全文获取类型
收费全文 | 9805篇 |
免费 | 169篇 |
国内免费 | 373篇 |
专业分类
林业 | 1518篇 |
农学 | 346篇 |
基础科学 | 1176篇 |
544篇 | |
综合类 | 3744篇 |
农作物 | 163篇 |
水产渔业 | 112篇 |
畜牧兽医 | 547篇 |
园艺 | 2091篇 |
植物保护 | 106篇 |
出版年
2024年 | 138篇 |
2023年 | 369篇 |
2022年 | 457篇 |
2021年 | 424篇 |
2020年 | 348篇 |
2019年 | 352篇 |
2018年 | 128篇 |
2017年 | 202篇 |
2016年 | 238篇 |
2015年 | 280篇 |
2014年 | 540篇 |
2013年 | 488篇 |
2012年 | 569篇 |
2011年 | 564篇 |
2010年 | 486篇 |
2009年 | 462篇 |
2008年 | 524篇 |
2007年 | 434篇 |
2006年 | 412篇 |
2005年 | 512篇 |
2004年 | 457篇 |
2003年 | 601篇 |
2002年 | 326篇 |
2001年 | 295篇 |
2000年 | 164篇 |
1999年 | 108篇 |
1998年 | 85篇 |
1997年 | 25篇 |
1996年 | 42篇 |
1995年 | 44篇 |
1994年 | 45篇 |
1993年 | 29篇 |
1992年 | 31篇 |
1991年 | 21篇 |
1990年 | 30篇 |
1989年 | 35篇 |
1988年 | 13篇 |
1987年 | 10篇 |
1986年 | 7篇 |
1985年 | 4篇 |
1984年 | 2篇 |
1983年 | 6篇 |
1982年 | 4篇 |
1976年 | 1篇 |
1973年 | 1篇 |
1965年 | 3篇 |
1958年 | 7篇 |
1957年 | 15篇 |
1955年 | 1篇 |
1953年 | 6篇 |
排序方式: 共有10000条查询结果,搜索用时 0 毫秒
1.
针对雾霾天气下无人车行驶容易出现视野受限,导致防碰撞能力下降的问题,提出了一种基于VGGNet网络的深度卷积神经网络模型,通过反向传播算法不断调整模型的权重和偏置,对收集雾霾天气下的图像和相关数据进行处理,实现模型的训练和优化。实验结果表明,所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力,达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法,具有一定的参考价值和应用前景。 相似文献
2.
在园林绿化工程当中,苗木栽植和养护技术是非常重要的,工作人员需要结合苗木栽植和养护的工作标准,保障园林绿化建设质量。针对当前的园林绿化工程,苗木整体存活率比较低,整体生长情况比较差,不利于园林绿化发展。工作人员需要结合工作需求,掌握苗木栽植和养护技术,保障园林绿化工程的发展。 相似文献
3.
4.
5.
森林是地球的肺,是自然生态系统中最重要的组成部分。山区生态环境脆弱,造林难度大。现就礼泉县植苗造林树种的选择、造林整地、栽植技术、抚育等技术进行介绍。 相似文献
6.
7.
近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。 相似文献
8.
9.
面向养殖水体,传统光谱法对化学需氧量(Chemical Oxygen Demand,COD)检测模型构建的基础:源域(现有样本库)与目标域(检测地水体)间光谱数据独立同分布。但是当源域与目标域分布间存在差异时,由源域得到的低误差模型常在目标域上表现下滑。针对该问题,提出面向UV Vis光谱的域对抗训练网络(DAUVwpNet),将分布不同的源域和目标域数据映射至相同分布的特征空间中,使其在该空间的分布距离尽可能接近,从而在特征空间中对源域训练的目标函数也可以迁移至目标域上,以降低模型在目标域的误差。试验表明:面向同一批测试数据,DAUVwpNet的预测误差为0.78,要低于传统模型的预测误差(0.85);DAUVwpNet预测值与实测值间相关系数为0.95,要高于传统模型的相关系数(0.89)。表明了该网络能够较好对齐两域特征空间数据分布,降低因分布差异带来的COD检测误差。 相似文献
10.