全文获取类型
收费全文 | 5123篇 |
免费 | 563篇 |
国内免费 | 308篇 |
专业分类
航空 | 3317篇 |
航天技术 | 728篇 |
综合类 | 552篇 |
航天 | 1397篇 |
出版年
2024年 | 70篇 |
2023年 | 197篇 |
2022年 | 226篇 |
2021年 | 251篇 |
2020年 | 215篇 |
2019年 | 204篇 |
2018年 | 83篇 |
2017年 | 122篇 |
2016年 | 158篇 |
2015年 | 155篇 |
2014年 | 201篇 |
2013年 | 242篇 |
2012年 | 297篇 |
2011年 | 301篇 |
2010年 | 282篇 |
2009年 | 307篇 |
2008年 | 323篇 |
2007年 | 360篇 |
2006年 | 301篇 |
2005年 | 266篇 |
2004年 | 214篇 |
2003年 | 226篇 |
2002年 | 133篇 |
2001年 | 166篇 |
2000年 | 105篇 |
1999年 | 82篇 |
1998年 | 101篇 |
1997年 | 83篇 |
1996年 | 53篇 |
1995年 | 61篇 |
1994年 | 41篇 |
1993年 | 29篇 |
1992年 | 41篇 |
1991年 | 30篇 |
1990年 | 22篇 |
1989年 | 28篇 |
1988年 | 8篇 |
1987年 | 9篇 |
1981年 | 1篇 |
排序方式: 共有5994条查询结果,搜索用时 31 毫秒
571.
572.
剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度. 相似文献
573.
近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络(CNN)和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN(更快的基于区域的卷积神经网络)的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。 相似文献
574.
空间太阳能电站微波能量传输需要具备超大规模的相控阵列波束形成和超高精度的波束指向控制能力。采用大尺寸的基本相控电单元能够缩减天线阵列规模和微波发射通道数目,从而显著降低微波能量发射系统的构造和组装成本。然而,相控单元的尺寸越大,对天线模块的结构刚性和姿态控制精度要求越高。基于天线阵列的结构化构型设计,提出超大规模回复反射阵列的结构模块和相控电单元的尺寸分析模型,推导得到结构模块姿态偏差、电单元尺寸要求和能量传输效率的近似关系及其解析表达式,可供作为空间太阳能电站微波传能天线阵列及其波束控制方案设计的参考依据。 相似文献
575.
576.
577.
本文通过Java语言设计了一个无线抢答系统的客户端,同时利用C#语言,基于.Net Framework开发了此系统的服务器。此系统基于无线局域网,运行在Windows操作系统平台上,实现了抢答者显示、在线者列表以及最后抢答结果展示等功能。 相似文献
578.
579.
滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。 相似文献
580.