全文获取类型
收费全文 | 297篇 |
免费 | 31篇 |
国内免费 | 79篇 |
专业分类
林业 | 21篇 |
农学 | 7篇 |
基础科学 | 97篇 |
88篇 | |
综合类 | 140篇 |
农作物 | 13篇 |
水产渔业 | 3篇 |
畜牧兽医 | 31篇 |
园艺 | 1篇 |
植物保护 | 6篇 |
出版年
2024年 | 47篇 |
2023年 | 103篇 |
2022年 | 83篇 |
2021年 | 60篇 |
2020年 | 36篇 |
2019年 | 27篇 |
2018年 | 7篇 |
2017年 | 11篇 |
2016年 | 4篇 |
2015年 | 3篇 |
2014年 | 3篇 |
2013年 | 6篇 |
2012年 | 2篇 |
2011年 | 1篇 |
2010年 | 1篇 |
2009年 | 2篇 |
2008年 | 2篇 |
2007年 | 3篇 |
2006年 | 2篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2001年 | 1篇 |
1996年 | 1篇 |
排序方式: 共有407条查询结果,搜索用时 15 毫秒
41.
42.
机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。 相似文献
44.
基因组选择是指利用覆盖在全基因组范围内的分子标记信息来估计个体育种值。利用基因组信息能够避免因系谱错误带来的诸多问题,提高选择准确性并缩短育种世代间隔。根据统计模型的不同,基因组选择方法可大致分为基于BLUP(best linear unbiased prediction, BLUP)理论的方法、基于贝叶斯理论的方法和其他方法。目前应用较多的是GBLUP及其改进方法 ssGBLUP。准确性是基因组选择模型最常用的评价指标,用来衡量真实值和估计值之间的相似程度。影响准确性的因素可以从模型中体现,大致分为可控因素和不可控因素。传统基因组选择方法促进了动物育种的快速发展,但这些方法目前都面临着多群体、多组学和计算等诸多挑战,不能捕获基因组高维数据间的非线性关系。作为人工智能的一个分支,机器学习是最贴近生物掌握自然语言处理能力的一种方式。机器学习从数据中提取特征并自动总结规律,利用该规律与新数据进行预测。对于基因组信息,机器学习无需进行分布假设,且所有的标记信息都能够被考虑进模型当中。相比于传统的基因组选择方法,机器学习更容易捕获基因型之间、表型与环境之间的复杂关系。因此,机器学习在动物基因组... 相似文献
45.
46.
47.
针对农田耕整载荷大、测量精度低等问题,在经典十字梁结构基础上,设计了一种辐梁式六维力传感器,可同时测量力和力矩,通过仿真方法对传感器结构进行了优化,确定了应变梁长、宽、高分别为9、10、6mm;分析了传感器结构在载荷下的应变能力,确定了应变片贴片位置。对传感器开展了静态标定试验,基于标定数据采用改进型XGBoost(Extreme gradient boosting)机器学习网络对力信号进行解耦,并与常规网络进行比对。试验结果表明,改进型XGBoost模型在X、Y、Z方向力和力矩6种加载方式的测试集决定系数R2P分别达到0.9804、0.9418、0.9434、0.9868、0.9969、0.9822,预测效果较好,避免了陷入局部最优解。改进型XGBoost模型在六维加载力、力矩的R2P、测试集平均绝对误差(MAEP)均明显优于随机森林模型、传统多元线性回归,相较于传统多元线性回归方式,六维加载力、力矩的R2P分别提升22.57%、20.99%、23.32%、26.27%、26.05%、18.72%。基于机器学习的解耦算法可明显减少耦合误差的影响,提高传感器的测量精度, 为农机优化提供了技术支撑。 相似文献
48.
为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数:比值指数(Ratio index,RI)、差值指数(Difference index,DI)、归一化光谱指数(Normalized difference vegetation index,NDVI)、土壤调整光谱指数(Soil-adjusted iegetation index,SAVI)、三角光谱指数(Triangular vegetation index,TVI)、改进红边归一光谱指数(Modified normalized difference index,mNDI)和改进红边比值光谱指数(Modified simple ratio,mSR),使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)和反向神经网络(Back propagation neural network,BPNN)构建大豆产量估算模型并进行验证。结果表明,各生育期(全花期(R2)、全荚期(R4)和鼓粒期(R6))计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。 相似文献
49.
【目的 】机器学习模型在农作物分类研究领域有着较高精度,但如何利用历史样本用于当前时间的作物分类是一个难点。迁移学习的核心思想在于找到已有数据与新数据之间的相似性,文章旨在探索迁移学习方法使用历史样本进行作物分类的可靠性。【方法 】该文以嫩江市为研究区域,基于实地采样数据与遥感数据,用随机森林(Random Forest,RF)分类器,结合多种遥感指数,对2020—2021年嫩江市玉米与大豆种植区域进行分类;利用动态时间规整方法,以2020—2021年实地采样数据生成2022年的分类样本,用RF对2022年嫩江市的玉米与大豆种植区域进行分类。【结果 】(1)对2020—2021年玉米与大豆种植区域进行分类,RF的平均总体精度达到97.8%。(2)对动态时间规整方法生成的2022年玉米与大豆种植区域进行分类,RF的总体精度达到87.5%。【结论 】基于迁移学习的作物识别方法达到较高精度,具有实践意义,可提高历史时期样本的利用效率。 相似文献
50.
农产品缺乏精准的价格预测会导致无法进行有效的价格调控,也难以保证全面宏观经济调控的精准化。农产品价格预测研究需要相关部门共享信息数据,优势互补,形成合力,以提高预测精度,增强价格调控的有效性和精准性,创新发展理念,推动我国农业高质量发展和现代化进程。随着人工智能技术的不断发展,其在农业领域的应用越来越广泛,笔者旨在探讨人工智能技术在预测农产品价格方面的应用。通过比较农产品价格预测模型和相关影响因素以及人工智能技术建立预测模型,对农业产业链中不同环节的信息进行收集、整合和分析,可以更准确地把握农产品市场的动态和走势,为农产品的供应链管理、决策制定和生产计划提供更科学、更精准的依据,有助于促进市场良性竞争,提高农产品品牌的知名度和信誉度,增加农产品的附加值和市场份额。研究结果表明,人工智能技术在预测农产品价格方面具有很高的准确性和预测能力,可以为农业生产和经营提供科学决策依据,对于农业生产和市场决策具有重要参考意义。 相似文献