|
搜索
搜 索
高等教育领域数字化综合服务平台
一种丝素蛋白‑NIPAM光子晶体水凝胶及其制备方法
本项目属于功能材料领域，提供了一种丝素蛋白‑NIPAM光子晶体水凝胶及其制备方法。所述制备方法包括采用物理交联剂将丝素蛋白和N‑异丙基丙烯酰胺(NIPAM)在常温下共交联，并在交联反应过程中嵌入三维光子晶体阵列。本发明提供的制备方法制备的光子晶体水凝胶具有良好的生物相容性、弹力性能、吸水性能，与皮肤之间具有良好的贴合性，紧贴皮肤表面不易脱落，还同时具有优良的压力传感性和温敏性，可对温度和压力的变化产生颜色变化响应，实现压力和温度变化的裸眼观测。
北京理工大学
2022-06-17
抗幽门螺杆菌鸡卵黄免疫球蛋白产品及其应用
本发明涉及一种抗幽门螺杆菌鸡卵黄免疫球蛋白 （抗 -HPlgY ）的产品 及其应用，用幽门螺杆菌（ HP）菌苗免疫产软母鸡，并从其产出的卵中提 取抗 -HPlgY 。应用本发明将抗 -HPlgY 制成保健食品或生物制剂，可用于 防治因幽门螺杆菌感染引起的相关疾病：纯化后的抗 -HPlgY 可应于幽门 螺杆菌的临床检测以及诊断。本产品具有良好的活性和特异性
南昌大学
2021-04-14
高蛋白优质饲用大麦新品种华大麦8号
可以量产/n华大麦8号选自复合杂交组合(川农大2号×甘木二条）×（美里黄金×浙农大3号），用系谱法育成。该品种为二棱皮大麦，苗期叶片浅绿色，半匍匐，分蘖力强，成穗率较高，成株蜡粉少，株型紧凑，剑叶中等大小，长芒，齿芒，穗纺锤形。其光合效率中等，对酸性较敏感。株高90厘米，全生育期182.2天，穗层整齐度和熟相好。亩穗数40.2万/亩，穗长8厘米左右，小穗密度中，主穗小穗数32个左右，穗平实粒数24.8粒，千粒重42.34克。由湖北省种子站取样送验，中国食品发酵工业研究院检测，华大麦8号千粒重为43克
华中农业大学
2021-01-12
BICC1蛋白对精神疾病诊断的新用途
本发明公开了检测BICC1蛋白含量的试剂在制备精神疾病诊断产品中的应用。研究发现，BICC1蛋白在精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍和非精神疾病对照者血清中的差异性表达(精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍血清中上调表达)。采用BICC1蛋白作为指标，为检测精神分裂症、单相抑郁障碍、双相躁狂、双相抑郁、惊恐障碍提供了一条全新的途径，ROC曲线下的面积值AUC为0.714～1.0，具有较高的诊断价值。
东南大学
2021-04-11
XM-705E蛋白尿模型（高血压肾脏疾病模型）
XM-705E蛋白尿模型（高血压肾脏疾病模型）
XM-705E蛋白尿模型（高血压肾脏疾病模型）放大300倍，由2个肾小体构成，第一个显示了健康的肾小球解剖，第二个显示了肾小球病变，由于高血压传入小动脉血管硬化、血管口径的变化，从而增加内皮细胞和血浆蛋白在尿液。
尺寸：放大300倍，20×15×6cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
XM-705E蛋白尿模型（高血压肾脏疾病模型）
XM-705E蛋白尿模型（高血压肾脏疾病模型）
XM-705E蛋白尿模型（高血压肾脏疾病模型）放大300倍，由2个肾小体构成，第一个显示了健康的肾小球解剖，第二个显示了肾小球病变，由于高血压传入小动脉血管硬化、血管口径的变化，从而增加内皮细胞和血浆蛋白在尿液。
尺寸：放大300倍，20×15×6cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
哈尔滨工程大学高分辨光谱成像设备采购及服务竞争性磋商
哈尔滨工程大学高分辨光谱成像设备采购及服务竞争性磋商
哈尔滨工程大学
2022-06-06
基于非监督特征学习的高分辨率遥感影像场景分类方法
一种基于非监督特征学习的高分辨率遥感影像场景分类方法，包括对输入的原始高分辨率遥感图像 进行划分得到场景，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作; 计算所有训练图像块的低维流形表示，聚类得到一组聚类中心;对每一幅场景密集采样得到局部图像块， 对每个局部图像块做预处理操作后映射到相同的低维流形空间中，然后进行编码获得场景的所有局部特 征;将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全 局特征表达;随机挑选若干幅场景作为训练样本，由分类器得到每一幅场景的预测类别标号，完成原始 高分辨率遥感场景的标注任务。
武汉大学
2021-04-13
区域大气污染高分辨率排放清单关键技术与应用
北京工业大学
2021-04-14
基于快速二值编码的高分辨率遥感影像场景分类方法
本发明提供了一种基于快速二值编码的高分辨率遥感影像场景分类方法，包括步骤:步骤 1，划分 待分类遥感影像获得场景单元;步骤 2，从场景单元中提取尺寸相同的图像块作为局部图像块训练样本; 步骤 3，采用非监督学习法学习局部图像块训练样本获得滤波器组;步骤 4，将场景单元与滤波器组中 各滤波器分别做卷积获得各场景单元的幅滤波器响应图，采用二值编码法分别融合各场景单元的幅滤波 器响应图获得各场景单元的全局特征描述;步骤 5，基于场景单元的全局特征描述进行场景单元分类。 本发明在保证场景分类精度的前提下，大大降低了非监学习法的计算代价。
武汉大学
2021-04-13