全文获取类型
收费全文 | 1755篇 |
免费 | 245篇 |
国内免费 | 218篇 |
专业分类
安全科学 | 664篇 |
废物处理 | 19篇 |
环保管理 | 223篇 |
综合类 | 706篇 |
基础理论 | 177篇 |
环境理论 | 4篇 |
污染及防治 | 64篇 |
评价与监测 | 135篇 |
社会与环境 | 96篇 |
灾害及防治 | 130篇 |
出版年
2024年 | 10篇 |
2023年 | 65篇 |
2022年 | 110篇 |
2021年 | 135篇 |
2020年 | 114篇 |
2019年 | 79篇 |
2018年 | 64篇 |
2017年 | 71篇 |
2016年 | 77篇 |
2015年 | 90篇 |
2014年 | 78篇 |
2013年 | 77篇 |
2012年 | 141篇 |
2011年 | 134篇 |
2010年 | 105篇 |
2009年 | 110篇 |
2008年 | 78篇 |
2007年 | 102篇 |
2006年 | 107篇 |
2005年 | 89篇 |
2004年 | 62篇 |
2003年 | 57篇 |
2002年 | 52篇 |
2001年 | 42篇 |
2000年 | 32篇 |
1999年 | 25篇 |
1998年 | 26篇 |
1997年 | 17篇 |
1996年 | 10篇 |
1995年 | 10篇 |
1994年 | 11篇 |
1993年 | 7篇 |
1992年 | 3篇 |
1990年 | 3篇 |
1989年 | 2篇 |
1988年 | 2篇 |
1987年 | 2篇 |
1986年 | 2篇 |
1985年 | 3篇 |
1984年 | 1篇 |
1981年 | 1篇 |
1980年 | 1篇 |
1979年 | 1篇 |
1978年 | 1篇 |
1977年 | 1篇 |
1972年 | 3篇 |
1971年 | 4篇 |
1969年 | 1篇 |
排序方式: 共有2218条查询结果,搜索用时 296 毫秒
871.
电除尘器计算机智能控制系统的开发 总被引:3,自引:0,他引:3
阐述了IPC系统一的T/R微机控制设备、低压微机控制设备的技术特性以及该系统的构成和基本功能,并对其网络控制功能和智能化闭环控制功能作了重点讨论。 相似文献
872.
BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力. 相似文献
873.
白洋淀养殖区春季沉积物垂向微生物群落特征及驱动因素 总被引:6,自引:0,他引:6
结合16S rRNA高通量测序技术,对春季白洋淀养殖区(后塘和西李庄)沉积物垂向细菌群落演变特征及影响因素进行解析.结果表明:春季白洋淀沉积物环境因子(硝态氮、铵态氮、溶解性总磷、紫外光谱指数、三维荧光光谱指数和荧光组分强度)均呈现显著差异(p<0.05),后塘采样点的硝态氮和铵态氮含量明显高于西李庄采样点;高通量测序得到23527个OTU,共分为11个主要门类,其中,变形菌门占比最大,达到15.33%~50.59%;α-多样性显示除辛普森指数和覆盖率外,ACE指数、Chao指数及香农指数呈现显著差异(p<0.05),并且在后塘采样点高于西李庄;主坐标分析表明,后塘与西李庄采样点沉积物细菌群落存在显著差异,与Adonis分析的结果相一致(p<0.01);RDA分析发现,硝态氮和铵态氮是驱动沉积物细菌群落结构演变的主要环境因素;物种间网络分析显示,春季后塘和西李庄都为8个主要的模块,西李庄正向相关的边所占比例高达84.79%,明显高于后塘的62.82%;西李庄有244个关键物种OTU,也高于后塘的59个关键物种OTU;相关性分析得出两个采样点在主要属和模块上都存在差异,硝态氮、铵态氮、腐殖化指数(HIX)及生物源指数(BIX)是其主要环境因子.综上,通过对该时期养殖区沉积物垂向细菌群落演变特征及影响因素进行研究,可为白洋淀养殖区的污染控制提供技术支持. 相似文献
874.
文章研究目的在于用遗传神经网络模型(GANN模型)快速优化水样中十溴联苯醚分散液液微萃取的萃取条件。以水样中十溴联苯醚分散液液微萃取的正交试验为训练样本,建立十溴联苯醚分散液液微萃取条件的遗传神经网络模型。比较遗传神经网络模型和BP神经网络模型的学习速度、学习精度及网络泛化能力。采用Matlab遗传算法工具箱运用遗传神经网络模型对影响萃取回收率的因素进行优化求解,获得了水样中十溴联苯醚分散液液微萃取优化后的萃取条件,并进行实验验证。文章建立的遗传神经网络模型得到的预测值与实验值平均偏差为14.41%,R2为0.8887;最佳DLLME萃取条件为10μL四氯乙烯、0.71mL丙酮、pH=5、离子强度为20%NaCl、萃取时间10min;优化后十溴联苯醚分散液液微萃取的萃取回收率和富集因子比优化前分别提高了54%和580。 相似文献
875.
以抚顺市某煤矸石堆放场为研究区,根据研究区的实际条件建立地下水污染质运移模拟模型,预测地下水污染质未来时空变化特征.基于正演预报结果构建了假想例子,应用模拟-优化方法对地下水污染源源强及场地的渗透系数进行反演识别.为减小优化模型反复调用模拟模型所产生的计算负荷,分别采用Kriging方法和BP神经网络方法建立了模拟模型的替代模型.最后运用模拟退火法求解优化模型,得到反演识别结果.研究表明:应用Kriging方法建立的替代模型输出结果的平均相对误差为0.3%;应用BP神经网络方法建立替代模型的输出结果平均相对误差为1.5%,应用两种替代模型对污染源源强识别的相对误差均小于0.5%,对场地两个参数分区渗透系数识别的相对误差均不大于5%.综上,应用Kriging方法建立的替代模型精度高于BP神经网络方法,利用基于两种替代模型的模拟-优化方法对污染源源强和渗透系数进行同步识别精度可以满足实际需求,是有效可行的. 相似文献
876.
贝叶斯网络是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的概率模型。采用贝叶斯网络分类对具有典型干旱特征的库车县土壤盐渍化情况进行监测,首先应用条件独立性测试原理建立贝叶斯网络结构,把研究区遥感数据进行离散化,然后应用贝叶斯定理作为分类原则,将每个像元分为像元最大概率的类别。研究结果表明该方法分类6种地类的整体分类精度达到96%,为该区盐渍地面积、空间分布等特征监测提供了较好的依据。 相似文献
877.
海洋环境中材料腐蚀数据采集处理网络系统的研究 总被引:1,自引:0,他引:1
介绍了利用电话公网为传输栽体建立以海洋腐蚀与防护国防科技重点实验室为中心辐射青岛、厦门和三亚3个海水试验站的材料腐蚀数据采集计算机网络平台。研发了具有自主知识产权的多通道电偶腐蚀数据自动采集系统,将该系统与网络平台相结合可实现远程实验数据自动采集。同时为了有效地管理、存储和实现数据的共享,研究建立了海洋环境材料腐蚀与防护数据库,收集和整理了大量的材料腐蚀数据。在分析研究大量腐蚀数据的基础上建立了误差反传(BP)人工神经网络预测模型和灰色GM(1,1)腐蚀预测模型。从而形成一套较完整的数据采集、处理和分析网络系统。 相似文献
878.
根据海上交通安全事故统计数据显示,船舶搁浅事故是主要的海上交通安全事故之一。为了研究船舶搁浅事故的发生机理,收集了我国东部海域部分海事局辖区的船舶搁浅事故样本。首先从人为因素、环境因素和船舶因素三方面分析导致船舶搁浅事故的原因,确定网络节点。然后找出每起搁浅事故的事故链,并建立船舶搁浅事故贝叶斯网络模型。再对建立的贝叶斯网络模型进行仿真,选取21起船舶搁浅事故对建立的模型进行验证,确定模型的有效性。最后,利用HUGIN软件找出船舶搁浅事故各影响因素的致因概率,得到导致船舶搁浅事故的致因链。在人为因素方面,瞭望不当和不熟悉航道情况占据的比例最高;在船舶因素方面,舵机设备故障对船舶搁浅事故影响最大;在环境因素方面,风/浪/流对船舶搁浅事故影响最大。 相似文献
879.
GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用 总被引:1,自引:1,他引:1
煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。 相似文献
880.
燃料空气混合物爆炸威力准确预测研究是学术界的一个难题。针对燃料空气混合物爆炸威力有效预测问题,采用神经网络方法,设计多层神经网络模型,进行实际预测应用。应用结果表明,采用的预测方法简便、可行,可以为燃料空气混合物爆炸威力预测提供一种新途径。相比3层BP模型,设计的预测模型可以减少训练次数,缩短训练时间,提高预测正确率,应用优势较明显。 相似文献