全文获取类型
收费全文 | 1036篇 |
免费 | 213篇 |
国内免费 | 129篇 |
专业分类
航空 | 600篇 |
航天技术 | 253篇 |
综合类 | 73篇 |
航天 | 452篇 |
出版年
2024年 | 9篇 |
2023年 | 33篇 |
2022年 | 48篇 |
2021年 | 46篇 |
2020年 | 68篇 |
2019年 | 58篇 |
2018年 | 54篇 |
2017年 | 44篇 |
2016年 | 42篇 |
2015年 | 44篇 |
2014年 | 39篇 |
2013年 | 52篇 |
2012年 | 58篇 |
2011年 | 84篇 |
2010年 | 59篇 |
2009年 | 82篇 |
2008年 | 80篇 |
2007年 | 68篇 |
2006年 | 59篇 |
2005年 | 53篇 |
2004年 | 35篇 |
2003年 | 44篇 |
2002年 | 18篇 |
2001年 | 37篇 |
2000年 | 22篇 |
1999年 | 12篇 |
1998年 | 20篇 |
1997年 | 17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1378条查询结果,搜索用时 109 毫秒
991.
针对扩展卡尔曼滤波器(EKF)在系统模型不确定时存在鲁棒性差、精度低的问题,设计了一种基于交互式多模型(IMM)的自适应融合滤波(AFF)算法。IMM\|AFF算法采用两个模型来描述系统结构,且与每个模型相对应的Sage\|Husa滤波器和强跟踪滤波器(STF)独立并行工作,系统的状态估计则是两种滤波器估计的模型概率加权融合。IMM\|AFF算法兼具Sage\|Husa滤波器状态估计精度高和STF对系统模型不确定具有强鲁棒性的优点,克服了两种滤波器各自单独使用时的缺点。将IMM\|AFF算法应用于INS/GPS组合导航系统的仿真结果表明,IMM\|AFF算法的滤波精度和鲁棒性均明显优于目前工程应用中的EKF,特别是大大提高了INS/GPS系统的定位 精度 。
相似文献
相似文献
992.
993.
如何更好地利用技术检测数据来预测航空制导弹药剩余寿命,这是弹药质量控制研究中的一个重要方向。利用动态主成分分析法提取了航空制导弹药状态检测参数主成分,解决了弹药检测参数冗余、相互关联的问题,为剩余寿命分布研究奠定了基础。基于滤波模型和威布尔分布以及正态分布,建立了航空制导弹药剩余寿命分布模型。通过实例,就能很好地将弹药剩余寿命分布与弹药故障联系起来,并动态掌握其剩余寿命分布情况。 相似文献
994.
主要研究基于PC104平台的MEMS/GPS组合导航系统硬件实现方法.首先设计了对MTi-30 MEMS器件与GPS接收机的数据采集软件,基于统计分析方法分析建立了传感器的误差模型参数,构建了MEMS/GPS组合算法模型,基于MEMS惯性器件和GPS接收机实测数据确定了Kalman滤波器的系统噪声阵及量测噪声阵模型参数;然后利用实际测量数据进行了MEMS/GPS组合系统导航性能仿真;最后基于PC 104嵌入式平台,构建了MEMS/GPS组合导航系统原理样机,分别在静态和动态情况下完成MEMS/GPS组合导航算法实时测试,导航结果验证了硬件平台及导航算法的正确性. 相似文献
995.
基于高斯权值-混合建议分布粒子滤波的疲劳裂纹扩展预测 总被引:1,自引:1,他引:0
飞行器结构的疲劳裂纹扩展预测对保障结构安全、实现视情维护具有重要意义。结合粒子滤波算法和结构健康监测方法进行在线的疲劳裂纹扩展预测是近年来刚刚开始研究的新方法,该方法通过状态空间模型表征疲劳裂纹扩展过程中的不确定性,同时通过贝叶斯方法将结构健康监测所获取的结构实际裂纹观测值用于修正裂纹扩展模型的预测误差,实现更准确的疲劳裂纹扩展在线预测。由于该方法的研究刚刚开展,已有研究中粒子滤波算法的重要性密度函数往往简单选取为先验转移概率密度,存在严重的粒子退化问题。另一方面出于简单考虑,仅采用表征裂纹稳定扩展区的Paris模型。针对上述问题,本文提出一种基于高斯权值-混合建议分布粒子滤波的疲劳裂纹在线预测方法,基于表征裂纹全扩展区域的NASGRO裂纹扩展模型建立疲劳裂纹扩展状态方程,以主动Lamb波监测方法实现结构裂纹的在线监测,借助在线结构健康监测的优势,在粒子滤波时选取重要性密度函数为观测概率密度和先验转移概率密度的混合分布,同时基于先验估计获取高斯权值进行权值更新。本文进一步进行了仿真研究,结果表明所提出的方法优化了疲劳裂纹扩展预测的准确性。 相似文献
996.
基于残差学习的自适应无人机目标跟踪算法 总被引:1,自引:1,他引:0
无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。 相似文献
997.
针对传统卡尔曼滤波在复杂、高动态条件下滤波不稳定的问题,提出一种改进调节因子的Sage-Husa自适应滤波算法。该算法利用全球定位系统(GPS)三维速度信息对滤波异常判定条件中的调节因子进行实时优化,动态估计量测噪声的协方差阵,提高组合导航系统的自适应性。仿真结果表明,改进的Sage-Husa自适应滤波算法计算量明显降低,与传统卡尔曼滤波相比,能够保持较高的自适应性,明显改善定位精度。 相似文献
998.
999.
1000.