全文获取类型
收费全文 | 145篇 |
免费 | 13篇 |
国内免费 | 14篇 |
专业分类
电工技术 | 3篇 |
综合类 | 3篇 |
化学工业 | 9篇 |
建筑科学 | 14篇 |
矿业工程 | 13篇 |
能源动力 | 7篇 |
轻工业 | 27篇 |
水利工程 | 1篇 |
石油天然气 | 2篇 |
无线电 | 17篇 |
一般工业技术 | 4篇 |
自动化技术 | 72篇 |
出版年
2023年 | 1篇 |
2022年 | 4篇 |
2021年 | 4篇 |
2020年 | 3篇 |
2019年 | 1篇 |
2018年 | 2篇 |
2017年 | 3篇 |
2016年 | 5篇 |
2015年 | 14篇 |
2014年 | 5篇 |
2013年 | 16篇 |
2012年 | 15篇 |
2011年 | 13篇 |
2010年 | 12篇 |
2009年 | 12篇 |
2008年 | 7篇 |
2007年 | 10篇 |
2006年 | 12篇 |
2005年 | 12篇 |
2004年 | 7篇 |
2003年 | 4篇 |
2001年 | 3篇 |
2000年 | 4篇 |
1999年 | 1篇 |
1998年 | 1篇 |
1997年 | 1篇 |
排序方式: 共有172条查询结果,搜索用时 15 毫秒
21.
22.
利用玉米淀粉、烷基烯酮二聚体(AKD)和重质碳酸钙(GCC)制备造纸用复合填料,并比较了复合填料与GCC填料的基本性能(如微观形貌、溶解性、溶胀度和接触角等)以及对纸张力学性能的影响。结果表明:随着AKD用量的增加,复合填料的溶胀度和溶解性略有下降,接触角明显增大;与GCC填料相比,复合填料能明显提高纸张的拉伸强度(99.1%)和耐破强度(98.9%),但纸张的光学性能略有降低;纸张的耐水性随着AKD用量的增加而明显提高;当w(AKD)=15%时,复合填料的应用效果最佳。 相似文献
23.
24.
介绍了HLM环辊磨的工作原理和技术参数,着重叙述了该设备在重质碳酸钙超细粉碎中的应用参数及优势,证明HLM环辊磨是一种性能优良的超细粉碎设备. 相似文献
25.
重质碳酸钙超细新工艺试验研究 总被引:6,自引:0,他引:6
对安徽某地天然重质碳酸钙进行超细分级试验研究 ,结果表明 ,采用磨矿 分级组合工艺 ,产品粒径细、粒度分布范围窄 ,且设备投资小 ,生产运行成本低 (比传统磨矿工艺节省 3 9元 /t) ,可为重钙的湿法超细生产开辟一条新途径 相似文献
26.
27.
28.
准确的时延估计(Time Delay Estimation,TDE)是基于到达时间差(Time Difference of Arrival,TDOA)的声源定位技术的前提.在众多时延估计算法中,广义互相关(Generalized Cross Correlation,GCC)算法因其较低的运算复杂度和易于实现的特点得到了广泛的应用.针对不同的噪声情况,GCC时延估计算法利用不同的加权函数来抑制噪声干扰.本文在介绍麦克风阵列模型和GCC时延估计算法的基础上,针对GCC算法的弊端提出了一种改进算法,并在多种信噪比条件下,对部分加权函数的GCC时延估计算法进行了MATLAB仿真,通过比较其时延估计性能和声源定位精度,分析了这些加权函数各自的优劣性. 相似文献
29.
化工过程系统用能诊断和调优的“夹点分析”法 总被引:2,自引:0,他引:2
把热力学与系统工程的方法相结合,进一步将“夹点分析”应用于化工过程系统的用能诊断及调优。首先,从能量的角度将以能量驱动的过程单元如,反应器、精馏塔、压缩机等与换热器网络中的冷、热流股统一起来;然后,利用格子图,总组合曲线(GCC)、扩充的总组合曲线(EGCC)、分离的总组合曲线(SGCC)等诊断工具,对化工过程系统进行用能诊断,给出相应的调优措施,并将该方法应用于实际的化工过程。 相似文献
30.
PhenoCams are part of a national network of automated digital cameras used to assess vegetation phenology transitions. Effectively analyzing PhenoCam time-series involves eliminating scenes with poor solar illumination or high cover of non-target objects such as water. We created a smart classifier to process images from the “GCESapelo” PhenoCam, which photographs a regularly-flooded salt marsh. The smart classifier, written in R, assigns pixels to target (vegetation) and non-target (water, shadows, fog and clouds) classes, allowing automated identification of optimal scenes for evaluating phenology. When compared to hand-classified validation images, the smart classifier identified scenes with optimal vegetation cover with 96% accuracy and other object classes with accuracies ranging from 86 to 100%. Accuracy for estimating object percent cover ranged from 74 to 100%. Pixel-classification with the smart classifier outperformed previous approaches (i.e. indices based on average color content within ROIs) and reduced variance in phenology index time-series. It can be readily adapted for other applications. 相似文献