全文获取类型
收费全文 | 118篇 |
免费 | 24篇 |
国内免费 | 21篇 |
专业分类
电工技术 | 18篇 |
综合类 | 8篇 |
化学工业 | 8篇 |
金属工艺 | 1篇 |
机械仪表 | 12篇 |
建筑科学 | 3篇 |
矿业工程 | 1篇 |
能源动力 | 2篇 |
轻工业 | 15篇 |
石油天然气 | 8篇 |
武器工业 | 1篇 |
无线电 | 22篇 |
一般工业技术 | 7篇 |
冶金工业 | 4篇 |
原子能技术 | 2篇 |
自动化技术 | 51篇 |
出版年
2024年 | 2篇 |
2023年 | 4篇 |
2022年 | 9篇 |
2021年 | 5篇 |
2020年 | 9篇 |
2019年 | 5篇 |
2018年 | 3篇 |
2016年 | 3篇 |
2015年 | 4篇 |
2014年 | 6篇 |
2013年 | 13篇 |
2012年 | 9篇 |
2011年 | 13篇 |
2010年 | 6篇 |
2009年 | 8篇 |
2008年 | 11篇 |
2007年 | 12篇 |
2006年 | 6篇 |
2005年 | 7篇 |
2004年 | 4篇 |
2003年 | 3篇 |
2001年 | 4篇 |
2000年 | 5篇 |
1999年 | 4篇 |
1997年 | 1篇 |
1996年 | 3篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1989年 | 1篇 |
1988年 | 1篇 |
排序方式: 共有163条查询结果,搜索用时 15 毫秒
1.
2.
正确识别语音中包含的情感信息可以大幅提高人机交互的效率.目前,语音情感识别系统主要由语音特征抽取和语音特征分类两步组成.为了提高语音情感识别准确率,选用语谱图而非传统声学特征作为模型输入,采用基于attention机制的CGRU网络提取语谱图中包含的频域信息和时域信息.实验结果表明:在模型中引入注意力机制有利于减少冗余信息的干扰,并且相较于基于LSTM网络的模型,采用GRU网络的模型预测精确度更高,且在训练时收敛更快,与基于LSTM的基线模型相比,基于GRU网络的模型训练时长只有前者的60%. 相似文献
3.
4.
基于PCNN的语谱图特征提取在说话人识别中的应用 总被引:7,自引:1,他引:7
该文首次提出了一种将有生物视觉依据的人工神经网络——脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)用于说话人识别领域的语谱图特征提取的新方法。该方法将语谱图输入到PCNN后得到输出图像的时间序列及其熵序列作为说话人语音的特征,利用它的不变性实现说话人识别。实验结果表明,该方法可以快速有效地进行说话人识别。该文将PCNN引入到语音识别的应用研究中,开拓了信号处理中两个极为重要的部分———语音信号处理和图像信号处理结合的新领域,同时对于PCNN的理论研究和实际应用具有非常重要的现实意义。 相似文献
5.
在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性. 相似文献
6.
由于不同环境下噪声特性不同,多种环境下的语音去噪成为研究难点。提出一种基于小波语谱图分析的去噪技术。该方法的特点在于:利用小波变换的多分辨性对带噪语音进行多尺度分析,利用语谱图列自相关函数的特性划分语音段和噪声段,利用点连续检测法去除语音段残留的噪声。实验显示,小波语谱图分析去噪法对多种环境下的宽带噪声,抑制效果显著。 相似文献
7.
8.
针对频谱图对于音乐特征挖掘较弱、深度学习分类模型复杂且训练时间长的问题,设计了一种基于频谱增强和卷积宽度学习(CNNBLS)的音乐流派分类模型.该模型首先通过SpecAugment中随机屏蔽部分频率信道的方法增强梅尔频谱图,再将切割后的梅尔频谱图作为CNNBLS的输入,同时将指数线性单元函数(ELU)融合进CNNBLS的卷积层,以增强其分类精度.相较于其他机器学习网络框架, CNNBLS能用少量的训练时间获得较高的分类精度.此外, CNNBLS可以对增量数据进行快速学习.实验结果表明:无增量模型CNNBLS在训练400首音乐数据可获得90.06%的分类准确率,增量模型Incremental-CNNBLS在增加400首训练数据后可达91.53%的分类准确率. 相似文献
9.
为了提升深度卷积神经网络对音乐频谱流派特征的提取效果,提出一种基于频谱空间域特征注意的音乐流派分类算法模型DCNN-SSA。DCNN-SSA模型通过对不同音乐梅尔谱图的流派特征在空间域上进行有效标注,并且改变网络结构,从而在提升特征提取效果的同时确保模型的有效性,进而提升音乐流派分类的准确率。首先,将原始音频信号进行梅尔滤波,以模拟人耳的滤波操作对音乐的音强及节奏变化进行有效过滤,所生成的梅尔谱图进行切割后输入网络;然后,通过深化网络层数、改变卷积结构及增加空间注意力机制对模型在流派特征提取上进行增强;最后,通过在数据集上进行多批次的训练与验证来有效提取并学习音乐流派特征,从而得到可以对音乐流派进行有效分类的模型。在GTZAN数据集上的实验结果表明,基于空间注意的音乐流派分类算法与其他深度学习模型相比,在音乐流派分类准确率和模型收敛效果上有所提高,准确率提升了5.36个百分点~10.44个百分点。 相似文献
10.