全文获取类型
收费全文 | 162篇 |
免费 | 23篇 |
国内免费 | 32篇 |
专业分类
航空 | 95篇 |
航天技术 | 38篇 |
综合类 | 46篇 |
航天 | 38篇 |
出版年
2024年 | 1篇 |
2023年 | 9篇 |
2022年 | 5篇 |
2021年 | 13篇 |
2020年 | 6篇 |
2019年 | 10篇 |
2018年 | 11篇 |
2017年 | 8篇 |
2016年 | 8篇 |
2015年 | 10篇 |
2014年 | 13篇 |
2013年 | 10篇 |
2012年 | 10篇 |
2011年 | 14篇 |
2010年 | 11篇 |
2009年 | 7篇 |
2008年 | 13篇 |
2007年 | 17篇 |
2006年 | 17篇 |
2005年 | 5篇 |
2004年 | 3篇 |
2003年 | 4篇 |
2002年 | 1篇 |
2001年 | 5篇 |
2000年 | 3篇 |
1999年 | 1篇 |
1993年 | 1篇 |
1992年 | 1篇 |
排序方式: 共有217条查询结果,搜索用时 0 毫秒
1.
基于模糊聚类的模糊神经网络在非定常气动力建模中的应用 总被引:2,自引:0,他引:2
建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模. 相似文献
2.
在结合核技巧、慢特征分析算法与密度聚类方法的基础上,提出了基于混合核慢特征分析和密度聚类的慢特征密度聚类算法,实现了基于民航发动机气路参数原始值的异常检测。核技巧的引入克服了慢特征分析法处理复杂数据时可能存在的维度爆炸问题,充分利用不同核函数的特点和慢特征分析的优势从气路参数原始值中提取出随时间变化最缓慢的特征作为密度聚类算法的输入,最终筛选出异常值。经实验对比发现,该方法针对某些异常拥有最好的聚类效果和最低的虚警率,尤其是检测可调放气活门系统异常时虚警数量不到样本总数量的0.5%,是一种有效的方法。 相似文献
3.
用于彩色图像分割的有效特征分析(英文) 总被引:3,自引:0,他引:3
提出了一种基于分析特征分割贡献的彩色图像分割方法。该方法不受某一特定彩色空间的限制 ,有效特征的确定取决于所设计的特征编码器对被测彩色图像中各种彩色特征的分析结果。该技术不同于以往的分割技术 ,自组织特征映射被用来构造特征编码器 ,使得编码器能自组织地分析不同彩色图像的有效特征。当合适的彩色特征和初始参数给定后 ,模糊聚类技术被用于最后的分割处理。该方法已经应用于不同类型的彩色图像分割处理 ,实验结果说明了该技术明显优于传统的聚类技术。研究表明 ,特征编码为彩色图像分割的自动化和最优化提供了保证。 相似文献
4.
5.
6.
基于模糊灰色聚类和组合赋权法的飞机健康状态综合评估方法 总被引:4,自引:2,他引:4
针对目前飞机健康状态不易准确评估的难题,以飞机液压系统为具体研究对象,提出一种基于模糊灰色聚类和组合赋权相结合的健康状态综合评估新方法。首先,利用熵权法和层次分析法(AHP)分别计算并确定飞机液压系统各关键部件相关参数的权重,再通过组合赋权法将上述两种权重进行组合,得到具有主客观意义的组合权重。第二,采用灰色聚类法评估飞机液压系统各关键部件的健康状态。针对评估结果,由飞机液压系统各关键部件聚类系数创建飞机液压系统的健康评估模糊评判矩阵。然后依据该矩阵,采用熵权法和AHP分别求出各关键部件权重,并用组合赋权法进行组合。最终,采用模糊综合评判法评估飞机液压系统的健康状态。以某型飞机真实液压系统为例进行了试验验证,结果表明,所提出的基于模糊灰色聚类和组合赋权相结合的健康状态综合评估方法能够有效实现飞机液压系统健康评估的效能,具有很好的工程应用价值。 相似文献
7.
8.
9.
针对当前机群的编队分配存在效率低、编队分配结果不可靠、智能性差等问题,提出了一种新的结合遗传算法和模糊聚类算法的机群编队最优分配方法.该混合算法通过模糊聚类算法解决了机群的编队分配不确定性问题,并且通过对传统遗传操作算子的改进,采用改进的遗传算法有效地克服了模糊聚类算法容易陷入局部极小值和对初始条件敏感的缺点,使机群的编队分配能快速收敛至全局最优解.3组不同分布类型的机群编队分配算例结果表明,该混合算法具有较好的通用性、有效性和智能性,适用于机群的编队最优分配. 相似文献
10.
基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。 相似文献