全文获取类型
收费全文 | 6778篇 |
免费 | 591篇 |
国内免费 | 317篇 |
专业分类
测绘学 | 1181篇 |
大气科学 | 570篇 |
地球物理 | 838篇 |
地质学 | 1199篇 |
海洋学 | 480篇 |
天文学 | 36篇 |
综合类 | 1311篇 |
自然地理 | 2071篇 |
出版年
2024年 | 74篇 |
2023年 | 249篇 |
2022年 | 342篇 |
2021年 | 373篇 |
2020年 | 186篇 |
2019年 | 241篇 |
2018年 | 104篇 |
2017年 | 117篇 |
2016年 | 90篇 |
2015年 | 151篇 |
2014年 | 495篇 |
2013年 | 369篇 |
2012年 | 516篇 |
2011年 | 558篇 |
2010年 | 479篇 |
2009年 | 473篇 |
2008年 | 472篇 |
2007年 | 397篇 |
2006年 | 363篇 |
2005年 | 326篇 |
2004年 | 164篇 |
2003年 | 184篇 |
2002年 | 181篇 |
2001年 | 183篇 |
2000年 | 93篇 |
1999年 | 81篇 |
1998年 | 71篇 |
1997年 | 68篇 |
1996年 | 66篇 |
1995年 | 57篇 |
1994年 | 57篇 |
1993年 | 32篇 |
1992年 | 16篇 |
1991年 | 15篇 |
1990年 | 16篇 |
1989年 | 8篇 |
1988年 | 3篇 |
1987年 | 1篇 |
1986年 | 2篇 |
1985年 | 2篇 |
1984年 | 1篇 |
1980年 | 1篇 |
1972年 | 1篇 |
1965年 | 1篇 |
1957年 | 5篇 |
1954年 | 1篇 |
1950年 | 1篇 |
排序方式: 共有7686条查询结果,搜索用时 15 毫秒
1.
为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征(相关度、斜率和截距)和顾及邻域的纹理变化强度特征(均值、方差、同质性和相异性),经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。 相似文献
2.
水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。 相似文献
3.
4.
5.
6.
7.
目的:观察中医康复护理在胸腰椎压缩性骨折患者康复过程中的效果。方法:选取胸腰椎压缩性骨折患者78 例,将其随机分为观察组与对照组,每组各39 例。对照组予以常规护理干预,观察组在对照组基础上予以中医康复护理干预。比较2组日本骨科协会评估治疗分数(JOA)评分、日常生活能力评分和护理满意度。结果:护理满意度观察组为94.87%(37/39),对照组为79.49%(31/39),2组比较,差异有统计学意义(P<0.05)。2组JOA评分、日常生活能力评分治疗前后组内比较及治疗后组间比较,差异均有统计学意义(P<0.05)。结论:在胸腰椎压缩性骨折患者康复过程中,中医康复护理有助于改善患者肢体功能,提高护理满意度,值得临床借鉴。 相似文献
8.
9.
10.
随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分:① 通过全连接卷积网络(CNN)对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。 相似文献