全文获取类型
收费全文 | 3826篇 |
免费 | 1414篇 |
国内免费 | 337篇 |
专业分类
化学 | 308篇 |
晶体学 | 16篇 |
力学 | 762篇 |
综合类 | 165篇 |
数学 | 1485篇 |
物理学 | 2841篇 |
出版年
2024年 | 62篇 |
2023年 | 157篇 |
2022年 | 181篇 |
2021年 | 183篇 |
2020年 | 102篇 |
2019年 | 209篇 |
2018年 | 105篇 |
2017年 | 196篇 |
2016年 | 196篇 |
2015年 | 205篇 |
2014年 | 385篇 |
2013年 | 273篇 |
2012年 | 267篇 |
2011年 | 288篇 |
2010年 | 267篇 |
2009年 | 313篇 |
2008年 | 288篇 |
2007年 | 235篇 |
2006年 | 166篇 |
2005年 | 175篇 |
2004年 | 171篇 |
2003年 | 181篇 |
2002年 | 127篇 |
2001年 | 126篇 |
2000年 | 96篇 |
1999年 | 76篇 |
1998年 | 66篇 |
1997年 | 68篇 |
1996年 | 63篇 |
1995年 | 69篇 |
1994年 | 46篇 |
1993年 | 35篇 |
1992年 | 44篇 |
1991年 | 32篇 |
1990年 | 39篇 |
1989年 | 32篇 |
1988年 | 11篇 |
1987年 | 13篇 |
1986年 | 3篇 |
1985年 | 5篇 |
1984年 | 8篇 |
1983年 | 5篇 |
1982年 | 6篇 |
1959年 | 2篇 |
排序方式: 共有5577条查询结果,搜索用时 15 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.
为了描述复杂的噪声环境,考虑了一种具有频率结构的噪声——简谐速度噪声,包括它的产生、关联函数、功率谱以及作为热噪声时的频率特性所导致的一些行为.结果表明:在频谱空间中简谐速度噪声是一种带通噪声,存在一个峰值频率,且噪声带宽由参量Γ控制.当简谐势中的一个布朗粒子受热简谐速度噪声驱动时,粒子能量极大值出现在两种频率相等的情况下.这表明噪声和势场的频率之间存在动力学共振,决定着粒子能量的大小.
关键词:
简谐噪声
简谐速度噪声
功率谱
频率共振 相似文献
3.
4.
5.
采用粒子模拟的方法并考虑电子束与电磁波的相互作用,首次直接得到了速调管输出信号的离子噪声图像,阐述了束电子、二次电子、离子、电磁场之间的相互作用的动力学过程. 指出离子噪声所表现出来的相位波动是由电子束速度的波动引起的,电子束速度的变化来源于管内离子数量的变化,离子的数量的变化又与电子束状态变化相互影响,这是离子噪声产生的根本原因. 二次电子对离子噪声产生过程的影响甚微,但是其行为却反映了离子噪声的形成机理. 离子噪声引发的输出信号幅度波动取决于电子束速度和半径的改变,与离子行为密切相关.
关键词:
离子噪声
速调管
粒子模拟
电子束 相似文献
6.
基于自适应差分量化理论,提出了在不增加转换位数的情况下提高模数转换器(ADC)动态范围的一种设计方法。该方法通过量化输入与预测的差值来获得预测增益,从而扩大ADC的动态范围;通过差分量化值与预测值相加得到输出信号,并将该分别采用LMS和RLS算法进行处理.得到输入信号的预测值.计算机模拟结果证实,上述两种算法均能使模数转换器的动态范围提高约25dB.比较而言,RLS算法收敛速度更快,收敛性更好,但计算量较大. 相似文献
7.
8.
9.
10.
Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine (SVM) to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours. 相似文献