检索结果-内蒙古大学图书馆

Residual Attention-BiConvLSTM:一种新的全球电离层TEC map预测模型

地球物理学报 2025年第2期68卷 413-430页

作者：王浩然刘海军袁静乐会军李良超陈羿单维锋袁国铭防灾科技学院应急管理学院河北廊坊065201 防灾科技学院信息工程学院河北廊坊065201 中国科学院地质与地球物理研究所地球与行星物理院重点实验室北京100029

电离层总电子含量(TEC)预测对提高全球卫星导航系统(GNSS)的精度具有重要意义.现有的TEC map预测模型主要通过顺序堆叠时空特征提取单元来实现.这种模型搭建方法会因多个卷积层顺序堆叠而损失细粒度的TEC map的空间特征,导致模型精度不... 详细信息

电离层总电子含量(TEC)预测对提高全球卫星导航系统(GNSS)的精度具有重要意义.现有的TEC map预测模型主要通过顺序堆叠时空特征提取单元来实现.这种模型搭建方法会因多个卷积层顺序堆叠而损失细粒度的TEC map的空间特征,导致模型精度不够;还会由于多层堆叠导致梯度消失或梯度爆炸问题.本文借鉴残差注意力(Residual Attention)的思想,在TEC map预测模型中增加了残差注意力模块,提出了Residual Attention-BiConvLSTM模型.该模型中的残差注意力模块能同时提取粗、细粒度空间特征,并对其进行加权.本文在全球TEC map数据上与ConvLSTM、ConvGRU、ED-ConvLSTM和C1PG进行了对比实验.实验结果表明,本文所提出的Residual Attention-BiConvLSTM模型的RMSE、MAE、MAPE和R^(2)在太阳活动高年和年均优于对比模型.本文还在一次磁暴事件中对比了5种模型的预测效果.实验结果表明,大磁暴发生时,本文模型与C1PG相近,优于其他3种对比模型.本文的研究工作为电离层map预测模型搭建提供一个新思路.

关键词：电离层TEC map预测残差注意力模块 Residual Attention-BiConvLSTM 时空预测模型

来源：评论

学校读者我要写书评

暂无评论

基于残差注意力网络的地震数据超分辨率方法

引用

计算机科学 2021年第8期48卷 24-31页

作者：周文辉石敏朱登明周军中国科学院计算技术研究所北京100190 中国科学院大学北京101408 华北电力大学控制与计算机工程学院北京102206 中国石油集团测井有限公司技术中心西安710065

地震数据在油气勘探、地质勘探领域发挥着至关重要的作用。精确详细的地震数据有助于对油气勘探做出精确指导,减小勘探的风险,从而产生巨大的社会效益和经济效益。在提升地震数据分辨率方面,现有的方法在面对海量数据时,在高分辨恢复、... 详细信息

地震数据在油气勘探、地质勘探领域发挥着至关重要的作用。精确详细的地震数据有助于对油气勘探做出精确指导,减小勘探的风险,从而产生巨大的社会效益和经济效益。在提升地震数据分辨率方面,现有的方法在面对海量数据时,在高分辨恢复、去噪性能和效率上效果欠佳,难以恢复出细节丰富的地质信息,无法满足实际需求。地震数据能够反映地质构造以及地层的组成,具有局部相关性高、全局相关性低的特点。同时,地震数据高频部分通常蕴含着地质勘探等重要信息,如分层、断层信息等。针对地震数据的特点,文中将地震数据重建问题转化为图像超分辨率问题,提出了采用基于生成对抗网络的地震数据超分辨方法。针对地震数据分布具有局部相关性高、全局相关性低的特点,设计残差注意力模块,挖掘地震数据的内在相关性,通过训练含有相对生成对抗损失函数的生成对抗网络模型,来对地震数据进行超分辨率恢复,以得到更加精确的地震数据。在真实的地震数据集上进行了实验验证,结果表明,所提方法在地震数据超分辨上效果良好,在性能指标PSNR和SSIM上有3%~4%的提升,具有较强的实用性。

关键词：地震数据残差注意力模块生成对抗网络相对生成对抗损失超分辨率

来源：评论

学校读者我要写书评

暂无评论

基于感知损失的特征融合残差注意力网络的稀疏角度CT图像伪影去除

基于感知损失的特征融合残差注意力网络的稀疏角度CT图像伪影去除

引用

作者：喻丹南京邮电大学

学位级别：硕士

随着CT影像技术在现代医学诊断和治疗过程中的应用越来越广泛,CT检查中潜在的辐射风险也引起了人们的广泛关注,过量的辐射容易诱发白血病以及癌症等疾病,因此,降低CT扫描过程中的辐射剂量刻不容缓。使用间隔一定角度扫描的稀疏采样方法... 详细信息

随着CT影像技术在现代医学诊断和治疗过程中的应用越来越广泛,CT检查中潜在的辐射风险也引起了人们的广泛关注,过量的辐射容易诱发白血病以及癌症等疾病,因此,降低CT扫描过程中的辐射剂量刻不容缓。使用间隔一定角度扫描的稀疏采样方法可以获得辐射剂量低的稀疏角度CT图像,但是获得的稀疏角度CT图像中存在伪影,降低了图像的质量,影响医生的诊断。本文以去除稀疏角度CT图像中的伪影和增强CT图像细节为目标,构建了两个网络模型来实现去除稀疏角度CT图像的伪影任务。论文的主要研究工作如下:（1）研究了基于卷积神经网络的稀疏角度CT图像伪影去除。通过对几种不同结构的神经网络进行研究,对比这几种网络在稀疏角度CT图像伪影去除方面的性能。实验结果表明,特征融合残差网络（Feature Fusion Residual Network,FFRN）在稀疏角度CT图像的伪影去除方面表现出了较好的性能,在参数量和伪影去除质量方面都有不错的效果,所以确定了进行改进的基准网络为FFRN。（2）为了提升伪影去除效果,设计了一种新的残差注意力模块,将该残差注意力模块融入到FFRN中,提出了特征融合的残差注意力网络。将经过残差跳过密集块的输出特征图作为残差注意力模块的输入,通过一系列计算得到权重分配矩阵。针对CT图像特征的通道,为其分配较大的权重。针对伪影特征信息的通道,分配较小的权重来降低对其关注程度,从而到达伪影去除的目的。实验结果表明,特征融合的残差注意力网络对稀疏角度CT图像的伪影去除效果优于基准FFRN网络,PSNR数值相比于FFRN网络提升了约1.12%,SSIM数值相比于FFRN网络提升了约0.580%。（3）进一步为了增强CT图像细节,在网络训练的损失函数中引入感知损失,提出了基于感知损失的特征融合残差网络。使用VGG19网络获得预测图像和真实图像的特征值,将预测图像与真实图像的特征值作为感知损失的输入进行损失值计算。实验结果表明,基于感知损失的特征融合残差注意力网络对稀疏角度CT图像的伪影去除效果优于基准FFRN网络,PSNR数值相比于FFRN网络提升了约2.43%,SSIM数值相比于FFRN网络提升了约0.856%。

关键词：稀疏角度CT图像伪影去除 FFRN 感知损失残差注意力模块

来源：评论

学校读者我要写书评

暂无评论

融合多分辨率表征的实时烟雾分割算法

引用

浙江大学学报（工学版） 2021年第12期55卷 2334-2341页

作者：王浩远梁煜张为天津大学微电子学院天津300072

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法.该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求.提出烟雾前景增强模块,使得烟雾... 详细信息

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法.该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求.提出烟雾前景增强模块,使得烟雾像素点融合前景增强表征、避免背景信息干扰,分割准确率得以提高.提出残差注意力模块,从通道、空间维度增强重要特征信息,抑制无效信息.该算法在自建数据集上平均交并比为91.27%,每张图片预测时间为39.06 ms,网络权重为74.66 MB;在公开数据集上的对比结果表明,该算法综合检测性能优于其他烟雾检测算法.该算法分割准确率高、检测速度快且模型轻量化,可以应用于实际视频监控系统.

关键词：计算机视觉烟雾分割多分辨率模块烟雾前景增强模块残差注意力模块

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的树种识别方法研究

基于生成对抗网络的树种识别方法研究

引用

作者：苏彤黑龙江八一农垦大学

学位级别：硕士

树种识别是森林资源管理和林业生产建设中的一项重要工作,在我国,森林资源短缺问题日益严重,树木种类的准确识别是保护森林资源、研究树种多样性的基础,对加强生态文明建设具有重要意义。由于树木叶片具有采集方便、保存时间长等优点,... 详细信息

树种识别是森林资源管理和林业生产建设中的一项重要工作,在我国,森林资源短缺问题日益严重,树木种类的准确识别是保护森林资源、研究树种多样性的基础,对加强生态文明建设具有重要意义。由于树木叶片具有采集方便、保存时间长等优点,已成为树种识别分类的重要研究对象。但在真实试验环境下,由于样本数量有限,采用深度学习方法对小样本进行分类和识别时,往往无法达到预期效果。在此基础上,本文提出采用生成对抗网络对样本进行扩充,并将扩充后的数据集与残差注意力网络结合应用于树种类别的精准识别。本文以山杨、梣叶槭、家榆、刺槐、丁香、杜仲、火炬树、山荆子、柳树、红端木10种树木叶片图像为研究对象。首先,对采集到的图像进行尺寸归一化、双边滤波降噪和直方图均衡化,以降低光照强度、拍摄角度等客观因素对识别结果的影响。然后,使用生成对抗网络扩充数据集。以深度卷积生成对抗网络(DCGAN)模型为基础,建立残差条件深度卷积生成对抗网络(RC-DCGAN),将类别标签输入至生成器中,以控制样本生成过程;同时,将残差结构嵌入至生成器中,以提高生成图像质量,最终使用RC-DCGAN模型扩充数据集。最后,对树种进行分类识别。一方面,使用VGG-16和Dense Net121预训练模型在叶片图像数据集上进行迁移训练;另一方面,将RC-DCGAN的判别网络提取出来用于叶片图像识别,为探究模型深度对识别效果的影响,在其基础上进行改进,使用残差注意力结构提取图像特征,以加强对重要特征信息的学习以及层与层之间的特征传递,建立残差注意力网络(RSENet)模型。实验结果表明:RC-DCGAN模型生成的叶片图像无论是在图像清晰度,还是图像多样性方面都要优于DCGAN模型生成的图像,FID和IS值分别为44.68、2.38;VGG-16和Dense Net121预训练模型在测试集上的识别准确率分别为96.20%、93.20%;RC＿DCGAN判别网络在测试集上的识别准确率为88.40%;RSENet模型在测试集上的识别准确率为97.20%;在相同数据集上,Alex Net模型、VGG-19模型、Res Net18模型、Res Net50模型所获得的识别准确率分别为88.72%、90.50%、93.25%、95.46%,均低于本文模型的识别准确率。联合生成对抗网络和残差注意力的方法对本文10种树种的识别准确率最高,克服了使用传统图像处理扩增方法使模型泛化能力下降的问题,说明利用生成对抗网络对图像扩增的方法具有可行性和有效性,同时将卷积层替换为残差注意力结构,能保证增加模型深度的同时,减少参数量和内存消耗、提高识别准确率、加快收敛速度,对今后的相关工作有一定参考价值。

关键词：树种识别生成对抗网络残差注意力模块迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于特征增强的深度残差超分辨率重建网络研究

基于特征增强的深度残差超分辨率重建网络研究

引用

作者：赖厚增江西财经大学

学位级别：硕士

图像超分辨率(Super Resolution,SR)技术是计算机视觉领域中的一项重要任务,其目的是将低分辨率(Low Resolution,LR)图像转化为高分辨率(High Resolution,HR)图像,以获得更加细致和清晰的视觉效果。这一技术已经引起了研究界的广泛关注... 详细信息

图像超分辨率(Super Resolution,SR)技术是计算机视觉领域中的一项重要任务,其目的是将低分辨率(Low Resolution,LR)图像转化为高分辨率(High Resolution,HR)图像,以获得更加细致和清晰的视觉效果。这一技术已经引起了研究界的广泛关注,因为它可以为图像处理和计算机图形学等领域提供有力的支持。图像分辨率的提升对于显示器、电视机、手机等许多设备都是至关重要的,因此,SR技术在诸多领域都拥有广阔应用前景,如直播、视频监控、视频编解码、遥感卫星图像、医学影像和视频复原等领域。近年来,随着深度学习技术的兴起,图像SR领域也取得了巨大的成功。目前,大部分基于深度学习的方法虽然可以通过增加模型的复杂度来提高图像SR重建网络的性能,但复杂的结构提取的特征存在大量冗余,而不同深度特征也没有被有效利用,这致使在阶段性的特征学习过程中存在一些特征的丢失,导致重建图像出现细节缺失、伪影或纹理扭曲现象。针对这些问题,本文的研究重点是基于特征增强的深度残差SR重建网络,并提出两种新的图像SR重建网络,主要研究工作如下:(1)提出一种自适应特征增强的循环残差网络。根据图像渐进式学习细节特征原理,通过构造一种自适应特征融合模块,能够有效地整合图像的浅层和深层特征,并对该模块采用循环机制来实现图像特征的精细化。自适应特征融合模块主要包含三个网络分支:细节注意分支、细节探索分支、权重分配分支。其中,细节注意分支被构建用于浅层特征的提取和增强,细节探索分支探索学习更深层的特征,权重分配分支学习两分支在通道上的相关性关系,自适应地为细节注意分支和细节探索分支分配权重,减少特征的冗余,以更好地整合图像不同深度的特征。在多个数据集上大量实验结果表明了本文方法得到的结果更接近真实的HR图像,获得了更优的性能指标。(2)提出一种两阶段特征增强的深度残差网络。根据两阶段学习策略逐步改进特征的表示和增强,第一阶段初始特征重建模块被用于重建粗糙的HR图像,第二阶段重建具有丰富细节特征的HR图像,最后将两个阶段重建图像融合得到最终的重建HR图像。第一阶段,一种注意力增强块被构建来增强初始特征,并通过多个卷积和反卷积层学习更多细节特征。第二阶段,在第一阶段提取的特征和重建结果的基础上,为了进一步提取更精细的特征,级联多个由空间特征增强块和一个注意力交互块构成的残差注意力模块,来学习在特征图通道和空间多个方向上的相关性,重构出精细细节。大量实验结果表明本文方法在主观和客观两方面都有优异性能表现,在参数和指标上都优于一些最新的图像SR方法。

关键词：图像超分辨率自适应特征增强循环残差网络自适应权重分配两阶段特征增强深度残差网络残差注意力模块

来源：评论

学校读者我要写书评

暂无评论

局部遮挡条件下的人脸检测与修复

局部遮挡条件下的人脸检测与修复

引用

作者：周桐桐辽宁工程技术大学

学位级别：硕士

为了在各种智慧城市场景下对局部包含遮挡的人脸图像进行快速、准确的身份匹配与认证,需要对遮挡的人脸图像进行检测与修复,利用深度学习的方法对遮挡人脸图像进行检测与修复是图像处理领域的热点。本文的主要工作内容如下:(1)将多任务... 详细信息

为了在各种智慧城市场景下对局部包含遮挡的人脸图像进行快速、准确的身份匹配与认证,需要对遮挡的人脸图像进行检测与修复,利用深度学习的方法对遮挡人脸图像进行检测与修复是图像处理领域的热点。本文的主要工作内容如下: (1)将多任务卷积神经网络(Multi-task Convolutional Neural Networks,MTCNN)进行改进,来解决局部遮挡条件下的人脸检测出现误检或漏检的问题,该算法主要做了三部分的改进,首先在MTCNN模型网络中引入加快模型检测速度的深度可分离卷积,然后在模型的R-Net网络中引入与Involution卷积结合的、改进的残差注意力模块,通过该模块提高人脸检测的准确性,最后,使用一种加权后处理算法Confluence对O-Net网络生成的人脸检测框进行筛选,提高人脸检测框的准确性,并在全连接层处引入Dropout层,防止过拟合。在自制数据上与其他算法进行对比实验,通过实验证明,该方法的精确率达到了98.4%,召回率达到了79.9%,检测时间较短,优于其他算法,改进的MTCNN在不同遮挡场景下进行人脸检测的适用性与鲁棒性。 (2)本文首先使用GFP-GAN(Generative Facial Prior-Generative Adversial Network)人脸修复方法对遮挡人脸图像进行修复,再使用改进的MTCNN进行人脸检测。经过实验证明,在使用GFP-GAN方法修复人脸图像后,人脸特征更加清晰,提高了改进的MTCNN对遮挡人脸检测的检测率,与未使用GFP-GAN方法进行人脸修复、直接使用改进的MTCNN进行人脸检测相比,该方法的精确率和召回率分别达到了98.7%和86.3%。 (3)本文将上一步检测到的遮挡人脸提取出来,使用基于分层VQ-VAE(Vector Quantised Variational-Auto Encoder)的人脸修复算法对提取的人脸进行修复。该方法可以使遮挡人脸面部特征更加明确,有利于智慧城市下更加准确的识别出人脸身份。通过在自制数据集上对戴口罩的人脸进行实验,证明了该方法对于未完全模糊的戴口罩人脸具有较好的效果,会使人脸更加清晰,有助于智慧城市下戴口罩人脸身份的识别与验证。该论文有图42幅,表9个,参考文献84篇。

关键词：残差注意力模块多任务卷积神经网络 Involution卷积遮挡人脸人脸图像修复

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的人脸红外与可见光图像融合算法研究

基于深度学习的人脸红外与可见光图像融合算法研究

引用

作者：刘锃亮中国科学院大学(中国科学院长春光学精密机械与物理研究所)

学位级别：硕士

目前在人脸识别、人机交互、活体检测等领域,大多都是基于人脸可见光图的处理。而人脸可见光图像容易受到光照强度的影响,当外部光照条件不好时图像的特征信息丢失较多。人脸红外图像利用其热辐射特性可避免这种不利影响,但是单一的人... 详细信息

目前在人脸识别、人机交互、活体检测等领域,大多都是基于人脸可见光图的处理。而人脸可见光图像容易受到光照强度的影响,当外部光照条件不好时图像的特征信息丢失较多。人脸红外图像利用其热辐射特性可避免这种不利影响,但是单一的人脸红外图像的图像细节信息不够全面。将这两种图像进行融合可以弥补各自的缺陷,因此本课题主要展开针对人脸红外与可见光图像融合算法的研究。本研究进行融合实验所使用的人脸图像来自于中科大USTC-NVIE数据库。不同于一般的图像融合,人脸红外图像与人脸可见光图像是由不同的设备采集获得,在图像的尺寸、角度、位置等方面存在差异,同时原数据库中的人脸图像包含无用的背景信息较多。为了排除这些干扰因素保证人脸融合图像的质量,需要在人脸图像融合前进行预处理操作,对源人脸图像进行校准生成待融合的“标准人脸图像”。在预处理过程中需要对图像中的人眼进行检测,以此来确定人眼坐标位置,便于后续对人脸图像进行归一化操作。针对人眼检测,在一阶段目标检测模型YOLOv5的基础之上,提出了专门用于人眼小目标检测的EyeYOLO模型,经过检验Eye-YOLO对人眼有着高精确度的检测效果。实验总结了目前用于红外与可见光图像融合的传统算法和深度学习算法,在生成对抗网络算法的基础上对有现有算法进行了改进,提出了适用于人脸红外与可见光图像融合的残差注意力生成对抗网络(RAFGAN)算法。RAFGAN算法使用多尺度卷积(PSConv)替换传统的卷积以从更细粒度的角度进行卷积运算,将残差注意力模块(Res ECA-Net)引入生成器网络结构中以提高网络对人脸图像特征信息的提取与保存能力,在生成器损失函数设计中加入结构损失、感知损失、红外梯度损失、可见光强度损失等函数,从多个角度对原生成对抗网络进行优化。之后通过消融实验,验证了RAFGAN算法改进的有效性。最后,为了验证算法的人脸图像融合效果,将RAFGAN算法与其它几种常用的图像融合算法进行对比,采用主观评价和客观评价相结合的方式,通过多个客观指标对人脸融合图像的质量进行评定。从分析结果中可以得出,RAFGAN算法在各项指标的客观量化中取得了较好的成绩,证明了RAFGAN算法是一种高效的人脸红外与可见光图像融合算法。

关键词：人脸红外与可见图像融合人脸图像预处理人眼检测多尺度卷积生成对抗网络残差注意力模块客观综合评价

来源：评论

学校读者我要写书评

暂无评论

基于双分支网络的人脸图像超分辨率研究

基于双分支网络的人脸图像超分辨率研究

引用

作者：詹俊杰华中科技大学

学位级别：硕士

人脸图像作为人脸特征的一个重要载体,其分辨率反应了人脸细节的丰富程度。分辨率越高人脸的轮廓越清晰,特征也越明显,有利于对个体的识别,因此高分辨率的人脸图像在安防等领域有着重要的应用。但在实际场景中,由于成像设备的限制、环... 详细信息

人脸图像作为人脸特征的一个重要载体,其分辨率反应了人脸细节的丰富程度。分辨率越高人脸的轮廓越清晰,特征也越明显,有利于对个体的识别,因此高分辨率的人脸图像在安防等领域有着重要的应用。但在实际场景中,由于成像设备的限制、环境的干扰、数据传输的损耗等原因,获得的人脸图像往往质量较差。现有的人脸超分辨率方法对于模拟数据有较好的效果,但对于实际图像其效果并不理想,因此研究人脸图像的超分辨率技术,具有重要的实际价值和理论意义。本文针对单帧人脸图像,面向实际的应用场景,从有效特征的提取和网络的构建两个方面,对基于深度学习的超分辨率重建方法进行了研究。首先,为了网络能更好的提取特征,本文设计了一个新的残差注意力模块,模块通过对输入特征通道信息的分析,实现对残差特征提取的引导。同时,为了约束重建后人脸图像的结构,本文在重建网络的训练中引入了人脸特征损失。基于提出的残差注意力模块和人脸的特征损失,本文设计了一个端到端的人脸图像超分辨率网络。其次,针对现有算法在已知退化方式的数据上表现良好,而对实际场中人脸图像重建效果较差的问题,本文结合设计的端到端的超分辨率网络,提出了一种双分支的人脸图像超分辨率网络结构。该结构通过构建一个退化的网络,来模拟实际场景中人脸图像的分布,然后,将模拟后的图像输入网络的两个分支,用以完成对模拟图像结构的约束和高频信息的恢复。最后为了验证本文提出的算法的有效性,我们在开源的数据集进行了测试。实验结果表明,本文提出的双分支网络可以重建出人脸更多的细节,同时保证了重建的人脸图像的真实性。

关键词：人脸图像超分辨率残差注意力模块人脸特征损失双分支

来源：评论

学校读者我要写书评

暂无评论

一种浅层非对称结构的视网膜血管分割网络

引用

计算机测量与控制 2023年第10期31卷 194-199页

作者：王耀顾德江南大学物联网工程学院江苏无锡214122

针对传统视网膜血管分割网络随着网络深度加深导致微小特征信息丢失,网络分割灵敏度低的问题,提出了一种有别于传统对称编码-解码模块的非对称视网膜血管分割结构;网络权重参数量为7.2 MB,以残差注意力模块和多尺度空洞卷积模块作为基... 详细信息

针对传统视网膜血管分割网络随着网络深度加深导致微小特征信息丢失,网络分割灵敏度低的问题,提出了一种有别于传统对称编码-解码模块的非对称视网膜血管分割结构;网络权重参数量为7.2 MB,以残差注意力模块和多尺度空洞卷积模块作为基础特征提取模块,特征图的最大通道层数只有64层,特征图尺寸减半和反卷积操作都只有两次,能够减少特征图尺寸变化带来的信息丢失现象;文章所提方法在DRIVE和CHASE-DB1数据集上进行测试的准确性分别为96.85%和97.39%,灵敏度分别为84.03%和86.50%,特异性分别为98.08%和98.12%,AUC分别为98.63%和98.99%。

关键词：视网膜血管分割非对称结构残差注意力模块多尺度空洞卷积

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：