全文获取类型
收费全文 | 9313篇 |
免费 | 238篇 |
国内免费 | 361篇 |
专业分类
林业 | 851篇 |
农学 | 240篇 |
基础科学 | 1582篇 |
550篇 | |
综合类 | 4543篇 |
农作物 | 143篇 |
水产渔业 | 184篇 |
畜牧兽医 | 1498篇 |
园艺 | 213篇 |
植物保护 | 108篇 |
出版年
2024年 | 97篇 |
2023年 | 335篇 |
2022年 | 370篇 |
2021年 | 362篇 |
2020年 | 358篇 |
2019年 | 345篇 |
2018年 | 142篇 |
2017年 | 334篇 |
2016年 | 389篇 |
2015年 | 308篇 |
2014年 | 642篇 |
2013年 | 703篇 |
2012年 | 700篇 |
2011年 | 756篇 |
2010年 | 668篇 |
2009年 | 598篇 |
2008年 | 583篇 |
2007年 | 515篇 |
2006年 | 300篇 |
2005年 | 299篇 |
2004年 | 218篇 |
2003年 | 246篇 |
2002年 | 141篇 |
2001年 | 126篇 |
2000年 | 81篇 |
1999年 | 36篇 |
1998年 | 25篇 |
1997年 | 17篇 |
1996年 | 30篇 |
1995年 | 27篇 |
1994年 | 24篇 |
1993年 | 10篇 |
1992年 | 10篇 |
1991年 | 11篇 |
1990年 | 6篇 |
1989年 | 8篇 |
1988年 | 9篇 |
1987年 | 7篇 |
1986年 | 5篇 |
1984年 | 3篇 |
1983年 | 5篇 |
1982年 | 7篇 |
1980年 | 4篇 |
1977年 | 3篇 |
1976年 | 8篇 |
1973年 | 2篇 |
1965年 | 8篇 |
1957年 | 13篇 |
1955年 | 2篇 |
1953年 | 6篇 |
排序方式: 共有9912条查询结果,搜索用时 31 毫秒
41.
为了得到低维且更具有判别性的流行表示,并进一步融合各种流行判别分析的结果,本研究提出了基于局部重构的黎曼流形判别分析统一框架,在动态纹理分类,物体识别和人脸识别任务中,验证了该框架的有效性。 相似文献
42.
在移动互联网时代下,手机已经渗透到大学生的日常生活学习中,与电脑网络一样成为大学生生活中不可缺少的一部分。如何将移动互联网与教学结合起来,让学生回归课堂,不再沉迷于手机。本文主要对移动互联网环境下的教学模式进行了探究。 相似文献
43.
《山东省农业管理干部学院学报》2019,(4):141-142
网络词典由于其查询速度快、词汇量大等优点,大学生普遍使用。网络词典本身也存在弊端,大学生作为具有自主能力的学习者,如果能在教师的指导下正确全面地使用网络词典,取其精华去其糟粕,将有效促进其自主学习能力的培养和提高。本文根据调查问卷结果及采访内容,总结大学生网络词典的使用情况,在此基础上提出教师如何引导大学生正确全面地使用网络词典,从而促进其自主学习能力的培养和提高。 相似文献
44.
高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题,提出了一种联合全卷积神经网路(fully convolutional neural network,FCN)与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet及RefineNet)对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,联合全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比,该文提出的湿地分类方法在总体分类精度上分别提高了4.87%,5.31%和5.08%;与联合单一全卷积神经网络(RefineNet、SegNet、UNet)与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78%,4.48%与4.91%;该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。 相似文献
45.
基于迁移学习的棉花叶部病虫害图像识别 总被引:15,自引:10,他引:5
针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。 相似文献
46.
47.
【目的】 筛选不同温度下烟草花叶病毒(Tobacco mosaic virus,TMV)侵染后枯斑三生烟(Nicotiana tabacum var. Samsun NN)差异表达的长链非编码RNA(long non-coding RNA,lncRNA),研究lncRNA在枯斑三生烟抗性反应中的作用。【方法】 N基因的温度敏感性使枯斑三生烟在25℃时具备对TMV的抗性、在31℃抗性丧失,在这两个温度条件下对枯斑三生烟接种TMV和磷酸盐缓冲盐水(phosphate buffered saline,PBS),48 h后提取系统叶总RNA,构建链特异性文库后进行深度测序。对测序结果进行过滤后利用HTSeq将有效数据与近缘品种TN90(N. tabacum var. TN90)基因组比对,筛选得到lncRNA后利用FPKM法估计lncRNA的表达水平。通过edgeR筛选差异表达lncRNA(differentially expressed lncRNA,DElncRNA),并利用qRT-PCR技术对这一结果进行验证。通过共定位及共表达分析预测DElncRNA的靶基因,通过参考基因组注释、GO和KEGG富集分析研究靶基因的功能。【结果】 4个处理共12个样本经lncRNA-seq各测得约8 000万条clean reads,共获得4 737条已知lncRNA、40 169条新lncRNA。其中64个lncRNA在不同温度条件下TMV侵染后存在差异表达,qRT-PCR测定结果显示这些lncRNA的测序正确率在80%左右,表明本研究所得测序数据具备较高的可信度。对DElncRNA进行靶基因预测,发现一些基因同时被25℃下调和31℃上调的DElncRNA靶向。靶基因注释功能丰富,主要参与植物抗病、激素和代谢等生理过程。部分可能与激素通路相关的lncRNA,在25℃下TMV侵染时呈现下调趋势,而在31℃下TMV侵染则呈现上调趋势。GO富集分析显示靶基因主要参与构成膜、囊泡等组分,具备钙、钾离子通道抑制剂活性等分子功能,使相应离子得以转运引发随后的反应,同时也参与发病、抗原加工和呈现、细胞分裂素代谢等生理过程。KEGG分析发现靶基因显著富集在植物激素信号转导通路,25℃下调和31℃上调的DElncRNA靶基因同时富集在激素信号传导、ABC运输蛋白、苯丙烷类生物合成等通路。【结论】 不同温度(25℃和31℃)条件下TMV侵染枯斑三生烟后,长链非编码RNA差异表达,DElncRNA通过作用于激素信号传导、物质转运等过程参与寄主系统获得性抗性反应。研究结果可为揭示植物系统获得性抗性中lncRNA的调控功能以及新型抗病毒技术开发提供依据。 相似文献
48.
对中国知网收录的发表在核心期刊上200余篇论文进行分析,梳理2006年以来中国智慧学习环境研究现状,探讨其未来研究的发展趋势。研究发现,智慧学习环境受到专家学者和教育实践者的关注,早期从宏观视角开展了大量理论研究,目前聚焦环境设计、技术应用和教学应用的微观研究。但是,研究视野相对比较狭窄,关于效果评价、资源开发、情感交互、学习管理系统等方面的研究成果较少,很多理论观点,没有得到实践验证。据此,认为未来智慧学习环境的研究突出四个特点,注重多向创新性融合的理论体系研究,满足个性化差异环境功能研究,大数据挖掘和可视化分析的技术应用研究,以及学习模式和学习评价的教学应用研究。 相似文献
49.
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
50.
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