全文获取类型
收费全文 | 111篇 |
免费 | 24篇 |
国内免费 | 13篇 |
专业分类
航空 | 73篇 |
航天技术 | 25篇 |
综合类 | 21篇 |
航天 | 29篇 |
出版年
2024年 | 2篇 |
2023年 | 1篇 |
2022年 | 3篇 |
2021年 | 4篇 |
2020年 | 3篇 |
2019年 | 5篇 |
2018年 | 9篇 |
2017年 | 4篇 |
2016年 | 6篇 |
2015年 | 8篇 |
2014年 | 2篇 |
2013年 | 8篇 |
2012年 | 9篇 |
2011年 | 7篇 |
2010年 | 6篇 |
2009年 | 7篇 |
2008年 | 6篇 |
2007年 | 8篇 |
2006年 | 11篇 |
2005年 | 8篇 |
2004年 | 7篇 |
2003年 | 4篇 |
2002年 | 2篇 |
2001年 | 2篇 |
2000年 | 1篇 |
1998年 | 2篇 |
1997年 | 1篇 |
1995年 | 2篇 |
1994年 | 3篇 |
1993年 | 1篇 |
1992年 | 3篇 |
1991年 | 1篇 |
1986年 | 1篇 |
1981年 | 1篇 |
排序方式: 共有148条查询结果,搜索用时 15 毫秒
101.
分析、比较了样本均值、截尾均值、平尾均值在统计学意义下的特性和差别,阐述了在武器装备科学技术奖成果评定中,以平尾均值替代样本均值的必要性和意义。 相似文献
102.
利用均值色度函数,结合提色块算法,对车窗定位的算法进行了研究,提出了一种均值色度函数和提色块方法相结合的车窗定位算法,并在车型识别系统中利用,取得了一定的实验效果。 相似文献
103.
104.
105.
胡迪 《中国空间科学技术》2015,35(1):19-26
针对卫星反作用轮遥测数据存在不完备情况,提出一种基于核模糊均值聚类(KernelFuzzy C-Means,KFCM)的数据修复诊断算法KFCM-Imputation(KFCM-I)。该算法通过KFCM聚类实现已知故障样本的聚类中心和聚类半径,通过相似度计算查找与不完备数据最相似的数据点,将该数据点填充于不完备数据点位置,保证数据的完备性,并通过数据的相似度进行故障诊断。考虑所有故障特征同步缺失数据和各故障特征随机缺失数据两种工况,对比工程上直接删除缺失数据的方法,在数据缺失量小于总数据量的13%时,KFCM-I诊断精度能达90%以上;当数据缺失量占总数据量13%~20%时,诊断精度仍能达到80%。KFCM-I算法故障诊断精度高、计算简单,对工程应用有较好的参考价值。 相似文献
106.
基于MSER的无人机图像建筑区域提取 总被引:1,自引:0,他引:1
对建筑区域自动检测与提取是无人机(UAV,Unmanned Aerial Vehicle)图像处理的一项重要功能.在分析无人机成像特点和最大稳定极值区域(MSER,Maximum Stable Extremal Regions)算法对无人机侦察图像建筑区域检测的适用性基础上,提出了一种基于MSER的无人机侦察图像建筑区域提取算法.算法包含5步:无人机图像预处理,运用MSER算法分析计算图像稳定区域,通过计算稳定区域密度筛选建筑区域,进一步利用自适应K均值聚类算法对建筑区进行划分,最后采用Graham算法生成建筑区的边界从而实现了建筑区的自动提取.选取无人机实飞图像数据进行实验统计,本算法提取精度为92.25%;同时与基于Gabor变换的纹理特征、SIFT特征点的提取算法相比,建筑区域提取时间缩短,满足无人机实时应用需求. 相似文献
107.
108.
齿轮振动信号常表现出明显的非线性和非平稳特征。为有效提取齿轮振动信号的特征信息,将自适应信号分解方法——局部均值分解用于齿轮振动信号的分析。使用局部均值分解对三种状态的齿轮振动信号进行分解,得到一组PF分量,并对PF分量进行频谱分析。分析结果表明,局部均值分解完成了对齿轮振动信号的有效分解,各PF分量的幅值谱获得了不同状态齿轮振动信号的特征谱线,实现了对齿轮状态特征的准确提取。 相似文献
109.
为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。 相似文献
110.
基于图谱指标的滚动轴承故障特征提取方法 总被引:1,自引:1,他引:0
为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。 相似文献