全文获取类型
收费全文 | 12324篇 |
免费 | 512篇 |
专业分类
公路运输 | 4021篇 |
综合类 | 2887篇 |
水路运输 | 3568篇 |
铁路运输 | 2019篇 |
综合运输 | 341篇 |
出版年
2024年 | 116篇 |
2023年 | 462篇 |
2022年 | 568篇 |
2021年 | 662篇 |
2020年 | 432篇 |
2019年 | 459篇 |
2018年 | 203篇 |
2017年 | 261篇 |
2016年 | 244篇 |
2015年 | 365篇 |
2014年 | 598篇 |
2013年 | 565篇 |
2012年 | 667篇 |
2011年 | 683篇 |
2010年 | 604篇 |
2009年 | 707篇 |
2008年 | 711篇 |
2007年 | 625篇 |
2006年 | 582篇 |
2005年 | 525篇 |
2004年 | 426篇 |
2003年 | 377篇 |
2002年 | 344篇 |
2001年 | 311篇 |
2000年 | 243篇 |
1999年 | 197篇 |
1998年 | 200篇 |
1997年 | 145篇 |
1996年 | 105篇 |
1995年 | 88篇 |
1994年 | 82篇 |
1993年 | 93篇 |
1992年 | 41篇 |
1991年 | 51篇 |
1990年 | 44篇 |
1989年 | 43篇 |
1988年 | 2篇 |
1986年 | 1篇 |
1985年 | 1篇 |
1965年 | 3篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
291.
292.
目的以聚乳酸-羟基乙酸共聚物(PLGA)为载体,制备扑热息痛贮库式缓释体系,研究其体外释药性能。方法用微机电技术制备扑热息痛多腔体贮库式植入剂,采用高效液相色谱法检测药物的释放性能。本实验采用C18色谱柱,以甲醇-水(15:85)为流动相,检测波长为215nm,流速为0.8mL/min。结果载体形状不同,体外药物释放速率具有明显差异,外方内六边形扑热息痛植入剂缓释曲线符合Higuchi方程。结论扑热息痛多腔体贮库式植入剂制备工艺可行,载体的腔体形状对体外药物释放速度有较大影响。 相似文献
293.
目的建立兔眼房水中环孢霉素A缓释微球的高效液相测定方法,考察在不同给药剂量下兔眼房水中的药物代谢特性,为该药预防后发性白内障提供理论依据。方法兔眼行晶体囊外摘除,左眼前房及囊袋内注射环孢素微球,右眼给予空白微球作对照,采用高效液相色谱法监测给药后4周内兔眼房水中环孢霉素A的浓度。色谱柱为反相C18硅胶柱,柱温为60℃,流动相为乙腈-水(67∶33),检测波长210nm。结果兔眼房水中环孢霉素A的浓度在0.13-1.25mg/L范围内呈良好线性关系(r=0.9951),最低检测浓度0.13mg/L,回收率95.91%,日间和日内精密度均小于5.0%。缓释微球的释药速率适中,兔眼前房给药后可在2周内维持较高浓度,高低两种给药剂量下,环孢霉素A的吸收半衰期(t1/2Ka)和血浆清除速率(CL)经检验无统计学差异,药时曲线下面积(AUC)和峰浓度(Cmax)与剂量之间线性相关。结论环孢素A缓释微球在兔眼内有较高的生物利用度,实验期内可达到抑制后发性白内障的有效浓度。 相似文献
294.
295.
《湖北汽车工业学院学报》2015,(4)
针对东风某重型商用车在使用中存在的轮胎异常磨损问题,利用Adams/View对该样车双轴转向机构进行参数化建模与运动学仿真,仿真结果表明:各车轮实际转角关系与阿克曼理论转角关系存在一定误差,其中第二轴两车轮转角误差较大,导致该轴轮胎磨损严重。利用多学科优化软件Isight集成Adams/View建立了转向机构运动学仿真优化分析流程,采用正交数组DOE分析法和NCGA遗传算法实现了该转向机构的多目标优化。优化结果表明:优化后各车轮转角误差大大减小,有效解决了车轮异常磨损问题。 相似文献
296.
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
297.
298.
299.
300.