全文获取类型
收费全文 | 155篇 |
免费 | 4篇 |
国内免费 | 1篇 |
专业分类
林业 | 19篇 |
农学 | 3篇 |
基础科学 | 13篇 |
2篇 | |
综合类 | 76篇 |
畜牧兽医 | 43篇 |
园艺 | 1篇 |
植物保护 | 3篇 |
出版年
2024年 | 1篇 |
2022年 | 4篇 |
2021年 | 1篇 |
2020年 | 1篇 |
2019年 | 6篇 |
2018年 | 3篇 |
2017年 | 2篇 |
2016年 | 5篇 |
2015年 | 3篇 |
2014年 | 11篇 |
2013年 | 9篇 |
2012年 | 18篇 |
2011年 | 20篇 |
2010年 | 16篇 |
2009年 | 11篇 |
2008年 | 21篇 |
2007年 | 6篇 |
2006年 | 1篇 |
2005年 | 4篇 |
2004年 | 3篇 |
2003年 | 1篇 |
2002年 | 2篇 |
2001年 | 4篇 |
2000年 | 1篇 |
1999年 | 1篇 |
1998年 | 1篇 |
1996年 | 2篇 |
1995年 | 2篇 |
排序方式: 共有160条查询结果,搜索用时 15 毫秒
81.
王荣花 《河北农业大学学报(农林教育版)》1999,(2)
爱国主义是一个具有永恒教育价值的主题。新时期高校德育更应突出爱国主义教育。高校爱国主义教育应从增强社会主义信念 ,增强民族意识和增强忧患意识三方面着手 相似文献
82.
83.
高教领域应重视当今部分大学生的悲观消极情绪的存在,并在调查分析其原因的基础上寻求解决处理的办法和途径,帮助大学生重新树立起前进的风帆。 相似文献
84.
您的猪场拉稀很多吗?您的子猪后期生长发育不好吗?您的猪场经常发生传染病吗?您的猪场母猪不发情、易返情、产子率少、弱子多吗?您的猪屠宰后肉质品质差、不 相似文献
85.
韩高良 《信阳农业高等专科学校学报》2011,21(2):7-9
由于中国学者只研究具体的信念及信念的"用",从而导致了信念的概念不明确。加之对信念的研究只停留在表面,使关于共产主义信念和理想信念的教育陷入空洞的说教。一定时期内,人类认识过程中未最终证实的理论或学说的存在是信念产生的认识论根源。而要抓住信念的"体",使有关信念的研究进一步深入,就必须从哲学认识论的角度来研究信念。 相似文献
86.
她是绿水青山的建设者,是美丽精灵的守护者,是林业发展的先行者,是湖南生态的捍卫者。她无惧酷暑严寒,伤痛病患,把满腔的热爱与赤诚,献给一花一草一木,共建美丽家园。她不忘初心,砥砺前行。她是万象集团控股公众有限公司创始人、湖南万象生物科技有限公司董事局主席,同时也是湖南最美油茶人——龙辉。她曾经是一名国家健将级运动员。做到最好!勇夺第一!是她在运动员时期培养的人生信念。 相似文献
87.
88.
《仲恺农业工程学院学报》2017,(4)
为了提高南美白对虾(Litopenaeus vannamei)养殖溶解氧预测的精度,提出了深度信念网络融合最小二乘支持向量回归机(Deep belief nets-least squares support vector regression,DBN-LSSVR)的南美白对虾养殖溶解氧预测模型.首先,采用深度信念网络(Deep belief nets,DBN)方法,多尺度提取养殖水质时序数据的特征向量;然后,使用提取的养殖水质特征向量训练和优化DBN-LSSVR,构建了基于DBN-LSSVR的对虾养殖水质溶解氧预测模型;最后,以广州市番禺区南美白对虾养殖水质溶解氧实测数据为基础,对预测模型进行了实验验证,并与浅层BP神经网络、标准最小二乘支持向量回归机进行了对比分析.所构建的模型具有较高的预测精度和泛化性能,是一种有效的南美白对虾养殖溶解氧预测方法. 相似文献
89.
提出了基于深度信念网络的多品种生殖生育期水稻生物量无损检测方法。对在正常生长及干旱胁迫两个不同环境下的483个水稻品种,分别于胁迫前、胁迫后和复水后3个时间点进行图像采集。利用HSL颜色空间固定阈值分割法分割图像,并对处理后的图像进行特征提取,共提取57个特征值。对数据进行归一化处理后,构建基于深度信念网络的水稻生物量模型,根据决定系数R2、平均相对误差(MAPE)及相对误差绝对值的标准差(SAPE)选择最优模型,并与逐步线性回归模型进行比较。结果表明,基于深度信念网络的生物量测量模型性能更优,R2为0.9299,MAPE为11.19%,SAPE为18.36%。本研究提供了一种精度高且适用于多品种、不同生殖生育期、不同生长环境的水稻生物量无损检测模型,为水稻研究提供了新的测量工具。 相似文献
90.
基于改进深度信念网络的池塘养殖水体氨氮预测模型研究 总被引:3,自引:3,他引:0
水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。 相似文献