全文获取类型
收费全文 | 203篇 |
免费 | 37篇 |
国内免费 | 45篇 |
专业分类
安全科学 | 98篇 |
废物处理 | 2篇 |
环保管理 | 18篇 |
综合类 | 99篇 |
基础理论 | 37篇 |
污染及防治 | 11篇 |
评价与监测 | 8篇 |
社会与环境 | 8篇 |
灾害及防治 | 4篇 |
出版年
2024年 | 1篇 |
2023年 | 10篇 |
2022年 | 10篇 |
2021年 | 8篇 |
2020年 | 15篇 |
2019年 | 15篇 |
2018年 | 10篇 |
2017年 | 16篇 |
2016年 | 17篇 |
2015年 | 18篇 |
2014年 | 12篇 |
2013年 | 11篇 |
2012年 | 26篇 |
2011年 | 29篇 |
2010年 | 16篇 |
2009年 | 16篇 |
2008年 | 10篇 |
2007年 | 12篇 |
2006年 | 8篇 |
2005年 | 5篇 |
2004年 | 2篇 |
2003年 | 3篇 |
2002年 | 1篇 |
2001年 | 2篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1998年 | 2篇 |
1997年 | 1篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1992年 | 2篇 |
排序方式: 共有285条查询结果,搜索用时 0 毫秒
271.
272.
提出了一种基于关联向量机回归的水质时间序列预测模型,并以该模型对氢离子浓度指数(p H值)、溶解氧(DO)、高锰酸盐指数(CODMn)和氨氮(NH3-N)4种重要水质指标进行预测.首先采用国家环保部发布的四川攀枝花龙洞水质自动监测数据进行实验,对该模型的有效性进行了验证;然后将关联向量机回归预测模型与支持向量机回归预测模型进行比较.为了比较不同核函数的预测效果,实验中预测模型的核函数分别采用了线性函数和高斯函数.实验结果表明,关联向量机回归模型的预测效果不亚于支持向量机回归模型;且在给出预测值时,还能同时给出预测结果的可信程度. 相似文献
273.
为评价城市供水管网的安全性,保障其正常运行,笔者基于多元分类最小二乘支持向量机(LS-SVM)的方法,在对城市供水管网安全运行影响因素总结与分析的基础上,构建供水管网安全性评价的指标因素集与评价模型,通过对有限的经验数据的学习,建立供水管网安全性与其影响因素之间的非线性关系。运用该模型进行实例仿真模拟,通过与实际安全等级及BP神经网络模型预测安全等级之间的对比表明:基于LS-SVM的供水管网安全性评价方法具有较高的精度,正确分类率可以达到83.33%。 相似文献
274.
考虑到太湖水华暴发过程中水质参数(如营养盐或水体理化参数)对浮游植物增殖的滞后效应,利用有滞后变量参与的格兰杰因果关系检验和向量自回归模型,分析了太湖梅梁湾湖区2000年~2012年的监测数据,探讨了湖泊水质参数对于水华暴发的影响和定量关系.结果发现,表征浮游植物生物量的叶绿素a(Chl-a)浓度与总磷(TP)、氮磷比(N/P)、水温(WT)之间存在长期的均衡关系,格兰杰因果关系模型和向量自回归模型(VAR)的结果显示,水体中TP浓度、N/P和WT是Chl-a含量变化的格兰杰原因,上述结果提供了湖泊水质参数与蓝藻生物量的定量关系,在其他水质参数保持不变的情况下,约1%湖泊TP含量、N/P和水温的变化分别造成0.97%、0.078%和0.55%的浮游植物生物量的变化.本研究为水华暴发研究过程中水质参数的定量化影响提供一个新颖的视角,考虑了时间滞后变量的时间序列分析方法也可以加深对水华暴发过程的理解. 相似文献
275.
M. Kashif Gill Tirusew Asefa Mariush W. Kemblowski Mac McKee 《Journal of the American Water Resources Association》2006,42(4):1033-1046
ABSTRACT: Herein, a recently developed methodology, Support Vector Machines (SVMs), is presented and applied to the challenge of soil moisture prediction. Support Vector Machines are derived from statistical learning theory and can be used to predict a quantity forward in time based on training that uses past data, hence providing a statistically sound approach to solving inverse problems. The principal strength of SVMs lies in the fact that they employ Structural Risk Minimization (SRM) instead of Empirical Risk Minimization (ERM). The SVMs formulate a quadratic optimization problem that ensures a global optimum, which makes them superior to traditional learning algorithms such as Artificial Neural Networks (ANNs). The resulting model is sparse and not characterized by the “curse of dimensionality.” Soil moisture distribution and variation is helpful in predicting and understanding various hydrologic processes, including weather changes, energy and moisture fluxes, drought, irrigation scheduling, and rainfall/runoff generation. Soil moisture and meteorological data are used to generate SVM predictions for four and seven days ahead. Predictions show good agreement with actual soil moisture measurements. Results from the SVM modeling are compared with predictions obtained from ANN models and show that SVM models performed better for soil moisture forecasting than ANN models. 相似文献
276.
277.
基于规范变换与误差修正的回归支持向量机的环境系统预测 总被引:1,自引:0,他引:1
为了建立不同环境系统皆能规范、统一、简洁、实用的回归支持向量机预测模型,针对传统的回归支持向量机预测模型存在结构不能普适、规范和统一及用于大样本、多因子预测会出现学习效率低、求解精度差的局限,提出适用于环境系统预测量及其影响因子参照值和规范变换式的设计原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子;为提高样本的预测精度,还提出预测样本的模型输出的误差修正法.在对环境系统的预测量及其影响因子进行规范变换的基础上,由有m个规范影响因子的每个建模样本生成m个"等效"训练样本,从建模样本中,选择各影响因子的最大规范值组成训练样本集的"参考样本",计算核函数中每个训练样本相对于"参考样本"的范数;并应用优化算法优化模型参数,建立适用于预测量及其影响因子规范值的仅有2个或3个支持向量的两种简单结构的回归支持向量机预测模型.将基于规范变换的两种简单结构的回归支持向量机模型与相似样本误差修正法相结合,用于河津大桥监测断面6个样本的COD月平均值预测,并与多种传统预测模型和方法进行了比较.结果表明:对同一个预测样本,两种模型的预测值十分接近;此外,两种预测模型用于6个样本预测,其相对误差绝对值的平均值分别为2.09%、2.79%,均远小于传统的投影寻踪回归预测的41.63%、支持向量机预测的40.99%、灰色神经网络预测的25.94%和马尔可夫预测的10.16%;而两种预测模型对异常样本预测的最大的相对误差绝对值分别为5.85%、5.13%,更加远远小于传统的4种预测模型的169.07%、180.45%、68.44%、41.96%.两种基于规范变换的回归支持向量机预测模型简洁、普适、规范和统一,避免了"大样本数困难",提高了学习效率和模型的预测精确度,对其他预测建模法也有借鉴作用. 相似文献
278.
基于支持向量机的水资源安全评价 总被引:2,自引:0,他引:2
支持向量机以统计学习理论为基础,采用结构风险最小化准则,将学习问题转化为一个凸二次规划问题,能够得到全局最优解,适合解决小样本、非线性分类及回归问题。根据水资源安全的内涵,筛选出具有代表性的指标,组成水资源安全评价指标体系。建立了基于支持向量机的水资源安全评价模型,将安全标准划分为良好、安全、临界、不安全、危险5个等级。根据水资源安全评价标准及所属评价等级值,随机生成样本集,180个样本作为训练样本,构造了5个两类支持向量分类器,20个样本作为检验样本,检验样本分类全部正确。将模型应用于山西省11个城市的水资源安全评价,结果表明,该方法是有效、可行的。 相似文献
279.
280.