全文获取类型
收费全文 | 15673篇 |
免费 | 944篇 |
国内免费 | 1025篇 |
专业分类
系统科学 | 1613篇 |
丛书文集 | 582篇 |
教育与普及 | 176篇 |
理论与方法论 | 49篇 |
现状及发展 | 94篇 |
综合类 | 15128篇 |
出版年
2024年 | 181篇 |
2023年 | 719篇 |
2022年 | 798篇 |
2021年 | 766篇 |
2020年 | 695篇 |
2019年 | 596篇 |
2018年 | 234篇 |
2017年 | 264篇 |
2016年 | 259篇 |
2015年 | 331篇 |
2014年 | 585篇 |
2013年 | 598篇 |
2012年 | 709篇 |
2011年 | 729篇 |
2010年 | 777篇 |
2009年 | 901篇 |
2008年 | 983篇 |
2007年 | 952篇 |
2006年 | 785篇 |
2005年 | 768篇 |
2004年 | 705篇 |
2003年 | 605篇 |
2002年 | 522篇 |
2001年 | 551篇 |
2000年 | 444篇 |
1999年 | 433篇 |
1998年 | 363篇 |
1997年 | 318篇 |
1996年 | 292篇 |
1995年 | 233篇 |
1994年 | 166篇 |
1993年 | 127篇 |
1992年 | 79篇 |
1991年 | 53篇 |
1990年 | 48篇 |
1989年 | 27篇 |
1988年 | 13篇 |
1987年 | 17篇 |
1986年 | 10篇 |
1984年 | 1篇 |
1983年 | 2篇 |
1982年 | 1篇 |
1980年 | 1篇 |
1958年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 46 毫秒
71.
针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。 相似文献
72.
《陕西理工学院学报(自然科学版)》2018,(2):45-50
使用微软Kinect体感设备对物体三维信息构建时会产生大量的场景彩色信息和深度信息,可在Open CV框架下将Kinect视场下的信息保存为两张PNG格式的RGB图和深度图,为后续的物体三维构建提供原始的数据信息,这种方法使用比较繁琐。针对此问题提出了一种将颜色信息和深度信息融和到一张PNG文件中,隐藏深度信息到Alpha通道并在OpenFrame Works平台下实现了提取三维点云数据的方法。 相似文献
73.
利用一元Bernstein多项式在相邻等距剖分点的差值和Sigmodial转移函数性质设计单输入单输出(single input single output, SISO)三层前向神经网络,并给出选取连接权和阈值的方法。此外,依据一元Bernstein多项式逼近连续函数定理证明SISO三层前向神经网络对连续函数也具有逼近性,进而通过实例获得该网络的一种输入输出解析表达式。 相似文献
74.
75.
76.
77.
78.
79.
在乳腺癌筛查的计算机辅助诊断过程中,乳腺肿块的精确分割至关重要.然而,乳腺肿块在X光成像中与背景灰度接近、形状不规则,使得精确分割面临很大挑战.为进一步提升分割性能,提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先,提出可分离卷积U-Net模型作为对抗网络中的生成器,以减少参数量和计算量;然后,在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息;最后,综合考虑类别不平衡、语义一致性等因素的影响,提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明,新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率,以及81.27%和82.01%的集合相似度,获得优于现有方法的分割性能. 相似文献
80.
在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。 相似文献