全文获取类型
收费全文 | 2755篇 |
免费 | 125篇 |
国内免费 | 267篇 |
专业分类
林业 | 198篇 |
农学 | 141篇 |
基础科学 | 390篇 |
330篇 | |
综合类 | 1388篇 |
农作物 | 64篇 |
水产渔业 | 90篇 |
畜牧兽医 | 416篇 |
园艺 | 56篇 |
植物保护 | 74篇 |
出版年
2024年 | 53篇 |
2023年 | 137篇 |
2022年 | 172篇 |
2021年 | 183篇 |
2020年 | 135篇 |
2019年 | 126篇 |
2018年 | 65篇 |
2017年 | 83篇 |
2016年 | 98篇 |
2015年 | 88篇 |
2014年 | 124篇 |
2013年 | 125篇 |
2012年 | 144篇 |
2011年 | 145篇 |
2010年 | 138篇 |
2009年 | 166篇 |
2008年 | 234篇 |
2007年 | 144篇 |
2006年 | 128篇 |
2005年 | 126篇 |
2004年 | 80篇 |
2003年 | 79篇 |
2002年 | 47篇 |
2001年 | 48篇 |
2000年 | 27篇 |
1999年 | 44篇 |
1998年 | 35篇 |
1997年 | 25篇 |
1996年 | 16篇 |
1995年 | 27篇 |
1994年 | 24篇 |
1993年 | 11篇 |
1992年 | 21篇 |
1991年 | 10篇 |
1990年 | 12篇 |
1989年 | 8篇 |
1988年 | 9篇 |
1987年 | 4篇 |
1986年 | 2篇 |
1985年 | 1篇 |
1983年 | 1篇 |
1981年 | 2篇 |
排序方式: 共有3147条查询结果,搜索用时 31 毫秒
71.
针对基本粒子群算法在处理高维复杂问题时易陷入局部极值点的不足,提出自适应随机惯性权的粒子群优化算法,并基于此算法建立起洪水过程的放大模型。在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布,提高了算法全局寻优的性能。实例表明:该模型不但可以有效保持典型洪水的模式,避免手工修均的任意性,而且可以很好地满足洪峰洪量的约束要求,有较高的精度。 相似文献
72.
73.
74.
针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和... 相似文献
75.
为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。 相似文献
76.
针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段(705、740、783nm),其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率(Super-resolution for multispectral multiresoltion estimation, SupReMe)算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数(LAI),并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。 相似文献
77.
气吸式玉米精量排种器双侧清种装置设计与试验 总被引:1,自引:0,他引:1
为解决气吸式玉米精量排种器清种装置设计不合理而造成漏清、过清,导致排种性能下降的问题,提出采用双侧清种装置进行清种作业的方法,并设计了双侧清种装置。对该装置清种过程进行分析,明确了造成重吸的原因,阐明了清种过程的运动机理,建立了清种过程数学模型,确定了上下侧清种机构关键参数的设计方法。选取第1级清种弧线顶部半径、第2级清种弧线顶部半径和工作转速为主要因素进行了全因素试验,对试验结果进行显著性分析,建立了因素与指标的回归方程,以漏清率和过清率最小为寻优条件,获得较优清种强度下的最佳参数组合为:第1级清种弧线顶部半径80.70mm、第2级清种弧线顶部半径81.42mm,并在最佳参数组合下进行了验证试验。试验表明,在较优清种强度参数组合下,当工作转速为26.67~37.33r/min时,漏清率均不大于1.10%,过清率均不大于1.03%,与理论优化结果基本一致。对比试验表明,工作转速为26.67r/min时,采用双侧清种装置漏清率降低6.70个百分点,过清率基本不变,排种器合格率提高7.04个百分点;工作转速为32.00r/min时,采用双侧清种装置漏清率降低4.63个百分点,过清率基本不变,排种器合格率提高5.07个百分点;工作转速为37.33r/min时,采用双侧清种装置漏清率降低7.41个百分点,过清率降低0.24个百分点,排种器合格率提高7.26个百分点。采用双侧清种装置有效降低了漏清率,在高速情况下对过清率也有所改善。 相似文献
78.
基于随机森林回归的玉米单产估测 总被引:2,自引:0,他引:2
为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。 相似文献
79.
针对精确获取大尺度空间范围内农业大棚的分布情况并进行长时间的序列动态监测存在数据量大、计算效率低、精度不高等问题,利用Google Earth Engine(GEE)云平台能够实现快速存取、实时处理海量卫星数据,基于多时相Landsat影像进行农业大棚时序光谱特征和纹理特征的自动提取,采用随机森林算法实现山东省农业大棚的遥感分类,从而生成了山东省近30年农业大棚的空间分布和时空动态变化图。结果表明,本文分类流程具有较高的分类精度,其平均总体精度达到91.63%,Kappa系数均值为0.8642。经分析,山东省农业大棚从1990年的6.67 km^2增加到2018年的9919.40 km^2,增长速度为354.03 km^2/a。 相似文献
80.
针对实际环境中由于农业机械(简称农机)作业过程的作业量以及土壤条件的变化等不确定性因素的影响,导致协同作业跟随农机的行驶工况不稳定、跟随协同作业响应慢、控制困难等问题,在综合考虑不确定性以及响应性能的基础上,提出了一种农机跟随分层控制架构,搭建农机田间作业下的纵向跟随动力学模型,并以间距保持、速度跟随、燃油经济性、加速度跟随性能为目标,进行基于模型预测控制(MPC)算法的上层控制器推导,基于前馈以及PI反馈的控制器作为下层控制,以上层控制器获得的控制加速度为目标,进行力矩(电流)跟踪,在保证抗不确定性以及干扰噪声的同时,提高跟随农机的响应能力。通过Matlab/Simulink仿真和田间试验验证,结果表明,该控制方法可以有效解决农机作业的跟随控制问题,与滑模变结构控制器相比,能够实现稳定跟随行驶,且速度误差和加速度误差更小,速度误差控制在-0.29132~0.18001m/s,加速度误差控制在-0.05678~0.05628m/s2,稳定跟随距离误差为±0.45m,具有良好的跟随效果。 相似文献