全文获取类型
收费全文 | 2518篇 |
免费 | 117篇 |
专业分类
公路运输 | 888篇 |
综合类 | 902篇 |
水路运输 | 498篇 |
铁路运输 | 293篇 |
综合运输 | 54篇 |
出版年
2024年 | 47篇 |
2023年 | 188篇 |
2022年 | 171篇 |
2021年 | 205篇 |
2020年 | 117篇 |
2019年 | 62篇 |
2018年 | 20篇 |
2017年 | 33篇 |
2016年 | 28篇 |
2015年 | 55篇 |
2014年 | 99篇 |
2013年 | 105篇 |
2012年 | 146篇 |
2011年 | 113篇 |
2010年 | 141篇 |
2009年 | 163篇 |
2008年 | 104篇 |
2007年 | 146篇 |
2006年 | 131篇 |
2005年 | 96篇 |
2004年 | 110篇 |
2003年 | 88篇 |
2002年 | 59篇 |
2001年 | 63篇 |
2000年 | 33篇 |
1999年 | 16篇 |
1998年 | 7篇 |
1997年 | 10篇 |
1996年 | 29篇 |
1995年 | 16篇 |
1994年 | 7篇 |
1993年 | 8篇 |
1992年 | 3篇 |
1991年 | 4篇 |
1990年 | 3篇 |
1989年 | 2篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1986年 | 4篇 |
排序方式: 共有2635条查询结果,搜索用时 187 毫秒
981.
提出一种新的基于半监督的SVM—KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM-KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界.实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价. 相似文献
982.
教学过程不仅仅是一个知识传授的过程,也是一个学生非智力因素培养的过程,是一个教师教会学生学习的过程。成功的教学过程重在激发学生的学习动机,引导学生主动地学习;培养学生的学习兴趣,引导学生快乐地学习;提升学生的创新能力,引导学生能动地学习。 相似文献
984.
商务英语教学的目的是培养学生在较为真实的国际商务环境中,为完成商务任务而进行有效沟通的国际商务交际能力.为了培养学生的商务交际能力,教学活动中需要开展一系列商务交际活动,而建构主义理论的学习观对商务英语教学活动设计有极大的指导意义.本文以建够主义理论为依据,对商务英语教学活动的建构性设计进行探讨. 相似文献
985.
随着现代教育外语教学的改革,自主学习的概念日益受到人们的重视。培养自主学习能力是现代大学英语教学的目标之一。本文从建立自主学习中心的理论基础出发,从几个方面分析了网络辅助教学在培养大学生英语自主学习能力中的作用,从而指出了建立自主学习中心的重要性及在建立网络辅助教学平台时需要注意的几个问题。 相似文献
986.
987.
为提高城市路网下智能网联汽车的通行效率以及燃油效率,提出面向城市道路的多车道时空轨迹优化方法。首先,结合多车道时空位置关系定义智能网联汽车状态与约束,综合考虑通行效率与燃油经济性构建时空轨迹复合优化模型,并采用庞特里亚金极大值算法进行求解。然后,本文设定协同换道的规则,并通过Q-learning算法获取最优的换道策略。最后,通过SUMO/Python联合仿真验证了该方法可以在不同车辆饱和程度、绿信比状态及最低通行速度条件下有效提高通行效率,且燃油效率得到明显改善。 相似文献
988.
交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性. 相似文献
989.
为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示:AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标. 相似文献
990.