首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   10篇
  免费   3篇
化学工业   2篇
建筑科学   3篇
水利工程   2篇
一般工业技术   4篇
自动化技术   2篇
  2024年   1篇
  2023年   2篇
  2022年   1篇
  2019年   2篇
  2017年   1篇
  2014年   3篇
  2013年   1篇
  2012年   2篇
排序方式: 共有13条查询结果,搜索用时 0 毫秒
1.
六月的沙龙     
<正>在《太太的客厅》中,作家冰心曾用她的生花妙笔,不惜笔墨地描绘了一群文人骚客集中、名人雅士扎堆的沙龙:风和日丽的午后,门铃接二连三地响起,不过片刻功夫,屋内、院外,已是人声鼎沸,济济一堂。才貌双全的女主人一面和政治家辩论,一面和诗人、女友插科打诨,间或将话题引向文学、艺术,令现场的气氛始终热烈,更引来社会各界的仰慕。你会不会好奇,在这样一个聚集了智慧和自由的场所,会是怎样雅致的布置?  相似文献   
2.
本文通过分析中国古典园林中的鸟声景与人工声景实例,探究了它们的空间营造手法,以满足声景的3个基本要素为标准,筛选出5个鸟声景点和7个人工声景点。发现中国古典园林常设树林、水面以营造鸟声,设高台以营造人工声;设开敞空间欣赏鸟声、钟声,设封闭空间以欣赏戏曲声;多用自然材料围合鸟声景,用人工材料围合人工声景;常设亭以欣赏鸟声,设馆以欣赏人工声。  相似文献   
3.
针对鸟声识别算法中提取特征单一、分类准确率低等问题,提出一种基于混合特征选择和灰狼算法优化核极限学习机的鸟声识别方法。首先从鸟声数据中提取大规模声学特征集ComParE,其次计算每个特征的Fscore并进行排序,然后以广义顺序向前浮动搜索(Generalized Sequential Forward Floating Search, GSFFS)为搜索策略,特征子集在核极限学习机(Kernel Limit Learning Machine, KELM)上十折交叉验证的正确率,作为特征选择标准进行特征选择,得到适用于鸟声识别的特征子集,最后通过灰狼算法(Grey Wolf Optimizer, GWO)选择最优KELM参数识别鸟声。在柏林自然科学博物馆鸟声数据库中进行实验,该方法在60类鸟声识别平均正确率和F1-score达到94.45%和92.29%。结果表明,该方法相较于传统自行设计提取的单一特征集具有更高的识别精度,GWO-KELM模型比网格搜索方式更易找到全局最优值。  相似文献   
4.
新年祝辞     
寒随穹律变,春逐鸟声开。回首2011,电影行业深入贯彻落实国务院《关于促进电影产业繁荣发展的指导意见》,又创市场繁荣、产业发展的佳绩,赢得了"十二五"规划的开门红。展望2012,中国电影有如  相似文献   
5.
<正>爱写童话,也爱涂鸦,更爱剪纸,一把剪刀,剪出时尚,剪出满满的幸福,邱珈说:‘我不是达人,我是剪纸界的生活家邱珈,某外企品牌经理,西式剪纸艺术家,跨界设计师,微博名@邱大王。举办过多次剪纸艺术展、与众多品牌推出过跨界合作设计产品,目前推出独立品牌"Qiu"。  相似文献   
6.
本文通过分析中国古典园林中的鸟声景与人工声景实例,探究了它们的空间营造手法,以满足声景的 3 个基本要素为标准,筛选出 5 个鸟声景点和 7 个人工声景点。发现中国古典园林常设树林、水面以营造鸟声,设高台以营造人工声;设开敞空间欣赏鸟声、钟声,设封闭空间以欣赏戏曲声;多用自然材料围合鸟声景,用人工材料围合人工声景;常设亭以欣赏鸟声,设馆以欣赏人工声。  相似文献   
7.
正中国花鸟画它最初由图腾崇拜,到抒写性灵,以致发展到现今的陶瓷花鸟绘画艺术,表现了人们的思想观念,情感表达等一系列自然关系。依托千变万化自然物象的花鸟造型,使画家的内心世界得以展现,即将"意"或"心"寄托于自然界的花草鸟虫的审美再造中。通过对物象的审美再造,让欣赏者得以享受和沟通。花鸟画为什么这么得到老百姓的推崇自然有它的缘故的。农夫听到鸟儿的第一声啼鸣,就知道清晨已经到来,就得来到田边地头忙于耕种,年复一年日复一日,鸟声祝福农夫五谷丰登。音乐家从鸟儿的啼鸣中听到了美妙的音符,从而引发了对音律的  相似文献   
8.
田园之梦     
  相似文献   
9.
    
你是天的女儿 下凡到人间施惠 你是人间的圣灵 融合到万物的本体  相似文献   
10.
陈晓  曾昭优 《测控技术》2024,43(6):21-25
为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机(Support Vector Machine,SVM)分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。  相似文献   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号