本科畢業(yè)設(shè)計(jì)論文格式范例工科理科類專業(yè)_第1頁(yè)
本科畢業(yè)設(shè)計(jì)論文格式范例工科理科類專業(yè)_第2頁(yè)
本科畢業(yè)設(shè)計(jì)論文格式范例工科理科類專業(yè)_第3頁(yè)
本科畢業(yè)設(shè)計(jì)論文格式范例工科理科類專業(yè)_第4頁(yè)
本科畢業(yè)設(shè)計(jì)論文格式范例工科理科類專業(yè)_第5頁(yè)
已閱讀5頁(yè),還剩14頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、 本科畢業(yè)設(shè)計(jì)(論文)基于卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字及寫(xiě)字人識(shí)別(題目:二號(hào),黑體,加粗,居中) 學(xué)院專業(yè)學(xué)生姓名學(xué)生學(xué)號(hào)指導(dǎo)教師提交日期 年 月 日印刷封面紙用210g的橙色卡紙摘 要(標(biāo)題:小二號(hào),黑體,居中,單倍行距,段前、段后各0.5行,兩字中間空2字符)(摘要正文共400600個(gè)字;小四號(hào),宋體,1.5倍行距,段首行空兩個(gè)漢字)炔烴和疊氮化合物的點(diǎn)擊化學(xué)反應(yīng),有著快速、百分百原子利用率、產(chǎn)物高選擇性等眾多優(yōu)點(diǎn),被譽(yù)為點(diǎn)擊化學(xué)中的精華。基于此反應(yīng)拓展而來(lái)的點(diǎn)擊聚合反應(yīng),迅速在高分子材料領(lǐng)域獲得了了廣泛關(guān)注和應(yīng)用。我們還嘗試了采用不同單體,在最優(yōu)條件下進(jìn)行反應(yīng),均獲得了高分子產(chǎn)物。表明了該反

2、應(yīng)體系的普適性。(此處隔一行)關(guān)鍵詞:多變量系統(tǒng);預(yù)測(cè)控制;環(huán)境試驗(yàn)設(shè)備(“關(guān)鍵詞”:小四號(hào),黑體;關(guān)鍵詞35個(gè):小四號(hào),宋體;關(guān)鍵詞之間用分號(hào)隔開(kāi);最后一個(gè)關(guān)鍵詞不打標(biāo)點(diǎn)符號(hào))(另起頁(yè):外文摘要范例;英文摘要和關(guān)鍵詞應(yīng)該是中文摘要和關(guān)鍵詞的翻譯)Abstract(標(biāo)題:小二號(hào),Times New Roman字體,居中,單倍行距,段前、段后各0.5行)(正文:小四號(hào),Times New Roman字體,1.5倍行距,兩端對(duì)齊)Artificial Neuron Network (ANN) simulates human beings brain function and build the n

3、etwork structure. Convolutional Neural Network (CNN) have many advantage, such as (2) This paper introduces the common pretreatment method of image, such as collecting image, normalization, graying and binarization. And apply these to the handwritten numeral recognition experiment and handwritten nu

4、merals writer recognition experiments.Keywords: Writer recognition;Convolutional Neural Network;Handwritten character recognition(“Keywords”:Times New Roman字體,小四號(hào),加粗,居左)(關(guān)鍵詞:Times New Roman字體,小四號(hào))(另起頁(yè):目錄范例)目 錄(標(biāo)題:小二號(hào),黑體,居中,兩字之間空2字符,目錄為電腦自動(dòng)生成)(各章標(biāo)題、結(jié)論、參考文獻(xiàn)、致謝:黑體,四號(hào);其余:宋體,小四號(hào),行距1.5倍)摘要IAbstractII目錄III

5、第一章緒論11.1引言11.2研究背景11.3研究現(xiàn)狀11.4論文結(jié)構(gòu)2第二章卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)32.1卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)3輸入層3輸出32.2卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)律3前向傳播4反向傳播4學(xué)習(xí)特征圖的組合52.3本章小結(jié)5第三章基于卷積神經(jīng)的手寫(xiě)數(shù)字及寫(xiě)字人識(shí)別算法設(shè)計(jì)63.1輸入輸出層的設(shè)計(jì)63.2隱藏層的設(shè)計(jì)63.3本章小結(jié)6第四章手寫(xiě)數(shù)字及寫(xiě)字人識(shí)別實(shí)驗(yàn)過(guò)程及其結(jié)果74.1手寫(xiě)數(shù)字識(shí)別實(shí)驗(yàn)7樣本簡(jiǎn)介7Writer Depend類數(shù)字識(shí)別實(shí)驗(yàn)7Writer Depend類數(shù)字識(shí)別實(shí)驗(yàn)結(jié)果分析8Writer Independ類數(shù)字識(shí)別實(shí)驗(yàn)114.2寫(xiě)字人識(shí)別實(shí)驗(yàn)11樣本簡(jiǎn)介11兩位寫(xiě)

6、字人識(shí)別實(shí)驗(yàn)124.3本章小結(jié)14結(jié)論151.論文工作總結(jié)152.工作展望15參考文獻(xiàn)16致謝18第一章 緒論(各章標(biāo)題:黑體,小二號(hào),居中,單倍行距,段前、段后各0.5行;章節(jié)序號(hào)與標(biāo)題之間空一字符)1.1 引言(各節(jié)一級(jí)標(biāo)題:黑體,小三號(hào),居左,單倍行距,段前、段后各0.5行) (正文:1.5倍行距;中文:宋體,小四號(hào),每段首行空2個(gè)漢字;字母和阿拉伯?dāng)?shù)字:Times New Roman字體,小四號(hào)) 當(dāng)今社會(huì),科技的飛速發(fā)展為大家提供了快捷與舒適,但與此同時(shí)也增添了在信息安全上的危險(xiǎn)。在過(guò)去的二十幾年來(lái),我們通過(guò)數(shù)字密碼來(lái)鑒別身份,但是隨著科技的發(fā)展,不法分子借用高科技犯罪的案例年年增高

7、,密碼被盜的情況時(shí)常發(fā)生。因此,怎樣科學(xué)準(zhǔn)確的辨別每一個(gè)人的身份則成為當(dāng)今社會(huì)的重要問(wèn)題。1.2 研究背景 隨著科技的日益發(fā)展,傳統(tǒng)的密碼因?yàn)橛洃浀姆爆嵰约叭菀妆槐I,似乎已經(jīng)不再能滿足這個(gè)通信發(fā)達(dá)的社會(huì)的需求。人們急需一種更便捷而且辨識(shí)度更高的方式來(lái)辨識(shí)身份。循著便捷與辨識(shí)度高這兩個(gè)約束條件Error! Reference source not found.(正文中引用文獻(xiàn)序號(hào)用小4號(hào)Times New Roman體、以上角標(biāo)形式置于方括號(hào)中),我們聯(lián)想到的便是存在于每個(gè)人身上的生物特征,所以基于每個(gè)人身上不同的生物特征而研究的鑒別技術(shù)現(xiàn)在成為了身份辨別技術(shù)上的主流。1.3 研究現(xiàn)狀 筆跡獲取

8、的方式有兩種,所以鑒別方式也分為離線鑒別和在線鑒別1 (此處引用連續(xù)多篇文獻(xiàn),序號(hào)用逗號(hào)隔開(kāi))。在線鑒別是采用專用的數(shù)字板來(lái)實(shí)時(shí)收集書(shū)寫(xiě)信號(hào)。由文獻(xiàn)4-7 (此處參考文獻(xiàn)為文中直接說(shuō)明,其序號(hào)應(yīng)該與正文排齊)可知,因?yàn)樾盘?hào)是實(shí)時(shí)采集的,所以能采集的數(shù)據(jù)不僅包括筆跡序列,而且可以采集到書(shū)寫(xiě)時(shí)的加速度、壓力、速度等豐富有用的動(dòng)態(tài)信息。1.4 論文結(jié)構(gòu)本文分為四章。其中第一章簡(jiǎn)述了筆跡識(shí)別的研究背景和意義以及筆跡識(shí)別的基礎(chǔ)知識(shí)等。第二章節(jié)從卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史、網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)規(guī)律三方面詳細(xì)的講述了卷積網(wǎng)絡(luò)的基礎(chǔ)知識(shí)。第三章針對(duì)本文中的手寫(xiě)數(shù)字及寫(xiě)字人實(shí)驗(yàn)具體設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練過(guò)程。

9、第五章節(jié)是手寫(xiě)數(shù)字識(shí)別及寫(xiě)字人識(shí)別實(shí)驗(yàn)的結(jié)果與分析。第二章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)(各章標(biāo)題:黑體,小二號(hào),居中,單倍行距,段前、段后各0.5行;章節(jié)序號(hào)與標(biāo)題之間空一字符)2.1 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)(各節(jié)一級(jí)標(biāo)題:黑體,小三號(hào),居左,單倍行距,段前、段后各0.5行)(正文:1.5倍行距;中文:宋體,小四號(hào),每段首行空2個(gè)漢字;字母和阿拉伯?dāng)?shù)字:Times New Roman字體,小四號(hào))卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個(gè)分支,在網(wǎng)絡(luò)結(jié)構(gòu)上同樣含有深度學(xué)習(xí)的“深度”性。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)7,網(wǎng)絡(luò)的每一層由多個(gè)獨(dú)立的神經(jīng)元組成的二維平面組成。網(wǎng)絡(luò)一般分為輸入層、卷積層、池化層、全連

10、接層、輸出層等。2.1.1 輸入層(各節(jié)二級(jí)標(biāo)題:黑體,四號(hào),居左,單倍行距,段前、段后各0.5行)因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)可以直接的接受二維的視覺(jué)模式8,所以我們可以直接把簡(jiǎn)單預(yù)處理后的二維圖像輸入到輸入層中。2.1.2 輸出 2.2 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)律2.2.1 前向傳播 如果用l來(lái)表示當(dāng)前的網(wǎng)絡(luò)層,那么當(dāng)前網(wǎng)絡(luò)層的輸出如公式(2-1)所示: (2-1)(公式:公式一般居中書(shū)寫(xiě);序號(hào)按章編排,如本公式為第二章第一個(gè)公式,則序號(hào)為(2-1) 其中為網(wǎng)絡(luò)的輸出激活函數(shù)。在本文實(shí)驗(yàn)中,網(wǎng)絡(luò)的輸出激活函數(shù)選用sigmoid函數(shù),因此網(wǎng)絡(luò)的輸出均值一般來(lái)說(shuō)趨于0。2.2.2 反向傳播2.2.3 學(xué)習(xí)特征

11、圖的組合2.3 本章小結(jié)第三章 基于卷積神經(jīng)的手寫(xiě)數(shù)字及寫(xiě)字人識(shí)別算法設(shè)計(jì)3.1 輸入輸出層的設(shè)計(jì) 3.2 隱藏層的設(shè)計(jì) 3.3 本章小結(jié) 第四章 手寫(xiě)數(shù)字及寫(xiě)字人識(shí)別實(shí)驗(yàn)過(guò)程及其結(jié)果(各章標(biāo)題:黑體,小二號(hào),居中,單倍行距,段前、段后各0.5行;章節(jié)序號(hào)與標(biāo)題之間空一字符)4.1 手寫(xiě)數(shù)字識(shí)別實(shí)驗(yàn)(各節(jié)一級(jí)標(biāo)題:黑體,小三號(hào),居左,單倍行距,段前、段后各0.5行)4.1.1 樣本簡(jiǎn)介(各節(jié)二級(jí)標(biāo)題:黑體,四號(hào),居左,單倍行距,段前、段后各0.5行)(正文:1.5倍行距;中文:宋體,小四號(hào),每段首行空2個(gè)漢字;字母和阿拉伯?dāng)?shù)字:Times New Roman字體,小四號(hào))本論文的手寫(xiě)數(shù)字識(shí)別實(shí)

12、驗(yàn)當(dāng)中所用的樣本分為兩類,一類是訓(xùn)練樣本集,另一類是測(cè)試樣本集。 實(shí)驗(yàn)當(dāng)中的訓(xùn)練樣本集采用的是手寫(xiě)數(shù)字MNIST數(shù)據(jù)庫(kù)。這個(gè)數(shù)據(jù)庫(kù)當(dāng)中包含訓(xùn)練集樣本60000個(gè)樣例和測(cè)試集樣本10000個(gè)樣例。MNIST數(shù)據(jù)庫(kù)當(dāng)中的數(shù)字樣本已經(jīng)全部大小歸一化灰度化并且集中到同一個(gè)固定大小的圖像當(dāng)中。該數(shù)據(jù)庫(kù)包括MST的SD-1和SD-3數(shù)據(jù)庫(kù),當(dāng)中包含一系列的二級(jí)制的手寫(xiě)數(shù)字圖像。其中SD-1的收集者來(lái)源是某高中的在校學(xué)生,而SD-3是由人口調(diào)查局員工收集的。則我們的訓(xùn)練樣本集也就是MNIST當(dāng)中的訓(xùn)練樣本集有30000個(gè)樣本來(lái)自SD-3,而另外30000個(gè)樣本來(lái)自SD-1。這60000個(gè)訓(xùn)練樣本分別來(lái)自約2

13、50個(gè)采集者。4.1.2 Writer Depend類數(shù)字識(shí)別實(shí)驗(yàn)4.1.2.1 ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)(各節(jié)三級(jí)標(biāo)題:黑體,小四號(hào),居左,單倍行距,段前、段后各0.5行)實(shí)驗(yàn)內(nèi)容:以A寫(xiě)字人、B寫(xiě)字人和C寫(xiě)字人,合計(jì)3000個(gè)數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為訓(xùn)練樣本集。A寫(xiě)字人的1000個(gè)數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為測(cè)試樣本集。學(xué)習(xí)率為1,單次訓(xùn)練樣本數(shù)為10個(gè),共訓(xùn)練40次。若識(shí)別所得數(shù)字與給定的標(biāo)簽匹配,則視為正確;不匹配則視為錯(cuò)誤。表4-1 ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)結(jié)果(表的標(biāo)題:位于表的上方,一般居中,宋體,五號(hào);表的序號(hào):按章編排,如此表為第四章第一個(gè)表,則序號(hào)為“表4-1”,序號(hào)與文字

14、描述之間空一格)(表格不加左、右列線;表內(nèi)數(shù)字空缺的格內(nèi)加“”字線)(表中文字:宋體,五號(hào))訓(xùn)練樣本ABC樣本個(gè)數(shù)3000測(cè)試樣本A樣本個(gè)數(shù)1000訓(xùn)練次數(shù)單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率1正確率99.50%4.1.2.2 ABCvsABC數(shù)字識(shí)別實(shí)驗(yàn) 實(shí)驗(yàn)內(nèi)容:以A寫(xiě)字人、B寫(xiě)字人和C寫(xiě)字人,合計(jì)3000個(gè)數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為總樣本集。在總樣本集當(dāng)中隨機(jī)抽取2400個(gè)為訓(xùn)練樣本集,余下的600個(gè)為測(cè)試樣本集。學(xué)習(xí)率為1,單次訓(xùn)練樣本數(shù)為10個(gè),共訓(xùn)練40次。若識(shí)別所得數(shù)字與給定的標(biāo)簽匹配,則視為正確;不匹配則視為錯(cuò)誤。表4-2 ABCvsABC數(shù)字識(shí)別實(shí)驗(yàn)結(jié)果訓(xùn)練樣本ABC樣本個(gè)數(shù)2400測(cè)試

15、樣本ABC樣本個(gè)數(shù)600訓(xùn)練次數(shù)40單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率1正確率92.00%4.1.3 Writer Depend類數(shù)字識(shí)別實(shí)驗(yàn)結(jié)果分析 下面我們選取Writer Depend類數(shù)字識(shí)別實(shí)驗(yàn)當(dāng)中的兩個(gè)典型的例子ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)以及MNIST&ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)的結(jié)果做詳細(xì)分析。我們從ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)中的訓(xùn)練樣本集和測(cè)試樣本集的手寫(xiě)數(shù)字圖像樣本集當(dāng)中分別隨機(jī)抽取一幅圖像如圖4-1所示。 a) 實(shí)驗(yàn)訓(xùn)練集 b)實(shí)驗(yàn)測(cè)試集圖4-1 ABCvsA數(shù)字識(shí)別實(shí)驗(yàn)集(圖的標(biāo)題:位于圖的下方,一般居中,宋體,五號(hào);圖的序號(hào):按章編排,如此表為第四章第一個(gè)圖,則序號(hào)為“圖4-1

16、”,序號(hào)與文字描述之間空一格)(圖中若有分圖時(shí),分圖號(hào)用a)、b)等置于分圖之下)下面我們對(duì)上述的訓(xùn)練集和測(cè)試集進(jìn)行40次學(xué)習(xí)率為2,單次訓(xùn)練樣本為10的迭代,得到錯(cuò)誤率為0.50%,而其中每次訓(xùn)練時(shí)的誤差值組成的歷史誤差值畫(huà)圖分析如下:4.1.4 Writer Independ類數(shù)字識(shí)別實(shí)驗(yàn)實(shí)驗(yàn)內(nèi)容:以MNIST數(shù)據(jù)庫(kù)為訓(xùn)練樣本集,共計(jì)60000個(gè)訓(xùn)練樣本。以A寫(xiě)字人合計(jì)1000個(gè)數(shù)字0到9的數(shù)字圖像數(shù)據(jù)為測(cè)試樣本集寫(xiě)字人識(shí)別實(shí)驗(yàn)4.1.5 樣本簡(jiǎn)介 4.1.6 兩位寫(xiě)字人識(shí)別實(shí)驗(yàn)4.1.6.1 單個(gè)數(shù)字的寫(xiě)字人識(shí)別實(shí)驗(yàn) 實(shí)驗(yàn)內(nèi)容:以A寫(xiě)字人,合計(jì)800個(gè)數(shù)字5的數(shù)字圖像數(shù)據(jù)加上B寫(xiě)字人,合

17、計(jì)800個(gè)數(shù)字5的數(shù)字圖像數(shù)據(jù),共計(jì)1600個(gè)樣本為總樣本集。隨機(jī)選取其中的1200個(gè)樣本為訓(xùn)練樣本集,其余的400個(gè)樣本為測(cè)試樣本集。學(xué)習(xí)率為2,單次訓(xùn)練樣本數(shù)為10個(gè),共訓(xùn)練30次。若識(shí)別所得寫(xiě)字人與給定的標(biāo)簽匹配,則視為正確;不匹配則視為錯(cuò)誤。表4-3 單個(gè)數(shù)字寫(xiě)字人識(shí)別實(shí)驗(yàn)結(jié)果訓(xùn)練樣本A5&B5樣本個(gè)數(shù)1200測(cè)試樣本A5&B5樣本個(gè)數(shù)400訓(xùn)練次數(shù)30單次訓(xùn)練樣本數(shù)10學(xué)習(xí)率2正確率99.75%4.1.6.2 單個(gè)數(shù)字的寫(xiě)字人識(shí)別實(shí)驗(yàn)結(jié)果分析4.2 本章小結(jié)。結(jié)論(總結(jié)標(biāo)題:黑體,小二號(hào),居中,單倍行距,段前、段后各0.5行)1. 論文工作總結(jié)(各節(jié)一級(jí)標(biāo)題:黑體,小

18、三號(hào),居左,單倍行距,段前、段后各0.5行)2. 工作展望參考文獻(xiàn)(參考文獻(xiàn)標(biāo)題:黑體,小二號(hào),居中,單倍行距,段前、段后各0.5行) 1 LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognitionJ. Proc. IEEE, 1998, 86(11): 2278-2324.期刊文獻(xiàn)序號(hào)作者文獻(xiàn)題名J刊名,出版年份,卷號(hào)(期號(hào)):起-止頁(yè)碼.2 劉國(guó)鈞,陳紹業(yè),王鳳翥.圖書(shū)館目錄M.北京:高等教育出版社,1957.15-18. 學(xué)術(shù)著作序號(hào)作者書(shū)名M.出版地:出版社, 出

19、版年: 起-止頁(yè)碼 . 3 Ngiam J, Chen Z, Chia D, et al. Tiled convolutional neural networksC, Advances in Neural Information Processing Systems. 2010: 1279-1287. 有ISBN號(hào)的論文集序號(hào)作者題名A.主編論文集名C出版地:出版社,出版年:起-止頁(yè)碼. 4 田露. 基于多特征數(shù)據(jù)融合的離線中文筆跡鑒別研究D. 河南大學(xué), 2011.5 張慧檔. 筆跡鑒別方法研究D. 鄭州大學(xué), 2002.6 梁亮. 圖像處理技術(shù)在筆跡鑒定系統(tǒng)開(kāi)發(fā)過(guò)程中的應(yīng)用與研究D. 沈陽(yáng)工業(yè)大學(xué), 2007.7 陳先昌. 基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究D. 浙江工商大學(xué), 2014.8 王強(qiáng). 基于CNN的字符識(shí)別方法研究D. 天津師范大學(xué), 2014.學(xué)位論文序號(hào)作者題名D保存地:保存單位,年份.9 姜錫洲.一種溫?zé)嵬夥笏幹苽浞桨窹.中國(guó)專利:881056073,1989-07-26.專利文獻(xiàn)序號(hào)專利所有者專利題名P專利國(guó)別:專利號(hào),發(fā)布日期.10 GB/T 16159-1996,漢語(yǔ)拼音正詞法基本規(guī)則S.技術(shù)標(biāo)準(zhǔn)序號(hào) 標(biāo)準(zhǔn)代號(hào),標(biāo)準(zhǔn)名稱S.

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論