全文获取类型
收费全文 | 882篇 |
免费 | 20篇 |
专业分类
财政金融 | 21篇 |
工业经济 | 135篇 |
计划管理 | 275篇 |
经济学 | 29篇 |
综合类 | 55篇 |
运输经济 | 9篇 |
贸易经济 | 214篇 |
农业经济 | 86篇 |
经济概况 | 69篇 |
信息产业经济 | 7篇 |
邮电经济 | 2篇 |
出版年
2024年 | 5篇 |
2023年 | 8篇 |
2022年 | 10篇 |
2021年 | 17篇 |
2020年 | 29篇 |
2019年 | 43篇 |
2018年 | 11篇 |
2017年 | 30篇 |
2016年 | 45篇 |
2015年 | 42篇 |
2014年 | 78篇 |
2013年 | 75篇 |
2012年 | 57篇 |
2011年 | 71篇 |
2010年 | 65篇 |
2009年 | 46篇 |
2008年 | 52篇 |
2007年 | 32篇 |
2006年 | 25篇 |
2005年 | 18篇 |
2004年 | 25篇 |
2003年 | 31篇 |
2002年 | 22篇 |
2001年 | 14篇 |
2000年 | 4篇 |
1999年 | 7篇 |
1998年 | 10篇 |
1997年 | 6篇 |
1996年 | 4篇 |
1994年 | 7篇 |
1993年 | 2篇 |
1990年 | 2篇 |
1987年 | 1篇 |
1986年 | 3篇 |
1985年 | 1篇 |
1983年 | 2篇 |
1980年 | 2篇 |
排序方式: 共有902条查询结果,搜索用时 15 毫秒
11.
12.
利用盆栽试验,对不同微生物作用下的玉米植株叶片叶绿素含量和高光谱反射率进行测定,探讨不同微生物作用对植被叶片叶绿素含量的影响及其光谱特征变化,并尝试利用高光谱遥感技术对不同处理条件下玉米叶片叶绿素含量进行监测识别。四种不同处理,按照CK组、CR组、G.m组、G.m+CR组的顺序所选特征变量依次为Sa/Sc、Sb_((658-670))、Sd_((691-709))、SDb,四种处理均以指数模型预测效果最佳,CR组模型Y=54.4(exp(-7.5t))预测精度最高,CK组模型Y=36.0(exp(1.1t))预测精度最低,决定系数分别为0.938和0.600。所建模型预测精度理想,证实了高光谱遥感技术植被监测的可行性,为微生物复垦领域对不同微生物作用下植被叶片叶绿素含量的高效无损监测与评价提供了新的方法与途径。 相似文献
13.
设计了一种简易客车人数监测系统,以AT89s52单片机为核心,通过红外线发射接收器件作为检测手段,对乘客人数进行检测,由单片机计数,同时将检测结果数目在两个数码管上显示出来,超载时扬声器会进行报警,在一定程度上能够控制超载现象。 相似文献
14.
16.
《现代商贸工业》2019,(15)
智能水面搜救机器人坚持以人为本的设计理念,采用人工手动控制和智能自动化控制为一体的控制方式,通过机器人底座皮划艇上配备的三轴陀螺仪、三轴加速度计、全向压力传感器、电子罗盘传感器、碰撞传感器、回充传感器等的驱动装置正常、快速运行,利用机体内的人体红外感应器、LDS激光测距传感器、超声波传感器和图像成影防水摄像及视频装置进行搜索并定位被搜救对象,借助可伸缩承重机器人长臂、360度旋转腰部的伸缩调控以及具有轻柔微调性能的机器力量托抱起被救对象,采用光电编码器、电动船控制器、钓鱼船速度控制器等配合实现水面灵活回转快速靠站功能,第一时间把被搜救对象托放至水上救援艇上,实现省时、省力、精准、安全的水面救援。 相似文献
17.
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
19.