全文获取类型
收费全文 | 505篇 |
免费 | 60篇 |
国内免费 | 62篇 |
学科分类
工业技术 | 627篇 |
出版年
2024年 | 6篇 |
2023年 | 24篇 |
2022年 | 19篇 |
2021年 | 22篇 |
2020年 | 21篇 |
2019年 | 36篇 |
2018年 | 26篇 |
2017年 | 14篇 |
2016年 | 14篇 |
2015年 | 17篇 |
2014年 | 28篇 |
2013年 | 29篇 |
2012年 | 27篇 |
2011年 | 41篇 |
2010年 | 36篇 |
2009年 | 41篇 |
2008年 | 43篇 |
2007年 | 59篇 |
2006年 | 41篇 |
2005年 | 14篇 |
2004年 | 13篇 |
2003年 | 19篇 |
2002年 | 8篇 |
2001年 | 5篇 |
2000年 | 3篇 |
1999年 | 6篇 |
1997年 | 4篇 |
1996年 | 2篇 |
1995年 | 1篇 |
1994年 | 2篇 |
1988年 | 1篇 |
1987年 | 1篇 |
1986年 | 1篇 |
1983年 | 2篇 |
1981年 | 1篇 |
排序方式: 共有627条查询结果,搜索用时 0 毫秒
101.
102.
103.
104.
我国大学始终面临场域内外行政权力的双重规训,自由、自治的大学理念尚未成熟,并未形成自治文化的历史传统。受权力本位的文化、制度和认知心理惯习的影响,大学场域的权力格局长期处于。强行政、弱学术”的畸形状态。学术本位的原初权力结构遭受强制与倒置。鉴于此,为实现权力与权利的统一。切实保障学术权利.权力对抗的思维与行为方式亟待改变。须以权利制约权力的方式实现权力冲突的权利转向。 相似文献
105.
基于改进的SOM网络模型的VoIP QoS应用研究 总被引:1,自引:0,他引:1
VoIP的服务质量(QoS,Quality of Service)评估可以采用一系列可度量的参数来描述:业务可用性、吞吐量、延迟、抖动、分组丢失率等。现有的感知语音质量评价(PESQ)很难对不同环境下的网络结构进行实时和恰当的语音等级质量分类。为了能够综合考虑几种QoS相关因素,在给出改进的自组织映射神经网络模型(ESOMNN)的基础上,利用ESOM能够对高维输入数据有效分类的特点,提出了将端到端延迟、丢包率、抖动、语音编码以及测试系统标识作为ESOMNN的输入数据,在对采样数据进行训练后可自动完成语音质量评价和映射,并能根据得到的实时变量有效地评价包含多种相关因素的QoS级别。 相似文献
106.
杯托零件的注塑模设计 总被引:1,自引:0,他引:1
塑料杯托在我们日常生活中使用普遍,因色彩丰富、价格便宜而深受广大消费者的喜爱。本文叙述了采用三维设计软件Pro/ENGINEET及其配套的注塑模设计模块EMX进行杯托注塑模具设计的一般流程。 相似文献
107.
108.
最近,基于自注意力的Transformer结构在不同领域的一系列任务上表现出非常好的性能。探索了基于Transformer编码器和LAS(listen,attend and spell)解码器的Transformer-LAS语音识别模型的效果,并针对Transformer不善于捕捉局部信息的问题,使用Conformer代替Transformer,提出Conformer-LAS模型。由于Attention过于灵活的对齐方式,使得在嘈杂环境中的效果急剧下降,采用连接时序分类(connectionist temporal classification,CTC)辅助训练以加快收敛,并加入音素级别的中间CTC损失联合优化,提出了效果更好的Conformer-LAS-CTC语音识别模型。在开源中文普通话Aishell-1数据集上对提出来的模型进行验证,实验结果表明,Conformer-LAS-CTC相对于采用的基线BLSTM-LAS和Transformer-LAS模型在测试集上的字错率分别相对降低了22.58%和48.76%,模型最终字错误率为4.54%。 相似文献
109.
近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,所提模型与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。 相似文献
110.