全文获取类型
收费全文 | 1260篇 |
免费 | 166篇 |
国内免费 | 257篇 |
专业分类
化学 | 428篇 |
晶体学 | 11篇 |
力学 | 105篇 |
综合类 | 73篇 |
数学 | 320篇 |
物理学 | 746篇 |
出版年
2024年 | 2篇 |
2023年 | 42篇 |
2022年 | 64篇 |
2021年 | 83篇 |
2020年 | 35篇 |
2019年 | 86篇 |
2018年 | 51篇 |
2017年 | 84篇 |
2016年 | 98篇 |
2015年 | 82篇 |
2014年 | 144篇 |
2013年 | 92篇 |
2012年 | 69篇 |
2011年 | 82篇 |
2010年 | 83篇 |
2009年 | 77篇 |
2008年 | 95篇 |
2007年 | 69篇 |
2006年 | 54篇 |
2005年 | 39篇 |
2004年 | 35篇 |
2003年 | 36篇 |
2002年 | 22篇 |
2001年 | 23篇 |
2000年 | 20篇 |
1999年 | 14篇 |
1998年 | 12篇 |
1997年 | 7篇 |
1996年 | 12篇 |
1995年 | 13篇 |
1994年 | 6篇 |
1993年 | 1篇 |
1992年 | 7篇 |
1991年 | 12篇 |
1990年 | 14篇 |
1989年 | 10篇 |
1988年 | 1篇 |
1987年 | 2篇 |
1986年 | 2篇 |
1983年 | 3篇 |
排序方式: 共有1683条查询结果,搜索用时 31 毫秒
1.
张天助周辉林杨仙 《南昌大学学报(理科版)》2021,45(1):91
针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络(CNN)能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。 相似文献
2.
采用新型1,3,5-三(1H-苯并[d]咪唑-2-基)苯(TBB)配体及2,5-二羟基对苯二甲酸(H2dhtp)线性配体, 以Cd(Ⅱ)离子为中心节点, 构筑了具有新型拓扑结构(unj)的手性金属-有机框架材料[Cd(TBB)(dhtp) ](配合物1). 该配合物具有较强的光致发光性能, 可分散在溶液中荧光检测硝基配合物等污染物. 其中, 4-硝基苯胺对配合物1具有高效的荧光猝灭能力, 检测限可低至0.145 mg/L, 并具有较好的选择性. 相似文献
3.
5.
恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。 相似文献
6.
为弥补茶叶品质感官审评存在的缺陷,利用计算机视觉技术对茶叶品质进行快速无损评价研究。以碧螺春绿茶为对象,依据专家感官审评结果,将茶样分成4个等级;采用中值滤波及拉普拉斯算子对茶样图像进行预处理,并提取预处理后的茶样图像的颜色特征和纹理特征以表征茶叶图像的外形特征,利用随机森林算法对茶叶外形特征属性进行重要性排序;筛选出重要性较大的特征及随机森林算法中最优的决策树棵数建立感官评价模型,并与建立的支持向量机(SVM)模型性能相比较。结果表明:色调均值、色调标准差、绿体均值、平均灰度级、饱和度均值、红体均值、饱和度标准差、亮度均值、一致性等9个特征属性的重要性较大,且与感官审评特征描述结果相一致;当采用优选出的9个重要性较大的特征及决策数棵数为500时,建立的模型性能最优,模型总体判别率为95.75%,Kappa系数为0.933,OOB误差为5%,较SVM模型分别提高了3.5%,0.066,优选的9个重要性较大的图像特征与感官审评特征描述相一致。研究表明:利用随机森林方法筛选出对茶叶外形特征属性贡献最大的少数几个特征建立模型,模型性能就能达到很好的识别效果,模型得到简化,同时模型精度和稳定性都高于其他方法。 相似文献
7.
高光谱成像的土壤剖面水分含量反演及制图 总被引:2,自引:0,他引:2
传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱(882~1 709 nm)成像反演剖面土壤水分含量(SMC),并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值(DN)校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱(Raw)经吸光度[LOG10(1/R)],Savitzky-Golay平滑(SG)、一阶微分(FD)、二阶微分(SD)、多元散射校正(MSC)和标准正态变量(SNV)转换后,采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG10(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数(R2c)和均方根误差(RMSEc)分别为0.96和0.65%,预测集的决定系数(R2p)、均方根误差(RMSEp)和相对分析误差(RPDp)分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高(R2: 0.85~0.95, RMSE: 0.94%~1.02%),且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。 相似文献
8.
利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别 总被引:1,自引:0,他引:1
小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis,LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。 相似文献
9.
为实现较少试验次数下固化土无侧限抗压强度(qu)的准确预测, 提出了基于支持向量机(SVM)的固化土qu的预测模型. 以固化剂各组分掺入比、龄期、初始含水量、固化剂掺量等因素为输入量, 固化土的qu作为输出量, 以径向基为核函数, 采用网格搜索法和交叉验证法进行参数优化, 建立了基于SVM的固化土qu的预测模型. 算例分析表明: 该模型适用于任意条件下固化土qu的精确预测, 且在较小试验成本下实现与响应面法相当的预测精度. 相似文献
10.
“配位空间”(Coordination Space)是无机-有机杂化体系中的构筑基元通过配位键连接形成的具有特定结构和功能的空间。这一概念为基于配位键的框架体系的定向构筑与结构-性能调控提供了新的视角。作为典型的无机-有机杂化材料,金属-有机框架(Metal-Organic Framework,MOF)及金属有机笼(Metal-Organic Cage,MOC)等近年来受到广泛关注。这类材料的构筑与性能调控的核心可以认为是对其配位空间的结构设计与性能调控。具有刺激响应性的MOF可展现动态的配位空间,使其在吸附分离、传感、药物投递等方面具有重要的应用前景。本文将以动态金属有机框架的相关研究为基础简述动态配位空间研究的近期进展,包括其动态行为产生的结构基础、诱发因素及相关性能,归纳结构-性能的关系,为相关研究提供参考。 相似文献