全文获取类型
收费全文 | 537篇 |
免费 | 44篇 |
国内免费 | 40篇 |
专业分类
安全科学 | 219篇 |
废物处理 | 14篇 |
环保管理 | 62篇 |
综合类 | 236篇 |
基础理论 | 23篇 |
污染及防治 | 12篇 |
评价与监测 | 10篇 |
社会与环境 | 20篇 |
灾害及防治 | 25篇 |
出版年
2024年 | 9篇 |
2023年 | 26篇 |
2022年 | 27篇 |
2021年 | 15篇 |
2020年 | 18篇 |
2019年 | 23篇 |
2018年 | 11篇 |
2017年 | 20篇 |
2016年 | 16篇 |
2015年 | 27篇 |
2014年 | 48篇 |
2013年 | 29篇 |
2012年 | 50篇 |
2011年 | 58篇 |
2010年 | 37篇 |
2009年 | 38篇 |
2008年 | 49篇 |
2007年 | 41篇 |
2006年 | 27篇 |
2005年 | 13篇 |
2004年 | 7篇 |
2003年 | 9篇 |
2002年 | 7篇 |
2001年 | 5篇 |
2000年 | 5篇 |
1998年 | 2篇 |
1997年 | 1篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有621条查询结果,搜索用时 15 毫秒
541.
河南省环境监察移动执法系统以河南省环境自动监控系统为核心,将环保内部专网与联通WCDMA3G网络有机结合,为执法部门提供全面、快速、准确的信息支持。随着经济高速增长,我国污染物排放量逐年攀升,环境污染日益严重,已成为制约我国经济社会健康发展的突出问题。另一方面,环境行政执法能力普遍不足,环境管理手段相对滞后。如何运用现代化管理手段,加强对排污企业的行政执法与监管管理,提高环境行政执 相似文献
542.
为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。 相似文献
543.
544.
545.
针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。 相似文献
546.
为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。 相似文献
548.
准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。 相似文献
549.
为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。 相似文献