课题进展按计划进行，完成了240株检测范围内和检测范围外近缘菌株的收集；对29株军团菌、17株钩端螺旋体和32株克雷伯的靶基因序列破译和序列分析；完成了探针筛选及终型芯片点制；进行了105份模拟样品的检测实验；进行了芯片判读系统Bactarray软件的初步开发；初步建立了芯片生产质量控制体系；课题组额外进行了嗜肺军团菌3，6，13型的O抗原破译，并完成了其序列分析；申请发明专利2项，发表SCI 论文2篇。

本发明公开了一种用于光学散射测量的基于拟合误差插值的库匹配方法，包括：确定样品待测结构参数的变化范围并对其执行离散化处理，将所获得的离散网格点及其对应理论光谱值储存到光谱库中；获得待测样品的测量光谱并计算出离散网格点对应的测量光谱值与理论光谱值之间的拟合误差，然后将其同样储存到光谱库中；为拟合误差设定阈值并执行粗搜索，利用搜索出的拟合误差所对应的离散网格点来构建候选参数集，并对拟合误差执行多维插值处理获得相应的拟合误差插值函数；基于拟合误差插值函数细搜索找出全局最优点，其所对应的参数值即为最终确定的

水是生命得以存在的必要条件，它使我们人类得以繁衍生息，人类的生活、生产、娱乐都离不开水。它同时也是许多病原微生物滋生、传播的场所和载体，这些病原微生物一旦进入人体则将可能使人患病、甚至导致死亡，严重威胁着人类健康。随着社会的发展和生活水平的提高，人们越来越关心自身的健康问题，而各种水体（包括生活饮用水，江河湖泊，游泳场馆等）的安全问题也日益成为人们关注的热点。 因此，为了保护人们的身体健康，对各种水体尤其是饮用水中病原微生物的检测是十分必要和亟需的。本项目旨在建立水体中主要病原微生物特异分子标识库，并以此为基础建立快速检测技术，以实现对包括生活饮用水在内的各种水体中主要病原微生物（致病性细菌和原生动物等）的迅速、准确的检测，为人们的用水安全和水质状况的评估提供依据。 应用价值： 根据我国现行饮用水水质标准及 WHO、USEPA 和欧盟的相关规定，确定芯片的检测范围为 12 种细菌、1 种钩端螺旋体和 2 种原生虫：金黄色葡萄球菌，嗜肺军团菌，粪肠球菌，屎肠球菌，肺炎克雷伯氏菌，铜绿假单胞菌，亲水气单胞，大肠杆菌/志贺氏菌，小肠结肠炎耶尔森氏菌，霍乱弧菌，副溶血弧菌，沙门氏菌，钩端螺旋体，贾第鞭毛虫，隐孢子虫。

1、国外热能高效利用、再生能源利用、热能综合利用方面的专家； 2、国内空气源热泵研发、多能耦合技术、智能检测控制反面的专家。

本项目突破了电磁超材料存在的不可调谐、带宽窄、设计可靠性低等关键技术，开发出可调谐型射频微波电磁材料结构设计、电磁特性仿真与控制、材料制造与性能测试等工艺与方法，研制出系列射频/微波频段调谐型电磁超材料、基于超材料的射频滤波器/双工器/三工器/天线、超高频射频识别标签/读写器等产品，进行了规模化示范应用与验证，其性能指标达到市场同类产品国内领先水平；获得授权发明专利32项、实用新型专利27项，发表论文150余篇（其中SCI论文60余篇）。

本发明涉及一种解决复合材料铺放过程中的回弹现象的系统，基于力矩/力传感器和三维形貌测量系统的用于解决出现在复合材料铺放过程中的关于预浸带的回弹现象。本发明基于 6 轴机器人平台，易于实现对铺带头的运动控制;在机器人的末端与铺带头的连接处安装有力矩/力传感器，实时检测铺带头主压辊的压力，尽可能保证恒压力铺放，用于预防回弹现象的产生;配备有三维形貌测量系统，对工件的轮廓重构，将视频检测技术用于复合材料铺放过程的质量控制;在原有的

金属材料热处理、机械自动化、汽车悬挂系统设计研发

本产品是运用生物材料，高度仿真模拟真实人体解剖结构，支持应用真实前列腺电切手术设备实装实训，操作手感真实，生物材料模块仿真模拟肥大状态的前列腺，适用于科医学生及医学院进行前列腺电切手术的学习和训练。

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。