导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

   对于MVB设备测试的内容及方法在国外已经取得了一定的成果，但测试工具、方法垄断，仅用在少数相关企业的产品。国内在此方面的研究还在起步阶段，目前还没有成熟的测试工具与方法。因此，基于此种情况参考IEC61375相关标准，设计测试方案进行测试。应用范围：     城市轨道交通领域的制动设备网卡的测试。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本发明公开了一种电动汽车负载随机接入无线充电的稳定控制系统及其方法，适用于电动汽车负载数量不确定的路口无线充电情形，属于电动汽车无线充电技术领域。该方法主要包括监测负载个数，根据负载个数得到稳态电压调控方案，进而基于动态功率有界波动域的监测点选取方法，分析得到最优监测点的位置，最终实现各负载充电功率稳定，解决单一发射区域多接收电动汽车负载系统中新增负载带来的电动汽车单体接收功率跌落问题。采用本发明的电动汽车负载随机接入无线充电的稳定控制方法，随着新负载的接入仍能保证各负载接收功率稳定，且接入过程中不对其他负载接收功率产生较大冲击。

本成果获教育部高等学校科学研究优秀成果奖（科学技术进步奖）。采用实验力学方法研究和掌握了在高应力、强流变、强采动影响等复杂条件下巷道破碎围岩岩体峰后软化、峰后剪胀扩容及流变等特性和规律；建立了围岩体力学特征和围岩支护结构体的相互关系。基于复杂条件下巷道破碎围岩的峰后强度软化和剪胀扩容效应，考虑巷道开挖后岩体强度、变形和应力分布特征，建立了复杂条件下软弱破碎巷道围岩的深浅支撑层结构理论；综合考虑围岩强度、应力和变形破坏的区域分布特征，将围岩划分为深浅支撑层结构，分析了深浅支撑层与围岩稳定的关系及深浅支撑层的演化特征和巷道变形破坏特征；掌握了巷道围岩宏观力学结构，确立巷道支护须控制的范围和支护方式确定。自主研发了锚固体流变拉拔试验系统，获得了锚固体流变失稳机理、破坏特征及类型，提出了破碎围岩巷道深浅支撑层流变破坏分析方法、结构特征及支护设计，为锚固支护结构失效诊断、有效控制深浅双支撑线层结构内巷道流变变形及防止失稳提供了依据。形成了基于深浅双支撑层理论的巷道支护设计方法和技术，提出了复杂条件下的巷道变形特征和围岩结构的预测方法、控制措施及巷道需求支护力的计算方法。对于破碎围岩巷道支护时，必须首先确立巷道的围岩赋存状态及围岩结构，分析计算深浅双支撑层结构的存在范围、力学特征和规律，进而确立浅支撑层的位置和所需支护力，一般可以形成以“锚网喷＋高预应力 U 型钢桁架锚索＋注浆”为核心的复合支护形式。锚杆对浅支撑层补强后，浅支撑层岩体与锚杆形成组合拱式的承载结构，锚索将浅支撑层与深支撑层联合起来共同形成围岩整体承载结构，而锚注再次对围岩进行加固，提高围岩整体强度，改善围岩应力分布状况，使围岩变形协调化、荷载均匀化，对深浅支撑层发挥整体承载能力具有重要作用。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

成果描述：本实用新型公开了一种基于互联网的家庭智能控制终端,其特征在于：包括接收和发送通信信息的网络模块；与所述网络模块通信的信令模块；采集多媒体信息并解码输出的多媒体模块；接收所述多媒体模块的信息,并与智能家电通信的家电控制模块；用于扩展应用的扩展接口模块；与各模块连接,与各模块信息交互的中央处理器CPU,所述CPU还连接有防拆卸的报警模块。家庭智能终端采用基于互联网的网络模块,可以满足实时视频和语音等大容量数据文件的传输,在实时视频通信和语音通信中传输速率大,延迟小。家庭智能终端中增加了防暴力拆卸报警模块,增加了安全性。市场前景分析：本实用新型公开了一种基于互联网的家庭智能控制终端,其特征在于：包括接收和发送通信信息的网络模块；与所述网络模块通信的信令模块；采集多媒体信息并解码输出的多媒体模块；接收所述多媒体模块的信息,并与智能家电通信的家电控制模块；用于扩展应用的扩展接口模块；与各模块连接,与各模块信息交互的中央处理器CPU,所述CPU还连接有防拆卸的报警模块。家庭智能终端采用基于互联网的网络模块,可以满足实时视频和语音等大容量数据文件的传输,在实时视频通信和语音通信中传输速率大,延迟小。家庭智能终端中增加了防暴力拆卸报警模块,增加了安全性。与同类成果相比的优势分析：国内领先

关于新冠肺炎病毒传播在建筑中的影响和控制建议”的研究分析，由东南大学建筑学院建筑技术与科学研究所副教授李永辉及其团队完成。在当前疫情防控和部分企业复工在即的形势下，对停留时间长、室内人员密度大、感染风险高的住宅、办公楼和医院三类建筑使用中的疫情防控进行了研究分析。基于三种建筑类型的使用特点、室内人员活动特征、空调系统的设计、设备运行的管理优化措施等角度，对新型冠状病毒传播的预防与控制进行了研究分析并提出建议措施，助力疫情防控，并以期能够对后续同类型建筑的规划设计提供参考。该研究分别从以下方面进行研究分析并提供建议：1.住宅建筑 厨房排烟道；空调系统；电梯；楼梯间。2.办公建筑办公建筑内空调系统的合理使用；全空气空调系统及其使用策略；风机盘管加新风系统及其使用策略；多联机及分体式空调与其使用策略；办公建筑的应急管理措施建议；办公人员的自我防护建议。3.医院建筑医院手术室；传染病专用门诊科室；专用隔离区域；普通科室及其他区域；基于新型肺炎疫情对医院空调系统设计及运行管理方面的建议。新建医院建筑空调系统设计建议，既有医院建筑空调系统在疫情期间运行建议。

简介：本发明公开了一种连铸粘结漏钢的治愈控制方法，属于连铸工艺技术领域。本发明的连铸粘结漏钢的治愈控制方法，在结晶器上布置多排热电偶，包括以下步骤：1)、给出防止粘结漏钢的假设条件；2)、粘结漏钢修复条件的推导；3)、粘结点下移速度Vst和粘结漏钢报警响应时间ta的推导；4)、粘结漏钢修复过程的计算；5)、给出不同种拉速控制模式；6)、拉速控制模式的选择。本发明通过粘结漏钢修复行为推导其修复条件，提出了一种治愈粘结漏钢的动态拉速控制方法，具体为根据粘结报警热电偶位置而采取不同的防止漏钢拉速控制模式的策略。本发明实现了“有报警不漏钢”的目标，提高了现行漏钢预报系统的可靠性和整体性能。

单层半导体性过渡族金属硫属化合物（MX2: MoS2, WS2 等）是继石墨烯之后备受关注的二维层状材料。该类材料具有优异的电学性质、强的光物相互作用、高效的催化特性等，在光电子学器件、传感器件、电催化产氢等领域具有非常广阔的应用前景。单层MX2 材料的批量制备和高品质转移是关键的科学问题。现有方法仍面临着诸多重大挑战，例如，难以实现晶圆尺寸的层数均匀性、单晶畴区小、生长速度缓慢、生长衬底价格昂贵、转移过程复杂、容易引入污染物等。北京大学张艳锋课题组是国内较早开展相关研究的课题组之一，在单层MX2材料的可控制备、精密表征和电催化产氢应用方面取得了一系列重要进展：基于范德华外延的机理，他们在晶格匹配的云母基底上首次获得了厘米尺度均匀的单层MoS2 (Nano Lett. 13, 3870 (2013)，他引198次)； 在蓝宝石上获得了大畴区单层WS2 (ACS Nano 7, 8963 (2013), 他引250次)；发展了一种新型的金属性箔材(Au箔)基底，实现了畴区尺寸可调单层MoS2的制备，借助STM/STS表征技术建立起了材料原子尺度的形貌/缺陷态、电子结构和电催化析氢之间的构效关系 (ACS Nano 8, 10196 (2014)，他引124次)。上述成果也受邀撰写综述文章(Chem. Soc. Rev. 44, 2587 (2015)，他引92次)。最近他们在大尺寸均匀MoS2的批量制备以及“绿色”转移方面取得重要进展。他们选用廉价易得的普通玻璃作为基底，创新性地采用Mo箔作为金属源(与S粉共同作为前驱体)，采用“face-to-face”的金属前驱体供给方式，实现了前驱体在样品上下游的均匀供应，使得样品尺寸可以得到最大限度的放大(仅受限于炉体尺寸)，获得了对角线长度可达6英寸的均匀单层MoS2; 结合DFT理论计算和系统的实验结果发现，玻璃基底上微量的Na对材料生长起到明显的促进作用, Na倾向于吸附在MoS2畴区的边缘，起到显著降低MoS2拼接生长能垒的作用，从而促进其快速生长。 获取满覆盖单层样品的生长时间仅为8 min，单晶畴区边缘尺寸可达0.5 mm。此外，他们利用玻璃基底的亲水特性，发展了一种无刻蚀的、仅利用超纯水辅助的“绿色”转移方法。该方法适用于晶圆尺寸样品的快速转移，且具有操作简单，转移样品质量高等明显优势。该工作提出了利用廉价的普通玻璃基底来制备大面积、晶圆尺寸均匀、大畴区单层MoS2的新方法/新途径，并深入分析了其生长机制，为相关二维材料的批量制备和高效转移提供了重要的实验依据，对于推动该类材料的实际应用具有非常重要的意义。