全文获取类型
收费全文 | 194篇 |
免费 | 42篇 |
国内免费 | 42篇 |
专业分类
化学 | 68篇 |
晶体学 | 1篇 |
力学 | 31篇 |
综合类 | 23篇 |
数学 | 48篇 |
物理学 | 107篇 |
出版年
2024年 | 15篇 |
2023年 | 51篇 |
2022年 | 66篇 |
2021年 | 56篇 |
2020年 | 20篇 |
2019年 | 14篇 |
2018年 | 5篇 |
2017年 | 8篇 |
2016年 | 5篇 |
2015年 | 5篇 |
2014年 | 4篇 |
2013年 | 2篇 |
2012年 | 1篇 |
2011年 | 3篇 |
2010年 | 4篇 |
2009年 | 3篇 |
2008年 | 2篇 |
2007年 | 3篇 |
2006年 | 1篇 |
2005年 | 3篇 |
2003年 | 2篇 |
2002年 | 1篇 |
1999年 | 1篇 |
1994年 | 1篇 |
1992年 | 1篇 |
1959年 | 1篇 |
排序方式: 共有278条查询结果,搜索用时 31 毫秒
1.
科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高. 相似文献
2.
近年来,机器学习等人工智能技术被应用于蛋白质工程,其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下,将蛋白质序列和功能特性与机器学习相结合,基于序列-活性关系(innovative sequence-activity relationship,ISAR)算法,将蛋白质氨基酸序列数字化,用快速傅里叶变换(fast four transform,FFT)进行预处理,再进行偏最小二乘回归建模,可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质(gloeobacter violaceus rhodopsin,GR)的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模,获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R2 为0.944,均方误差E为11.64。用小波变换进行的预处理,其R2 虽也约为0.944,但E大于11.64,不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题,在蛋白质工程中可为预测更优的突变体提供支持。 相似文献
3.
在普适的基于能量的分块(GEBF)方法的框架下,大体系的局域激发(LE)能可通过一系列活性子体系激发能的线性组合近似得到,从而有效降低了计算的时间标度.然而,在体系的局域激发具有多个激发态的情形下,如何有效识别所有活性子体系的激发特征并将其组合是一个挑战.提出了一种基于局域激发态聚类的算法.该方案基于空穴-电子分析和基于密度的聚类(DBSCAN)机器学习算法,可以自动地聚合不同子体系中最相似的激发态并组合得到相应的局域激发态能量或激发能.结合该算法改进的LE-GEBF方法在荧光分子衍生物、荧光染料-水团簇及绿色荧光蛋白模型体系的计算中均获得了令人满意的结果.该算法有望大大提升LE-GEBF方法在计算局域激发时的稳定性和准确性,并可以有效处理吸收光谱具有多重峰的大体系. 相似文献
4.
人工智能助力当代化学研究 总被引:1,自引:0,他引:1
以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即"学习"过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具. 相似文献
5.
6.
7.
领域分类结构的抽取已成为本体工程和本体学习的关键部分,提出一种新的分类结构学习算法,将Web作为知识获取的语料库,运用迭代方法抽取相关语言学模式,再利用语言学模式抽取分类结构,并采用改进的互信息方法对结果进行评价和过滤,最后通过实验对该分类学习算法的性能进行评价.实验表明:算法具有良好的跨领域性,在准确率和召回率方面也有改善. 相似文献
8.
9.
10.