全文获取类型
收费全文 | 2162篇 |
免费 | 330篇 |
国内免费 | 183篇 |
专业分类
航空 | 1509篇 |
航天技术 | 320篇 |
综合类 | 210篇 |
航天 | 636篇 |
出版年
2024年 | 26篇 |
2023年 | 94篇 |
2022年 | 93篇 |
2021年 | 109篇 |
2020年 | 109篇 |
2019年 | 92篇 |
2018年 | 60篇 |
2017年 | 62篇 |
2016年 | 68篇 |
2015年 | 65篇 |
2014年 | 95篇 |
2013年 | 90篇 |
2012年 | 121篇 |
2011年 | 154篇 |
2010年 | 92篇 |
2009年 | 135篇 |
2008年 | 139篇 |
2007年 | 132篇 |
2006年 | 103篇 |
2005年 | 92篇 |
2004年 | 103篇 |
2003年 | 75篇 |
2002年 | 87篇 |
2001年 | 69篇 |
2000年 | 43篇 |
1999年 | 55篇 |
1998年 | 51篇 |
1997年 | 61篇 |
1996年 | 34篇 |
1995年 | 33篇 |
1994年 | 28篇 |
1993年 | 20篇 |
1992年 | 26篇 |
1991年 | 22篇 |
1990年 | 12篇 |
1989年 | 17篇 |
1988年 | 5篇 |
1987年 | 1篇 |
1982年 | 1篇 |
1981年 | 1篇 |
排序方式: 共有2675条查询结果,搜索用时 15 毫秒
81.
多星座导航能够增加可视卫星数量,改善卫星几何构型,已成为卫星导航定位领域发展的重要方向之一。多星座导航接收机自主完好性监测(RAIM)技术对提高导航系统的完好性具有重要作用。面向多星座导航的完好性监测需求,分析了传统随机抽样一致性(RANSAC)故障检测方法的不足,提出了一种基于最小样本集选星预处理的改进RANSAC RAIM算法。该算法基于最大四面体积法和GDOP值贡献度的选星方法选取具有较好构型的卫星构成卫星子集,取代了传统RANSAC RAIM方法通过遍历构成卫星子集,可有效避免卫星子集中存在较差卫星几何构型的情况,减少子集数量,提升故障检测的准确率。静态和动态仿真实验表明,改进的RANSAC RAIM算法在检测效率和检测准确率等方面明显优于传统方法。 相似文献
82.
针对导弹控制系统结构复杂,信号线繁多,难以在故障诊断软件设计中实现诊断过程图形化实时显示的问题,提出了一种基于自定义组件开发故障诊断软件的方法.根据导弹控制系统的故障诊断流程及实时显示需要,对其结构进行了分析,抽象出了主要组成元素--信号通道和部件,由此提出了需要定义的相应组件.用Borland C Builder6.0开发环境进行了应用实践,证明使用这种方法可快速开发出能图形化实时显示故障诊断过程的导弹控制系统故障诊断软件,开发出的软件还具有运行稳定、修改升级方便等优点. 相似文献
83.
84.
85.
某火箭发动机故障检测及诊断算法设计分析 总被引:1,自引:0,他引:1
针对某型号液体火箭发动机故障检测及诊断软件存在瞬态段(起动段、关机段)故障检测功能缺失、故障诊断无法给出故障量大小的问题,在原软件故障诊断算法——余弦相似度分类的基础上,通过引入故障因子 定量给出故障量大小,实现发动机故障诊断的定性定量分析。同时,采用基于统计学基础的包络线算法,通过Python语言对发动机瞬态段故障检测算法进行设计开发,使原软件实现发动机瞬态段故障检测功能。通过仿真试车数据对软件算法进行验证,结果表明优化后的故障诊断功能可实现故障量大小计算,基于包络线算法开发的故障检测功能提高了发动机故障检测效率。 相似文献
86.
一种基于Deep-GBM的航空发动机中介轴承故障诊断方法 总被引:1,自引:1,他引:0
针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型(Deep-GBM)对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。 相似文献
87.
基于卷积门控循环网络的滚动轴承故障诊断 总被引:2,自引:2,他引:0
针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。 相似文献
88.
89.
90.