检索结果-内蒙古大学图书馆

北京化工大学学报（自然科学版） 2013年第3期40卷 98-103页

作者：赵利强罗达灿王建林于涛北京化工大学信息科学与技术学院北京100029

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定... 详细信息

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

关键词：容积卡尔曼滤波算法强跟踪滤波器渐消因子噪声统计估计器

来源：评论

学校读者我要写书评

暂无评论

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

引用

集成技术 2018年第6期7卷 31-38页

作者：梁嘉宁谭霁宬孙天夫王峥中国科学院深圳先进技术研究院深圳518055

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进... 详细信息

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于2%,具有良好的估算精度。

关键词：荷电状态扩展卡尔曼滤波容积卡尔曼滤波算法

来源：评论

学校读者我要写书评

暂无评论

新型自适应容积卡尔曼滤波算法及其在目标跟踪中的应用

引用

现代信息科技 2018年第2期2卷 62-66页

作者：黄硕李冠男荆涛曹洁陆军装甲兵学院信息通信系北京100072

针对标准容积卡尔曼滤波(CKF)在目标跟踪中出现的问题,根据系统噪声统计特性不准确或未知的特点,提出一种基于协方差匹配原则的自适应容积卡尔曼滤波算法。该算法通过利用新息序列与残差序列来实现对观测噪声协方差和过程噪声协方差矩... 详细信息

针对标准容积卡尔曼滤波(CKF)在目标跟踪中出现的问题,根据系统噪声统计特性不准确或未知的特点,提出一种基于协方差匹配原则的自适应容积卡尔曼滤波算法。该算法通过利用新息序列与残差序列来实现对观测噪声协方差和过程噪声协方差矩阵的实时跟踪,进而进行在线调整噪声统计特性,能够有效的改善由于噪声特性未知所引起的滤波发散相关问题。将该算法应用在目标跟踪仿真实验中,结果表明,与标准CKF算法相比,在系统噪声统计特性未知的情况下,该算法具有更好的实时性,不仅抑制了滤波器的发散问题,而且提高了对目标的跟踪精度。

关键词：容积卡尔曼滤波算法协方差匹配自适应滤波目标跟踪

来源：评论

学校读者我要写书评

暂无评论

基于容积卡尔曼滤波的BDS/SINS组合导航系统目标跟踪算法研究

基于容积卡尔曼滤波的BDS/SINS组合导航系统目标跟踪算法研究

引用

作者：白俊杰兰州交通大学

学位级别：硕士

如今,卫星导航系统已应用于各个领域并且其地位是至关重要的,因此各个国家都想要发展完全拥有自主知识产权的卫星导航系统。近年来,我国北斗卫星导航系统(Beidou Navigation System,BDS)发展迅速,已经成为世界上成熟的卫星导航系统。由... 详细信息

如今,卫星导航系统已应用于各个领域并且其地位是至关重要的,因此各个国家都想要发展完全拥有自主知识产权的卫星导航系统。近年来,我国北斗卫星导航系统(Beidou Navigation System,BDS)发展迅速,已经成为世界上成熟的卫星导航系统。由于单一导航系统的性能与稳定性已不能满足各个行业对导航的需求,有学者就提出组合导航的概念,主要思想是利用不同导航系统各自的优点,既能功能互补,又能提高导航的精确性和稳定性。本文主要研究对组合导航系统中改进的数据融合算法,主要以BDS和捷联惯性导航系统(Strap-down Inertial Navigation System,SINS)的紧组合导航系统为背景展开研究。本文针对紧组合导航系统的强非线性特点,对传统数据融合方法即:卡尔曼滤波(Kalman Filter,KF)、扩展卡尔曼滤波(Extended Kalman Filtering,EKF)、无迹卡尔曼滤波(Unsecented Kalman Filtering,UKF)和容积卡尔曼滤波(Cubature Kalman Filtering,CKF)分别进行仿真实验,并对仿真结果进行对比分析。实验结果表明,在BDS/SINS紧组合导航系统中,CKF算法的滤波效果综合最优,因此本文选用该算法作为基础算法。CKF算法在滤波过程中需要已知系统噪声和量测噪声统计特性的先验信息,否则会导致滤波精度下降甚至滤波发散,但是在实际环境中这些信息有可能是未知的,基于此问题,本文提出了对未知噪声的先验信息进行噪声估计的自适应滤波算法(ACKF),通过引入常值噪声估值器和时变噪声估值器,对未知噪声统计特性进行实时预测。然后对这两种噪声估值器算法分别进行仿真实验,实验结果表明噪声估值器对噪声的实时跟踪具有良好的效果,对带噪声估值器的ACKF算法面对未知的噪声先验信息具有自适应的能力,并且在滤波前可以不需要已知噪声先验信息。BDS接收机在接受北斗卫星的回传信号时,很有可能会受到干扰而接收到异常值,这便会劣化滤波精度和稳定性,在滤波过程中,由于滤波迭代次数的增加,噪声统计特性中误差协方差矩阵可能会出现非正定的情况,从而导致不能进行柯西分解使得滤波被中断。因此本文提出了首先用均值滤波对最初的观测值进行预处理,使异常值对滤波的影响降低;然后使用奇异值分解(Singular Value Decomposition,SVD)代替柯西分解,避免误差协方差矩阵出现非正定滤波中断的情况,因为SVD分解可以对非正定矩阵进行分解;最后利用改进IGGIII权函数构建抗差因子,再次降低异常观测值对滤波的影响。以上算法提出的前提是在BDS/SINS紧组合导航系统中实现。为了验证所提算法在的有效性,本文设计出紧组合导航系统的框架结构,搭建实验所需要的仿真环境,在实验仿真平台使用以上所提出的改进算法。实验结果表明,相较于传统CKF滤波算法,基于SVD的抗差自适应CKF算法对未知噪声先验信息有更好的自适应性,对观测信息中的突变观测值有较好的抗差能力。本文所提的算法能够有效提高在BDS/SINS紧组合导航系统中的滤波精度,经过验证可证明所提算法在紧组合导航系统中是一种可行并且有效的滤波算法。

关键词：非线性滤波容积卡尔曼滤波算法北斗卫星导航系统捷联惯性导航系统组合导航

来源：评论

学校读者我要写书评

暂无评论

非高斯噪声下的参数自适应高斯混合CQKF算法

引用

北京理工大学学报 2018年第10期38卷 1079-1084页

作者：孟东缪玲娟邵海俊沈军北京理工大学自动化学院北京100081

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪.利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,... 详细信息

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪.利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度.仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度.

关键词：高斯混合模型容积卡尔曼滤波算法参数自适应方法初值优化

来源：评论

学校读者我要写书评

暂无评论

基于改进CKF的目标跟踪算法研究

基于改进CKF的目标跟踪算法研究

引用

作者：刘华南京理工大学

学位级别：博士

随着目标的机动能力越来越强，而人们对跟踪的性能要求则越来越高。因此，目标跟踪技术在军事和民用领域一直都是研究热点。容积卡尔曼滤波(Cubature KalmanFilter,CKF)算法是近年来新提出的一种性能优越的非线性滤波算法。该算法具有... 详细信息

随着目标的机动能力越来越强，而人们对跟踪的性能要求则越来越高。因此，目标跟踪技术在军事和民用领域一直都是研究热点。容积卡尔曼滤波(Cubature KalmanFilter,CKF)算法是近年来新提出的一种性能优越的非线性滤波算法。该算法具有结构简单、估计精度高、数值稳定性好等特点，克服了其它非线性滤波算法存在的一些问题。此算法为跟踪精度的提高提供了保障，因此成为非线性滤波算法中的研究热点。本文主要研究CKF算法及球面单纯形径向容积卡尔曼算法(Simplex Radial-Cubature KalmanFilter,SSRCKF)算法，并将它应用到机动目标跟踪系统中。论文主要研究工作如下:　　(1)为解决标准SSRCKF算法要求已知噪声的统计特性这个问题，提出了自适应SSRCKF算法(Adaptive SSRCKF,ASSRCKF)。在滤波过程中，ASSRCKF利用改进的Sage-Husa极大后验估值器对噪声的统计特性进行在线估计和修正，并对滤波发散情况进行判定和抑制，有效地提高SSRCKF算法的滤波精度和数值稳定性。仿真结果表明ASSRCKF算法的可行性与有效性，也改善了标准SSRCKF算法的滤波性能。　　(2)为了解决标准SSRCKF算法在处理突变状态时，跟踪效果变差甚至发散的问题，提出了强跟踪SSRCKF(Strong Tracking SSRCKF，STSSRCKF)算法。STSSRCKF算法将强跟踪滤波器引入SSRCKF，并利用时变渐消因子修正预测状态协方差阵。通过在线调整增益矩阵，从而提高滤波器的鲁棒性和处理不确定因素的能力。该算法具有STF鲁棒性强、SSRCKF精度高的优点。最后，利用具有状态突变的机动目标跟踪问题来测试所提滤波器的性能。仿真结果验证了本文所提算法的有效性。　　(3)为了提高非线性系统中机动目标跟踪的跟踪精度和模型切换速度，提出了提出了交互式多模型五阶球面单纯形容积卡尔曼算法(Interacting Multiple ModelFifth-Degree SSRCKF,IMM5thSSRCKF)算法。IMM5thSSRCKF算法结合了交互式多模型(Interacting Multiple Model,IMM)算法和五阶球面单纯形径向容积卡尔曼(Fifth-Degree SSRCKF,5thSSRCKF))算法。该算法利用马尔可夫过程描述模型之间的切换概率，并利用5thSSRCKF算法处理每个模型的状态估计。5thSSRCKF算法是一种改进的CKF算法，它利用五阶球面单纯形径向规则来提高滤波精度。仿真结果表明，该算法在处理机动模型时具有更好的跟踪性能和更快的模型切换速度。仿真结果验证了本文所提算法的有效性。　　(4)为提高现有的多传感器序贯式融合算法的融合精度，提出了基于5thSSRCKF的多传感器序贯式融合算法。5thSSRCKF算法利用五阶球面单纯形容积数值积分原则计算非线性过程中的均值和方差，避免了对非线性方程线性化的过程。序贯融合算法采用是依次更新状态的方法，因此本文所提算法计算复杂度低。仿真结果表明，5thSSRCKF序贯式融合跟踪算法是一种有效的非线性融合算法。　　(5)为提高现有的五阶球面单纯信息滤波器的估计精度(Fifth-Degree SphericalSimplex Radial Cubature Information Filter,5thSSRCIF)，提出了改进五阶球面单纯信息滤波器(Improved5thSSRCIF，I5thSSRCIF)。本文对现有的Sigma点信息波器(Sigma-Point Information Filter，SPIF)框架和无迹信息滤波器(Unscented InformationFilter，UIF)框架进行了对比。分析表明，UIF框架与SPIF框架不相同。由于UIF框架忽略了状态估计误差协方差计算中的一步预测误差矩阵，UIF的估计精度要低于SPIF的估计精度。根据理论分析，提出了基于SPIF结构的改进五阶球面单纯信息滤波器。与现有的5thSSRCIF相比，仿真结果表明，I5thSSRCIF算法更加可靠，滤波精度也更高。　　(6)为解决现有粒子滤波算法在非线性、非高斯系统下存在粒子退化及估计精度低的问题，将迭代平方根嵌入式容积卡尔曼滤波(Iterated Square-Root EmbeddedCubature Kalman Filter,ISECKF)算法引入到粒子滤波框架中，提出了迭代平方根嵌入式容积粒子滤波算法(Iterated Square-Root Embedded Cubature Particle Filter，ISECPF)。该算法采用Gauss-Newton迭代和平方根嵌入式容积卡尔曼滤波设计重要性密度函数，在迭代过程中不断修

关键词：目标跟踪容积卡尔曼滤波算法非线性融合算法

来源：评论

学校读者我要写书评

暂无评论

基于无线传感器网络的视频目标跟踪算法

引用

控制工程 2018年第1期25卷 71-75页

作者：毛颉浙江工业职业技术学院设计与艺术学院

目标跟踪一直是计算机视觉研究中的重点和难点，针对当前算法鲁棒性差、难以获得高精度的跟踪结果的局限性，设计了基于无线传感器网络的视频目标跟踪算法。首先多个传感器节点组成1个无线传感器网络。并通过无线传感网络收集目标信息... 详细信息

目标跟踪一直是计算机视觉研究中的重点和难点，针对当前算法鲁棒性差、难以获得高精度的跟踪结果的局限性，设计了基于无线传感器网络的视频目标跟踪算法。首先多个传感器节点组成1个无线传感器网络。并通过无线传感网络收集目标信息，然后采用容积卡尔曼滤波算法对视频中的目标运动状态进行估计和跟踪，最后在Matlab2014平台上进行了视频目标跟踪仿真验证实验。结果表明，该算法可以对视频目标运动状态进行高精度的跟踪，提高了视频目标跟踪的鲁棒性，视频目标跟踪实时性可满足实际应用的要求，而且视频目标跟踪效果要明显优于对比算法，具有更高的实际应用价值。

关键词：传感器节点计算机视频目标跟踪容积卡尔曼滤波算法目标状态

来源：评论

学校读者我要写书评

暂无评论

基于改进CKF的WSNs与移动机器人协作定位研究

基于改进CKF的WSNs与移动机器人协作定位研究

引用

作者：陈晓飞安徽工程大学

学位级别：硕士

随着无线传感器网络(Wireless Sensor Networks,WSNs)与移动机器人(Mobile Robot,MR)技术的不断发展,WSNs节点的功能越来越强大,具有各种功能的移动机器人也逐渐得到广泛运用。两者分布式的特征、公共的通信频段、良好的传感能力,使得... 详细信息

随着无线传感器网络(Wireless Sensor Networks,WSNs)与移动机器人(Mobile Robot,MR)技术的不断发展,WSNs节点的功能越来越强大,具有各种功能的移动机器人也逐渐得到广泛运用。两者分布式的特征、公共的通信频段、良好的传感能力,使得两者的结合成为热点研究问题。将WSNs与移动机器人结合,组成新的WSNs-移动机器人系统,不仅保留了 WSNs与移动机器人原有的优势,还可以弥补各自的局限与不足,提升系统的整体性能,使得两者原有的难题得以简化。本文在WSNs与移动机器人结合的背景下,研究了 WSNs-移动机器人混合系统的定位问题。首先,针对混合系统下的WSNs节点定位问题进行了仿真研究,利用移动机器人可移动方面的优势与WSNs节点分布式的特性,构建了一种移动机器人辅助下,机器人-节点、节点-节点相互配合的节点定位模型,利用多约束不等式组将测量数据进行初步估计,并融入基于CKF的滤波算法,对节点的预估位置实施预测修正,实现了对WSNs节点高效、精确的动态定位。之后,研究了 WSNs环境下机器人的定位问题,利用WSNs节点对机器人的观测以及其自身携带传感器对环境特征的观测,并利用带有门限判别和选择性高斯分割容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法进行定位误差优化,仿真结果表明,该算法不仅在定位精度上有所提高,收敛性能也较好。最后,建立了 WSNs与移动机器人混合系统的协作定位模型,给出了该系统模型的数学表达式,形成两者之间相互辅助的协作定位。并对协作过程中的大量传感信息进行了数据融合设计,以提升系统的整体性,两者的定位精度也同时得到提高。根据仿真实验结果可以看出,基于门限判别和选择性高斯分割的改进型CKF算法,在融入WSNs-移动机器人混合系统的相互辅助定位以及两者的协作定位后,较传统的移动机器人和无线传感器网络节点的定位,在精度上都有一定程度的提高,该改进型算法也能够有效克服非线性和异常误差带来的影响,实现快速收敛,进一步验证了这种定位方法和改进型算法的有效性。因此,阐明了定位应用时将WSNs与移动机器人结合的原因和意义,协作的定位方式也为恶劣环境下动态高效的定位提供了可能。

关键词：无线传感器网络移动机器人混合系统协作定位容积卡尔曼滤波算法

来源：评论

学校读者我要写书评

暂无评论

基于遗传算法的协方差交叉融合算法研究

基于遗传算法的协方差交叉融合算法研究

引用

作者：刘金钢黑龙江大学

学位级别：硕士

多传感器融合估计是状态估计领域重要的组成部分,在航空航天、导航制导、目标识别和智能制造等领域中有着重要应用价值。对于多传感器系统,当子系统间互协方差阵已知时,在线性最小方差意义下可获得最优矩阵加权、对角线加权和标量加权... 详细信息

多传感器融合估计是状态估计领域重要的组成部分,在航空航天、导航制导、目标识别和智能制造等领域中有着重要应用价值。对于多传感器系统,当子系统间互协方差阵已知时,在线性最小方差意义下可获得最优矩阵加权、对角线加权和标量加权等融合。然而在实际应用中,通常会存在互协方差未知的情况,如何有效地解决互协方差未知的融合估计问题成为研究的重点和难点。因此针对互协方差未知的多传感器系统,本文的主要研究工作如下:(1)在批处理协方差交叉(Batch Covariance Intersection,BCI)融合算法的框架下,用正定对角阵代替原有的标量权系数,提出了对角阵权系数CI(DCI)融合算法。该算法较经典CI融合算法结构更加灵活,具有更高的融合精度。并在理论上证明了该算法的无偏性,鲁棒性以及精度关系。(2)提出了基于遗传模拟退火算法和BP神经网络的联合优化方案。通过离线训练BP网络,在线融合估计,避免了融合时的加权系数的优化过程,同时“过滤”掉了局部最优值,所以提高了系统的实时性和融合精度。(3)提出了快速对角阵权系数CI(FDCI)融合算法,并证明了所提出FDCI算法的无偏性及鲁棒精度。该算法无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性,更适用于非线性等复杂的互协方差未知的多传感器系统。针对数据不同步传输的情况,提出了序贯快速对角阵权系数CI融合算法,并推导出了该算法的批处理形式和相关定理。其次,结合CKF算法提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法,该算法可有效解决互协方差信息未知的非线性多传感器系统的融合估计问题。

关键词：协方差交叉(CI)融合算法遗传算法 BP网络容积卡尔曼滤波算法

来源：评论

学校读者我要写书评

暂无评论

不确定噪声条件下车载组合导航滤波算法研究

不确定噪声条件下车载组合导航滤波算法研究

引用

作者：王艳西安工业大学

学位级别：硕士

导航定位技术是无人车辆实现自动驾驶的核心,全球定位导航系统(Global Positioning System,GPS)和惯性导航系统(Inertial Navigation System,INS)组合导航作为常用的定位导航系统,一定程度上能够满足无人车辆在不同工况下的任务需求。... 详细信息

导航定位技术是无人车辆实现自动驾驶的核心,全球定位导航系统(Global Positioning System,GPS)和惯性导航系统(Inertial Navigation System,INS)组合导航作为常用的定位导航系统,一定程度上能够满足无人车辆在不同工况下的任务需求。但在实际应用中,由于外部量测敏感器系统存在不可忽略的误差信息,导致GPS/INS组合导航系统的定位精度下降。为进一步提高导航系统的估计精度,本文针对噪声不确定条件下的导航系统状态估计问题,设计了相应的滤波算法。具体研究内容如下:1)由于GPS/INS导航系统中量测噪声信息未知,一旦噪声先验与真实噪声统计特性不一致,将导致系统滤波精度下降的问题,本文提出一种基于变分贝叶斯容积卡尔曼滤波算法。该算法假设量测噪声服从均值为零,方差为未知参数逆Gamma的高斯分布。该算法将系统状态和噪声参数一起作为待估计的变量,通过因式分解的自由形式分布近似状态和噪声方差的联合后验分布,利用变分贝叶斯理论估计噪声参数,采用容积卡尔曼滤波算法估计状态,以获得系统最优解。2)INS的位置信息在测量过程中易受到外界未知环境的干扰,其量测噪声特性表现为一种区间有界的不确定性。针对GPS/INS导航系统中噪声有界条件下的滤波问题,本文采用集员滤波算法对系统进行状态估计。该算法以包含系统真实状态的外定界椭球集合为基础,采用Minkowski和进行求和运算,结合系统模型求得系统状态的可行解。3)在组合导航系统中,由于元器件的误差漂移、载体机动引起的误差以及外部环境不确定因素的影响,难以采用随机或有界噪声对其进行统一描述。针对GPS/INS导航系统中随机噪声和有界噪声共存情形下的滤波问题,本文提出变分贝叶斯期望最大滤波算法。该算法采用高斯混合模型对双重不确定噪声进行统一表示,并构建了系统状态和噪声模型参数的联合概率密度函数。通过变分贝叶斯期望方法估计系统状态;采用变分贝叶斯最大化方法更新高斯混合参数。为验证本文所提算法的合理性与有效性,与相关滤波算法作对比仿真实验。实验结果表明本文所提算法有效提高了组合导航系统的定位精度。

关键词： GPS/INS组合导航系统变分贝叶斯时变噪声有界噪声混合高斯容积卡尔曼滤波算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：