全文获取类型
收费全文 | 709篇 |
免费 | 19篇 |
专业分类
公路运输 | 286篇 |
综合类 | 155篇 |
水路运输 | 158篇 |
铁路运输 | 116篇 |
综合运输 | 13篇 |
出版年
2024年 | 3篇 |
2023年 | 16篇 |
2022年 | 10篇 |
2021年 | 14篇 |
2020年 | 18篇 |
2019年 | 20篇 |
2018年 | 30篇 |
2017年 | 5篇 |
2016年 | 10篇 |
2015年 | 22篇 |
2014年 | 45篇 |
2013年 | 31篇 |
2012年 | 46篇 |
2011年 | 29篇 |
2010年 | 26篇 |
2009年 | 39篇 |
2008年 | 39篇 |
2007年 | 37篇 |
2006年 | 32篇 |
2005年 | 44篇 |
2004年 | 38篇 |
2003年 | 31篇 |
2002年 | 22篇 |
2001年 | 22篇 |
2000年 | 11篇 |
1999年 | 14篇 |
1998年 | 9篇 |
1997年 | 5篇 |
1996年 | 9篇 |
1995年 | 8篇 |
1994年 | 4篇 |
1993年 | 8篇 |
1992年 | 10篇 |
1991年 | 6篇 |
1990年 | 4篇 |
1989年 | 3篇 |
1984年 | 2篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1981年 | 1篇 |
1979年 | 2篇 |
1976年 | 1篇 |
排序方式: 共有728条查询结果,搜索用时 140 毫秒
721.
图象处理中要用到大量的DFT运算,其图象处理的象素越来越高,因此在图像处理中,常遇到长序列DFT变换问题.本文根据处理单元的特点,分析一种多处理的并行计算方法及多处理结构从而提出一种使系统高效实现DFT变换的方法. 相似文献
722.
[目的]智能避碰决策作为船舶安全航行的关键技术之一,对智能船舶的发展具有重要意义。针对多船会遇下的智能避碰决策问题,提出一种基于高斯变异和Tent混沌的改进麻雀搜索优化算法(CSSOA)。[方法]算法采用Tent混沌映射初始化麻雀原始种群,提高其多样性,并对适应能力差和搜索停滞的麻雀个体进行混沌映射,利用高斯变异提升局部搜索能力和鲁棒性,改进方案优化启发式算法收敛速度慢和易陷入局部最优的问题。综合考虑船舶间船速比、最小会遇距离、相对距离、最小会遇时间、相对方位等因素,利用模糊隶属度函数建立船舶碰撞风险模型,并通过多船典型会遇场景进行实例验证。[结果]实验结果显示,改进算法的平均迭代次数较粒子群算法和原麻雀算法分别减少了77.97%和53.57%。[结论]改进后的麻雀优化算法能以更优的收敛速度寻到安全经济的避碰路径,为船舶驾驶员提供避碰决策参考。 相似文献
723.
724.
725.
726.
针对传统城市轨道交通ATS回放软件不支持列车运行信息显示的问题,深入分析回放功能优化需求,研究列车运行信息回放方案。在现有回放软件的基础上,引入离线数据库存取列车运行信息,通过进程间通讯完成信息交互,实现列车运行信息的记录和回放。其在上海地区ATS系统中得到应用和推广,ATS故障排查效率显著提高,进一步提升了城轨ATS智能化水平。 相似文献
727.
为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明:与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块,可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪,获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2,可以有效降低卷积层冗余,提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块,可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法,在多尺度检测过程中为较大的特征图分配更加适合的较小先验框,为较小的特征图分配更加适合的较大先验框,进一步提高了目标检测的精度; 与MYOLOv4相比,精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s-1,与TOD-YOLOv4相比,分别提升了3.51%、4.31%、2.17帧·s-1,与YOLOv3相比,分别提升了46.07%、48.05%、18.97帧·s-1,与YOLOv4相比,分别提升了31.06%、29.74%、16.26帧·s-1。 相似文献
728.