全文获取类型
收费全文 | 1974篇 |
免费 | 55篇 |
专业分类
公路运输 | 419篇 |
综合类 | 410篇 |
水路运输 | 395篇 |
铁路运输 | 749篇 |
综合运输 | 56篇 |
出版年
2024年 | 20篇 |
2023年 | 57篇 |
2022年 | 68篇 |
2021年 | 76篇 |
2020年 | 56篇 |
2019年 | 64篇 |
2018年 | 25篇 |
2017年 | 25篇 |
2016年 | 28篇 |
2015年 | 81篇 |
2014年 | 122篇 |
2013年 | 131篇 |
2012年 | 165篇 |
2011年 | 126篇 |
2010年 | 190篇 |
2009年 | 116篇 |
2008年 | 130篇 |
2007年 | 110篇 |
2006年 | 96篇 |
2005年 | 78篇 |
2004年 | 92篇 |
2003年 | 69篇 |
2002年 | 21篇 |
2001年 | 16篇 |
2000年 | 19篇 |
1999年 | 7篇 |
1998年 | 11篇 |
1997年 | 4篇 |
1996年 | 7篇 |
1995年 | 2篇 |
1994年 | 4篇 |
1993年 | 3篇 |
1992年 | 1篇 |
1991年 | 3篇 |
1990年 | 2篇 |
1989年 | 4篇 |
排序方式: 共有2029条查询结果,搜索用时 421 毫秒
371.
设计了一套电池信息实时采集系统。该采集系统主要由电压、电流、温度传感器电路,电压监测系统,电流监测系统、主机模块和通信接口组成。同时,设计了CAN通信协议,将各个模块采集到的电池电压、温度、电流等信息通过CAN总线发送到主机模块。为了方便对电池监测系统监控和数据记录,在MATLAB的GUI图形界面编程环境下设计了上位机监控软件。 相似文献
372.
373.
374.
为明确事故现场可视轮胎印迹强度与车辆动力学特性、轮胎橡胶磨损特征及道路表面灰度之间的关联特性,提出基于车路耦合的事故现场轮胎印迹强度参数化研究方法。通过结合动态滑动摩擦因数模型及轮胎非线性模型,建立车辆路面9 DOF非线性系统动力学模型,运用VBOX惯性测量技术验证模型的有效性。运用胎面磨损能量模型,从车路系统角度确定车辆、轮胎和路面特性对轮胎全局摩擦力及胎面磨损特性的影响。结合印迹强度特征模型提出轮胎印迹强度参数研究方法,选取不同制动、转向角工况及3组路面、胎面特性对轮胎路面接地力学特性、胎面橡胶磨损量、可视轮胎印迹特征进行仿真分析。结果表明:印迹强度仅与全局摩擦力大小有关,与轮胎路面滑移方向无关;滑移工况下胎面橡胶磨损量随着全局摩擦力和滑移速度的增大而增大,而印迹强度变化不明显;制动力矩和道路表面灰度对产生可视轮胎印迹起决定作用,转向角主要影响不规则可视轮胎印迹的产生;前轮轮胎最先出现可视印迹,且可视印迹长度和强度均高于后轮轮胎;采取可视印迹起点作为事故车辆速度判定具有一定的误差,应根据具体情况进行具体分析;研究成果能够为基于可视轮胎印迹的交通事故重建提供理论基础。 相似文献
375.
376.
377.
378.
379.
随着社会发展和科技进步,我国高速公路的建设也以前所未有的速度发展。由于运营管理者需要对高速公路运营路况实时、全面地了解和控制,所以高速公路视频联网监控系统也随之应运而生。视频联网监控系统经历了模拟视频、数字视频、远程网络视频阶段。它作为现代高速公路智能交通重要的组成部分,在运营管理中发挥着重要作用。结合高速公路视频联网的现状以及工程实例,从视频监控系统的构成、功能、联网技术等方面进行介绍。 相似文献
380.
为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 (3D convolutional neural networks,3D CNN)的交通状态识别方法.首先,以C3D (convolutional 3D)深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D (region convolutional 3D network)、R (2+1) D (resnets adopting 2D spatial convolution and a 1D temporal convolution)分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%. 相似文献