全文获取类型
收费全文 | 2101篇 |
免费 | 495篇 |
国内免费 | 375篇 |
专业分类
航空 | 1544篇 |
航天技术 | 581篇 |
综合类 | 303篇 |
航天 | 543篇 |
出版年
2024年 | 21篇 |
2023年 | 81篇 |
2022年 | 120篇 |
2021年 | 121篇 |
2020年 | 118篇 |
2019年 | 138篇 |
2018年 | 93篇 |
2017年 | 107篇 |
2016年 | 113篇 |
2015年 | 94篇 |
2014年 | 122篇 |
2013年 | 107篇 |
2012年 | 138篇 |
2011年 | 166篇 |
2010年 | 117篇 |
2009年 | 119篇 |
2008年 | 138篇 |
2007年 | 140篇 |
2006年 | 159篇 |
2005年 | 130篇 |
2004年 | 104篇 |
2003年 | 100篇 |
2002年 | 78篇 |
2001年 | 80篇 |
2000年 | 46篇 |
1999年 | 40篇 |
1998年 | 42篇 |
1997年 | 30篇 |
1996年 | 17篇 |
1995年 | 12篇 |
1994年 | 15篇 |
1993年 | 15篇 |
1992年 | 10篇 |
1991年 | 17篇 |
1990年 | 8篇 |
1989年 | 11篇 |
1988年 | 3篇 |
1986年 | 1篇 |
排序方式: 共有2971条查询结果,搜索用时 15 毫秒
981.
流体力学深度学习建模技术研究进展 总被引:1,自引:0,他引:1
深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。 相似文献
982.
基于卷积神经网络的深度学习流场特征识别及应用进展 总被引:2,自引:1,他引:1
深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络(CNN)强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。 相似文献
983.
针对卫星网络通信路径发生改变引起往返时延突变,导致现有的拥塞控制机制中超时重传时间估计不准确,并对拥塞窗口计算产生不利影响的问题,提出一种基于链路长度的带宽估计TCPW\|BLC算法。该算法通过计算通信链路长度合理调整拥塞窗口、慢启动阈值及超时重传定时器中相关参数的增益因子,使拥塞控制算法在往返时延突变情况下仍保持较高吞吐量,适应卫星网络动态环境特性。NS2仿真结果表明,TCPW\|BLC算法相比TCPW算法在卫星网络中吞吐量性能提高了2.8%,有效降低了时延突变给拥塞控制机制造成的不利影响。 相似文献
984.
985.
与传统的目标跟踪不同,扩展目标跟踪(EOT)不忽略目标的轮廓特征,同时对目标的质心运动学状态和轮廓特征进行估计。基于随机矩阵的扩展目标跟踪方法用随机正定矩阵来描述目标的轮廓特征,并且建立了适合扩展目标跟踪的量测模型。为了改善目标机动时的跟踪性能,根据椭圆(体)与正定矩阵的关系,提出基于椭圆(体)拟合的扩展目标跟踪方法。进一步地,为了综合上述两类方法的优点,提出一种混合的扩展目标跟踪方法,能够根据目标机动与否在两类方法中进行选择。仿真结果表明,该混合方法的轮廓特征估计误差低于前述两类方法,质心运动学状态的估计性能也更好。 相似文献
986.
高性能同轴网络(HINOC,High performance Network Over Coax)是面向下一代广播电视网的同轴电缆接入新技术,是实现模拟电视系统双向数字改造以及广播电视三网融合战略的关键技术之一.HINOC系统中的嵌入式设备HB(HINOC Bridge)与HM(HINOC Modem)需要通过在线升级实现软件版本的不断更新.针对目前一般的软件在线升级系统中普遍存在的整体加密传输效率低、硬件失效缺乏保护等问题,本升级系统设计在文件的传输和文件烧写的基本步骤上引入了文件差分编码解码、文件校验与加密解密以及异常保护机制.实际测试结果显示,升级系统能够满足HINOC系统在效率、安全性和可靠性方面的要求,保证了嵌入式系统的信息安全以及嵌入式设备在异常情况下的稳定工作. 相似文献
987.
Hongru Chen Huixin Liu Toshiya Hanada 《Advances in Space Research (includes Cospar's Information Bulletin, Space Research Today)》2014
Upper atmospheric densities during geomagnetic storms are usually poorly estimated due to a lack of clear understanding of coupling mechanisms between the thermosphere and magnetosphere. Consequently, the orbit determination and propagation for low-Earth-orbit objects during geomagnetic storms have large uncertainties. Artificial neural networks are often used to identify nonlinear systems in the absence of rigorous theory. In the present study, an attempt has been made to model the storm-time atmospheric density using neural networks. Considering the debate over the representative of geomagnetic storm effect, i.e. the geomagnetic indices ap and Dst, three neural network models (NNM) are developed with ap, Dst and a combination of ap and Dst respectively. The density data used for training the NNMs are derived from the measurements of the satellites CHAMP and GRACE. The NNMs are evaluated by looking at: (a) the mean residuals and the standard deviations with respect to the density data that are not used in training process, and (b) the accuracy of reconstructing the orbits of selected objects during storms employing each model. This empirical modeling technique and the comparisons with the models NRLMSIS-00 and Jacchia-Bowman 2008 reveal (1) the capability of neural networks to model the relationship between solar and geomagnetic activities, and density variations; and (2) the merits and demerits of ap and Dst when it comes to characterizing density variations during storms. 相似文献
988.
基于人工神经网络的预测方法,利用数量适当的有限元计算结果,建立人工神经网络模型,对反射器型面进行精度预测分析,得到在最小型面精度结果下的结构设计参数。计算结果显示训练好的神经网络模型能够较精确地预测格栅反射器的型面精度,节省计算时间,并且以型面精度最小为准则进行参数分析,能够指导反射器的结构设计。 相似文献
989.
基于图论的潜通路分块分析方法 总被引:1,自引:0,他引:1
潜通路分析是一种重要的电路可靠性分析方法.随着电路系统规模的扩大,整体进行潜通路分析不仅使分析时间增加,而且分析过程会占据很大的存储空间.对大型复杂电路网络进行潜通路分析时,运用基于Laplace矩阵的谱平分算法对电路系统分块处理,将其划分成规模较小的若干子网络模块.根据子网络模块内部元件的组合状态,用深度优先搜索判断通路,将每个子网络模块等效成一个多端的特殊器件.对各个子网络模块分别进行潜通路分析,对等效后简化的电路系统整体分析,以达到对整个电路系统潜通路分析的目的.潜通路分块分析的方法简化了电路网络分析模型,有利于潜通路分析自动化智能化水平的提高. 相似文献
990.