检索结果-内蒙古大学图书馆

作者：邹识宇电子科技大学

学位级别：硕士

随着雷达摄像头的普及,点云神经网络在实际生活应用中发挥着重要作用。然而,这些应用对实时性的要求极高,系统延迟可能造成严重后果。但现实场景中的点云数据量通常规模庞大,这使点云神经网络运行非常缓慢。进一步通过实验发现点云神经... 详细信息

随着雷达摄像头的普及,点云神经网络在实际生活应用中发挥着重要作用。然而,这些应用对实时性的要求极高,系统延迟可能造成严重后果。但现实场景中的点云数据量通常规模庞大,这使点云神经网络运行非常缓慢。进一步通过实验发现点云神经网络运行瓶颈来源于预处理阶段(采样和邻域搜索)。因此,本文设计了一种新的数据结构(快速空间搜索树)以优化这个瓶颈,并针对大规模点云神经网络以及传感器融合神经网络设计了相应的加速算法,以加快点云神经网络的推断速度。 (1)针对点云神经网络的运行瓶颈,本文设计了一种基于快速空间搜索树的点云空间编码方法。首先,通过分析,发现点云预处理阶段存在大量的空间距离计算。对于大规模点云,其空间搜索范围极大,导致计算速度缓慢。基于这一观察,本文提出了空间编码的概念,将点云的空间操作限制在局部区域。为了实现这一目标,本文设计了一种全新的数据结构(快速空间搜索树),利用核密度估计将点云数据在空间上进行划分。这种编码方式可以将点云预处理限制在局部范围内进行,极大地降低了计算开销。最后,本文在KITTI、Model Net40、S3DIS数据集上进行了实验,验证了快速空间搜索树空间编码方法的有效性。 (2)基于快速空间搜索树,本文提出了一种大规模点云神经网络的加速方法。首先,本文设计了点稀疏感知的采样算法,既能加速点云采样过程,又能避免点云不均匀分布带来的不公平采样。其次,本文设计了叶子级的最近k邻域搜索算法,通过空间编码方法将邻域搜索范围限制在快速空间搜索树的不同层级子树中,从而提高了效率。此外,本文还设计了快速空间搜索树的自裁剪算法,以适应神经网络分层特性,同时减少了建树和存储开销。最后,通过在Model Net40进行分类任务以及S3DIS进行语义分割任务验证了加速方法的有效性和加速性能。 (3)基于前期研究,本文进一步提出了一种传感器融合神经网络的加速方法。由于卷积神经网络在图像处理方面非常成熟且速度较快,本文利用图像的语义特征来加速点云神经网络的运行。具体而言,本文将图像的语义特征引入到快速空间搜索树的建树过程中,并将近似邻域搜索的操作放在图像上进行。不仅实现了神经网络多数据来源的融合,还优化了建树和近似邻域搜索的效率。最后,通过实验证明了融合多种数据源的快速空间搜索树能够有效加速传感器融合神经网络。

关键词：点云神经网络传感器融合网络神经网络加速采样邻域搜索

来源：评论

学校读者我要写书评

暂无评论

面向嵌入式智能系统的神经网络加速方法研究与实现

面向嵌入式智能系统的神经网络加速方法研究与实现

引用

作者：周星志电子科技大学

学位级别：硕士

随着半导体和计算机技术的不断发展,以深度神经网络为代表的人工智能技术在各个领域得到了广泛应用。伴随着硬件的发展,嵌入式设备上的存储与计算资源大幅提升,使得在嵌入式系统上部署深度神经网络成为可能,同时越来越多的嵌入式系统对... 详细信息

随着半导体和计算机技术的不断发展,以深度神经网络为代表的人工智能技术在各个领域得到了广泛应用。伴随着硬件的发展,嵌入式设备上的存储与计算资源大幅提升,使得在嵌入式系统上部署深度神经网络成为可能,同时越来越多的嵌入式系统对部署深度神经网络的需求迫切,例如自动驾驶、手机等。但深度神经网络有着复杂的网络结构、巨大的参数量以及大量计算,为其在嵌入式智能系统的部署和运行提出挑战。为了实现深度神经网络在嵌入式系统的高效部署,本文重点研究了面向嵌入式智能系统的神经网络加速方法。首先,从神经网络数值精度的角度,提出了一种基于数值量化的神经网络加速方法。通过对神经网络权重空间表示的分析,设计了基于空间逼近的量化方法,即将神经网络32位浮点表示的权重量化为定点数表示。将神经网络的权重量化到2比特,激活量化到8比特,并且通过权重空间逼近和重训练微调来减少量化对神经网络精度的损失。在多个数据集和多个神经网络模型上进行了大量的实验,从量化的收敛性、模型精度等多方面对基于空间逼近的量化方法进行了评估。然后,从神经网络专用硬件加速器的角度,提出了一种匹配前序研究的数值量化方法的神经网络FPGA加速器。根据神经网络在运算时的数据传输方式,优化设计了存储系统,以保证高效的数据传输。详细设计了全连接层、池化层和卷积层的运算的数据流,有效降低定点数乘法对于FPGA的资源消耗。通过大量实验,从内存占用、资源消耗和峰值性能等方面评估神经网络FPGA加速器的性能,实验数据表明本文方法能够有效加速神经网络性能。最后,面向特定神经网络应用,提出了一种针对自动驾驶车道线检测的神经网络加速方法,实现了基于微分的快速车道线检测。对车道线检测问题进行建模分析,推导了车道线微分方法,利用连续线段对车道线进行曲线微分。通过卷积神经网络提取输入特征,对车道线的微分进行预测,通过嵌入向量对车道线微分进行分组。在公开数据集上,从车道线检测的准确率、神经网络的推理速度等多方面进行了大量实验,实验数据表明本文方法能够有效提升车道线检测神经网络模型的加速性能,实现了快速车道线检测。本文面向嵌入式智能系统的神经网络加法方法的研究与实现,从数值精度、硬件加速器和特定应用三个角度提供了一套深度神经网络的软硬件协同加速方案,实现了深度神经网络在嵌入式智能系统的部署与加速。

关键词：嵌入式系统量化神经网络 FPGA加速器神经网络加速

来源：评论

学校读者我要写书评

暂无评论

基于稀疏预测层的深度神经网络加速方法

基于稀疏预测层的深度神经网络加速方法

引用

作者：姚中天浙江大学

学位级别：硕士

随着GPU等高性能硬件和大容量存储器的发展,过去几十年来积累的理论成果被成功释放了出来,算力的提升意味着运行规模庞大的模型成为了可能,而存储技术的发展则让基于海量数据训练模型更加容易,以深度学习为代表的人工智能开始飞速发展... 详细信息

随着GPU等高性能硬件和大容量存储器的发展,过去几十年来积累的理论成果被成功释放了出来,算力的提升意味着运行规模庞大的模型成为了可能,而存储技术的发展则让基于海量数据训练模型更加容易,以深度学习为代表的人工智能开始飞速发展。如今深度学习已经开始在很多产业领域落地,智慧城市、智慧零售、智慧医疗等将彻底改变了人们生产生活的方式。为了提升模型的性能,基于卷积神经网络的深度神经网络变得越来越深、越来越大,随之而来的是更大的参数量和更多的运算量。将计算放在云端固然可以一定程度上解决运算量过大的问题,然而在一些对时延比较敏感的场景中,计算需要放在终端完成,而计算资源有限的终端设备难以承担深度神经网络极大的计算开销。为了加速现有的深度神经网络,减少设备的计算开销,本文从以下四个方面开展了研究工作:1)同时考虑神经网络的每层权重和输出中的冗余,提出了假设:裁剪后的稀疏权重仍然保留卷积层输出中某些重要元素的位置信息,如果假设成立,输出中的冗余计算可以被跳过;2)基于这个假设,提出了稀疏预测层,这种方法通过跳过一些不重要的元素的精确计算来减少深度神经网络推理时的运算量,这些不重要的元素包括最大池化核中的非最大值和Re LU层前的非正值,它们的索引则是由稀疏权重预测得到的,这个方法可以避免冗长的重训练过程;3)提出了基于贪心策略的参数搜索方法,按照特定层顺序在网络中逐层搜索合格的稀疏度,完成网络模型加速程度和准确率之间的权衡;4)对于非结构化稀疏的输出,提出了基于稀疏结果矩阵乘法的稀疏结果卷积运算,展示了一种针对非结构化稀疏的输出的工程优化思路。在数据集ILSVRC-2012上进行的实验表明,稀疏预测层可以分别在AlexNet、VGG-16和ResNet-50上减少68.3%、58.6%和59.5%的浮点运算量,而精度损失小于1%且无需重训练。此外,稀疏预测层还可以在已经剪枝过的模型上起作用,一些被传统剪枝方法裁剪过的网络模型可以通过我们的方法进一步减少一半以上的浮点运算量。在稀疏结果矩阵的实验中,实验结果验证了这种工程优化思路的可行性。

关键词：深度学习神经网络加速网络剪枝高性能计算

来源：评论

学校读者我要写书评

暂无评论

基于张量分解的卷积神经网络加速算法研究

基于张量分解的卷积神经网络加速算法研究

引用

作者：宋德春浙江大学

学位级别：硕士

卷积神经网络作为人工智能领域中一种重要方法,在计算机视觉、自然语言处理等领域表现出相对于传统算法极大的性能优势,被广泛应用在各种生活场景中。不过随着卷积神经网络性能的提升,网络中的计算量和参数量也日益增大,这限制了其在手... 详细信息

卷积神经网络作为人工智能领域中一种重要方法,在计算机视觉、自然语言处理等领域表现出相对于传统算法极大的性能优势,被广泛应用在各种生活场景中。不过随着卷积神经网络性能的提升,网络中的计算量和参数量也日益增大,这限制了其在手机、物联网终端设备等计算和存储能力有限硬件中的应用。针对该情况,本文对神经网络压缩和加速算法进行研究,提出一种基于张量分解的卷积神经网络加速算法。另外当利用张量分解对多个卷积层进行加速时,为合理地确定各卷积层的加速比例,本文提出两种Tucker秩选取方法。本文的主要研究内容和贡献包括:1.本文提出一种基于Tucker与CP（CANDECOM/PARAFAC）联合分解的卷积神经网络加速方法,Tucker-CP分解法。该方法首先利用Tucker方法将卷积核分解为核张量和因子矩阵,之后利用CP方法将核张量分解为多个秩为1的张量。实验表明,当利用Tucker-CP分解法对VGG加速8倍时,加速网络的分类正确率相比于原网络下降了2.065%。与单独使用Tucker分解法和单独使用CP分解法相比,分类正确率下降值分别减少了26.36%和50.62%。2.本文提出一种Tucker秩选取方法,由于该方法对变分贝叶斯矩阵分解（Variational Bayesian Matrix Factorization,VBMF）求得的Tucker秩进行了调整,故称为VBMF-V（VBMF Variant）方法。该方法考虑到不同卷积核在稀疏性和对网络性能影响程度方面的差异,首先利用VBMF求得体现各卷积核稀疏性的Tucker秩,之后利用该秩对卷积核进行分解,计算卷积核分解后单位计算减少量引起的分类正确率下降值,最后根据该值对VBMF求得的Tucker秩进行调整。实验表明,以VBMF-V方法选取的秩对Alex Net中各卷积核做Tucker分解,当Alex Net加速4倍时,加速网络的分类正确率相比于原网络下降了3.63%。与以相同比例加速各卷层相比,分类正确率下降值减少了13%。3.本文提出基于分类正确率下降值关于奇异值比值的拟合函数（Fitting Accuracy drop with Singular value proportion,FAS）选取Tucker秩的方法。考虑到随着Tucker秩的改变,单位计算减少量引起的分类正确率下降值也是变化的,该方法采用迭代算法,在迭代中利用FAS拟合函数,计算Tucker秩每减1时单位计算减少量引起的分类正确率下降值,并根据该值选择需要调整的Tucker秩。实验表明,以FAS方法选取的秩对Alex Net中各卷积核做Tucker分解,当Alex Net加速4倍时,加速网络的分类正确率相比于原网络下降了3.13%。与以相同比例加速各卷层相比,分类正确率下降值减少了25%。

关键词：卷积神经网络张量分解 Tucker秩变分贝叶斯矩阵分解神经网络加速

来源：评论

学校读者我要写书评

暂无评论

自动化张量分解加速卷积神经网络

引用

软件学报 2021年第11期32卷 3468-3481页

作者：宋冰冰张浩吴子锋刘俊晖梁宇周维云南大学信息学院云南昆明650504 云南大学软件学院云南昆明650504 云南大学跨境网络空间安全工程研究中心云南昆明650504

近年来,卷积神经网络(CNN)展现了强大的性能,被广泛应用到了众多领域.由于CNN参数数量庞大,且存储和计算能力需求高,其难以部署在资源受限设备上.因此,对CNN的压缩和加速成为一个迫切需要解决的问题.随着自动化机器学习(AutoML)的研究... 详细信息

近年来,卷积神经网络(CNN)展现了强大的性能,被广泛应用到了众多领域.由于CNN参数数量庞大,且存储和计算能力需求高,其难以部署在资源受限设备上.因此,对CNN的压缩和加速成为一个迫切需要解决的问题.随着自动化机器学习(AutoML)的研究与发展,AutoML对神经网络发展产生了深远的影响.受此启发,提出了基于参数估计和基于遗传算法的两种自动化加速卷积神经网络算法.该算法能够在给定精度损失范围内自动计算出最优的CNN加速模型,有效地解决了张量分解中,人工选择秩带来的误差问题,能够有效地提升CNN的压缩和加速效果.通过在MNIST和CIFAR-10数据集上的严格测试,与原网络相比,在MNIST数据集上准确率稍微下降了0.35%,模型的运行时间获得了4.1倍的大幅提升;在CIFAR-10数据集上,准确率稍微下降了5.13%,模型的运行时间获得了0.8倍的大幅提升.

关键词：张量分解卷积神经网络自动化机器学习神经网络压缩神经网络加速

来源：评论

学校读者我要写书评

暂无评论

面向YOLO神经网络的数据流架构优化研究

引用

计算机学报 2025年第1期48卷 82-99页

作者：穆宇栋李文明范志华吴萌吴海彬安学军叶笑春范东睿处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100049

YOLO目标检测算法具有速度快、精度高、结构简单、性能稳定等优点,因此在多种对实时性要求较高的场景中得到广泛应用。传统的控制流架构在执行YOLO神经网络时面临计算部件利用率低、功耗高、能效较低等挑战。相较而言,数据流架构的执行... 详细信息

YOLO目标检测算法具有速度快、精度高、结构简单、性能稳定等优点,因此在多种对实时性要求较高的场景中得到广泛应用。传统的控制流架构在执行YOLO神经网络时面临计算部件利用率低、功耗高、能效较低等挑战。相较而言,数据流架构的执行模式与神经网络算法匹配度高,更能充分挖掘其中的数据并行性。然而,在数据流架构上部署YOLO神经网络时面临三个问题:(1)数据流架构的数据流图映射并不能结合YOLO神经网络中卷积层卷积核较小的特点,造成卷积运算数据复用率过低的问题,并进一步降低计算部件利用率;(2)数据流架构在算子调度时无法利用算子间结构高度耦合的特点,导致大量数据重复读取;(3)数据流架构上的数据存取与执行高度耦合、串序执行,导致数据存取延迟过高。为解决这些问题,本文设计了面向YOLO神经网络的数据流加速器DFU-Y。首先,结合卷积嵌套循环的执行模式,本文分析了小卷积核卷积运算的数据复用特征,并提出了更有利于执行单元内部数据复用的数据流图映射算法,从而整体提升卷积运行效率;然后,为充分利用结构耦合的算子间的数据复用,DFU-Y提出数据流图层次上的算子融合调度机制以减少数据存取次数、提升神经网络运行效率;最后,DFU-Y通过双缓存解耦合数据存取与执行,从而并行执行数据存取与运算,掩盖了程序间的数据传输延迟,提高了计算部件利用率。实验表明,相较数据流架构(DFU)和GPU(NVIDIA Xavier NX),DFU-Y分别获得2.527倍、1.334倍的性能提升和2.658倍、3.464倍的能效提升;同时,相较YOLO专用加速器(Arria-YOLO),DFU-Y在保持较好通用性的同时,达到了其性能的72.97%、能效的87.41%。

关键词： YOLO算法数据流架构数据流图优化卷积神经网络神经网络加速

来源：评论

学校读者我要写书评

暂无评论

基于递归神经网络的光伏发电量预测及FPGA加速

基于递归神经网络的光伏发电量预测及FPGA加速

引用

作者：曹骏飞南昌大学

学位级别：硕士

随着光伏发电的配网比例上升,光伏系统大规模并网到电网中给生产和运营带来了巨大挑战,因此迫切需要对光伏预测技术进行研究。准确的光伏预测结果具有指导性的作用,电力运营机构可以借此采取及时的响应措施:优化发电计划;提高电网的峰... 详细信息

随着光伏发电的配网比例上升,光伏系统大规模并网到电网中给生产和运营带来了巨大挑战,因此迫切需要对光伏预测技术进行研究。准确的光伏预测结果具有指导性的作用,电力运营机构可以借此采取及时的响应措施:优化发电计划;提高电网的峰值调度能力;合理地安排维护,减少机组损耗。光伏预测技术对于电网运行具有很高的经济价值。本文介绍了光伏发电的预测方式,并对现有的技术做出总结归纳。人工神经网络能够处理复杂的非线性问题,因此将其作为预测方法并建立预测模型,对影响光伏发电的气象因素进行相关性分析以确定模型的输入数据。复杂天气条件导致光伏系统的间歇性,随机性和从变性,这使光伏预测变得困难。递归神经网络(Recurrent neural network,RNN)被认为是时间序列数据预测的有效工具。但是,当天气剧烈变化时,长期变量序列可能会在RNN的训练过程中导致梯度消失(爆炸),从而使预测结果达到局部最优。为避免上述问题并优化预测性能,采用具有长短期记忆(Long short-term memory,LSTM)单元的RNN建立预测模型。此外,由于LSTM复杂的结构,CPU和GPU等通用处理器无法有效地实现LSTM。为优化LSTM的计算性能和功耗,这项研究为其设计了一种基于FPGA的加速器。主要研究内容如下:(1)以间接方式预测光伏发电量,通过计算太阳辐照与气象因素之间相关性系数确认模型的输入,分别建立基于BPNN、RBFNN和RNN的短期太阳辐射量预测模型。评估BPNN、RBFNN和RNN模型在复杂天气下的预测性能。(2)基于具有LSTM结构的RNN建立短期太阳辐射量预测模型,比较深度学习方法与其他方法的预测性能,跨区域研究以证明该方法的可推广性。(3)FPGA作为神经网络加速的实施方案。分析LSTM前向运算逻辑,设计相应的硬件模块,采用流水线方法对运算过程并行加速。测试基于FPGA的LSTM加速器,并与CPU平台上运行的LSTM进行对比,评估指标是吞吐率及功耗等性能数据。

关键词：光伏预测递归神经网络复杂天气条件比较研究长短期记忆神经网络 FPGA 神经网络加速

来源：评论

学校读者我要写书评

暂无评论

一种基于特征导向解耦网络结构的滤波器修剪方法

引用

计算机研究与发展 2024年第7期61卷 1836-1849页

作者：施瑞文李光辉代成龙张飞飞江南大学人工智能与计算机学院江苏无锡214122 江苏邦融微电子有限公司江苏昆山215300

现有的很多深度神经网络模型剪枝方法需要修改损失函数或在网络中嵌入额外的变量,无法直接受益于预训练网络,而且复杂化了前向推理和训练过程.到目前为止,大部分特征导向的剪枝工作仅利用通道内信息分析滤波器的重要性,使得剪枝过程无... 详细信息

现有的很多深度神经网络模型剪枝方法需要修改损失函数或在网络中嵌入额外的变量,无法直接受益于预训练网络,而且复杂化了前向推理和训练过程.到目前为止,大部分特征导向的剪枝工作仅利用通道内信息分析滤波器的重要性,使得剪枝过程无法利用通道间的潜在联系.针对上述问题,基于特征导向从通道间的角度考虑滤波器修剪任务,使用几何距离度量通道间的潜在相关性,将滤波器修剪定义为一个优化问题,并引入贪婪策略寻求最优解的近似解.该方法实现了剪枝与网络、剪枝与训练的解耦,从而简化了修剪任务.大量的实验证明了该方法对于各种网络结构都有良好的性能,例如在CIFAR-10数据集上,将VGG-16的参数量和浮点运算量分别降低了87.1%和63.7%,并且达到93.81%的高精度.还使用轻量型网络MobileFaceNets和CASIA-WebFace数据集评估该方法的性能,结果显示使用该剪枝方法后,MobileFaceNets在参数量和浮点运算量分别降低58.0%和63.6%的情况下,在LFW上的测试精度仍然达到99.02%,而且推理精度几乎没有损失(源代码发布在:https://***/SSriven/FOAD).

关键词：深度学习模型压缩模型剪枝神经网络加速几何距离

来源：评论

学校读者我要写书评

暂无评论

基于快速下采样的轻量化网络设计方法及人脸识别应用

引用

电子学报 2023年第8期51卷 2226-2237页

作者：王佳皓徐树公陆恒杰上海大学通信与信息工程学院上海200444

高精度卷积神经网络推理成本往往较高,很难在资源受限的嵌入式设备上进行实时推理.本文通过分析不同类型卷积对模型推理速度的影响因素,首次指出除了模型计算量,模型的特征图输出量也是影响推理速度的一个关键因素.而现有基于深度分离... 详细信息

高精度卷积神经网络推理成本往往较高,很难在资源受限的嵌入式设备上进行实时推理.本文通过分析不同类型卷积对模型推理速度的影响因素,首次指出除了模型计算量,模型的特征图输出量也是影响推理速度的一个关键因素.而现有基于深度分离卷积的轻量化方法仅把模型的计算量作为模型轻量化指标,并未考虑特征图输出量对模型推理速度的影响.根据该发现,本文结合标准卷积提出一种基于快速下采样的模型轻量化加速方法,通过快速减少特征图尺寸来同时减少模型计算量和特征图输出量.本文方法设计的轻量化模型的特征提取能力和不同平台的推理速度均优于现有的基于深度分离卷积的轻量化方法.更进一步地,本文利用该方法针对人脸识别任务提出一个快速人脸识别模型FDFaceNet.与现有的轻量化人脸识别模型相比,FDFaceNet准确率更高,在不同平台上的推理速度更快.

关键词：轻量化网络模型设计神经网络加速轻量化人脸识别人脸检测识别系统嵌入式设备

来源：评论

学校读者我要写书评

暂无评论

基于RRAM的图像识别卷积神经网络的FPGA实现及验证

基于RRAM的图像识别卷积神经网络的FPGA实现及验证

引用

作者：王健竹电子科技大学

学位级别：硕士

随着对人工智能的研究逐渐深入,神经网络在性能逐渐增强的同时规模和计算复杂度也逐渐提升;与此同时,人工智能逐渐普及,这使得对人工智能边缘化的研究逐渐成为重点,但边缘AI的性能受限于设备算力无法有效提升,这种情况下通过存内运算等... 详细信息

随着对人工智能的研究逐渐深入,神经网络在性能逐渐增强的同时规模和计算复杂度也逐渐提升;与此同时,人工智能逐渐普及,这使得对人工智能边缘化的研究逐渐成为重点,但边缘AI的性能受限于设备算力无法有效提升,这种情况下通过存内运算等方法突破传统冯诺依曼架构的内存墙、对神经网络的运算进行加速的需求日益增长。因此,诸如RRAM(Resistive Random Access Memory,随机阻变存储器)等的新型器件进入人们的视野,这些非易失性存储器的独特性能为构建神经网络、进行神经网络的加速提供了新的思路和方向。本文对利用RRAM进行卷积神经网络的构建方法进行了研究,主要工作如下:研究了卷积神经网络的结构和工作原理,对RRAM器件的结构、电学特性进行了分析,进而研究了利用RRAM的阻变特性代替卷积神经网络中的权重以构建硬件实现的卷积神经网络的方法。本文设计了一种基于FPGA的利用RRAM实现的非二值权重卷积神经网络架构,包括电导代替权重的方法、电导的编程方法、神经网络中数据的离散化编码方式、层间数据的压缩等,此外本文还使用了行缓存器(Line buffer)结构对神经网络的卷积操作进行了进一步的加速。文章在Vivado中对提出的方案进行了仿真,并在FPGA上完成了基于RRAM的卷积神经网络的原型验证,结果表明所设计的网络可以实现对MNIST数据集测试集的83.63%识别准确率。

关键词： RRAM 忆阻器卷积神经网络 FPGA 神经网络加速

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：