全文获取类型
收费全文 | 333篇 |
免费 | 10篇 |
国内免费 | 53篇 |
专业分类
化学 | 228篇 |
力学 | 1篇 |
综合类 | 44篇 |
数学 | 15篇 |
物理学 | 108篇 |
出版年
2024年 | 1篇 |
2023年 | 6篇 |
2022年 | 13篇 |
2021年 | 8篇 |
2020年 | 3篇 |
2019年 | 13篇 |
2018年 | 10篇 |
2017年 | 8篇 |
2016年 | 12篇 |
2015年 | 9篇 |
2014年 | 16篇 |
2013年 | 14篇 |
2012年 | 22篇 |
2011年 | 12篇 |
2010年 | 21篇 |
2009年 | 17篇 |
2008年 | 18篇 |
2007年 | 19篇 |
2006年 | 16篇 |
2005年 | 15篇 |
2004年 | 10篇 |
2003年 | 7篇 |
2002年 | 10篇 |
2001年 | 11篇 |
2000年 | 13篇 |
1999年 | 14篇 |
1998年 | 10篇 |
1997年 | 9篇 |
1996年 | 4篇 |
1995年 | 7篇 |
1994年 | 10篇 |
1993年 | 11篇 |
1992年 | 7篇 |
1991年 | 3篇 |
1990年 | 5篇 |
1989年 | 5篇 |
1988年 | 6篇 |
1982年 | 1篇 |
排序方式: 共有396条查询结果,搜索用时 15 毫秒
281.
282.
高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究 总被引:1,自引:0,他引:1
种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子(发芽128粒,不发芽62粒)作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数(FD)、均值中心化(MC)、正交信号校正(OSC)和多元散射校正(MSC)对原始光谱数据进行预处理,结合偏最小二乘辨别分析(PLS-DA)建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法(UVE)、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明:不同光谱预处理建立的模型其表现有所差异,在MC,FD,OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合(UVE-CARS-SPA)的方式能够将光谱全波段的688个变量压缩至8个变量(473,492,811,829,875,880,947和969 nm),利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型(MC-Full-PLS-DA)分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。 相似文献
283.
近红外光谱技术的小麦条锈病严重度分级识别 总被引:3,自引:0,他引:3
小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别,对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片,选取8个不同严重度级别(1%,5%,10%,20%,40%,60%,80%和100%)叶片各30片和健康小麦叶片30片,利用近红外光谱技术分别获取光谱信息,共获得270条近红外光谱曲线,依据小麦叶片条锈病发病程度的不同,将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集,共计67条,将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明,在4 000~9 000 cm-1谱区范围内,原始近红外光谱数据经中心化预处理后,建模比为3∶1时,采用内部交叉验证法建模,训练集和测试集的总体识别准确率分别为95.57%和97.01%,所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的,为小麦条锈病的监测和评估提供了一种新方法。 相似文献
284.
小麦渍害光谱特征分析 总被引:4,自引:0,他引:4
理清小麦渍害光谱特征是大尺度渍害遥感监测的基础,也是运用光谱特征实现无损、快捷鉴别小麦渍害的前期条件,迄今为止未见对小麦渍害光谱特征的相关研究。该研究通过田间实验分析了8个小麦品种(郑麦9023、西农223、漯6010、富麦168、鄂麦23、鄂麦19、广源11-2、农大195)受渍后叶片和冠层的光谱特征与没有渍害小麦光谱特征的差异,研究表明:受渍后叶片光谱反射率较正常叶片的差异主要表现在645~680 nm区间(红光波段),较正常值偏高;757~917 nm区间(近红外波段),较正常值偏低;1 428~1 456 nm区间,较正常值高;1 641~1 684 nm区间,较正常值低,主要原因:一是渍害导致叶片叶绿素光合作用能力下降,二是叶片失水引起水势降低,建议用归一化水指数(NDWI)的差异值反映小麦受渍情况,同时分析了不同小麦品种受渍时与受渍后NDWI指数随时间的变化特点,发现其变化特征与小麦品种的抗性有关;受渍后小麦冠层的所有波段光谱反射率均低于正常小麦,建议用670~2 400 nm光谱反射率的均值差异反映小麦受渍情况。 相似文献
285.
采用ATR附件采集了人工控制条件老化小麦样品的太赫兹波谱数据,并在PCA综合得分基础上对数据进行分集,建立陈化小麦的快速无损鉴别PLS-DA模型,并对其进行外部验证。结果显示,针对吸收系数谱,所建模型的校正集实验组、对照组以及交互验证实验组、对照组正确率分别为84.2%,94.7%,84.2%和81.6%,外部验证集实验组、对照组正确率分别为73.7%和100.0%;针对折射率谱,所建模型的校正集实验组、对照组以及交互验证实验组、对照组正确率分别为84.2%,92%,76.3%和76.3%,外部验证集实验组、对照组正确率分别为84.2%和89.5%。研究表明,ATR-THz技术在陈化小麦无损鉴别方面具有一定的应用潜力。 相似文献
286.
287.
WU Ting-ting YU Ke-qiang ZHANG Hai-hui FENG Yi ZHANG Xiao WANG Hui-hui 《光谱学与光谱分析》2018,38(12):3912-3916
为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性,以及基于主流机器学习算法,寻找面向生产的小麦黑胚病优化识别模型,利用自行研发的近红外光谱采集平台采集了579~1 099 nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据,采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm), PCA(principal component analysis)等两种数据降维方法,结合ELM(extreme learning machine), SVM(support vector machine), RF(random forest)和AdaBoost等四种分类方法,分别构建SPA-SVM, SPA-ELM, SPA-RF, SPA-AdaBoost, PCA-SVM, PCA-ELM, PCA-RF, PCA-AdaBoost八种小麦黑胚病识别模型; 结果表明小麦黑胚籽粒的识别准确率达到93.3%~98.6%,识别效果优于前人文献中利用近红外波段的识别效果;其中SPA-SVM模型具有最高的识别率,PCA-AdaBoost模型具有更好的普适性。将SPA-SVM模型和PCA-AdaBoost模型作为优选模型,从生产实际出发,分别对未感病+轻感病、中感病+重感病籽粒进行了二分类识别,对未感病,轻感病+中感病、重感病籽粒进行了三分类识别,以及对未感病、轻感病、中感病、重感病籽粒进行了四分类识别,并深入分析了识别效果和产生原因。总体来说,小麦黑胚粒的识别准确率随分类程度的细化而下降,二分类的识别模型可直接用于生产,尽管三分类和四分类的感病粒识别效果较差,但是对未感病粒的检出率则不受分类程度的影响,识别率在87.2%以上,符合生产需求。综合来看,SPA-SVM模型分类效果优于PCA-AdaBoost模型,可作为首选识别模型,该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据。 相似文献
288.
基于THz光谱和多信息融合的小麦品质无损检测研究 总被引:1,自引:0,他引:1
为进一步提高不同品质小麦分类模型的检测精度,提出采用太赫兹时域光谱技术(THz-TDS),融合小麦样品的吸收光谱和折射率光谱信息,对其品质进行检测识别。以正常小麦、发芽小麦、霉变小麦和虫蚀小麦样品为研究对象,获取样品THz波段光学参数,在特征层选用AdaBoost(AdaBoost)分类器和支持向量机(SVM)方法,建立了小麦品质多项光学指标的分类融合模型。并将融合模型的识别结果进行比较,结果表明融合模型对小麦样品的识别率达到95%。最后,为了验证融合模型的有效性,将其与单光谱分析回归模型进行了对比,表明融合模型比单光谱模型在小麦样品的识别率上有了较大的提高,且SVM融合模型的识别率最高,是一种最优的多源信息融合方法。 相似文献
289.
以物理学力学理论为基础,在考虑小麦穗自重,风力大小、风力大小、方向及作用点的因素下,将茎杆状态分为无风情况下的静态过程和有风情况下的动态过程,分别建立小麦蜡熟期茎杆的静态和动态抗倒伏模型.提出合理假设,得到2008年和2011年数据中各品种的机械强度、茎杆鲜重和重心高度的计算公式,再结合已给的倒伏指数公式,计算得到各小麦品种的倒伏指数;接下来,通过斯皮尔曼相关系数分判断倒伏指数与外部特征因素的相关性大小;最后,在考虑穗自重,风力大小、方向及作用点,茎杆变形能的影响因素下,分别建立小麦抗倒伏静态模型和动态模型.其中静态模型以临界力为计算目标,动态模型同时考虑穗自重和风载因素,最终将静态模型和动态模型结合作为小麦抗倒伏模型.文章最后利用已知数据,计算得到抗倒伏模型各个参数,同时对动态模型进行仿真,得到在一定风速下茎杆摆动的运动轨迹.在此基础上,考虑到该模型为典型的非线性动力模型,利用相平面分析法发现存在明显混沌现象,并进一步找出可能导致混沌的相关特性参数. 相似文献
290.