全文获取类型
收费全文 | 177篇 |
免费 | 64篇 |
国内免费 | 36篇 |
专业分类
电工技术 | 20篇 |
综合类 | 21篇 |
化学工业 | 9篇 |
金属工艺 | 6篇 |
机械仪表 | 31篇 |
矿业工程 | 6篇 |
能源动力 | 3篇 |
水利工程 | 2篇 |
石油天然气 | 3篇 |
武器工业 | 1篇 |
无线电 | 27篇 |
一般工业技术 | 11篇 |
冶金工业 | 2篇 |
自动化技术 | 135篇 |
出版年
2024年 | 1篇 |
2023年 | 5篇 |
2022年 | 8篇 |
2021年 | 6篇 |
2020年 | 8篇 |
2019年 | 6篇 |
2018年 | 12篇 |
2017年 | 10篇 |
2016年 | 15篇 |
2015年 | 13篇 |
2014年 | 29篇 |
2013年 | 20篇 |
2012年 | 26篇 |
2011年 | 25篇 |
2010年 | 22篇 |
2009年 | 17篇 |
2008年 | 10篇 |
2007年 | 22篇 |
2006年 | 8篇 |
2005年 | 5篇 |
2004年 | 5篇 |
2003年 | 4篇 |
排序方式: 共有277条查询结果,搜索用时 15 毫秒
71.
基于KPCA-HSMM设备退化状态识别与故障预测方法研究 总被引:3,自引:1,他引:2
为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性. 相似文献
72.
通过分析目前的电煤供应现状,提出建立储煤中心来解决电煤供应瓶颈问题.运用KPCA-SVRM(基于核函数的主成分分析与支持向量回归机结合)模型进行储煤中心选址决策,综合考虑各种因素,把社会专业化分工的优越性充分发挥出来,使之在实现电力行业可持续发展的同时尽量节约能源和成本、注重效益,保持电力行业的长期、健康、协调发展.在KPCA-SVRM模型中,首先是用KPCA对影响储煤中心选址决策的各种因素进行主成分提取,然后将提取后的主成分作为SVRM的输入,通过学习和训练最终输出决策结果,最后用相关实例来说明此过程. 相似文献
73.
An indoor localization algorithm based on kernel principal component analysis (KPCA) was proposed.It applied KPCA to train the original location fingerprint (OLF) and extract the nonlinear feature of the OLF data at the offline stage,such that the information of all AP was more efficiently utilized.At the online stage,an improved weight k-nearest neighbor algorithm for positioning which could automatically choose neighbors was proposed.The experiments were carried out in a realistic WLAN environment.The results show that the algorithm outperforms the existing methods in terms of the mean error and localization accuracy.Moreover,it requires less times of RSS acquisition and AP number. 相似文献
74.
传统的PCA和LDA算法受限于“小样本问题”,且对像素的高阶相关性不敏感。论文将核函数方法与规范化LDA相结合,将原图像空间通过非线性映射变换到高维特征空间,并借助于“核技巧”在新的空间中应用鉴别分析方法。通过对ORL人脸库的大量实验表明,该方法在特征提取方面优于PCA,KPCA,LDA等其他方法,在简化分类器的同时,也可以获得高识别率。 相似文献
75.
核主元分析及其在人脸识别中的应用 总被引:10,自引:0,他引:10
传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。 相似文献
76.
77.
78.
79.
基于KPCA的决策树方法及其应用 总被引:2,自引:0,他引:2
主成分分析(PCA)作为一种数据减少技术常用于构造决策树,有利于降低树的复杂度和提高分类精度,但在处理非线性问题时往往不能取得好的效果.针对上述情况,提出了一种基于核主成分分析(KPCA)的决策树方法.实验结果表明,该方法是可行的和有效的,且在分类精度、方差贡献率等方面优于基于PCA的决策树. 相似文献
80.