全文获取类型
收费全文 | 21405篇 |
免费 | 2009篇 |
国内免费 | 1409篇 |
专业分类
电工技术 | 2469篇 |
综合类 | 2850篇 |
化学工业 | 329篇 |
金属工艺 | 203篇 |
机械仪表 | 1156篇 |
建筑科学 | 942篇 |
矿业工程 | 371篇 |
能源动力 | 259篇 |
轻工业 | 552篇 |
水利工程 | 520篇 |
石油天然气 | 215篇 |
武器工业 | 384篇 |
无线电 | 7194篇 |
一般工业技术 | 888篇 |
冶金工业 | 153篇 |
原子能技术 | 44篇 |
自动化技术 | 6294篇 |
出版年
2024年 | 99篇 |
2023年 | 459篇 |
2022年 | 500篇 |
2021年 | 600篇 |
2020年 | 543篇 |
2019年 | 684篇 |
2018年 | 421篇 |
2017年 | 551篇 |
2016年 | 592篇 |
2015年 | 796篇 |
2014年 | 1270篇 |
2013年 | 1152篇 |
2012年 | 1279篇 |
2011年 | 1319篇 |
2010年 | 1336篇 |
2009年 | 1309篇 |
2008年 | 1761篇 |
2007年 | 1676篇 |
2006年 | 1159篇 |
2005年 | 1151篇 |
2004年 | 1016篇 |
2003年 | 894篇 |
2002年 | 663篇 |
2001年 | 537篇 |
2000年 | 458篇 |
1999年 | 389篇 |
1998年 | 313篇 |
1997年 | 316篇 |
1996年 | 302篇 |
1995年 | 237篇 |
1994年 | 232篇 |
1993年 | 165篇 |
1992年 | 157篇 |
1991年 | 154篇 |
1990年 | 130篇 |
1989年 | 129篇 |
1988年 | 48篇 |
1987年 | 14篇 |
1986年 | 3篇 |
1985年 | 2篇 |
1984年 | 1篇 |
1983年 | 3篇 |
1982年 | 3篇 |
排序方式: 共有10000条查询结果,搜索用时 434 毫秒
1.
摘 要:为了提高码索引调制(code index modulation,CIM)系统的传输效率,提出了一种具有更低复杂度的单输入单输出(single input single output,SISO)的广义正交码索引调制(generalized orthogonal code index modulation,GQCIM)系统。CIM 系统使用扩频码和星座符号传输信息,但只能激活两个扩频码索引和一个调制符号。而 GQCIM 系统以一种新颖的方式克服了只激活一个调制符号的限制,同时充分利用了调制符号的正交性,增加扩频码索引以传输更多的额外信息位,提高了系统的传输效率。此外,分析了GQCIM系统的理论性能,推导了误码率性能的上界。通过蒙特卡罗仿真验证了GQCIM系统的性能,对比发现GQCIM系统的理论和仿真性能一致。而且在相同的传输效率下,结果显示GQCIM系统的性能优于同样具有正交性的调制系统,如广义码索引调制(generalized code index modulation,GCIM)系统、CIM系统、码索引调制-正交空间调制(code index modulation aided quadrature spatial modulation,CIM-QSM)系统、码索引调制-正交空间调制(code index modulation aided spatial modulation,CIM-SM)系统、脉冲索引调制(pulse index modulation,PIM)系统。 相似文献
2.
3.
5.
6.
7.
基于质量守恒、能量守恒定律,建立了内热型超声雾化溶液再生系统(IH-UARS)的再生性能预测模型并进行了充分的实验验证,通过研究不同内热量下IH-UARS的再生性能及其变化规律,寻求系统所需的最佳内热量并明确其可能的影响因素。结果表明:IH-UARS系统存在最优的内热量范围,使其再生系统性能最佳;所需最优内热量随着再生溶液流量增大呈显著的对数增长,但受空气流量的影响较弱;在该研究中的标准工况下,IH-UARS所需最优内热量约为275~350 W。此外研究发现:内热量的增长有益于促进初始浓度较高的溶液进一步浓缩再生,如当IH-UARS中内热量增至800 W时,其初始浓度为36%的溶液比24%的溶液浓度增量指标改善幅度高37%。研究所得结果可对提高溶液再生性能及经济性提供积极参考。 相似文献
8.
9.
在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。 相似文献