全文获取类型
收费全文 | 139篇 |
免费 | 12篇 |
国内免费 | 4篇 |
专业分类
电工技术 | 1篇 |
综合类 | 24篇 |
机械仪表 | 37篇 |
无线电 | 18篇 |
一般工业技术 | 9篇 |
自动化技术 | 66篇 |
出版年
2023年 | 1篇 |
2022年 | 3篇 |
2021年 | 3篇 |
2019年 | 2篇 |
2018年 | 4篇 |
2017年 | 2篇 |
2016年 | 8篇 |
2015年 | 5篇 |
2014年 | 6篇 |
2013年 | 7篇 |
2012年 | 7篇 |
2011年 | 6篇 |
2010年 | 10篇 |
2009年 | 12篇 |
2008年 | 6篇 |
2007年 | 6篇 |
2006年 | 6篇 |
2005年 | 9篇 |
2004年 | 7篇 |
2003年 | 7篇 |
2002年 | 4篇 |
2001年 | 7篇 |
2000年 | 2篇 |
1999年 | 8篇 |
1998年 | 2篇 |
1997年 | 7篇 |
1996年 | 3篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1992年 | 2篇 |
1990年 | 1篇 |
排序方式: 共有155条查询结果,搜索用时 15 毫秒
31.
共同空间模式(Common spatial pattern,CSP)是运动想象脑机接口(Brain-computer interface,BCI)中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器(Stacked denoising autoencoders,SDA),提出了一种多类运动想象脑电信号(Electroencephalogram,EEG)的两级特征提取方法.首先利用一对多CSP(One versus rest CSP,OVR-CSP)将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性. 相似文献
32.
为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。 相似文献
33.
HI—1三感觉机械手的研究 总被引:4,自引:2,他引:2
本文对机器人的接近觉、接触觉、滑觉进行了研究,设计并制作了能装于机械手爪上的小型组合传感器.传感器组成的系统在一简易的机械手上完成了抓鸡蛋、纸盒、玻璃瓶、铁块等多种操作. 相似文献
34.
压阻阵列触觉传感器为减少外接引线,一般来用行列电极结构,给触觉的扫描采样带来了噪声。随着阵列数的增加,提高传感器的频响,将直接影响它的实时处理。为此,设计了一种新的行扫描采样电路,解决了这二方面的问题. 相似文献
35.
36.
37.
针对膝关节角度测量问题,给出了一种基于微型加速度传感器测量角度原理的膝关节角度测量方法,该方法结合固定于膝关节同一位置但不同轴向角度的两个微型加速度传感器的测量数据,联合推算出膝关节角度。根据两个传感器输出加速度向量模相等的原理,进一步提出了测量角度的交叉校准方法。实验结果表明,采用该方法建立的膝关节角度测量系统,测量成本较低,测量精度达到±1.5°。 相似文献
38.
为了消除肌电信号中的噪声并且保留信号的细节信息,本文提出了基于小波域隐马尔科夫模型的肌电信号消噪方法。该方法利用隐马尔科夫模型对表面肌电信号小波分解后的小波系数之间的相关性进行建模,运用训练模型算法(Expectation-Maximization algorithm,EM算法)估计出该模型的参数,以贝叶斯估计得到真实信号的小波系数,通过重构实现肌电信号的滤波。实验结果表明该方法能有效地去除肌电信号中的噪声,对进一步的特征提取和模式识别创造了良好的条件。 相似文献
39.
一种基于HHT和AR模型的手部运动模式识别方法 总被引:1,自引:0,他引:1
为了实现基于表面肌电信号(SEMG)的手部动作运动模式识别,提出一种Hilbert-Huang变换(HHT)和自回归(AR)模型相结合的特征提取算法.该方法依据HHT后各层固有模态函数(IMF)的瞬时频率定义每层IMF的频率有效度,由频率有效度选取6层平稳的IMF,同时考察具有最大频率有效度的IMF,并以该IMF的瞬时幅值确定动作信号的起止点.对6层IMF中的动作信号建立AR模型提取手部运动模式的特征向量.提取主成分后,将降维的动作特征向量输入SVM分类器,实现基于SEMG信号的手部多运动模式的识别,对伸腕、屈腕、握拳、展拳4种手部动作的识别实验表明,该方法的识别正确率可达91%. 相似文献
40.