全文获取类型
收费全文 | 2246篇 |
免费 | 104篇 |
国内免费 | 530篇 |
专业分类
林业 | 134篇 |
农学 | 213篇 |
基础科学 | 682篇 |
620篇 | |
综合类 | 993篇 |
农作物 | 45篇 |
水产渔业 | 54篇 |
畜牧兽医 | 65篇 |
园艺 | 12篇 |
植物保护 | 62篇 |
出版年
2024年 | 38篇 |
2023年 | 80篇 |
2022年 | 136篇 |
2021年 | 163篇 |
2020年 | 133篇 |
2019年 | 146篇 |
2018年 | 76篇 |
2017年 | 113篇 |
2016年 | 102篇 |
2015年 | 105篇 |
2014年 | 112篇 |
2013年 | 113篇 |
2012年 | 159篇 |
2011年 | 159篇 |
2010年 | 157篇 |
2009年 | 157篇 |
2008年 | 119篇 |
2007年 | 158篇 |
2006年 | 139篇 |
2005年 | 101篇 |
2004年 | 98篇 |
2003年 | 56篇 |
2002年 | 57篇 |
2001年 | 48篇 |
2000年 | 31篇 |
1999年 | 26篇 |
1998年 | 28篇 |
1997年 | 21篇 |
1996年 | 19篇 |
1995年 | 17篇 |
1994年 | 5篇 |
1993年 | 7篇 |
1986年 | 1篇 |
排序方式: 共有2880条查询结果,搜索用时 15 毫秒
81.
基于随机森林回归算法的小麦叶片SPAD值遥感估算 总被引:12,自引:0,他引:12
使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。 相似文献
82.
83.
为了提高余热排出泵的效率,采用拉丁超立方试验设计方法对叶轮轴面投影图上的前盖板圆弧半径、后盖板圆弧半径、前盖板倾角和后盖板倾角4个几何变量进行35组叶轮方案设计,应用ANSYS CFX 14.5软件对余热排出泵进行定常数值模拟,得到设计工况下的效率,应用径向基神经网络建立效率与轴面投影图的4个几何变量之间的近似模型,最后采用遗传算法对近似模型进行极值寻优,获得最优的轴面投影图几何参数组合。研究结果表明:对比原始泵的数值模拟性能曲线和试验外特性能曲线,两者吻合较好;径向基神经网络能较好地预测泵设计点效率;优化的轴面投影图使得余热排出泵的水力效率提高了6.18个百分点,改善了叶轮内流场特性。因此,叶轮轴面投影图的优化设计方法是可行的。 相似文献
84.
基于可见光机器视觉的棉花伪异性纤维识别方法 总被引:1,自引:0,他引:1
为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。 相似文献
85.
基于改进级联神经网络的大豆叶部病害诊断模型 总被引:1,自引:0,他引:1
针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。 相似文献
86.
基于卷积神经网络的空心村高分影像建筑物检测方法 总被引:1,自引:0,他引:1
基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。 相似文献
87.
生菜叶中磷含量的光谱定量分析 总被引:1,自引:0,他引:1
为快速、准确检测生菜叶内的磷含量,提出了应用光谱技术结合化学计量法无损检测生菜叶内磷含量的方法。通过获取不同施磷量下生菜叶片于波长350~2500nm处的反射光谱,对光谱数据进行5点平滑和一阶导数变换后,利用联合区间偏最小二乘算法(siPLS)提取了与生菜叶磷元素相关的4个特征波段,即950~1070nm, 1430~1549nm,1906~2025nm和2144~2263nm。进一步利用连续投影算法(SPA)对全光谱波段和4个特征波段进行特征波长提取,分别筛选出变量63个和25个。分别对4个特征波段、63个和25个特征波长进行主成分降〖JP2〗维,当主成分数分别为7、5和4时,隐含层神经元数分别为7、5和3时,建立了siPLS+BPANN,SPA+BPANN,siPLS+〖JP〗SPA+BPANN生菜叶磷含量检测模型。研究结果表明:siPLS+SPA+BPANN模型的预测结果优于其他模型,验证集相关系数为0.911,验证均方根误差为479mg/kg。 相似文献
88.
为了提高果蔬采摘机器人机械手运动的精确性,提高机器人移动的效率,提出了一种基于遗传算法和RBF网络的机器人运动轨迹控制方法,并对果蔬机器人机械手的活动和整体的移动轨迹进行优化,有效地提高了果蔬采摘机器人的工作精度和作业效率。为了验证设计的采摘机器人的可靠性,在大棚内对机器人的采摘性能进行了测试,包括机器人移动路径规划和机械手路径规划。通过测试发现:使用RBF神经网络算法可以有效地控制机械手在三维空间内的运动;在遗传算法控制下,机器人可以通过较少的计算次数利用神经网络算法搜索得到最优路径,计算精度达到了99%以上。其计算精度及效率高,为高效果蔬采摘机器人的设计提供了较有价值的参考。 相似文献
89.
视觉导引AGV鲁棒特征识别与精确路径跟踪研究 总被引:3,自引:0,他引:3
针对AGV多分支路径与工位点标识的可靠识别以及导引路径的精确跟踪问题,提出了一种基于双视野窗口的鲁棒特征识别与精确路径跟踪方法。采用整幅视野范围作为模式识别窗口,在该窗口采用基于核主成分分析(KPCA)和BP神经网络的识别方法,将路径特征通过核函数映射到高维空间进行PCA降维,再利用BP神经网络识别降维后的样本矩阵。同时提出一种导引扫描窗口设置方法,该窗口范围取决于摄像机竖直视角以及摄像机安装倾斜角,在导引扫描窗口内将导引路径简化为直线模型并用最小二乘法拟合,针对拟合直线计算导引所需的路径偏差。实验结果表明,KPCA-BP方法显著提高了路径特征识别的实时性和鲁棒性,6类路径特征的平均特征识别正确率为99.5%;导引扫描窗口有效减小了导引路径直线拟合的计算误差,直线路径跟踪误差小于3 mm,曲线路径跟踪误差小于30 mm。 相似文献
90.
基于地基激光雷达的叶倾角分布升尺度方法研究 总被引:1,自引:0,他引:1
地基激光雷达因其具有穿透力强,能够提取植被冠层三维结构信息的优势,是提取植被叶倾角分布(Leaf angle distribution,LAD)的理想数据源,因此将地基激光雷达数据与遥感影像结合获取大尺度叶倾角分布结果颇具潜力。以河北省保定市北部4个县为研究区,利用10个玉米样地的地基激光雷达数据提取叶倾角分布结果,使用主成分正变换提取玉米实测叶倾角分布数据中信息量最大的前3个主成分,再利用神经网络模型对所提取的主成分与Landsat8反射率数据结合建立关系模型,然后将训练好的模型应用于整个研究区进行升尺度转换,最后通过主成分逆变换,得到升尺度后平均叶倾角(Mean tilt angle,MTA)结果。对升尺度后LAD与实测LAD及升尺度后MTA与实测MTA进行交叉验证,结果表明,升尺度MTA与实测MTA的验证精度(R2)为0.786 2,均方根误差(RMSE)为3.04°。该结果表明,使用提取主成分方法建立光谱数据与叶倾角分布的关系模型从而达到升尺度转换的目的具有可行性,模拟精度较高,且误差较小。 相似文献