全文获取类型
收费全文 | 615篇 |
免费 | 146篇 |
国内免费 | 57篇 |
出版年
2024年 | 5篇 |
2023年 | 21篇 |
2022年 | 19篇 |
2021年 | 27篇 |
2020年 | 29篇 |
2019年 | 27篇 |
2018年 | 8篇 |
2017年 | 20篇 |
2016年 | 27篇 |
2015年 | 30篇 |
2014年 | 57篇 |
2013年 | 28篇 |
2012年 | 43篇 |
2011年 | 50篇 |
2010年 | 54篇 |
2009年 | 49篇 |
2008年 | 48篇 |
2007年 | 49篇 |
2006年 | 25篇 |
2005年 | 32篇 |
2004年 | 17篇 |
2003年 | 17篇 |
2002年 | 30篇 |
2001年 | 20篇 |
2000年 | 10篇 |
1999年 | 15篇 |
1998年 | 16篇 |
1997年 | 7篇 |
1996年 | 5篇 |
1995年 | 6篇 |
1994年 | 5篇 |
1993年 | 7篇 |
1992年 | 5篇 |
1991年 | 2篇 |
1990年 | 6篇 |
1988年 | 2篇 |
排序方式: 共有818条查询结果,搜索用时 15 毫秒
261.
离散变速趋近律抖振机理及鲁棒性研究 总被引:5,自引:1,他引:4
研究基于离散变速趋近律的变结构控制设计问题.利用不等式形式到达条件研究变速趋近律的抖振机理,并对其鲁棒性进行分析.研究结果表明,只要不确定因素有界,即可保证闭环系统的鲁棒稳定性,而通过调整变速趋近律自身参数,可以避免抖振并使系统具有良好的动态品质.将理论成果用于某型船舶航向自动舵的设计,实验结果证实了它的有效性. 相似文献
262.
为解决辐射源识别的问题,研究利用变精度粗糙集模型来确定辐射源识别特征权值的方法。由概念的正域中对象类的条件属性的描述,得到该概念的充分条件,并依据知识间的依赖性作为所要考虑的因素来获取特征权值,同时结合模糊集理论,提出一种基于变精度粗集特征加权的辐射源模糊识别方法。最后将此识别方法模型应用于雷达辐射源用途识别,仿真实验及其结果验证了该方法的可行性和有效性。 相似文献
263.
对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。 相似文献
264.
265.
研究一类具有变时滞的离散型随机BAM神经网络。通过构造Lyapunov泛函以及线性矩阵不等式(LMI),得出了离散系统全局渐近稳定的充分条件。 相似文献
266.
基于性能的装备采购合同商选择研究 总被引:1,自引:0,他引:1
根据基于性能的装备采购目标,在考虑合同商满足军方提出的性能指标的基础上,从合同商的资质、生产技术能力、装备价格成本、装备保障性能、管理运营情况和双方协商沟通水平等方面建立了合同商选择评价指标体系,并运用层次变权综合决策方法进行综合评判。案例分析表明:该方法能充分反映决策者的意愿,使合同商的选择更好地满足基于性能的装备采购的需要。 相似文献
267.
提出了一种分形约束Otsu阈值分割算法。该方法结合图像的灰度分布和像素间空间分形纹理信息,在二维类间方差准则取最大值时得到一个二维分割阈值,从而实现红外图像的自适应分割。将该方法应用到低对比度、低信噪比、边缘模糊的红外图像分割中,并与传统的二维Otsu分割方法作了比较。结果表明,该方法在分割效果和抗噪能力等方面均得到了明显的改善。 相似文献
268.
"当前"统计模型作为一种先进的时间相关模型,在跟踪机动目标的时候,具有着很好的跟踪效果,但是当目标的机动较弱时,该模型的效果变差。通过对该模型进行分析得知,在该模型中由于机动加速度的最大值不能自适应地调整,导致低机动时系统过程噪声较大,因此在跟踪低机动目标时跟踪效果不太理想。为了克服这一缺点,给出了一种可行的采用模糊自适应调整"当前"模型最大加速度的方法,对模型的最大加速度进行自适应调整。通过仿真结果可知,与标准的"当前"统计算法相比具有更好的跟踪效果。 相似文献
269.
270.
降维状态观测器是非常重要的一类观测器,它使采用状态反馈构成闭环系统的物理实现成为可能。降维状态观测器的设计方法很多,笔者在一种常用设计方法的基础上,推导出对应的另一种设计方法,这将使降维观测器设计考虑的情况更全面,为使用方便,针对这两种方法给出了算例。 相似文献