全文获取类型
收费全文 | 627篇 |
免费 | 100篇 |
国内免费 | 54篇 |
专业分类
化学 | 16篇 |
力学 | 9篇 |
综合类 | 21篇 |
数学 | 450篇 |
物理学 | 29篇 |
无线电 | 256篇 |
出版年
2024年 | 13篇 |
2023年 | 35篇 |
2022年 | 44篇 |
2021年 | 32篇 |
2020年 | 30篇 |
2019年 | 36篇 |
2018年 | 13篇 |
2017年 | 34篇 |
2016年 | 25篇 |
2015年 | 30篇 |
2014年 | 36篇 |
2013年 | 25篇 |
2012年 | 25篇 |
2011年 | 19篇 |
2010年 | 36篇 |
2009年 | 19篇 |
2008年 | 33篇 |
2007年 | 28篇 |
2006年 | 22篇 |
2005年 | 27篇 |
2004年 | 22篇 |
2003年 | 22篇 |
2002年 | 19篇 |
2001年 | 25篇 |
2000年 | 26篇 |
1999年 | 15篇 |
1998年 | 13篇 |
1997年 | 10篇 |
1996年 | 9篇 |
1995年 | 8篇 |
1994年 | 13篇 |
1993年 | 13篇 |
1992年 | 7篇 |
1991年 | 11篇 |
1990年 | 3篇 |
1989年 | 3篇 |
排序方式: 共有781条查询结果,搜索用时 15 毫秒
81.
82.
83.
针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。 相似文献
84.
85.
高光谱遥感影像在获取和传输过程中会受到各种类型噪声的污染,不仅降低影像质量,也限制了其后续应用的精度。高光谱影像噪声类型复杂多样,且噪声在不同波段上的强度也并不相同。通过引入光谱域上的权重矩阵,文中提出了一种基于光谱加权低秩矩阵分解的高光谱遥感影像混合噪声去除方法,利用光谱权重矩阵均衡不同波段的噪声强度差异性。为进一步将噪声与纯净影像分离,利用加权核范数最小化来约束纯净高光谱影像的局部低秩结构,并利用交替方向乘子法对所提出的模型进行优化求解。通过对模拟与真实高光谱遥感数据的实验,验证了所提方法的有效性与优越性。 相似文献
86.
提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法.相对于其它低秩矩阵分解方法如鲁棒主成分分析,低秩表示方法更为契合高光谱图像的线性混合模型.该算法将低秩表示模型应用到高光谱图像异常探测问题上来,引入表征背景信息的学习字典,大大增强了低秩表示模型对初始参数的鲁棒性.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地提高了异常的探测率,同时对初始参数具有较好的鲁棒性,可以作为一种解决高光谱图像异常探测的有效手段. 相似文献
87.
为了充分挖掘高维特征空间中辐射源的细微特征, 提出一种基于全局潜在低秩表示(Global Latent Low Rank Representation, GLat-LRR)的通信辐射源潜在细微特征提取方法.首先, 提取通信辐射源信号的瞬时频率, 通过傅里叶变换将信号投影到高维特征空间; 挖掘特征样本之间全局的低秩结构和维度之间全局的潜在低秩关系, 将特征样本集作为整体应用到潜在低秩表示模型中, 利用维度之间低秩关系得到特征样本集的潜在部分矩阵, 每个列向量即为每个通信辐射源信号的潜在细微特征向量.在实际采集的同厂家同型号FM电台数据集上, 该方法提取的潜在细微特征能够显著提高通信辐射源个体识别的性能. 相似文献
88.
传统算法奇异值分解(singular value decomposition,SVD)低秩近似在图像处理等领域有巨大的潜力,但其并没有有效的利用图像本身的自然结构信息。针对上述问题,提出有限维交换半单代数,在此基础上提出广义奇异值分解(tensorial singular value decomposition, TSVD),并对二阶图像进行邻域拓展策略,将原图像的每个像素替换为广义标量。广义线性插值奇异值分解(tensorial linear interpolation singular value decomposition, TSVD-L)对广义标量进行线性插值处理,拓展阶数后的广义标量构成广义矩阵。以此为基础,通过不同阶数和尺寸的策略,将TSVD-L与传统算法SVD进行低秩近似重建,比较峰值信噪比结果,实验数据表明,在有限维交换半单代数之上的广义线性插值奇异值分解算法性能明显优于经典奇异值分解算法,且随着阶数的提升,TSVD-L的峰值信噪比完全优于SVD的峰值信噪比。同时TSVD-L比TSVD有一定的优越性。 相似文献
89.
极化SAR图像分类是一个高维非线性映射问题,稀疏表示(CS)对于解决此类问题具有很大潜力。字典学习在基于CS的分类中起到重要作用。本文提出了一种新的字典学习模型,用于增强字典的区分能力,使其更适合极化SAR图像分类。提出的模型根据字典中两类子字典在分类中的作用对其相应的表达系数施加不同的稀疏约束。为使共同子字典能够抓住所有类共享的特征,对其相应系数施加稀疏约束,为使类专属子字典能够抓住类内独享的局部和全局结构特征,对其相应系数同时施加稀疏和低秩约束。由于共同子字典表达所有类共享的特征,我们以测试样本在类专属子字典上的重建误差作为准则进行分类。本文在AIRSAR的Flevoland数据集上对此算法进行验证,实验结果验证了算法的有效性。 相似文献
90.