本发明公开了一种基于风险指标的定时限保护定值优化方法， 包括(1)获取系统 N 种运行方式中每一种运行方式的概率；第 n 种运行 方式的概率 Pn；(2)获取每一种运行方式下 M 条线路中每一条线路发 生故障的概率；第 m 条线路发生故障的概率 Pm；(3)根据运行方式的 概率、线路发生故障的概率和故障后果严重性评估指标获得故障风险 指标；(4)基于故障风险指标建立定时限保护定值优化模型；并根据目 标函数和约束条件求解该模型获得较优的保护定值。本发明综合考虑 了线路的重要性、系统运行方式、不同线路发

本发明公开了一种基于双角度排序优化的行人重识别方法，属于监控视频检索技术领域。本发明首 先通过基于全局特征和局部特征的方法得到初始的排序结果;然后通过取两者排序结果的前 k 个结果的 交集作为初始查询更可靠的最近邻;再然后对里的每一个目标作为新的查询进行交叉的反向查询，通过 加权融合反向查询的排序列表得到整个优化的排序列表;最后再对里的每个去构建一个双层图，计算图 的近邻相似性去对进行进一步的重排，进而得到更好的重识别效果。

本发明公开了一种顾及道路交叉路口转向的公路大件运输线路优化方法，包括:步骤 1，基于原始 道路图层数据构建道路网络数据模型;步骤 2，基于道路网络数据模型构建道路转角权重辅助网，并对 道路转角权重辅助网中辅助边赋权重;步骤 3，基于道路转角权重辅助网生成网络数据集，考虑路径交 叉口转向总权重和路径总长度设置目标函数，采用最短路径分析法分析网络数据集，获得最优路径;步 骤 4，结合转角方向将步骤 3 获得的最优路径反推到道路网络数据模型中，获

本发明提供后向散射优化的森林复杂地形校正及树高反演方法、系统，地形校正包括针对森林场景 的极化干涉 SAR 图像，根据森林场景的两层散射特点，构造两层结构的相干模型，并对地形引起的参 数变化进行校正；结合地形仿真和植被仿真，建立植被与地形之间的定量描述关系；最后结合距离多普 勒几何校正方式和归一化辐射校正方式进行校正；树高反演包括针对不同树种之间的结构和分布的差异， 提出树种多样性因子，对不同的树种的植被高度分别进行估计然后获得整个森林场景的树

本发明公开了一种绘制 P-III 型分布频率曲线的优化方法，通过建立 P-III 型分布频率曲线优化模型， 对理论频率和经验频率的相对误差赋予不同的权重，以相对误差权重的平方和最小为目标函数，并根据 流域概况和水库的实际情况添加参数的约束条件，以矩法估计的参数为初值，采用改进的非常快速模拟 退火算法求解模型，得到参数的最优解，从而绘制出 P-III

本发明公开了一种铺带机铺放工艺参数的优化装置，包括控制器、底座、直线运动平台以及压力控制机构，直线运动平台包括伺服电机、滚珠丝杠、伺服电机支架、工作平台、一对限位开关、一对直线导轨、一对导轨支架及两对滚动滑块，压力控制机构包括硅胶滚轮、步进电机、一对机械臂支架、支撑板、压力传感器、丝杆、支架、一对固定支座、步进电机支架以及一对滑轨，导轨支架与伺服电机支架固定在底座上，用于分别安装直线导轨与伺服电机，工作平台安装在滚动滑块上，并与滚珠丝杠连接。滚珠丝杠用于在伺服电机驱动下带动工作平台沿直线导轨进行往复

本发明属于网络安全技术领域，具体为一种基于贝叶斯优化的漏洞补丁定位方法。本发明针对PatchScout工具的漏洞‑代码提交关联度排序算法作出改进，以提升其在开源软件漏洞安全补丁定位方面能力。本发明在PatchScout漏洞信息提取与特征生成、RankNet排序生成初始概率的基础上，通过贝叶斯优化动态调整RankNet模型的超参数；使用高斯过程模型进行超参数优化，以最小化损失函数；在反复迭代与参数调整之后，最终获得性能优秀的排序模型。本发明方法显著提高了模型的精确度与召回率，有效缩小了搜索范围，对收敛速率有明显改善，在安全补丁识别的不平衡数据集问题中体现出良好的性能，为开源漏洞补丁定位提供了可靠的技术支持。

成果介绍本发明公开了一种虚拟家装室内场景设计中的阴影渲染方法。包括阴影映射图生成步骤，半影估计步骤，基于泊松碟采样的百分比渐近滤波步骤，最后通过加入漫反射环境光，生成具有真实感的虚拟家装室内场景阴影效果图。本发明方法能够高效且能改善阴影映射图锯齿走样的问题。技术创新点及参数本发明提供一种真实感强烈，生成了场景中物体的软阴影而且速度快， 可以满足虚拟家装实时渲染要求的虚拟家装室内场景设计中的阴影渲染方法。市场前景本发明方法结合阴影映射图与百分比渐进滤波技术实现虚拟室内家装 的实时阴影效果渲染，不仅能够生成具有真实感的家装室内设计中的阴影渲染，而且 不会随着场景中三维物体复杂度增加而增加，无需预处理能够满足实时应用需求。该 技术对计算机虚拟现实在虚拟家装领域的应用具有重要意义。

本成果以专利形式体现（专利号 201310723968.2 ），生命科学大多以微生物为研究对象，有很多物种都是近缘的，无法用普通方法区分，本方法通过 PCR 方法可以快速区分，建立了一种设计特殊引物的方法。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：