全文获取类型
收费全文 | 4829篇 |
免费 | 104篇 |
国内免费 | 19篇 |
专业分类
财政金融 | 412篇 |
工业经济 | 513篇 |
计划管理 | 1524篇 |
经济学 | 607篇 |
综合类 | 227篇 |
运输经济 | 83篇 |
旅游经济 | 5篇 |
贸易经济 | 959篇 |
农业经济 | 206篇 |
经济概况 | 400篇 |
信息产业经济 | 10篇 |
邮电经济 | 6篇 |
出版年
2024年 | 20篇 |
2023年 | 65篇 |
2022年 | 68篇 |
2021年 | 113篇 |
2020年 | 98篇 |
2019年 | 153篇 |
2018年 | 58篇 |
2017年 | 101篇 |
2016年 | 132篇 |
2015年 | 205篇 |
2014年 | 375篇 |
2013年 | 341篇 |
2012年 | 375篇 |
2011年 | 426篇 |
2010年 | 478篇 |
2009年 | 413篇 |
2008年 | 377篇 |
2007年 | 260篇 |
2006年 | 183篇 |
2005年 | 141篇 |
2004年 | 115篇 |
2003年 | 128篇 |
2002年 | 102篇 |
2001年 | 63篇 |
2000年 | 49篇 |
1999年 | 11篇 |
1998年 | 16篇 |
1997年 | 10篇 |
1996年 | 13篇 |
1995年 | 12篇 |
1994年 | 6篇 |
1993年 | 7篇 |
1992年 | 9篇 |
1991年 | 7篇 |
1990年 | 5篇 |
1989年 | 7篇 |
1988年 | 2篇 |
1987年 | 3篇 |
1986年 | 1篇 |
1985年 | 4篇 |
排序方式: 共有4952条查询结果,搜索用时 0 毫秒
11.
13.
针对空战目标识别中机型自动识别比较困难的问题,提出了采用航迹特征的智能目标识别方法。利用卷积神经网络(Convolutional Neural Network,CNN)分层学习特征的能力,训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据,经一系列数据预处理后作为智能识别算法的训练和测试数据,在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明,CNN具有很好的识别性能。 相似文献
14.
公路交通建设已经成为我国当前经济发展的重要因素,越来越多的公路工程建设在我国各种地质环境中,其中不可避免地会在路基路面设计中出现软土地基的情况,而软土地基的形成将严重影响道路施工进度、后期使用质量、后期运营安全,出现如地基沉降、路面开裂等现象。因此文章对公路路基路面设计中的软基处理技术进行分析,通过对软基处理的特征、原则进行阐述,为我国公路路基路面设计软基处理提供有效参考措施,全面保障我国公路交通的后期运营安全。 相似文献
15.
16.
17.
《中国集体经济》2018,(17)
文章以C5.0、Neural Net和Logistic三种算法作为构建预测混合模型的基础算法。在实证研究过程中,分别采用品牌、地区、网龄和账单作为客户细分变量,构建了不同的客户流失预测混合模型,用命中率和接受者操作特性(ROC)曲线对预测结果比较评估,得到以地区为客户细分变量的混合模型预测效果最佳,以账单为客户细分变量的混合模型预测效果,其次以网龄和品牌为客户细分变量的混合模型预测效果较差的结论。省级电信公司在构建流失预测系统过程中,以客户账单(或客户消费层次)作为细分变量,对各地区客户单独构建流失预测模型;同时,要加强品牌管理,提高各品牌对客户的区隔效果。 相似文献
18.
19.
基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型 总被引:4,自引:0,他引:4
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350~1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。 相似文献