全文获取类型
收费全文 | 1837篇 |
免费 | 52篇 |
专业分类
公路运输 | 943篇 |
综合类 | 248篇 |
水路运输 | 415篇 |
铁路运输 | 249篇 |
综合运输 | 34篇 |
出版年
2024年 | 18篇 |
2023年 | 69篇 |
2022年 | 60篇 |
2021年 | 71篇 |
2020年 | 52篇 |
2019年 | 34篇 |
2018年 | 15篇 |
2017年 | 20篇 |
2016年 | 32篇 |
2015年 | 43篇 |
2014年 | 145篇 |
2013年 | 115篇 |
2012年 | 145篇 |
2011年 | 122篇 |
2010年 | 151篇 |
2009年 | 120篇 |
2008年 | 147篇 |
2007年 | 104篇 |
2006年 | 100篇 |
2005年 | 67篇 |
2004年 | 51篇 |
2003年 | 50篇 |
2002年 | 25篇 |
2001年 | 29篇 |
2000年 | 20篇 |
1999年 | 15篇 |
1998年 | 14篇 |
1997年 | 14篇 |
1996年 | 10篇 |
1995年 | 7篇 |
1994年 | 3篇 |
1993年 | 4篇 |
1992年 | 3篇 |
1991年 | 6篇 |
1990年 | 4篇 |
1989年 | 4篇 |
排序方式: 共有1889条查询结果,搜索用时 187 毫秒
991.
2014年6月是全国第十三个“安全生产月”,目前活动已正式拉开帷幕,广州海事部门以客渡船和危险品船为重点,结合学生暑期乘船安全、雷雨大风等危险天气安全提醒开展警示教育,加大水上交通安全监管力度,确保“安全生产月”活动取得实效。 相似文献
992.
993.
为提升运维人员响应速度,降低云环境异常对云上应用的影响,研究了一种基于长短期记忆(LSTM,Long Short-Term Memory)的云环境异常智能检测方法。通过将传统时间序列分析算法同LSTM神经网络相结合,实现在线预测云环境监控数据,并通过正态分布和贝叶斯推理定义预测波动范围,快速准确地判别云环境异常。在铁路云数据中心环境中进行测试验证,同其他时序预测方法的比较证明,本方法具有判别准确性高、对各种场景适用性强的优点,可为铁路大规模云数据中心智能运维实施提供一种有效的异常检测手段。 相似文献
994.
995.
996.
轨道车辆轴承温度现有异常检测方法的阈值判别指标受到路况、环境等多项外因干扰,并且基于异常检测目的的预测方法需要对轴承进行逐一建模,模型训练耗时且多模型维护困难.针对上述问题,提出一种基于多任务学习的轨道车辆轴承异常检测方法.首先考虑到数据分布在正常与异常时存在差异,把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化,因此该模型具有异常检测功能.其次,考虑到循环神经网络建模时进行递归运算消耗大量时间,引入多头自注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机3类共9个轴承温度进行同时检测.最后,采用极大似然估计方法,将点预测转换为置信区间预测,解释了预测结果的意义.在正常和故障数据上分别对模型进行验证,结果证明本文所提方法具有准确的9个轴承和异常检测能力,并与单任务模型相比能大幅度减少建模时间. 相似文献
997.
[目的]旨在探索处理内河实船数据、提高其可理解性和辅助研究识别船舶行为的新方法。[方法]通过构建航行逻辑层级和划分时序数据获得船舶行为的语义标签,设计航行逻辑可视化分析系统,将船舶航行状态与数据可视化相结合,辅助分析数据及研究船舶行为特征。最后,依托数字航道,选择船舶行为复杂的内河航道工作船的数据进行实例检验,利用所提系统分析异常数据并研究船舶行为。[结果]通过航行逻辑的交互可视化,可有效确定无规律的位置跳动异常数据产生的原因及特点,帮助进行异常数据处理,并经过定性分析特征和定量分析阈值,划分出了靠泊与直航状态数据,进一步丰富了船舶行为语义标签。[结论]结合船舶行为语义标签设计的可视化分析系统,通过人机自由交互,提高了数据的可理解性,可辅助异常数据分析处理及船舶行为研究,为数据分析人员提供研究工具。 相似文献
998.
提出异常粒度定义,用于定量评估道岔机械状况.基于异常粒度搭建道岔整治三支决策框架,建立了智能决策系统设计方案及开发实例.基于武汉地铁某实际运营道岔连续2次工电联合检查及测量数据、微机监测相关数据进行仿真试验.仿真试验结果表明:该系统界面友好、操作简单、决策速度快、决策结果高效可靠. 相似文献
999.
针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。 相似文献
1000.