全文获取类型
收费全文 | 369篇 |
免费 | 7篇 |
国内免费 | 32篇 |
出版年
2024年 | 1篇 |
2023年 | 5篇 |
2022年 | 8篇 |
2021年 | 9篇 |
2020年 | 15篇 |
2019年 | 5篇 |
2018年 | 3篇 |
2017年 | 2篇 |
2016年 | 6篇 |
2015年 | 7篇 |
2014年 | 11篇 |
2013年 | 11篇 |
2012年 | 53篇 |
2011年 | 48篇 |
2010年 | 27篇 |
2009年 | 17篇 |
2008年 | 15篇 |
2007年 | 17篇 |
2006年 | 9篇 |
2005年 | 8篇 |
2004年 | 18篇 |
2003年 | 14篇 |
2002年 | 24篇 |
2001年 | 19篇 |
2000年 | 6篇 |
1999年 | 14篇 |
1998年 | 10篇 |
1997年 | 4篇 |
1996年 | 2篇 |
1995年 | 5篇 |
1994年 | 4篇 |
1993年 | 2篇 |
1992年 | 5篇 |
1990年 | 1篇 |
1989年 | 3篇 |
排序方式: 共有408条查询结果,搜索用时 15 毫秒
1.
在浅水、薄船、无限宽水域的条件下,舰船以亚临界速度(F_H<1)运动时,利用E.O.Tuck提出的渐近匹配展开法,可以得到定深度扰动速度势的摄动方程。对水深缓慢变化的海底,舰船的绕流不再是定常的,根据A.Plotkin所采用的多重尺度法,可以得到变深度浅水舰船扰动速度势的摄动方程。如果仅考虑扰动速度势的一阶摄动方程,则可得到考虑了线性兴波影响的舰船水压场的计算公式。 相似文献
2.
舰船电力推进是一个复杂的船—机—电系统。对其动态特性的研究,利用现有的基于理论分析建立机理模型的方法,就会遇到分析过程繁杂、模型适用性差的实际困难。本文则利用系统辨识方法建立舰船电力推进系统的动态模型,通过一个具体的船模实验及辨识计算,确定模型的结构和参数。为了克服相关噪声的影响,参数估计中采用了增广矩阵法。并对模型从拟合程度和收敛性两方面进行了检验,结果表明,上述方法所得到的动态模型是适用的。 相似文献
3.
提出了一种在通电过程中利用舰船磁信号获得动态通电波形的自动化消磁方法。该方法可在保证舰船磁性稳定的前提下,一次性地将其结果磁场处理到给定标准内,从而提高舰船磁性的处理效率。对实现该方法的硬件和软件结构进行了分析,提出了利用“人工智能”和“模糊控制”来确定磁信号与电流波形之间的关系。 相似文献
4.
本文给出了快速估算舰船水压场负压区的方法,得出了海底负压变化和负压持续时间的关系,并分析了负压峰值和最大负压区长度随横距的变化规律。 相似文献
5.
本文主要介绍舰船柴油发电机组温度、压力参数巡检报警装置(WY-I型温度压力巡检仪)的研制。研制中.针对可靠性和实用性要求,在传感器选型、信号处理、报警方式及抗干扰等方面采取了相应处理措施。 相似文献
6.
用有限基本解法对舰船下方附加翼板后的水压场进行了数值模拟。分光体船、附加单翼板和附加双翼板三种情况,在不同的水深下分别进行计算,获得了相应的纵向通过特性曲线,并与实验结果进行了比较。在不同的翼板位置、攻角和离船底距离下对水压场进行计算,以优化得到最佳水压场畸变效果。 相似文献
7.
倾斜修正是角速率火控系统研究、设计和生产中的一个重要课题。本文首先明确了几个基本概念,然后给出倾斜修正的计算方案,最后,应用四元数理论解决计算方案的工程实现问题。 相似文献
8.
为分析舰船装备的系统和单元部件介于正常和故障之间的中间过渡状态,结合实际工作情况,提出了一种基于多状态故障树的可靠性分析方法。以舰船电力系统为例,将传统故障树模型的底层事件布尔单元改进为可维修的三态(正常、劳损降级和故障)单元部件;结合智能体董正琼技术建立该多状态故障树仿真模型,各事件之间的从属关系采用抽象映射进行描述;通过多次蒙特卡洛仿真运行,根据各底事件发生概率定量计算出电力系统的可靠度统计值为99.624%,在一定程度上验证了所提可靠性分析方法的可行性。 相似文献
9.
被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%~18.2%,并且具有更好的识别稳定性。 相似文献
10.
针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明:在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。 相似文献