为进一步丰富地域文化人才多样性，充分的发挥高校科研创新优势和博物院文化资源优势，2月28日，合肥工业大学建筑与艺术学院与安徽博物院共建创新创业实践基地签约揭牌仪式在安徽博物院举行。安徽省文化和旅游厅党组成员、副厅长何长风，校党委副书记陈刚出席活动，并共同为基地揭牌。

　　何长风在致辞中对合肥工业大学与安徽博物院的合作共建表示热烈祝贺。他指出，文化与教育密不可分，文化的繁荣兴盛离不开教育与人才。他希望双方以此共建为契机，不断拓展合作的深度和广度，促进教育和文博事业的融合发展，为建设现代化美好安徽作出新贡献。

　　陈刚介绍了学校创新创业工作开展情况，希望双方将基地建设成人才教育培训、创新创业、文化传承的重要阵地。他指出，基地建设要聚焦人才教育培训中心任务，持续推动中华优良历史传统文化、安徽地域文化的创造性转化和创新性发展，努力产出更多的显性成果，形成馆院共建的特色品牌。

　　安徽博物院党委书记、院长雷修佛、我校建筑与艺术学院院长宣蔚代表馆院双方签署共建协议。双方将以基地建设为契机，发挥博物院馆藏资源丰富和文化渊源深厚的优势，以及高校的人才优势和科研技术优势，整合优势，共享资源，在人才教育培训、科学研究、社会服务、文化传承创新等方面开展全方位深层次合作。

　　仪式开始前，作为基地共建重要内容之一的“博物馆里的思政课”正式开讲。本次思政课主要依托徽州古建筑展厅展开。活动现场，师生跟随着博物馆讲解员老师的步伐，行走在宽敞明亮的展厅，深刻感受徽州古建筑的无限魅力。大家都表示，博物馆里的思政课让历史背景和文化更生动、更有活力，与自己的距离更贴近，心灵受到的震撼与洗礼更为强烈。

　　近日，计算机与信息学院陈斌副教授课题组在光学/光通信著名期刊IEEE/Optica Journal of Lightwave Technology（JLT）发表特邀论文。该项工作由合肥工业大学与荷兰埃因霍温理工大学共同完成，合肥工业大学为该工作的第一完成单位和通讯单位，该论文成果是首篇以合肥工业大学为第一完成单位的IEEE/Optica JLT特邀文章。

　　IEEE/Optica JLT创刊于1983年，是光通信领域的国际著名期刊，每年组织一期国际光通信旗舰会议 (Optical Fiber Communication Conference，OFC)的专刊，该专刊由OFC会议中特邀论文、高分论文、PDP论文的拓展长文组成。OFC会议是学术界和工业届公认的光通信领域中全球规格最高、顶级规模、历史最悠久、专业性最强、影响力最大的国际性盛会。

　　陈斌副教授因近年来在相干光通信新型编码调制领域做出的系统性研究工作，于2022年受邀在OFC2022光纤通信大会上作特邀报告，并在OFC会议后继续被邀请在JLT期刊上撰写相关主题的特邀论文。该论文详细的介绍了多维联合调制在高速相干光纤通信中的设计方法和研究现状，尤其是探讨了多维联合调制设计现阶段所面临的实际问题与挑战。同时论文针对现有存在的多维联合调制优化复杂度和光纤传输中非线性噪声串扰问题给出了针对性解决办法，该方法可有效延长9%至25%的长距光通信传输距离。

　　陈斌副教授为特邀论文的第一作者，计算机与信息学院教师雷艺、研究生凌未和梁志伟，北京邮电大学薛旭伟教授以及埃因霍温理工大学Gabriele Liga助理教授和Alex Alvarado副教授为合作作者，该研究成果得到了国家自然科学基金的支持。

　　日前，汽车与交通工程学院车辆工程系新能源动力系统智能管理与控制团队在动力电池健康状态估计研究领域取得新进展，相关研究成果“Data-Driven Transfer-Stacking based State of Health Estimation for lithium-Ion Batteries”在自动化与控制管理系统领域的TOP期刊《IEEE Transactions on Industrial Electronics》上在线发表，武骥老师为第一作者，中国科学院福建物质结构研究所林名强副研究员为通讯作者，西安交通大学孟锦豪副研究员、南京工程学院彭纪昌老师为合作作者。该项研究得到了国家自然科学基金、安徽省科协青年科学技术人才托举计划试点项目、合肥工业大学学术新人提升B计划项目等经费支持。

　　锂离子电池的健康状态（State of Health, SOH）能够在一定程度上帮助人们正确地判断电池的老化程度，这对电动汽车的安全可靠运行起着至关重要的作用。然而目前SOH估计方法研究存在以下两个方面的问题：第一是SOH估计方法需要大量的电池老化数据，很难利用少量的电池数据去建立准确的模型；第二是现有的机器学习方法研究很难保证数据驱动模型的泛化能力，即大多数研究都是针对单个电池建立专门的老化模型，没考虑电池之间的差异性。

　　针对这两个问题，汽车与交通工程学院车辆工程系新能源动力系统智能管理与控制团队尝试结合支持向量回归方法（Support Vector Regression, SVR）和迁移堆叠方法（Transfer Stacking, TS），开展了具有强泛化性能的动力电池健康状态估计方法研究。

　　团队首先从电池老化数据中提取潜在的健康特征，并利用决策树中的节点不纯度函数，对特征进行筛选，保留了与电池老化有着强相关性的特征。其次，利用支持向量回归方法和迁移堆叠方法对多个电池进行堆叠建模，并通过权重优化函数对堆叠中的模型进行权重分配，进而得到了最终的迁移堆叠模型。最后，所提出的模型在三组电池数据上进行了验证，根据结果得出团队所提的方法通过代入少量数据便可实现准确的SOH估计。下图为来自美国宇航局随机工况（Random Walk, RW）电池的SOH估计曲线和误差分布。通过对比五种方法的实验结果，能够准确的看出团队所提出的TS-SVR方法有着最优秀的性能。

　　近年来，依托安徽省智慧交通车路协同工程研究中心，新能源动力系统智能管理与控制团队面向车辆和新能源领域的实际的需求，针对电池系统建模仿真、状态估计和优化管理的科学与技术问题开展研究工作，并取得了一系列的研究成果，为学校车辆工程专业、新能源科学与工程专业的建设和发展提供了有力支撑。