全文获取类型
收费全文 | 80篇 |
免费 | 5篇 |
国内免费 | 7篇 |
专业分类
林业 | 2篇 |
农学 | 10篇 |
基础科学 | 3篇 |
13篇 | |
综合类 | 48篇 |
农作物 | 6篇 |
畜牧兽医 | 10篇 |
出版年
2023年 | 1篇 |
2022年 | 4篇 |
2021年 | 3篇 |
2020年 | 1篇 |
2019年 | 4篇 |
2018年 | 3篇 |
2017年 | 1篇 |
2016年 | 3篇 |
2015年 | 3篇 |
2014年 | 1篇 |
2013年 | 7篇 |
2012年 | 5篇 |
2011年 | 10篇 |
2010年 | 6篇 |
2009年 | 5篇 |
2008年 | 6篇 |
2007年 | 7篇 |
2006年 | 5篇 |
2005年 | 2篇 |
2004年 | 6篇 |
2003年 | 1篇 |
2002年 | 1篇 |
2000年 | 1篇 |
1992年 | 1篇 |
1990年 | 4篇 |
1987年 | 1篇 |
排序方式: 共有92条查询结果,搜索用时 15 毫秒
31.
32.
近红外光谱法非破坏性测定玉米子粒粗淀粉含量的研究 总被引:1,自引:0,他引:1
采用偏最小二乘回归法,对近红外光谱法测定玉米完整子粒粗淀粉含量的可行性进行研究。结果表明,定标集和检验集的预测值与化学测定值间均达极显著正相关,相关系数分别为0.9610和0.9820,并具有较小的定标标准差和预测标准差,分别为0.707和0.666。所建立的校正模型具有较高的预测精度。 相似文献
33.
碎米率是衡量大米的外观品质的一个重要指标。在使用机器视觉技术自动检测碎米率的过程中,大米籽粒粘连的情况常常不可避免。为了分割出单颗大米,提出了一种改进的、基于形态学重建处理的标记分水岭算法,可在分割出的单粒大米的基础上,确定大米的数量,并利用外接矩形来确定米粒的长度,从而检测出碎米率。实验结果表明,在大米粘连程度及含有的碎米量不同的情况下,此方法都具有比较高的检测精度。 相似文献
34.
近红外光谱法测定大米中的淀粉含量 总被引:3,自引:0,他引:3
用化学方法测定64个大米样品中的淀粉含量,利用近红外谷物分析仪采集样品的近红外光谱,选择合适的光谱区间和光谱预处理方法。50个定标集样品的近红外光谱经二阶导数及标准多元离散校正(Standard MSC)预处理,结合偏最小二乘法(PLS)建立了大米中的淀粉含量测定的定标模型,其相关系数为0.8780。14个验证集样品用于外部检验,大米中的淀粉含量的模型预测值与化学值之间的相关系数为0.9498。 相似文献
35.
人工提高大豆水分近红外活度研究 总被引:1,自引:0,他引:1
在建立大豆水分定标模型过程中,样品收集的难度非常大,此研究目的是为定标样品创建一个简捷、有效的收集方法.首先对大豆主要成分蛋白质、脂肪、纤维素等与水分之间的关系进行分析,了解大豆中蛋白分子与水分子的结合原理.其次采用加水润湿大豆的方法,得到了有一定水分含量梯度的均匀分布样品.最后利用此样品进行近红外定标,定标结果预测集决定系数达到0.992,标准误差仅为0.082.结果表明:经人为加湿水分与种子自然水分有同等的近红外活度.因此,可以采用以人为加湿水分的方法进行大豆水分定标样品收集. 相似文献
37.
绿茶水分和茶多酚总量近红外分析定标模型的建立与应用 总被引:6,自引:0,他引:6
本文以具有良好代表性的绿茶为材料,通过比较多种预处理方法以及不同统计回归方法,建立绿茶中水分和茶多酚总量的近红外定标模型。结果:水分模型以9点卷积平滑(SG9)结合一阶导,以偏最小二乘法(PLS)建模效果最好,内部交叉验证的定标集、验证集的标准差SEE/SEP和相关系数r分别为:0.1486、0.9940、0.1685、0.9925;茶多酚模型以一阶导结合单位长度归一化(Nle),以偏最小二乘法(PLS)建模效果最好,内部交叉验证的定标集、验证集的标准差SEE/SEP和相关系数r分别为:1.086、0.8946、1.093、0.8344。同时以水分为例比较了原始光谱建模和平均光谱建模的效果差异,认为二者无显著差异,但前者模型更稳定。 相似文献
38.
本文在I的研究基础上,根据近红外漫反射光谱定量分析的原理,以谷子、玉米、小麦样品为实验材料,选用近代回归分析的方法,研究了谷子、玉米蛋白质及小麦沉淀值品质分析近红外光谱定量数学模型的建立与评价。 相似文献
39.
对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析, 并结合近红外透射光谱数据, 采用改进偏最小二乘法(MPLS)分别建立糙米、精米的直链淀粉含量(AC)预测定标模型, 并对其进行内部和外部验证. 结果表明, 杂交稻糙米及精米模型的定标相关系数(RSQ)分别为0.873和0.922, 常规稻糙米及精米模型的RSQ则分别为0.924和0.939, 定标标准偏差(SEC)分别为1.100,0.956,1.537,1.547; 内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921, 外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180, 所建模型的相关性较高, 预测值与真实值之间的误差小. 常规稻模型可应用于大量育种材料快速、无损的早代筛选, 杂交稻模型可用于新组合直链淀粉含量的快速鉴定, 促进稻米品质改良, 提高育种效率. 相似文献
40.