全文获取类型
收费全文 | 797篇 |
免费 | 22篇 |
专业分类
公路运输 | 151篇 |
综合类 | 264篇 |
水路运输 | 173篇 |
铁路运输 | 131篇 |
综合运输 | 100篇 |
出版年
2024年 | 2篇 |
2023年 | 5篇 |
2022年 | 18篇 |
2021年 | 16篇 |
2020年 | 22篇 |
2019年 | 12篇 |
2018年 | 13篇 |
2017年 | 16篇 |
2016年 | 31篇 |
2015年 | 36篇 |
2014年 | 57篇 |
2013年 | 39篇 |
2012年 | 52篇 |
2011年 | 56篇 |
2010年 | 51篇 |
2009年 | 56篇 |
2008年 | 62篇 |
2007年 | 65篇 |
2006年 | 68篇 |
2005年 | 42篇 |
2004年 | 31篇 |
2003年 | 11篇 |
2002年 | 12篇 |
2001年 | 12篇 |
2000年 | 6篇 |
1999年 | 6篇 |
1998年 | 2篇 |
1997年 | 3篇 |
1996年 | 2篇 |
1995年 | 1篇 |
1994年 | 2篇 |
1993年 | 4篇 |
1992年 | 2篇 |
1991年 | 1篇 |
1990年 | 3篇 |
1989年 | 1篇 |
1984年 | 1篇 |
排序方式: 共有819条查询结果,搜索用时 922 毫秒
111.
道路场景因其结构的多样性、纹理变化的复杂性和自然曝光的不稳定性,使得传统基于道路分割的道路检测方法大多存在信息冗余,并且存在边界丢失、模糊等质量问题.本文首先在道路图像上使用 Meanshift均值漂移算法,通过空间内的概率密度呈梯形上升去寻找局部最优,并搜索属于同一模点的像素然后生成获得超像素块.然后利用 Meanshift算法获得的聚类超像素块进行多种子点区域生长,规范生长规则,克服不能得到封闭边界的缺陷,改进道路图像的分割效果.实验结果表明,本文提出的模型适用性强,相比于传统方法有效地提升了分割准确性和实时性,可准确识别出图像中的道路信息,确保车辆能够行驶在可行驶区域上. 相似文献
112.
定点检测器采集的路段行程时间样本中通常包含连续通行和非连续通行两部分,针对连续通行样本的识别,传统的固定阈值方法无法提供合理的结论.将行程时间样本时间序列化后,利用其差值的平稳随机性质,采用基于统计学的离群点检测的参数方法分离样本比传统方法更加科学有效.通过实证分析,非连续通行样本的占比是一种能够分离样本的指标.关联性分析的结论表明,该指标在4 分钟车程长度以内的路段中取值平稳,在4 分钟车程长度以上的路段中取值则受到道路等级、路段长度、交通运行状态、区位用地性质等多种因素的综合影响. 相似文献
113.
114.
115.
116.
路基含水率的长期监测能为科研及施工控制提供重要参考数据,采用传统含水率测试方法无法进行路基深层、连续、定位观测。时域反射(TDR)技术是一种快速测定土壤含水率的方法,克服了传统方法的缺点。针对TDR技术在红粘土中的测试偏差,通过室内标定试验和现场应用,提出了红粘土路基含水率现场监测方法,并在工程实践中得到了很好的应用和验证。 相似文献
117.
为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度. 相似文献
118.
119.
轨道几何形状检测数据是一个随时间变化具有随机特征的时间序列,反映轨道几何状态的变化.在本文中,灰色关联度理论用于研究轨道水平不平顺时间序列数据,挖掘时间序列数据之间隐含的关系;经过普遍适应性改进和残差修正改进的灰色GM(1,1)模型预测固定测点轨道不平顺长期状态变化趋势,随机线性AR和卡尔曼滤波模型分析单元区段轨道不平顺短期变化趋势,探索轨道状态变化随机数据序列中隐藏的规律并进行预测.短期和长期预测模型验证结果表明,三种模型是有效的,能够达到预期的精度. 相似文献
120.
结合安徽境内高等级航道航运特点,针对航域内主力船型开展标准船型主尺度系列研究。讨论船型主尺度系列制定的方法与原则,制定合裕线过闸运输船舶主尺度范围。研究成果已纳入京杭运河、淮河水系标准船型主尺度系列之中。 相似文献