全文获取类型
收费全文 | 456篇 |
免费 | 6篇 |
专业分类
公路运输 | 187篇 |
综合类 | 108篇 |
水路运输 | 74篇 |
铁路运输 | 86篇 |
综合运输 | 7篇 |
出版年
2024年 | 3篇 |
2023年 | 11篇 |
2022年 | 16篇 |
2021年 | 6篇 |
2020年 | 3篇 |
2019年 | 13篇 |
2018年 | 7篇 |
2017年 | 3篇 |
2016年 | 3篇 |
2015年 | 6篇 |
2014年 | 13篇 |
2013年 | 14篇 |
2012年 | 17篇 |
2011年 | 12篇 |
2010年 | 14篇 |
2009年 | 17篇 |
2008年 | 22篇 |
2007年 | 19篇 |
2006年 | 23篇 |
2005年 | 25篇 |
2004年 | 32篇 |
2003年 | 26篇 |
2002年 | 34篇 |
2001年 | 28篇 |
2000年 | 6篇 |
1999年 | 9篇 |
1998年 | 9篇 |
1997年 | 11篇 |
1996年 | 10篇 |
1995年 | 7篇 |
1994年 | 3篇 |
1993年 | 5篇 |
1992年 | 4篇 |
1991年 | 4篇 |
1990年 | 11篇 |
1989年 | 12篇 |
1988年 | 2篇 |
1983年 | 1篇 |
1954年 | 1篇 |
排序方式: 共有462条查询结果,搜索用时 0 毫秒
461.
锂离子动力电池剩余使用寿命(RUL)预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器(ED)框架改进长短时记忆神经网络模型(LSTM)构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。 相似文献
462.
基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。 相似文献