全文获取类型
收费全文 | 456篇 |
免费 | 32篇 |
专业分类
公路运输 | 121篇 |
综合类 | 149篇 |
水路运输 | 150篇 |
铁路运输 | 50篇 |
综合运输 | 18篇 |
出版年
2024年 | 1篇 |
2023年 | 1篇 |
2022年 | 17篇 |
2021年 | 20篇 |
2020年 | 10篇 |
2019年 | 11篇 |
2018年 | 10篇 |
2017年 | 3篇 |
2016年 | 7篇 |
2015年 | 17篇 |
2014年 | 15篇 |
2013年 | 27篇 |
2012年 | 34篇 |
2011年 | 34篇 |
2010年 | 44篇 |
2009年 | 48篇 |
2008年 | 35篇 |
2007年 | 56篇 |
2006年 | 32篇 |
2005年 | 27篇 |
2004年 | 15篇 |
2003年 | 7篇 |
2002年 | 6篇 |
2001年 | 7篇 |
2000年 | 4篇 |
排序方式: 共有488条查询结果,搜索用时 218 毫秒
481.
482.
舰船总体综合保障技术特点及设计接口分析 总被引:2,自引:0,他引:2
从综合保障概念、综合保障技术发展、综合保障一般特点出发,论述国内外典型装备综合保障状况,并分析综合保障技术在舰船中的应用特点,探讨保障性设计与性能设计、可靠性设计、维修性设计、测试性设计等接口关系。 相似文献
483.
为提高中国港口的国际竞争力,分析韩国政府于2008年起实施的港口再开发战略,指出韩国港口再开发过程中存在的问题和可供中国港口发展借鉴的经验,并对中国港口的再开发提出建议。 相似文献
484.
485.
针对如何科学评价船闸运行保障能力,进行船闸运行保障的评价体系研究.围绕船闸运行保障能力评价,从管理机制、设备管理、通航保障、通航服务等核心因素展开,采用层次分析法、德尔菲法等方法,采取定性分析与定量计算相结合的研究手段,综合确定各评价指标及权重,建立船闸运行保障能力综合评价方法,并将该方法运用在国内某大型单级船闸,得出... 相似文献
486.
以某滚装船为例,介绍功能方舱上船类型。根据功能方舱的环境适应性和运输性,分析各型功能方舱的功能特点和尺寸与质量等参数,确定各型功能方舱上船可行性。针对功能方舱的转运保障方案和绑扎保障方案展开研究,确定合理可行的功能方舱上船保障方案。 相似文献
487.
针对传统轮胎沟槽深度测量工具检测效率极低、数据不准确、测量维度少和延展性差等特点,设计了一种手持式智能轮胎沟槽深度检测系统。该系统由手持式智能检测设备、手机和云平台三部分组成。手持式智能轮胎检测设备负责采集和处理轮胎沟槽深度数据;手机负责传输和显示轮胎沟槽深度数据;云平台负责分析和存储轮胎沟槽深度数据。试验结果表明,该轮胎花纹深度数据处理算法抗干扰能力强,该手持式智能轮胎沟槽深度检测系统测量效率高,可扩展性强且精度高,每条轮胎检测平均用时4 s,检测数据误差保持在3.5%范围内。 相似文献
488.
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