全文获取类型
收费全文 | 716篇 |
免费 | 54篇 |
国内免费 | 84篇 |
专业分类
电工技术 | 5篇 |
综合类 | 63篇 |
化学工业 | 3篇 |
机械仪表 | 12篇 |
建筑科学 | 10篇 |
轻工业 | 5篇 |
水利工程 | 4篇 |
无线电 | 67篇 |
一般工业技术 | 13篇 |
冶金工业 | 3篇 |
自动化技术 | 669篇 |
出版年
2024年 | 2篇 |
2023年 | 33篇 |
2022年 | 35篇 |
2021年 | 50篇 |
2020年 | 35篇 |
2019年 | 38篇 |
2018年 | 17篇 |
2017年 | 27篇 |
2016年 | 9篇 |
2015年 | 21篇 |
2014年 | 31篇 |
2013年 | 29篇 |
2012年 | 21篇 |
2011年 | 35篇 |
2010年 | 27篇 |
2009年 | 37篇 |
2008年 | 37篇 |
2007年 | 32篇 |
2006年 | 30篇 |
2005年 | 30篇 |
2004年 | 32篇 |
2003年 | 38篇 |
2002年 | 35篇 |
2001年 | 23篇 |
2000年 | 25篇 |
1999年 | 21篇 |
1998年 | 18篇 |
1997年 | 17篇 |
1996年 | 7篇 |
1995年 | 8篇 |
1994年 | 10篇 |
1993年 | 8篇 |
1992年 | 9篇 |
1991年 | 5篇 |
1990年 | 7篇 |
1989年 | 9篇 |
1988年 | 1篇 |
1987年 | 2篇 |
1986年 | 3篇 |
排序方式: 共有854条查询结果,搜索用时 15 毫秒
1.
机器翻译译文质量估计(Quality Estimation,QE)是指在不需要人工参考译文的条件下,估计机器翻译系统产生的译文的质量,对机器翻译研究和应用具有很重要的价值。机器翻译译文质量估计经过最近几年的发展,取得了丰富的研究成果。该文首先介绍了机器翻译译文质量估计的背景与意义;然后详细介绍了句子级QE、单词级QE、文档级QE的具体任务目标、评价指标等内容,进一步概括了QE方法发展的三个阶段: 基于特征工程和机器学习的QE方法阶段,基于深度学习的QE方法阶段,融入预训练模型的QE方法阶段,并介绍了每一阶段中的代表性研究工作;最后分析了目前的研究现状及不足,并对未来QE方法的研究及发展方向进行了展望。 相似文献
2.
二进制函数相似性检测是检测软件中已知安全漏洞的一种重要手段,随着物联网设备急剧增长,越来越多的软件被编译到不同指令集架构的平台上运行,因此基于二进制的跨平台相似性检测方法更具通用性。针对目前基于深度神经网络的跨平台相似性检测方法只能在基本块粒度进行相似性比对的不足,基于神经机器翻译的思想,提出一个通用的跨指令集架构的二进制函数相似性检测框架BFS,在函数粒度上通过无监督学习的方法自动捕获二进制函数的语义信息,生成二进制函数的嵌入向量。实验结果表明,BFS的P@10评价指标在88.0%以上,相较于现有方法提升了10.6百分点,并且能够有效检测出路由器固件中的已知真实漏洞。充分说明BFS检测框架在对二进制函数进行嵌入时,不仅能够保留较多原始语义信息,同时能够消除不同指令集架构以及编译优化选项的影响。 相似文献
4.
5.
6.
面向小语种机器翻译的平行语料库构建方法 总被引:1,自引:0,他引:1
神经机器翻译模型的训练效果在很大程度上取决于平行语料库的规模和质量。除了一些常见语言外,汉语与小语种间高质量平行语料库的建设一直处于滞后状态。现有小语种平行语料库多采用自动句子对齐技术利用网络资源构建而成,在文本质量和领域等方面有诸多局限性。采用人工翻译的方式可以构建高质量平行语料库,但是缺乏相关经验和方法。文中从机器翻译实践者和研究者角度出发,介绍了经济高效的人工构建小语种平行语料库的工作,包括其总体目标、实施过程、流程细节和最后结果。在构建过程中尝试并积累了各种经验,形成了小语种到汉语平行语料库构建方法、建议的总结。最终,成功构建了波斯语到汉语、印地语到汉语、印度尼西亚语到汉语各50万条高质量平行语料。实验结果表明,所构建的平行语料库有较好的质量,提高了小语种神经机器翻译模型的训练效果。 相似文献
7.
该文通过改进字节对编码算法,提出了带字数阈值的藏文字节对编码算法,优化了基于注意力机制的汉藏神经机器翻译模型。收集整理了100万汉藏句对和20万汉藏人名地名词典,训练了汉藏神经机器翻译模型。通过测试和验证,模型的BLEU值达到36.84。该模型的命名实体翻译效果优于已商用汉藏在线翻译系统。同时,该文的神经机器翻译模型已部署于汉藏机器翻译网站,实现了汉藏神经机器翻译系统的应用推广。 相似文献
8.
英文中单词有大小写之分,如果使用不规范,会降低语句的可读性,甚至造成语义上的根本变化。当前的机器翻译处理流程一般先翻译生成小写的英文译文,再采用独立的大小写恢复工具进行还原,这种方式步骤繁琐且没有考虑上下文信息。另一种方式是抽取包含大小写的词表,但这种方式扩大了词表,增加了模型参数。该文提出了一种在神经机器翻译训练中联合预测英语单词及其大小写属性的方法,在同一个解码器输出层分别预测单词及其大小写属性,预测大小写时充分考虑源端语料和目标端语料上下文信息。该方法不仅减小了词表的大小和模型参数,译文的质量也得到提升。在WMT 2017汉英新闻翻译任务测试集上,相比基线方法,该方法在大小写敏感和大小写不敏感两个评价指标上分别提高0.97 BLEU和1.01 BLEU,改善了神经机器翻译模型的性能。 相似文献
9.
10.