全文获取类型
收费全文 | 126篇 |
免费 | 7篇 |
国内免费 | 21篇 |
专业分类
系统科学 | 19篇 |
丛书文集 | 7篇 |
现状及发展 | 2篇 |
综合类 | 126篇 |
出版年
2023年 | 1篇 |
2022年 | 5篇 |
2021年 | 2篇 |
2020年 | 2篇 |
2019年 | 2篇 |
2018年 | 3篇 |
2017年 | 2篇 |
2016年 | 5篇 |
2015年 | 5篇 |
2014年 | 14篇 |
2013年 | 7篇 |
2012年 | 11篇 |
2011年 | 9篇 |
2010年 | 8篇 |
2009年 | 13篇 |
2008年 | 9篇 |
2007年 | 10篇 |
2006年 | 16篇 |
2005年 | 12篇 |
2004年 | 10篇 |
2003年 | 1篇 |
2002年 | 1篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1997年 | 1篇 |
1992年 | 1篇 |
排序方式: 共有154条查询结果,搜索用时 421 毫秒
1.
基于模糊认知图的多Agent协调模型 总被引:10,自引:0,他引:10
在复杂大系统中 ,相对独立的智能控制子系统将组成一个多 Agent系统 .由于各子系统的自主性 ,对于任务及决策将存在不同的支持度 .本研究采用模糊认知图 ,建立了对任务及决策的支持度的协调控制策略 .同时 ,提出了多 Agent系统在协调控制中的稳定性 ,并分析了本文中的协调控制策略稳定性. 相似文献
2.
为了避免随机选取初始聚类中心点的缺陷,利用最大最小距离的方法确定初始聚类中心点.实验结果表明,和传统的模糊C均值聚类(FCM)算法相比,所提聚类算法具有较高的稳定性和准确性,所分割的胼胝体图像边缘信息更加清晰. 相似文献
3.
将切换系统设计中的切换思想与神经网络相结合,构建了切换神经网络模型.根据模糊C均值(FCM)聚类方法将样本数据分为多组训练数据,每组数据对应训练一个单一神经网络模型,再利用赤池信息准则(AIC)制定相应的切换规则.根据输入数据特性,选择单一网络或多网络组合的输出作为模型输出,从而达到函数逼近目的.本模型更好地利用了各个子网络在特定区域具有较高逼近精度的特点.仿真结果表明,切换神经网络模型有较高的逼近精度. 相似文献
4.
通常对原始资料进行地层的划分与合并依靠工程师个人的经验与习惯.提出了一种改进后的FCM法,并给出了迭代公式和相应算法.改进后的FCM法可用于对土层的分类,同时给出一种按照模糊贴近度大小进行土层归并分类的方法,使得土层的归并划分更有理论依据. 相似文献
5.
文章提出了一种新的聚类方法NFC,首先用模糊逻辑神经元网络的聚类算法和Cauchy训练的模拟退火算法相结合的局部算法得到初始聚类中心,然后用FCM算法进行模糊聚类;实验证明,NFC算法在一定程度上解决了FCM局部极值问题且有效性非常高。 相似文献
6.
为了研究模糊聚类算法在高斯混合模型(GMM)参数获取方面的应用,采用模糊C均值算法(FCM)进行语音特征矢量的聚类,并结合Tabu搜索算法得到全局最优的聚类结果,进一步用EM算法得到GMM模型参数.使用TIMIT数据库中的语音进行测试,开集和闭集说话人辨认实验都表明,该方法获取的GMM参数比普通EM算法获得的GMM模型参数性能更优,能有效降低说话人辨认系统的误识率. 相似文献
7.
在多尺度框架下,提出基于非线性复扩散模型憎水性图像水珠亮点检测算法,最后采用模糊均类算法对多尺度虚部图像水珠亮点进行提取。实验结果表明:对于不同憎水性等级憎水性图像,水珠亮点检测都达到95%以上,这为对绝缘子憎水性等级估判及水珠(水迹)的进一步分割提供了重要的信息。 相似文献
8.
9.
基于遗传-模糊聚类的说话人识别方法及其仿真研究 总被引:5,自引:4,他引:5
利用遗传算法的全局收敛性及模糊C-均值(FCM)聚类强大的局部寻优能力,提出了一种基于遗传-模糊聚类的说话人识别方法。对说话人的训练语音数据进行遗传-模糊的软聚类分析,从而得到分类中心的全局最优解,作为每个说话人的语音模型,最后利用最大总平均隶属度函数准则对待识别语音进行模糊聚类识别.除此之外,使用自适应参数增加遗传算法的局部搜索能力。实验结果表明,这种算法克服了传统硬聚类的缺点,避免了FCM对初值敏感及容易陷入最小值的缺陷,使聚类更加合理,更好地描述了说话人的语音特征。 相似文献
10.
势函数自适应加权模糊C-均值聚类方法 总被引:1,自引:0,他引:1
提出了一种新的基于势函数自适应加权的模糊 C-均值 ( PAWFCM)聚类算法。该方法以样本的空间势几何结构为基础 ,自适应计算出样本的加权矩阵 ,然后利用加权模糊 C-均值算法对样本集合进行分类。由于自适应地考虑到了不同样本点对分类的影响程度 ,对较复杂的样本集合 ,能明显提高分类的正确性和鲁棒性。算法的几个典型实验也证明了这一点 相似文献