全文获取类型
收费全文 | 1531篇 |
免费 | 79篇 |
国内免费 | 173篇 |
专业分类
林业 | 162篇 |
农学 | 160篇 |
基础科学 | 273篇 |
234篇 | |
综合类 | 702篇 |
农作物 | 33篇 |
水产渔业 | 30篇 |
畜牧兽医 | 133篇 |
园艺 | 20篇 |
植物保护 | 36篇 |
出版年
2024年 | 11篇 |
2023年 | 19篇 |
2022年 | 40篇 |
2021年 | 46篇 |
2020年 | 47篇 |
2019年 | 65篇 |
2018年 | 38篇 |
2017年 | 69篇 |
2016年 | 84篇 |
2015年 | 75篇 |
2014年 | 89篇 |
2013年 | 90篇 |
2012年 | 122篇 |
2011年 | 110篇 |
2010年 | 102篇 |
2009年 | 83篇 |
2008年 | 57篇 |
2007年 | 86篇 |
2006年 | 69篇 |
2005年 | 69篇 |
2004年 | 75篇 |
2003年 | 60篇 |
2002年 | 28篇 |
2001年 | 28篇 |
2000年 | 23篇 |
1999年 | 17篇 |
1998年 | 20篇 |
1997年 | 22篇 |
1996年 | 25篇 |
1995年 | 30篇 |
1994年 | 12篇 |
1993年 | 11篇 |
1992年 | 13篇 |
1991年 | 10篇 |
1990年 | 10篇 |
1989年 | 11篇 |
1988年 | 11篇 |
1987年 | 2篇 |
1986年 | 2篇 |
1980年 | 1篇 |
1956年 | 1篇 |
排序方式: 共有1783条查询结果,搜索用时 15 毫秒
91.
为了有效地提高评定空间直线度误差的精度,运用几何学、误差理论和最优化原理,深入分析了LSM算法在空间直线度误差评定中所存在的原理缺陷;并改进了LSM算法,提出了改进LSM算法的数学模型.对改进LSM算法编制程序进行了数字实验,结果表明:改进LSM算法克服了LSM算法的原理缺陷,具有较高的精度. 相似文献
92.
为更好地开展浙江沿海海上大风的预报服务,本研究对2012年1月1日—2014年12月31日的ECMWF细网格10 m风场产品在浙江沿海的预报性能进行评估,并将其插值到沿海站点和观测数据进行对比分析。结果表明:冷空气影响下,浙江沿海的平均误差为负值,绝对误差分布和变化趋势与平均误差基本一致;台风影响下,24 h预报时效的平均误差为正值,随着预报时效的增加,平均误差逐渐转为负值,鱼山渔场、温台渔场及舟外渔场的绝对误差较其他区域大。另外,预报值和观测数据间的相关系数随预报时效的增加而减小,两者之间的相关系数平均值随海拔高度的增加而减小;ECMWF细网格对岱山和龙山村的预报偏大,对浪岗的预报偏小,预报偏差的离散度随预报时效增加而增大。 相似文献
93.
现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入(multiple neighborhood preserving embedding, M-NPE)的学习算法来发现不同类别数据在不同维度的低维嵌入空间中分布的多流形结构。首先,单独学习不同类别数据的流形,得到反映其本质特征的流形;再通过遗传算法搜索每个流形的最优维数;最后依据最小重构误差分类器对样本分类。在Extended Yale B和CMU PIE这2个大型人脸库上实验结果验证了该算法的有效性。 相似文献
94.
基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型 总被引:3,自引:2,他引:1
为提高狮头鹅养殖禽舍气温预测精度,提出了基于主成分分析(Principal Component Analysis,PCA)、支持向量回归机(Support Vector Regression,SVR)融合自回归滑动平均(Autoregressive Moving Average,ARMA)模型的狮头鹅养殖禽舍气温组合预测模型。在建模过程中,运用主成分分析法筛选狮头鹅养殖禽舍气温的关键影响因子,消除变量之间冗余信息,约简预测模型结构;采用SVR-ARMA构建狮头鹅禽养殖舍气温组合预测模型,先通过SVR对气温进行预测,再由基于ARMA模型的残差预测值修正气温预测结果。利用该模型对广东省汕尾市2018年7月21日至2018年7月30日期间的狮头鹅养殖禽舍气温进行预测。结果表明,该组合预测模型取得了良好的预测性能,与标准BP神经网络、标准SVR、PCA-BPNN(反向传播神经网络,BackPropagationNeuralNetwork)、PCA-SVR和PCA-BPNN-ARMA等模型对比分析,其评价指标平均绝对误差、均方根误差和平均绝对百分比误差分别为0.183 2℃、0.454 0℃和0.005 9,均表明所提出的组合模型具有更高的预测效果,不仅能够满足狮头鹅养殖禽舍气温实际精准调控的需要,还为狮头鹅健康养殖和种苗繁育环境精细化管理提供决策。 相似文献
95.
96.
空间自相关性对冬小麦种植面积空间抽样效率的影响 总被引:1,自引:1,他引:0
空间抽样是实现区域农作物面积高效估算的重要手段,农作物分布受自然条件等因素影响普遍存在空间自相关性,但以往针对空间相关性对农作物面积抽样效率的影响研究明显不足。该研究选取安徽省凤台县为研究区,通过2017年4月4景GF-1全色多光谱影像(Panchromatic and Multispectral, PMS)与Google Earth高空间分辨率影像相结合提取研究区冬小麦。设计10种抽样单元尺度、3种抽样外推方法、2种相对允许误差和5种样本布局方式,构建多种冬小麦面积空间抽样方案。利用全局莫兰指数(global Moran’s index)评价不种尺度下抽样单元内冬小麦面积比的空间自相关强度,分析空间自相关性对冬小麦面积抽样效率(抽样误差、样本容量和空间布局)的影响。研究结果表明,抽样单元内冬小麦面积比的空间自相关强度随单元尺度的增大而减小,全局莫兰指数相应地由0.75降至0.50。无论在何种尺度下抽样单元内冬小麦面积比都呈显著的空间正相关性;抽样外推冬小麦面积总体的误差随空间自相关强度的减小呈先减小后明显增大的趋势。在10种抽样单元尺度中,当抽样单元尺度为2000m且抽样比为5%时,无论采用何种抽样方法外推总体的误差均为最小(简单随机抽样、系统和分层抽样外推总体的相对误差分别为17.94%、9.48%和1.82%);当相对允许误差设计为5%时,简单随机抽样外推总体所需样本容量随空间自相关强度的降低从660降至56。而分层抽样的样本容量不受空间自相关性的影响;5种样本布局方式中,采用分层随机抽样方式外推冬小麦面积总体的平均相对误差、平均变异系数和均方根误差最小,分别为1.82%、3.19%和0.11×108 m2。该研究可为有空间自相关存在下的农作物面积空间抽样方案合理设计提供参考依据。 相似文献
97.
非均质物料质量差异较大且不可分割,组合称重定量过程中组合对象不确定,存在组合称重定量精度与组合速度的矛盾。该研究针对链式组合称重定量系统,提出以定量精度及组合效率为目标,对组合样本数和抽样数进行优化分析,达到保证组合称重定量精度下,减少数据计算量以提高组合定量速度的目的。研究表明,在相同允许组合误差下,增大组合样本数可提高组合成功概率,但组合计算量随组合样本数增加而呈指数增加。通过对服从正态分布N(100,102)的质量数据进行10 000轮组合计算发现,当组合定量目标质量为500 g,允许组合误差为0.1 g时,组合计算时间较短的组合样本数为14。并对优化组合样本数和抽样数的组合算法进行了链式组合称重定量试验验证。试验结果表明,在物料质量标准差≤30 g,允许定量组合误差为0.1 g时,优化后的组合算法与优化前遍历组合算法在定量组合成功概率总体上保持在95%左右,且优化后的算法组合计算时间减少了40%。研究结果可为非均质物料链式组合称重定量系统的研制提供参考。 相似文献
98.
差分生长模型预测误差的分析 总被引:3,自引:2,他引:3
差分模型是一种特殊随机参数模型,仅有一个参数为随机参数。对于未参与抽样建模的林分,差分模型首先对应变量在林龄Aij0时的期望函数求解关于随机参数的表达式,然后用非随机参数的估计值和应变量在Aij0时的观测值Yij0分别取代对应参数和数学期望E(Yij0)来估计随机参数。显而易见,Yij0相当于E(Yij0)的估计值。由于这种特有的统计特征,经典非线性回归模型不能准确地估计差分模型预测误差的方差。针对这一不足,依据非线性回归模型预测误差的方差估计量的推导过程,导出了一个适用于差分模型的预测误差的方差估计量,并给出一个应用示例。所提出的估计量充分地考虑了重复观测数据的自相关性和Yij0对预测的影响作用。结果表明,该估计量能够描述未抽样林分预测误差的方差及其构成分量的变化趋势,而对于抽样建模的林分应该使用非线性回归模型的估计量进行预测误差分析。 相似文献
99.
100.
利用全球169个探空站资料检验NCEP/NCAR再分析资料,分析全球(主要是陆地地区)上对流层互下平流层位势高度、温度以及风速场标准误差的分布特征。结果表明,再分析风速场资料标准误差分布主要受急流区的影响,在急流区与实际风场存在明显的差异;并且风速场标准误差的分布具有明显的冬夏季节差异,在海岸线附近平均偏差较大;再分析位势高度、温度场的标准误差高值区主要集中在东半球低纬地区(印度洋沿岸),标准误差分布与其平均偏差分布基本一致,所以标准误差可以由平均偏差很好的解释;再分析温度、位势高度资料内陆地区标准误差偏低,高值区主要沿海岸线分布,风速场平均误差在海岸线附近比较大,这与探空站数据的质量地区差异及陆地观测站密集、海洋观测站较少密切相关。 相似文献