全文获取类型
收费全文 | 299篇 |
免费 | 121篇 |
国内免费 | 9篇 |
专业分类
化学 | 4篇 |
晶体学 | 4篇 |
力学 | 3篇 |
综合类 | 2篇 |
物理学 | 416篇 |
出版年
2024年 | 1篇 |
2023年 | 9篇 |
2022年 | 5篇 |
2021年 | 4篇 |
2020年 | 5篇 |
2019年 | 6篇 |
2018年 | 3篇 |
2017年 | 1篇 |
2016年 | 6篇 |
2015年 | 4篇 |
2014年 | 19篇 |
2013年 | 13篇 |
2012年 | 13篇 |
2011年 | 20篇 |
2010年 | 28篇 |
2009年 | 21篇 |
2008年 | 26篇 |
2007年 | 21篇 |
2006年 | 28篇 |
2005年 | 33篇 |
2004年 | 20篇 |
2003年 | 27篇 |
2002年 | 18篇 |
2001年 | 13篇 |
2000年 | 24篇 |
1999年 | 10篇 |
1998年 | 9篇 |
1997年 | 6篇 |
1996年 | 10篇 |
1995年 | 19篇 |
1994年 | 3篇 |
1992年 | 3篇 |
1991年 | 1篇 |
排序方式: 共有429条查询结果,搜索用时 31 毫秒
91.
92.
93.
报道激光二极管泵浦的掺钕氟磷酸钙固体激光器,该器件在重复频率为100Hz的准连续状态下运行,当耦合输出透过率为8%时,得到31%的斜效率,比较了FAP和YAG这两种介质的激光器的性能,理论分析得出的两者的阈值泵浦功率的相对值与实验结果相一致,并证实FAP是一种有前途的适合激光二极管泵浦的激光介质。 相似文献
95.
分析了Nd:SVAP晶体在X-轴和Y-轴不同切割情况下的偏振吸收和荧光谱,并对沿不同方向切割样品的激光特性进行了研究。发现沿X轴方向切割样品的荧光谱的偏振度为4.41,而沿Y轴方向切割样品的偏振度为2.18。并且,沿X轴方向切割样品的π偏振荧光谱的强度是沿Y轴切割样品的1.7倍。还报道了对激光器输出中心波长与泵浦功率大小的关系以及输出功率的大小与激光晶体温度关系的研究结果。 相似文献
96.
激光二极管侧面泵浦的高效率Nd:YAG激光器 总被引:6,自引:1,他引:5
用准连续激光二极管列阵侧面泵浦Nd:YAG固体激光器,获得39.5mJ的静态输出,器件重复频率为50Hz,效率最高达39.5%,对该器件进行了细致的实验研究,验证了理论计算的正确性,并对实验结果进行了分析。 相似文献
97.
We report frequency locking of a commercial 657nm diode laser to a high finesse Fabry-Perot cavity by the_ Pound-Drever-Hall method. The laser linewidth relative to the cavity is estimated to be about 6 kHz. 相似文献
98.
激光二级管抽运的Nd:GdVO4激光器 总被引:5,自引:0,他引:5
用高亮度激光二极管作抽运源,研究了连续、腔内倍频和被动调QNd:GdVO4激光器的输出特性.在抽运功率为881mW时获得了119mV的连续绿光输出,光-光转换效率13.5%.用Cr^4 :YAG作可饱和吸收体实现了Nd:GdVO4激光器的被动调Q运转,脉冲宽度为116-24ns.重复频率在500kHz-1.8MHz的范围内可调. 相似文献
99.
100.
由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点,目前已在众多领域中广泛应用。但近红外光谱存在信噪比低,吸收强度弱且谱峰重叠等缺点,无法从光谱中直接得到定性/定量的物质信息,因而近红外光谱分析技术常作为一种间接分析技术,并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支,并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力,使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法,并提高近红外光谱分析技术的回归精度或分类准确率,将深度学习方法应用于近红外光谱分析,发展新的建模方法十分必要。面向近红外光谱定性分析技术,提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法,并应用于多类别药品的光谱分析,以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础,进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维,以学习数据内部特征,而雅克比矩阵包含数据在各个方向上的信息,将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性,从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层,网络的全部参数是通过采用逐层贪婪的训练方式来获取的,训练结束后将所有网络视为一个整体,通过反向传播算法进行微调,最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集,以头孢克肟胶囊作为二分类实验数据,硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线,再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段,分别为: 预处理阶段,预训练阶段,微调阶段,测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能,与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面,在不同的训练集与测试集的比例下,SCAE均有最佳的分类准确性与算法稳定性。建模时间方面,由于SVM算法不需要预训练和特征提取,所以运行时间方面比其他算法有大的优势,但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言,使用SCAE进行药品鉴别有效可行。 相似文献