当前位置:首页 > 今日动态 > 技术与产品
  • 一种基于电子鼻和高光谱数据,用于食品原料地理来源识别的高效双模态多尺度特征提取与协同融合方法

    •DMSFormer将电子鼻与高光谱数据结合,用于产品原产地识别。•FEM通过扩展有效信息通道,提升不同检测模态的响应能力。•MSCFM与DMASM可增强多尺度跨模态间的关联与协同作用。•该轻量级模型仅含0.04百万个参数,运算量为4.20百万次浮点运算。引言农产品的品质往往受其

    来源:Micron

    时间:2026-07-21

  • 综述:天然产物分析中的毛细管电泳技术:进展与应用(2015–2025)

    •本文综述了毛细管电泳在天然产物分析领域的最新进展。•文中探讨了提升灵敏度、优化检测性能以及改进分离效果的策略。•总结了毛细管电泳在复杂天然产物体系中的应用情况。•阐述了毛细管电泳在天然产物分析中面临的挑战及未来发展趋势。引言天然产物源自植物、动物和微生物,是结构多样的化合物的重

    来源:Micron

    时间:2026-07-21

  • 基于弹簧状策略的水相和固态双重视觉荧光响应型酸性物质检测方法

    •这种可视觉激活的荧光传感器在液态和固态下都能良好工作。•能够高效选择性地检测真实样本中的酸性氨基酸。•可在固态下对酸性气体实现高灵敏度响应。•可用于检测被酸污染的物体以及酸性物质泄漏造成的损伤区域。•还可作为先进的二维码信息加密材料使用。引言分析检测在现代生产和日常生活中起着至

    来源:Micron

    时间:2026-07-21

  • 用于多摩酸快速电化学检测的CRISPR响应型杂化金属有机框架组装检测方法

    摘要多毛藻酸是一种强效的神经毒素,对食品安全和公众健康构成严重威胁。传统的检测方法往往难以在灵敏度与实用性之间取得平衡。为解决这一问题,我们开发了一种基于CRISPR响应型混合金属有机框架组装测定的电化学生物传感器。该平台采用一种新的负反馈机制,即多毛藻酸适配体本身可作为CRIS

    来源:Talanta

    时间:2026-07-21

  • 综述:一种用于精确测定航空燃料中微量游离水的高精度方法:基于ACQ的荧光膜技术

    摘要作为航空燃料中常见的污染物,游离水对飞机安全构成重大威胁。目前常用的定量检测方法——卡尔费休法在检测微量游离水时存在操作复杂且采样误差较大的问题。为解决这一难题,本研究开发了一种基于荧光素钠的聚集猝灭效应的水敏感过滤膜。该膜在接触水后会立即产生荧光反应,其检测限可达到1 pp

    来源:Talanta

    时间:2026-07-21

  • 利用H-ZSM-5@UiO-66复合材料通过D-μSPE技术对尿样中的扁桃酸进行灵敏检测

    摘要研究人员合成了一种沸石@金属有机框架复合材料H-ZSM-5@UiO-66,并将其作为新型吸附剂,用于从人类尿液样本中快速、灵敏地提取扁桃酸,随后通过HPLC-UV进行分析。该复合材料通过X射线衍射、傅里叶变换红外光谱和场发射扫描电子显微镜进行了表征。研究采用中心复合设计方法,

    来源:Talanta

    时间:2026-07-21

  • QRel:异构图链接预测中的关系敏感型QKV评分方法

    •提出了QRel,这是一种将链接预测视为分类任务的新型GNN。•采用解耦架构以实现高效且可扩展的链接评分。•引入了新的关系敏感型QKV注意力机制用于链接评分。•运用局部化softmax来学习与关系相关的语义上下文。•其性能优于GNN(Path2pair、HGT、HAN、SeHGN

    来源:Pattern Recognition

    时间:2026-07-21

  • 基于双重特征驱动的局部多标签学习方法

    •一种具有理论误差分析的双特征驱动PML方法。•用于噪声特征识别的低秩与稀疏分解方法。•利用标签相关性及粒度估计标签置信度。•相较于现有最先进方法,该方案性能更优。引言多标签学习是一种监督学习框架,其中每个实例都与多个标签相关联[1]、[2]、[3]。传统的多标签学习方法假设每个

    来源:Pattern Recognition

    时间:2026-07-21

  • PalmSecGANNet:基于深度学习的可撤销模板安全掌纹识别技术

    •DeepSRNet能够利用密集残差从低分辨率输入中重建高质量的掌纹图像。•PalmFCRNet通过特征通道残差注意力机制提取强大的区分性特征。•AdaptiHash可将嵌入向量转换为紧凑的二进制代码,以实现快速且安全的匹配。•GenSecGAN能够生成不可逆、无法关联且可取消的

    来源:Pattern Recognition

    时间:2026-07-21

  • 基于群稀疏正则化的简单深度多任务稀疏建模方法

    •本文提出了一种新的群稀疏多任务学习(GSMTL)方法,该方法通过一个辅助的1×1卷积层St在参数和特征层面实现隐式软稀疏性,其中行稀疏性用于选择共享参数,而列稀疏性用于选择共享特征。•通过在对连续的辅助层St应用l1、l2范数正则化,避免了现有稀疏方法中不可微的二进制掩码所带来

    来源:Pattern Recognition

    时间:2026-07-21


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康