全文获取类型
收费全文 | 738篇 |
免费 | 46篇 |
国内免费 | 32篇 |
学科分类
工业技术 | 816篇 |
出版年
2024年 | 9篇 |
2023年 | 26篇 |
2022年 | 21篇 |
2021年 | 16篇 |
2020年 | 24篇 |
2019年 | 42篇 |
2018年 | 28篇 |
2017年 | 12篇 |
2016年 | 13篇 |
2015年 | 10篇 |
2014年 | 57篇 |
2013年 | 47篇 |
2012年 | 54篇 |
2011年 | 32篇 |
2010年 | 37篇 |
2009年 | 42篇 |
2008年 | 40篇 |
2007年 | 32篇 |
2006年 | 42篇 |
2005年 | 39篇 |
2004年 | 23篇 |
2003年 | 23篇 |
2002年 | 23篇 |
2001年 | 20篇 |
2000年 | 22篇 |
1999年 | 7篇 |
1998年 | 7篇 |
1997年 | 8篇 |
1996年 | 4篇 |
1995年 | 3篇 |
1994年 | 4篇 |
1993年 | 4篇 |
1992年 | 7篇 |
1991年 | 3篇 |
1990年 | 11篇 |
1989年 | 2篇 |
1987年 | 3篇 |
1986年 | 1篇 |
1984年 | 2篇 |
1983年 | 4篇 |
1982年 | 10篇 |
1981年 | 2篇 |
排序方式: 共有816条查询结果,搜索用时 10 毫秒
811.
随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构上对骨干网的ELAN模块进行改进,将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量,在头部网络引入RepLKDeXt模块,该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构,最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变,在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点,进一步简化了模型并增加了模型的适用范围。 相似文献
812.
海水可变速抽水蓄能是国内尚未应用的新技术,是消纳海上风电、提高沿海及海岛电力系统可靠性的新思路。以经济效益最大化和输出功率波动最小化为目标,提出考虑分时电价、变速机组运行特性的多层次约束条件,建立海水抽水蓄能与风电联合系统运行优化模型;引入NSGA-Ⅱ算法结合罚函数求解;以广东万山群岛微网系统为例,定量对比了含可变速和定速机组的海水抽水蓄能与风电联合系统运行性能,阐明了可变速技术优势。结果表明:在一个日调节周期内,相较于同容量下的常规抽水蓄能与风电联合运行系统,可变速抽水蓄能与风电联合运行系统可提高经济效益4.16%,降低输出功率波动12.10%,减小弃电量26.78%,提高风能利用率1.69%。研究成果对探寻适合中国沿海地区和海岛的海水抽蓄系统发展模式具有借鉴意义。 相似文献
813.
挤压速度和温度作为挤压的关键工艺,直接影响制品的组织性能。为此采用6063铝合金为实验材料,以铝合金内螺纹管为研究对象,研究了挤压速度(60~120 mm·min^(-1))对铝合金内螺纹管齿形质量和组织演变的影响。结果表明,在恒定的挤压温度(460℃)下,随着挤压速度的升高,齿槽角α逐渐减小,齿槽角β先减小后增大,在挤压速度为60 mm·min^(-1)时α和β取得最大值,分别为142.67°和148.67°。通过显微组织分析,发现齿部横截面主要为等轴晶。随着挤压速度的升高,齿部晶粒尺寸先减小后增大,在挤压速度为120 mm·min^(-1)时取得最大值,为13.51μm。随着挤压速度的升高,齿部出现变形织构和再结晶织构。从螺纹齿成形质量考虑,60 mm·min^(-1)为最适宜的挤压速度。 相似文献
814.
815.
816.
准确估计锂离子电池健康状态(state of health,SOH)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度,然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升SOH估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的SOH估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的SOH进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池SOH,并且具有更好的泛化性能。 相似文献