全文获取类型
收费全文 | 15751篇 |
免费 | 661篇 |
国内免费 | 1067篇 |
专业分类
系统科学 | 1572篇 |
丛书文集 | 558篇 |
教育与普及 | 172篇 |
理论与方法论 | 52篇 |
现状及发展 | 96篇 |
综合类 | 15029篇 |
出版年
2024年 | 275篇 |
2023年 | 956篇 |
2022年 | 876篇 |
2021年 | 964篇 |
2020年 | 670篇 |
2019年 | 573篇 |
2018年 | 228篇 |
2017年 | 257篇 |
2016年 | 247篇 |
2015年 | 318篇 |
2014年 | 563篇 |
2013年 | 571篇 |
2012年 | 681篇 |
2011年 | 705篇 |
2010年 | 742篇 |
2009年 | 849篇 |
2008年 | 956篇 |
2007年 | 907篇 |
2006年 | 754篇 |
2005年 | 733篇 |
2004年 | 675篇 |
2003年 | 577篇 |
2002年 | 500篇 |
2001年 | 533篇 |
2000年 | 427篇 |
1999年 | 402篇 |
1998年 | 340篇 |
1997年 | 295篇 |
1996年 | 270篇 |
1995年 | 206篇 |
1994年 | 154篇 |
1993年 | 105篇 |
1992年 | 63篇 |
1991年 | 33篇 |
1990年 | 39篇 |
1989年 | 11篇 |
1988年 | 5篇 |
1987年 | 8篇 |
1986年 | 5篇 |
1984年 | 1篇 |
1983年 | 2篇 |
1982年 | 1篇 |
1980年 | 1篇 |
1958年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
41.
根据我国高硫煤的赋存特点,提出采用微细介质重介旋流器及细泥选择性絮凝组合工艺实现细粒煤的深度脱硫,无机硫脱除率可大幅度提高,分选下限明显降低,是实现煤炭深度脱硫降灰产业化的有效技术途径. 相似文献
42.
磁通涡旋线的临界磁场 总被引:1,自引:0,他引:1
将计算所得的涡旋磁通自由能F^[1]进行求导,得到a,b,x之间的关系式.由此,只要知道电荷数、粒子质量,利用图解法即可求出α,β的值.再利用1/h=λ(λ是穿透深度),将λ进行代换,最终得出λ与h,ξ与η,x与κ间的关系.对于单位磁通线BV=BS=Φ=φ0则可计算出高κ近似下的第一临界磁场Hc1,并进一步求出hc1. 相似文献
43.
介绍了两种新的译码算法:AL-1和AL-2,通过计算机仿真结果,讨论了该算法的译码深度对Turbo码性能的影响。 相似文献
44.
发酵过程混合神经网络模型及其仿真 总被引:6,自引:2,他引:4
提出了一种新型的发酵过程混合神经网络模型,该模型由非线性神经网络和线性神经网络两部分组成,由于非线性神经网络采用结构具有线形式的Flat网络,两个网络能够合并为同一表达式,并具有线性形式,可采用线性最小二乘法求解网络权值,与串联结构及串并联结构混合神经网络模型相比,该模型训练方式简单,并可方便地使用在线辨识算法。 相似文献
45.
基于RBF网络的混沌时间序列的建模与多步预测 总被引:11,自引:1,他引:10
提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。 相似文献
46.
基于变神经网络的非线性最小方差预测控制器 总被引:1,自引:0,他引:1
提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的 相似文献
47.
48.
49.
本文简要地介绍了人工神经元网络的基本概念、主要特征及其发展历史,评述了几种有代表性的神经元网络模型。在此基础上,探讨了人工神经元网络在系统仿真中可能的应用方向。 相似文献
50.
分析了用自适应滤波器进行故障诊断的方法.针对该方法在计算上要花费大量时间、难于完成实时诊断任务的缺点,提出了用神经网络自适应滤波器来完成故障诊断的方法.神经网络有极快的运行速度,能很好地完成实时诊断任务. 相似文献