全文获取类型
收费全文 | 197篇 |
免费 | 84篇 |
国内免费 | 12篇 |
出版年
2023年 | 4篇 |
2022年 | 5篇 |
2021年 | 8篇 |
2020年 | 2篇 |
2019年 | 3篇 |
2018年 | 1篇 |
2017年 | 14篇 |
2016年 | 19篇 |
2015年 | 6篇 |
2014年 | 10篇 |
2013年 | 13篇 |
2012年 | 13篇 |
2011年 | 15篇 |
2010年 | 12篇 |
2009年 | 16篇 |
2008年 | 12篇 |
2007年 | 13篇 |
2006年 | 22篇 |
2005年 | 12篇 |
2004年 | 13篇 |
2003年 | 12篇 |
2002年 | 4篇 |
2001年 | 7篇 |
2000年 | 5篇 |
1999年 | 8篇 |
1998年 | 12篇 |
1997年 | 12篇 |
1996年 | 5篇 |
1995年 | 3篇 |
1994年 | 2篇 |
1993年 | 1篇 |
1992年 | 4篇 |
1991年 | 3篇 |
1990年 | 2篇 |
排序方式: 共有293条查询结果,搜索用时 125 毫秒
111.
深度学习在自然语言处理中的应用越来越广泛。相比于传统的n-gram统计语言模型,循环神经网络(Recurrent Neural Network,RNN)建模技术在语言模型建模方面表现出了极大的优越性,逐渐在语音识别、机器翻译等领域中得到应用。然而,目前RNN语言模型的训练大多是离线的,对于不同的语音识别任务,训练语料与识别任务之间存在着语言差异,使语音识别系统的识别率受到影响。在采用RNN建模技术训练汉语语言模型的同时,提出一种在线RNN模型自适应(self-adaption)算法,将语音信号初步识别结果作为语料继续训练模型,使自适应后的RNN模型与识别任务之间获得最大程度的匹配。实验结果表明:自适应模型有效地减少了语言模型与识别任务之间的语言差异,对汉语词混淆网络进行重打分后,系统识别率得到进一步提升,并在实际汉语语音识别系统中得到了验证。 相似文献
112.
113.
114.
提出一种基于主题模型的人体动作识别方法。该方法首先提取时空兴趣点(STIP,space-time interest point)来描述人体运动,然后提出使用慢特征分析(SFA, slow feature analysis)算法计算兴趣点梯度信息不变量最优解,最后使用概率潜在语义分析 (pLSA, probabilistic Latent Semantic Analysis) 模型识别人体动作。SFA计算的梯度不变量最优解可以表示时空兴趣点固有特征,能够无歧义反映时空兴趣点在空间及时间方向上的信息。同时,针对pLSA隐性主题正确性无法保证的缺点,算法将主题与动作标签“一对一”相关,通过监督方式得到主题,保证了训练中主题的正确性。该算法在KTH人体运动数据库和Weizmann人体动作数据库进行了训练与测试,动作识别结果正确率分别在91.50%和97%以上。 相似文献
115.
针对多传感器目标识别的群决策问题,考虑到多目标威胁程度评价指标属性的模糊性,首先将多传感器目标评价属性的定量、定性描述指标统一转化为三角模糊数,充分利用三角模糊数性质构建群决策函数,实现定量指标与定性指标的规范化处理,在此基础上提出一种基于加权矩阵排序的三角模糊数多传感器目标识别的群决策算法,实现对多传感器目标的威胁程度的综合评估.最后,通过多传感器目标评估实例分析并证明了算法的可行性和有效性.同时实验发现该算法对于多属性、多评价者的群体决策具有优势,且不易受外界参数变化的影响. 相似文献
116.
在基于草图的态势标绘系统中,线状和面状军标图形通常是依具体地形、战况、意图等标绘的,没有规则的形状,难以采用基于表观的方法进行识别。针对这类手绘非规则军标图形提出了一种结构化识别方法,基于非规则军标图形集的特点定义了9种图元和4种图元间空间结构关系,将图形表示为图元向量和图元结构关系矩阵,通过匹配图元向量和图元结构关系矩阵来识别图形类别,并估计未知图形与模板图形之间的图元对应关系。实验结果表明:本文方法能有效克服图形形状变化的影响,对手绘的常用非规则军标图形的类别和图元对应关系具有较高的识别正确率和识别速度。 相似文献
117.
118.
119.
针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。 相似文献
120.
针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。 相似文献