全文获取类型
收费全文 | 177篇 |
免费 | 17篇 |
国内免费 | 29篇 |
专业分类
电工技术 | 11篇 |
综合类 | 17篇 |
化学工业 | 33篇 |
金属工艺 | 3篇 |
机械仪表 | 6篇 |
石油天然气 | 1篇 |
武器工业 | 1篇 |
无线电 | 88篇 |
一般工业技术 | 1篇 |
冶金工业 | 3篇 |
自动化技术 | 59篇 |
出版年
2024年 | 1篇 |
2023年 | 10篇 |
2022年 | 9篇 |
2021年 | 10篇 |
2020年 | 12篇 |
2019年 | 16篇 |
2018年 | 16篇 |
2017年 | 2篇 |
2015年 | 4篇 |
2014年 | 11篇 |
2013年 | 10篇 |
2012年 | 7篇 |
2011年 | 10篇 |
2010年 | 32篇 |
2009年 | 23篇 |
2008年 | 9篇 |
2007年 | 8篇 |
2006年 | 7篇 |
2005年 | 2篇 |
2003年 | 3篇 |
2002年 | 2篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 1篇 |
1998年 | 2篇 |
1997年 | 2篇 |
1996年 | 1篇 |
1995年 | 3篇 |
1993年 | 3篇 |
1992年 | 2篇 |
1991年 | 1篇 |
1990年 | 2篇 |
排序方式: 共有223条查询结果,搜索用时 827 毫秒
151.
152.
针对5G接入网络中虚拟网络功能(VNF)部署完成后,其资源需求发生动态变化,导致网络中物理机(PM)资源利用率过高或过低这一问题,该文首先将网络中PM的资源使用情况划分5个不同分区,提出一种多优先级VNF迁移请求队列调度模型。其次基于该模型,对VNF迁移开销的最小化及网络能耗的最小化建立联合优化模型。最后提出一种基于5G接入网络的多优先级VNF迁移开销与网络能耗联合优化算法对其进行求解。仿真结果表明,该算法在有效实现VNF迁移开销与网络能耗折中的同时,提高了PM资源利用率,保证了PM性能并均衡各PM负载。 相似文献
153.
该文针对无线虚拟化网络中业务的不确定和信息反馈的时延而引起虚拟资源分配不合理,提出一种基于自回归滑动平均(ARMA)预测的在线自适应虚拟资源分配算法。首先,该算法以保障虚拟网络队列上溢概率为目标对时频资源和缓存资源进行联合分配,并建立虚拟网络总成本最小化的理论分析模型。其次,考虑到虚拟网络对不同资源差异化的应用需求,设计了一种多时间尺度的资源动态调度机制,在长周期上基于ARMA模型的预测信息实现缓存资源的预留策略,在短周期上基于利用大偏差原理推导的队列上溢概率对虚拟网络优先级排序,并根据确定的优先级动态调度时频资源,从而满足各虚拟网络的业务需求。仿真结果表明,该算法可有效降低比特丢失率,同时提升物理资源的利用率。 相似文献
154.
155.
156.
157.
在网络功能虚拟化(Network Function Virtualization,NFV)环境下,保证用户服务功能链(Service Function Chain,SFC)服务质量的同时节约资源消耗,降低运营成本,对运营商来说至关重要。联合考虑SFC部署和无线接入网资源分配,提出一种基于深度强化学习的SFC多维资源联合分配算法。构建一种基于环境感知的SFC资源分配机制,建立用户时延要求、无线速率需求以及资源容量等约束下的SFC部署成本最小化模型。考虑到无线环境的动态变化,将此优化问题转化为一个无模型离散时间马尔科夫决策过程(Markov Decision Process,MDP)模型。由于该MDP状态空间的连续性和动作空间的高维性,采用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)强化学习算法进行求解,得到最小化部署成本的资源分配策略。仿真结果表明,该算法可在满足性能需求及资源容量等约束的同时,有效降低SFC部署成本和端到端传输时延。 相似文献
158.
针对IEEE 802.11系列标准中分布式协调功能(DCF)的缺点,提出了一种简单有效的改进DCF算法.其主要的改进集中在2方面:在经典DCF的基础上,将第0级退避的退避窗口值加倍;使用选择概率p将第0级退避窗口分割成2部分.为了精确地反映改进后协议的性能,建立了二维马尔可夫模型,并将其与经典DCF比较.数值仿真结果表明,改进后的DCF协议在终端节点密度较大时,其吞吐量和时延等性能参数要比经典的DCF优越. 相似文献
159.
160.
考虑网络全局信息难以获悉的实际情况,针对接入网切片场景下用户终端(UE)的移动性和数据包到达的动态性导致的资源分配优化问题,该文提出了一种基于异步优势演员-评论家(A3C)学习的服务功能链(SFC)资源分配算法.首先,该算法建立基于区块链的资源管理机制,通过区块链技术实现可信地共享并更新网络全局信息,监督并记录SFC资源分配过程.然后,建立UE移动和数据包到达时变情况下的无线资源、计算资源和带宽资源联合分配的时延最小化模型,并进一步将其转化为马尔科夫决策过程(MDP).最后,在所建立的MDP中采用A3C学习方法,实现资源分配策略的求解.仿真结果表明,该算法能够更加合理高效地利用资源,优化系统时延并保证UE需求. 相似文献