检索结果-内蒙古大学图书馆

计算机应用 2023年第10期43卷 3099-3106页

作者：毕以镇马焕张长青天津大学智能与计算学部天津300350

针对获取新模态难度大、收益差异大的问题,提出了一种增广模态收益动态评估方法。首先,通过多模态融合网络得到中间特征表示和模态融合前后的预测结果;其次,将两个预测结果的真实类别概率(TCP)引入置信度估计,得到融合前后的置信度;最后... 详细信息

针对获取新模态难度大、收益差异大的问题,提出了一种增广模态收益动态评估方法。首先,通过多模态融合网络得到中间特征表示和模态融合前后的预测结果;其次,将两个预测结果的真实类别概率(TCP)引入置信度估计,得到融合前后的置信度;最后,计算两种置信度的差异,并将该差异作为样本以获取新模态所带来的收益。在常用多模态数据集和真实的医学数据集如癌症基因组图谱(TCGA)上进行实验。在TCGA数据集上的实验结果表明,与随机收益评估方法和基于最大类别概率(MCP)的方法相比,所提方法的准确率分别提高了1.73~4.93和0.43~4.76个百分点,有效样本率(ESR)分别提升了2.72~11.26和1.08~25.97个百分点。可见,所提方法能够有效评估不同样本获取新模态所带来的收益,并具备一定可解释性。

关键词：多模态分类多模态融合置信度估计增广模态表示学习

来源：评论

学校读者我要写书评

暂无评论

基于课程学习的域自适应伪标签样本选择算法

引用

计算机仿真 2024年第10期41卷 204-209页

作者：温颖涵曹江中广东工业大学信息工程学院广东广州510006

针对域自适应网络在不同学习阶段对不同样本学习能力存在差异性问题,提出一种基于课程学习的域自适应伪标签样本选择算法。算法利用置信值将目标域数据集中的易学习样本转入源数据集,解决了模型前期学习能力不足可能造成的错误累积问题... 详细信息

针对域自适应网络在不同学习阶段对不同样本学习能力存在差异性问题,提出一种基于课程学习的域自适应伪标签样本选择算法。算法利用置信值将目标域数据集中的易学习样本转入源数据集,解决了模型前期学习能力不足可能造成的错误累积问题;同时通过模型的学习状态更新各类样本的伪标签阈值,得到无监督条件下难易学习样本类估计,输出可靠的置信值并减少噪声伪标签对模型学习的影响。提出的算法在三个主流无监督域自适应目标检测数据集上进行了仿真,仿真结果表明,上述算法相比最近提出的非对抗或增强的无监督域自适应方法在精确度上得到了有效提升。

关键词：域自适应课程学习伪标签目标检测置信度估计

来源：评论

学校读者我要写书评

暂无评论

基于半监督学习的皮肤病医学图像分割算法研究

基于半监督学习的皮肤病医学图像分割算法研究

引用

作者：孙仲霖吉林大学

学位级别：硕士

近数十年来,皮肤癌相关疾病的发病率逐渐增高,对现代人的生命健康造成了严重危害。对于皮肤癌这类高危疾病,在早期识别并介入治疗是重要的手段。随着人工智能技术在图像识别领域的应用不断深入,计算机程序能对皮肤镜图像进行有效的病变... 详细信息

近数十年来,皮肤癌相关疾病的发病率逐渐增高,对现代人的生命健康造成了严重危害。对于皮肤癌这类高危疾病,在早期识别并介入治疗是重要的手段。随着人工智能技术在图像识别领域的应用不断深入,计算机程序能对皮肤镜图像进行有效的病变分析,辅助医生进行诊断和治疗。但是,常用的全监督深度学习算法需要大量的有标签数据用于训练,这大幅提高了模型的训练成本和时间损耗。半监督学习思想提出利用获得难度低的无标签数据进一步增强模型的分割性能。在低数量级的有标签数据的辅助下,模型从高数量级的无标签数据中获得额外的特征信息。因此,半监督学习算法减少了训练成本,并且能获得可靠的预测结果,是一个大有希望的研究方向。本文基于半监督学习思想,提出了两个不同的语义分割模型,用于皮肤镜影像分割任务。主要研究内容如下:1.皮肤镜影像的分割任务中存在一系列难点,如肿瘤区域的颜色和形态大小差别大、肿瘤边缘模糊和某些遮挡物的误导等。针对上述困难,本文设计了一个置信度增强的交叉监督网络(Confidence-Aware Cross Supervised Model,CCSM),用于皮肤镜影像中肿瘤区域的精准分割。网络的两个分支是并行且独立初始化的分割网络。分支网络以DenseUNet为基础模型,我们在解码器的后面加入了一个置信度计算模块。一个分割分支的输出通过同一网络的置信度映射来过滤低置信度区域,并作为伪标签来监督另一个分支。为了有效挖掘输入图像的语义信息,我们还提出了一个简单而有效的注意力模块来捕捉目标区域的特征。本文在ISIC2017和ISIC2018数据集上进行了一系列的实验,证明了该网络模型的可靠性和优越性。2.在皮肤镜影像语义分割任务中,病变区域的边界信息和整体信息都对提高模型的分割效果有正向作用。现有的多数模型只关注区域信息的提取和利用,没有很好的使用边缘信息增强模型性能。针对这一情况,本文设计了一个边界特征引导的半监督自集成模型(Boundary-guided Self-ensembling Model for Semi-supervised Skin Lesion Segmentation,BGSM),实现对皮肤镜图像的自动精确分割。在训练开始前,网络加入了两个数据增强模块。颜色变换模块利用RGB和LAB颜色空间的相互变换,从无标签数据中获取亮度信息,构建出新的有标签数据。翻转变换模块利用卷积的翻转不一致性,对输入输出施加相应的翻转操作。这两个数据增强模块都能够有效增强一致性损失。网络基于ResNet构建,加入了对应层级的解码器。在编码器与解码器之间构建了边缘提取模块,利用Sobel算子获取边缘信息。此外。我们设计了多尺度特征融合模块将上下两层编码器的输出融合。通过这种渐进式特征融合,网络可以获得更丰富的浅层信息和深层信息。本文在ISIC2017与ISIC2018数据集上验证了该网络模型的准确性和优异性。

关键词：皮肤病变图像分割卷积神经网络半监督学习置信度估计特征融合

来源：评论

学校读者我要写书评

暂无评论

置信度与网格引导的金字塔结构多视图立体匹配方法

置信度与网格引导的金字塔结构多视图立体匹配方法

引用

作者：王跃嵩华中科技大学

学位级别：博士

基于图像的三维重建技术是近年来计算机视觉领域中的研究热点,因为其获取数据容易,重建模型成本低,所以被广泛运用到大范围场景三维重建应用中。多视图立体匹配是三维重建流程中较为关键的步骤,得益于多年的研究成果积累,现有的传统立... 详细信息

基于图像的三维重建技术是近年来计算机视觉领域中的研究热点,因为其获取数据容易,重建模型成本低,所以被广泛运用到大范围场景三维重建应用中。多视图立体匹配是三维重建流程中较为关键的步骤,得益于多年的研究成果积累,现有的传统立体匹配方法在不同的公开数据集上均能获得较好的重建结果,但随着重建场景的扩大以及场景复杂度的提升,多视图立体匹配面临新的挑战:处理弱纹理等特殊数据时,图像一致性不可靠,因此重建结果通常较差;重建物体的边缘精度不足,使用航拍数据进行立体匹配则进一步加重了该问题;图像集大小增加后,对参考视图选择合适的邻近视图更为困难。为提升多视图立体匹配方法处理大范围场景数据的能力,主要进行了如下四个方面的研究工作:针对深度学习技术在多视图立体匹配领域上的应用,提出置信度估计神经网络,使用深度学习技术对传统方法的输出深度图进行质量评估。不同于其他基于深度学习的立体匹配方法,置信度估计网络无需构建代价立方体,因此极大降低对内存空间的需求,从而能适用于大场景三维重建应用。为提高网络的泛化能力,将深度信息转换为逆深度并进行归一化,同时使用平均基线距离将深度转换为视差,并在视差空间内基于局部平面扫描思想计算当前匹配代价的可靠程度。为解决样本不平衡问题,提出使用带焦点的损失函数对网络进行训练。使用网络估计的置信度对深度图进行过滤处理,在DTU数据集上的实验结果表明,深度图在弱纹理区域以及物体边缘的准确度得到提升。针对深度图融合步骤,提出深度学习与传统方法相结合的策略,将深度学习获取的置信度信息嵌入到传统方法的融合步骤中,以提升三维点云的精确度。基于投影关系,获取三维点在不同深度图上的置信度,并以此估计三维点的置信度。为进一步提升鲁棒性,综合考虑传统重建以及深度学习结果,设计带几何一致性权重的融合点置信度评估方法。过滤低置信度的融合点以提升三维点云的精确度,同时保留点云中的细节,以保证重建的完整度。使用DTU数据集进行置信度网络训练,在DTU、Tanks and Temples、COLMAP以及航拍数据集上进行方法评测,结果表明,在不损失完整度的前提下,提出的融合策略能显著提升传统方法在弱纹理区域以及物体边缘的精度,实验结果同时证明了置信度估计网络有较好的泛化能力。针对大场景应用中的邻近视图选择,设计网格引导的邻近视图选择策略。传统方法中选择邻近视图的策略均基于稀疏重建获取的稀疏点,因此在选择过程中会忽视稀疏点分布较少的区域。为解决该问题,降采样图像进行立体匹配并使用基于可视性的构网策略获取场景的粗糙网格模型,考虑邻近视图在参考视图上的网格投影面积进行邻近视图选择。相比传统方式,该方法保证图像之间的重叠度,同时不依赖于稀疏点的分布。在ETH3D以及航拍数据集上的实验结果表明,该选择策略能保证参考视图获取更为完整的深度估计。针对深度图估计步骤,提出一种网格引导的金字塔结构,结合深度传播方法,以进一步提升传统立体匹配方法处理弱纹理数据的能力。使用最低层立体匹配结果生成的点云构建网格模型,并使用该网格补全初始深度图,补全后的深度图作为初值引导更高层的立体匹配以提升立体匹配的完整度,同时加快立体匹配方法的收敛速度。为消除错误网格面片带来的负面引导效果,设计大感受野的神经网络结构,对补全后的深度图进行置信度评估以删除其中错误的深度值。同时基于该金字塔结构,提出弱纹理区域检测策略,在弱纹理区域提高几何一致性的权重以保证重建结果的完整度,同时在强纹理区域降低几何一致性权重,以保证重建结果的精度。实验结果表明,提出的策略可以显著提升重建结果的完整度。

关键词：三维重建多视图立体匹配深度学习置信度估计网格重建

来源：评论

学校读者我要写书评

暂无评论

自定义语音关键词检测关键技术研究

自定义语音关键词检测关键技术研究

引用

作者：刘作桢中国科学院大学

学位级别：博士

随着移动互联网的发展以及硬件技术的进步，智能语音设备已经逐渐在人们的生活中普及，语音交互应用变得越来越普遍。多数语音交互都可以通过发出关键词指令的形式来进行控制;这使得关键词检测技术成为了语音交互的重要组成部分。近年... 详细信息

随着移动互联网的发展以及硬件技术的进步，智能语音设备已经逐渐在人们的生活中普及，语音交互应用变得越来越普遍。多数语音交互都可以通过发出关键词指令的形式来进行控制;这使得关键词检测技术成为了语音交互的重要组成部分。近年来，在对应关键词语音数据充分的情况下，固定词关键词检测已经取得了较好的应用效果。在此基础上，为了进一步提升语音交互的体验，需要满足用户根据个人偏好随时定义新关键词的需求。在无法预先收集关键词语音数据进行训练的情况下，关键词检测系统优化不充分，性能会有显著下降，难以满足个性化定制的需求。因此，开展自定义关键词检测技术研究具有重要的理论意义和应用价值。　　自定义关键词检测系统作为语音交互的开关，通常部署在智能设备上长时间运行，需要在各种场景下满足高准确率、低虚警的检测性能，同时也允许使用者自行对关键词进行定制。一个完整的自定义关键词检测系统通常包含语音增强、关键词检测和置信度估计三个模块。本文对这三个模块分别进行研究，围绕充分利用关键词文本信息，研究在无需用户自定义关键词语音数据进行训练的情况下，提升自定义关键词检测系统性能的方法。本文的主要工作和创新点包括:　　1、提出一种文本强化的自定义关键词检测方法。　　常规的自定义关键词检测方法对关键词文本信息利用不足，通常只用于构建对应的解码网络，没有在模型层面对关键词信息加以利用。针对这一问题，提出一种文本强化的自定义关键词检测方法。利用基于循环神经网络的序列传导模型(RNN-Transducer，RNN-T)可以建模语言层信息的特点，将关键词文本作为先验信息引人模型中。当模型检测到关键词前缀时，语言层会向关键词产生偏置，使其更容易检测到关键词。实验表明，与常规RNN-T模型相比，所提出方法在安静和噪声环境下可以分别获得42.2％与40.9％的错误拒绝率相对下降。同时针对自定义关键词检测每次更换关键词时都需要重新构建解码网络，流程复杂的问题，利用RNN-T模型输出后验概率呈尖峰状的特点，提出一种多级检测方法。该方法无需构建解码网络，利用贪心解码的结果即可完成关键词检测，在使用更低计算复杂度的情况下获得与解码方法相当的性能。　　2、提出一种关键词相关的语音增强方法。　　常规语音增强方法追求的是全局通用的增强效果，与自定义关键词检测只关注关键词相关的语音信号这一特点不匹配。针对这一问题，考虑到自定义关键词检测可以预先获得关键词文本信息，提出一种关键词相关的语音增强方法，提升对指定关键词的增强效果，从而提升自定义关键词系统在噪声干扰下的鲁棒性。该方法预先将关键词音素信息编码为高维表示，在语音增强的过程中，利用注意力机制从中获取当前帧对应的音素信息并融入语音增强模型进行计算，提升对指定关键词部分的噪声抑制效果。实验表明所提出的方法对带噪关键词语音进行增强后，在可懂度等客观指标上均优于常规语音增强方法，并且可以给后端自定义关键词检测系统带来14.3％的错误拒绝率相对下降。　　3、提出一种自定义关键词检测置信度估计方法。　　在关键词检测结束之后，通过关键词置信度估计进行二次判决，可以有效降低系统虚警。常规的置信度估计方法的目标是对当前识别得到的序列是否正确进行估计，由于自定义关键词检测系统中已经对解码空间进行了约束，所以这类方法难以对系统性能产生较大的提升。针对这一问题，提出一种自定义关键词检测置信度估计方法，通过预先将关键词文本信息编码为高维表示，并根据检测到关键词的时间尾点提取声学特征;以文本特征与声学特征是否匹配作为目标进行置信度估计。由于该方法与基于解码的检测方法判决角度不同，所以作为二次判决模块可以有效降低系统虚警。实验表明，与常规置信度估计方法相比，所提出方法在安静环境与噪声环境下可以分别获得34.6％与29.2％的错误拒绝率相对下降。

关键词：语音识别关键词检测深度学习置信度估计

来源：评论

学校读者我要写书评

暂无评论

基于局部概率抽样的标签噪声过滤方法

引用

计算机应用 2021年第1期41卷 67-73页

作者：张增辉姜高霞王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力... 详细信息

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力较差、分类效果不够理想以及过滤效率低等问题。针对这些问题,提出一种基于标签置信度分布的局部概率抽样方法来进行标签噪声过滤。首先利用随机森林分类器对样本的标签进行投票,从而获取每个样本的标签置信度;然后根据标签置信度的大小,将样本划分为易识别样本和难识别样本;最后分别采用不同的过滤策略对样本进行过滤。实验结果表明,在标签噪声存在的情况下,所提方法在大多数案例上能够保持较高的噪声识别能力,并且在分类泛化性能上也具有明显优势。

关键词：标签噪声局部概率抽样噪声过滤随机森林置信度估计

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的语音关键词检测算法研究

基于深度学习的语音关键词检测算法研究

引用

作者：郝玉杰重庆大学

学位级别：硕士

随着现代科技的进步,智能化语音设备走进了千家万户,语音关键词检测技术也成为人机交互的重要组成部分。随着深度学习逐步渗透到各个领域,基于深度学习的语音关键词检测算法凭借其强大的计算能力以及更高的准确性超越经典语音关键词检... 详细信息

随着现代科技的进步,智能化语音设备走进了千家万户,语音关键词检测技术也成为人机交互的重要组成部分。随着深度学习逐步渗透到各个领域,基于深度学习的语音关键词检测算法凭借其强大的计算能力以及更高的准确性超越经典语音关键词检测算法成为主流,然而由于实际应用时环境噪音等因素对语音的影响比较大,以及面对未知数据时会出现神经网络对自身产生的预测结果过于自信,导致当前语音关键词检测方法对其产生错误的判断结果的情况,尤其预定义关键词内外的数据量严重不平衡,当待检测语音数据为预定义关键词之外的词汇时,检测模型会产生大量的虚警,严重影响用户体验。另一方面,适合资源有限的小型终端设备使用的轻量型关键词检测模型更容易受到预定义关键词之外词汇和环境噪音等因素的干扰而产生大量误报虚报,无法满足语音关键词检测系统实时性高、鲁棒性强的要求。针对上述问题,本文提出了两种优化方法用于提高基于深度学习的语音关键词检测方法的置信度,改善模型性能。首先,提出了一种基于三元组置信度分支的语音关键词检测方法,通过一个结合注意力机制的置信度分支学习对每个预测结果进行置信度估计,并利用置信度估计值客观度量预测结果的可靠程度,再结合注意力评分机制更准确有效地提升检测模型的置信度估计能力,降低检测模型的虚警率。另一方面针对语音关键词较为短小且存在发音相似的现象,在卷积循环网络的基础上引入三元组损失促进网络学习关键词类别之间的关系,同时提升了模型处理可变长度序列数据时的性能,并通过与最先进的方法对比和消融实验分析,证明了本文提出的基于三元组置信度分支的语音关键词检测方法可以有效提高关键词检测模型的精度。其次,提出了一种基于知识蒸馏的语音关键词检测方法,探讨了师生网络对预测结果及其置信度的排序关系,将置信度估计能力作为一种知识由教师网络传递给学生网络,使轻量型学生网络能够为正确预测结果生成高置信度、为错误预测结果生成低置信度来区分正误预测结果,提高轻量检测模型的拒识率。另一方面使用注意力机制动态获取师生网络之间合适的中间层特征连接方案以及知识蒸馏的强度,使得知识迁移的效果最大化,最后通过实验证明了该方法可以有效提升适合小型终端设备等多种场景使用的轻量关键词检测模型的准确率。

关键词：关键词检测置信度估计集外词注意力机制知识蒸馏

来源：评论

学校读者我要写书评

暂无评论

基于样本遗忘的仅标签成员推理攻击

引用

计算机工程与设计 2024年第11期45卷 3201-3208页

作者：翟旭荣马垚于丹杨玉丽陈永乐太原理工大学计算机科学与技术学院(大数据学院) 山西晋中030600

为重新评估单个样本层面的隐私风险,降低成员推理攻击中错误推理的高昂代价,提出一种基于样本遗忘的仅标签成员推理攻击方法。通过建立样本遗忘因子计算模型,筛选出更容易被遗忘的样本作为成员推理攻击的目标,保证对每个目标的攻击均是... 详细信息

为重新评估单个样本层面的隐私风险,降低成员推理攻击中错误推理的高昂代价,提出一种基于样本遗忘的仅标签成员推理攻击方法。通过建立样本遗忘因子计算模型,筛选出更容易被遗忘的样本作为成员推理攻击的目标,保证对每个目标的攻击均是有效推理。结合邻域置信度估计算法,实现由输出标签向真实类概率的转换,在严格的黑盒设置下对目标做出高精度预测,在实践中具有更高的可行性和应用价值。通过实验验证了该方法的有效性,为成员推理攻击的研究提供了一种思路和方法。

关键词：机器学习成员推理攻击样本遗忘隐私置信度估计深度神经网络仅标签

来源：评论

学校读者我要写书评

暂无评论

基于预判式学习更新策略孪生全卷积网络的目标跟踪

引用

计算机应用与软件 2020年第12期37卷 169-176页

作者：卢盼成丁勇黄鑫城南京航空航天大学自动化学院江苏南京211106

针对孪生全卷积网络缺乏有效的模型更新策略,跟踪目标周围存在相似目标干扰容易出现跟踪丢失的问题,提出一种基于预判式学习更新策略孪生全卷积网络的目标跟踪算法。确定目标模板和搜索区域的直方图置信度估计;模拟学习率的自重启机制,... 详细信息

针对孪生全卷积网络缺乏有效的模型更新策略,跟踪目标周围存在相似目标干扰容易出现跟踪丢失的问题,提出一种基于预判式学习更新策略孪生全卷积网络的目标跟踪算法。确定目标模板和搜索区域的直方图置信度估计;模拟学习率的自重启机制,由给定正确标注初始化学习模块;根据置信度估计决定预判式学习模块更新,实现跟踪目标和相似目标的有效区分。实验结果表明,该算法具有良好的跟踪效果,在满足实时性跟踪的基础上,具有很好的跟踪精度和成功率。

关键词：目标跟踪深度学习孪生全卷积网络置信度估计预判式学习

来源：评论

学校读者我要写书评

暂无评论

弹道导弹中段雷达目标识别方法研究

弹道导弹中段雷达目标识别方法研究

引用

作者：黄盼盼南京航空航天大学

学位级别：硕士

雷达目标识别(Radar Target Recognition,RTR)是弹道导弹防御(Ballistic Missile Defense,BMD)的关键技术之一。随着现代军事的发展,对于弹道导弹在飞行中段的识别方法研究成为国内外热点课题。本文在弹道导弹目标运动建模和回波建模的... 详细信息

雷达目标识别(Radar Target Recognition,RTR)是弹道导弹防御(Ballistic Missile Defense,BMD)的关键技术之一。随着现代军事的发展,对于弹道导弹在飞行中段的识别方法研究成为国内外热点课题。本文在弹道导弹目标运动建模和回波建模的基础上,研究基于一维距离像、微多普勒的识别方法和基于置信度的分类器识别性能评估方法,主要工作如下:1.研究了弹道中段目标的基本特性。首先,研究了中段目标的回波特性,分析了一维距离像的获取方法;然后,对中段目标建立微动模型,分析了微动目标的微多普勒效应。为后续中段目标识别奠定基础。2.根据目标一维距离像特性,提出基于自适应进化粒子群算法(Adaptive Evolution Particle Swarm Optimization,AEPSO)优化支持向量机(Support Vector Machine,SVM)的目标识别方法。该方法首先对目标一维距离像进行预处理与特征提取;然后,以训练集的识别准确率做为适应度函数,利用AEPSO算法对SVM的参数进行优化;最后,利用优化后的SVM对测试样本进行分类,识别精度高达97%以上。3.根据目标微多普勒特性,提出基于时频重排＿改进Dijkstra算法的微多普勒特征提取方法。该方法首先利用时频重排方法对回波信号进行时频分析,然后利用改进的Dijkstra算法对时频图进行微多普勒提取,最后利用不同微动下微多普勒特征进行目标识别,识别精度高达96%以上。4.根据统计学习中的置信度理论,提出基于自适应邻域样本(Adaptive Neighborhood Samples,ANS)的SVM置信度估计方法。该方法依据自适应选取待测样本邻域的方法估计样本个体的置信度;对个体样本置信度进行排序并结合拒识率给出拒识域,以拒识后的样本识别率作为整体置信度估计,效果较好。

关键词：弹道中段雷达目标识别一维距离像支持向量机微动微多普勒置信度估计

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：