全文获取类型
收费全文 | 1855篇 |
免费 | 139篇 |
专业分类
公路运输 | 455篇 |
综合类 | 585篇 |
水路运输 | 595篇 |
铁路运输 | 301篇 |
综合运输 | 58篇 |
出版年
2024年 | 8篇 |
2023年 | 15篇 |
2022年 | 62篇 |
2021年 | 102篇 |
2020年 | 74篇 |
2019年 | 48篇 |
2018年 | 45篇 |
2017年 | 55篇 |
2016年 | 28篇 |
2015年 | 82篇 |
2014年 | 88篇 |
2013年 | 103篇 |
2012年 | 143篇 |
2011年 | 150篇 |
2010年 | 171篇 |
2009年 | 125篇 |
2008年 | 154篇 |
2007年 | 151篇 |
2006年 | 122篇 |
2005年 | 118篇 |
2004年 | 40篇 |
2003年 | 25篇 |
2002年 | 23篇 |
2001年 | 37篇 |
2000年 | 22篇 |
1999年 | 3篇 |
排序方式: 共有1994条查询结果,搜索用时 187 毫秒
41.
针对电动船舶中电力系统的谐波抑制问题进行研究。首先分析电动船舶电力系统中谐波产生的主要原因及谐波特点;其次,针对船舶推动电力系统中的整流器对谐波产生的影响,采用了三相电压型PWM整流器对其进行改进,抑制电力系统中谐波的产生;由于高次谐波成分并没被滤除干净,因而在供电网侧与PWM整流器之间增加了L型滤波器对剩余谐波进行滤除。最后,利用Simulink仿真器对本文算法进行仿真验证,结果证实算法对谐波滤除的有效性。 相似文献
42.
43.
隧道涌水是常见的隧道地质灾害之一,不但影响隧道施工安全与进度,同时也可能会产生人员伤亡和经济损失,处理方式的结果也会对隧道运营造成一定的影响。介绍了隧道涌水产生的原因及病害机理,结合工程实例介绍了隧道涌水病害的处治措施。 相似文献
44.
在1台排量为2.8L的单缸柴油机上,通过燃烧过程不断强化,将输出功率从73kW提高到150kW。研究分为两个阶段:第一阶段通过提高进气压力、降低进气阻力、优化配气相位、优化喷油系统参数,将输出功率从73kW提高到92kW;第二阶段采用了电控单体泵供油系统,并优化喷孔参数、进一步提高进气压力、降低进气温度、提高发动机转速,将输出功率提高到150kW。放热率分析结果表明:对于高强化燃烧过程,虽然预混和扩散燃烧阶段的放热速率大幅度增加,但其放热量占总放热量的比率下降,后燃阶段的放热比率显著增加。因此加强扩散燃烧阶段的放热速率仍然是高强化燃烧过程面临的主要问题。 相似文献
45.
46.
蔡冠华 《南通航运职业技术学院学报》2008,7(2):84-87
文章根据船舶电气图纸审查工作经验对船舶电气图纸审查的目的和意义、审查依据、送审图纸目录、审查要求等内容进行了归纳与总结,介绍了电气图纸审查的基本方法与注意要点,提出图纸审查过程中应注意的几个问题。 相似文献
47.
港澳是广东经济发展最重要的外部推动力,是"经济转型"举足轻重的合作伙伴,进一步深化粤港澳各领域合作,是全面深化推进改革的重要举措.基于粤港澳区域经济一体化发展为背景,以航运服务合作为出发点,对国内外关于粤港澳航运服务理论研究的相关文献进行了梳理,归纳粤港澳现代航运服务的发展特点、发展规律、发展现状,总结了粤港澳航运服务存在的问题,针对我国目前在粤港澳航运服务合作机制方面研究空白,提出了今后的研究方向和重点:合作方法和模式研究、合作政策衔接研究、合作策略和措施研究. 相似文献
48.
国家中长期教育改革和发展规划纲要(2010-2020年)描绘了我国未来10年教育改革发展的宏伟蓝图,也为我国高等职业院校的信息化改革和发展提出了新的总体要求。本文以武汉铁路职业技术学院未来10年信息化发展规划为例,结合学院信息化发展现状和实际情况,提出了适合高等职业院校信息化特点的发展演进模式,对高等职业院校信息化发展模式提供有益借鉴。 相似文献
49.
针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。 相似文献
50.