全文获取类型
收费全文 | 6326篇 |
免费 | 334篇 |
专业分类
公路运输 | 1297篇 |
综合类 | 2277篇 |
水路运输 | 1917篇 |
铁路运输 | 1077篇 |
综合运输 | 92篇 |
出版年
2024年 | 94篇 |
2023年 | 325篇 |
2022年 | 291篇 |
2021年 | 397篇 |
2020年 | 310篇 |
2019年 | 309篇 |
2018年 | 122篇 |
2017年 | 162篇 |
2016年 | 203篇 |
2015年 | 181篇 |
2014年 | 244篇 |
2013年 | 252篇 |
2012年 | 267篇 |
2011年 | 300篇 |
2010年 | 268篇 |
2009年 | 302篇 |
2008年 | 374篇 |
2007年 | 365篇 |
2006年 | 244篇 |
2005年 | 234篇 |
2004年 | 217篇 |
2003年 | 210篇 |
2002年 | 173篇 |
2001年 | 165篇 |
2000年 | 111篇 |
1999年 | 77篇 |
1998年 | 91篇 |
1997年 | 69篇 |
1996年 | 72篇 |
1995年 | 55篇 |
1994年 | 56篇 |
1993年 | 33篇 |
1992年 | 25篇 |
1991年 | 14篇 |
1990年 | 29篇 |
1989年 | 16篇 |
1988年 | 2篇 |
1965年 | 1篇 |
排序方式: 共有6660条查询结果,搜索用时 15 毫秒
991.
文章介绍了一个应用AutoLISP语言编制的改变图形线宽的专用程序。它装入AutoCAD后,成为其一个使用便捷、风格一致的编辑命令。解决了AutoCAD图形显示无粗、细线型之分的缺陷。 相似文献
992.
993.
基于转向的Logit交通分配算法 总被引:9,自引:3,他引:6
为避免交通分配中传统的网络扩展法在处理转向延误时的缺陷,通过分析网络基本要素节点、路段和转向之间的拓扑关系,借鉴Dial算法的基本框架,设计了一个基于转向的Logit交通分配算法。该算法以源点至路段的含转向延误的最短路径长度为依据处理各条路段,正向计算转向权重,反向分配路段流量和转向流量。算法计算结果与Logit路径流量和Dial算法数据相一致,该算法可直接求解既满足Logit路径选择概率又考虑转向延误对交通分配影响的路段流量和转向流量模式,而且Dial算法是其在转向延误为零时的一个特例。 相似文献
994.
提供了一种有大量的客户数据,只需对部分客户进行带有时间窗要求的货物配送的优化路径选择算法。该算法首先通过寻找的隐含条件利用可行的算法将问题规模进行缩小,然后利用特殊情况荻取限制条件,不断缩小搜索范围,从而搜索到有效解.该算法针对具体问题设计,适合应用于工程实践。 相似文献
995.
王永刚 《铁路工程造价管理》2024,(1):55-59
构建以动车组-交路修程-天数三维坐标系数学模型,全面考虑动车组运用与检修计划编制的优化目标和约束条件,构建动车组运检计划优化编制的数学优化模型。在给定动车组数量、交路计划的前提下,根据动车所实际情况,以“天”为最小的计划编制时间单位,通过控制换车次数,以检修时剩余里程为追求目标,阐述并规范运检计划算法实现流程,实现大空间分段式快速粒子群优化算法完成动车组运检计划的快速给定。 相似文献
996.
自动驾驶汽车风险具有复杂性和隐蔽性,不易被人为地发现和预防。为了更好地预测这些风险,利用美国加州自动驾驶事故数据集,从时间、地点、人员参与、天气等多维度提取数据,数据经过预处理从而构建自动驾驶事故数据库。然后,将XGBOOST算法与数据相结合,建立自动驾驶汽车事故风险预测分类模型。将XGBOOST算法与多种算法进行比较分析,结果表明,XGBOOST算法为较优,其训练和测试预测精度分别超过92.27%和97.06%,能够有效地识别出高风险和低风险的自动驾驶汽车事故情况。 相似文献
997.
998.
传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明:该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1 946.4,1 206.1,0.028 4,0.039 7。 相似文献
999.
为有效指导驾驶人采取更安全的换道行为,本文提出基于改进的自组织映射神经网络(SOM-Kmeans)聚类分析的激进换道行为识别方法。通过模拟驾驶设备和眼动仪获取驾驶数据和眼动状态,运用变点检测算法结合方向盘转角和横向注视位置从多模态数据集中提取换道行为事件数据,进而提取驾驶人换道行为关键特征参数,运用SOM-Kmeans聚类分析识别激进换道行为。将SOM-Kmeans聚类方法分别与基于密度的聚类算法(DBSCAN)及模糊C均值聚类算法(FCM)比较,分析激进换道行为的识别效果。研究结果表明:SOM-Kmeans能够将激进换道行为划分为紧急换道和挤车换道两种类型,并建立相应的行为指标和阈值,当换道过程中加速度波动大于8.22 m·s-3且方向盘转角大于0.83 (°)·s-1,识别此次换道为激进换道行为;在激进换道行为的基础上,当换道间隙小于7.5 m且换道持续时间大于10.3 s时,识别此次换道为挤车换道,否则,为紧急换道行为。挤车换道行为多出现在拥堵较严重的强制换道中,紧急换道行为多出现在交通流环境较好的自由换道中。本文提出的识别方法的准确率... 相似文献
1000.