全文获取类型
收费全文 | 609篇 |
免费 | 140篇 |
国内免费 | 59篇 |
专业分类
化学 | 63篇 |
力学 | 50篇 |
综合类 | 22篇 |
数学 | 234篇 |
物理学 | 439篇 |
出版年
2024年 | 5篇 |
2023年 | 69篇 |
2022年 | 62篇 |
2021年 | 62篇 |
2020年 | 32篇 |
2019年 | 79篇 |
2018年 | 15篇 |
2017年 | 13篇 |
2016年 | 14篇 |
2015年 | 21篇 |
2014年 | 30篇 |
2013年 | 20篇 |
2012年 | 15篇 |
2011年 | 18篇 |
2010年 | 26篇 |
2009年 | 23篇 |
2008年 | 21篇 |
2007年 | 35篇 |
2006年 | 21篇 |
2005年 | 13篇 |
2004年 | 20篇 |
2003年 | 17篇 |
2002年 | 22篇 |
2001年 | 9篇 |
2000年 | 12篇 |
1999年 | 15篇 |
1998年 | 10篇 |
1997年 | 12篇 |
1996年 | 21篇 |
1995年 | 11篇 |
1994年 | 7篇 |
1993年 | 11篇 |
1992年 | 8篇 |
1991年 | 10篇 |
1990年 | 8篇 |
1989年 | 7篇 |
1988年 | 5篇 |
1986年 | 2篇 |
1985年 | 1篇 |
1982年 | 4篇 |
1959年 | 2篇 |
排序方式: 共有808条查询结果,搜索用时 15 毫秒
1.
张天助周辉林杨仙 《南昌大学学报(理科版)》2021,45(1):91
针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络(CNN)能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。 相似文献
2.
非黏滞阻尼模型相比传统黏滞阻尼模型能更准确描述结构材料的耗能行为,其本构关系常用核函数为指数函数的卷积形式表示.针对目前非黏滞阻尼结构的随机地震动响应分析方法所得结果较为复杂,该文提出了一种基于Clough-Penzien(C-P)谱的结构响应0~2阶谱矩分析的简明封闭解法.该方法首先提出非黏滞阻尼结构的精确等效微分本构关系式,并利用其与C-P谱滤波微分方程重构了结构的地震动方程;再基于随机振动理论获得了结构随机响应0~2阶谱矩的简明封闭解,并基于得到的0~2阶谱矩采用首次超越破坏准则和Markov分布规则进行了结构动力可靠度分析;最后通过算例论证了该简明封闭解的准确性及高效性. 相似文献
3.
针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略.其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息.AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔.在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好. 相似文献
4.
拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。 相似文献
5.
近年来,二维材料由于其独特的性质而受到了广泛关注。在制备二维层状晶体的各种方法中,机械剥离法获得的薄层二维材料晶体质量高,适用于基础研究及性能演示。然而用机械剥离法从衬底上获得的材料具有一定的随机性,可能包含了少许相对较厚的部分。实现对这些二维薄层材料有效、快速且智能化的表征有利于促进二维材料性能的进一步研究。提出了一种基于深度学习的表征方法,通过搭建的编解码结构的卷积神经网络语义分割算法,可以根据光学显微镜图像进行分割和快速识别二维材料纳米片。卷积神经网络作为深度学习在图像处理领域中的典型算法,能够对光学显微镜图像中的复杂信息进行特征提取。首先采用机械剥离制备MoS2纳米片样本,通过光学显微镜采集高光谱图像并对样本进行标记,根据样本的厚度范围标记出不同的区域,对标记后的图像进一步处理,包括图像的颜色校准和剪切操作,得到用于网络训练和测试的数据集。针对光学图像中二维纳米薄片存在的低对比度、碎裂等特点,编码时加入残差结构和金字塔池化模型,有助于特征信息的提取;解码时融合编码路径中提取的浅层特征信息,以提高网络分割精度。实验中采用带权重的交叉熵损失函数解决类别数量不平衡问题和采用数据增强扩大数据集。对训练后的网络测试结果表明,模型像素精度为97.38%,平均像素精度为90.38%,均交并比为75.86%。之后通过迁移学习成功地对剥离的单层和双层石墨烯纳米片样本进行了识别,均交并比达到了81.63%,表明该方法具有普适性。通过MoS2和石墨烯纳米片的识别演示,实现了深度学习在二维材料的光学显微镜图像中的成功应用。该方法有望在更多的二维材料上得到扩展并突破自动动态处理光学显微镜图像的问题,同时为其他纳米材料的高光谱图像处理提供参考。 相似文献
6.
针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、检测周期长等不足,提出了一种快速无损识别大白菜农药残留种类的方法。以1组无农药残留和4组含有均匀喷洒农药(毒死蜱、乐果、灭多威和氯氰菊酯)的大白菜样本为研究对象(药液浓度配比分别为0.10,1.00,0.20和2.00 mg·kg-1),经12小时自然吸收后,利用高光谱成像系统获取400~1 000 nm高光谱图像,并选取ROI感兴趣区域后经多元散射校正(MSC)预处理;分别采用竞争性自适应重加权算法(CARS)、主成分分析算法(PCA)和离散小波变换(DWT)降维(分别基于db1,sym2,coif1,bior2.2和rbio1.5小波基函数);最后,将降维后的高光谱数据分别输入卷积神经网络(CNN)、多层感知机(MLP)、K最邻近算法(KNN)和支持向量机(SVM)建立模型并比较。结果显示,CNN,MLP,KNN和SVM算法均在降维算法DWT(小波基函数及变换层数分别为coif1-2,coif1-4,bior2.2-2和sym2-2)取得最优总体精度分别为91.20%,83.20%,66.40%和90.40%,Kappa系数分别为0.89,0.79,0.58和0.88,预测集用时分别为86.01,63.23,20.02和14.03 ms,总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。可见,高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度,改善“休斯”现象,为实现无损和快速检测识别大白菜农残提供一个新的方法。 相似文献
7.
近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望. 相似文献
8.
提出了一种使用稀疏贝叶斯学习(SBL)的多途信号盲解卷积方法对水声多途信道的信道脉冲响应(CIR)进行盲估计。该方法利用垂直阵和多频SBL获得宽带舰船声源在不同垂直到达角上的复数域多频点信号,取其相位对垂直阵接收信号匹配滤波,得到每条路径上的CIR,将多路径CIR相干叠加得到最终的多途CIR结果。仿真与海试数据处理结果表明,相比于原有的基于交替投影的多途信号盲解卷积方法,所提出方法有以下几个好处:(1)无需准确预估多途信号数目;(2)分离的多途信号的方位更准确且信号相位更可靠;(3)有效获取了舰船与阵列之间的CIR.并且将弱路径CIR的平均时间估计误差从4.7 ms缩小到1.0 ms.显著提高了弱路径CIR的时间估计精度。使用稀疏贝叶斯学习的多途信号盲解卷积方法能够有效提高多途环境下水声信道盲估计的性能。 相似文献
9.
10.