检索结果-内蒙古大学图书馆

作者：陆鑫伟西安电子科技大学

学位级别：硕士

传统的机器学习方法假设训练集和测试集来自同一分布的样本集，如果实验数据的分布改变了，需要重新标注新样本作为训练集建立统计模型，然而标注新样本的代价通常很高，采用迁移学习理论可以减少分类器对标注新数据的需求。通过把不同... 详细信息

传统的机器学习方法假设训练集和测试集来自同一分布的样本集，如果实验数据的分布改变了，需要重新标注新样本作为训练集建立统计模型，然而标注新样本的代价通常很高，采用迁移学习理论可以减少分类器对标注新数据的需求。通过把不同领域的已标记数据迁移到目标领域辅助训练目标模型，提高模型的训练效果。本文主要研究利用迁移学习理论提高雷达辐射源的识别效果。首先实现了基于RBF神经网络的雷达辐射源识别算法，当训练集样本数很少时，训练出的分类器对雷达辐射源的识别率较低。对于这个问题，本文深入研究了领域匹配迁移学习理论，设计了基于迁移成分分析改进的RBF神经网络分类器，通过迁移不同领域的数据辅助训练分类器，减小了系统的识别误差。然后研究了集成学习理论以及在迁移学习框架下的AdaBoost算法。设计了AdaBoost算法的改进算法，即TCAboosting算法，实验结果显示改进后的算法提高了系统的精度。最后研究了boosting算法中的基分类器训练样本分布修正函数对分类正确率的影响。把动态调整分布修正函数的思想应用到了TCAboosting算法中，提高了系统的稳定性。

关键词：迁移成分分析 RBF神经网络 boosting算法分布修正

来源：评论

学校读者我要写书评

暂无评论

boosting集成支持向量机的研究

Boosting集成支持向量机的研究

引用

作者：任江波河北工业大学

学位级别：硕士

机器学习是人工智能的一个重要组成部分,是人工智能中重点研究的核心领域。集成学习作为一种新的机器学习方法,由于其能够很好地提高学习系统的泛化能力,因此,成为机器学习领域内一个重要的研究方向。boosting算法作为集成学习方法中一... 详细信息

机器学习是人工智能的一个重要组成部分,是人工智能中重点研究的核心领域。集成学习作为一种新的机器学习方法,由于其能够很好地提高学习系统的泛化能力,因此,成为机器学习领域内一个重要的研究方向。boosting算法作为集成学习方法中一个典型代表,已经被应用到机器学习的各个领域。支持向量机是Vapnik于1995年首先提出的,由于其对一些非线性、小样本和高维模式下的问题具有很好的学习效果,因此,支持向量机得到了很快的发展并且应用到很多实际的方面,如文本分类、手写识别、人脸识别和函数拟合等。随着boosting算法和支持向量机的广泛应用,算法性能的提高越来越受到研究学者的重视。\n 本文的主要研究工作是:首先对数据进行预处理,进行归一化处理,然后采用粒子群优化算法对支持向量机的参数进行优化,采用支持向量机对数据进行分类或回归的实验,为了提高分类或回归的精度,本文提出了 boosting集成支持向量机(boosting-SVM)的算法,让支持向量机做 boosting算法中的弱学习机,然后对学习机进行有权重的投票方式进行集合学习,从而获得了更好的分类和回归效果,得到更高的精度。采用SVM算法和boosting-SVM算法在多个 UCI数据集上进行分类和回归对比试验,实验结果表明, boosting-SVM比单个支持向量机的方法具有更高的分类和回归精度。\n 本文将boosting-SVM方法应用到对胎儿体重的预测。近年来,随着生活水平的普遍提高,胎儿的平均体重也在逐渐增加,导致了对胎儿体重的估计也越来越困难。由于没有能够预测到胎儿过大而选择自然分娩的方式所导致的难产也越来越多,因此,如何能够在产前对胎儿的体重做出准确的估计,便成为迫切需要解决的问题。通过本文提出的boosting-SVM算法能够提高对胎儿体重的准确预测,能够很好解决胎儿体重的问题,从而验证了boosting-SVM的有效性和实用性。

关键词：支持向量机集成学习 boosting算法 boosting-SVM算法

来源：评论

学校读者我要写书评

暂无评论

工具线形痕迹单点激光检测特征自适应匹配技术研究

工具线形痕迹单点激光检测特征自适应匹配技术研究

引用

作者：阚立峰昆明理工大学

学位级别：硕士

在刑事侦查过程中,剪切线形痕迹作为工具痕迹的一种,常见于线缆割盗案件中。犯罪分子在偷盗通信电缆、贯通地线时多使用断线钳、线缆剪、破坏钳等大型剪切工具。剪切形成的断头表面线性痕迹是案发现场中最为常出现的一种痕迹,其具有不... 详细信息

在刑事侦查过程中,剪切线形痕迹作为工具痕迹的一种,常见于线缆割盗案件中。犯罪分子在偷盗通信电缆、贯通地线时多使用断线钳、线缆剪、破坏钳等大型剪切工具。剪切形成的断头表面线性痕迹是案发现场中最为常出现的一种痕迹,其具有不易破坏、难以伪装、出现率频繁,鉴定价值高等特点。这对于办案人员认定案件性质,确定作案工具,进而证实犯罪嫌疑人有着十分重要的意义。本文的主要内容是研究如何将通过剪切线形痕迹激光检测设备采集到的断头表面痕迹信号进行一系列处理,最终高效准确得匹配出作案工具。由于信号采集过程中周边环境的干扰、设备本身的精度以及工作人员操作的主观因素等,使检测得到的信号中夹杂着大量干扰噪声,在信号特征匹配之前需要对这些噪声进行剔除。在信号降噪方面,主要采用了基于小波阈值去噪的方法,并通过实验验证证明了该方法的有效性。接下来对信号进行了特征提取与比对过程,本文采用了boosting算法设计思想,将多个弱分类器组合形成一个强分类器,融合了基于梯度分布、差异值方差、阈值序列和小波变换序列的四种比对策略。通过基于梯度下降法的机器学习方法进行参数训练,得到四种比对策略的最佳组合权重,最后对所得结果进行分组识别,得出匹配结论。最后通过实验验证该算法的有效性和高效性。

关键词：数据降噪特征提取 boosting算法机器学习分组识别

来源：评论

学校读者我要写书评

暂无评论

基于集成学习的电信信用服务平台的研究与实现

基于集成学习的电信信用服务平台的研究与实现

引用

作者：邱菲儿中南财经政法大学

学位级别：硕士

随着我国经济转型进入高质量发展阶段,信用体系建设的重要性愈发突出。而传统的信用体系存在覆盖率不足、数据孤岛现象等问题,需要多层次的信用体系才能满足飞速发展的市场经济下的需求。电信运营商拥有用户信息大数据,具有大规模、高... 详细信息

随着我国经济转型进入高质量发展阶段,信用体系建设的重要性愈发突出。而传统的信用体系存在覆盖率不足、数据孤岛现象等问题,需要多层次的信用体系才能满足飞速发展的市场经济下的需求。电信运营商拥有用户信息大数据,具有大规模、高精准和多样性的数据优势,能够针对传统信用体系的建设问题提供新思路。而当前电信信用体系的发展和应用也存在一些问题,包括运营商对信用服务的管理不足,传统电信评分模型难以客观全面及时反映用户信用状态,消费者对于信用管理和信用服务的需求被忽视等。本文的研究基于目前电信信用体系的发展现状和存在的问题,分两个方面展开研究:1)通过某电信运营商的用户真实数据集,对其中包含的多维特征信息进行一系列数据挖掘工作,并基于boosting集成学习算法中的XGBoost、LightGBM和CatBoost分别构建用户信用评估单模型,再利用Stacking进行模型融合提升预测效果,最后根据实验结果选择最优模型完成信用评估模型搭建。2)通过对电信信用服务的现状研究和需求调研,以信用评估模型对信用分的预测结果为核心,设计并实现面向用户和运营商的电信信用服务平台,完善现有的电信信用服务体系。系统设计上分为运营商管理员端和消费者用户端,管理员端包括四个子功能模块:用户信息管理、信用服务管理、信用评估管理和电信风险管理;用户端包括三个子功能模块:个人信息、信用评估和信用服务。本文的创新点在于,考虑到传统线性统计模型在信用评估中主要以客户消费能力等少数维度衡量,难以全面客观及时地反映用户的信用状态。针对传统评估模型的局限性,使用boosting集成学习算法和Stacking模型融合提升评估准确性,在此基础上设计并实现了一个电信信用服务平台,扩展电信信用体系的应用方向。通过本文的研究,一方面可以推动电信信用评估模型的创新,为信用体系建设的研究提供新思路;另一方面,也有助于提升电信运营的盈利情况,改善用户的电信信用服务质量,从应用的角度推动信用体系的建设发展。

关键词：电信信用体系信用评估 boosting算法 Stacking

来源：评论

学校读者我要写书评

暂无评论

基于数据驱动的晶闸管换流阀状态评估研究

基于数据驱动的晶闸管换流阀状态评估研究

引用

作者：李轩东南大学

学位级别：硕士

当下,我国电力设备检修方式正由定期检修等传统方式逐渐往状态检修过渡。对电力设备实施状态评价,准确辨别其运行状态等级,是落实状态检修工作的基础与前提。换流阀作为特高压直流输电系统的核心设备,起到整流、逆变等关键作用。如果能... 详细信息

当下,我国电力设备检修方式正由定期检修等传统方式逐渐往状态检修过渡。对电力设备实施状态评价,准确辨别其运行状态等级,是落实状态检修工作的基础与前提。换流阀作为特高压直流输电系统的核心设备,起到整流、逆变等关键作用。如果能对其运行状态进行可靠评估,则能够及时发现异常情况,减小故障率,提升电网运行安全水平。然而,鉴于换流阀运行状态评估标准尚不完善,当前仍没有一套可靠的状态确定体系。本文针对特高压直流输电晶闸管换流阀运行状态评估的问题,主要进行了以下四方面的工作:(1)晶闸管换流阀运行状态分析。结合现场图、原理图对ABB技术路线晶闸管换流阀的关键组件、基本功能与工作原理进行深入研究;基于《导则》中计及的39个特征状态量,提出一种线性互补融合的晶闸管换流阀特征选择方法,即采用3种不同评价准则的特征选取方式,计算故障特征综合重要度,筛选出最优特征组合;采用《导则》中的状态划分方式,将晶闸管换流阀的运行状态分为正常、注意、异常、严重四个等级,并辅以不同的检修安排。(2)基于自适应加权过采样的晶闸管换流阀状态评估样本均衡化方法。介绍欠采样、过采样等传统处理方法,分别探讨他们的原理及缺陷;在合成少数类过采样(Synthetic Minority Oversampling Technique,SMOTE)原理基础上,提出一种新型自适应加权过采样算法,通过层次聚类逐步划分少数类子簇,依据子簇错分率确定最终的采样规模,避免传统SMOTE容易导致模型过拟合、合成样本与多数类样本重合等问题,有效提升决策边界样本的识别率。通过实例分析,验证所提模型在晶闸管换流阀运行状态评估中实现样本均衡化及数据增强的有效性,且优于传统SMOTE、Borderline SMOTE等过采样算法。(3)基于提升(boosting)算法的晶闸管换流阀状态评估方法。介绍集成学习中boosting算法的基本思路,引入XGBoost、LightGBM两个分类模型,结合交叉验证和网格搜索寻找各模型中的最优超参数;基于准确率、召回率、运行时间等评价指标,选取出最优boosting算法,构建最终的晶闸管换流阀状态评估模型;在第三章生成的均衡化数据基础上,通过实例验证所提晶闸管换流阀状态评估方法的准确性与有效性。(4)基于夏普利值加性解释(SHapley Additive ex Planations,SHAP)的晶闸管换流阀状态评估模型可解释性分析方法。为了阐明评估模型具体运算逻辑,引入机器学习模型可解释性的概念。研究夏普利(Shapley)值与SHAP归因理论的性质及应用场景,提出换流阀状态评估模型全局重要性解释、特征分布相关性解释以及个体决策解释等三种分析方法。算例部分,针对第四章选取的状态评估模型进行分析,通过绘制概要图、依赖图与力图辅助进行全局及个体解释。引入忠实性与正确性的概念,并进行解释模型的对比,验证在换流阀状态评估中SHAP归因理论比传统解释更加准确、可靠。

关键词：晶闸管换流阀状态评估数据驱动过采样 boosting算法可解释性

来源：评论

学校读者我要写书评

暂无评论

基于集成学习模式的Boost-SVM算法研究

基于集成学习模式的Boost-SVM算法研究

引用

作者：任芳武汉科技大学

学位级别：硕士

集成学习是一种新的机器学习范式,它使用多个学习器来解决同一个问题,能够显著地提高学习系统的泛化能力,因此从20世纪90年代开始,集成学习逐渐成为了机器学习领域的一个新的热点。在实际分类问题中,为了减少损失和失误的概率,往往会对... 详细信息

集成学习是一种新的机器学习范式,它使用多个学习器来解决同一个问题,能够显著地提高学习系统的泛化能力,因此从20世纪90年代开始,集成学习逐渐成为了机器学习领域的一个新的热点。在实际分类问题中,为了减少损失和失误的概率,往往会对分类方法提出更高的要求,使其达到尽可能高的分类精确率,例如,行星探测、地震波分析、Web信息过滤、生物特征识别、计算机辅助医疗诊断等一些需要精确分类的实际项目。集成学习方法目前还不能满足这样的高精度要求。基于此类现实问题的考虑,本文提出了一种新的集成学习方法,为其注入了新鲜血液,将具备强学习能力的支持向量机方法运用于集成学习模式当中,称之为Boost-SVM算法,以期得到更高的分类精确率。选用支持向量机(Support Vector Machines,简称SVM)作为分量学习机,作为基于统计学习理论发展起来的分类方法,它解决了模型选择与过学习、非线性和维数灾难问题、局部极小点等问题。 Boost-SVM算法实质上是通过重点训练容易被分类器错误分类的样本来减少错误分类率。影响学习机分类效果的正是这部分被错误分类的样本,Boost-SVM重点标记错误分类的样本权值,并且在反复迭代中多次学习该类样本,以减少被错误分类的样本个数,从而达到降低错误分类率的目的。本文在LIBSVM平台上通过改造实现了Boost-SVM算法并在UCI分类数据集上进行了验证。实验结果表明Boost-SVM可以有效地提高分类精确率,并且相对于SVM结果上有了较大的提高。该方法具有可理解性强、算法易于实现等优点,并可以用来解决多类别分类问题,在解决分类问题上颇具竞争力。

关键词：集成学习 Adaboost算法 boosting算法支持向量机(SVM)

来源：评论

学校读者我要写书评

暂无评论

基于集成学习的网络安全态势评估模型研究

基于集成学习的网络安全态势评估模型研究

引用

作者：王宇飞华北电力大学

学位级别：硕士

互联网已广泛应用到当今社会的各个领域,成为支撑社会正常运转的重要基础设施之一。随着互联网规模的快速发展,网络安全形势日益严峻,每时每刻都有新种类的网络攻击和网络威胁产生,但目前的网络安全设备无论从功能上还是技术上都难以满... 详细信息

互联网已广泛应用到当今社会的各个领域,成为支撑社会正常运转的重要基础设施之一。随着互联网规模的快速发展,网络安全形势日益严峻,每时每刻都有新种类的网络攻击和网络威胁产生,但目前的网络安全设备无论从功能上还是技术上都难以满足当前日益增长的安全需求,亟需新的技术方法来全面剖析并展示网络安全状况。论文采用网络安全态势(Network Security Situation, NSS)来描述目标网络在不同运行时期的安全状态,对网络安全态势评估(Network Security Situation Evaluation, NSSE)展开了深入的研究。NSSE一方面包括目标网络的实时安全态势分析,即网络安全态势感知(Network Security Situation Awareness, NSSA),另一方面包括目标网络的未来安全态势预警,即网络安全态势预测(Network Security Situation Forecast, NSSF),目前这两部分内容的研究还处于相互独立的状态,缺乏对其数学机理的深刻理解。论文首先从本质上深入剖析NSSA和NSSF的异同点,进而结合两者在工作原理上的相似性,利用人工智能理论提出基于集成学习boosting算法的一体化NSSE模型,实现了对目标网络当前及未来安全态势的全方位评估,主要研究内容如下： 1.通过分析NSSA和NSSF的物理工作过程,抽象出两者数学本质,发现两者异同点,提出了基于函数拟合理论的NSSA和NSSF统一解决方案,为一体化NSSE模型设计建立理论基础。 2.采用层次分析法(Analytic Hierarchy Process, AHP)构建NSSE指标体系。该体系以NSSA结果做为输入量,输出网络安全态势值(Network Security Situation Value, NSSV),并以NSSV做为NSSF的输入量,从而在物理工作流程上将NSSA和NSSF统一起来。 3.提出了基于boosting算法的NSSE模型,用于函数拟合运算,在满足NSSE功能要求基础上,实现了NSSA和NSSF的一体化。 4.采用KDD Cup99和Honey Net等国内外知名数据集验证了基于boosting算法的NSSE模型的有效性,着重评估了NSSA的漏报率和误报率,以及NSSF的准确率,得到了良好的实验结果。

关键词：网络安全态势评估网络安全态势感知网络安全态势评估指标体系网络安全态势预测集成学习 boosting算法

来源：评论

学校读者我要写书评

暂无评论

基于集成学习的视觉目标识别

基于集成学习的视觉目标识别

引用

作者：董岩超东南大学

学位级别：硕士

随着人工智能，社会智能的发展，视觉系统，其在感官系统中占75％以上的交互信息，得到科研工作者的广泛关注。然而在相当长的一段时间内，视觉目标识别技术发展缓慢，随着机器学习应用到计算机视觉中来，其得到前所未有的发展。\n ... 详细信息

随着人工智能，社会智能的发展，视觉系统，其在感官系统中占75％以上的交互信息，得到科研工作者的广泛关注。然而在相当长的一段时间内，视觉目标识别技术发展缓慢，随着机器学习应用到计算机视觉中来，其得到前所未有的发展。\n 首先，本文重点介绍了集成学习思想。围绕如何构造一个有效且稳定的分类器，从特征选择，数理统计学，生物学等多角度剖析了AdaBoost分类器的工作机理;重点介绍了多种具有代表性的AdaBoost变种算法，总结并分析其在工程应用中的若干个关键问题;详细介绍了级联分类器框架，从理论分析与实践应用两个方面进行深入研究，并对此框架所存在的问题进行了归纳总结。\n 其次，围绕如何将集成分类器运用到视觉目标研究中，本文结合车牌检测和车辆检测两种视觉目标检测应用，详细探讨了级联分类器框架的应用过程。首先采用级联分类器框架解决了车牌检测的问题，然后研究并采用了一种改进的检测框架，解决了车辆检测的问题，此种检测框架更符合人类的视觉认知系统，主要分为两个阶段:第一步，通过显著性分析与视觉注意机制进行目标预定位;第二步，利用级联分类器进行精分类。在VIVID数据集上取得良好的效果，即允许使用计算复杂特征的基础上，成功地降低了检测时间。\n 随后，结合车牌字符识别说明集成学习在视觉目标识别中的应用问题。在样本不足时，提出了一种基于集成学习的模板匹配方法，在不考虑识别速度的前提下，其字母数字的识别率达到了95％;然后针对样本不足等问题进行分析，并进行人工制造样本;针对字母和数字的混淆情况，采用多层分类机制，使分类器的分类能力得到进一步提高;利用MFC框架类为车牌识别算法设计用户界面。\n 最后，系统地总结了本文的研究成果，探讨了集成学习在视觉目标识别中所出现的问题，并对进一步的研究方向做了总结。

关键词：视觉目标集成学习 boosting算法级联分类器显著性分析

来源：评论

学校读者我要写书评

暂无评论

电信网络中故障诊断与调度优化方案的研究

电信网络中故障诊断与调度优化方案的研究

引用

作者：何家劲北京邮电大学

学位级别：硕士

近些年来,随着5G等电信网络的快速发展,越来越多的用户依赖于网络提供的各种的服务,如网络教育、电子商务等。而网络的规模持续扩大以及结构日益复杂,使得网络发生故障的可能也逐渐升高。一旦网络发生故障后,如果不能及时对网络进行诊... 详细信息

近些年来,随着5G等电信网络的快速发展,越来越多的用户依赖于网络提供的各种的服务,如网络教育、电子商务等。而网络的规模持续扩大以及结构日益复杂,使得网络发生故障的可能也逐渐升高。一旦网络发生故障后,如果不能及时对网络进行诊断和调度,将可能导致网络陷入瘫痪状态,给社会带来巨大经济损失。因此,对电信网络故障进行诊断及对故障网络进行调度优化的研究就有非常重要的意义。针对这一主题,本文提出了电信网络中故障诊断与调度优化的系统解决方案,具体包括以下几个步骤:1)搭建了整个电信网络故障诊断系统并对网络数据进行了预处理。接下来,针对传统方法在处理大型网络时故障诊断的准确率不高、模型容易陷入过拟合状态等问题,设计了一套基于boosting模型的故障区域诊断方案。该方案首先通过引入eXtreme Gradient boosting(XGboost)模型来构建梯度提升树并实现故障区域的初步诊断;然后为了进一步提升故障诊断的准确率以及降低时间复杂度,提出了一种基于Light Gradient boosting Machine(LightGBM)的故障诊断模型。通过将连续特征值划分成不同的区块和设置动态阈值的方式来减少计算复杂度;通过网格搜索、特征的合并处理和直方图算法来提高模型的精度。基于公开数据的仿真结果表明:故障诊断的准确率从70%提高到99%;与XGBoost模型相比,时间复杂度降低了 70%。2)为了定位到故障区域中产生故障的设备,提出了一种基于图神经网络(GNN)的区域内设备诊断方案。以故障区域内的整个设备网络作为研究对象,对故障区域内的部分设备状态进行聚类分析,聚类后的结果为GNN故障诊断模型的搭建提供了先验信息。通过引入图网络的嵌入表示实现了整个设备网络信息的聚合和压缩,并用聚合后的信息表示整个设备网络。之后,通过建立GNN故障诊断模型实现对所有设备进行故障诊断,最终定位故障的根设备。经过多次仿真表明,由Graph Convolutional Network(GCN)层或Graph Attention Network(GAT)层搭建的故障诊断模型的复杂度较低,且复杂度仅为O(n)。对比来看,GAT层构建的模型的故障诊断准确率较高,准确率超过93%以上。根据对故障设备的定位的结果,可以准确地对故障根设备进行定位。3)为了减少故障传播带来的影响以及提升电信网络的整体性能,首先提取出以故障设备为中心的有向无环子图。然后,结合层级结构图方法来搭建最大概率传播模型并对故障传播链路进行预测。接下来,介绍了网络失效模型的搭建过程并提出了一种具有自适应、自组织能力的故障网络调度优化算法。该算法首先通过投票选举方式来自主选择故障设备的备选节点;然后递归地采用最大剩余流量再分配方法来处理邻居节点流量分配超量的问题。通过仿真分析,相比传统调度方法,本文所设计的算法在较低网络成本下能达到较高的网络稳定性。只要保证故障网络中的总的剩余容量大于故障设备节点所需承担的流量,那么故障设备网络通过本调度算法处理之后就能够恢复正常。此外,该调度算法适用于不同规模的设备网络。

关键词：电信网络故障诊断 boosting算法图神经网络调度优化

来源：评论

学校读者我要写书评

暂无评论

三重集约束下的自适应SSLBoost分类方法

引用

计算机应用研究 2020年第8期37卷 2376-2380页

作者：原鑫王振友广东工业大学应用数学学院广州510520

在分类问题中,常用的高效算法有半监督学习算法、Bagging算法和boosting算法等,当标记数据很少、数据间差异较大时,很难找到有效的规则来分类。针对此问题提出了三重集约束下的boosting分类算法,对标记数据、伪标记数据、无标记数据进... 详细信息

在分类问题中,常用的高效算法有半监督学习算法、Bagging算法和boosting算法等,当标记数据很少、数据间差异较大时,很难找到有效的规则来分类。针对此问题提出了三重集约束下的boosting分类算法,对标记数据、伪标记数据、无标记数据进行三重约束划分;同时引入平衡函数将更新数据的近邻两点加权,确立数据空间稳定点;根据稳定点信息对分类器进行迭代,采用梯度下降法使得平衡函数收敛,得到最终的伪标记数据和分类器。经过UCI九个数据集的实验,验证了该算法更为高效、可行。

关键词： boosting算法空间稳定点三重集约束梯度下降平衡函数

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：