全文获取类型
收费全文 | 10678篇 |
免费 | 1791篇 |
国内免费 | 1246篇 |
专业分类
电工技术 | 535篇 |
技术理论 | 1篇 |
综合类 | 1023篇 |
化学工业 | 187篇 |
金属工艺 | 108篇 |
机械仪表 | 778篇 |
建筑科学 | 1914篇 |
矿业工程 | 198篇 |
能源动力 | 87篇 |
轻工业 | 159篇 |
水利工程 | 445篇 |
石油天然气 | 242篇 |
武器工业 | 74篇 |
无线电 | 2905篇 |
一般工业技术 | 541篇 |
冶金工业 | 77篇 |
原子能技术 | 165篇 |
自动化技术 | 4276篇 |
出版年
2024年 | 22篇 |
2023年 | 447篇 |
2022年 | 502篇 |
2021年 | 569篇 |
2020年 | 643篇 |
2019年 | 732篇 |
2018年 | 464篇 |
2017年 | 535篇 |
2016年 | 596篇 |
2015年 | 627篇 |
2014年 | 853篇 |
2013年 | 699篇 |
2012年 | 810篇 |
2011年 | 872篇 |
2010年 | 716篇 |
2009年 | 899篇 |
2008年 | 1422篇 |
2007年 | 456篇 |
2006年 | 340篇 |
2005年 | 307篇 |
2004年 | 234篇 |
2003年 | 192篇 |
2002年 | 155篇 |
2001年 | 117篇 |
2000年 | 89篇 |
1999年 | 77篇 |
1998年 | 85篇 |
1997年 | 51篇 |
1996年 | 52篇 |
1995年 | 31篇 |
1994年 | 25篇 |
1993年 | 25篇 |
1992年 | 22篇 |
1991年 | 11篇 |
1990年 | 14篇 |
1989年 | 15篇 |
1988年 | 3篇 |
1987年 | 2篇 |
1986年 | 3篇 |
1959年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 156 毫秒
1.
由于受到光照和成像设备等条件因素的影响,采集到的单帧人脸图像分辨率低,无法进行准确人脸识别,所以需要图像超分辨率重建。而利用SRGAN模型在进行人脸超分辨率重建过程中,易出现梯度消失或爆炸的问题,严重影响了重建图像的精度和质量。针对上述问题,提出了基于生成对抗网络的改进人脸超分辨率重建算法,在SRGAN结合WGA-N的基础上引入Wasserstein散度,并将其最大化得到最优化标量函数[T],实现去掉Lipschit-z约束能够直接得到Wassertein距离,并通过最小化Wassertein距离得到生成网络的目标函数,最终改进的模型提高了重建图像的质量。实验结果表明,该方法能够生成高分辨率的人脸图像,在主观视觉和客观评价指标均同比优于DRCN、FSRCNN、SRGAN_WGAN、VDSR和DRRN模型。 相似文献
2.
基于深度学习的视频超分辨率方法主要关注视频帧内和帧间的时空关系,但以往的方法在视频帧的特征对齐和融合方面存在运动信息估计不精确、特征融合不充分等问题。针对这些问题,采用反向投影原理并结合多种注意力机制和融合策略构建了一个基于注意力融合网络(AFN)的视频超分辨率模型。首先,在特征提取阶段,为了处理相邻帧和参考帧之间的多种运动,采用反向投影结构来获取运动信息的误差反馈;然后,使用时间、空间和通道注意力融合模块来进行多维度的特征挖掘和融合;最后,在重建阶段,将得到的高维特征经过卷积重建出高分辨率的视频帧。通过学习视频帧内和帧间特征的不同权重,充分挖掘了视频帧之间的相关关系,并利用迭代网络结构采取渐进的方式由粗到精地处理提取到的特征。在两个公开的基准数据集上的实验结果表明,AFN能够有效处理包含多种运动和遮挡的视频,与一些主流方法相比在量化指标上提升较大,如对于4倍重建任务,AFN产生的视频帧的峰值信噪比(PSNR)在Vid4数据集上比帧循环视频超分辨率网络(FRVSR)产生的视频帧的PSNR提高了13.2%,在SPMCS数据集上比动态上采样滤波视频超分辨率网络(VSR-DUF)产生的视频帧的PSNR提高了15.3%。 相似文献
3.
针对心电(ECG)信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器(Deep Sparse Auto-Encoders,DSAEs)的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计(Adaptive moment estimation,Adam)对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机(Support Vector Machines,SVM)构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。 相似文献
4.
针对动态非刚性在线重建存在的重建漂移问题,提出了一种基于单个RGB-D传感器的稠密变形场在线融合策略,实现了对非刚性几何形状的动态重建.通过局部平滑和输入约束处理,将空间的最优变形转换为非线性正则变分优化问题,并使用数据并行闪存优化策略,以摄像机捕获速率,实现对非刚性场景的在线跟踪重建.通过实验表明,本文方法实现了对非刚性场景的鲁棒跟踪,减少了在线重建过程中的漂移现象,适用于快速运动和缺乏几何特征的场景重建. 相似文献
5.
从人工智能技术的角度来看,实时性策略(RTS,Real-Time Strategy)游戏是最复杂和最具挑战性的领域之一.一些实时策略游戏不仅具有状态动作空间巨大、环境部分可观测和即时性的特点,而且具有稀疏决策的特征.为了解决在实时策略游戏中决策比较稀疏的条件下进行指令类型的选择问题,引入了一种使用带权重的交叉熵损失函数的GRU神经网络模型.为验证所提方法的有效性,实验在游戏仿真平台上对GRU神经网络模型进行了综合评估.实验结果表明,对实时策略游戏中决策稀疏条件下的指令类型选择,改进的GRU网络模型是有效且稳定的. 相似文献
6.
随着现代社会经济的迅猛发展,计算机网络被广泛应用到各行各业中,并且发挥着无可替代的重要作用,与此同时,人们对计算机网络服务质量提出了更为明确的要求,如何也网络服务质量一直是互联网领域的研究热点.文中分析了目前网络服务质量综合评估研究的缺陷,同时考虑到传统的数据处理方法在面对数据量庞大、数据类型繁多的情况时缺点会被无限放大,利用稀疏自编码网络模型对多维度数据进行数据降维和特征提取,然后以特征数据集作为实验数据,采用改进灰色关联分析-逼近理想解排序法对网络服务质量进行综合评估,为多层次、多准则综合评估系统提供新的思路. 相似文献
7.
现有的高斯响应矩阵在对高分辨率γ能谱进行重建时,极易出现假峰、峰位漂移等问题。本文针对测量条件(温/湿度、电压波动等)微弱变化引起峰位扰动进而影响高斯响应矩阵重建结果准确度的问题,通过引入微扰动修正因子,对现有高斯响应矩阵进行修正。采用IAEA重峰分解测试谱及GMX40P高纯锗探测器实测能谱对修正前后的高斯响应矩阵进行谱线解析测试。结果表明:通过修正后响应矩阵重建的能谱,其峰位与实际峰位保持一致,净峰面积的相对偏差分别低于1025%和550%。 相似文献
8.
对于图像超分辨率重建而言,通常会将图像的整体信息作为研究对象。然而图像本身含有的大量结构信息并没有得到充分利用。为了提高超分辨率重建的效果,实现对不同特征信息的利用,提出了一种融合邻域回归和稀疏表示的图像超分辨率重构算法。依据图像所具有的低秩性对高分辨率图像进行分解,获得高分辨率图像的低秩部分和稀疏部分;将对应的低分辨率图像与高分辨率图像的低秩部分和稀疏部分进行训练,学习得到对应的特征字典;基于高分辨率图像的低秩部分和稀疏部分分别基于稀疏表示和邻域嵌入进行高分辨率重构;基于低秩矩阵恢复理论,融合邻域回归和稀疏表示重构的高分辨率图像,得到最终的高分辨率图像。在测试集Set5和Set14上将提出的算法与几种经典算法进行对比实验,可视化和量化结果均表明,相比传统超分辨率算法,提出的算法在PSNR和SSIM都有很好的提升。 相似文献
9.
针对多标记学习中特征噪声和标记噪声经常共同出现的问题,提出了一种图趋势过滤诱导的噪声容错多标记学习模型(GNTML)。该模型通过组稀疏约束桥接增强的标记,从而同时容忍特征噪声和标记噪声。模型的关键之处在于标记增强矩阵的学习。为了在混合噪声场景下学习到合理的标记增强矩阵,首先通过引入图趋势过滤(GTF)机制来容忍含噪示例特征与标记之间关联的不一致性,从而减轻特征噪声对标记增强矩阵学习的影响;然后通过引入组稀疏约束的标记保真惩罚来减轻标记噪声对标记增强矩阵学习的影响,同时引入标记关联矩阵的稀疏约束来刻画标记之间的局部关联特性,使得样本标记能够在相似样本之间得到更好的传播;最后在7个真实多标记数据集上进行5个不同评价指标下的实验。实验结果表明,提出的模型在66.67%的情况下取得最优值或次优值,优于其他5个多标记学习算法,能有效地提高多标记学习的鲁棒性。 相似文献
10.
对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性. 相似文献