全文获取类型
收费全文 | 28962篇 |
免费 | 3877篇 |
国内免费 | 2227篇 |
专业分类
电工技术 | 3990篇 |
综合类 | 3537篇 |
化学工业 | 407篇 |
金属工艺 | 585篇 |
机械仪表 | 3083篇 |
建筑科学 | 633篇 |
矿业工程 | 831篇 |
能源动力 | 506篇 |
轻工业 | 329篇 |
水利工程 | 688篇 |
石油天然气 | 813篇 |
武器工业 | 501篇 |
无线电 | 6546篇 |
一般工业技术 | 2188篇 |
冶金工业 | 161篇 |
原子能技术 | 141篇 |
自动化技术 | 10127篇 |
出版年
2024年 | 189篇 |
2023年 | 717篇 |
2022年 | 668篇 |
2021年 | 784篇 |
2020年 | 761篇 |
2019年 | 883篇 |
2018年 | 513篇 |
2017年 | 804篇 |
2016年 | 937篇 |
2015年 | 1168篇 |
2014年 | 1614篇 |
2013年 | 1579篇 |
2012年 | 1959篇 |
2011年 | 2134篇 |
2010年 | 2213篇 |
2009年 | 2413篇 |
2008年 | 2534篇 |
2007年 | 2477篇 |
2006年 | 2163篇 |
2005年 | 1941篇 |
2004年 | 1579篇 |
2003年 | 1319篇 |
2002年 | 883篇 |
2001年 | 800篇 |
2000年 | 620篇 |
1999年 | 458篇 |
1998年 | 344篇 |
1997年 | 280篇 |
1996年 | 131篇 |
1995年 | 68篇 |
1994年 | 41篇 |
1993年 | 34篇 |
1992年 | 15篇 |
1991年 | 12篇 |
1990年 | 14篇 |
1989年 | 13篇 |
1987年 | 1篇 |
1986年 | 2篇 |
1959年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 531 毫秒
1.
2.
刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性. 相似文献
3.
4.
由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。 相似文献
5.
针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断. 相似文献
7.
8.
9.
铁路在交通运输行业有着举足轻重的地位,一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低,因此难以捕获列车的故障样本。针对上述问题,提出了一种无监督学习的列车故障识别方法,通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN),利用小波包分解提取检测信号的特征向量并将其作为DBN的输入,待网络充分训练后,由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明,该方法能够在无监督的条件下有效识别列车故障,保障了列车的运行安全。 相似文献
10.