全文获取类型
收费全文 | 3227篇 |
免费 | 200篇 |
国内免费 | 490篇 |
专业分类
林业 | 178篇 |
农学 | 64篇 |
基础科学 | 1250篇 |
625篇 | |
综合类 | 1544篇 |
农作物 | 51篇 |
水产渔业 | 40篇 |
畜牧兽医 | 90篇 |
园艺 | 15篇 |
植物保护 | 60篇 |
出版年
2024年 | 77篇 |
2023年 | 187篇 |
2022年 | 249篇 |
2021年 | 247篇 |
2020年 | 252篇 |
2019年 | 199篇 |
2018年 | 100篇 |
2017年 | 137篇 |
2016年 | 151篇 |
2015年 | 156篇 |
2014年 | 155篇 |
2013年 | 190篇 |
2012年 | 179篇 |
2011年 | 183篇 |
2010年 | 203篇 |
2009年 | 239篇 |
2008年 | 192篇 |
2007年 | 188篇 |
2006年 | 163篇 |
2005年 | 102篇 |
2004年 | 89篇 |
2003年 | 45篇 |
2002年 | 53篇 |
2001年 | 43篇 |
2000年 | 22篇 |
1999年 | 27篇 |
1998年 | 28篇 |
1997年 | 15篇 |
1996年 | 16篇 |
1995年 | 12篇 |
1994年 | 9篇 |
1993年 | 7篇 |
1990年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有3917条查询结果,搜索用时 59 毫秒
31.
基于改进极限学习机的水体溶解氧预测方法 总被引:2,自引:2,他引:0
为了有效地指导水产养殖生产,提高溶解氧浓度预测的精度,提出了基于因子筛选和改进极限学习机(Extreme Learning Machine,ELM)的水产养殖溶解氧预测模型。首先,利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数,提取强关联因子,降低预测模型的输入量维度;采用偏最小二乘算法(Partial Least Square, PLS)优化传统ELM神经网络,避免网络中隐含层共线性问题,保障输出权值的稳定性;然后,结合新型激活函数,构建水体溶解氧浓度预测模型。最后,将SPLS-ELM(Selection Based Partial Least Square Optimized Extreme Learning Machine)预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明:该模型的预测均方根误差为0.3232,与最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)、BP神经网络、粒子群(Particle Swarm Optimization,PSO)优化LSSVM和遗传算法(Genetic Algorithm, GA)优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s,预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线,能够满足水产养殖实际生产对水体溶解氧预测的要求。 相似文献
32.
针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题,提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理,将数据集划分为训练集和测试集;然后对传统残差神经网络进行改进;最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验,结果表明该方法具有较高的识别准确率,可为其他作物的识别方法研究提供参考。 相似文献
33.
为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2~4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。 相似文献
34.
针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题,以羊后腿自动去骨分割工序为研究对象,提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进,以U-Net为骨架网络,采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失,在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码,实现缝匠肌图像分割模型的构建。一方面,针对缝匠肌这一核心目标肌肉区,采集羊后腿图像构建数据集训练与测试本文模型,以验证该方法的准确性与实时性;另一方面,通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径,并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动,验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明:当交并比为0.8588时,本文方法平均精确度为0.9820,优于R2U-Net的(0.8324,0.9775);单样本检测时间平均为82ms,说明本文方法可快速、准确分割出缝匠肌图像,满足机器人自主分割系统的实时性要求,优于U-Net、R2U-Net、AttU-Net算法。最后,在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验,机器人对5条羊后腿的平均切削时间为7.9s,平均偏移距离为4.36mm,最大偏移距离不大于5.9mm,满足羊后腿去骨分割的精度要求。 相似文献
35.
感应电机自身作为一个复杂系统,其设计变量多,多个设计目标之间相互约束,多目标优化设计过程复杂、限制因素多。针对这种情况,以一台24 V低压大电流感应电机为例,选取了定转子槽6个相关设计参数作为优化变量,以感应电机3个外特性参数(最大转矩、启动电流、效率)作为优化目标,运用计算机辅助电机设计软件ANSYS Maxwell得到了大量工程实验数据,利用BP神经网络对感应电机数学模型进行拟合,并用遗传算法寻找设计变量最优解,使用神经网络的预测功能寻找优化目标最优解。最后用ANSYS Maxwell将最优解进行工程验证,实现了感应电机的多目标优化设计。 相似文献
36.
多变环境下基于多尺度卷积网络的猪个体识别 总被引:2,自引:0,他引:2
【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。 相似文献
37.
【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明:和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%;外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。 相似文献
38.
39.
针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题,提出一种改进的YOLO v5方法。首先,在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块,加强网络对特征信息的提取能力;其次,在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积,能够在保证精度的前提下,降低模型参数量;再次,在预测头前加入ECA(efficient channel attention)注意力模块,能够更加准确定位目标信息;最后,引入EIOU(efficient intersection over union)损失函数加速预测框的收敛,提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见,所提出的改进网络在橙子检测上更有优势,能为今后智能采摘机器人的研发提供理论支撑和技术参考。 相似文献
40.