全文获取类型
收费全文 | 435篇 |
免费 | 6篇 |
专业分类
财政金融 | 2篇 |
工业经济 | 62篇 |
计划管理 | 95篇 |
经济学 | 11篇 |
综合类 | 32篇 |
运输经济 | 4篇 |
贸易经济 | 109篇 |
农业经济 | 92篇 |
经济概况 | 33篇 |
信息产业经济 | 1篇 |
出版年
2024年 | 4篇 |
2023年 | 7篇 |
2022年 | 12篇 |
2021年 | 33篇 |
2020年 | 24篇 |
2019年 | 32篇 |
2018年 | 7篇 |
2017年 | 15篇 |
2016年 | 27篇 |
2015年 | 14篇 |
2014年 | 28篇 |
2013年 | 26篇 |
2012年 | 27篇 |
2011年 | 28篇 |
2010年 | 25篇 |
2009年 | 20篇 |
2008年 | 22篇 |
2007年 | 16篇 |
2006年 | 13篇 |
2005年 | 12篇 |
2004年 | 6篇 |
2003年 | 6篇 |
2002年 | 13篇 |
2001年 | 1篇 |
2000年 | 2篇 |
1999年 | 5篇 |
1998年 | 5篇 |
1997年 | 3篇 |
1996年 | 3篇 |
1994年 | 1篇 |
1990年 | 1篇 |
1986年 | 1篇 |
1983年 | 1篇 |
1980年 | 1篇 |
排序方式: 共有441条查询结果,搜索用时 15 毫秒
1.
4.
王耀新 《中小企业管理与科技》2007,(4):77-77
光电光谱仪在冶金与有色金属冶炼控制、冶炼工艺中占有重要地位。在光电光谱分析中,一般用光谱分析标准样品绘制永久工作曲线,用控样来校正试样同标样之间因组织状态不同而引起的偏差,以提高分析准确度。但是,光谱定量分析也有其局限性,它是一种相对分析方法,需要一套标准样品作参考。本文提出用美国Baird公司的光电直读光谱仪对工厂冶金炉前钢水快速分析。该方法具有操作简便、分析快速、精密度较好、准确度较高等优点。 相似文献
5.
6.
[目的]文章以马铃薯关键生长期——结薯期为测量时点,以马铃薯和玉米、大豆、水稻为研究对象,开展高光谱曲线特征差异性研究。[方法]为更好地描述马铃薯与其他作物的光谱差异,创建高光谱反射率差异性指数、高光谱一阶导数差异性指数、高光谱红边幅值差异性指数、高光谱曲率差异性指数及高光谱植被指数差异性指数。[结果](1)马铃薯与玉米、大豆、水稻3种作物光谱曲线具有明显差异,马铃薯与玉米的反射率值在480nm附近蓝色波段位置差异最显著,差异性指数值为67.866%,与大豆、水稻的最大差异性指数值分别为49.068%、57.559%,均位于550nm附近绿色波峰位置;(2)作物光谱曲线经一阶导数变换运算,马铃薯与其他作物间的光谱差异被显著放大,在近红外波段放大程度最显著;(3)马铃薯与玉米、大豆、水稻高光谱曲率差异性指数最大值均位于波长750nm附近,差异性指数值分别为78.365%、63.471%、80.882%;(4)常用植被指数中,比值植被指数、增强型植被指数可显著区分马铃薯与玉米、大豆、水稻。[结论]差异性分析结果为农作物空间分布遥感识别提供了技术支撑。 相似文献
7.
8.
9.
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