全文获取类型
收费全文 | 14854篇 |
免费 | 2695篇 |
国内免费 | 2005篇 |
专业分类
电工技术 | 682篇 |
技术理论 | 3篇 |
综合类 | 1569篇 |
化学工业 | 549篇 |
金属工艺 | 161篇 |
机械仪表 | 516篇 |
建筑科学 | 951篇 |
矿业工程 | 667篇 |
能源动力 | 153篇 |
轻工业 | 577篇 |
水利工程 | 333篇 |
石油天然气 | 503篇 |
武器工业 | 84篇 |
无线电 | 1688篇 |
一般工业技术 | 833篇 |
冶金工业 | 845篇 |
原子能技术 | 63篇 |
自动化技术 | 9377篇 |
出版年
2024年 | 31篇 |
2023年 | 378篇 |
2022年 | 707篇 |
2021年 | 869篇 |
2020年 | 836篇 |
2019年 | 649篇 |
2018年 | 599篇 |
2017年 | 587篇 |
2016年 | 580篇 |
2015年 | 712篇 |
2014年 | 1020篇 |
2013年 | 902篇 |
2012年 | 1142篇 |
2011年 | 1258篇 |
2010年 | 978篇 |
2009年 | 969篇 |
2008年 | 993篇 |
2007年 | 1113篇 |
2006年 | 914篇 |
2005年 | 738篇 |
2004年 | 622篇 |
2003年 | 536篇 |
2002年 | 509篇 |
2001年 | 344篇 |
2000年 | 284篇 |
1999年 | 232篇 |
1998年 | 164篇 |
1997年 | 125篇 |
1996年 | 115篇 |
1995年 | 98篇 |
1994年 | 87篇 |
1993年 | 55篇 |
1992年 | 43篇 |
1991年 | 31篇 |
1990年 | 35篇 |
1989年 | 29篇 |
1988年 | 19篇 |
1987年 | 16篇 |
1986年 | 27篇 |
1985年 | 23篇 |
1984年 | 22篇 |
1983年 | 22篇 |
1982年 | 13篇 |
1981年 | 14篇 |
1980年 | 10篇 |
1979年 | 9篇 |
1978年 | 9篇 |
1964年 | 7篇 |
1961年 | 8篇 |
1955年 | 7篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
1.
针对文本分类任务中标注数量少的问题,提出了一种基于词共现与图卷积相结合的半监督文本分类方法。模型使用词共现方法统计语料库中单词的词共现信息,过滤词共现信息建立一个包含单词节点和文档节点的大型图结构的文本图,将文本图中邻接矩阵和关于节点的特征矩阵输入到结合注意力机制的图卷积神经网络中实现了对文本的分类。实验结果表明,与目前多种文本分类算法相比,该方法在经典数据集20NG、Ohsumed和MR上均取得了更好的效果。 相似文献
2.
针对恶意安卓应用程序检测中存在的特征维度大、检测效率低的问题,结合卷积神经网络CNN良好的特征提取和降维能力以及catboost算法无需广泛数据训练即可产生较好分类结果的优点,构建一个CNN-catboost混合恶意安卓应用检测模型。通过逆向工程获取安卓应用的权限、API包、组件、intent、硬件特性和OpCode特征等静态特征并映射为特征向量,再在特征处理层使用卷积核对特征进行局部感知处理以增强信号。使用最大池化对处理后的特征进行下采样,降低维数并保持特征性质不变。将处理后的特征作为catboost分类层的输入向量,利用遗传算法的全局寻优能力对catboost模型进行调参,进一步提升分类准确率。对训练完成的模型,分别使用已知和未知类型的安卓应用程序数据集作实际应用测试。实验结果表明CNN-catboost模型调参用时较少,在预测精度和检测效率上也展示出较为良好的效果。 相似文献
3.
基于描述文本的网络攻击自动化分类是实现APT攻击知识智能抽取的重要基础。针对网络攻击文本专业词汇多、难识别,语义上下文依赖强、难判断等问题提出一种基于上下文语义分析的文本词句特征自动抽取方法,通过构建BERT与BiLSTM的混合神经网络模型BBNN(BERT and BiLSTM Neural Network),计算得到网络攻击文本的初步分类结果,再利用方差过滤器对分类结果进行自动筛选。在CAPEC(Common Attack Pattern Enumeration and Classification)攻击知识库上的实验结果显示,该方法的准确率达到了79.17%,相较于单一的BERT模型和BiLSTM模型的分类结果分别提高了7.29%和3.00%,实现了更好的网络攻击文本自动化分类。 相似文献
4.
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
5.
提出一种对膨胀土进行判别和分类的新指标——最大面积收缩率(SCR),其定义为最大面积收缩率试验中试样干燥后收缩裂隙的总面积与试样初始面积的比值。通过对不同地区土样开展试验,研究了制样初始含水率、初始厚度、接触面粗糙度以及环境温度对试验结果的影响,并对SCR作为膨胀土判别与分类指标的可信度与可靠度进行了分析,最终提出了利用SCR对膨胀土进行分类的界限指标。试验结果表明:初始含水率和界面粗糙度对SCR用于膨胀土的判别和分类没有影响;当初始厚度限制在8 mm以内时,可以忽略厚度对试验结果的影响;建议烘干温度为105℃。SCR与蒙脱石含量、阳离子交换量线性相关,能较好地反应膨胀土的胀缩特性;SCR与标准吸湿含水率和塑性指数线性相关,体现出利用SCR对膨胀土进行判别与分类具有较高的可信度。最大面积收缩率试验操作简单、周期短且可重复性高。 相似文献
6.
电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。 相似文献
7.
8.
在现实世界中,可用的训练数据通常较少,且很容易过时,所以需要不断采集和标记大量新的数据集;针对此问题,提出一种基于SAMME和TrAdaBoost算法的迁移学习分类方法。该方法的核心思想是:从老视频流数据集中筛选出有用的样本来帮助模型识别新的未知视频流集样本,这里新老视频流数据集的样本特征分布是不相同的。同时该方法结合SAMME算法将TrAdaBoost算法从只可实现两分类扩展至多分类。实验结果表明,与现有方法比较,该方法能更好地实现对六种类型视频流的精细分类,并减少大量已标注老数据集的浪费。 相似文献
9.
为了平衡跟踪器的分类与估计模块间的性能差距,提出一种模块性能均衡的跟踪器.首先,通过大量离线学习,将高阶特征纳入目标估计中;然后,对目标估计模块进行训练,预测目标对象与估计跟踪框之间的重叠.为了提高所提分类模块在面对干扰物时的鲁棒性,引入在线训练的分类模块,采用了难分样本挖掘方法,确保较高的区分能力.在OTBI00、VOT2016和TrackingNet三个公开数据集上进行实验,结果表明,与相关滤波、多域网络等方法相比,所提方法的重叠精度指标更优、跟踪精度更高,且收敛性明显快于梯度下降法,运行速率达到实时要求. 相似文献
10.
基于多时序特征和卷积神经网络的农作物分类 总被引:1,自引:0,他引:1
近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明:①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。 相似文献