产品详细介绍医用超声波清洗机是根据医院清洗特点而设计的，较常规超声波清洗设备无可比拟的技术优点，产品结构新颖、电路先进、工作可靠、高效率、低噪音及清洁度高的特点，这样可以最大限度的保护被清洗的医疗器械不受损伤，可以彻底清洗手术机械及手术附件的各种污渍，排出人工清洗不彻底的问题，同时保护工作人员不受污染和感染，是医院的必备设备之一。广泛应用于医院等医疗机构的手术室、化验室、检验室、供应室、牙科、消毒中心等科室。对医疗器械的深孔、盲孔、凹凸槽的清洗是最理想的设备。分类：医用超声波清洗机根据其清洗具体物件的不同要求而具有不同的配置，可以分为单槽医用超声波清洗机、双槽医用超声波清洗机（超声波清洗、超声波漂洗）、三槽医用超声波清洗机（超声波清洗、超声波漂洗、煮沸上油）和四槽医用超声波清洗机（超声波清洗、超声波漂洗、煮沸上油、烘干）等。医用超声波清洗机技术参数及要求1、数显产品的出厂日期，实现合理“三包”2、数显累计工作时间，实现合理“三包”3、数显记忆和设定超声频率4、数显记忆和设定的三种超声频率自动转换5、数显记忆和设定的单频超声工作时间6、数显记忆和设定的三种频率超声工作时间7、数显记忆和设定的超声功率8、数显记忆和设定容器内的加热温度9、数显容器内的实际温度10、数显超温度、超电压、超电流保护指示11、低水位、无溶液保护指示12、同时数显超声液位，溶液温度，超声频率，超声时间，超声功率13、数显本仪器使用累计工作时间达999999小时14、仪器的操作程序采用单片机软件15、具有电控适量进酶16、具有电控进水、排液功能17、具有手控降音盖，能达到降音功效18、本仪器双层器械清洗网采用优质304不锈钢氩焊成形19、降音盖、内外壳体采用优质304不锈钢氩焊成形20、仪器尺寸   （ 长×宽×高）：800×540×900（mm）21、清洗槽内尺寸（长×宽×高）：600×300×400（mm）22、单  槽  容  量:： 72(L)23、超  声  频  率： 45、80、100（KHz）24、频率转换时间可调：  1-999（S）25、超  声  功  率：    1000（W）26、功  率  可  调：    40-100（%）27、加  热  功  率：    5000（W）28、温  度  可  调：    10-80（℃）29、时  间  可  调：    1-480（min）30、电  控  进  酶：    有31、进    排    水：    电控

产品详细介绍 中银/BOCT交互式电子白板多媒体教学一体机 中银(75英寸）教学会议触摸一体机

产品详细介绍 交变高低温箱|高低温试验机|高低温箱|试验标准查询 产品名称：交变高低温箱|高低温试验机|高低温箱|试验标准查询 产品售价： 请咨询 产品规格：GDWJ 产品备注：该系列产品适用于航空航天产品、信息电子仪器仪表、材料、电工、电子产品、各种电子元气件在高低温或湿热环境下、检验其各性能项指标。 ■ 产品用途 该系列产品适用于航空航天产品、信息电子仪器仪表、材料、电工、电子产品、各种电子元气件在高低温或湿热环境下、检验其各性能项指标。 ■ 箱体结构 箱体采用数控机床加工成型，造型美观大方，并采用无反作用把手，操作简便。 箱体内胆采用进口高级不锈钢（SUS304）镜面板，箱体外胆采用A3钢板喷塑，增加了外观质感和洁净度。 补水箱置于控制箱体右下部，并有缺水自动保护，更便利操作者补充水源。 大型观测视窗附照明灯保持箱内明亮，且利用发热体内嵌式钢化玻璃，随时清晰的观测箱内状况。 加湿系统管路与控制线路板分开，可避免因加湿管路漏水发生故障，提高安全性。 水路系统管路电路系统则采用门式开启，方便维护和检修。 箱体保温采用超细玻璃纤维保温棉，可避免不必要的能量损失。 箱体左侧配直径50mm的测试孔，可供外接测试电源线或信号线使用。 ■ 可程式控制器 温湿度控制仪表采用（美国霍尼威尔）全进口超大屏幕画面，荧幕操作简单，程式编辑容易。 控制器操作界面设中英文可供选择，实时运转曲线图可由屏幕显示。 具有100组程式1000段999循环步骤的容量，每段时间设定最大值为99小时59分。 资料及试验条件输入后，控制器具有荧屏锁定功能，避免人为触摸而停机。 具有RS-232或RS-485通讯界面，可在电脑上设计程式，监视试验过程并执行自动开关机等功能。 具有自动演算的功能，可将温湿度变化条件立即修正，使温湿度控制更为精确稳定。 ■ 冷冻及风路循环系统 制冷机采用法国原装“泰康”全封闭压缩机。 冷冻系统采用单元或二元式低温回路系统设计。 采用多翼式送风机强力送风循环，避免任何死角，可使测试区域内温湿度分布均匀。 风路循环出风回风设计，风压、风速均符合测试标准，并可使开门瞬间温湿度回稳时间快。 升温、降温、加湿系统完全独立可提高效率，降低测试成本，增长寿命，减低故障率。 ■ 符合标准 GB/T2423.1-2001 GB/T2423.2-2001 GB/T2423.3-1993 GB/T2423.4-1993 规格与技术参数 型号 GD(J)S-100 GD(J)S-225 GD(J)S-500 GD(J)S-010 GD(J)S-013 工作室尺寸D×W×H 450×450×500 500×600×750 800×700×900 1000×1000×1000 1000×1000×1300 性能指标 温度范围 A:-20℃～130℃ B:-40℃～130℃ C:-60℃～130℃ D:-70℃～130℃ 湿度范围 30～98％R.H 波动/均匀度 ≤±0.5℃/≤+2℃ 湿度偏差 ＋2、-3％R.H 升温时间 -20℃～100℃约35min -40℃～100℃约45min -70℃～100℃约55min 降温时间 25℃～-40℃约50min 25℃～-60℃约65min 25℃～-70℃约80min 温湿度运行控制系统 控制器 进口可编程触摸式液晶中文对话式显示.微电脑集成控制器 精度范围 设定精度：温度±0.1℃、湿度±1％R.H，指示精度：温度±0.1℃、湿度±1％R.H 温湿度传感器 铂金电阻 PT100Ω/MV 加热系统 全独立系统，镍铬合金电加热式加热器 加湿系统 外置隔离式，全不锈钢浅表面蒸发式加湿器 除湿系统 采用蒸发器盘管露点温度层流接触除湿方式 供水系统 加湿供水采用自动控制.且可回收余水.节水降耗 制冷系统 全封闭风冷单级压缩制冷方式/原装法国“泰康”/全封闭风冷复迭压缩制冷方式 循环系统 耐温低噪音空调型电机.多叶式离心风轮 使用材料 外箱材质 优质碳素钢板.磷化静电喷塑处理/SUS304不锈钢雾面线条发纹处理 内箱材质 SUS304不锈钢优质镜面光板 保温材质 聚胺脂硬质发泡/超细玻璃纤维绵 门框隔热 双层耐高低温老化硅橡胶门密封条 标准配置 多层加热除霜附照明玻璃视窗1套、试品架2个、测试引线孔（25、50mm）1个 安全保护 漏电、短路、超温、缺水、电机过热、压缩机超压、过载、过电流保护/控制器停电记忆 电源电压 AC380V±10％ 50±0.5Hz 三相五线制 使用环境温度 5℃～＋30℃ ≤85％R.H

4KPro-UHD全高清投影 2800流明（ISO标准）白色亮度/色彩亮度*1*2 对比度：35,000:1*1*2 10-bit色彩深度 1.62倍变焦，支持水平垂直梯形校正 白色亮度：2800流明（ISO标准） 色彩亮度：2800流明（ISO标准） 分辨率：4KPro-UHD(3840x2160)分辨率 重量：大约4.0kg 显示技术：3LCD

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。