【摘 要】
：
淀粉是人类饮食中维持正常身体能量代谢的最重要的碳水化合物之一。抗性淀粉（RS）是淀粉的一部分，这种淀粉在体内消化速度十分缓慢，意味着进入血液速度也会减慢，其性质类似溶解性纤维。抗性淀粉可通过多种不同的制备工艺，来提高抗性淀粉的含量，保持抗性淀粉的性能。RS因其独特的功能特性和健康益处而发挥了非常重要的作用。RS的有益作用包括控制血糖、控制空腹血浆甘油三酯和胆固醇水平以及吸收矿物质。此外，了解RS与
论文部分内容阅读
淀粉是人类饮食中维持正常身体能量代谢的最重要的碳水化合物之一。抗性淀粉（RS）是淀粉的一部分，这种淀粉在体内消化速度十分缓慢，意味着进入血液速度也会减慢，其性质类似溶解性纤维。抗性淀粉可通过多种不同的制备工艺，来提高抗性淀粉的含量，保持抗性淀粉的性能。RS因其独特的功能特性和健康益处而发挥了非常重要的作用。RS的有益作用包括控制血糖、控制空腹血浆甘油三酯和胆固醇水平以及吸收矿物质。此外，了解RS与肠道微生物群的相互作用，对糖尿病、胆结石、高血压等疾病调节的实质性影响仍在研究中。因此，本文综述抗性淀粉的制备、来源、健康收益及其展望。
其他文献
随着无人机飞控技术和计算机视觉技术的飞速发展,两者结合的无人机视觉技术逐渐成为新的研究热点。如今无人机视觉技术已经广泛应用于野生动物保护、智慧城市管理、自然灾害检测以及交通流量监控等领域。在野生动物保护领域,无人机视觉平台可以提供远大于地面摄像头的监控范围,减少了人力物力;在自然灾害检测领域,无人机视觉平台移动方便,可以提供自然灾害的最新讯息,可以及时发现隐患并提供预警。无人机目标计数旨在得出图像
推特和新浪微博等社会媒体平台的繁荣,产生了大量有噪声的短文本。社交媒体话题检测旨在为海量的社会媒体数据建模潜在的语义结构,其揭示的主题信息可用于短文本分类、关键词生成、篇章关系识别等下游应用。目前,面向社会媒体的短文本话题检测方法大致分为基于跨文档共现模式、基于文本语义信息以及整合内容和社交上下文三类。然而,已有方法均忽略社交网络的异构性和多元性以及大范围的用户邻域上下文对话题检测的影响。本文从编
近些年来,关于三维人脸的研究逐渐得到了研究人员们的关注。其中,三维人脸的表征学习是指利用模型得到人脸信息在计算机中的语义表征,从而驱动下游丰富的三维任务,所以三维人脸表征学习具有重要的意义。由于人脸中包含非线性的形变特征,传统的方法基于线性子空间或者高阶张量来刻画人脸表征,由于线性的局限性,得到的表征空间无法刻画极度形变的情况,造成表征能力和扩展性较差。而基于深度学习的三维重建任务可以得到表示能力
数据需求的快速增长、物联网设备的海量接入以及新应用场景的不断涌现,对移动通信网络提出了更高的要求。作为新一代移动通信网络,5G提出并应用了许多前沿理论和技术。其中,设备到设备（D2D）通信技术可以有效缓解通信系统核心网的数据压力并且优化用户服务感知。但是,由于无线信道的开放性,D2D通信存在着隐私泄露、数据篡改等多种安全问题。特别是在身份认证方面,传统的解决方案可能会带来严峻的安全挑战。因此,本论
模式识别是人脑强大认知能力的体现之一。尽管有各种各样的模式识别技术被提出来模拟生物体杰出的认知能力,然而与生物体高效的运作方式相比,这些方法无论是在生物可信度还是识别准确率方面都还有很大的差距。研究表明,生物体使用二值形式的离散脉冲来进行信息传递和处理。受此启发,脉冲神经网络被提出来,用以研究基于脉冲的认知机理及计算特性。然而,设计一个基于脉冲神经网络的高效且生物置信度高的图像识别框架仍存在较大挑
在计算机图形学领域中,流体模拟一直是热门的研究方向之一。传统的流体模拟通过求解物理方程实现,这类方法能够得到非常真实的效果,但是往往会受到计算资源的限制。随着深度学习技术的不断发展,将流体模拟与基于数据驱动的方法相结合成为了一种新的研究趋势。本文在深度学习算法的基础上,针对超分辨率流体中存在的问题进行了研究。本文基于生成对抗网络（GAN）提出了帧间插值的算法,来增强超分辨率流体的时序一致性。使用G
近年来,移动网络流量的激增给移动网络运营商带来极大的挑战,也导致用户体验降低。D2D（Device-to-Device）技术是一种基于设备直连的面对面内容传输技术,可以缓解流量激增问题。我们可以在D2D社区中选择有影响力的种子用户,促进线下内容的传播,卸载网络流量,提高D2D软件的活跃度。然而,目前的一些种子用户选择算法产生影响力重叠的问题。种子用户选择是一个持续的过程,在传统的集中式云计算模式下
深度学习在许多领域都取得了经验性的成功,但是它们仍然缺乏理论上的理解。核框架的优雅性确保了可以使用各种数学分析技术解析地研究深度学习,核方法对于深度学习泛化理论的研究存在着很大的发展空间。本文主要使用核方法从深度核学习的泛化性分析以及优化算法的隐式正则化角度来研究深度学习的泛化理论。主要内容如下:1.提出了基于Rademacher复杂度和Rademacher chaos复杂度的深度核学习泛化误差界
图卷积神经网络（Graph Convolutional Networks,GCN）是一种新兴的高效且有效的网络表征学习技术,目前正在被研究者们所广泛的研究着。然而已有GCN方法往往受限于网络拓扑的同质性假设,即邻居结点的特征被期望更加相似。但如果网络拓扑不符合该假设,则节点将会聚合过多噪音特征,导致节点表征无效。最近也有一些研究者来尝试解决上述GCN的拓扑限制,然而这些方法主要是通过如何修正或更好
在近些年,作为人机交互的一种重要方式,人们更加广泛地关注语音产品。语音产品的广泛应用,极大的解放了人们的双手,从而使日常生活变得更为方便。在较为干净的情况下,排除说话人自身的因素,语音应用已经能够取得很好的性能。例如,语音识别能够在干净的环境下,获得超过95%的准确率。但是,大量的噪声往往会在现实环境下存在,语音应用的性能也因此会受到极大的影响。从带噪语音信号中提取干净的语音信号的一种常用技术,被