全文获取类型
收费全文 | 247篇 |
免费 | 19篇 |
国内免费 | 25篇 |
专业分类
航空 | 153篇 |
航天技术 | 27篇 |
综合类 | 64篇 |
航天 | 47篇 |
出版年
2023年 | 1篇 |
2022年 | 4篇 |
2021年 | 7篇 |
2020年 | 6篇 |
2019年 | 2篇 |
2018年 | 1篇 |
2017年 | 6篇 |
2016年 | 12篇 |
2015年 | 10篇 |
2014年 | 34篇 |
2013年 | 24篇 |
2012年 | 25篇 |
2011年 | 25篇 |
2010年 | 12篇 |
2009年 | 12篇 |
2008年 | 20篇 |
2007年 | 4篇 |
2006年 | 12篇 |
2005年 | 10篇 |
2004年 | 9篇 |
2003年 | 6篇 |
2002年 | 10篇 |
2001年 | 2篇 |
2000年 | 7篇 |
1999年 | 2篇 |
1998年 | 6篇 |
1997年 | 3篇 |
1996年 | 7篇 |
1995年 | 1篇 |
1994年 | 3篇 |
1992年 | 1篇 |
1990年 | 2篇 |
1989年 | 3篇 |
1988年 | 2篇 |
排序方式: 共有291条查询结果,搜索用时 15 毫秒
201.
202.
雷达管制校企联合教学模式 总被引:2,自引:0,他引:2
目的为了适应民航管理的快速发展,确保空中交通管制员在数量和质量上的稳定提高;方法通过介绍雷达管制院校的教学优势和不足,指出需采用校企联合培养模式;结果充分融合民航院校雷达管制实践教学与空管岗位培训的优势,从一线岗位定期聘请资深空管教员参与到院校教学;结论为我国民航培育更多、更优秀的空管人才。 相似文献
203.
利用试验设计法建立翼型气动特性的人工神经网络模型 总被引:1,自引:0,他引:1
建立了翼型气动特性预测的BP(Back Propagation)神经网络模型,重点研究了3种选取训练样本的试验设计(DOE)法:完全析因法、正交设计法和均匀设计法,对BP神经网络预测精度的影响,利用所建立的BP神经网络对FX63-137翼型几何型线进行了优化设计。研究结果表明:在因素数和水平数较少时,完全析因法、正交设计法及均匀设计法的平均测试误差分别为0.002%、0.029%、0.023%;在因素和水平数较多时,完全析因法的样本规模太大而不再适合,正交设计法和均匀设计法的平均测试误差分别为0.42%和0.15%,均匀设计法的预测精度更高,更适合于翼型气动特性预测的人工神经网络模型。优化后翼型的升阻比在迎角为0°~18°范围内均高于原始翼型,在迎角为1°、4°和15°时升阻比分别提高了4.38%、1.38%和5.51%。该研究方法及成果可以应用于翼型的多参数优化设计。 相似文献
204.
关于工学结合人才培养模式的思考 总被引:4,自引:0,他引:4
刘沛奇 《西安航空技术高等专科学校学报》2010,28(3)
工学结合是高职院校人才培养模式的显著特征,是高职教育的核心理念。针对高职院校工学结合中存在的问题,试图从学校、企业、政府三方面提出应对措施,以求建立工学结合的长效机制。 相似文献
205.
论高职市场营销专业学生创新能力培养的途径 总被引:1,自引:0,他引:1
叶玉梅 《长沙航空职业技术学院学报》2010,10(2):14-16
为培养高职市场营销专业学生的创新能力,本文从拓宽学生课程选择面、实施项目化教学、加大实践教学力度以及创新班级管理模式等四个方面进行探讨。 相似文献
206.
基于大规模训练集SVM的发动机故障诊断 总被引:3,自引:1,他引:2
提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础. 相似文献
207.
高启明 《西安航空技术高等专科学校学报》2009,27(4)
教育信息化已成为深化高等教育教学改革,提高人才培养质量,建立办事高效、运转协调、行为规范的教育管理体制的重要手段.通过对推进高职院校信息化建设的相关问题进行了探讨,并提出了构建机制、加强资源建设和利用、重视信息化人才培养等建议和对策. 相似文献
208.
209.
《中国航空学报》2021,34(12):158-170
State-of-the-art model-driven Direction-Of-Arrival (DOA) estimation methods for multipath signals face great challenges in practical application because of the dependence on the precise multipath model. In this paper, we introduce a framework, based on deep learning, for synchronizing perturbation auto-elimination with effective DOA estimation in multipath environment. Firstly, a signal selection mechanism is introduced to roughly locate specific signals to spatial subregion via frequency domain filters and compressive sensing-based method. Then, we set the mean of the correlation matrix’s row vectors as the input feature to construct the spatial spectrum by the corresponding single network within the parallel deep capsule networks. The proposed method enhances the generalization capability to untrained scenarios and the adaptability to non-ideal conditions, e.g., lower SNRs, smaller snapshots, unknown reflection coefficients and perturbational steering vectors, which make up for the defects of the previous model-driven methods. Simulations are carried out to demonstrate the superiority of the proposed method. 相似文献
210.