全文获取类型
收费全文 | 356篇 |
免费 | 89篇 |
国内免费 | 75篇 |
专业分类
电工技术 | 6篇 |
综合类 | 69篇 |
化学工业 | 1篇 |
机械仪表 | 5篇 |
能源动力 | 2篇 |
轻工业 | 1篇 |
水利工程 | 1篇 |
无线电 | 240篇 |
一般工业技术 | 8篇 |
自动化技术 | 187篇 |
出版年
2023年 | 5篇 |
2022年 | 4篇 |
2020年 | 3篇 |
2019年 | 2篇 |
2018年 | 2篇 |
2016年 | 3篇 |
2015年 | 8篇 |
2014年 | 12篇 |
2013年 | 10篇 |
2012年 | 20篇 |
2011年 | 24篇 |
2010年 | 32篇 |
2009年 | 43篇 |
2008年 | 43篇 |
2007年 | 42篇 |
2006年 | 19篇 |
2005年 | 30篇 |
2004年 | 52篇 |
2003年 | 50篇 |
2002年 | 43篇 |
2001年 | 20篇 |
2000年 | 13篇 |
1999年 | 9篇 |
1998年 | 3篇 |
1997年 | 3篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1993年 | 5篇 |
1992年 | 6篇 |
1991年 | 2篇 |
1990年 | 3篇 |
1989年 | 5篇 |
1988年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有520条查询结果,搜索用时 15 毫秒
1.
2.
针对雷达目标一维像识别问题,提出了一种基于组织协同进化分类算法的识别方法.该方法与现有进化分类方法的不同之处在于它的进化操作直接作用于样本而不是规则,采用了一种自下而上的搜索机制,即先使若干样本的集合得到进化,再从进化结果中提取规则.这样有利于避免在进化过程中产生无意义的规则.该方法不需要进行特征提取;对于高维数据,不需要预先进行降维处理;没有复杂的运算,训练和识别的速度都很快.对3种飞机微波暗室实测数据的识别实验表明,该方法性能稳定,优于基于支撑矢量机与子波核函数的方法,识别率均达到了96%以上.实验中还对算法的抗噪能力进行了测试,获得了良好的效果. 相似文献
3.
4.
研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别. 相似文献
5.
针对高维数据导致的维数灾难问题,提出了一种基于面向分类准则的维数约简方法。所提准则使每个训练样本在特征空间中与同类样本尽可能接近,而与异类样本尽可能疏远。首先对每个训练样本定义同类样本加权平均距离和异类样本加权平均距离。然后基于上述两个概念分别定义总体同类距离和总体异类距离。以最小化总体同类距离和最大化总体异类距离为目的提出了面向分类的准则(Classification Oriented Criterion,COC)。最后,基于面向分类的准则推导出了一种新的维数约简方法。在公共人脸数据库ORL和Yale上的实验表明所提方法性能优于有代表性的维数约简方法。 相似文献
6.
SAR图像水域边缘检测中,传统算法由于不能较好地克服斑点噪声影响,因此检测出的虚假边缘较多。利用多尺度几何Shearlet变换对曲线精确有效检测等特点,通过改进Shearlet变换并结合聚类及Snake模型等方法,提出了一种新的SAR图像水域检测方法。实验结果表明,该方法不仅提高了边缘检测的完整性和精确性,而且有效克服了斑点噪声的影响,对SAR图像水域边缘的检测是有效可行的。 相似文献
7.
基于流形距离的人工免疫无监督分类与识别算法 总被引:3,自引:0,他引:3
将一种新的流形距离作为相似性度量测度, 提出了一种用于无监督分类与识别的人工免疫系统方法. 通过基于流形距离的相似性度量, 有效利用样本集固有的全局一致性信息, 充分挖掘无类属样本的空间分布信息, 对样本进行类别划分. 新方法将免疫响应过程建模为一个四元组 AIR=(G,I,R,A) , 其中 G 为引发免疫响应的外界刺激, 即抗原; I 为所有可能抗体的集合; R 为抗体间相互作用的规则集合; A 为支配抗体反应、指导抗体进化的动态算法. 针对无监督分类问题, 将抗体编码为代表各类别的典型样本序号的排列, 利用动态算法 A 搜索能代表各类别的典型样本的最佳组合. 将新方法与标准的 K-均值算法、基于流形距离的进化聚类算法以及 Maulik 等人提出的基于遗传算法的聚类算法进行了性能比较. 对 6 个人工数据集及手写体数字识别问题的仿真实验结果显示, 新方法对样本空间分布复杂的无监督分类问题和实际的模式识别问题具有较高的准确率和较好的鲁棒性. 相似文献
8.
M-精英协同进化数值优化算法 总被引:1,自引:0,他引:1
为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用. 相似文献
9.
10.