全文获取类型
收费全文 | 56篇 |
免费 | 6篇 |
国内免费 | 7篇 |
专业分类
电工技术 | 4篇 |
综合类 | 6篇 |
化学工业 | 3篇 |
机械仪表 | 1篇 |
建筑科学 | 5篇 |
能源动力 | 1篇 |
轻工业 | 9篇 |
石油天然气 | 1篇 |
武器工业 | 1篇 |
无线电 | 17篇 |
一般工业技术 | 1篇 |
自动化技术 | 20篇 |
出版年
2023年 | 6篇 |
2022年 | 3篇 |
2021年 | 2篇 |
2020年 | 2篇 |
2019年 | 5篇 |
2018年 | 2篇 |
2017年 | 1篇 |
2016年 | 2篇 |
2015年 | 2篇 |
2014年 | 3篇 |
2013年 | 4篇 |
2012年 | 6篇 |
2011年 | 5篇 |
2010年 | 3篇 |
2009年 | 1篇 |
2008年 | 3篇 |
2007年 | 6篇 |
2006年 | 3篇 |
2005年 | 3篇 |
2004年 | 1篇 |
2002年 | 2篇 |
2000年 | 2篇 |
1993年 | 2篇 |
排序方式: 共有69条查询结果,搜索用时 22 毫秒
1.
为明确大豆蛋白纳米纤维的结构形成和扩宽铁强化剂的食品工业应用,以大豆分离蛋白(soy protein isolate,SPI)为原料,通过5 h的酸热处理制备纳米纤维(soy protein isolate fibrils,Fib SPI),系统研究纤维形成前后蛋白结构的变化,并进一步制备铁纳米颗粒(iron nanoparticles,Fe NPs),探究Fib SPI对铁的稳态化作用。研究结果表明:在酸热处理过程中,SPI产生大量的β-折叠结构,其与硫磺素T结合,显示出增强的荧光强度;此外,7S组分先发生降解,利于纤维成核形成,随后11S逐渐被水解,促进纤维生长;同时水解产生大量的小肽组分,提高了产物的还原力。研究进一步利用Fib SPI递送铁纳米颗粒(Fe NPs),发现与原始SPI相比,铁纳米颗粒可在Fib SPI原位形成胶体稳定的铁-大豆蛋白纳米纤维复合物(Fe FibSPI),并以Fe(II)形式存在,其对乳液体系色泽及稳定性的影响较硫酸亚铁或氯化铁小。该研究可为构建新型植物基铁强化剂递送体系提供理论和方法指导。 相似文献
2.
3.
4.
5.
6.
7.
以大豆分离蛋白(soy protein isolate,SPI)为原料,利用碱性蛋白酶对其进行酶解处理(0~24 h),探究SPI的结构变化规律,发现碱性蛋白酶控制酶解可诱导SPI自组装形成系列分布均匀(多相分散系数<0.3)、粒径可控(90~200 nm)且具有不同表面特性的大豆蛋白纳米颗粒(soy protein nanoparticles,SPNs),其中水解度(degree of hydrolysis,DH)及亚基解离/降解是影响SPNs形成的关键性因素。酶解初期(10~30 min,DH约3%),SPI中β-伴大豆球蛋白(7S)组分α与α’亚基的部分降解有利于两亲性结构的释放,提高蛋白表面疏水性,降低临界聚集浓度,形成包含相对完整的7S及大豆球蛋白(11S)亚基的I类纳米颗粒(SPNs-DH 3%)。随着酶解时间的延长(1~2 h),α与α’亚基的进一步降解促进了疏水性β亚基与B亚基的暴露,增强的疏水相互作用导致体系浊度增加,其中可溶性聚集体向不溶性疏水聚集的转化使得蛋白表面疏水性急剧下降,形成以A亚基及部分β亚基为主导的II类亲水型纳米颗粒(SPNs-DH 5%)。酶解后期(4~24 h),A亚基的进一步降解则产生更多亲水性多肽,不利于纳米颗粒的形成。进而探究SPNs的形成机制,圆二色光谱结构表明,SPNs的形成与蛋白α-螺旋和无规卷曲结构向β-折叠转化有关。两类SPNs的整体结构均由疏水相互作用维持,而氢键和二硫键分别参与颗粒表面与内部结构的形成。与SPNs-DH 3%相比,SPNs-DH 5%中形成了更多由二硫键与氢键稳定的折叠结构。此外,由于酶解过程中不断释放抗氧化肽段,其所形成SPNs的抗氧化性较原始SPI均有所提升。 相似文献
8.
感知觉信息处理的定性映射研究 总被引:1,自引:0,他引:1
感知觉信息处理是心理学、神经科学、人工智能等领域一个重要的研究方向。建立视觉、听觉以及其他相关感觉方面的信息处理的生物原型和数学模型,涉及脑工作机制的揭示;另一方面,感知觉的产品开发蕴涵着巨大的经济、军事价值。研究了初级听皮层对声音信息的处理。运用定性映射的方法,描述了皮层中特定的功能柱对特定的声音属性进行反应这种感知觉信息处理的普遍现象。 相似文献
9.
10.
汽油机不同暂态燃油补偿模型的比较 总被引:1,自引:0,他引:1
通过对三种暂态燃油补偿模型(TFC)的剖析,并在相同条件下对每个模型进行仿真,提出了基于模型的TFC和基于神经网络(NN)时,模型选取的方法和需要考虑的问题。 相似文献