葡京娱乐场-富盈娱乐场开户

研發階段/n本發明屬于利用油菜細胞質雄性不育系生產雜交F1種子的技術領域，具體涉及到利用一類不穩定型波里馬細胞質雄性不育系在冬油菜產區（長江流域）秋播生產雜交F1種子的雜交制種方法。該技術的目的在于克服已有技術的不足，提供一種制種方法簡單但又能提高制種產量和雜種純度的雜交制種方法。技術水平：專利技術（國家發明專利授權號：ZL01114273.1）應用前景：該技術的發明使得過去認為沒有利用價值的不穩定型波里馬細胞質雄性不育系應用于油菜雜交種的生產，并提高了油菜種質資源的有效利用；用不穩定型波里馬細胞質

成果簡介電渣重熔工藝作為一種特種冶煉手段， 在提高金屬材料質量方面起到了重要作用。 但是其也有很多缺點， 其中最重要的一點就是電耗較高， 很多小型電渣爐每噸鋼電耗在 1700～1900 kW.h， 這不僅影響了產品成本， 而且在能源緊 張的今天， 勢必影響電渣重熔的擴大應用和技術的發展； 另外， 重熔渣系中含有較高的CaF2， 在冶煉過程易產生氟化物揮發， 污染環境。針對以上缺點， 開發了節能環保型新渣系（CaF2-Al2O3-CaO-MgO-SiO2 五元渣系）， 并針

本發明公開了一種基于化學和物理交聯的雙網絡纖維素凝膠系材料，該材料包括水凝膠、氣凝膠和 生物塑料。在纖維素溶液中加入定量的交聯劑并攪拌后先形成部分化學交聯的纖維素凝膠，然后將該凝 膠置于纖維素的非溶劑中進行物理交聯，經過水洗后得到雙網絡纖維素水凝膠。由雙網絡纖維素水凝膠 干燥制備雙網絡纖維素氣凝膠;將雙網絡纖維素氣凝膠在 150?oC 以上熱處理后得到碳氣凝膠;將雙網 絡纖維素水凝膠或氣凝膠熱壓制備雙網絡纖維素生物塑料。本發明制備的雙網絡纖維素材料具有優良的 力學性能、高的比表面

（專利號：ZL 201510033273.0） 簡介：本發明公開了一種同時控制電渣錠氫-氧含量的渣系的制備方法，屬于電渣重熔渣系技術領域。該渣系成分及重量百分比為：CaF2：43～47％，CaO：18～22％，Al2O3：4～6％，MgO：8～12％，Ce2O3：14～16％，La2O3：4～6％。其制備步驟為：根據制備渣系組分及重量百分比要求按比例配置渣料，渣料為石灰石、白云石、螢石、鋁礬土、氧化鈰粉末和氧化鑭粉末；將混合渣料在1600

研究團隊基于cGAMP設計制備了一種肺部仿生納米顆粒（PS-GAMP）來模擬流感病毒肺部感染，發現其能夠在不破壞肺部表面活性劑（PS）和肺泡上皮屏障（AEC）的情況下，激活AMs和AECs，促進疫苗產生高效的體液和CD8+ T細胞保護性免疫反應，以抵抗多種異型流感病毒的攻擊。研究結果提示AECs在產生廣泛的交叉保護以抵御各種流感病毒方面具有十分重要的作用，表明PS-GAMP可能是一種“通用”流感疫苗的潛在粘膜佐劑。

大數據應用的多樣化 需要的計算模型、數據模型多樣化； 目前每類模型需要單獨的開源系統來支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系統導致大數據分析平臺非常復雜、效率低下。研究目標：研究和開發面向新型多計算模型融合架構的、高時效、可擴展的新 一代大數據分析支撐系統與工具平臺FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。針對目前大數據分析平臺復雜、效率低下的痛點，該系統具有三個 方面的優勢：首先，這套系統采用融合架構，一方面實現關系、圖、鍵 值、文檔等多種數據模型的高效融合，另一方面實現批處理計算、流計 算的深度融合，并可以通過SQL擴展語言來進行多模型的統一查詢，實現高效的跨模型查詢。其次，對于復雜系統來說，時效性非常重要，這 套系統采用融合架構提高效率是實現高時效的基礎，更重要的是，我們 對大數據分析從數據到用戶進行了端到端的全棧時效優化。最后，對于 大數據應用來說，系統擴展性非常重要，本系統在資源層、存儲層和計 算層進行了全面的擴展性優化。下面在融合架構、高時效和可擴展這三 個方面，分別詳細介紹FAST系統的三個主要亮點。融合架構FAST系統的第一個亮點是融合架構，我們在技術方面的創新主要包 括多數據模型融合和多計算模型融合兩方面。多數據模型融合：設計和研發了多模型數據管理與查詢引擎，支持關系、圖、鍵值、 文檔等多種數據模型，實現了查詢解析、查詢優化、元數據管理、數據 分布等功能，將多種數據模型進行統一管理和深度融合。同時擴展了SQL語言，通過統一的查詢接口支持對關系、鍵值、圖、文檔等數據進行獨立訪問或者跨模型查詢。經過試驗，多模型數據融合查詢，比Spark 2.3.4的查詢時間能平均減少70.7%。目前spark等現有系統還需要手工編程方式來實現跨模型查 詢，所以FAST系統在易用性上也表現良好，降低使用門檻，提高開發效率。多計算模型融合：在計算層實現了最常見的批處理計算和流計算深度融合，批流融合的核心方法是在系統內部實現批和流的統一表達，批是對有限數據集 的運算，流是對無限數據流的計算，我們設計了UCollection結構對批和 流數據進行統一表達，通過識別的bounded標志，來確定是批、流、或批流融合。有了統一表達，可以開展一系列融合優化來提升系統性能。 并且對上通過Unified API統一用戶的批、流接口，實現二者在編程范式上的統一表達。對于批流混合的計算，融合架構系統的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。高時效FAST系統的第二個亮點是高時效，即縮短大數據分析的時間消耗， 提高效率。由于大數據分析平臺是一個非常復雜的系統，為了做到高時效，系統不能存在性能短板，因此需要對大數據分析的整個過程進行端到端的全棧時效優化。如圖中所示，自下而上，需要在多模態存儲、批流融合、機器學習、人工操作各層都進行優化。對于多模態存儲，面向應用負載和異構硬件特征進行自適應優化；對于批流融合計算，在統一表達基礎上，進行系列融合優化技術， 包括DAG優化、迭代優化、部署優化、操作符優化等；在機器學習層面，進行模型優化、消息優化、梯度優化、概率優化 等來提高時效；而且我們也考慮到大數據分析過程中用戶人工操作的時效性問題， 通過智能地進行大數據分析方法和模型的推薦，來縮減人工操作的 時間。可擴展FAST系統的第三個亮點是可擴展，由于大數據應用規模很大，數據增速快，對系統可擴展性的要求非常高，為此我們在系統的資源層、 存儲層和計算層進行了全面的擴展性優化。在資源層，系統都部署在云計算的虛擬化資源之上，利用了云計算資源的彈性機制進行系統擴展。并在系統中實現了可伸縮調整模塊， 能實時監控軟硬件系統的狀態，按照應用需求來自適應地進行彈性伸縮。在存儲層，分布式存儲系統擴展性的關鍵在于分布式共識和一致性 協議（Raft），因此提出了KV-Raft、vRaft等進行Raft的擴展優化。在計算層，我們擴展了機器學習模型的參數規模，使系統可以支持 到百億級別的超大規模機器學習模型訓練，并且性能方面有明顯提 升。亮點成果：融合架構大數據分析平臺目前已經在阿里巴巴雙十一進行示范應用。 從2020年11月10日至11月16日一周的時間，在阿里的生產環境中，研發 的系統一直連續穩定運行，基于淘寶和天貓的實際用戶信息進行大數據 分析，綜合運用了本系統的存儲、計算、機器學習等多個模塊的能力， 累計進行了184億件商品推薦。同時在雙十一期間，基于智能交互向導技術，也面向電子商務應用 的賣家提供了“生意參謀”應用，基于大數據分析，幫助賣家分析產品 銷量變化的原因，以及促銷的有效手段等。

本發明涉及一種結合胰島素樣生長因子C結構域多肽(IGF-1C)的殼聚糖水凝膠，其具有良好的細胞相容性和生物活性。這類活性水凝膠具有可注射性，能夠作為載體材料，促進干細胞對組織損傷的治療效果。其為移植干細胞提供適宜的組織再生微環境，從而提高移植干細胞的存活率。增加干細胞在損傷區內的存活及駐留，促進移植細胞存活、增殖，減少凋亡，促進損傷部位血管新生以及功能恢復，進而提高干細胞移植治療組織損傷的治療效果。此外，移植后水凝膠并沒有促進干細胞發生不良分化。

南開大學藥學院與天津大學國際生物醫藥聯合研究院組建新藥開發聯合攻關團隊，針對新型冠狀病毒的生物學特點、傳播特征和公共衛生風險防控的潛在需求，開展了病毒防治相關藥物的研發，從藥食同源分子中發現了可預防冠狀病毒感染作用的候選分子。 南開大學藥學院與研究院聯合攻關團隊，利用人工智能輔助的虛擬藥物篩選系統，從中藥單體庫、藥食同源天然分子庫和成藥化合物庫中篩選潛在的互作界面抑制劑，尤其關注藥食同源類物質所含的活性分子。通過篩選和既往藥理信息的綜合分析，觀察到多種藥食同源的中藥中含有抑制病毒與受體結合的潛在活性分子，為中醫藥方劑的配伍和新型冠狀病毒感染的肺炎的防治提供了一定的信息。

本發明公開了可同時測定梨的多個指標參數的裝置，包括：暗箱；位于所述暗箱內，用于測量梨的重量的電子稱重旋轉平臺；位于所述暗箱內，用于測量梨的高度的高度測量裝置；用于向梨發射檢測光的光照模塊；用于接收梨的反射光的光譜采集模塊；用于接收所述電子稱重旋轉平臺和高度測量裝置的信號計算樣品體積，以及用于接收所述光譜采集單元信號計算樣品pH值的控制單元。本發明還公開了一種利用所述的可同時測定梨的多個指標參數的裝置測定梨的多指標參數的方法。本發明實現了梨的重量、高度、體積以及pH值的多項物理參數的快速檢測，檢測快速準確，檢測成本低，環境污染小。

研究背景：  大數據應用的多樣化  需要的計算模型、數據模型多樣化；  目前每類模型需要單獨的開源系統來支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系統導致大數據分析平臺非常復雜、效率低下。 研究目標： 研究和開發面向新型多計算模型融合架構的、高時效、可擴展的新 一代大數據分析支撐系統與工具平臺FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 針對目前大數據分析平臺復雜、效率低下的痛點，該系統具有三個  方面的優勢：首先，這套系統采用融合架構，一方面實現關系、圖、鍵  值、文檔等多種數據模型的高效融合，另一方面實現批處理計算、流計  算的深度融合，并可以通過SQL擴展語言來進行多模型的統一查詢，實現高效的跨模型查詢。其次，對于復雜系統來說，時效性非常重要，這  套系統采用融合架構提高效率是實現高時效的基礎，更重要的是，我們  對大數據分析從數據到用戶進行了端到端的全棧時效優化。最后，對于  大數據應用來說，系統擴展性非常重要，本系統在資源層、存儲層和計  算層進行了全面的擴展性優化。下面在融合架構、高時效和可擴展這三  個方面，分別詳細介紹FAST系統的三個主要亮點。 融合架構 FAST系統的第一個亮點是融合架構，我們在技術方面的創新主要包  括多數據模型融合和多計算模型融合兩方面。 多數據模型融合： 設計和研發了多模型數據管理與查詢引擎，支持關系、圖、鍵值、  文檔等多種數據模型，實現了查詢解析、查詢優化、元數據管理、數據  分布等功能，將多種數據模型進行統一管理和深度融合。同時擴展了SQL語言，通過統一的查詢接口支持對關系、鍵值、圖、文檔等數據進行獨立訪問或者跨模型查詢。 經過試驗，多模型數據融合查詢，比Spark 2.3.4的查詢時間能平均減少70.7%。目前spark等現有系統還需要手工編程方式來實現跨模型查 詢，所以FAST系統在易用性上也表現良好，降低使用門檻，提高開發效率。 多計算模型融合： 在計算層實現了最常見的批處理計算和流計算深度融合，批流融合的核心方法是在系統內部實現批和流的統一表達，批是對有限數據集  的運算，流是對無限數據流的計算，我們設計了UCollection結構對批和  流數據進行統一表達，通過識別的bounded標志，來確定是批、流、或批流融合。有了統一表達，可以開展一系列融合優化來提升系統性能。 并且對上通過Unified API統一用戶的批、流接口，實現二者在編程范式上的統一表達。對于批流混合的計算，融合架構系統的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。 高時效 FAST系統的第二個亮點是高時效，即縮短大數據分析的時間消耗，  提高效率。由于大數據分析平臺是一個非常復雜的系統，為了做到高時效，系統不能存在性能短板，因此需要對大數據分析的整個過程進行端到端的全棧時效優化。如圖中所示，自下而上，需要在多模態存儲、批流融合、機器學習、人工操作各層都進行優化。 對于多模態存儲，面向應用負載和異構硬件特征進行自適應優化； 對于批流融合計算，在統一表達基礎上，進行系列融合優化技術， 包括DAG優化、迭代優化、部署優化、操作符優化等； 在機器學習層面，進行模型優化、消息優化、梯度優化、概率優化 等來提高時效； 而且我們也考慮到大數據分析過程中用戶人工操作的時效性問題，  通過智能地進行大數據分析方法和模型的推薦，來縮減人工操作的  時間。 可擴展 FAST系統的第三個亮點是可擴展，由于大數據應用規模很大，數據增速快，對系統可擴展性的要求非常高，為此我們在系統的資源層、  存儲層和計算層進行了全面的擴展性優化。 在資源層，系統都部署在云計算的虛擬化資源之上，利用了云計算資源的彈性機制進行系統擴展。并在系統中實現了可伸縮調整模塊，  能實時監控軟硬件系統的狀態，按照應用需求來自適應地進行彈性伸縮。 在存儲層，分布式存儲系統擴展性的關鍵在于分布式共識和一致性 協議（Raft），因此提出了KV-Raft、vRaft等進行Raft的擴展優化。 在計算層，我們擴展了機器學習模型的參數規模，使系統可以支持  到百億級別的超大規模機器學習模型訓練，并且性能方面有明顯提  升。 亮點成果： 融合架構大數據分析平臺目前已經在阿里巴巴雙十一進行示范應用。  從2020年11月10日至11月16日一周的時間，在阿里的生產環境中，研發 的系統一直連續穩定運行，基于淘寶和天貓的實際用戶信息進行大數據 分析，綜合運用了本系統的存儲、計算、機器學習等多個模塊的能力， 累計進行了184億件商品推薦。 同時在雙十一期間，基于智能交互向導技術，也面向電子商務應用  的賣家提供了“生意參謀”應用，基于大數據分析，幫助賣家分析產品  銷量變化的原因，以及促銷的有效手段等。