全文获取类型
收费全文 | 37188篇 |
免费 | 4823篇 |
国内免费 | 3371篇 |
专业分类
电工技术 | 3617篇 |
综合类 | 4350篇 |
化学工业 | 558篇 |
金属工艺 | 463篇 |
机械仪表 | 2309篇 |
建筑科学 | 7497篇 |
矿业工程 | 745篇 |
能源动力 | 544篇 |
轻工业 | 561篇 |
水利工程 | 724篇 |
石油天然气 | 651篇 |
武器工业 | 294篇 |
无线电 | 5518篇 |
一般工业技术 | 1653篇 |
冶金工业 | 314篇 |
原子能技术 | 64篇 |
自动化技术 | 15520篇 |
出版年
2024年 | 209篇 |
2023年 | 1059篇 |
2022年 | 1259篇 |
2021年 | 1602篇 |
2020年 | 1600篇 |
2019年 | 2035篇 |
2018年 | 1124篇 |
2017年 | 1473篇 |
2016年 | 1604篇 |
2015年 | 1964篇 |
2014年 | 2916篇 |
2013年 | 2510篇 |
2012年 | 3174篇 |
2011年 | 3054篇 |
2010年 | 2840篇 |
2009年 | 2916篇 |
2008年 | 2949篇 |
2007年 | 2727篇 |
2006年 | 1903篇 |
2005年 | 1569篇 |
2004年 | 1148篇 |
2003年 | 813篇 |
2002年 | 591篇 |
2001年 | 425篇 |
2000年 | 332篇 |
1999年 | 240篇 |
1998年 | 233篇 |
1997年 | 183篇 |
1996年 | 173篇 |
1995年 | 123篇 |
1994年 | 133篇 |
1993年 | 92篇 |
1992年 | 109篇 |
1991年 | 84篇 |
1990年 | 74篇 |
1989年 | 94篇 |
1988年 | 10篇 |
1987年 | 13篇 |
1986年 | 13篇 |
1985年 | 3篇 |
1983年 | 2篇 |
1982年 | 2篇 |
1981年 | 1篇 |
1980年 | 2篇 |
1979年 | 1篇 |
1965年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
1.
引入句法依存信息到原方面术语,提出一种新的方面术语表示方法,利用Glove词向量表示单词以及单词与单词之间的依存关系,构造出包含句法依存信息的依存关系邻接矩阵和依存关系表示矩阵,利用图卷积神经网络和多头注意力机制将句法依存信息融入到方面术语中,使得方面术语表达与上下文结构高度相关。将改进后的方面词术语表示替换到现有模型后,模型泛化能力得到有效提升。对比试验和分析结果表明:该方法具有有效性和泛化性。 相似文献
2.
退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能. 相似文献
3.
4.
5.
混合传感节点的属性较难形成统一识别特征,其节点属性约简过程复杂,存在分类时间长及分类性能差的问题。为此,提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值,利用遗传算法优化粗糙集修正校验结果,获得统一编码形式的节点。在此基础上,排除了属性权重为“0”的属性,完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式,进行混合节点分类。根据约束条件选取对应的分类方法,实现混合传感节点高精度分类。仿真结果表明,所提算法的分类用时低于520 ms,且该方法的查全率、查准率及F1值均高于对比方法,混合传感节点分类性能较好。 相似文献
6.
7.
《中国计量学院学报》2022,(1):92-99
目的:利用图神经网络,构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先,用图卷积神经网络提取节点的初始特征。其次,用多头密集连接网络学习节点重要性得分,并根据得分进行节点采样得到池化图。之后,对池化图中的节点进行结构学习,以保证图结构的完整性。最后,将学到的图表示放到分类器中,完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比,我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。 相似文献
8.
9.
10.