产品详细介绍视频采集卡WINNOV Videum 1000plus为了简化各种操作，Winnov的Videum 1000 plus和Videum 1000VO提供了直观的采集程序，用来帮助用户在几分钟内就可以采集图像、视频片断和公司的视频宣传材料。通过开始时使用的Videum Configure程序，你可以预设和调节图像属性，以及为三个视频输入源预设相关联的音频源。通过Videum Zoom程序和应用程序相关联，你可以本地或远程实时地缩放、转动和伏仰你的视频源，控制视频的各种参数。使用VideumInsignia程序可以在应用程序的视频中插入自己标志的图案，来表明这是你制作的视频，或在视频会议中表明你的身份。高质量的音视频采集高质量的音频、视频采集卡Winnov的Videum 1000 plus系列产品是Winnov屡获大奖的Videum 1000采集卡的第二代产品。Winnov将其独有的ASIC关键技术在一个芯片中实现。Winnov Videum 1000 plus提供无与伦比的音视频采集质量，可以720x576尺寸提供每秒30帧的采集能力，而且还支持像素增倍，提供给用户最好的采集能力和最大的系统适应性。借助Winnov的硬件压缩，Winnov的Videum 1000 plus确保可以提供无人能及音视频采集质量的效果。当在视频采集方面说到Winnov的时候，人们就会想起其音视频采集的专业质量。现在，你可以使用Winnov最新发布的Videum 1000 plus产品获得更好的音视频采集质量，更好地达到你的目的。Videum 1000plus系列产品是为了满足公司内部视频协作交流，流媒体编码和视频监控市场的需求。更方便的视频采集和视频会议适应性 Winnov的Videum 1000 plus PCI 采集卡系列可以在常见的大多数的系统上运行：Windows NT, 2000 XP，2003，7。. 在任何系统中3.3V 或5V电压都可以运行。为公司内部视频协作、流媒体编码和视频监控设计具有和Videum 1000 plus相同的音视频采集能力,OEM系统集成商的理想选择• 高质量的视频采集：最大640x480, 30 fps 非压缩(NTSC制式)和720x576 25 fps 非压缩(PAL制式)• 接收多种信号：NTSC, PAL和倍分辨率信号• 支持宽银幕采集模式 - 640 x 360 (16/9) 和 640 x 272 (2.35:1)• 确保音视频同步• 集成音频 - 不需要声卡• 易装易用• 为已有声卡或耳机提供多路(2)音频输入支持• 多路(3)摄像头支持• Winnov硬件和软件视频压缩，用于硬盘存档• 采集高质量的音视频片断• 对任何摄像头使用平移、伏仰、缩放功能• 控制图像参数• 只需鼠标点击就可选择视频输入源(S-Video,复合视频和MXC)• 向应用程序中实时插入logo来表明视频来源• 预设图像属性和为每个视频源分配一个相关联的音频源• 远程配置、控制和监视任何摄像头• 借助Videum远程控制程序，用户可以控制他们自己想看的内容Videum 1000 plus-1010 plus优势Videum 1000 plus-1010 plus特征视频采集视频 NTSC or PAL -Composite, S-Video and MXC (connector for Winnov Color Camera)(For Videum 1010 ____, Composite and S-video inputs are availablewith a provided adapter cable)采集格式 YUY2 YUV 4:2:2 (for streaming)YV12 YUV 4:2:0 (for streaming)YVU9 4:2:0 (Intel Indeo® Raw)RGB8 8-bit RGB (256 colors)RGBH 16-bit RGB (32K colors)RGBT 24-bit RGB (16.8M colors)WINX Interframe Compression, 16:1 to 48:1WNV1 Hardware Compression, 1:1 to 12:1图像尺寸 Square pixel resolution32x24 to 640x480 (NTSC)32x24 to 720x576 (PAL)性能 640x480 30 fps uncompressed (NTSC)704x576 25 fps uncompressed (PAL)采集模式 高速，连续，触发，网络摄像头模式存档文件格式 AVI and ASF静止图像 32x24; 640x480 (NTSC); 720x576 (PAL)24-bit color, 16-bit color, 8-bit color or grey scale格式 BMP, JPEG网络摄像头 相应应用程序已包含Twain 提供相应驱动音频采集格式 8-bit or 16-bit mono or stereo采样率 Up to 48 Khz为Internet语音提供全双工音频文件格式 WAV音频输出 耳机或扬声器输出 - 不需要为被动式扬声器提供集成的功放音频输入 Stereo Line/Mic In, Stereo Aux In, Mono Camera Mic In (on MXC camera)工作电压 3.3V or 5 V supply voltageUniversal capture cards for 32-bit and 64-bit slots外形 Videum 1000- ____ PCI: 4.75” (L) x 3.81” (H),Videum 1010-____ low profile PCI: 4.81” (L) x 2.625” (H)参数系统需求：Pentium 200 or betterOne free PCI slot64 Mbyte of RAM or moreCD-ROM drive for software installationWindows XP, 2000,2003,7, NT4.0Internet connectionVideum 1000 Plus 采集卡视频输入 NTSC or PAL　 AV视频端子, S端子, MXC接口　  点击观看板卡的音视频接口采集格式: YUY2     YUV 4:2:2. YV12     YUV 4:2:0. YVU9     YUV 4:2:0 (Intel Indeo® Raw). I420      非压缩 YUV 4:2:0. IYUV      非压缩 YUV 4:2:0　 WINX     帧间压缩, 16:1 to 48:1. PAL8     8-bit Palettized RGB (256 色). RGBH     16-bit RGB (64K 色). RGBT     24-bit RGB (16.8M 色)图像大小  32x24 to 640x480 (NTSC)32x24 to 720x576 (PAL) 支持Square pixel : true square pixel support640x480 (NTSC)768x576 (PAL) 性能: 640x480 30 fps 非压缩 (NTSC)720x576 25 fps 非压缩 (PAL)640x360 用于 16/9 宽银幕格式 640x272 用于 2.35/1 宽银幕格式 采集模式: 高速、连续、触发，网络摄像头模式显示: 在兼容 Direct Draw 的视频卡下全屏显示存档文件格式: AVI, ASF静止图像: 32x24; 640x480 (NTSC); 720x576 (PAL)24位真彩色，16位高彩色，8位彩色或灰度图像图片文件格式: BMP, JPG网络摄像头: 相应的应用程序已包含Twain: 包含相应驱动慢扫描: 利用两帧高质量静态图像场数据平均电压: 3.3V 和 5V　 32bit 和64bit 插槽适用　音频 音频: 8位和16位立体声或单声道采样率: 11,22,and44kHz(多媒体)8,16,32,and48kHz(通讯)所有采样频率下全双工文件格式:  WAV音频输出: . H耳机或音箱输出--对带功放的音箱没有预先进行放大(1/8 mini jack)音频输入: 立体声 Aux In (1/8” mini jack)立体声 Line/Mic In (1/8” mini jack)Camera内单声道(通过摄像头的MXC接口)内置光驱音频连接线 　工作电压: 3.3V 和 5V PCI 环境 通用的32-bit 或 64-bit 插槽　系统配置要求. - 奔腾 200 及以上 CPU- 一个空余 PCI 插槽- 至少 64 兆- 安装需要光驱- Windows NT4.0, Windows 2000,XP,2003,7

成果介绍“卫星与无线通信融合系统研发及产业化”就是由东南大学、南京中网卫星通信股份有限公司和江苏大学三家单位合作完成。卫星通信具有覆盖广和不受地域限制的优势，但是受到遮挡以后，信号就会不好，而且通信的成本太高，2M带宽每小时就要花费几千元。而随着3G、4G的普及，地面无线通信已经发展得相当完善，但是在地面基站未覆盖区域，或基站一旦受到洪水、台风、地震等自然灾害破坏时，就无法通信了。正是基于这两个通信系统的特点，我们‘取长补短’，巧妙地将两种通信系统融合起来，研制完成的系统可以根据不同策略自适应地选择地面通信链路或卫星链路”技术创新点及参数他和团队成员克服了很多困难，提出了多项独创性的方法，目前已申请国家发明专利40项（其中24项已经获得授权），编制国家标准3项，发表国内外核心期刊论文61篇（其中SCI收录16篇）。项目研制的卫星与无线通信融合系统实现了规模产业化，部分性能指标处于国际领先水平，并在气象、安监、环保和军队等诸多行业得到极其广泛的应用，得到了政府有关部门和客户的一致好评。市场前景目前本项目的产品已经应用到全国26个省市的18个行业。其中，气象和安监市场占有率达到70[%]，环保市场占有率达到60[%]。产品曾为“神舟系列”飞船的发射和回收提供气象保障，为汶川地震、雅安地震和甘肃舟曲特大泥石流等提供了应急通信服务，为上海世博会和深圳大运会等重大活动提供了气象保障和视频直播服务。产品已经实现直接销售收入8.3亿元，产生的间接经济效益数百亿计。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

流立方在技术流派里属于流式大数据实时处理领域，但兼顾了批式数据处理技术的优势，一定程度的做到了混合时态的实时处理。流立方通过在数据流水过程中嵌入流处理引擎将所有流过的数据进行实时处理, 并生成多维度的可计算数据魔方。1）超高并发性：“流立方”产品拥有每秒处理百万笔交易流水复杂分析的能力。而达到这样的性能仅需要 8 台普通的 pc 服务器搭建的集群。2）超低时效性：流立方对每笔流水处理的延时严格控制在毫秒级，实际生产中平均延时稳定在 10 毫秒左右。形象一点来说，也就是在海水涌进海洋的几乎同一时刻，数据就被分析完成了，远远低于人类学上 0.1 秒即有所感知的时间节点，处理速度比一眨眼快了很多倍。最近一年，流立方的高级版本更是提升到了微秒级的处理延时，将被用在春运票务、军工、反恐等要求更加极致的场景。3）高可靠性、高扩展性、高兼容性：流立方自带的可计算分布式缓存高性能、高可靠、高可扩展。在内存不足时, 能够平滑扩展到多节点。流立方平台内支持算法数量达到几十个。计算模型、脚本独立管理,在线编写、即时部署即时生效, 大大节约上线时间。

中国传媒大学融合门户平台竞争性磋商

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

神经递质作为神经元与神经元及神经元与细胞之间沟通的媒介分子，介导了发育、信息感知，运动及大脑的高级认知功能。随着生化分离纯化技术的发展以及人们对大脑精细结构的进一步了解，现如今已发现有几十种重要的神经递质。而神经系统在时间和空间上的高度复杂性对研究特定神经递质的动态变化及其功能提出了极大的挑战。本项目成功构建了一系列新型的基因编码的神经递质荧光探针，可实现对特定神经递质动态变化的灵敏检测。该类荧光探针利用大多数已知的神经递质所对应的特异性G蛋白偶联受体（GPCR）与循环重排的荧光蛋白（cpGFP）融合，利用循环重排荧光蛋白的荧光强度变化来指示GPCR的激活，进而反应外源神经递质的浓度变化（图一）。我们命名该类荧光探针为GRAB探针，即为GPCR Activation Based Sensor的缩写。

随着视频与图像技术的快速发展，在监控视频中识别特定人物身份有着重要的实用价值。本项目   针对现实场景下，普遍存在的面部遮挡以及拍摄机位和镜头距离变化，而导致传统基于正面人脸的识 别方法的准确率将大大降低，甚至识别错误的问题，提出了一种基于局部分割与融合的算法，应用于 视频分析平台下的特定人物识别，融合多部位识别特征，提高了部分遮挡、多场景和镜头变化下的人 物识别鲁棒性，经充分验证，达到了先进的识别精度，可以满足实际应用的需求。该技术是优化并提 高复杂背景下人物识别精准度的一项核心技术，已申请国家发明专利 1 项。

毕赤酵母(Pichia pastoris)是应用最为广泛的外源蛋白表达宿主 菌，它是甲醇营养型酵母中的一种，能够在以甲醇为唯一碳源的培养 基中生长(熊向华，2006)。毕赤酵母是迄今最为成熟的外源蛋白表达 系统之一，目前己有上百种外源蛋白基因在毕赤酵母中获得表达。外 源基因在毕赤酵母中的表达需要有几个基本条件：一是需要有高效的 启动子和终止子；二是要有同源序列以便外源基因能够有效地整合到 毕赤酵 母基因组中；三是要有

本发明公开了一种激光红外融合检测识别系统，包括非均匀性校正 SoC 芯片、图像旋转 ASIC 芯片、多级滤波 ASIC 芯片、连通域标记 ASIC 芯片、主 DSP 处理器、从 DSP 处理器、主 FPGA 处理器和从 FPGA 处理器，其中，从 FPGA 处理器控制各 ASIC/SoC 芯片完成激光和红外图像的预处理，主 FPGA 处理器控制主 DSP、从 DSP 及标记 ASIC 协助完成远距离、中距离和近距离的目标融合检测识