全文获取类型
收费全文 | 90篇 |
免费 | 10篇 |
国内免费 | 12篇 |
学科分类
工业技术 | 112篇 |
出版年
2023年 | 6篇 |
2022年 | 5篇 |
2021年 | 6篇 |
2020年 | 8篇 |
2019年 | 7篇 |
2018年 | 3篇 |
2017年 | 6篇 |
2016年 | 2篇 |
2015年 | 5篇 |
2014年 | 5篇 |
2013年 | 3篇 |
2012年 | 7篇 |
2011年 | 3篇 |
2010年 | 7篇 |
2009年 | 5篇 |
2008年 | 6篇 |
2007年 | 5篇 |
2006年 | 3篇 |
2005年 | 2篇 |
2004年 | 2篇 |
2003年 | 2篇 |
2002年 | 1篇 |
2001年 | 4篇 |
2000年 | 3篇 |
1999年 | 3篇 |
1997年 | 1篇 |
1996年 | 1篇 |
1994年 | 1篇 |
排序方式: 共有112条查询结果,搜索用时 15 毫秒
1.
2.
在实际应用问题中,由于客观世界物质的多样性、模糊性和复杂性,经常会遇到大量未知样本类别信息的数据挖掘问题,而传统方法往往都依赖于已知样本类别信息才能对数据进行有效挖掘,对于未知模式类别信息的多类数据目前还没有有效的处理方法.针对未知类别信息的多类样本挖掘问题,提出了一种基于主动学习的模式类别挖掘模型(pattern class mining model based on active learning,PM_AL)来解决未知类别信息的模式类别挖掘问题.该模型通过衡量已得到的模式类别与未标记样本间的关系,引入样本差异度的方法来抽取最有价值样本,通过主动学习方式以较小的标记代价快速挖掘无标记样本所蕴含的可能模式类别,从而有助于将无类别标记的多分类问题转化成有类别标记的多分类问题.实验结果表明,PM_AL算法能够以较小的标记代价处理无类别信息的模式类别挖掘问题. 相似文献
3.
产品标准是表达产品质量的基本技术文件,是企业标准体系的核心,是企业生产技术活动的依据。可见产品标准对企业是十分重要的。然而,近几年,产品标准的编写还存在许多问题,造成企业执行困难。本文的主要目的,是针对暴露问题较多的方面,浅析应该注意的事项,以提高产品标准的编写质量,方便企业执行,进而达到获得最佳社会经济效益的目的。 相似文献
4.
5.
基于凸包估计的核参数选择方法 总被引:1,自引:0,他引:1
核及相关参数的选择是支撑向量机(support vector machine,SVM)研究中的核心问题之一.基于统计学习理论,提出一种通过角度切割样本集求解训练样本的近似凸包来进行最优核参数选择的方法.该方法可以克服传统的基于求解优化问题的方法所具有的计算复杂度高的缺点,且无论数据是否稠密,分布是否均匀都可适用.数值实验说明了提出的方法可行性与有效性. 相似文献
6.
核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一。提出了一种基于数据分布特征的SVM核函数及其参数选择的方法。首先分析了确定数据分布特征的重要性,然后给出了判断数据呈高斯分布的方法,并探讨了SVM核函数及其参数选择与数据分布的相关性。数值实验说明了本文提出的方法的可行性与有效性。 相似文献
7.
网内和网间主叫号码传送的规范从2002年制定开始到运营商实施至今,已经取得了巨大的成效,但由于种种原因网内不规范主叫仍然大量存在。固网运营商规范主叫号码的方式均根据主叫号码传送规定,在端局、汇接局、关口局、长途局、SCP(Service Control Point,智能网业务控制点)对主叫地址码信息(即地址信息表示语)和主叫号码进行相应的规范处理。随着以软交换为核心的固网智能化的广泛应用,SDC(Subscriber Data Center)在用户号码鉴权和拦截非法主叫方面将发挥巨大的作用。 相似文献
8.
9.
针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。 相似文献
10.
节点标签是复杂网络中广泛存在的监督信息,对网络表示学习具有重要作用。基于此,提出了一种结合图自编码器与聚类的半监督表示学习方法(GAECSRL)。首先,以图卷积网络(GCN)和内积函数分别作为编码器和解码器,并构建图自编码器以形成信息传播框架;然后,在编码器生成的低维表示基础上增加k-means聚类模块,从而使图自编码器的训练过程和节点的类别分布划分形成自监督机制;最后,利用节点标签的判别信息对网络低维表示的类别划分进行指导,将网络表示生成、类别划分以及图自编码器的训练构建在一个统一的优化模型中,并获得融合节点标签信息的有效网络表示结果。在仿真实验中,将GAECSRL用于节点分类和链接预测任务。实验结果表明,相比DeepWalk、node2vec、全局结构信息图表示学习(GraRep)、结构化深度网络嵌入(SDNE)和用数据的转导式或归纳式嵌入预测标签和邻居(Planetoid),在节点分类任务中GAECSRL的Micro?F1指标提高了0.9~24.46个百分点,Macro?F1指标提高了0.76~24.20个百分点;在链接预测任务中,GAECSRL的AUC指标提高了0.33~9.06个百分点,说明GAECSRL获得的网络表示结果能有效提高节点分类和链接预测任务的性能。 相似文献