全文获取类型
收费全文 | 52787篇 |
免费 | 4104篇 |
国内免费 | 3313篇 |
学科分类
工业技术 | 60204篇 |
出版年
2024年 | 406篇 |
2023年 | 1666篇 |
2022年 | 1659篇 |
2021年 | 1805篇 |
2020年 | 1681篇 |
2019年 | 1961篇 |
2018年 | 1003篇 |
2017年 | 1364篇 |
2016年 | 1531篇 |
2015年 | 1789篇 |
2014年 | 3414篇 |
2013年 | 2716篇 |
2012年 | 3043篇 |
2011年 | 3156篇 |
2010年 | 2968篇 |
2009年 | 3366篇 |
2008年 | 3374篇 |
2007年 | 3167篇 |
2006年 | 2756篇 |
2005年 | 2697篇 |
2004年 | 2417篇 |
2003年 | 1994篇 |
2002年 | 1529篇 |
2001年 | 1253篇 |
2000年 | 1088篇 |
1999年 | 958篇 |
1998年 | 799篇 |
1997年 | 758篇 |
1996年 | 654篇 |
1995年 | 569篇 |
1994年 | 520篇 |
1993年 | 449篇 |
1992年 | 406篇 |
1991年 | 364篇 |
1990年 | 354篇 |
1989年 | 382篇 |
1988年 | 75篇 |
1987年 | 34篇 |
1986年 | 24篇 |
1985年 | 14篇 |
1984年 | 18篇 |
1983年 | 10篇 |
1982年 | 5篇 |
1981年 | 3篇 |
1980年 | 2篇 |
1979年 | 2篇 |
1975年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
41.
《计算机应用与软件》2019,(4)
非线性自抗扰控制器具有多个耦合参数且依靠传统的经验整定法难以整定,以至于对控制器的精度和抗扰动能力造成一定影响。针对此问题,提出一种双种群混沌鲸鱼算法对控制器参数进行在线整定。针对传统鲸鱼算法易陷入局部最优以及在迭代后期出现寻优缓慢的现象,提出一种混沌策略和双种群协同机制对算法进行改进。以机械臂作为被控对象进行仿真验证,结果表明优化后的自抗扰控制器具有更好的控制精度和良好的抗扰动能力。改进后的鲸鱼优化算法可以用于非线性自抗扰控制器参数整定。 相似文献
43.
44.
针对相邻缺陷全聚焦超声成像混叠问题,结合低阶、宽有效频带自回归谱外推方法,压缩超声波时域脉冲宽度,实现亚波长级全聚焦(Total focusing method,TFM)成像分辨力。建立碳钢试块模型,设置两个中心间距1.8 mm,直径1.3 mm圆孔,选用中心频率2.25 MHz,32阵元相控阵探头采集全矩阵数据。针对全矩阵数据,选择自回归阶数为2,信号频谱最大幅值下降14 dB为有效频带,建立自回归模型并外推有效频带外的高频与低频成分,随后对全矩阵数据进行延迟叠加处理和TFM成像。仿真结果表明,低阶、宽有效频带自回归谱外推处理方法具有较高的鲁棒性和准确性,TFM成像后可有效分离中心间距0.7λ(λ为超声波长)圆孔,保留缺陷横向位置信息的同时,定位误差不超过0.73%。对碳钢试块中相同位置及尺寸的圆孔进行试验验证,定位误差不超过1.06%,有效地提高TFM成像分辨力。 相似文献
47.
48.
49.
一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。 相似文献
50.