全文获取类型
收费全文 | 1017篇 |
免费 | 198篇 |
国内免费 | 110篇 |
专业分类
航空 | 583篇 |
航天技术 | 244篇 |
综合类 | 73篇 |
航天 | 425篇 |
出版年
2023年 | 21篇 |
2022年 | 39篇 |
2021年 | 34篇 |
2020年 | 69篇 |
2019年 | 56篇 |
2018年 | 49篇 |
2017年 | 39篇 |
2016年 | 37篇 |
2015年 | 39篇 |
2014年 | 33篇 |
2013年 | 47篇 |
2012年 | 58篇 |
2011年 | 81篇 |
2010年 | 61篇 |
2009年 | 86篇 |
2008年 | 83篇 |
2007年 | 69篇 |
2006年 | 65篇 |
2005年 | 61篇 |
2004年 | 38篇 |
2003年 | 45篇 |
2002年 | 18篇 |
2001年 | 38篇 |
2000年 | 20篇 |
1999年 | 11篇 |
1998年 | 19篇 |
1997年 | 16篇 |
1996年 | 11篇 |
1995年 | 12篇 |
1994年 | 15篇 |
1993年 | 14篇 |
1992年 | 14篇 |
1991年 | 8篇 |
1990年 | 5篇 |
1989年 | 8篇 |
1988年 | 5篇 |
1986年 | 1篇 |
排序方式: 共有1325条查询结果,搜索用时 15 毫秒
1.
为适用于强非线性、非高斯过程噪声系统,结合预测滤波(PF)与高阶容积卡尔曼滤波(HCKF),提出一种预测-五阶容积卡尔曼滤波(P5thCKF)方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整,进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则,采用五阶球面单形积分准则处理球面积分,广义高斯-拉盖尔积分准则处理径向积分;描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。 相似文献
2.
振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂,对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点,在轴承智能故障诊断中引起了广泛的关注。然而,由于航空发动机内声信号所处的环境噪声较强,传统的轴承故障诊断方法无法实现精确的特征提取。为此,研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点,在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取,可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法,能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取,然后采用权值归一化方法约束训练得到的权值矩阵。最后,通过仿真和实验数据验证了所提方法的优越性。结果表明,并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类,可用于声学信号下的轴承智能故障诊断。 相似文献
3.
4.
基于自适应容积粒子滤波的车辆状态估计 总被引:1,自引:1,他引:0
针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。 相似文献
5.
针对常用的阶梯变迎角数据处理方法处理连续变迎角试验数据时,不能去除低频振动分量的问题,基于试验数据中的近似对称、局部线性等特点,提出一种将数据进行分段二项式拟合的处理方法,并详细论述其基本原理,重点介绍基于方差极小值动态确定数据分段长度的方法。基于测试信号的实验结果表明所提方法可将低频分量信号滤除近70%,有效提高数据处理精度。经标模试验测试验证,所提方法可成功应用于某些试验。 相似文献
6.
联邦学习是一种新型的分布式学习框架,它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先,本文介绍了联邦学习的基本概念和威胁模型,有助于理解其面临的攻击。其次,本文总结了由内部恶意实体发起的3种攻击类型,同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较,进一步讨论了该领域未来的发展方向。 相似文献
7.
8.
10.