全文获取类型
收费全文 | 81篇 |
免费 | 31篇 |
国内免费 | 1篇 |
专业分类
电工技术 | 32篇 |
综合类 | 2篇 |
机械仪表 | 33篇 |
无线电 | 34篇 |
一般工业技术 | 9篇 |
自动化技术 | 3篇 |
出版年
2023年 | 2篇 |
2021年 | 2篇 |
2020年 | 1篇 |
2019年 | 1篇 |
2018年 | 1篇 |
2017年 | 2篇 |
2016年 | 7篇 |
2015年 | 5篇 |
2014年 | 2篇 |
2013年 | 4篇 |
2012年 | 9篇 |
2011年 | 15篇 |
2010年 | 9篇 |
2009年 | 8篇 |
2008年 | 6篇 |
2007年 | 7篇 |
2006年 | 8篇 |
2005年 | 1篇 |
2004年 | 16篇 |
2003年 | 1篇 |
2002年 | 3篇 |
2001年 | 1篇 |
2000年 | 2篇 |
排序方式: 共有113条查询结果,搜索用时 13 毫秒
71.
72.
测试调度问题已成为SoC发展的瓶颈,这一NP完全问题经常被抽象成二维装箱问题.传统方法的出发点是将一个IP核分配一组固定的连续的测试总线,并求得此时的测试时间,将其分别映射成一个待装箱的小矩形的宽和长.对这一问题进行扩展,提出一种灵活TAM总线分配的方法,解决SoC测试调度问题.该方法的主要思想是将一个IP核灵活的分配多组测试总线,把代表该IP核信息的一个矩形从宽度上分割为多个矩形.同时,利用B*-Tree结构描述"箱体布局",采用一种新的组合优化算法--交叉熵方法,对其进行求解.最后将其应用在ITC'02标准测试集上,实验表明,基于灵活TAM总线分配方法的SoC测试调度比现有的测试调度方法能更有效地降低SoC的测试时间. 相似文献
73.
移动通信话务量多步预测的LS-SVM方法研究 总被引:1,自引:1,他引:0
针对目前移动通讯对话务量预测的高精度、高效率和多步预测需求,提出一种基于最小二乘支持向量机(least-squaresupport vector machine,LS-SVM)的话务量预测方法,采用自相关分析法确定LS-SVM建模输入样本的嵌入维数和延迟时间,最大限度地保留历史信息并降低样本的维数;在此基础上,以最少量预测值代替真实值构成多步预测的输入样本,解决了多步预测精度下降的问题.通过中国移动黑龙江有限公司完成的实际应用测试表明:该方法可以实现话务量的高精度、在线多步预测,具备良好的实用性. 相似文献
74.
针对LS-SVM应用于大样本时间序列预测时存在的计算复杂度高和泛化能力降低的问题,提出一种采用局部模型的时间序列预测方法.该方法采用K-means算法对训练样本进行聚类,并以VRC原则确定最佳聚类数,然后利用LS-SVM对聚类后样本进行局部建模;同时,针对一般LS-SVM建模过程中共轭梯度方法计算效率低的问题,采用Cholseky分解方法以实现计算效率的提升.仿真实验和应用测试表明,该方法用于大规模数据分析时,可在保持预测精度的前提下,提高训练效率5 ~ 28倍,在降低计算复杂度的同时,有效地提高了模型的泛化能力. 相似文献
75.
提出了一种基于自定义探针的绑定前TSV测试方法,该方法采用兼容于IEEE 1149.1测试标准的可测性设计结构,通过片上测试电路连接穿透硅通孔(TSV)前端和自定义探针连接TSV后端构成闭合回路,使得阻性故障测试不受故障位置影响,测试结果具有更高的精度。此外,与暂态过程中捕获TSV测试结果的其他测试方法不同,本方法是在稳态过程中进行,这使得寄生电容、TSV电容和生产工艺偏差对测试结果的影响更小,测试鲁棒性更高。经过HSPICE的仿真验证,证明了其有效性,根据仿真结果,对其测试精度,测试时间以及芯片占用面积进行了分析与评估。 相似文献
76.
一种新型复杂时间序列实时预测模型研究 总被引:1,自引:0,他引:1
针对复杂时间序列难以使用单一预测方法进行有效预测的问题,本文提出一种新型多分辨率增量预测模型.该模型首先使用经验模式分解方法对复杂时间序列分解,然后对各分量分别进行增量核空间独立向量组合预测建模,最后对各个分量预测结果等权求和集成为综合预测结果.该预测模型可以实现对复杂时间序列的快速实时预测,实验结果显示该模型在复杂时间序列预测上有良好的性能. 相似文献
77.
一种新版本的PXI技术规范给PXI技术带来了更多的优异性能-对于今天更大且更复杂的ATE来说,减少了其研制周期和开发时间,规模和成本。 相似文献
78.
随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。 相似文献
79.
80.