全文获取类型
收费全文 | 954篇 |
免费 | 236篇 |
国内免费 | 274篇 |
专业分类
测绘学 | 282篇 |
大气科学 | 90篇 |
地球物理 | 158篇 |
地质学 | 656篇 |
海洋学 | 93篇 |
天文学 | 11篇 |
综合类 | 84篇 |
自然地理 | 90篇 |
出版年
2024年 | 5篇 |
2023年 | 11篇 |
2022年 | 30篇 |
2021年 | 34篇 |
2020年 | 54篇 |
2019年 | 56篇 |
2018年 | 46篇 |
2017年 | 55篇 |
2016年 | 61篇 |
2015年 | 70篇 |
2014年 | 75篇 |
2013年 | 82篇 |
2012年 | 70篇 |
2011年 | 91篇 |
2010年 | 79篇 |
2009年 | 86篇 |
2008年 | 62篇 |
2007年 | 89篇 |
2006年 | 63篇 |
2005年 | 74篇 |
2004年 | 49篇 |
2003年 | 35篇 |
2002年 | 34篇 |
2001年 | 25篇 |
2000年 | 24篇 |
1999年 | 20篇 |
1998年 | 13篇 |
1997年 | 16篇 |
1996年 | 16篇 |
1995年 | 4篇 |
1994年 | 5篇 |
1993年 | 4篇 |
1992年 | 4篇 |
1990年 | 3篇 |
1989年 | 3篇 |
1988年 | 4篇 |
1987年 | 6篇 |
1986年 | 2篇 |
1985年 | 2篇 |
1984年 | 1篇 |
1974年 | 1篇 |
排序方式: 共有1464条查询结果,搜索用时 109 毫秒
1.
为建立高精度的边坡位移预测模型,采用相空间重构(PSR)将边坡位移时间序列数据转换为多维数据,同时构造小波核函数改进的支持向量机模型,建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机(SVM)模型、小波支持向量机(WSVM)模型和基于相空间重构的支持向量机(PSR-SVM)模型预测结果进行对比,通过平均绝对误差(MAE)、平均绝对误差百分比(MAPE)和均方根误差(RMSE)3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明,PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型,边坡位移预测的精度明显提升。 相似文献
2.
介绍了广州地区基坑支护近年来的主要类型及其适用范围,并在分析选型各影响因素的基础上,总结出设计选型的要点。 相似文献
3.
基于AGA的SVM需水预测模型研究 总被引:1,自引:0,他引:1
需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度. 相似文献
4.
5.
针对传统矿化信息提取方法单一,利用光谱或纹理、信息量相对较少、需要大量样本的缺陷,利用基于光谱和纹理的支持向量机(SVM)原理,建立矿化信息提取模型.选择青海泽库县析界日地区作为典型研究区.首先提取研究区光谱和纹理信息,选取训练样本;然后求解最优超平面,进而确定决策函数;最后泛化推广识别其他待识别的样本.通过所提取的遥感蚀变异常信息与重砂异常点叠加分析,叠加基本吻合;从野外实地验证来看,均发现了不同程度的矿化现象,并指出了5个重点异常区. 相似文献
6.
7.
支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性. 相似文献
8.
9.
针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法.该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率.大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点. 相似文献
10.
对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。 相似文献