全文获取类型
收费全文 | 1161篇 |
免费 | 242篇 |
国内免费 | 86篇 |
出版年
2024年 | 19篇 |
2023年 | 34篇 |
2022年 | 36篇 |
2021年 | 81篇 |
2020年 | 61篇 |
2019年 | 34篇 |
2018年 | 8篇 |
2017年 | 43篇 |
2016年 | 42篇 |
2015年 | 38篇 |
2014年 | 65篇 |
2013年 | 62篇 |
2012年 | 73篇 |
2011年 | 72篇 |
2010年 | 81篇 |
2009年 | 71篇 |
2008年 | 93篇 |
2007年 | 79篇 |
2006年 | 51篇 |
2005年 | 46篇 |
2004年 | 46篇 |
2003年 | 37篇 |
2002年 | 35篇 |
2001年 | 46篇 |
2000年 | 29篇 |
1999年 | 25篇 |
1998年 | 26篇 |
1997年 | 30篇 |
1996年 | 23篇 |
1995年 | 14篇 |
1994年 | 22篇 |
1993年 | 18篇 |
1992年 | 13篇 |
1991年 | 15篇 |
1990年 | 7篇 |
1989年 | 12篇 |
1988年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有1489条查询结果,搜索用时 15 毫秒
721.
722.
723.
闫莉莉 《国外防化科技动态》2001,(6):12-18
联合化学战剂检测器(JCAD)将向地面车辆操作员提供化学战剂检测能力的技术发展水平。据可靠情报估计大约有20多个国家拥有积极的化学武器计划。化学武器向第三世界国家的扩展(和工业生产能力),以及美国有可能在操作和支援能力上介入这些地区都提高了联合军种在世界任何地方遭遇化学战剂和有毒工业材料的可能性。目前,野战化学战剂检测器体积大,劳动强度大。而且经常误读,没有一种传统检测器灵敏到能够检测与瞳孔缩小沾染有关的低剂量危害并报警。JCAD将为车辆乘员,飞机,个人,舰上和固定基地提供一种小型(40in^3)的,轻型的(2lb)化学战剂检测器。该系统通过多军种平台提供一种联合检测组件,该联合检测系统将允许联合军种为更有效地利用设备而使用同样的操作和支持概念。JCAD将在瞳孔缩小之前检测,识别,定量现存的化学战剂并进行报警。在化学战剂检测方面,检测器将向操作人员提供本地及远程听觉和视觉报警。预警将给车辆乘员必要的时间来保护自己免受化学战剂的致命影响。还能够将JCAD升级以预防未来化学战剂的威胁。JCAD将为车辆乘员提供必要报警使这能在化学战剂威胁环境中存活并战斗。 相似文献
724.
针对运载火箭伺服机构故障,提出一种基于扩展多模型自适应估计的故障检测与诊断算法。建立考虑伺服机构故障的运载火箭姿态动力学模型;将故障角度作为状态变量得到增广状态空间模型;利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率;给出基于扩展多模型自适应估计的故障检测与诊断算法流程。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测;在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。 相似文献
725.
726.
分析了PLD的特点及其在高速数字电路中的应用前景,结合可编程逻辑器件设计软件MAX+PLUSII,详细讨论了高速数据帧同步码误码检测电路的设计原理和步骤,最后,采用ALTERA公司的CPLD中的FLEX10K的器件对检测电路进行了实现。 相似文献
727.
728.
针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。 相似文献
729.
红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。 相似文献
730.