2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩10頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、<p>  軟件質(zhì)量控制與測試課程設(shè)計(jì)報(bào)告</p><p>  ( 2011 -- 2012 年度第 一 學(xué)期)</p><p>  課程名稱: 軟件質(zhì)量控制與測試課程設(shè)計(jì)報(bào)告</p><p>  題 目: 基于madaline的神經(jīng)網(wǎng)絡(luò)系統(tǒng) </p><p>  院 系: 計(jì)算機(jī)科學(xué)與技術(shù)系 <

2、/p><p>  班 級: </p><p>  學(xué) 號: </p><p>  姓 名: </p><p>  指導(dǎo)教師: </p><p>  設(shè)計(jì)周數(shù):

3、 兩周 </p><p>  日期:2012 年 5月 4日</p><p><b>  一.任務(wù)書</b></p><p><b>  1.項(xiàng)目背景</b></p><p>  人工神經(jīng)網(wǎng)絡(luò)也稱為神經(jīng)或稱作連接模型,是對人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。人工神

4、經(jīng)網(wǎng)絡(luò)以對大腦的生理研究成果為基礎(chǔ),其目的在于模擬大腦的某些機(jī)理與機(jī)制,實(shí)現(xiàn)某個(gè)方面的功能。神經(jīng)網(wǎng)絡(luò)的分類有多種方法:按結(jié)構(gòu)分有前饋神經(jīng)網(wǎng)絡(luò)和后饋神經(jīng)網(wǎng)絡(luò);按應(yīng)用功能來分有局部逼近網(wǎng)絡(luò)和全局逼近網(wǎng)絡(luò)。</p><p><b>  2.要求</b></p><p><b>  2.1目的和用途</b></p><p>  實(shí)

5、現(xiàn)網(wǎng)絡(luò)計(jì)算,并輸出網(wǎng)絡(luò)分別在訓(xùn)練樣本和測試樣本上的性能值。</p><p>  2.2主要內(nèi)容和組成</p><p>  一.輸入界面的設(shè)計(jì)包括如下:</p><p>  (1)輸入數(shù)據(jù),其中數(shù)據(jù)的格式可分為.xls,.doc,.txt.提供數(shù)據(jù)可分為訓(xùn)練樣本和測試樣本,訓(xùn)練樣本中已經(jīng)包含了輸入數(shù)據(jù)和本身的輸出數(shù)據(jù)。測試樣本中只有輸入數(shù)據(jù)。</p>&

6、lt;p>  (2)輸入的數(shù)據(jù)想通過上傳文件的格式,并且能夠一次性上傳多個(gè)文件,在沒有人得干預(yù)下,讓它自己進(jìn)行訓(xùn)練與測試。</p><p>  (3)在此軟件上能夠任意的設(shè)置輸入維數(shù)的參數(shù)。</p><p>  (4)在軟件輸入界面上要設(shè)有樣本的個(gè)數(shù),能夠通過人工的預(yù)設(shè)。</p><p>  二.輸出界面的設(shè)計(jì)包括如下:</p><p>

7、;<b>  (1)學(xué)習(xí)性能</b></p><p><b>  (2)測試性能</b></p><p><b>  (3)樣本成功率</b></p><p>  (4)測試樣本成功率</p><p><b>  (5)學(xué)習(xí)效率</b></p>

8、<p><b>  (6)范化性能</b></p><p><b>  (7)實(shí)際迭代次數(shù)</b></p><p><b>  (8)學(xué)習(xí)性能</b></p><p>  (9)輸出數(shù)據(jù),其中輸出數(shù)據(jù)為-1,和1,因?yàn)榭紤]到輸出的多樣性,而且數(shù)據(jù)范圍比較大。-1是表示在訓(xùn)練數(shù)據(jù)時(shí)輸出的數(shù)

9、據(jù)與預(yù)期的數(shù)據(jù)不一致時(shí)呈現(xiàn)的結(jié)果。1是表示的在訓(xùn) 練數(shù)據(jù)時(shí)輸出的數(shù)據(jù)與預(yù)期的數(shù)據(jù)一致時(shí)呈現(xiàn)的結(jié)果。</p><p><b>  二.需求分析</b></p><p><b>  1.需要實(shí)現(xiàn)的功能</b></p><p>  文件復(fù)制,文件移動(dòng),目錄創(chuàng)建,文件瀏覽,文件上傳下載,程序運(yùn)行,插件安裝,插件卸載,整體卸載等遠(yuǎn)程

10、控制功能,端口更換,密碼更換等系統(tǒng)功能</p><p><b>  2.界面要求</b></p><p>  界面使用知識流界面模式,知識流界面提供默認(rèn)與自定義配置結(jié)合,而此界面所能帶來的優(yōu)勢為可針對多種用戶,并且上手容易。并在有可能的情況下提供多種的語言包,使軟件國際化具有可操作性。</p><p><b>  三.總體設(shè)計(jì)<

11、/b></p><p>  1.感知器神經(jīng)元模型</p><p>  感知器神經(jīng)元通過對權(quán)值的訓(xùn)練,可以使感知器神經(jīng)元的輸出能代表對輸入模式進(jìn)行的分類,下圖為感知器神經(jīng)元模型。</p><p>  感知器神經(jīng)元的每一個(gè)輸入都對應(yīng)于一個(gè)合適的權(quán)值,所有的輸入與其對應(yīng)權(quán)值的加權(quán)和作為閥值函數(shù)的輸入。由于閥值函數(shù)的引入,從而使得感知器可以將輸入向量分為兩個(gè)區(qū)域,通常

12、閥函數(shù)采用雙極階躍函數(shù),如:</p><p><b> ?。?.1)</b></p><p>  而感知器神經(jīng)元模型的實(shí)際輸出為</p><p><b> ?。?.2)</b></p><p><b>  其中b為閥值</b></p><p>  2.感

13、知器的網(wǎng)絡(luò)結(jié)構(gòu)</p><p>  圖2.2所描述的是一個(gè)簡單的感知器網(wǎng)絡(luò)結(jié)構(gòu),輸入層有R個(gè)輸入,Q個(gè)輸出,通過權(quán)值wij與s個(gè)感知器神經(jīng)元連接組成的感知器神經(jīng)網(wǎng)絡(luò)。</p><p>  根據(jù)網(wǎng)絡(luò)結(jié)構(gòu),可以寫出感知器處理單元對其輸入的加權(quán)和操作,即:</p><p><b> ?。?.3)</b></p><p><

14、;b>  而其輸出ai為</b></p><p>  ai=f (ni+bi) (3.4)</p><p><b>  由式2.1易知</b></p><p><b> ?。?.5)</b></p><p>  則當(dāng)輸入ni+bi

15、大于等于0,即有ni≥-bi時(shí),感知器的輸出為1;否則輸出為0。</p><p>  上面所述的單層感知器神經(jīng)網(wǎng)絡(luò)是不可能解決線性不可分的輸入向量分類問題,也不能推廣到一般的前向網(wǎng)絡(luò)中去。為解決這一問題,我們可以設(shè)計(jì)多層感知器神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)任意形狀的劃分。</p><p>  圖2.3描述了一個(gè)雙層感知器神經(jīng)網(wǎng)絡(luò)。其工作方式與單層感知器網(wǎng)絡(luò)一樣,只不過是增加了一層而已,具體的內(nèi)容這里不做討

16、論。</p><p><b>  四.詳細(xì)設(shè)計(jì)</b></p><p>  1.自適應(yīng)線性神經(jīng)元模型和結(jié)構(gòu)</p><p>  一個(gè)線性的具有r個(gè)輸人的自適應(yīng)線性神經(jīng)元模型如下圖所示。這個(gè)神經(jīng)元有一個(gè)線性激活函數(shù),被稱為Adaline如圖4.1(a)所示。和感知器一樣,偏差可以用來作為網(wǎng)絡(luò)的一個(gè)可調(diào)參數(shù),提供額外可調(diào)的自由變量以獲得期望的網(wǎng)絡(luò)特

17、性。線性神經(jīng)元可以訓(xùn)練學(xué)習(xí)一個(gè)與之對應(yīng)的輸入輸出的函數(shù)關(guān)系,或線性逼近任意一個(gè)非線性函數(shù),但它不能產(chǎn)生任何非線性的計(jì)算特性。</p><p>  圖4. 1 自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)</p><p>  當(dāng)自適應(yīng)線性網(wǎng)絡(luò)由s個(gè)神經(jīng)元相并聯(lián)形成一層網(wǎng)絡(luò),此自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)又稱為Madallne如圖4.1(b)所示。</p><p>  W—H規(guī)則僅能夠訓(xùn)練單層網(wǎng)絡(luò)

18、,但這并不是什么嚴(yán)重問題。如前面所述,單層線性網(wǎng)絡(luò)與多層線性網(wǎng)絡(luò)具有同樣的能力,即對于每一個(gè)多層線性網(wǎng)絡(luò),都具有一個(gè)等效的單層線性網(wǎng)絡(luò)與之對應(yīng)。在反向傳播法產(chǎn)生以后,威德羅又將其自適應(yīng)線性網(wǎng)絡(luò)擴(kuò)展成多層,甚至將激活函數(shù)也擴(kuò)展成非線性的了。</p><p><b>  2.W-H學(xué)習(xí)規(guī)則</b></p><p>  W—H學(xué)習(xí)規(guī)則是由威德羅和霍夫提出的用來修正權(quán)矢量的學(xué)

19、習(xí)規(guī)則,所以用他們兩人姓氏的第一個(gè)字母來命名。采用W—H學(xué)習(xí)規(guī)則可以用來訓(xùn)練一定網(wǎng)絡(luò)的權(quán)值和偏差使之線性地逼近一個(gè)函數(shù)式而進(jìn)行模式聯(lián)想(Pattern Association)。</p><p>  定義一個(gè)線性網(wǎng)絡(luò)的輸出誤差函數(shù)為:</p><p><b>  (4.1)</b></p><p>  由(4.1)式可以看出:線性網(wǎng)絡(luò)具有拋物線

20、型誤差函數(shù)所形成的誤差表面,所以只有一個(gè)誤差最小值。通過W—H學(xué)習(xí)規(guī)則來計(jì)算權(quán)值和偏差的變化,并使網(wǎng)絡(luò)誤差的平方和最小化,總能夠訓(xùn)練一個(gè)網(wǎng)絡(luò)的誤差趨于這個(gè)最小值。另外很顯然,E(W,B)只取決于網(wǎng)絡(luò)的權(quán)值及目標(biāo)矢量。我們的目的是通過調(diào)節(jié)權(quán)矢量,使E(W,B)達(dá)到最小值。所以在給定E(W,B)后,利用W—H學(xué)習(xí)規(guī)則修正權(quán)矢量和偏差矢量,使E(W,B)從誤差空間的某一點(diǎn)開始,沿著E(W,B)的斜面向下滑行。根據(jù)梯度下降法,權(quán)矢量的修正值正比

21、于當(dāng)前位置上E(W,B)的梯度,對于第i個(gè)輸出節(jié)點(diǎn)有:</p><p><b>  (4.2)</b></p><p><b>  或表示為:</b></p><p><b>  (4.3)</b></p><p>  這里定義為第i個(gè)輸出節(jié)點(diǎn)的誤差:

22、 </p><p><b>  (4.4)</b></p><p>  (4.3)式稱為W—H學(xué)習(xí)規(guī)則,又叫δ規(guī)則,或?yàn)樽钚【讲钏惴ǎ↙MS)。W—H學(xué)習(xí)規(guī)則的權(quán)值變化量正比于網(wǎng)絡(luò)的輸出誤差及網(wǎng)絡(luò)的輸入矢量。它不需求導(dǎo)數(shù),所以算法簡單,又具有收斂速度快和精度高的優(yōu)點(diǎn)。</p>

23、<p>  (4.5)式中的η為學(xué)習(xí)速率。在一般的實(shí)際運(yùn)用中,實(shí)踐表明,η通常取一接近1的數(shù),或取值為:</p><p><b> ?。?.5)</b></p><p>  這樣的選擇可以達(dá)到既快速又正確的結(jié)果。</p><p>  學(xué)習(xí)速率的這一取法在神經(jīng)網(wǎng)絡(luò)工具箱中用函數(shù)maxlinlr.m來實(shí)現(xiàn)。(4.5)式可實(shí)現(xiàn)為:</

24、p><p>  其中l(wèi)r為學(xué)習(xí)速率。</p><p>  W—H學(xué)習(xí)規(guī)則的函數(shù)為:learnwh.m來實(shí)現(xiàn),另外,加上線性自適應(yīng)網(wǎng)絡(luò)輸出函數(shù)purelin.m,可以寫出W—H學(xué)習(xí)規(guī)則的計(jì)算公式為:</p><p>  A=purelin(W*P);</p><p><b>  E=T—A;</b></p>&l

25、t;p>  [dW,dB]=learnwh(P,E,h);</p><p><b>  W=W十dW;</b></p><p><b>  B=B十dB;</b></p><p>  采用W—H規(guī)則訓(xùn)練自適應(yīng)線性元件使其能夠得以收斂的必要條件是被訓(xùn)練的輸入矢量必須是線性獨(dú)立的,且應(yīng)適當(dāng)?shù)剡x擇學(xué)習(xí)速率以防止產(chǎn)生振蕩現(xiàn)象

26、。</p><p><b>  3.網(wǎng)絡(luò)訓(xùn)練</b></p><p>  自適應(yīng)線性元件的網(wǎng)絡(luò)訓(xùn)練過程可以歸納為以下三個(gè)步驟:</p><p>  1)表達(dá):計(jì)算訓(xùn)練的輸出矢量A=W*P十B,以及與期望輸出之間的誤差E=T—A;</p><p>  2)檢查:將網(wǎng)絡(luò)輸出誤差的平方和與期望誤差相比較,如果其值小于期望誤差,

27、或訓(xùn)練已達(dá)到事先設(shè)定的最大訓(xùn)練次數(shù),則停止訓(xùn)練;否則繼續(xù);</p><p>  3)學(xué)習(xí):采用W—H學(xué)習(xí)規(guī)則計(jì)算新的權(quán)值和偏差,并返回到1)。</p><p>  每進(jìn)行一次上述三個(gè)步驟,被認(rèn)為是完成一個(gè)訓(xùn)練循環(huán)次數(shù)。</p><p>  如果網(wǎng)絡(luò)訓(xùn)練獲得成功,那么當(dāng)一個(gè)不在訓(xùn)練中的輸入矢量輸入到網(wǎng)絡(luò)中時(shí),網(wǎng)絡(luò)趨于產(chǎn)生一個(gè)與其相聯(lián)想的輸出矢量。這個(gè)特性被稱為泛化,這

28、在函數(shù)逼近以及輸入矢量分類的應(yīng)用中是相當(dāng)有用的。</p><p>  如果經(jīng)過訓(xùn)練,網(wǎng)絡(luò)仍不能達(dá)到期望目標(biāo),可以有兩種選擇:或檢查一下所要解決的問題,是否適用于線性網(wǎng)絡(luò);或?qū)W(wǎng)絡(luò)進(jìn)行進(jìn)一步的訓(xùn)練。</p><p>  雖然只適用于線性網(wǎng)絡(luò),W—H學(xué)習(xí)規(guī)則仍然是重要的,因?yàn)樗宫F(xiàn)了梯度下降法是如何來訓(xùn)練一個(gè)網(wǎng)絡(luò)的,此概念后來發(fā)展成反向傳播法,使之可以訓(xùn)練多層非線性網(wǎng)絡(luò)。</p>

29、<p>  采用Matlab進(jìn)行自適應(yīng)線性元件網(wǎng)絡(luò)的訓(xùn)練過程如下:</p><p><b> ?。ケ磉_(dá)式</b></p><p>  A=purelin(W*P,B);</p><p><b>  E=T-A;</b></p><p>  SSE=sumsqr(E);%求誤差平方和

30、</p><p>  for epoch=1: max_epoch%循環(huán)訓(xùn)練</p><p>  if SSE<err_goal%比較誤差</p><p>  epoch=epoch—1;</p><p>  break%若滿足期望誤差要求,結(jié)束訓(xùn)練</p><p><b>  end</b

31、></p><p>  [dlw,dB]=1earnwh(P,E,lr);%修正權(quán)值</p><p><b>  W=W十dW;</b></p><p><b>  B=B十dB;</b></p><p>  A=purelin(W*P,B);%網(wǎng)絡(luò)輸出</p><p&

32、gt;<b>  E=T-A;</b></p><p>  SSE=sumsqr(E);%計(jì)算網(wǎng)絡(luò)誤差平方和</p><p><b>  end</b></p><p>  同樣,工具箱中設(shè)計(jì)了一個(gè)名為trainwh.m的函數(shù)可以替代上述整個(gè)訓(xùn)練過程。</p><p>  如果仍用在輸入空間作

33、圖法來解釋自適應(yīng)線性元件網(wǎng)絡(luò)的功能,它可以解釋為用W*P十B=0的界面通過給出的輸入矢量組成的空間(點(diǎn)或線),或線性地逼近這些輸入矢量。</p><p><b>  五.編碼</b></p><p>  現(xiàn)在來考慮一個(gè)較大的多神經(jīng)元網(wǎng)絡(luò)的模式聯(lián)想的設(shè)計(jì)問題。輸入矢量和目標(biāo)矢量分別為:</p><p><b>  解答過程如下:<

34、/b></p><p>  由輸入矢量和目標(biāo)輸出矢量可得:r=3,s=4,q=4。所以網(wǎng)絡(luò)的結(jié)構(gòu)如圖5.1所示。</p><p>  圖5.1 網(wǎng)絡(luò)設(shè)計(jì)的結(jié)構(gòu)圖</p><p>  這個(gè)問題的求解同樣可以采用線性方程組求出,即對每一個(gè)輸出節(jié)點(diǎn)寫出輸入和輸出之間的關(guān)系等式。對于網(wǎng)絡(luò)每一個(gè)輸出神經(jīng)元都有4個(gè)變量(三個(gè)權(quán)值加一個(gè)偏差),有四個(gè)限制方程(每組輸入對應(yīng)四

35、個(gè)輸出值)。這樣由四個(gè)輸出節(jié)點(diǎn),共產(chǎn)生16個(gè)方程,其方程數(shù)目與權(quán)值數(shù)目相等。所以只要輸入矢量是線性獨(dú)立的,則同時(shí)滿足這16個(gè)方程的權(quán)值存在且唯一。對應(yīng)到網(wǎng)絡(luò)上來說,則存在零誤差的精確權(quán)值。</p><p>  實(shí)際上要求出這16個(gè)方程的解是需要花費(fèi)一定的時(shí)間的,甚至是不太容易的。對于一些實(shí)際問題,常常并不需要求出其完美的零誤差時(shí)的解。也就是說允許存在一定的誤差。在這種情況下,采用自適應(yīng)線性網(wǎng)絡(luò)求解就顯示出它的優(yōu)越

36、性:因?yàn)樗梢院芸斓赜?xùn)練出滿足一定要求的網(wǎng)絡(luò)權(quán)值。對于有完美解的網(wǎng)絡(luò)設(shè)計(jì),通過對期望誤差平方和的選定,也能通過加長訓(xùn)練次數(shù)來獲得。</p><p>  下面給出設(shè)計(jì)程序。為了便于對比,在程序中增加了以下幾項(xiàng):</p><p>  1)訓(xùn)練前由初始權(quán)值所得到的誤差平方和;</p><p>  2)最終誤差及訓(xùn)練次數(shù)的顯示;</p><p>  

37、3)整個(gè)訓(xùn)練過程中的網(wǎng)絡(luò)誤差的記錄顯示;</p><p><b>  4)最終權(quán)值。</b></p><p><b>  %wf2.m</b></p><p><b> ?。?lt;/b></p><p>  P=[1 1.5 1.2 –0.3; -1 2 3 –0.5; 2 1 –

38、1.6 0.9];</p><p>  T=[0.5 3 –2.2 1.4; 1.1 –1.2 1.7 –0.4; 3 0.2 –1.8 –0.4; -1 0.1 –1.0 0.6];</p><p>  disp_freq=400;%中間不顯示結(jié)果</p><p>  max_epoch=400;</p><p>  er

39、r_goal=0.001;</p><p>  lr=0.9*maxlinlr(P);</p><p>  W=[1.9978 –0.5959 –0.3517; 1.5543 0.05331 1.3660;%初始權(quán)值</p><p>  1.0672 0.3645 –0.9227; -0.7747 1.3839 –0.3384];</p>&l

40、t;p>  B=[0.0746; -0.0642; -0.4256; -0.6433];</p><p>  SSE=sumsqr(T-purelin(W*P,B)); %未訓(xùn)練前誤差</p><p>  fprintf(‘Before trainihg, sum squared error=%g. \n’, SSE)</p><p><b&g

41、t; ?。ビ?xùn)練網(wǎng)絡(luò)</b></p><p><b>  flops(0)</b></p><p>  tp=[disp_freq max_epoch err_goal lr]; %設(shè)置參數(shù)變量tp</p><p>  [W, B, epochs,errors]=trainwh(W, B, P, T, tp); %進(jìn)

42、行線性網(wǎng)絡(luò)權(quán)值訓(xùn)練</p><p>  W %顯示最終訓(xùn)練權(quán)矢量</p><p>  B %顯示最終訓(xùn)練偏差矢量</p><p>  SSE=sumsqr(T-purelin(W*P, B)); %最終誤差</p><p>  %顯示結(jié)果并給出結(jié)論</p><p

43、>  ploterr(errors), </p><p>  fprintf (‘\n After%.0f epochs,sum squared e error=%g. \n\n’, SSE),</p><p>  fprintf (‘Training took %.0f flops. \n’, flops),</p><p>  fprintf (‘ Tra

44、ined network operates:’);</p><p>  if SSE<err_goal</p><p>  disp(‘Adequately.’)</p><p><b>  else</b></p><p>  disp(‘Inadequately.’)</p><p><

45、b>  end</b></p><p><b>  end</b></p><p>  運(yùn)行wf2.m在訓(xùn)練274次循環(huán)后其誤差平方和達(dá)到0.000993245,而初始誤差為144.463。在整個(gè)訓(xùn)練過程中誤差的變化走向如圖5.2所示。</p><p>  訓(xùn)練后的網(wǎng)絡(luò)權(quán)值為:</p><p>  圖5

46、.2 網(wǎng)絡(luò)訓(xùn)練過程中的誤差記錄</p><p>  對于存在零誤差的精確權(quán)值網(wǎng)絡(luò),若用函數(shù)solvelin.m來求解,則更加簡單如下:</p><p><b>  %wf3.m</b></p><p><b> ?。?lt;/b></p><p>  P=[1 1.5 1.2 –0.3; -1 2 3

47、–0.5; 2 1 –1.6 0.9];</p><p>  T=[0.5 3 –2.2 1.4; 1.1 –1.2 1.7 –0.4; 3 0.2 –1.8 -0.4; -1 0.1 –1.0 0.6];</p><p>  [W,B]=solvelin(P,T);</p><p>  A=simulin (P, W, B);</p><p&g

48、t;  SSE=sumsqr (T-A)</p><p><b>  W</b></p><p><b>  B</b></p><p><b>  end</b></p><p>  由此可得零誤差的唯一精確解為:</p><p>  通??梢灾苯拥嘏?/p>

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論