摘要：本发明提供一种电机轴跳调节装置及调节方法，该调节装置包括：调节工装、工装电机、扭矩传感器以及电流检测器。其中，调节工装与工装电机之间通过联轴器传动连接，用于传递工装电机输出的动力。调节工装还与电机组件连接，用于调节电机组件的轴跳值。扭矩传感器设置在联轴器与调节工装之间，用于检测调节工装转动时的扭矩大小。电流检测器连接电机组件，用于检测电机组件运转时的电流。该电机轴跳调节装置能够在电机装配时通过调节工装来控制电机的轴跳值，并对轴跳调节进行检测，提高调节效率，保证电机装配的良品率。

摘要：本发明提供了一种脱氮生丝微菌MQ004‑2（Hyphomicrobium denitrificns MQ004‑2），保藏于中国典型培养物保藏中心，保藏编号为CCTCC NO:M 20221066，保藏日期为2022年7月8号。解决了PQQ发酵产量不高，脱氮生丝微菌本身代谢过程不稳定，从而导致难以实现规模化生产的问题。本发明提供的菌种效价水平高；使用本发明提供的菌种，批次间的效价水平稳定、甲醇消耗量差距小，菌株代谢的稳定性好，容易规模化生产。

摘要：提供了一种计算机实现的特征筛选方法，包括：从存储器中读取原始特征集合；对原始特征集合进行初级筛选以得到第一特征集合，初级筛选为基于统计指标的筛选和基于遗传算法的筛选中的一者；对第一特征集合进行次级筛选以得到第二特征集合，次级筛选为基于统计指标的筛选和基于遗传算法的筛选中的另一者；以及从存储器中删除原始特征集合中除第二特征集合之外的原始特征，以释放原始特征集合中除第二特征集合之外的原始特征所占用的存储空间。

摘要：提供了一种计算机实现的机器学习模型训练方法，包括：从存储器中读取原始样本集合，原始样本集合包括正样本集合和负样本集合；对负样本集合中的负样本进行多次随机下采样，将每次随机下采样得到的目标数量的负样本作为一个采样集合，得到多个采样集合；删除负样本集合中除多个采样集合外的负样本，以释放原始样本集合中除多个负样本集合外的负样本所占用的存储空间；使用多个采样集合分别与正样本集合构成目标样本集合，得到与多个采样集合对应的多个目标样本集合；利用多个目标样本集合分别训练相应的多个机器学习模型，得到多个目标预测模型。

摘要：提供了一种大数据风控建模方法，方法包括：获取第一样本集合和第二样本集合，其中，第二样本集合是在根据相似性准则与第一样本集合相似的场景下采集的；将第一样本集合随机划分为第一集合和第二集合，其中，第二集合是第一集合的补集；基于第一集合生成第一模型；以及基于第一模型进行建模优化。

摘要：本发明提供了一种发酵生产吡咯喹啉醌方法，通过在发酵过程中，增加一个抑制微生物生长的步骤，随后按照公知的发酵方法继续发酵直至结束。该抑制微生物生长的步骤通过流补过量的甲醇实现抑制微生物生长，该方法不仅适用范围广，而且可以进一步提升发酵效价。并且该方法只需要通过控制甲醇量即可实现，无需引入额外的物质，并且步骤简单，提升效价的效果明显。

摘要：为了使产氨短杆菌中的酶尽可能溶出到发酵液中，从而提升酶促反应的效率，本发明提供了一种发酵制备辅酶A的方法，包括以下步骤：1)使用微生物进行发酵；2)在发酵液中通过酶促反应制备辅酶A；所述酶促反应包括：在发酵液中加入酶促反应所需的底物以及破壁剂，随后在无氧或低氧环境下反应。优选地，所述微生物为产氨短杆菌。本发明提供的方法相比现有技术，通过将破壁剂与低氧或无氧的环境相结合的方式，在相同的微生物发酵量下，从菌体内溶出更多的酶用于底物的酶促反应。

摘要：本发明公开了一种利用纳豆芽孢杆菌(Bacillus natto)生产甲萘醌‑7的发酵工艺，属于微生物发酵领域。本发明在纳豆芽孢杆菌的发酵过程中利用优化培养基，同时采用分阶段补加甘油与草莽酸，分阶段控制发酵液pH值、残糖含量与溶氨量的工艺。该发酵生产方法甲萘醌‑7产量高，发酵工艺简单可控，有利于甲萘醌‑7的工业化扩大生产。

摘要：本发明涉及一种基于超声的肝脏脂肪定量系统，包括超声波发生器、超声波接收器、超声波回声亮度层次值获取模块、超声衰减系数获取模块、获取肝肾回声强度比H的强度比获取模块，肝脏脂肪定量模块，所述超声波发生器向肝脏部位发射脉冲超声波，所述超声波接收器接收超声波的回声信号，所述超声波回声亮度层次值获取模块获取该肝脏远场区域的亮度层次值和近场区域的亮度层次值，所述超声衰减系数获取模块获取肝脏回声衰减系数，通过肝肾回声强度比H及肝脏回声衰减系数对肝脏脂肪定量检测。本发明技术方案通过肝脏的超声回波信号得到的图像亮度层次值，更准确地计算肝脏回声衰减系数，然后通过肝肾回声强度对比及肝脏回声衰减系数对肝脏脂肪定量检测。方便简便实用，准确可靠。

摘要：本申请涉及图像识别及数字医疗领域，揭示了一种基于眼底图像的病变检测方法、装置、计算机设备及存储介质，其中方法包括：获取眼底筛查图像，所述眼底筛查图像包括扫描图像和造影图像；将所述扫描图像输入到深度学习网络模型的双通道网络中的第一网络，获取所述第一网络得到的第一图像特征；所述第一图像特征包括眼底曲率与反射率；将所述造影图像输入到深度学习网络模型的双通道网络中的第二网络，获取所述第二网络得到的第二图像特征；所述第二图像特征包括血管密度以及眼底组织厚度；将所述第一图像特征与第二图像特征进行融合，得到融合特征；根据所述融合特征匹配所述图像对应的黄斑病变等级。本申请能够提高眼底黄斑病变等级识别的准确度。