本发明涉及一种对中药矿药物(指中药以及其它民族药中的矿物药)的处理方法，更确切讲是一种利用细菌处理方法将不能溶解的矿物药物，如：朱砂、雄黄、自然铜、磁石、代赭石等，变成可溶解的成份溶入溶液中的方法。 

李永绣，男，1962年生，1982年毕业于江西大学 化学系并留校任教，1988杭州大学获硕士学位后回江西大学稀土化学研究所工作，1997年破格晋升为教授，2001年批准为

技术原理 ：盐矿生产的卤水是氯碱工业的主要原料之一，其中含铵类 物质。用于氯碱工业中， 铵类物质产生 NCl 3。该物质存在严重影响电解生 产液氯安全生产，同时，影响产品质量，也给液氯用户带来安全隐患。 技术特点 ：现有盐矿卤水脱胺方法，加碱煮沸工艺，高耗能低效率。 该法可以安全替代煮沸脱铵工艺。 该法利用化学改性吸附微量物质除铵工 艺，可以大大节省能源， 具有环境保护效果， 成本低，处理 1m2 卤水约 0.1

本发明公开了一种示波器远端触控方法及系统，具体为：采用远端触控设备模拟示波器的操作界面和工作输出界面，在模拟的操作界面上通过触控方式下达示波器指令，将该指令通过有线或无线网络传送给示波器；模拟的工作输出界面通过有线或无线网络接收并显示示波器的工作输出数据和示波器工作状态数据。本发明不需要对示波器进行改造，采用远端设备模拟示波器的控制界面和显示界面，实现对示波器的远程控制。 

成果与项目的背景及主要用途： 作为光导体的核心部件-电荷产生层材料，已由最早的无机材料逐步被有机光导材料取，有机材料加工成型性能优良；品种多；透光性好；无公害污染；开发周期短等。目前常用的电荷产生材料主要有酞菁化合物、花类化合物、方酸类化合物、偶氮类化合物等其中应用最多的是酞菁类化合物。 技术原理与工艺流程简介： 将酞菁氧钦粗品溶于-5℃~5℃的浓硫酸中,然后将其以一定速度滴加到不断搅拌的转型溶剂中，温度为加料温度；滴加完毕后，调节保温温度，继续搅拌1-72h，得蓝色乳浊液，静置，向其中加入低碳醇，待分层后分液，用去离子水反复萃取直至水相呈中性，分出有机相；再向其中加入沉淀剂，静置，使 TIOPC纳米粒子沉降；将上层清液倾去，抽滤，用甲醇洗涤滤饼，然后用去离子水打浆、冷冻干燥得加料温度对应的晶型的酞菁氧钦纳米粒子。 技术水平及专利与获奖情况： 发明专利两项，技术水平国内领先 应用前景分析及效益预测： 多晶型光敏性 TIOPC 纳米粒子的优点是粒径小，很大程度上简化多种晶型TIOPC 制备工艺，采用分液，萃取等技术使离子杂质更易被除去，简化现存工艺技术中繁琐的洗涤过程，与 PVB 树脂具有良好的相容性,适合作为制备有机光导体的电荷产生材料，并且使用该材料制得的光导体灵敏度高，暗衰低，残余电位低，具有良好的光导性能。 应用领域： 光电转换材料 合作方式及条件： 合作开发与技术转让

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。

基于多重路径集的最优交通流预测方法与拥挤收费方法，算法具体步骤如下：步骤0.组织交通调查，确定每个OD对之间不同类别出行者的需求量及其合理路径集合。步骤1.在零流网络上，进行流量加载，得到辅助路径流量令初始路径流量置k＝0。步骤2.计算各路径的广义路径行驶时间向量步骤3.进行流量加载，得到辅助路径流量向量步骤4.如果满足收敛指标要求，则停止迭代，将当前迭代点fk作为系统最优路径流量；否则转步骤5。步骤5.沿方向利用某种线搜索方法，计算迭代步长λk。步骤6.更新路径流量，令k＝k+1，转步骤2。本发明严格证明了该方法的有效性和实用性：即使对不同类型的出行者施加同样的收费，仍然能够达到系统最优状态。

本发明公开了一种材料的制备方法及应用该方法提高镁合金抗蠕变性能的方法。将第一基体与第二基体相结合使第一凸起嵌入对应的第二凹槽、第二凸起嵌入对应的第一凹槽,确保在第一凸起与第二凹槽之间形成的空腔以及第二凸起与第一凹槽之间形成的空腔内填充改性粉末；对相结合的第一基体与第二基体进行搅拌摩擦加工，使第一基体、第二基体以及位于空腔中的改性粉末融合为一体并转化为最终材料。该方法生产效率高且所得材料中各物相分布均匀。应用时，所述第一基体和第二基体为镁合金基体，改性粉末与镁合金基体融为一体并且转化为均匀分散于融合后的镁合金基体中的强化相，从而显著提升镁合金的抗蠕变性能。

本发明提供了一种沟道的刻蚀方法，提供一待刻蚀对象，对所述待刻蚀对象一次刻蚀后，交替进行表面处理‑二次刻蚀，直至刻蚀掉所有的鳍结构的牺牲层；其中，一次刻蚀用于刻蚀掉所述若干鳍结构中当前宽度最小的鳍结构的全部牺牲层以及其它宽度更宽的鳍结构的部分牺牲层；表面处理用于在待刻蚀对象的沟道层与剩余的牺牲层的暴露在外的表面形成保护层；所述二次刻蚀用于刻蚀掉当前宽度次之的鳍结构的全部的牺牲层，以及所述保护层。本发明在传统的刻蚀工艺中加入氧化步骤，既实现了对沟道层的保护，又实现了在不同沟道宽度的刻蚀中，减少沟道层的损失量。