深入解析黄酒酿造机理并且创新生产技术与装备，是黄酒产业可持续发展 的必由之路。项目围绕如何科学评价黄酒麦曲质量及产品感官体验、如何高效生产优质麦曲、如何提高产品感官体验等关键技术难题等，本项目完成了基于 组学技术的黄酒酿造关键技术与装备的创新及应用。 创新要点 建立了黄酒麦曲及酒醪发酵机理解析方法，阐明酿造过程的微生物驱动力。解析了液化力、酸性蛋白酶活力、酒化力等活力形成的关键微生物，高级醇及生物胺形成代谢途径及关键微生物；通过风味组学技术解析黄酒风味物质形成及变化过程；通过培养组学技术证明微生物是麦曲活力、黄酒风味的主要来源；发现氧气浓度、温度、湿度是麦曲微生物群落结构形成的核心驱动力。全面系统地解析麦曲的各项指标，针对传统麦曲制作中环境依赖、生产效率低、品质不稳定等问题，在已有机械化制曲（国家技术发明奖成果）的基础上首次开发了智能化精准制曲技术与装备。构建了黄酒产品风味轮，阐明了关键风味物质的最适浓度范围。证明β-苯乙醇、异戊醇、异丁醇、组胺、苯乙胺以及酪胺等高级醇和生物胺是影响黄酒醉酒和醒酒的关键化合物，建立了适用于不同黄酒酵母亚株及酿造工艺的高级醇调控方法。

本发明涉及一种超高速有轨机车的轨道在线实时清洗系统与清洗方法，其针对多种速度、多种类型、多种车型的机车轨道，使用激光进行在线实时智能清洗。 该发明采用自动化的控制模块，旨在解决超高速机车运行的安全性问题。该系统包括：稳像超高速识别模块、智能吹扫以及激光清洗模块、稳像超高速检测模块、二次智能吹扫以及激光清洗模块、中控高速计算机模块、激光调节模块、低噪声高速空气压缩机模块。该清洗方法完成高速机车前端远距离异物的识别，智能吹扫以及激光清洗模块进行清洗，稳像超高速检测模块对清洗结果进行智能判断，二次智能吹扫以及激光清洗模块进行二次清洗等工序。

实验内容 1、磁体水平与垂直方向受力与导体运动线速度关系测量实验； 2、磁体转动角速度与与导体运动线速度关系测量实验； 3、磁体两侧垂直方向受力 ( 随速度增加，一侧始终为正，另一侧由负变正 ) 与导体运动线速度关系测量实验； 4、磁体离导体表面不同高度时磁体的受力随速度变化规律（垂直方向受力超越水平方向受力对应的速度随磁体离运动导体表面高度的变 化规律）实验。

实验内容 1、理解激光产生的基本原理及外腔面发射激光器的工作原理； 2、掌握谐振腔的设计及基本调节方法，熟悉激光器主要性能参数的测试； 3、理解非线性频率变换的基本原理，认识相位匹配的概念和种类； 4、掌握腔内倍频激光器调节的要领，研究影响倍频转换效率的主要因素； 5、理解激光波长调谐的原理，了解主要调谐方式，学会标准具调谐方法的使用； 6、了解激光调 Q 的基本原理及主要手段，了解被动调 Q 激光器的使用调节方法； 7、了解激光锁模的基本原理及方法，了解 SESAM 被动锁模激光器的调节要点。

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。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破