全文获取类型
收费全文 | 8738篇 |
免费 | 166篇 |
国内免费 | 245篇 |
专业分类
林业 | 772篇 |
农学 | 289篇 |
基础科学 | 1492篇 |
319篇 | |
综合类 | 4175篇 |
农作物 | 100篇 |
水产渔业 | 142篇 |
畜牧兽医 | 1606篇 |
园艺 | 188篇 |
植物保护 | 66篇 |
出版年
2024年 | 83篇 |
2023年 | 268篇 |
2022年 | 300篇 |
2021年 | 261篇 |
2020年 | 256篇 |
2019年 | 275篇 |
2018年 | 92篇 |
2017年 | 283篇 |
2016年 | 301篇 |
2015年 | 241篇 |
2014年 | 582篇 |
2013年 | 662篇 |
2012年 | 718篇 |
2011年 | 778篇 |
2010年 | 696篇 |
2009年 | 705篇 |
2008年 | 616篇 |
2007年 | 531篇 |
2006年 | 378篇 |
2005年 | 334篇 |
2004年 | 217篇 |
2003年 | 201篇 |
2002年 | 110篇 |
2001年 | 88篇 |
2000年 | 54篇 |
1999年 | 23篇 |
1998年 | 18篇 |
1997年 | 6篇 |
1996年 | 14篇 |
1995年 | 7篇 |
1994年 | 5篇 |
1993年 | 3篇 |
1992年 | 2篇 |
1991年 | 3篇 |
1986年 | 1篇 |
1984年 | 1篇 |
1983年 | 1篇 |
1982年 | 3篇 |
1981年 | 1篇 |
1980年 | 3篇 |
1978年 | 1篇 |
1977年 | 3篇 |
1976年 | 7篇 |
1975年 | 2篇 |
1974年 | 2篇 |
1973年 | 1篇 |
1965年 | 5篇 |
1957年 | 1篇 |
1955年 | 1篇 |
1953年 | 1篇 |
排序方式: 共有9149条查询结果,搜索用时 15 毫秒
71.
针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题,以食品安全事件语料库为研究对象,提出了一种基于信息抽取技术的自动问答系统。首先,利用深度学习模型TextCNN对用户输入的问题进行分类,得到其所属类型。其次,对于输入问题,借助Lucene搜索引擎找到其最佳匹配文档。再次,根据输入问题的类型,从食品安全事件数据库(采用信息抽取技术自动提取的一个结构化数据库)中筛选出该文档所包含的答案候选句集合。最后,利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型,该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响,进行了多种比较实验,结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳,其回答准确率达到44%。这相比于传统的问答系统,具有明显的优势。 相似文献
72.
73.
74.
基于卷积神经网络的小麦产量预估方法 总被引:1,自引:0,他引:1
小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。 相似文献
75.
76.
为培养出一批综合能力过硬的新型职业农民,实现对地方农业经济发展的有效推动,各地区加大了对新型职业农民培训模式的研究力度,并将混合式学习模式运用到了培训活动之中。文章将以云南富宁县为农民培训为例,通过对混合式学习的分析,对混合式学习模式在新型职业农民培训中的运用方式展开全面论述,旨在保障混合式学习模式效能发挥效果,实现预期新型职业农民培训目标。 相似文献
77.
78.
79.
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