全文获取类型
收费全文 | 1465篇 |
免费 | 84篇 |
国内免费 | 377篇 |
专业分类
林业 | 75篇 |
农学 | 124篇 |
基础科学 | 427篇 |
394篇 | |
综合类 | 556篇 |
农作物 | 168篇 |
水产渔业 | 25篇 |
畜牧兽医 | 80篇 |
园艺 | 9篇 |
植物保护 | 68篇 |
出版年
2024年 | 47篇 |
2023年 | 108篇 |
2022年 | 155篇 |
2021年 | 145篇 |
2020年 | 84篇 |
2019年 | 95篇 |
2018年 | 49篇 |
2017年 | 107篇 |
2016年 | 124篇 |
2015年 | 116篇 |
2014年 | 92篇 |
2013年 | 82篇 |
2012年 | 94篇 |
2011年 | 72篇 |
2010年 | 77篇 |
2009年 | 83篇 |
2008年 | 67篇 |
2007年 | 65篇 |
2006年 | 52篇 |
2005年 | 39篇 |
2004年 | 40篇 |
2003年 | 20篇 |
2002年 | 21篇 |
2001年 | 14篇 |
2000年 | 21篇 |
1999年 | 9篇 |
1998年 | 12篇 |
1997年 | 2篇 |
1996年 | 8篇 |
1995年 | 8篇 |
1994年 | 3篇 |
1993年 | 4篇 |
1992年 | 3篇 |
1991年 | 5篇 |
1990年 | 1篇 |
1989年 | 1篇 |
1956年 | 1篇 |
排序方式: 共有1926条查询结果,搜索用时 140 毫秒
91.
基于深度信念网络的猪咳嗽声识别 总被引:4,自引:0,他引:4
为了在生猪养殖产生呼吸道疾病的初期,通过监测猪咳嗽声进行疾病预警,提出了基于深度信念网络(DBN)对猪咳嗽声进行识别的方法。以长白猪咳嗽、打喷嚏、吃食、尖叫、哼哼、甩耳朵等声音为研究对象,利用基于多窗谱的心理声学语音增强算法和单参数双门限端点检测对猪声音进行预处理,实现猪声音信号的去噪和有效信号检测。基于时间规整算法提取300维短时能量和720维梅尔频率倒谱系数(MFCC)组合成1020维特征参数,将该组合特征参数作为DBN学习和识别数据集,选定3隐层神经元个数分别为42、17和7,构建网络结构为1020-42-17-7-2的5层深度信念网络猪咳嗽声识别模型。通过5折交叉实验验证,基于DBN的猪咳嗽声识别率和总识别率均达到90%以上,误识别率不超过8.07%,最优组猪咳嗽声识别率达到94.12%,误识别率为7.45%,总识别率达到93.21%。进一步基于主成分分析法(PCA)提取1020维特征参数98.01%主成分得到479维特征参数,通过5折交叉实验验证,猪咳嗽声识别率和总识别率相对降维前均有所提高,误识别率有所降低,最优组猪咳嗽声识别率达到95.80%,误识别率为6.83%,总识别率达到94.29%,实验结果表明所建模型是有效可行的。 相似文献
92.
为了从混合的饱满红枣和干瘪红枣中识别出干瘪红枣,首先分析了颜色空间模型的特性,选择灰度图、RGB颜色空间模型的R分量、L*a*b*颜色空间模型的a*分量,并使用不同的梯度算子作为对比;然后通过形态学运算、逻辑运算去除异常梯度,进行梯度归一化变换;最后采用归一化的梯度直方图作为红枣表面的纹理特征表示方法,并计算其梯度分布不均匀性作为判别准则。利用12通道红枣分选机采集240幅饱满与202幅干瘪红枣图像作为样本图像。实验结果表明,采用简单梯度算子对L*a*b*模型的a*分量提取纹理信息效果最好,误判率为0.83%,正确识别率高达99.01%。 相似文献
93.
文本分类中特征提取方法的比较与研究 总被引:1,自引:0,他引:1
介绍了进行文本分类的关键技术,着重介绍了常用的文本特征提取方法.选取支持向量机方法作为文本分类器方法,选取不同特征提取方法应用于文本分类,通过实验,比较和分析了由不同的提取方法所构成的分类器的分类性能,确定了信息增益(IG)法和文本证据权(WET)为两种性能优异的特征提取方法.该结论可为分类性能进一步的优化研究奠定理论和实践基础. 相似文献
94.
提出了基于非线性势函数的一种几何分类方法,设计了利用电势理论来改造决策面判别函数和利用非线性势函数对手写数字进行分类的算法。以该算法为核心构造的分类器可改善针对不同人写字习惯的分类效果。用VC 实现了该算法,结果表明该算法能减小分类时的错误率,对手写体数字的识别有较好的效果,识别率能达到97%。 相似文献
95.
构建科学有效的宅基地流转机制是一个迫切需要解决的基础性课题。笔者利用江西省456户农户的实际调查数据,运用Logit回归模型研究家庭经济禀赋、政策认知对农户宅基地流转意愿的影响。研究结果表明:家庭经济禀赋中非农收入比重、家庭存款、家庭人均年收入对农户宅基地流转意愿具有显著正向影响;政策认知中“一户一宅”认知、流转规定认知程度对农户宅基地流转意愿具有显著负向影响。为此,应进一步提高农户非农就业机会,改善农民务工经商的就业环境、应加快制定“一户一宅”的配套制度,构建更加合理和更具有操作性的宅基地流转政策体系。 相似文献
96.
《东北农业大学学报》2020,(1):83-89
为探讨水文变异对生态流量影响,确定最佳水库生态流量推求方法,针对尼尔基水库生态问题,采用Mann-kendall突变检测法、滑动T检验法和有序聚类法,结合序号总和理论和Spearman相关系数计算对水文时间序列作综合识别,确定水库发生水文变异年份为1963年和1999年。利用NGPRP法和逐月频率年内展布计算法分别计算天然状态、次天然状态、现状和不考虑水文变异条件下最小生态流量和适宜生态流量。参考Tennant法评价结果表明水库生态系统退化主要受人类扰动影响,观察次天然状态和不考虑变异状态下生态径流过程,最小生态流量占多年平均流量百分数相差9.21%和1.70%,适宜生态流量相差3.04%和1.47%。研究应更多考虑次天然生态径流过程,其最小生态流量仅可作为生态流量下限。 相似文献
97.
98.
基于非接触式的牛只身份识别研究进展与展望 总被引:1,自引:0,他引:1
快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法,易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战;而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高,成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展,重点关注牛脸识别的最新成果,讨论当前牛脸识别在实际应用中面临的挑战,在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。 相似文献
99.
基于部首嵌入和注意力机制的病虫害命名实体识别 总被引:1,自引:0,他引:1
为了解决农业病虫害命名实体识别过程中存在的内在语义信息缺失、局部上下文特征易被忽略和捕获长距离依赖能力不足等问题,以农业病虫害文本为研究对象,提出一种基于部首嵌入和注意力机制的农业病虫害命名实体识别模型(Chinese agricultural diseases and pests named entity recognition with joint radical embedding and self attention, RS-ADP)。首先,该模型将部首嵌入集成到字符嵌入中作为输入,用以丰富语义信息。其中,针对部首嵌入设计了3种特征提取策略,即卷积神经网络(Convolutional neural network, CNN)、双向长短时记忆网络(Bidirectional long short term memory network, BiLSTM) 和CNN-BiLSTM;其次,采用多层不同窗口尺寸的CNNs层提取不同尺度的局部上下文信息;然后,在BiLSTM提取全局序列特征的基础上,采用自注意力机制进一步增强模型提取更长距离依赖的能力;最后,采用条件随机场(Conditional random field, CRF)联合识别实体边界和划分实体类别。在包含11个类别和24715条标注样本的农业病虫害自制语料上进行了实验。结果表明,本文模型RS-ADP在该数据集上精确率、召回率和F1值分别为94.16%、94.47%和94.32%;在具体实体类别上,RS-ADP在作物、病害、虫害等易识别实体上F1值高达95.81%、97.76%和97.23%。同时,RS-ADP在草害、病原等难以识别实体上F1值仍保持86%以上。实验结果表明,本文所提模型能够有效识别农业病虫害命名实体,其识别精度优于其他模型,且具有一定的泛化性。 相似文献
100.
基于CNN的小麦籽粒完整性图像检测系统 总被引:3,自引:0,他引:3
为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。 相似文献