全文获取类型
收费全文 | 907篇 |
免费 | 213篇 |
国内免费 | 221篇 |
专业分类
航空 | 790篇 |
航天技术 | 216篇 |
综合类 | 191篇 |
航天 | 144篇 |
出版年
2024年 | 10篇 |
2023年 | 30篇 |
2022年 | 56篇 |
2021年 | 59篇 |
2020年 | 50篇 |
2019年 | 48篇 |
2018年 | 34篇 |
2017年 | 32篇 |
2016年 | 32篇 |
2015年 | 24篇 |
2014年 | 26篇 |
2013年 | 31篇 |
2012年 | 48篇 |
2011年 | 70篇 |
2010年 | 48篇 |
2009年 | 59篇 |
2008年 | 79篇 |
2007年 | 60篇 |
2006年 | 88篇 |
2005年 | 71篇 |
2004年 | 61篇 |
2003年 | 52篇 |
2002年 | 57篇 |
2001年 | 57篇 |
2000年 | 37篇 |
1999年 | 17篇 |
1998年 | 25篇 |
1997年 | 31篇 |
1996年 | 13篇 |
1995年 | 9篇 |
1994年 | 17篇 |
1993年 | 3篇 |
1992年 | 2篇 |
1991年 | 3篇 |
1990年 | 2篇 |
排序方式: 共有1341条查询结果,搜索用时 46 毫秒
781.
782.
783.
程序调参飞行控制律的神经网络实现 总被引:8,自引:1,他引:7
为保证飞行品质,现代飞机中多采用程度调参飞行控制律,由于调参规律的高度非线性,使得控制律的工程实现相当困难。为此,对程序调参飞行控制律的神经网络实现方法进行了研究。通过应用BP神经网络逼近非线性调参规律。探讨了用BP网络实现程序调参飞行控制律的一般方法,给出了网络的结构及其优化算法,并以某型飞机电传操纵系统倾斜阻尼通道的程序调参控制律为例,对该实现方法进行降验证。结果表明,实现精度符合工程要求。 相似文献
784.
基于人工神经网络的内嵌式永磁同步电机(IPMSM)智能驱动控制性能要明显优于传统控制方法,但是存在计算量大和离线训练时间长的问题。针对该问题,提出了一种基于单神经元算法的IPMSM智能驱动控制策略。阐述了永磁同步电机的数学模型及电流转矩控制规律;并基于单神经元的控制原理,推导了驱动控制律,由于采用的是单神经元结构并设置了迭代算法的边界,因此达到了计算量减小和训练较少的效果。最后,搭建了小功率电机驱动试验平台开展了试验研究,并通过与传统PID控制的对比试验,验证了新型控制器的性能。 相似文献
785.
采用的预报模式是一种全连接的BP网络模型,利用太阳风及行星际磁场的观测数据预报AE指数.神经网络输入选用ACE卫星数据,取5 min平均值,通过比较,选用4个预报参量.构造了预报参量时续为20 min,40 min和60 min依次递增的三个网络,分别进行训练和预测,并对行星际参量对AE指数影响的时续性进行了探讨.预报结果表明,全连接BP神经网络在AE指数的短期预报中是比较有效的,同时还提出了需要进一步改进的环节. 相似文献
786.
分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力. 相似文献
787.
研究了仅用机体振动信号诊断旋翼减摆器阻尼失效、轴向铰卡涩和水平铰卡涩3种桨毂阻尼故障的可行性。在旋翼试验台上分别设置上述3种阻尼故障,测取机体振动响应,利用快速傅立叶变换分析其频谱特征。分析表明,3种阻尼故障引起的机体振动谱图互不相同。采用概率神经网络实现了3种阻尼故障的正确分类。研究表明,仅用机体振动响应实现旋翼阻尼故障诊断是可行的。 相似文献
788.
789.
通过分析测试设备故障诊断专家系统的目的和任务,将模糊神经网络理论与专家系统结合后用于测试设备故障诊断,建立了故障诊断专家系统的模型。探讨了故障诊断专家系统中知识库的构建及维护、不精确推理等问题。用面向对象分析方法分析测试设备故障诊断专家系统,并用软件加以实现。 相似文献
790.
为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM(I,1)模型向BP网络映射,建立了一维灰色神经网络GNNM(1,1)模型。基于灰色GM(1,1)模型的发展系数和灰作用量给出了GNNM(1,1)模型初始权值。应用建立的GNNM(1,1)模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM(I,1)模型的预测结果进行了对比,表明GNNM(1,1)模型具有更高的预测精度和模型精度。 相似文献