全文获取类型
收费全文 | 344篇 |
免费 | 29篇 |
国内免费 | 22篇 |
专业分类
电工技术 | 9篇 |
综合类 | 23篇 |
化学工业 | 54篇 |
金属工艺 | 20篇 |
机械仪表 | 20篇 |
建筑科学 | 43篇 |
矿业工程 | 11篇 |
能源动力 | 3篇 |
轻工业 | 25篇 |
水利工程 | 9篇 |
石油天然气 | 8篇 |
无线电 | 32篇 |
一般工业技术 | 54篇 |
冶金工业 | 6篇 |
原子能技术 | 2篇 |
自动化技术 | 76篇 |
出版年
2024年 | 7篇 |
2023年 | 13篇 |
2022年 | 13篇 |
2021年 | 17篇 |
2020年 | 18篇 |
2019年 | 23篇 |
2018年 | 15篇 |
2017年 | 1篇 |
2016年 | 15篇 |
2015年 | 6篇 |
2014年 | 25篇 |
2013年 | 21篇 |
2012年 | 21篇 |
2011年 | 24篇 |
2010年 | 16篇 |
2009年 | 24篇 |
2008年 | 18篇 |
2007年 | 20篇 |
2006年 | 8篇 |
2005年 | 8篇 |
2004年 | 16篇 |
2003年 | 8篇 |
2002年 | 16篇 |
2001年 | 6篇 |
2000年 | 7篇 |
1999年 | 2篇 |
1998年 | 3篇 |
1997年 | 4篇 |
1996年 | 6篇 |
1994年 | 5篇 |
1993年 | 1篇 |
1990年 | 1篇 |
1988年 | 3篇 |
1987年 | 1篇 |
1985年 | 1篇 |
1983年 | 1篇 |
1966年 | 1篇 |
排序方式: 共有395条查询结果,搜索用时 0 毫秒
391.
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种经典的基于密度的聚类算法,它通过两个全局参数即半径Eps和最少点数MinPts,能够对任意形状的数据进行聚类,并自动确定类个数。但是,使用全局半径的DBSCAN对于密度不均匀数据集的聚类效果较差,且无法对重叠数据集进行聚类。因此,定义了密度递减原则和局部半径,并根据k-近邻距离自动确定局部半径,从而提出了基于局部半径的DBSCAN算法(LE-DBSCAN);然后,通过考虑近邻的标签,对二支聚类结果的临界点和噪声点进行重新划分,从而提出了基于局部半径的三支DBSCAN算法(LE3W-DBSCAN)。将LE-DBSCAN和LE3W-DBSCAN与该领域的相关算法在UCI数据集和人工数据集上进行对比,实验结果表明,所提算法在常用的硬聚类指标和软聚类指标上都具有较好的表现。 相似文献
392.
针对石化机组轴承做故障分类时,传统支持向量机的分类性能受自身参数选择的影响识别准确率不高的问题,提出一种基于集合经验模态分解和改进支持向量机的石化机组轴承故障诊断。首先利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)与样本熵(sample entropy,SE)对原始信号进行特征提取,采用灰狼算法优化支持向量机(gray wolf optimization algorithm support vector machine,GWO-SVM)的方法得到最优参数,构建石化机组轴承故障诊断模型。最后以实际石化机组数据集进行诊断分析,并通过与未优化的支持向量机和传统优化算法的支持向量机进行对比,表明该文所提方法的有效性和优越性。 相似文献
393.
近年来能源交换的需求量随各区域经济的飞速发展而不断增大,装载运输“燃、汽、爆、化”的危化品车辆日益增加,由车辆导致的爆炸或火灾层出不穷,桥梁结构的运营安全受到严重威胁。作为桥梁防灾的热点问题,学者们在桥梁抗爆与抗火领域进行了卓有成效的研究,现以2020年发表的中英文论文为主,对国内外学者在爆炸冲击荷载试验与数值模拟方法、桥梁火灾试验与模拟技术、桥梁抗爆性能及劣化机理、火灾下桥梁损伤机理与安全评估、桥梁抗爆安全评估方法、过火后桥梁性能演化与灾变机制等方面所取得的研究成果进行扼要综述,通过系统分析表明:爆炸试验技术与结构高应变率下的力学特性研究、复杂火灾环境下桥梁结构断面温度传递与分布规律、多灾耦合作用下桥梁结构的损伤演化、灾变机制和桥梁结构安全评估体系等方面的研究欠缺。为保证桥梁结构在全寿命周期内的服役安全,爆炸、火灾等极端荷载条件下的结构特性和运维安全是当前构建桥梁运维安全保障体系中的重中之重。 相似文献
394.
密度峰值聚类(density peaks clustering, DPC)是一种基于密度的聚类算法,该算法可以直观地确定类簇数量,识别任意形状的类簇,并且自动检测、排除异常点.然而, DPC仍存在些许不足:一方面, DPC算法仅考虑全局分布,在类簇密度差距较大的数据集聚类效果较差;另一方面, DPC中点的分配策略容易导致“多米诺效应”.为此,基于代表点(representative points)与K近邻(K-nearest neighbors, KNN)提出了RKNN-DPC算法.首先,构造了K近邻密度,再引入代表点刻画样本的全局分布,提出了新的局部密度;然后,利用样本的K近邻信息,提出一种加权的K近邻分配策略以缓解“多米诺效应”;最后,在人工数据集和真实数据集上与5种聚类算法进行了对比实验,实验结果表明,所提出的RKNN-DPC可以更准确地识别类簇中心并且获得更好的聚类结果. 相似文献
395.