采取CPU+FPGA的高性能硬件架构，帮助用户在安全舒适的实验室快速调试和验证控制算法。该平台的独特优势在于丰富的模拟与数字信号接口，以及灵活配置的控件界面，助力先进控制算法在电力电子与电力传动领域中的科研教学中的创新实践。

可设计组装红外遥控小车，具有前进、后退等功能。

1、技术人才：机械设计、船舶设计专业、液压电气自动化专业 2、销售人才：英语口语好，掌握法语、俄语、西班牙语、有外贸经验优先

本发明公布了一种移动机器人的多脉冲神经网络控制器导航控制方法，属于移动机器人目标点趋近自主导航控制器所属领域，用于移动机器人的导航控制。其技术方案是：本发明包括目标点趋近控制器、沿墙行走控制器、避障行为控制器，控制器中采用了脉冲神经网络，在神经网络中同时融入时空信息。本方法在不同条件下设定各控制器权值，并根据不同控制器的权值顺序作为控制器激活与否的判别顺序，通过控制器激活及转换条件的使用,实现各控制器之间的相互转换。本发明通过神经网络的在线训练，实现机器人的在线自主学习，与先前的基于模块化的控制器相比，控制策略简便易行，通过各控制器之间的转换，更加有效、高精度地控制移动机器人实现目标点趋近导航控制任务。

本发明公开了一种激光焊接过程中焊缝内部孔洞的控制方法， 在激光装置的激光头对工件进行深熔焊的过程中，利用吹气装置在熔 池上方吹出气流以形成局部负压，从而将匙孔内的蒸气吹走，保证匙 孔的通畅，使焊接过程中产生的气体逃逸出熔池内部而避免形成孔洞， 本发明能够有效地解决激光深熔焊过程中的孔洞问题，且适合多种材 料、不同板厚、不同接头形式的激光焊接，尤其对厚板、夹层板、表 面涂层板的孔洞控制有很好的效果。

裸眼3D医学影像设备结构互动系统采用裸眼3D技术，无需任何外部眼镜，借助内置眼动追踪技术，加上其手持式触控笔设备（其功能类似于笔），与自然手势和动作配合使用，即可实现医学影像设备结构三维立体效果，提供沉浸式互动学习体验。

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。