全文获取类型
收费全文 | 173874篇 |
免费 | 20005篇 |
国内免费 | 15675篇 |
专业分类
电工技术 | 14670篇 |
技术理论 | 5篇 |
综合类 | 18767篇 |
化学工业 | 21047篇 |
金属工艺 | 3531篇 |
机械仪表 | 11186篇 |
建筑科学 | 6881篇 |
矿业工程 | 3007篇 |
能源动力 | 2385篇 |
轻工业 | 7830篇 |
水利工程 | 2698篇 |
石油天然气 | 4489篇 |
武器工业 | 2057篇 |
无线电 | 28525篇 |
一般工业技术 | 11183篇 |
冶金工业 | 1624篇 |
原子能技术 | 700篇 |
自动化技术 | 68969篇 |
出版年
2024年 | 2423篇 |
2023年 | 7176篇 |
2022年 | 8473篇 |
2021年 | 9024篇 |
2020年 | 7373篇 |
2019年 | 7816篇 |
2018年 | 4389篇 |
2017年 | 5664篇 |
2016年 | 6232篇 |
2015年 | 7406篇 |
2014年 | 11846篇 |
2013年 | 9847篇 |
2012年 | 11211篇 |
2011年 | 11506篇 |
2010年 | 10869篇 |
2009年 | 11676篇 |
2008年 | 12574篇 |
2007年 | 10791篇 |
2006年 | 8448篇 |
2005年 | 7607篇 |
2004年 | 6439篇 |
2003年 | 5768篇 |
2002年 | 4473篇 |
2001年 | 3578篇 |
2000年 | 2859篇 |
1999年 | 2353篇 |
1998年 | 1954篇 |
1997年 | 1682篇 |
1996年 | 1495篇 |
1995年 | 1191篇 |
1994年 | 1112篇 |
1993年 | 834篇 |
1992年 | 926篇 |
1991年 | 818篇 |
1990年 | 707篇 |
1989年 | 715篇 |
1988年 | 100篇 |
1987年 | 56篇 |
1986年 | 34篇 |
1985年 | 26篇 |
1984年 | 24篇 |
1983年 | 18篇 |
1982年 | 9篇 |
1981年 | 9篇 |
1980年 | 5篇 |
1979年 | 5篇 |
1959年 | 5篇 |
1951年 | 8篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
61.
62.
63.
64.
双语词嵌入通常采用从源语言空间到目标语言空间映射,通过源语言映射嵌入到目标语言空间的最小距离线性变换实现跨语言词嵌入。然而大型的平行语料难以获得,词嵌入的准确率难以提高。针对语料数量不对等、双语语料稀缺情况下的跨语言词嵌入问题,该文提出一种基于小字典不对等语料的跨语言词嵌入方法,首先对单语词向量进行归一化,对小字典词对正交最优线性变换求得梯度下降初始值,然后通过对大型源语言(英语)语料进行聚类,借助小字典找到与每一聚类簇相对应的源语言词,取聚类得到的每一簇词向量均值和源语言与目标语言对应的词向量均值,建立新的双语词向量对应关系,将新建立的双语词向量扩展到小字典中,使得小字典得以泛化和扩展。最后,利用泛化扩展后的字典对跨语言词嵌入映射模型进行梯度下降求得最优值。在英语—意大利语、德语和芬兰语上进行了实验验证,实验结果证明该文方法可以在跨语言词嵌入中减少梯度下降迭代次数,减少训练时间,同时在跨语言词嵌入上表现出较好的正确率。 相似文献
65.
《计算机应用与软件》2019,(8)
互联网的发展不仅推动了智能手机的普及,而且涌现了大量的手机App。大量被安装在手机中的应用程序不仅增加了用户寻找App的时间和难度,而且占用了手机大量的内存空间,致使手机卡顿,严重影响了用户体验。利用智能手机用户使用App的行为习惯特征,预测用户将要使用的App,并将其应用到智能手机中用以预加载App和智能清理手机内存是解决上述问题的方法之一。在深入了解PrefixSpan算法和Bayesian网络算法的前提下,考虑智能手机用户对每个App的喜爱程度,将其加入到PrefixSpan算法的剪枝步骤中;采用贝叶斯网络算法整合智能手机用户的App使用记录和App使用时长等特征,提出一套新的预测用户下一个将要使用的App的算法——WAPA(Weighted App Prediction Algorithm)。实验证明,该算法预测准确率最高可达86.3%,较其他算法可提高大约4%。 相似文献
66.
67.
68.
69.
70.
为了提高花粉浓度预报的准确率,解决现有花粉浓度预报准确率不高的问题,提出了一种基于粒子群优化(PSO)算法和支持向量机(SVM)的花粉浓度预报模型。首先,综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素,选择与花粉浓度相关性较强的气象要素构成特征向量;其次,利用特征向量与花粉浓度数据建立SVM预测模型,并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后,使用优化后的模型对花粉未来24 h浓度进行预测,并与未优化的SVM、多元线性回归法(MLR)、反向神经网络(BPNN)作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明,相比其他预报方法,所提方法能有效提高花粉浓度未来24 h预测精度,并具有较高的泛化能力。 相似文献