检索结果-内蒙古大学图书馆

微电子学与计算机 2020年第6期37卷 30-34,39页

作者：李永博王琴蒋剑飞上海交通大学电子信息与电气工程学院上海200240

为降低卷积神经网络推断时的时延和能耗,使用动态网络剪枝技术得到稀疏网络并设计出高能效比的稀疏卷积神经网络加速器.针对运算负载不均衡问题,提出适合稀疏运算的数据流;针对卷积运算高时延问题,采用16×16运算阵列提高运算并行度... 详细信息

为降低卷积神经网络推断时的时延和能耗,使用动态网络剪枝技术得到稀疏网络并设计出高能效比的稀疏卷积神经网络加速器.针对运算负载不均衡问题,提出适合稀疏运算的数据流;针对卷积运算高时延问题,采用16×16运算阵列提高运算并行度,设计索引单元避免无效运算,设计脉动输入层加强数据复用,采用乒乓缓存减少数据等待.综合结果表明,在TSMC 28nm工艺下,芯片工作频率可达500MHz,功耗为249.7mW,卷积运算峰值算力达到256GOPS,能效比为1.03TOPS/W.

关键词：稀疏卷积神经网络阵列运算加速器高能效比

来源：评论

学校读者我要写书评

暂无评论

稀疏卷积神经网络在数据流处理器中的优化研究

稀疏卷积神经网络在数据流处理器中的优化研究

引用

作者：吴欣欣中国科学院大学

学位级别：博士

近年来，卷积神经网络(convolutionalneuralnetwork，CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能。大规模的卷积神经网络模型在CPU/GPGPU等处理器上通常遭遇计算、存储等资源限制。CNN是计算密集型的，由于冗余的... 详细信息

近年来，卷积神经网络(convolutionalneuralnetwork，CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能。大规模的卷积神经网络模型在CPU/GPGPU等处理器上通常遭遇计算、存储等资源限制。CNN是计算密集型的，由于冗余的模型参数以及对激活函数(ReLU)的使用，它包含了大量地冗余计算。稀疏卷积神经网络的出现有效地缓解了CNN对计算和存储的需求。随着计算机体系结构的发展，领域专用结构成为计算机体系结构发展趋势的一个重要分支，而数据流体系结构作为计算结构的一个重要分支，被证明具备较好的性能和能耗比的同时，也能保持很高的通用性。尽管现有的领域专用加速器能够有效地处理稀疏网络，但是它们通过算法和结构的紧耦合实现高能效，丧失了结构的灵活性，而基于数据流架构的处理器通过灵活的指令调度可以很好的支持不同的卷积神经网络应用。　　本文面向数据流处理器，为了使数据流处理器能够有效利用卷积神经网络中的稀疏性，提高执行稀疏卷积神经网络的性能，以中科院计算所提出的数据流处理器DFPU(dataflowprocessingunit)为平台分别从指令加载优化、无效指令检测、输出激活稀疏性预测三个方面解决存在的问题:(1)对于指令加载时间过长的问题，使用一种指令共享策略，减少了初始化的时间。(2)对于存在的无效指令问题，设计指令检测单元实现无效指令的检测和跳过，同时使用负载均衡的指令映射算法解决指令执行不均衡问题。(3)对于输出激活，提出一种预测机制预测出输出激活的稀疏性，并设计具有预测功能的处理器实现对输出激活稀疏性的利用。本文主要的创新点和贡献点如下:　　·基于指令共享策略减少初始化时间。现有的数据流处理器运行稀疏卷积层需要多次初始化以将指令加载到计算阵列中，导致计算阵列的空闲以及性能的降低。本文通过分析稀疏卷积层的数据和指令特性，根据指令中的字段内容在卷积层中共享相同的指令的特征，提出了一种指令共享策略，以减少指令的初始化时间提高计算资源的利用率。另外，还提出扩展的指令共享策略，利用滤波器的静态特性删除滤波器相关的指令，进一步减少了初始化时间。实验表明，与密集卷积层相比，这两种策略平均实现了1.45×(Alexnet)、1.24×(VGG16)和1.69×(Alexnet)、1.45×(VGG16)加速以及36.57％(Alexnet)、33.05％(VGG16)和37.2％(Alexnet)、34.26％(VGG16)的能耗减少。　　·基于指令标记信息检测和剔除无效指令执行。现有的数据流处理器执行稀疏卷积层无法自动跳过与0值相关的无效指令，同时由于不规则地稀疏特性，现有的指令映射方法会造成计算阵列的负载不均衡。本文通过分析稀疏网络中卷积层权值的数据特征和指令特征，根据数据特征生成相应指令的控制信息，然后在每个处理单元内增加指令控制单元并根据指令的控制信息检测并跳过0值相关的无效指令，从而去除无效数据运算。同时，通过分析现有的指令映射和执行方式，并根据稀疏权值的数据特征，设计了适用于稀疏卷积神经网络的负载均衡的指令映射算法，保证了处理单元阵列的负载均衡。实验表明，稀疏卷积层比密集卷积层获得平均1.55×的性能提升以及39.83％的能耗减少。　　·基于SVD卷积核分解预测输出激活稀疏性。现有的数据流处理器在执行稀疏卷积层时无法利用输出激活的稀疏性。本文提出基于卷积核的SVD方法以预测卷积神经网络中输出激活的稀疏性。同时对网络进行离线微调，以减少预测精度的损失。提出LRPPU加速器，对原有的数据流处理器增加预测器和检测单元以利用输出激活的稀疏性，消除一些无效计算。实验表明，与密集卷积层相比，在精度略有下降的情况下，LRPPU实现了1.48×的加速和2.02×的能耗降低。此外，与Eyeriss相比，它平均实现了1.46×的加速，并且与SnaPEA相比具有相似的性能和更少的精度损失。

关键词：数据流处理器稀疏卷积神经网络指令映射输出激活稀疏性预测

来源：评论

学校读者我要写书评

暂无评论

基于粗粒度数据流架构的稀疏卷积神经网络加速

引用

计算机研究与发展 2021年第7期58卷 1504-1517页

作者：吴欣欣欧焱李文明王达张浩范东睿计算机体系结构国家重点实验室(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

卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能.大规模的神经网络模型通常遭遇计算、存储等资源限制,稀疏神经网络的出现有效地缓解了对计算和存储的需求.尽管现有的领域... 详细信息

卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理等领域实现了很好的性能.大规模的神经网络模型通常遭遇计算、存储等资源限制,稀疏神经网络的出现有效地缓解了对计算和存储的需求.尽管现有的领域专用加速器能够有效处理稀疏网络,它们通过算法和结构的紧耦合实现高能效,却丧失了结构的灵活性.粗粒度数据流架构通过灵活的指令调度可以实现不同的神经网络应用.基于该架构,密集卷积规则的计算特性使不同通道共享相同的一套指令执行,然而稀疏网络中存在权值稀疏,使得这些指令中存在0值相关的无效指令,而现有的指令执行方式无法自动跳过它们从而产生无效计算.同时在执行不规则的稀疏网络时,现有的指令映射方法造成了计算阵列的负载不均衡.这些问题阻碍了稀疏网络性能的提升.基于不同通道共享一套指令的前提下,根据稀疏网络的数据和指令特征增加指令控制单元实现权值数据中0值相关指令的检测和跳过,同时使用负载均衡的指令映射算法解决稀疏网络中指令执行不均衡问题.实验表明:与密集网络相比稀疏网络实现了平均1.55倍的性能提升和63.77%的能耗减少.同时比GPU(cuSparse)和Cambricon-X实现的稀疏网络分别快2.39倍(Alexnet)、2.28倍(VGG16)和1.14倍(Alexnet)、1.23倍(VGG16).

关键词：领域专用加速器粗粒度数据流稀疏卷积神经网络指令映射指令控制

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积神经网络的车载激光雷达点云语义分割方法

引用

汽车工程 2022年第1期44卷 26-35页

作者：夏祥腾王大方曹江赵刚张京明哈尔滨工业大学(威海)汽车工程学院威海264200

对车载激光雷达扫描得到的点云进行语义分割是保证行车安全、加强驾驶员对周边环境理解的重要手段之一。因为内存限制和大规模点云场景更加稀疏的特点,将传统神经网络的方法直接沿用到车载激光雷达扫描得到的点云场景中的效果不佳。本... 详细信息

对车载激光雷达扫描得到的点云进行语义分割是保证行车安全、加强驾驶员对周边环境理解的重要手段之一。因为内存限制和大规模点云场景更加稀疏的特点,将传统神经网络的方法直接沿用到车载激光雷达扫描得到的点云场景中的效果不佳。本文中针对大规模点云的稀疏性,利用稀疏卷积神经网络对体素化点云进行特征提取。考虑到逐点处理分支抑制点云数据的密度不一致性导致的信息损失,另外设计了3D-CA和3D-SA模块,使稀疏卷积神经网络更好地提取特征。实验结果表明,与传统卷积神经网络的方法和将点云投影到平面的方法相比,使用稀疏卷积神经网络对大规模点云进行语义分割,可将平均交并比提升4.1%和3.4%,证明了该方法的有效性。

关键词：无人驾驶点云语义分割稀疏卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

稀疏卷积神经网络加速器设计

稀疏卷积神经网络加速器设计

引用

作者：李扬杭州电子科技大学

学位级别：硕士

近年来,随着深度学习理论算法的发展和硬件算力的提升,卷积神经网络被广泛应用在众多领域。然而卷积神经网络的参数量、计算量的增加,使得在嵌入式、移动端等终端设备上部署难度加大。网络剪枝可以有效减少网络模型的参数量、计算量,但... 详细信息

近年来,随着深度学习理论算法的发展和硬件算力的提升,卷积神经网络被广泛应用在众多领域。然而卷积神经网络的参数量、计算量的增加,使得在嵌入式、移动端等终端设备上部署难度加大。网络剪枝可以有效减少网络模型的参数量、计算量,但是剪枝导致网络连接呈现不规则性,使得现有的加速器难以利用网络稀疏性进行加速。为了改善上述问题,本文提出了能够充分利用网络稀疏性特点的稀疏卷积神经网络加速器。论文的主要工作如下:(1)针对剪枝后网络非零权重数据少的特性,本文对稀疏卷积神经网络进行建模,分析不同数据替换策略下的数据访存量、中间值缓存量。结合输出通道并行,提出输出通道并行的输入特征滑窗优先(Input Feature Slide First,IFFS)数据流。相比于其它数据流,该数据流的数据访存量、中间值缓存量更少。然后,针对剪枝后非零权重不规则特性,本文设计一种稀疏权重编码方式对权重数据进行压缩编码,只保留非零权重数据,并引入列偏移和索引,记录非零权重的位置信息。采用该编码方法,VGG-16网络的卷积层、全连接层整体稀疏权重压缩比达到6.3,有效减少了权重数据的存储空间占用。(2)基于输出通道并行的IFFS数据流和稀疏权重编码方式,本文设计一款稀疏卷积神经网络加速器。该加速器可以利用剪枝和Re LU激活函数带来的权重、特征稀疏性跳过零值运算。加速器的非零检测模块动态检测输入特征,筛选出非零特征传输给稀疏处理单元组,读取出计算所需的非零权重进行稀疏卷积运算。(3)基于Xilinx ZCU104平台实现稀疏卷积神经网络加速器,并对设计空间进行探索,确定稀疏处理单元组最佳配置。实验表明,所设计的加速器对VGG-16的有效吞吐量为140.7 GOPs,功耗5.067 W,能效25.1 GOPs/W,与已有的卷积神经网络加速器相比,功耗降低1.6～4.6倍,能效提升1.1～7.6倍。

关键词：稀疏卷积神经网络数据流稀疏权重编码硬件加速器 FPGA

来源：评论

学校读者我要写书评

暂无评论

基于移位的稀疏卷积神经网络加速器设计

基于移位的稀疏卷积神经网络加速器设计

引用

作者：李永博上海交通大学

学位级别：硕士

卷积神经网络逐步成为人工智能应用的基础,然而网络参数量的增加,加大了其部署难度,限制了其应用范围。如何设计轻量化算法和快速低能耗硬件加速器成为研究热点。本文基于权重压缩算法,探究网络稀疏化和低位宽推断技术,提出一种使权重... 详细信息

卷积神经网络逐步成为人工智能应用的基础,然而网络参数量的增加,加大了其部署难度,限制了其应用范围。如何设计轻量化算法和快速低能耗硬件加速器成为研究热点。本文基于权重压缩算法,探究网络稀疏化和低位宽推断技术,提出一种使权重稀疏化且量化为幂次的轻量化算法,并采用Image Net数据集完成算法的验证。面向该算法,本文设计了一款基于移位的稀疏卷积神经网络加速器。针对稀疏网络权重少但运算不均衡的特性,对稀疏卷积神经网络建模,分析了不同数据替换策略和并行策略对加速器访存量和加速比的影响,提出了一种高处理单元利用率且低能耗的数据流。本文设计了权重压缩存储格式和索引单元以跳过无效运算;将乘法器替换为移位单元以降低运算单元功耗;支持分块卷积模式以平衡运算效率和通用性;针对内存墙问题,采用了乒乓缓存隐藏数据传输延迟;为了增强数据复用,提出了类脉动的处理单元互连方式。本文利用RTL对设计进行实现,完成综合和物理设计,并对设计的功耗和运算速度进行分析,将要基于TSMC 28nm工艺流片。本文提出的轻量化算法,使传统卷积神经网络模型权重数量降至原模型的28%,权重位宽降至原模型的25%。以复杂任务识别精度降低约1.4%为代价,大幅降低了访存需求。本文设计的硬件加速器等效性能为377.1GOPS,功耗为329.9m W,能效比达到1.14TOPS/W。本设计的处理单元利用率达到同类研究的3.1倍;访存功耗和系统能耗较低,能量延时积是同类先进研究的62.5%。

关键词：稀疏卷积神经网络硬件加速器轻量化算法

来源：评论

学校读者我要写书评

暂无评论

基于FPGA的稀疏卷积神经网络加速器设计

基于FPGA的稀疏卷积神经网络加速器设计

引用

作者：朱志炜南京大学

学位级别：硕士

近些年来,卷积神经网络(CNN)算法作为最主要的深度学习算法之一已经获得了非常广泛的应用,对其训练和推断的加速优化方法也日渐成熟,但是卷积神经网络由于其固有高计算密度特性,通用加速平台并不能获得很好的加速效果。对卷积神经网络... 详细信息

近些年来,卷积神经网络(CNN)算法作为最主要的深度学习算法之一已经获得了非常广泛的应用,对其训练和推断的加速优化方法也日渐成熟,但是卷积神经网络由于其固有高计算密度特性,通用加速平台并不能获得很好的加速效果。对卷积神经网络进行剪枝量化后网络模型稀疏度较高,可以极大减少它的参数规模,常见的卷积加速器没有利用好其高稀疏度的数据特性,因此本文设计了一款稀疏卷积神经网络硬件加速器。本文重点介绍了卷积映射方式、加速器各模块设计与实现,从数据流到硬件加速器,详细描述了如何去实现在低计算存储资源条件下达到高运算速度和加速比的稀疏卷积运算。本论文主要采用一种优化的CSC矩阵存储方式对稀疏卷积网络的权重数据进行压缩存储,进而将卷积运算转化为矩阵向量乘运算,把数据分块后分送给运算阵列进行稀疏矩阵向量乘运算加速。基于卷积算法和数据特性及技术指标要求,本文在数据流层面通过卷积分块和循环展开的方式,最大程度地提升卷积运算的并行度和运算阵列的利用率,将卷积运算映射到所设计的计算阵列上,在硬件加速器层面提出了一种参数可配置的并行流水的卷积运算架构。它支持卷积运算输入图像尺寸、卷积核尺寸、卷积步长等多参数静态配置,通过控制通道将配置信息传递给数据分发模块、运算阵列、输出缓存模块,实现各模块的可重构和资源复用。本文还设计了基于FPGA的原型验证平台,详细叙述了测试验证过程和验证方案,测试结果表明,本加速器在ZCU102开发板上计算逻辑资源占用小于三分之一,存储资源占用70%,小于大部分卷积加速器;本论文剪枝量化方法带来的准确率误差小于2%,加速器运行VGG16模型的速度为194.5ms,系统总功耗为8.078 W,能效比是CPU的70.1倍,GPU的2.42倍;等效峰值运算速率可达到341.2GOPs,能效比为42.2GOP/sW,对比相关FPGA加速器和ASIC设计,可以认为本加速器已接近目前卷积加速先进水平。

关键词：稀疏卷积神经网络分块和循环展开卷积映射硬件加速器 FPGA原型验证平台

来源：评论

学校读者我要写书评

暂无评论

高能效卷积神经网络的VLSI优化与实现

高能效卷积神经网络的VLSI优化与实现

引用

作者：王逸致南京大学

学位级别：硕士

以卷积神经网络模型为代表的深度学习技术已经在诸如图像分类、物体检测、语音识别等多个领域取得了巨大的进展。然而,其在带来令人惊叹的表现的同时,也带来了巨大的计算复杂度和存储空间需求。随着摩尔定律的放缓,人们再也无法期待仅... 详细信息

以卷积神经网络模型为代表的深度学习技术已经在诸如图像分类、物体检测、语音识别等多个领域取得了巨大的进展。然而,其在带来令人惊叹的表现的同时,也带来了巨大的计算复杂度和存储空间需求。随着摩尔定律的放缓,人们再也无法期待仅依靠工艺进步就能轻易地在相同成本下获得计算力的提升,这也给将深度卷积神经网络应用于低功耗的嵌入式设备中带来了极大的挑战——嵌入式系统往往硬件计算资源有限且需要极高的能量效率。本文研究了通过为嵌入式系统设计卷积神经网络专用VLSI(Very Large Scale Integration)硬件架构的方式来解决这个问题,以实现高能效计算。一方面,本文提出了一种二值参数卷积神经网络的专用硬件架构方案。二值参数卷积神经网络通过将模型的参数压缩为仅有+1和-1,使得模型的复杂度大幅度降低。于此同时,在许多应用下,二值参数模型仍然能保持可接受的模型识别精度,因此它使得在取得极高吞吐率的同时仍然维持较低的功耗,非常适合于需要极致能量效率的嵌入式系统应用需求。本文中的二值参数卷积神经网络硬件架构方案充分利用了此种网络的参数特性以及其他硬件实现友好的特征,通过合理的计算流程设计来实现片外I/O访问次数的最小化并最大化地利用输入神经元激活数据。加之一系列的微架构方面的创新:例如优化的压缩器树结构以及带补偿的近似计算方案等,它们使整个架构的硬件复杂度和关键路径长度显著降低。而在多个数据集上的实验表明,模型的识别精度损失很低。最终,本文所提出的这种二值参数网络硬件架构在SMIC 130nm CMOS工艺下进行实现。基于芯片版图的实验结果表明,该架构在吞吐率上是已有的同类工作的4.14倍,而能量效率是其2.37倍。另一方面,面向需要支持一定数据精度和计算精度灵活度而同时又期望获得高能量效率的嵌入式应用,本文提出了另一种针对稀疏模型的精度可调卷积神经网络硬件架构,名为FPAP。在高效卷积神经网络硬件架构设计过程中,最具挑战的部分之一是高效地消除存在于模型的神经元激活和参数中的稀疏性所带来的冗余的计算;而另一个挑战则是适应各层之间变化的数据量化精度和计算精度需求。不幸的是,现有的工作往往仅能解决二者之一。FPAP架构基于计算的折叠变换,通过“全局并行、局部串行”的方式,在消除卷积神经网络中所有的计算冗余的前提下,仍然保持较高的处理速度。FPAP采用了比特对编码算法,将网络中占主导的乘累加操作折叠到单个算术单元中并串行地计算。通过这种方式,FPAP仅执行必要的计算,并能够动态地支持不同的精度。除此之外,本文还提出了通过进一步移除存在于单个乘累加操作中的加0操作来剔除模型中更细粒度的计算冗余性,并通过大量的实验验证了针对每一个单独的乘累加操作选择不同的折叠方式以实现整体的计算复杂度最低的方案之潜力与可行性。在架构的数据流层面,本文还提出了一种基于遗传算法的卷积核重排序方案来解决由模型的非规则稀疏性所带来的负载不均衡问题,并通过实验证明该方案能够带来大约30%的计算速度提升。最终,FPAP架构在TSMC 28nm CMOS工艺下进行综合实现。在真实的卷积神经网络模型上的实验表明,FPAP能够在不同的精度下达到4.28TOP/s/W-23.63TOP/s/W的能量效率,相比已有的同类工作,在精度大于4比特时能取得2倍以上的提升。

关键词：卷积神经网络二值参数卷积神经网络深度学习 VLSI架构高能效设计稀疏卷积神经网络折叠架构精度可调硬件架构

来源：评论

学校读者我要写书评

暂无评论

基于邻域一致性的极化SAR图像仿射配准

引用

雷达学报（中英文） 2021年第1期10卷 49-60页

作者：朱庆涛殷君君曾亮杨健清华大学电子工程系北京100084 北京科技大学计算机与通信工程学院北京100083

极化SAR图像的配准是极化SAR图像处理的基础,需要具备较高的精度与速度。基于深度学习的极化SAR图像配准大多数是结合图像块特征的匹配与基于随机抽样一致性的参数迭代估计来实现的。目前尚未实现端到端的基于深度卷积神经网络的一步仿... 详细信息

极化SAR图像的配准是极化SAR图像处理的基础,需要具备较高的精度与速度。基于深度学习的极化SAR图像配准大多数是结合图像块特征的匹配与基于随机抽样一致性的参数迭代估计来实现的。目前尚未实现端到端的基于深度卷积神经网络的一步仿射配准。该文提出了一种基于弱监督学习的端到端极化SAR图像配准框架,无需图像切块处理或迭代参数估计。首先,对输入图像对进行特征提取,得到密集的特征图。在此基础上,针对每个特征点保留k对相关度最高的特征点对。之后,将该4D稀疏特征匹配图输入4D稀疏卷积网络,基于邻域一致性进行特征匹配的过滤。最后,结合输出的匹配点对置信度,利用带权最小二乘法进行仿射参数回归,实现图像对的配准。该文采用RADARSAT-2卫星获取的德国Wallerfing地区农田数据以及PAZ卫星获取的中国舟山港口地区数据作为测试图像对。通过对升降轨、不同成像模式、不同极化方式、不同分辨率的极化SAR图像对的配准测试,并与4种现有方法进行对比,验证了该方法具有较高的配准精度与较快的速度。

关键词：邻域一致性仿射变换极化SAR 图像配准稀疏卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

稀疏卷积计算高效数据加载与输出缓存策略

引用

国防科技大学学报 2023年第5期45卷 212-221页

作者：刘彪陈长林张宇飞刘思彤唐励勤于红旗国防科技大学电子科学学院湖南长沙410073

针对现有神经网络加速器在处理稀疏神经网络时存在的数据加载效率低、乘加资源利用率低、输出缓存寻址逻辑复杂等问题,提出了稀疏卷积计算高效数据加载与输出缓存策略。将属于同一输入通道的非零输入特征图像数据和非零权重进行全对全... 详细信息

针对现有神经网络加速器在处理稀疏神经网络时存在的数据加载效率低、乘加资源利用率低、输出缓存寻址逻辑复杂等问题,提出了稀疏卷积计算高效数据加载与输出缓存策略。将属于同一输入通道的非零输入特征图像数据和非零权重进行全对全乘累加运算,降低了非零数据配对难度,提高了乘加资源利用率;通过采用输入驻留计算,以及密集型循环加载特征图像数据,大幅减少了数据片外调取次数;优化了输出缓存设计,解决了现有方案中存在的输出缓存地址访问争用、存储拥塞等问题。实验表明,与采用类似架构的细粒度脉动加速器相比,在处理单元面积上减少了21.45%;在数据加载速度方面平均提高了117.71%在平均乘法器利用率方面提高了11.25%,达到89%。

关键词：神经网络加速器稀疏卷积神经网络输入驻留全对全计算

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：