全文获取类型
收费全文 | 5436篇 |
免费 | 339篇 |
国内免费 | 455篇 |
专业分类
系统科学 | 597篇 |
丛书文集 | 166篇 |
教育与普及 | 8篇 |
理论与方法论 | 9篇 |
现状及发展 | 67篇 |
综合类 | 5382篇 |
自然研究 | 1篇 |
出版年
2024年 | 7篇 |
2023年 | 50篇 |
2022年 | 60篇 |
2021年 | 90篇 |
2020年 | 101篇 |
2019年 | 90篇 |
2018年 | 81篇 |
2017年 | 114篇 |
2016年 | 99篇 |
2015年 | 142篇 |
2014年 | 249篇 |
2013年 | 225篇 |
2012年 | 361篇 |
2011年 | 389篇 |
2010年 | 303篇 |
2009年 | 355篇 |
2008年 | 376篇 |
2007年 | 501篇 |
2006年 | 444篇 |
2005年 | 365篇 |
2004年 | 261篇 |
2003年 | 246篇 |
2002年 | 183篇 |
2001年 | 138篇 |
2000年 | 131篇 |
1999年 | 122篇 |
1998年 | 94篇 |
1997年 | 89篇 |
1996年 | 93篇 |
1995年 | 75篇 |
1994年 | 68篇 |
1993年 | 62篇 |
1992年 | 57篇 |
1991年 | 53篇 |
1990年 | 51篇 |
1989年 | 41篇 |
1988年 | 29篇 |
1987年 | 18篇 |
1986年 | 13篇 |
1985年 | 2篇 |
1955年 | 2篇 |
排序方式: 共有6230条查询结果,搜索用时 20 毫秒
1.
针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度. 相似文献
2.
针对支持向量机(support vector machines, SVM)检测异常用电用户精度受样本非均衡性和核函数选择影响的问题, 提出一种基于TLSmote-SVM(tomekLink-smote-SVM)的窃漏电诊断模型. 首先基于用电用户数据分布, 利用Smote方法扩充少数类样本, 同时采用Tomek-link剔除噪声; 然后对用户用电特征指标降维后优选SVM核函数; 最后将该算法应用于非均衡用户窃漏电诊断实验, 并与传统SVM和Smote-SVM进行对比, 实验结果表明, 该算法可显著提高窃漏电用户的检测精度. 相似文献
3.
绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56%,能有效识别上肢肱桡肌肌肉疲劳状态. 相似文献
4.
为了精准、高效获得富水砂层渣土改良试验效果,以渗透系数、内摩擦角(改良前)、电阻率、泡沫剂浓度和膨润土浓度为输入变量,坍落度、渗透系数、内摩擦角(改良后)为输出变量,并基于24组富水砂层渣土改良数据,建立相关向量机(rel-evance vector machine,RVM)预测模型,将预测结果与反向传播(back propagation,BP)神经网络模型进行对比分析.结果表明:RVM模型在预测坍落度、渗透系数和内摩擦角时的平均误差分别为0.73%、0.38%和2.24%,优于BP神经网络模型的1.76%、4.53%和3.60%;通过计算皮尔逊相关系数,可知RVM预测值与实测值对应坍落度、渗透系数、内摩擦角的相关系数r分别为0.9999、0.9993和0.9878,说明拟合程度极高.由此可见,RVM模型具有预测精度高、可靠性高的优点,为富水砂层渣土改良试验效果的预测提供一种新方法. 相似文献
5.
使用违法鸣笛辅助执法设备监测城市交通中汽车鸣喇叭事件的发生,可以有效地治理扰民的喇叭噪声,汽车鸣喇叭声的识别方法是其关键.为了准确高效地在交通噪声里识别出汽车鸣喇叭声,采用支持向量机(support vector machine,SVM)作为喇叭声和交通噪声的二分类器,针对汽车喇叭声的谐波特征分布特点,提取其梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为特征向量,并分析MFCC的梅尔滤波器个数及特征维数对识别效果的影响.实验结果表明,通过增加MFCC特征中梅尔滤波器个数及特征维数可以改善识别效果,信噪比越低越明显. 相似文献
6.
一种改进的嵌入式特征选择算法及应用 总被引:1,自引:0,他引:1
针对非线性多分类问题,提出了一个改进的嵌入最小-最大值特征选择算法,并与支持向量机算法结合,提出了针对复杂的组合优化问题的启发式算法。为验证方法的有效性,在钢板缺陷识别工程数据集上进行了实验,表明所提出的方法具有较高的求解速度和预测准确度。 相似文献
7.
为了实时了解道路交通信息,及时处理交通事故,在一定程度上缓解交通事故频发的状况,设计了基于方向梯度直方图(HOG)特征与支持向量机(SVM)的车辆检测系统.在收集大量的车辆样本,构建正、负样本集之后,提取出每一个正、负样本的HOG特征向量并汇总,进而形成检测所用的SVM分类器模板.在视频检测过程中,提取视频中每帧图像的HOG特征送到训练好的分类器中与模板进行对比,并用矩形框标注检测出的车辆目标.利用实际道路监控视频进行车辆检测系统测试,结果表明,对于不同的路况、天气和光线下的道路环境,该算法都可以完成实时且准确的检测,有较强的实际场景应用能力. 相似文献
8.
为了有效提高支持向量机(SVM)算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先,对训练数据进行标准化,运用独立元分析(ICA)获取数据的独立元矩阵,提取隐藏的非高斯信息。其次,运用杜宾-瓦特森(Durbin-Watson, DW)准则计算独立元(ICs)的DW值,通过DW方法有效提取重要噪声信息,选取重要的ICs。再次,将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数,将测试数据的ICs输入该模型,对其进行故障检测和监视。最后,将新算法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA,LPP,ICA,SVM和ICA-SVM方法进行比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。因此,新算法在一定程度上加强了对隐藏非高斯信息的提取与识别,为提高SVM算法在工业过程故障检测中的应用性能提供了参考。 相似文献
9.
针对大数据环境下并行支持向量机(support vector machine,SVM)算法存在噪声数据较敏感、训练样本数据冗余等问题,提出基于粒度和信息熵的GIESVM-MR(the SVM algorithm by using granularity and information entropy based on MapReduce)算法.该算法首先提出噪声清除策略(noise cleaning,NC)对每个特征属性的重要程度进行评价,获得样本与类别之间的相关度,以达到识别和删除噪声数据的目的;其次提出基于粒度的数据压缩策略(data compression based on granulation,GDC),通过筛选信息粒的方式保留类边界样本删除非支持向量,得到规模较小的数据集,从而解决了大数据环境下训练样本数据冗余问题;最后结合Bagging的思想和MapReduce计算模型并行化训练SVM,生成最终的分类模型.实验表明,GIESVM-MR算法的分类效果更佳,且在大规模的数据集下算法的执行效率更高. 相似文献
10.
由于民航周围电磁环境复杂, 一旦产生电磁干扰(electromagnetic interference,EMI), 就不易被排查, 特别是随机性较强的宽带干扰。对此, 提出一种基于支持向量机(support vector machine, SVM)的干扰源识别方法。通过实时测量干扰信号的频谱数据, 并分析其特点, 选择包络因子、频谱能量、频谱峰值、均值和方差5个特征向量, 用主成分分析法降低数据冗余程度, 最后采用SVM来判断干扰源类型。仿真结果证明, 所提算法能有效识别6类典型机场宽带干扰源, 识别精度可达98.33%。 相似文献