全文获取类型
收费全文 | 86篇 |
免费 | 8篇 |
国内免费 | 30篇 |
专业分类
机械仪表 | 7篇 |
无线电 | 10篇 |
一般工业技术 | 4篇 |
自动化技术 | 103篇 |
出版年
2024年 | 1篇 |
2022年 | 1篇 |
2021年 | 2篇 |
2020年 | 1篇 |
2019年 | 1篇 |
2018年 | 1篇 |
2017年 | 2篇 |
2016年 | 6篇 |
2014年 | 3篇 |
2013年 | 3篇 |
2012年 | 5篇 |
2011年 | 6篇 |
2010年 | 5篇 |
2009年 | 10篇 |
2008年 | 10篇 |
2007年 | 14篇 |
2006年 | 14篇 |
2005年 | 8篇 |
2004年 | 12篇 |
2003年 | 8篇 |
2002年 | 7篇 |
1998年 | 1篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1992年 | 1篇 |
排序方式: 共有124条查询结果,搜索用时 640 毫秒
1.
2.
3.
最大团问题MCP(Maximum Clique Problem)在国外得到了广泛的研究,在国内刚起步,是一类NP完全问题。传统的确定性算法不能有效地进行求解。定义了MCP;介绍了使用启发式算法求解MCP的研究进展;综述了几种典型的智能搜索算法;分析了使用这些典型算法求解MCP的基本思想;研究了这些智能算法在求解MCP时的特点及性能。 相似文献
4.
潜在属性空间树分类器 总被引:2,自引:0,他引:2
提出一种潜在属性空间树分类器(latent attribute space tree classifier,简称LAST)框架,通过将原属性空间变换到更容易分离数据或更符合决策树分类特点的潜在属性空间,突破传统决策树算法的决策面局限,改善树分类器的泛化性能.在LAST 框架下,提出了两种奇异值分解斜决策树(SVD (singular value decomposition) oblique decision tree,简称SODT)算法,通过对全局或局部数据进行奇异值分解,构建正交的潜在属性空间,然后在潜在属性空间内构建传统的单变量决策树或树节点,从而间接获得原空间内近似最优的斜决策树.SODT 算法既能够处理整体数据与局部数据分布相同或不同的数据集,又可以充分利用有标签和无标签数据的结构信息,分类结果不受样本随机重排的影响,而且时间复杂度还与单变量决策树算法相同.在复杂数据集上的实验结果表明,与传统的单变量决策树算法和其他斜决策树算法相比,SODT 算法的分类准确率更高,构建的决策树大小更稳定,整体分类性能更鲁棒,决策树构建时间与C4.5 算法相近,而远小于其他斜决策树算法. 相似文献
5.
在介绍带有宽总线网络的可重构计算模型(RAPWBN)的基本结构及其二进制值的前缀和操作的基础上,提出该模型上的一种并行归并排序算法,在具有N~α(1<α<2)个处理器和N条行总线的RAPWBN模型上,若总线带宽ω>logN字节,对长度为N的序列进行归并排序,可以在O((loglogN)~2)时间完成. 相似文献
6.
传统的序列模式挖掘主要是挖掘满足最小支持度的频繁序列,没有考虑序列在实际中的重要度。为了能够有效地挖掘重要的序列模式,提出了一种序列模糊概念格模型,对所有序列的项目引入了重要度权值,定义了序列的重要度及可以动态调整最小支持度minsup的自适应系数;扩展了模糊形式背景,使其能够方便地表示序列,定义了概念的Galois闭包连接、序列模糊概念及序列模糊格结构,并给出了序列模糊概念格的渐进式构造算法 ScqFuzCL。实验表明,序列模糊概念格模型可以方便有效地组织自适应序列模式,在时间与空间上都具有良好的性能,并为进一步挖掘自适应序列模式提供了理论支持。 相似文献
7.
8.
文章根据排列与组合可计数的特点,给出了利用位序法求标准拉丁方的算法。在实现此算法时,构造了一套字符化的大整数运算系统,解决了随拉丁方阶数增大位序值剧增在计算机上无法表示或处理的问题。通过在分布式并行计算环境MPIBD中的实验,给出了所有4阶与5阶标准拉丁方。 相似文献
9.
矩阵运算是最重要的数值计算,基于流水光总线的可重构线性阵列系统(LARPBS)是一种建立在光总线上的并行高效计算模型。该文主要介绍LARPBS模型上的快速并行矩阵运算,从而使人们更加了解光总线计算模型及其优越性,为今后进一步研究光总线模型及其并行算法奠定基础。 相似文献
10.
用遗传算法求解的非线性规划问题 总被引:2,自引:0,他引:2
针对用遗传算法求解非线性规划问题时交叉、变异过程中所产生的新一代近似解合法性问题,提出了预先定界的方法,根据约束条件确定下一代近似解的合法的取值范围。实验证明该方法有效,且能保证在较短的时间里取得较好的结果。 相似文献