太阳城集团亚洲娱乐城-澳门太阳城集团娱乐城最新地址_百家乐电影网_全讯网xb112 (中国)·官方网站

人工智能語音交互實驗套件是一款用于人工智能語音方向的AI實驗套件。開發(fā)板搭建Linux系統(tǒng)，可自主進行嵌入式生態(tài)系統(tǒng)的應(yīng)用軟件開發(fā)，支持深度的語音識別、語音喚醒、語音合成等諸多人工智能領(lǐng)域的應(yīng)用開發(fā)。通過這套設(shè)備的學習，可以認識了解 AI 人工智能嵌入式設(shè)備的架構(gòu)、硬件部署、軟件在 AI 領(lǐng)域中語音識別、語音合成等應(yīng)用上的實現(xiàn)，是一套 AI 前端實踐性極強的學習套件。        套件配套實驗清單（含知識點），由資深工程師編寫，全面涵蓋語音交互技術(shù)的實驗過程。并提供教學指導(dǎo)、實驗視頻、實驗手冊、實驗PPT等，便于師生更好的理解實驗項目，是高職、本科院校相關(guān)專業(yè)在 AI 智能語音方向課題的專用教學實驗套件。 

松鼠AI（原乂學教育）隸屬于上海松鼠課堂人工智能科技有限公司。成立于2015年，與美國斯坦福研究中心（SRI）成立了人工智能聯(lián)合實驗室，成為與世界知名學府建立合作研究關(guān)系的中國教育品牌。 我們專注于K12領(lǐng)域智能個性化輔導(dǎo)的智適應(yīng)教育，通過開發(fā)出擁有完整自主知識產(chǎn)權(quán)、結(jié)合國際前沿算法與中國學情的自適應(yīng)學習引擎，為每一個學生智能推薦專屬的學習路徑，尊重每個學生的寶貴個性。解決了當前智慧教育的一大痛點，為“因材施教”提供了更科學的可能，并走在了當前國內(nèi)互聯(lián)網(wǎng)教育行業(yè)的前沿。

天中依脈是較早專注于中醫(yī)診療客觀化的高新技術(shù)企業(yè)，核心技術(shù)脫胎于天津中醫(yī)藥大學、天津大學歷屆專家及從上世紀80年代開始的“中醫(yī)客觀化技術(shù)”研究。依脈人工智能醫(yī)療科技（天津）有限公司是天中依脈的全資子公司，致力于發(fā)展“中醫(yī)云腦”智能化云中醫(yī)服務(wù)，參與國家“一帶一路”中醫(yī)文化傳播與技術(shù)推廣，全面支持國家醫(yī)聯(lián)體建設(shè)、家庭醫(yī)生簽約服務(wù)等領(lǐng)域的中醫(yī)藥服務(wù)，踐行健康中國戰(zhàn)略。 2009年創(chuàng)立至今，天中依脈與國內(nèi)三十余家高校及高級醫(yī)療機構(gòu)建立了長期深入的科研合作關(guān)系，擁有200多項國家專利及軟件著作等知識產(chǎn)權(quán)，產(chǎn)品服務(wù)于500余家醫(yī)療機構(gòu)，成為中醫(yī)智能行業(yè)的領(lǐng)航者。  

IECUBE-676X 人工智能創(chuàng)新實驗進階套件是在 IECUBE-6760 人工智能創(chuàng)新實驗基礎(chǔ)套件的基礎(chǔ)上，針對已經(jīng)具有一定人工智能應(yīng)用開發(fā)經(jīng)驗的開發(fā)者，設(shè)計的具有一定復(fù)雜性和系統(tǒng)性的綜合項目制實驗開發(fā)套件。該套件將人工智能技術(shù)與更專業(yè)、更復(fù)雜的學科場景相結(jié)合，在更開放的軟硬件平臺環(huán)境下，鼓勵學生自主完成人工智能與各學科的融合。 

一、所屬類別 基礎(chǔ)、教學科研類實驗設(shè)備類；實習實訓(xùn)設(shè)備及配套等。 二、相關(guān)專利技術(shù) CN202010106007.7    履帶車底盤、全地形履帶車及全地形行走方法 CN202011613628.0    機器人運動控制方法、裝置、控制器及存儲介質(zhì) CN202111261356.7    雙足機器人的運動軌跡規(guī)劃方法、裝置、設(shè)備及介質(zhì) CN202110232263.5    開關(guān)機的控制電路及方法 CN202110232355.3    機器人動作模仿方法、裝置、設(shè)備及存儲介質(zhì) CN202011501534.4    一種舵機的補償控制方法及舵機補償電路 CN202110574796.1    機器人的偏差信息確定方法、裝置、處理設(shè)備及介質(zhì) CN202011644180.9    機器人抗擾動控制方法、裝置、電子設(shè)備及存儲介質(zhì) CN202110311455.5    雙足機器人控制方法、裝置以及雙足機器人 CN202011611800.9    質(zhì)心軌跡的獲取方法、裝置、機器人及存儲介質(zhì) 三、基本情況 （一）應(yīng)用對象 應(yīng)用于機械類、自動化類、電子信息類、計算機類等相關(guān)專業(yè)人才培養(yǎng)，適用場景包括實驗實訓(xùn)、教學科研及競賽等，方案以人才培養(yǎng)為目標和課程建設(shè)為核心，基于機器人載體，提升人工智能與機器人技術(shù)教學科研水平。 （二）核心優(yōu)勢 核心產(chǎn)品為雙足人形機器人，該系列機器人獲得“小型雙足人形機器人步態(tài)算法”創(chuàng)新紀錄，“高韌性強扭矩復(fù)合材料舵機”打破國外技術(shù)封鎖，核心零部件實現(xiàn)國產(chǎn)化。 其中Aelos小型雙足機器人載STM32、Raspberry Pi-4B雙運算系統(tǒng)，支持二次深度開發(fā)，支持多語言開發(fā)環(huán)境，滿足高校對于編程開發(fā)、人工智能應(yīng)用學習等需求，助力高校在機器人系統(tǒng)結(jié)構(gòu)、步態(tài)規(guī)劃、運動控制、算法開發(fā)、場景應(yīng)用等方面的實踐學習。 Aelos小型雙足機器人 Roban中型雙足機器人基于ROS應(yīng)用平臺，搭載深度攝像頭，嵌入V-SLAM視覺算法，可以通過導(dǎo)航技術(shù)進行建圖，實現(xiàn)自主路徑規(guī)劃和步態(tài)規(guī)劃，涉及運動控制、計算機視覺、圖像處理、運動規(guī)劃等多領(lǐng)域課程，能夠較好地滿足相關(guān)專業(yè)實驗實訓(xùn)、研究開發(fā)、參加競賽等需求。 Roban中型雙足機器人 （三）商業(yè)模式 公司與高校在復(fù)合型人才培養(yǎng)、專業(yè)建設(shè)、課程建設(shè)、科研合作、師資培訓(xùn)、實訓(xùn)室搭建等方面開展深入合作，相關(guān)產(chǎn)品被用于各類學校的實際教學、實踐、實訓(xùn)。推廣路徑通過各類研討會、展會、大賽和專業(yè)渠道商進行拓展。 四、推廣情況 （一）應(yīng)用案例 1.清華大學 與清華大學電子系合作共建《智能機器人設(shè)計實踐》專業(yè)限選課，基于人形機器人載體，學習機器人結(jié)構(gòu)原理，圖像識別，路徑規(guī)劃，AI芯片等內(nèi)容。合作入選中國高等教育學會“校企合作雙百計劃”典型案例。 2.哈爾濱工業(yè)大學 與哈工大開展人才聯(lián)合培養(yǎng)全面合作，雙方在開發(fā)校企聯(lián)合課程、共建聯(lián)合實驗室、共建校外實習實踐基地、共同籌辦BOTEC智能機器人技術(shù)挑戰(zhàn)賽等方面進行合作，并入選中國高等教育學會“校企合作雙百計劃”典型案例。 3.南方科技大學 與南科大機器人研究院共建的機器人聯(lián)合研究中心，在機器人關(guān)鍵核心技術(shù)攻關(guān)、專業(yè)課程建設(shè)、人才聯(lián)合培養(yǎng)等領(lǐng)域開展合作。雙方共建的基地被廣東省教育廳認定為廣東省聯(lián)合培養(yǎng)研究生示范基地。 （二）應(yīng)用成效 解決了高校人工智能機器人方向的實驗實訓(xùn)、教學科研、參加競賽等需求，有助于打造高水平、專業(yè)化的實踐科研條件。年均支撐高校開展教學科研項目不少于1項，科技競賽不少于2項，協(xié)助申報產(chǎn)學合作協(xié)同育人項目等。 （三）推廣計劃 高校新增人工智能等新專業(yè)成為熱門，傳統(tǒng)工科專業(yè)也面臨課程改革要求，因此，通過開展智能機器人設(shè)備的應(yīng)用與實踐，推動相關(guān)專業(yè)人才的培養(yǎng)與發(fā)展，已是大勢所趨。推廣模式包括課程案例展示、以賽促教、舉辦研討會等。

新冠肺炎常規(guī)通過病史、CT等進行病情評估，但重癥病房應(yīng)用超聲不便，還需要評估重癥患者的心臟等多器官，然而操作者絕大多數(shù)不是專業(yè)超聲醫(yī)生，這為如何在治療重癥患者的過程中更好地發(fā)揮超聲的作用提出了難題。深圳國際研究生院袁克虹團隊與深圳華聲醫(yī)療技術(shù)股份有限公司合作，用人工智能技術(shù)賦能5G超聲設(shè)備，增添采集心肺關(guān)鍵標準切面的導(dǎo)航以及關(guān)鍵參數(shù)的自動測量等功能，輔助醫(yī)生對重癥病人進行動態(tài)評估和治療。 袁克虹團隊與深圳華聲醫(yī)療技術(shù)股份有限公司1月中旬組成研發(fā)團隊，在已有合作工作的基礎(chǔ)上，針對新冠肺炎重癥患者臨床超聲的迫切需求開展聯(lián)合攻關(guān)，半個月就獲得了較好的成果。該技術(shù)從2月初開始在武漢協(xié)和西院等多家醫(yī)院使用，在一定程度上輔助了醫(yī)生對重癥患者進行疾病的動態(tài)評估和治療指導(dǎo)。 目前該技術(shù)正由國家感染性疾病臨床研究中心（深圳市第三人民醫(yī)院）牽頭開展進一步研究，將完善和改進現(xiàn)有功能，優(yōu)化遠程診斷流程，實現(xiàn)超聲為醫(yī)生治療重癥患者提供更智能、更可靠、更專業(yè)的幫助。

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設(shè)計開發(fā)提供一個完整的基于人工智能的解決方案。成果：1.藥物毒性預(yù)測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預(yù)測，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預(yù)測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預(yù)測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預(yù)測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測)的預(yù)測服務(wù)器，這些服務(wù)器能夠為使用者提供更高效更便捷的預(yù)測技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國內(nèi)外藥物分子設(shè)計研究者提供了5000多次共計超過20多萬個化合物的毒性預(yù)測服務(wù)。在有機化合物毒性預(yù)測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預(yù)測模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測算法研究、基于分子對接的化合物毒性預(yù)測研究等。相關(guān)研究成果已發(fā)表多篇學術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預(yù)測服務(wù)器首頁致癌性預(yù)測結(jié)果頁相關(guān)綜述對本服務(wù)器的介紹RF-hERG-Score預(yù)測藥物引起的hERG相關(guān)心臟毒性2.藥物設(shè)計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關(guān)系，從而設(shè)計出具有治療作用的藥物。計算機輔助藥物設(shè)計可以為藥物設(shè)計各階段的實驗方案提供有意義的指導(dǎo)，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設(shè)計、并開發(fā)更有效的計算機輔助藥物設(shè)計方法。在計算機輔助藥物設(shè)計研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導(dǎo)化合物生成模型研究、基于機器學習的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計研究。特異性重打分函數(shù)顯著虛擬篩選性能顯著較高篩選出兩個候選抑制劑3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預(yù)測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預(yù)測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預(yù)測性能。lncRNA-蛋白質(zhì)相互作用預(yù)測模型的性能比較lncRNA-蛋白質(zhì)相互作用預(yù)測服務(wù)器相關(guān)軟件著作權(quán)：

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設(shè)計開發(fā)提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預(yù)測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預(yù)測，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預(yù)測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預(yù)測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預(yù)測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測)的預(yù)測服務(wù)器，這些服務(wù)器能夠為使用者提供更高效更便捷的預(yù)測技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國內(nèi)外藥物分子設(shè)計研究者提供了5000多次共計超過20多萬個化合物的毒性預(yù)測服務(wù)。在有機化合物毒性預(yù)測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預(yù)測模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測算法研究、基于分子對接的化合物毒性預(yù)測研究等。相關(guān)研究成果已發(fā)表多篇學術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預(yù)測服務(wù)器首頁 致癌性預(yù)測結(jié)果頁 相關(guān)綜述對本服務(wù)器的介紹 RF-hERG-Score預(yù)測藥物引起的hERG相關(guān)心臟毒性 2.藥物設(shè)計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關(guān)系，從而設(shè)計出具有治療作用的藥物。計算機輔助藥物設(shè)計可以為藥物設(shè)計各階段的實驗方案提供有意義的指導(dǎo)，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設(shè)計、并開發(fā)更有效的計算機輔助藥物設(shè)計方法。在計算機輔助藥物設(shè)計研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導(dǎo)化合物生成模型研究、基于機器學習的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計研究。 特異性重打分函數(shù)顯著虛擬篩選性能顯著較高 篩選出兩個候選抑制劑 3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預(yù)測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預(yù)測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預(yù)測性能。 lncRNA-蛋白質(zhì)相互作用預(yù)測模型的性能比較 lncRNA-蛋白質(zhì)相互作用預(yù)測服務(wù)器相關(guān)軟件著作權(quán)：

采用前沿的深度學習算法和相關(guān)數(shù)據(jù)處理技術(shù)，經(jīng)過不斷優(yōu)化和創(chuàng)新，能夠在極短時間內(nèi)完成 CT 圖像的人體器官勾畫功能，目前已實現(xiàn) 30 多種器官的自動勾畫。大量歷史病例數(shù)據(jù)集和模型的不斷創(chuàng)新使 DeepViewer 多種器官的勾畫精準度達到 95%以上。