全文获取类型
收费全文 | 53篇 |
免费 | 3篇 |
专业分类
综合类 | 1篇 |
化学工业 | 1篇 |
建筑科学 | 1篇 |
矿业工程 | 2篇 |
轻工业 | 42篇 |
水利工程 | 2篇 |
石油天然气 | 1篇 |
无线电 | 2篇 |
一般工业技术 | 2篇 |
自动化技术 | 2篇 |
出版年
2023年 | 2篇 |
2022年 | 1篇 |
2021年 | 1篇 |
2018年 | 1篇 |
2017年 | 1篇 |
2015年 | 1篇 |
2014年 | 2篇 |
2013年 | 6篇 |
2012年 | 7篇 |
2011年 | 5篇 |
2010年 | 7篇 |
2009年 | 1篇 |
2008年 | 4篇 |
2007年 | 1篇 |
2006年 | 1篇 |
2004年 | 8篇 |
2003年 | 1篇 |
2002年 | 3篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 1篇 |
排序方式: 共有56条查询结果,搜索用时 15 毫秒
41.
建立了分析人体尿液中α-咔啉杂环胺的溶剂-固相萃取-液相色谱串联质谱(HPLC-MS/MS)方法,并对58名吸烟者和20名非吸烟者的尿液样品中的2-氨基-9-氢-吡啶并[2,3-b]吲哚(AαC)和2-氨基-3-甲基-9-氢-吡啶并[2,3-b]吲哚(MeAαC)进行了测定。尿液样品依次经盐酸酸解、乙酸乙酯液液萃取、PXC阳离子柱固相萃取净化后,进行HPLC-MS/MS检测。结果表明:①AαC和MeAαC的检测限分别为1.86和3.25 pg/mL,加标回收率91.2%~121.0%,精密度2.72%~7.84%;②AαC的含量在3.11~101.71 pg/mL之间,但所有样品中均未检出MeAαC;③吸烟者尿液中AαC的含量和远高于非吸烟者,且二者存在显著差异(P0.001)。该方法适合用于尿液中α-咔啉杂环胺的检测,且AαC可作为烟气暴露的生物标志物。 相似文献
42.
43.
根据竖井地质实际情况并结合施工中重点难点分析,详细介绍了隧道注浆、主要机械设备选择、接头连接形式选择和地下连续墙施工工艺,提出了一些解决方法,可为类似工程提供参考。 相似文献
44.
45.
基于Bigraph的面向方面动态软件体系结构演化研究 总被引:1,自引:0,他引:1
随着网络技术的发展,软件运行环境的开放化和用户需求的多样化,使得人们对软件动态演化能力提出了更高的要求.面向方面软件开发中的关注点分离思想很好地支持了软件动态演化,现有的形式化方法难以直观地表示体系结构的动态性,且不能很好地验证系统演化前后的正确性.Bigraph不仅具有直观的图形化表达能力,而且具备良好的数学基础,可以推理和验证系统的演化性质.因此,提出了一种面向方面动态软件体系结构(AODSA)模型,扩展的Bigraph用于描述AODSA的结构,使用Bigraph反应系统(BRS)来描述AODSA的动态演化.最后以一个简化的ATM存款系统模型为例,说明Bigraph表示的ATM模型以及基于BRS的演化过程. 相似文献
46.
国内外主要品牌卷烟主流烟气中烟草特有N-亚硝胺的对比分析 总被引:9,自引:0,他引:9
本文采用气相色谱-热能分析仪(GC-TEA)对卷烟主流烟气中主要4种烟草特有N-亚硝胺(TSNAs)进行了分析;优化了前处理过程及仪器分析条件;建立了使用经抗坏血酸处理的玻璃纤维滤片收集卷烟主流烟气,用二氯甲烷萃取卷烟主流烟气中的TSNAs,萃取液经碱性氧化铝层析柱纯化,TSNAs通过GC-TEA定量检测的分析方法;并对国内外较有代表性的98种卷烟样品中的TSNAs进行了系统的分析测定。结果表明,混合型卷烟主流烟气中TSNAs的含量显著高于烤烟型卷烟;国外混合型卷烟中NNK的含量高于国内混合型卷烟。这些研究结果为制定我国卷烟烟气中TSNAs含量限量标准、建立技术壁垒提供了可靠的技术基础。 相似文献
47.
毛细管气相色谱法测定烟草中的亚硝胺 总被引:22,自引:2,他引:20
N-亚硝胺是烟草和卷烟烟气中一类重要的具有毒性和致癌性的化学成分。卷烟主流烟气中的N-亚硝胺一半左右直接来源于烟草,而其余则来源于抽吸过程中的热合成作用。我们研究开发了一种配备氮磷检测器的毛细管气相色谱方法来同时测定烟草中挥发性的亚硝胺(VNA)和烟草特有的亚硝胺(TSNA),主要过程包括将烟草样品在柠檬酸磷酸氢二钠缓冲液中超声波萃取,然后将萃取液在硅藻土层析柱上进行固相萃取,浓缩液用DB-5毛细管柱进行气相色谱分析。该方法具有操作简便快速,重复性好,无需专用仪器等特点,适用于各种烟草样品中亚硝胺的分析 相似文献
48.
49.
计算机舌诊系统中,点刺和瘀血点是重要的舌象。基于斑点检测、支持向量机(SVM)和K-均值聚类算法,提出了对舌诊图像中点刺和瘀点的识别及提取方法。首先利用SimpleBlobDetector斑点检测算法检测斑点,并提取出斑点数量、大小和分布等特征值生成特征向量,再使用SVM进行点刺(瘀点)舌象识别。点刺(瘀点)提取同样基于斑点检测算法,提取斑点颜色特征,使用K-均值聚类将斑点聚类为多个小类簇,定义基于加权颜色空间距离的判别函数,将聚类结果同第一次斑点检测的结果对比,得到正类和负类,最终提取出点刺和瘀点。利用该方法进行实验,识别正确率达到97.4%,提取误检率为6.0%,漏检率为10.1%,表明了本方法的有效性和应用价值。 相似文献
50.