全文获取类型
收费全文 | 193篇 |
免费 | 10篇 |
国内免费 | 10篇 |
专业分类
电工技术 | 9篇 |
综合类 | 16篇 |
化学工业 | 3篇 |
金属工艺 | 2篇 |
机械仪表 | 11篇 |
建筑科学 | 40篇 |
矿业工程 | 3篇 |
能源动力 | 5篇 |
轻工业 | 17篇 |
水利工程 | 4篇 |
石油天然气 | 3篇 |
武器工业 | 4篇 |
无线电 | 35篇 |
一般工业技术 | 7篇 |
冶金工业 | 1篇 |
自动化技术 | 53篇 |
出版年
2023年 | 5篇 |
2022年 | 4篇 |
2021年 | 7篇 |
2020年 | 4篇 |
2019年 | 2篇 |
2018年 | 1篇 |
2017年 | 3篇 |
2016年 | 3篇 |
2015年 | 3篇 |
2014年 | 11篇 |
2013年 | 12篇 |
2012年 | 13篇 |
2011年 | 8篇 |
2010年 | 12篇 |
2009年 | 14篇 |
2008年 | 51篇 |
2007年 | 37篇 |
2006年 | 10篇 |
2005年 | 8篇 |
2004年 | 2篇 |
2003年 | 1篇 |
2002年 | 1篇 |
2000年 | 1篇 |
排序方式: 共有213条查询结果,搜索用时 15 毫秒
1.
新的威胁类型不断涌现,传统的安全设备显然已经过时,我们该如何选择,以确保安全?〈br〉 新威胁不断涌现且愈发高级〈br〉 在过去的几年中,我们已经看到越来越多针对财富500强企业和政府网络的攻击,商业化的运作使这些攻击在本质上具有高度针对性和持续性,有些攻击甚至持续几个月,同时大部分此类攻击意在窃取有价值的信息。 相似文献
2.
采用鱼群模型驱动多智能体可以涌现出优良的运动特性,但是,由于机器人与真实鱼类相比具有较大的差异性,使得鱼群模型难以应用于真实机器人系统.为此,提出一种结合深度学习与强化学习的迁移控制方法,首先,使用鱼群运动数据训练深度网络(deep neural network, DNN)模型,以此作为机器人成对交互的基础;然后,连接强化学习的深度确定性策略梯度方法(deep deterministic policy gradient, DDPG)来修正DNN模型的输出,设计集群最大视觉尺寸方法挑选关键邻居,从而将DNN+DDPG模型拓展到多智能体的运动控制.集群机器人运动实验表明:所提出方法能使机器人仅利用单个邻居信息就能形成可靠、稳定的集群运动,与单纯DNN直接迁移控制相比,所提出DNN+DDPG控制框架既可以保存原有鱼群运动的灵活性,又能增强机器人系统的安全性与可控性,使得该方法在集群机器人运动控制领域具有较大的应用潜力. 相似文献
3.
基于复杂性科学基本概念的MAS涌现性量化研究 总被引:1,自引:0,他引:1
在MAS(Multi-Agent System)领域,面向涌现的MAS研究将MAS看成一类特殊的复杂系统,其关注点是MAS宏观层面的涌现性问题.这类研究需要借用复杂性科学研究中的一些基本概念描述、阐述MAS涌现性研究中的问题.文中着重对几个常用的基本概念及其量化研究做一概览,以深化对它们的认识,并结合这些概念及其量化研究在MAS涌现性研究中的应用特点,阐明它们对面向涌现的MAS研究的作用,以促进进一步的研究.这些概念包括复杂性、混沌边缘、自组织、涌现、适应和进化等. 相似文献
4.
随着监管机制的出台,将起到很强的监管和约束作用,这会使P2P网络借贷平台得以在今后健康的运转。
时代的脉络总是不断滚滚向前,新事物像春笋般不断涌现,又随着更崭新的事物与商业模式的涌现而迅速败落。 相似文献
5.
"涌现"是系统的一种基本性质,对于"涌现"概念的研究,具体到各学科领域其研究的对象各有不同,在当今信息社会随着计算机技术的发展"涌现"被运用到建筑设计中,综述"涌现"在建筑领域的研究,探讨建筑的涌现性。 相似文献
6.
7.
大多数文献对工程变更持负面看法,但无法解释工程变更为什么在建筑工程中普遍存在。建筑工程系统是复杂自适应系统,在界面协同作用下,能够产生涌现效果并以工程变更的形式存在且积极影响工程进展。除涌现因素外,工程变更还包括常规性和消极性变动因素,因此,对工程变更应采取协同管理和合同管理相结合、以协同管理为主导的策略。 相似文献
8.
随着社会经济的迅速发展和建筑功能的多样化,城市人口的不断增多及建设用地日趋紧张和城市规划的需要,促使现代建筑得以快速发展.轻质高强材料的开发及新型设计计算理论的发展,抗风和抗震理论的不断完善,新施工技术和设备的不断涌现,计算机的普及和应用以及结构分析手段的不断提高,为迅速发展现代建筑提供了必要的技术条件.本文对现代建筑设计及建筑结构设计中的主要问题进行了探讨. 相似文献
9.
从认识世界的宏观视野出发,针对问题复杂性与方法有限性存在的鸿沟,按照问题导向的思路,将广泛意义下的解决问题归结为资源有限情况下的资源分配问题(简称分配问题),并将其分为优化型和协调型分配问题两大类,给出了多种优化问题和分配问题之间的关联关系。群智能优化主要是通过对群居生物觅食行为仿生来处理优化型分配问题,群智能进化则是以群居生物劳动分工主导的合作行为仿生来解决协调型分配问题,通过对两者的全方位考察,论述了群智能优化与群智能进化的异同并加以对比说明。聚焦韧性概念时代的到来是从群智能优化到群智能进化的现实推动力量。群智能进化采用协调处理思路,根据问题情景建立定制化的群智能模型,从而有效解决问题,适宜处理一般性分配问题和异常性分配问题,表现出显著的韧性。群智能优化与群智能进化都属于群智能范畴,其中蕴含着若干相互作用的对偶要素,由对偶要素形成的两股力量之间的互动结果决定了群智能类别的归属。按照系统学二象论原理,通过分析竞争与合作、开发与探索、吸引与排斥三对对偶要素,揭示了其与群智能优化和群智能进化类别归属的内在关系。研究表明群智能进化作为群智能研究的新领域,代表了其今后发展的主流方向。 相似文献
10.