全文获取类型
收费全文 | 6961篇 |
免费 | 283篇 |
专业分类
公路运输 | 2279篇 |
综合类 | 1960篇 |
水路运输 | 1822篇 |
铁路运输 | 1034篇 |
综合运输 | 149篇 |
出版年
2024年 | 73篇 |
2023年 | 244篇 |
2022年 | 194篇 |
2021年 | 274篇 |
2020年 | 189篇 |
2019年 | 189篇 |
2018年 | 77篇 |
2017年 | 131篇 |
2016年 | 145篇 |
2015年 | 168篇 |
2014年 | 266篇 |
2013年 | 251篇 |
2012年 | 308篇 |
2011年 | 284篇 |
2010年 | 332篇 |
2009年 | 404篇 |
2008年 | 417篇 |
2007年 | 405篇 |
2006年 | 441篇 |
2005年 | 402篇 |
2004年 | 318篇 |
2003年 | 345篇 |
2002年 | 254篇 |
2001年 | 266篇 |
2000年 | 171篇 |
1999年 | 135篇 |
1998年 | 133篇 |
1997年 | 86篇 |
1996年 | 88篇 |
1995年 | 78篇 |
1994年 | 58篇 |
1993年 | 41篇 |
1992年 | 28篇 |
1991年 | 23篇 |
1990年 | 12篇 |
1989年 | 12篇 |
1984年 | 1篇 |
1965年 | 1篇 |
排序方式: 共有7244条查询结果,搜索用时 31 毫秒
901.
随着城市地铁建设快速发展,地铁车站基坑的变形要求越来越严格,基坑土层设计参数的选择面临着极大挑战.利用思维进化算法(MEC)优化BP神经网络的初始权值和阈值,结合有限元数值模拟,提出基于基坑水平位移的土层参数反演分析方法.采用文献算例对该方法进行验证,并与不同反演方法进行对比.研究结果表明:1)MEC-BP神经网络对多工况水平位移的反演分析结果与文献结果基本一致,验证了该方法的有效性和实用性;2)MEC-BP神经网络的收敛速度快于遗传神经网络(GA-BP),其反演结果优于常规BP神经网络、GA-BP方法和修正高斯-牛顿法(G-N);3)采用标量误差函数Ferr进行寻优,可以提高MEC-BP法水平位移反演分析结果的稳定性和准确性. 相似文献
902.
在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最后采用CNN(卷积神经网络)分类算法对横向和垂直开口销小图进行分类识别.实验测试证明该检测算法识别准确率高、漏检率低,可对腕臂底座开口销缺失进行有效检测. 相似文献
903.
为研究土基基顶反应模量不均匀性对机场跑道结构力学性能的影响规律,针对基顶反应模量分布不均匀度及交通荷载耦合作用对混凝土道面板的受力进行有限元分析,分析相同轮载下为保证刚性道面板受力安全时基顶支撑不均匀度对混凝土道面板厚度的影响,探讨不同机型轮载对应不同道面板厚度情况下的基顶支撑不均匀度控制的临界参数。分析结果表明:混凝土板弯拉应力随着基顶支撑不均匀度的增加而增大,其影响随飞机轮载不同而存在差异,为避免道面产生严重损伤,需要增大道面板厚度。对于需要运行A320飞机的跑道,当道面铺设厚度为0.36、0.38和0.40 m时,基顶支撑不均匀度最大值分别不宜超过38%、57.5%和70%。对于拟运行B737-800飞机的跑道,当板厚为0.36 m时板的弯拉应力超过限值而发生弯拉破坏;道面铺设厚度分别为0.38、0.40 m时,为保证道面板受力安全的基顶支撑不均匀度最大值分别不宜超过33%和62%。 相似文献
904.
905.
906.
907.
908.
车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。 相似文献
909.
910.
刘冲 《华东交通大学学报》2020,37(4):82-87
轴承通常工作于复杂噪声环境下,使得时域振动信号容易受到各种噪声的污染,从而误导诊断结果。针对以上问题,提出基于一维卷积自编码(1D-DCAE)和一维卷积神经网络(1D-CNN)的联合抗噪故障诊断算法。为了模拟真实噪声环境,在原始振动信号中添加不同信噪比的高斯噪声,用1D-DCAE对原始信号降噪,再将降噪信号用于1D-CNN进行故障诊断。基于全卷积神经网络搭建1D-DCAE模型,并舍弃池化层以降低信息丢失,以提高联合诊断模型的抗噪能力。结果表明:采用基于全卷积网络搭建的1D-DACE有更好的降噪效果,改进后的模型能自适应诊断各种噪声环境下的故障。 相似文献