全文获取类型
收费全文 | 637篇 |
免费 | 122篇 |
国内免费 | 61篇 |
出版年
2024年 | 12篇 |
2023年 | 35篇 |
2022年 | 26篇 |
2021年 | 47篇 |
2020年 | 49篇 |
2019年 | 22篇 |
2018年 | 4篇 |
2017年 | 10篇 |
2016年 | 24篇 |
2015年 | 11篇 |
2014年 | 26篇 |
2013年 | 21篇 |
2012年 | 42篇 |
2011年 | 46篇 |
2010年 | 39篇 |
2009年 | 38篇 |
2008年 | 53篇 |
2007年 | 40篇 |
2006年 | 39篇 |
2005年 | 24篇 |
2004年 | 22篇 |
2003年 | 27篇 |
2002年 | 28篇 |
2001年 | 16篇 |
2000年 | 15篇 |
1999年 | 11篇 |
1998年 | 18篇 |
1997年 | 20篇 |
1996年 | 15篇 |
1995年 | 10篇 |
1994年 | 7篇 |
1993年 | 6篇 |
1992年 | 8篇 |
1991年 | 3篇 |
1990年 | 3篇 |
1989年 | 2篇 |
1987年 | 1篇 |
排序方式: 共有820条查询结果,搜索用时 15 毫秒
61.
针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。 相似文献
62.
超低照度下(环境照度小于2×10~(-3)lux)微光图像具有低信噪比、低对比度等特点,使目标难以辨识,严重影响观察效果。为了提高超低照度下微光图像质量,设计了一种用于微光图像增强的卷积自编码深度神经网络,并针对传统的均方误差损失函数不符合人类视觉感知特性等问题,结合现有的全参考图像质量评价指标,研究了包括感知损失在内的几种损失函数,并提出了一种新的可微分损失函数。实验结果表明,在网络结构不发生改变的情况下,所提损失函数具有更好的性能,在提高微光图像信噪比和对比度的同时,能够有效地增强图像内部细节信息。 相似文献
63.
64.
65.
主要研究了近场条件下,当接收阵列信号存在微小时延的盲分离问题.此情况下传统的线性无记忆盲分离模型已不再适用,提出了一种通过引入源信号的导数并改进混合模型后,利用二阶统计特性的算法,可以轻松解决时延条件下的盲分离问题(BSS).同时当传感器数远多于源信号数时,该算法还能达到消噪的目的,仿真结果证明了算法的有效性. 相似文献
66.
67.
舰艇系统损伤等级模糊神经网络评估模型 总被引:1,自引:0,他引:1
在对舰艇系统损伤等级评估体系分析的基础上,建立了舰艇系统损伤等级的模糊神经网络评估模型框架.设计了框架项层模糊神经网络评估模型的模糊集合和训练样本,并对此模糊神经网络模型进行了训练.通过测试样本仿真,发现此模糊神经网络模型具有较好的评估精度.基于模糊神经网络模型的舰艇系统损伤等级评估方法克服了以往简单加权评估模型的不合理性,为舰艇系统损伤等级评估提出了一个新的评估理念. 相似文献
68.
针对磨削表面粗糙度传统BP(Back Propagation)神经网络模型在线预测时存在预测精度低、误差大等问题,以磨削声发射信号的RMS值、FFT值、标准差、方差和偏斜度5参量为输入单元,建立了三层BP神经网络来预测磨削表面粗糙度,并应用附加动量法和自适应学习速率法对其进行了改进。通过仿真优化了隐层单元数,利用模型对磨削加工10个频段的声发射信号样本进行优选,确定将300400kHz的声发射(Acoustic Emission,AE)信号作为表面粗糙度预测模型学习样本频段。实验结果显示:改进后的BP预测模型与传统BP模型相比,具有收敛速度快、预测精度高的特点,相对误差可控制在8.66%以内。 相似文献
69.
针对变速箱故障信号的非平稳和时变特性,提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性,试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态,以箱体振动信号作为分析信号,首先对信号应用小波阈值法降噪减少干扰,接着将小波分解系数单子带重构得到不同频带的信号分量,提取各频带能量作为特征向量输人神经网络进行状态识别,结果表明该方法能有效识别变速箱的3种状态。 相似文献
70.