|
搜索
搜 索
高等教育领域数字化综合服务平台
车用SCR集成式尿素
北京工业大学
2021-04-14
集成电路测试仪
成果简介： 集成电路测试仪是用于IC生产线的自动测试仪器，由电子科大自动化学院自动控制工程中心团队研制。测试仪能够测试多种模拟集成电路、数字集成电路和数模混合电路。仪器模拟通道的最大电压测试能力为±32V，最大电流测试能力是±2A。 集成电路测试仪能够提供标准的TTL接口信号，可以与生产现场的分选设备配合使用，完成集成电路的自动测试和分选工作，1小时可以测试上千只芯片。 集成电路测试仪具有测试精度高、测试速度快、稳定性好、可编程等特点，用户可以根据需要，自己编写测试程序，完成测试和分选工作。该集成电路测试技术已取得三项发明专利。
电子科技大学
2017-10-23
柔性电子与智能集成系统
面向并紧密结合实际工程需要和重大社会需求，发展了多个系列的柔性电子器件、电路模块、集成化系统及可视化软件界面。
一、项目分类
关键核心技术突破
二、成果简介
面向并紧密结合实际工程需要和重大社会需求，发展了多个系列的柔性电子器件、电路模块、集成化系统及可视化软件界面。包括:(1)“基于RFID的柔性电路及系统”，研制的RFID柔性电路模块集成在消防人员的头盔上，发展了一款可穿戴RFID人员识别和搜救系统;(2)“基于透明电路的超宽带无线定位智能眼镜”，创新性地将UWB无线定位技术和透明电路结合在一起，研制出了一款可进行实时无线探测定位的智能眼镜，实测无线定位距离300米以上，定位精度10cm以内;(3)“基于全柔性电路集成的智能口罩及无线实时呼吸监测系统实现”，研制了搭载多传感器芯片的柔性电路无线模块，并集成到口罩中实现对人呼吸健康的实时监测，并通过云平台和开发的手机端App进行发热、咳嗽、呼吸频率异常等症状的预警;(4)“面向多载体的UWB超宽带单基站无线定位系统”，已在大型隧道工程现场进行了推广应用，用于地下空间施工车辆、人员的无线定位、监测和安全管控，具有易布置、远距离、高精度的突出特点。
西南交通大学
2022-09-13
新能源智能小区集成系统
成果简介新能源智能小区集成系统是高效、 智能化、 环保利用新能源（太阳能发电、风力发电、 小型燃气轮发电系统） 于一体， 创造新型绿色环保智能小区的系统集成项目。成熟程度和所需建设条件技术成熟， 集成太阳能、 风力发电、 小型燃气轮机、 储能装置为一体， 包好能量控制系统等。 智能小区、 边远无电力供应地区等。技术指标能够与目前国家电网的相关指标相吻合， 不低于国家对系统并网的条件。市场分析和应用前景符
安徽工业大学
2021-04-14
溶剂集成分离回收技术
在有机化工、精细化工、医药、农药、染料、印染、染整、印刷、清洗、电子、聚合物等许多工业领域广泛使用酯类、酮类、醚类、烷烃类溶剂，但目前大多数企业溶剂回收不充分，大量的溶剂进入废水、废气中，导致环境污染，同时能耗高，宝贵的原料和能量浪费很大。
本技术开发了具有国际先进水平的集成分离回收溶剂技术，溶剂回收充分，能耗低，经济效益好、三废排放大幅度减少。
华东理工大学
2021-04-13
集成电路 工程实践平台
建设专业的实践教学科研平台，提供产业级集成电路设计环境。
培养高质量的集成电路专业人才，提高学生实践开发能力和工程实践技能。
校企联合共建课程体系，加强双师型师资队伍建设，创新人才培养模式，加强专业建设软实力。
为申报各类省部级以上重大科研项目提供支撑条件，为各类相关科研试验提供设备和场地支持。
提供工程教育认证整套解决方案及工程认证专家指导。
发挥服务地方经济建设的功能，为地方培养优质的集成电路专业人才。
青软创新科技集团股份有限公司
2022-07-06
集成电路工程实践平台
集成电路工电路程实践平台是面向高校集成电路和微电子等相关专业，提供集成电路平台教学、实验、实战和科技为一体的实践平台。
安徽青软晶芒微电子科技有限公司
2021-12-16
基于机器学习的个人信用评估
本平台基于用户报刊订阅历史数据及用户个人信息，结合矩阵分解，K-Means等机器学习技术，构建了用户报刊个性化推荐系统，在提升推荐准确性的同时较好地解决了冷启动问题。
中山大学
2021-04-10
基于深度学习的智能计算MR成像
一、项目简介 智能计算MR成像主要是基于脉冲序列设计、成像、重建、处理与分析的全链路优化思想，利用人工智能领域的深度学习与大数据方法，研究新体制智能计算成像理论、方法与应用，突破现有系统将成像与分析分治难以兼顾的不足，从而为医学临床和科研提供新的、更快的成像手段、更好的成像质量以及更符合实际需求的成像模式。 二、前期研究基础 无 三、应用技术成果1）基于深度学习的信息保持压缩感知重建（左图为填零重建、右图为所提方法）
厦门大学
2021-04-11
联邦学习投毒攻击防御与追溯系统
当前，保护数据的隐私和安全已经成为世界性的热点，各国都在加强对数据安全和隐私的保护。近年来，国家相继出台个人信息保护的标准和政策，旨在加强隐私保护。为了在符合相关法规的前提下使用数据，部分研究者尝试令各方数据保留在本地的同时训练全局模型，如 Google 提出的联邦学习。作为一种加密的分布式机器学习技术 , 联邦学习能够让参与各方在不披露底层数据和底层数据加密 ( 混淆 ) 形态的前提下，仍然能利用其余几方参与者提供的信息，更好地训练联合模型，提升 AI 模型效果。
然而，将数据留在本地的方式却也引发其他问题，如针对联邦模型的投毒攻击。投毒攻击通过攻击训练数据集或算法来操纵机器学习模型的预测，使分类器识别特定样本的分类边界发生变化。而联邦学习场景下的投毒攻击通常拥有更强的隐蔽性和破坏性。
因此，我们将传统投毒攻击防御中对原始数据的清洗过程转变至对上传的模型权重参数的预处理，在参数服务器部署防御框架来防御投毒攻击。我们设计了一种新颖的防御与追溯框架，该框架主要由模型聚类、初步防御和细化防御三个模块构成，构建多层纵深防御体系，保护联邦模型安全，并在源头上主动追溯攻击者。我们设计面向神经网络的无监督层级聚类算法，消除了神经网络中隐含元素置换不变性的影响。根据类内代表模型在聚合过程中的贡献度确定其可疑度，并以动量思想将可疑度绑定每个客户端，并结合历史用户行为对攻击者进行定位。我们的防御框架可以自主评估模型贡献度，自动确定可疑度动态划分阈值，并在图像、文本等多源数据集上达到了 100% 追溯率，实现了零漏检，零误检。
目前，成果性能已经过多方测试和验证，代码已部署在华为自研深度学习框架MindSpore 中，进一步为广大开发者所用。
西安电子科技大学
2023-01-18