全文获取类型
收费全文 | 1193篇 |
免费 | 284篇 |
国内免费 | 139篇 |
专业分类
航空 | 622篇 |
航天技术 | 337篇 |
综合类 | 232篇 |
航天 | 425篇 |
出版年
2024年 | 43篇 |
2023年 | 165篇 |
2022年 | 185篇 |
2021年 | 164篇 |
2020年 | 122篇 |
2019年 | 113篇 |
2018年 | 57篇 |
2017年 | 43篇 |
2016年 | 43篇 |
2015年 | 40篇 |
2014年 | 34篇 |
2013年 | 48篇 |
2012年 | 43篇 |
2011年 | 58篇 |
2010年 | 50篇 |
2009年 | 69篇 |
2008年 | 62篇 |
2007年 | 43篇 |
2006年 | 53篇 |
2005年 | 37篇 |
2004年 | 33篇 |
2003年 | 25篇 |
2002年 | 15篇 |
2001年 | 13篇 |
2000年 | 13篇 |
1999年 | 8篇 |
1998年 | 8篇 |
1997年 | 8篇 |
1996年 | 3篇 |
1995年 | 5篇 |
1994年 | 2篇 |
1993年 | 5篇 |
1992年 | 3篇 |
1990年 | 1篇 |
1989年 | 1篇 |
1988年 | 1篇 |
排序方式: 共有1616条查询结果,搜索用时 15 毫秒
141.
针对具有强耦合特性与模型不确定性特点的高超声飞行器控制问题,提出一种新型的姿态预测控制器设计方法。引入参考模型,建立了飞行器姿态预测控制模型。基于此,利用预测理论设计了飞行器的预测控制器,同时设计了干扰观测器实时观测外界未知干扰来进行补偿控制,从而实现滚动优化的目的;基于干扰观测值与真值的误差,利用Lyapunov稳定性理论,确定了控制精度与预测步长大小的关系;最后,在参数标称与拉偏的情形下进行了高超声速飞行器姿态控制系统仿真,仿真结果表明,干扰观测器能快速跟踪干扰,并且所设计的预测步长可以满足飞行器高精度的控制要求。 相似文献
142.
BP算法因收敛速度慢、易于陷入局部极小值等缺点,使得对于较大的搜索空间、多峰值和不可微函数常常不能搜索到全局极小点,这些制约了BP网络在各个领域中的应用。本文通过对学习系数、神经元的激励函数及误差函数的联合优化,在一定程度上避免了学习中的局部极小问题,提高了学习效率,改进了网络的性能。 相似文献
143.
144.
给出了一种利用非线性观测器方法能够同时估计出来所需要的迎角和侧滑角参数,研究了非线性观测器原理及其反馈参数优化设计方法,得到了所需要的非线性观测器,最后通过仿真验证表明该方法具有很高的精度且易于实现。 相似文献
145.
飞机俯仰速率信号重构方法研究 总被引:1,自引:0,他引:1
研究了六自由度非线性方程描述的飞机在俯仰速率传感器故障情况下的信号重构方法。给出了两种重构方法,一种是通过建立等效的线性模型,设计线性状态观测器重构状态信号,另一种是使用非线性跟踪微分器方法.通过跟踪俯仰角的微分信号来计算俯仰速率信号。仿真结果表明,两种方法都具有一定的可行性。 相似文献
146.
147.
148.
复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。 相似文献
149.
针对再入飞行器姿态控制问题,应用自适应动态规划(ADP)理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题,提出单网络积分型强化学习(SNIRL)算法进行求解,该算法简化了积分型强化学习(IRL)算法在迭代计算中的执行-评价双网络结构,只需要采用评价网络估计值函数就可以求得最优控制律,其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器,并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高,收敛速度更快,并校验了自适应最优姿态控制器的有效性 。 相似文献
150.
利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明:该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。 相似文献