一、概述 YDEJ系列电磁制动三相异步电动机分别由YD系列变极调速三相异步电动机加电磁制动器构成。该系列电机的制动器与电机同轴联接，具有结构牢固、制动可靠、体积小、重量轻，转子无轴向窜动等特点。电机绕组和制动器绕组使用同一电源，起动、制动使用同一开关控制，因此起动、制动准确同步，所以特别适用于快速制动、准确定位、需往复运转的机械设备上。该系列电机由于具有变速功能，因此可以根据负载大小改变转速、节约能源、提高功效，特别适用于有变速要求又有准确制动要求设备中。 二、工作条件 电机在冷却介质不超过40℃，海拔不超过1000m等环境条件下能额定运行，超过以上条件，应按GB755的规定降低功率使用。 电机的额定电压为380V；额定频率50Hz；电机防护等级IP44，制动器防护等级IP23；电机为B（F）级绝缘，S1工作制；冷却方式IC411；安装结构形式分B3、B5、B35、V1和V3。 三、主要技术参数 1、制动器线圈电压，机座号90-100为DC99V，机座号112-160为DC170V，其整流装置安装在电机线盒内，整流电路为半波整流，其输入电压分别为220V和380V，也可为用户提供DC24V线圈电压的制动器，但用户需自备24V直流电源。 2、YDEJ系列电机高速极2Y接法。低速极为△接法。

新冠肺炎常规通过病史、CT等进行病情评估，但重症病房应用超声不便，还需要评估重症患者的心脏等多器官，然而操作者绝大多数不是专业超声医生，这为如何在治疗重症患者的过程中更好地发挥超声的作用提出了难题。深圳国际研究生院袁克虹团队与深圳华声医疗技术股份有限公司合作，用人工智能技术赋能5G超声设备，增添采集心肺关键标准切面的导航以及关键参数的自动测量等功能，辅助医生对重症病人进行动态评估和治疗。 袁克虹团队与深圳华声医疗技术股份有限公司1月中旬组成研发团队，在已有合作工作的基础上，针对新冠肺炎重症患者临床超声的迫切需求开展联合攻关，半个月就获得了较好的成果。该技术从2月初开始在武汉协和西院等多家医院使用，在一定程度上辅助了医生对重症患者进行疾病的动态评估和治疗指导。 目前该技术正由国家感染性疾病临床研究中心（深圳市第三人民医院）牵头开展进一步研究，将完善和改进现有功能，优化远程诊断流程，实现超声为医生治疗重症患者提供更智能、更可靠、更专业的帮助。

项目简介： 水安全是一个国家社会与经济发展的基本保障。水资源的管理和 使用需要精确和及时的监测。现有的水质检测技术需要不断提高其便 携性、降低成本、提高测量灵敏度，用来实现野外的实时水质监测。 本项目以 pH、pO2、温度等水质参数为出发点，通过小型化相关 传感器和检测设备，研发出可用于多参数水质检测的手持式设备。 项目特色： 用于水质多参数检测的手持式设备包括多个传感器、传感器信号 采集电路、低功耗蓝牙（BLE）和窄带物联网（NB-IoT）等通讯电路 以及多传感器融合算法等软硬件模块。 一般商用的 pH、pO2、温度等水质测量设备，需要使用市电供电， 只能在室内使用或者工作环境必须有市电的接入口。使得水质测量范 围受限。并且多数水质检测设备体积较大，难以携带。少数可手持的 设备，成本高昂，功能单一，难以适应室外多参数水质检测的需求。

本发明公开了一种基于信息挖掘的智能决策支持构造方法（ IDSSIM ) ，该方法完善并扩充了现有智能决策支持系统的功能，改变了现有智能决策支持系统固有的运行机制，将决策推理机制、 WEB 挖掘和 KDD ＊挖掘和领域专家知识获取有效地融入智能决策支持系统中，从而形成了一类具有“双网”、“五库”、综合集成、多层递阶结构模型的新型智能决策支持系统。此系统在结构和功能上相对现有系统而言是一个开放的、优化的扩体，并对智能决策系统的主流发展起着重要的推动作用，有望形成新一代的智能决策支持系统概型。

本发明公开了一种基于信息挖掘的智能决策支持构造方法（ IDSSIM ) ，该方法完善并扩充了现有智能决策支持系统的功能，改变了现有智能决策支持系统固有的运行机制，将决策推理机制、 WEB 挖掘和 KDD ＊挖掘和领域专家知识获取有效地融入智能决策支持系统中，从而形成了一类具有“双网”、“五库”、综合集成、多层递阶结构模型的新型智能决策支持系统。此系统在结构和功能上相对现有系统而言是一个开放的、优化的扩体，并对智能决策系统的主流发展起着重要的推动作用，有望形成新一代的智能决策支持系统概型。

太阳能光伏发电绿色无污染，而且我国太阳能资源丰富，水平面总辐射约 1680 吉瓦（1 吉瓦=1000 兆瓦=109瓦），大部分可以用于太阳能光伏发电。随着光伏材料以及相关技术的发展，光伏发电成本已经大幅度降低，光伏能源作为一种新型清洁能源在我国的应用规模迅速增长。光伏发电已经跨越了示范应用阶段，进入了大规模推广的阶 段。近年来，光伏发电产业规模迅速增长。截止到 2015 年 6 月底，中国光伏发电累计装机容量达到了 35.78 吉瓦，其中光伏电站 30.07吉瓦，分布式光伏 5.71 吉瓦。根据美国 IHS 咨询公司预计，2015 年全球光伏装机量增长 16%~25%，达到 53-57 吉瓦之间。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。