全文获取类型
收费全文 | 134篇 |
免费 | 12篇 |
国内免费 | 8篇 |
专业分类
综合类 | 6篇 |
化学工业 | 7篇 |
金属工艺 | 2篇 |
机械仪表 | 5篇 |
建筑科学 | 49篇 |
矿业工程 | 7篇 |
轻工业 | 3篇 |
石油天然气 | 1篇 |
无线电 | 10篇 |
一般工业技术 | 3篇 |
自动化技术 | 61篇 |
出版年
2024年 | 2篇 |
2023年 | 3篇 |
2022年 | 2篇 |
2021年 | 4篇 |
2020年 | 4篇 |
2019年 | 10篇 |
2018年 | 9篇 |
2017年 | 1篇 |
2016年 | 1篇 |
2015年 | 6篇 |
2014年 | 3篇 |
2013年 | 10篇 |
2012年 | 9篇 |
2011年 | 11篇 |
2010年 | 9篇 |
2009年 | 6篇 |
2008年 | 4篇 |
2007年 | 6篇 |
2006年 | 4篇 |
2005年 | 5篇 |
2004年 | 2篇 |
2003年 | 3篇 |
2002年 | 6篇 |
2001年 | 2篇 |
2000年 | 5篇 |
1999年 | 1篇 |
1998年 | 17篇 |
1997年 | 2篇 |
1995年 | 5篇 |
1993年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有154条查询结果,搜索用时 140 毫秒
51.
52.
53.
54.
现有基于混合高斯模型的说话人聚类方法主要依据最大后验准则,从通用背景模型中自适应得到类别的混合高斯模型,然而自适应数据较少,模型的准确性不够。对此,文中尝试基于本征语音(EV)空间和全变化(TV)空间分析的两种因子分析建模方法,通过对差异空间的建模,减少估计类别混合高斯模型时需要估计的参数个数。结果表明,在美国国家标准技术研究所2008年说话人识别评测的电话语音数据集上,相对于基于最大后验概率准则的基线系统而言,文中所使用的基于EV和TV空间分析的建模方法都可使聚类错误率有较大幅度的下降,并且TV空间分析建模相对于EV空间分析建模能获得更低的聚类错误率。 相似文献
55.
针对光合细菌(PSB)发酵过程活菌浓度难以在线检测,离线测量又存在很大延时及易染菌的问题,提出一种基于改进蝙蝠-最小二乘支持向量机(IBA-LSSVM)的软测量建模方法。本文先对BA的速度更新公式进行改进,且将差分进化算法(DE)的变异机制引入BA,增加了种群多样性,进而提升了BA算法的全局及局部搜索能力,然后构建了活菌浓度的IBA-LSSVM软测量模型,并与BA-LSSVM软测量模型进行对比。仿真结果表明,改进的模型相较于BA-LSSVM模型有着更好的学习能力和预测性能,测量误差为0.1358,可为光合细菌发酵过程的优化控制提供准确有效的指导,有一定的实际应用价值。 相似文献
56.
57.
基于词袋模型的图像表示方法的有效性主要受限于局部特征的量化误差。文中提出一种基于多视觉码本的图像表示方法,通过综合考虑码本构建和编码方法这两个方面的因素加以改进。具体包括:1)多视觉码本构建,以迭代方式构建多个紧凑且具有互补性的视觉码本;2)图像表示,首先针对多码本的情况,依次从各码本中选择相应的视觉单词并采用线性回归估计编码系数,然后结合图像的空间金字塔结构形成最终的图像表示。在一些标准测试集合的图像分类结果验证文中方法的有效性。 相似文献
58.
为了对静态背景下的运动目标进行快速、准确的提取 ,提出了一种新的运动目标自动提取算法 .该算法在传统的亮度信息的基础上 ,通过引入色差信息来作为预分割的参考 ,取得了较好的预分割效果 ;然后通过改进传统的 canny算法 ,使之能处理含有时间关系的两帧图象 ,以此来获得物体的精细边缘 ;最后设计了一种辅助边缘提取方法 ,结合精细边缘 ,以此来得到运动物体的连续边界 .实验表明 ,这是一种快速稳健的分割算法 相似文献
59.
如何学习有效的人脸特征表达是人脸识别的关键性问题。现有基于卷积神经网络(Convolutional Neural Networks, CNN)的人脸深度特征表达学习方法大多在人脸图像经过了有效检测和校正的情况下,能够获得优异的性能,而在复杂场景下其推广性和鲁棒性受到极大限制。对此,本文提出了结合CNN不同层信息的全变量建模人脸特征表达学习方法,将提取的人脸局部深度特征中所包含的差异信息按照子空间进行建模,有效聚合局部深度特征的同时得到人脸在低维子空间的特征表达(iVector)。在IJB-A(IARPA Janus Benchmark A)上的实验结果表明,与现有的深度特征表达相比,该方法学习得到的人脸iVector表达能够显著提升人脸识别系统的识别性能和计算效率。 相似文献
60.
中文命名实体识别常使用字符嵌入作为神经网络模型的输入,但是中文没有明确的词语边界,字符嵌入的方法会导致部分语义信息的丢失。针对此问题,该文提出了一种基于多颗粒度文本表征的中文命名实体识别模型。首先,在模型输入端结合了字词表征,然后借助N-gram编码器挖掘N-gram中潜在的成词信息,有效地联合了三种不同颗粒度的文本表征,丰富了序列的上下文表示。该文在Weibo、Resume和OntoNotes4数据集上进行了实验,实验结果的F1值分别达到了72.41%、96.52%、82.83%。与基准模型相比,该文提出的模型具有更好的性能。 相似文献