全文获取类型
收费全文 | 28篇 |
免费 | 3篇 |
国内免费 | 5篇 |
专业分类
电工技术 | 5篇 |
综合类 | 1篇 |
化学工业 | 1篇 |
机械仪表 | 1篇 |
建筑科学 | 2篇 |
矿业工程 | 2篇 |
能源动力 | 2篇 |
轻工业 | 2篇 |
无线电 | 10篇 |
自动化技术 | 10篇 |
出版年
2023年 | 2篇 |
2022年 | 1篇 |
2020年 | 1篇 |
2019年 | 1篇 |
2018年 | 2篇 |
2016年 | 1篇 |
2015年 | 2篇 |
2014年 | 4篇 |
2013年 | 1篇 |
2012年 | 1篇 |
2011年 | 5篇 |
2009年 | 1篇 |
2008年 | 1篇 |
2007年 | 2篇 |
2006年 | 3篇 |
2005年 | 1篇 |
2004年 | 2篇 |
2003年 | 2篇 |
2002年 | 1篇 |
2000年 | 1篇 |
1995年 | 1篇 |
排序方式: 共有36条查询结果,搜索用时 93 毫秒
31.
偏度在独立元分析模型中的作用分析及算法设计 总被引:1,自引:0,他引:1
相对于峭度(kurtosis),偏度(skewness)历来在独立元分析(ICA)的研究中就没有得到充分重视.尤其是当关于峭度符号的一比特匹配定理在理论上被证明了以后,偏度似乎更是变成了ICA模型中的一个无用统计量.但当信号的峭度很小或者其非Gauss性主要源自于偏度时,仅仅利用峭度信息是不足够的.本文目的就在于分析和讨论在此种情况下独立元分析如何利用偏度信息.首先从理论上分析了偏度在ICA模型中的作用,结果表明在偏度上并不存在与峭度类似的一比特匹配定理,也就是说,算法中模型密度函数的选择无需考虑其偏度与源信号偏度的符号匹配问题.在此基础上,本文进一步提出了一套灵活的模型密度函数设计方法,并提出了一个算法实例,它可以适用于具有任意偏度和峭度组合的信号. 相似文献
32.
随着教育现代化的逐步推进,多媒体走进课堂,成为了教学的重要辅助手段。在数学教学中发挥多媒体优势,优化课堂教学,培养学生的数学思维及能力,将起到事半功倍的效果。●提高课堂效率,数学容量更大了多媒体的使用大大提高了单位时间内传递信息的容量,增加了课堂的密度。但是,增大容量不是增多练习数量, 相似文献
33.
将反应型阻燃剂六(4-磷酸二乙酯羟甲基苯氧基)环三磷腈(HPHPCP)和可膨胀石墨(EG)复配,制备了阻燃聚氨酯泡沫,详细研究了复配阻燃剂对聚氨酯泡沫的物理力学性能、热稳定性以及阻燃性能的影响。结果表明,阻燃聚氨酯泡沫的密度和热导率随着复配阻燃剂中EG含量的增加而升高;压缩强度随着EG含量的增加呈现先增加后降低的趋势。热失重表明复配阻燃剂大大提高了聚氨酯泡沫的热稳定性。聚氨酯泡沫的初始分解温度(T10%)从212.9℃,分别提高到222.0、231.2和243.2℃;700℃残炭量从7.6%分别提高到26.3%、31.6%和37.9%。聚氨酯泡沫的阻燃性能随着复配阻燃剂中EG含量的增加而提高。阻燃聚氨酯泡沫的极限氧指数从19%提高到29%,均能通过UL-94水平燃烧HF-1等级和垂直燃烧V-0等级。 相似文献
34.
目前现有配电网线路相间故障采用自动重合闸技术存在重合于未消失故障导致重合不成功的风险,有必要重合前进行无故障识别来避免盲目重合。针对配电网带并联补偿电容器的线路,研究了一种利用并联电容器储能放电的电压电流信息进行相间故障重合前无故障识别方案。分析表明,瞬时故障时,故障熄弧前过渡电阻为较小值,而熄弧后过渡电阻理论上无穷大,且熄弧瞬间过渡电阻存在突变特征;而永久故障时,跳闸后故障过渡电阻持续为较小值。据此特征,提出了利用相间故障过渡电阻的辨识结果进行重合前故障状态的识别方法及判据。最后,PSCAD建模仿真计算分析表明,所提出相间故障重合前无故障识别方法的正确性和有效性,有助于提高配电网相间故障的重合成功率。 相似文献
35.
含分布式电源配电网的黑启动运行特性研究 总被引:1,自引:0,他引:1
对于电力系统局部失电或大面积失电,利用分布式电源恢复供电的黑启动方案具有重要意义。文中在分布式电源配电网建模的基础上,结合含分布式电源的配电网自身特点,以配有储能装置、具有电压/频率控制能力的分布式电源作为黑启动电源,分析其黑启动运行特性,给出含分布式电源黑启动的优化组合方案。最后,仿真验证了优化配置方案的有效性,为配电网实现黑启动预案提供必要的理论基础 相似文献
36.
增量学习是缩小当前人工智能和人类智能间差距的关键技术,指智能体像人类一样从不稳定数据流中顺序学习多个任务,且不发生遗忘。目标检测是计算机视觉领域的核心任务之一,是计算机理解图像的基石。因此,增量目标检测问题具有重要的研究意义和实际意义。尽管增量学习在图像分类中取得了不错的成果,但基于目标检测的增量学习研究还处于初级阶段。这是因为目标检测相比图像分类更加复杂,它需要同时解决分类和边框回归的问题。不少研究者为解决此问题做了很多努力,但大多数工作都只关注如何保留已学习任务的性能,忽略了模型对新任务的快速适应能力,而这正是增量学习的关键要求。基于大脑的记忆机制,人类可以在学习中不断地提取知识以更好更快地学习新任务,不发生遗忘。受此启发,提出了一种融合编解码记忆重放机制的增量元学习方法。该方法对已学习样本的特征向量进行编码存储和解码重放,从而将不稳定数据流近似为动态稳定数据集,缓解了遗忘问题。同时,设计了一个双循环在线元学习策略,模型在内循环分别基于多批次新旧混合数据进行随机梯度更新,最后在外循环进行元学习,从而获得多任务间的共同结构,使模型具有良好的泛化性能,能够快速适应学习中遇到的新任务。在... 相似文献