全文获取类型
收费全文 | 515篇 |
免费 | 96篇 |
国内免费 | 36篇 |
专业分类
测绘学 | 315篇 |
大气科学 | 38篇 |
地球物理 | 115篇 |
地质学 | 60篇 |
海洋学 | 44篇 |
天文学 | 11篇 |
综合类 | 52篇 |
自然地理 | 12篇 |
出版年
2024年 | 30篇 |
2023年 | 115篇 |
2022年 | 111篇 |
2021年 | 131篇 |
2020年 | 56篇 |
2019年 | 66篇 |
2018年 | 32篇 |
2017年 | 18篇 |
2016年 | 7篇 |
2015年 | 3篇 |
2014年 | 2篇 |
2013年 | 4篇 |
2012年 | 3篇 |
2011年 | 8篇 |
2010年 | 4篇 |
2009年 | 2篇 |
2008年 | 5篇 |
2007年 | 8篇 |
2006年 | 5篇 |
2004年 | 1篇 |
2003年 | 3篇 |
2002年 | 3篇 |
2001年 | 4篇 |
2000年 | 2篇 |
1998年 | 1篇 |
1997年 | 2篇 |
1996年 | 4篇 |
1995年 | 2篇 |
1994年 | 5篇 |
1993年 | 1篇 |
1992年 | 4篇 |
1991年 | 2篇 |
1988年 | 1篇 |
1957年 | 2篇 |
排序方式: 共有647条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例 总被引:1,自引:0,他引:1
大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。 相似文献
5.
《测绘科学技术学报》2018,(6)
随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。 相似文献
6.
7.
8.
9.
城市扩展元胞自动机多结构卷积神经网络模型 总被引:2,自引:0,他引:2
传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%~29.4%,在上海浦东新区提高了20.3%~28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%~4.8%,上海浦东新区提高了2.8%~7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。 相似文献
10.
针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。 相似文献