全文获取类型
收费全文 | 936篇 |
免费 | 137篇 |
国内免费 | 76篇 |
专业分类
化学 | 33篇 |
力学 | 36篇 |
综合类 | 9篇 |
数学 | 505篇 |
物理学 | 117篇 |
无线电 | 449篇 |
出版年
2024年 | 12篇 |
2023年 | 45篇 |
2022年 | 47篇 |
2021年 | 59篇 |
2020年 | 71篇 |
2019年 | 41篇 |
2018年 | 32篇 |
2017年 | 19篇 |
2016年 | 22篇 |
2015年 | 29篇 |
2014年 | 37篇 |
2013年 | 62篇 |
2012年 | 48篇 |
2011年 | 49篇 |
2010年 | 27篇 |
2009年 | 47篇 |
2008年 | 41篇 |
2007年 | 60篇 |
2006年 | 51篇 |
2005年 | 31篇 |
2004年 | 43篇 |
2003年 | 44篇 |
2002年 | 40篇 |
2001年 | 30篇 |
2000年 | 27篇 |
1999年 | 21篇 |
1998年 | 16篇 |
1997年 | 31篇 |
1996年 | 12篇 |
1995年 | 13篇 |
1994年 | 5篇 |
1993年 | 3篇 |
1992年 | 5篇 |
1991年 | 5篇 |
1990年 | 3篇 |
1989年 | 2篇 |
1988年 | 6篇 |
1987年 | 1篇 |
1986年 | 1篇 |
1984年 | 3篇 |
1983年 | 2篇 |
1982年 | 2篇 |
1980年 | 2篇 |
1978年 | 2篇 |
排序方式: 共有1149条查询结果,搜索用时 462 毫秒
51.
52.
近年来基于深度学习的图像修复方法相比于传统方法,表现出明显优势,前者能更好的生成视觉上合理的图像结构和纹理.但现有的标准卷积神经网络方法,通常会造成颜色差异过大和图像纹理缺失与失真的问题.本文提出了一种新型图像修复深度网络模型,该模型由两个相互独立的生成对抗式网络模块组成.其中,图像修复网络模块旨在解决图像缺失区域的修复问题,其生成器基于部分卷积网络;图像优化网络模块旨在解决修复后图像存在局部色差的问题,其生成器基于深度残差网络.通过两个网络模块的协同作用,图像的视觉效果与图像质量得到提高.与其他先进方法进行定性和定量比较的实验结果表明,本文提出的方法在图像修复质量上表现更好. 相似文献
53.
54.
脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。 相似文献
55.
基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题。鉴于此,提出一种多尺度特征融合算法。该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生的结果与原始预测特征融合,以此提高检测器的精度。将多尺度特征融合模块与Libra RetinaNet结合构建目标检测器并在不同的数据集上进行实验。实验结果表明,与Libra RetinaNet检测器相比,加入模块后的检测器在PASCAL VOC数据集和MSCOCO数据集上的平均精度分别提高2.2个百分点和1.3个百分点。 相似文献
56.
57.
58.
目前,数字指纹方案中普遍存在着大用户数下指纹码构造过长以及无法有效追踪盗版者的问题和缺陷。为了解决这些问题,在BS模型的基础上,提出一种卷积扩频两层链接结构的安全指纹构造方法,同时引入备选子码集对维特比译码算法进行了改进,给出了指纹码的译码算法。对构造的指纹进行了性能分析,结果表明,该指纹方案具有更短的码长和更快地盗版者搜索性能。实例证明,该指纹方案能够有效追踪到盗版者及共谋者。 相似文献
59.
60.
近红外光谱(NIR)分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。 相似文献