导读:本文包含了图表示论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:表单,图表,代数,投影图,链环,超图,卷积。
图表示论文文献综述
程诚,任佳[1]（2019）在《一种基于雷达图表示的数值型数据的CNN分类方法》一文中研究指出卷积神经网络(convolutional neural networks, CNN)是一种广泛用于分析视觉图像的分类方法.由于数值数据存在着非线性、耦合性等复杂的空间关系,因此基于CNN的数值型数据的研究较少.本文的目的是找到一种可行的方法,将CNN的应用领域扩展到数值数据.于是提出了一种基于雷达图表示的数值型数据的CNN分类方法(Radar-CNN).该算法首先将数值数据表示成雷达图形式,然后将其输入CNN中构建分类模型.为了进一步研究特征尺度和序列对性能的影响,提出了两种改进算法Rank Radar-CNN和SFS Radar-CNN.为了验证所提算法的有效性,引入TE化工过程数据集进行实验测试并比较,实验结果表明Radar-CNN及其改进算法具有优异的性能.(本文来源于《信息与控制》期刊2019年04期）
张圆[2]（2019）在《基于图表示模型与学习方法的目标跟踪算法研究》一文中研究指出当今时代,人工智能技术已经逐渐成为科技发展的核心,伴随着人工智能时代的到来,越来越多的城市正大力建设以人工智能技术为基础的智慧城市。如何设计智能视频分析技术来快速处理海量的监控视频数据是智慧城市建设过程中的关键步骤,而目标跟踪则是智能视频分析技术中的基础性算法。因此,深入研究目标跟踪技术不仅是计算机视觉课题发展的需要,更能有效的促进智慧城市的建设。随着传统机器学习技术的发展与积累,尤其是近几年深度学习技术的重大突破,目标跟踪技术也取得了突飞猛进的进步,出现了许多高效的跟踪算法。目标跟踪的基本流程一般包括:输入待跟踪的视频帧;目标特征的提取与处理;跟踪模型的构建;定位跟踪目标。其中目标特征的提取与处理和跟踪模型的构建是目标跟踪流程的关键步骤。本文从目标特征的提取与处理出发,针对在目标跟踪技术中存在的问题展开研究,提出了对跟踪目标进行有效表达的方法。该方法能够显着地减少目标包围框中背景噪声,从而提高目标跟踪的鲁棒性。具体方法是:首先将目标包围框划分为多个不重迭的图像块;然后通过有效的权重求解模型为每个目标图像块赋予权重,即:背景图像块赋予较小的权重,目标图像块赋予较大的权重,这样能有效的减少目标包围框中的背景信息;最后将图像块权重与图像特征结合得到的目标图像块加权特征描述作为跟踪目标特征的表示,从而实现目标跟踪。其中,权重求解模型是目标特征表达的关键所在。本文从跟踪目标、背景噪声等多个方面展开分析,提出了如下叁种有效的权重求解模型:第一、分析目标跟踪的整体流程可以发现,目标的空间结构是捕捉跟踪目标的关键信息。传统的图表示模型由于采用近邻图的表达方式,其往往只考虑到跟踪目标的局部空间信息,忽略了全局信息。这将使得对跟踪目标的表达缺乏整体性,当跟踪目标的外观较为复杂时无法进行有效的特征表达,从而直接影响跟踪结果。本文在重启随机游走模型中加入拉普拉斯正则化约束构建拉普拉斯正则化随机游走模型,这使得在权重的求解过程中同时将目标的局部信息以及全局信息融合起来,从而得到更符合目标空间结构的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并结合结构化支持向量机跟踪模型来实现最终的目标跟踪。本文在OTB100[32]与TCL128[59]两个大型跟踪数据集上实现目标跟踪,并将跟踪结果与诸多近些年提出的跟踪算法进行比较。实验结果表明,本文的跟踪算法在两个数据集上的综合表现取得最优,尤其在出现快速移动、形变、旋转、光照变化、运动模糊等直接导致跟踪目标外观变化的挑战因素出现时仍能保持较为鲁棒的跟踪效果。第二、在跟踪过程中,多数的跟踪目标与背景之间具有较为显着地差异。因此,利用背景信息来突出前景目标不仅能够有效的降低背景噪声的影响,更能达到突出前景目标的作用。本文采用条件随机场模型同时将背景信息、前景信息以及目标的空间结构进行联合优化,从而得到更具目标判别性的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并选择结构化SVM算法作为基础的跟踪框架来实现最终的目标跟踪,并在OTB100[32]TCL128[59]两个大型跟踪数据集上与诸多近些年的跟踪算法进行对比。实验结果表明,本文的跟踪算法在两个数据集上的综合跟踪效果表现最好,并在跟踪速度上也具有一定的优势。特别的,本文的跟踪算法在跟踪目标出现背景阻塞、部分遮挡、低分辨率等挑战因素时仍能实现准确的目标跟踪。第叁、构建的图结构是否具有很好地表达能力将直接影响图表示模型结果的优良。此外,图表示模型中图像块的原始特征信息仅在图结构的构建中得到使用,忽略了图像块特征之间本身存在的关联。本文提出一种图表示与半监督学习模型来动态优化图像块之间的关联,并且将图像块的特征信息融入到权重求解的过程中,从而得到更符合目标本身特性的权重分配。更进一步的,针对该图表示与半监督学习模型,本文提出一种快速且有效的迭代优化算法进行求解。在最终的跟踪阶段通过添加目标的尺度估计以及目标的重检测技术来完善跟踪框架,从而实现完整的目标跟踪。本文在OTB100[32]、TCL128[59]以及VOT2015[58]叁个大型数据集上与诸多近些年的跟踪算法进行对比。在OTB100[32]、TCL128[59]上,本文的跟踪算法取得了最优的综合评测结果,并且在诸多的挑战属性上均具有优良的表现。在VOT2015[58]数据集上,本文的算法同样获得了可比性的结果。(本文来源于《安徽大学》期刊2019-05-01）
白扬[3]（2019）在《几类链环的树图表示及其相关性质》一文中研究指出链环理论具有悠久的发展史,它是拓扑学在20世纪迅速发展起来的一个重要分支.通俗来讲,日常常见的绳结分类问题就是链环理论研究的基本问题,从严格术语角度描述,拓扑学是研究几何图形连续变形的学科,而链环理论则是研究链环在连续变形下的不变性的拓扑分支,因此寻找链环的不变量是链环理论研究的核心问题.众所周知,棍棒指标是链环的重要不变量之一.在1970年,Conway从缠绕分解的角度出发,指出任何链环的投影图都可以看做代数缠绕的集合,并就此给出了代数链环的定义,同时介绍了链环投影图与其基本多面体之间的关系,这为后续深入研究链环的棍棒指标提供了有效的方法;在1991年,S.Negami给出除霍普夫链环外非平凡链环的棍棒指标与交叉指标的关系;在1993年,G.T.Jin给出了环面结棍棒指标与交叉指标的关系;在1998年,C.L.McCabe给出了二桥链环棍棒指标与交叉指标的关系;在2011年,Y.Huh、S.Oh给出了由(7)Tc(8)?7的整数缠绕构成的代数链环棍棒指标与交叉指标更好的关系;此外,D.Gabai给出了树形链环(即代数链环)的定义以及用一种特殊的树图表示定向树形链环的具体方法;基于代数链环的具体表述,C.L.McCabe详细地介绍了将代数链环的代数投影图转化为标准形式的方法,在此基础之上定义了代数链环的分段线性形式,同时给出了此类代数链环的棍棒指标估计.本文从研究链环投影图的视角出发,结合图论中的基本概念以及缠绕分解的性质,研究几类链环投影图的树图表示,进一步挖掘某类特殊非代数链环的棍棒指标估计.具体地,本文首先利用平面四岔图的构造方法给出一类特殊非代数链环投影图的平面四岔图表示.进一步地,给出了代数链环的代数投影图的标准加权树图表示以及将任意一个加权树图转化为标准加权树图的具体方法.最后结合链环投影图的平面四岔图表示和标准加权树图的定义及构造方法,给出非代数链环投影图的广义标准加权树图的定义以及构造方法,并在此基础上给出由六个整数缠绕构成的非代数链环投影图的广义标准加权树图的固定形式及其棍棒指标估计.(本文来源于《辽宁师范大学》期刊2019-03-01）
马洪杰,刘晓日,赵哲,黎苏[4]（2018）在《内燃机教学中工作循环的线图表示法》一文中研究指出本文用来表达四冲程多缸内燃机工作循环的线图法,是一个将曲柄连杆机构、配气机构和点火(或供油)系在工作循环四个行程中相互配合的关系集中于一个图上,来表达内燃机实际循环的某一时刻或某一曲轴转角范围内各缸工况、各机构与系统配合关系的新方法。该方法通过变换,同样适用于单缸机,也适用于二冲程内燃机。(本文来源于《教育现代化》期刊2018年33期）
谭婷[5]（2018）在《基于图表示和匹配的表单定位与提取》一文中研究指出快递分拣过程中实现对包裹表单的定位与提取,是理解表单信息并进一步实现正确分拣包裹的重要的预处理过程。目前已有的提取方法多针对布局简单、形式固定的表单,对于不同类别、亮度、尺度、旋转方向的图像难以适应,且多对局部遮挡和复杂背景等干扰信息敏感,达不到良好的提取效果。因此,本文提出了一种基于图表示和匹配的表单定位与提取方法,该方法能较好的克服上述方法存在的不足。首先选择参考表单中已有的多个印刷图案或字符等关键区域建立参考表单图,作为匹配过程的参考基准。其次,将待处理表单图像分割、筛选得到候选关键区域,建立待处理表单图和候选同构图。然后,计算参考表单图与候选同构图的相似度。最后,将相似度最大的候选同构图作为最优匹配结果,并建立两图对应结点的函数映射,在后处理过程,通过映射变换完成待处理表单中感兴趣区域的文本信息的定位与提取。本文的主要工作包括:1)提出表单图像图的表示方法,将表单图像的匹配问题转化为图的匹配问题。待处理表单具有复杂的包裹背景,表单内部具有不同形式的填写内容,表单图案复杂,全局匹配方法易受噪声、异物遮挡的影响,难以实现良好的对齐效果。本文采用一种灵活、稳定的图的表示方法,选取表单图像的局部区域块,构建表单图像图的表示,使表单图像匹配算法能有效地适应于不同类别、亮度、尺度、方向、局部遮挡和具有复杂干扰背景的图像。2)提出采用选择性前景分割算法建立待处理表单图的方法。为了实现表单特定的字符块、文本行、图案等关键区域位置的匹配,本文采用一种选择性前景分割算法,在选择性搜索图像分割方法,结合参考表单图结点已有先验的知识,实现对前景目标有针对性的分割,以便能进一步选择有效的候选结点构建待处理表单图,完成图像的匹配。该方法适用于具有相似灰度纹理特征、相同布局规则和前景与背景交杂分布的表单图像。3)提出一种基于结构特性的图匹配算法。由于传统单一的图像匹配算法不适用于背景杂乱、背景与前景目标纹理近似的表单图像的匹配,本文在表单图像图表示的基础上,针对图的结构特性介绍如何度量图的相似距离,并通过迭代求解映射函数重构同构映射图,以此来改进两图的相似程度,找到参考表单图的最佳匹配。本文提出的基于图表示和匹配算法充分利用图像中分散的局部图像块构建表单图,通过比较图属性的相似度实现表单图像的匹配,最终完成待处理表单图像中用户感兴趣区域的定位和提取。本文实验数据集来源于真实快递分拣机场景下采集的包裹表单图像。实验表明,本文算法针对快递包裹表单图像具有良好的提取效果,对方向旋转、亮度变化、局部遮挡等情况具有较好的鲁棒性,是一种通用的表单定位与提取的方法。(本文来源于《华东师范大学》期刊2018-05-01）
张巧巧[6]（2018）在《基于时空图表示的监控视频关键帧提取研究》一文中研究指出随着数字多媒体、视频监控技术的快速发展,监控摄像头几乎无处不在。伴随着的是海量监控视频的爆炸式增长,这些数据的读取与存储带来了非常大的困难。如何有效的利用这些视频数据,对视频内容进行简易的描述已成为监控视频研究的热点之一。视频关键帧提取技术是对原始视频内容的一个高度浓缩,抽取小部分的视频帧来表示原始视频的内容。这为高效的信息浏览、存储空间的减少及海量视频信息的检索提供了有力的解决方法,已然成为当前数字视频技术的一个热点和难点。监控视频一般是由固定摄像头的监控设备采集的,这些视频数据往往没有镜头的切换,无显着的结构特征且含有大量的冗余信息。若直接将现有的比较有效的关键帧提取技术应用于监控视频,它们选择的关键帧冗余度会很高,甚至会遗漏部分重要内容,使选择出的关键帧结果不够精准,因此监控视频下关键帧提取技术的研究仍是关键帧提取技术领域中一项很有挑战意义的课题。本文针对监控视频独有的特点,着重研究监控视频下的关键帧提取技术,主要研究内容如下:(1)提出一种基于时空图表示和视觉注意的关键帧提取方法。和传统基于简单底层特征的关键帧提取方法相比,本文采用底层特征和高层特征相融合的方式用来表示视频中的目标特征。首先构建以视频中的目标为结点、目标间的特征距离为边权值的时空图。然后基于此图和定义的帧间相似性衡量函数得到视频帧间的距离,用来描述视频帧间的关系。再运用规范化图割算法将原始视频划分成若干个视觉一致性的子视频段,其子视频段具有较高的段内相似性、较低的段间相似性的特点。最后结合人眼视觉注意机制定义了一个融合叁方面约束(内容完整性、目标分布紧凑性、目标分布均匀性)的显着关键帧选择函数,能够从原始视频序列中选择出更具有代表性、符合人眼视觉关注的视频帧作为关键帧。(2)提出一种基于时空图学习的关键帧提取方法。方法考虑到欧式距离公式计算特征距离时会引入误差和受原始数据中噪声的影响而不能真实的表达目标间的关系。本文提出通过优化更新求解的方式来自适应学习得到的目标间的亲和性关系(亲和性数值反应目标间的特征距离的大小,亲和性数值越小表示目标间的特征距离越大,反之目标间特征距离越小意味着亲和性数值越大)。此方法得到的目标间的关系比直接在原始目标特征上用欧式距离计算两目标的相关性效果好。然后根据学到的亲和矩阵描述视频帧间的关系,进而划分视觉一致性视频段并进行关键帧的提取。大量的实验结果表明此方法能有效的抑制噪声及特征冗余的影响,相比于其它对比方法取得了较理想的结果,验证了本文提出的方法的有效性。(本文来源于《安徽大学》期刊2018-05-01）
谭婷,吕淑静,吕岳[7]（2019）在《基于图表示和匹配的表单定位与提取》一文中研究指出为了实现对不同类型、分辨率和方向的快递表单上用户感兴趣区域信息的获取,本文提出了一种基于图表示和匹配的表单定位与提取方法。选择参考表单中已有的印刷图案或字符等关键区域作为基准位置,进行图的表示。基于图像分割得到的候选关键区域对待处理表单进行图表示。然后,根据图的属性计算待处理表单与参考表单的相似度。最后,将最大相似度对应的同构图作为参考表单图的最优匹配,并建立同构图与参考表单图位置映射,定位出表单。本文实验数据集来源于真实场景下采集的快递包裹表单图像。实验结果表明:本文算法在快递包裹表单图像上具有良好的性能,对旋转、光照变化、局部遮挡具有较好的鲁棒性。(本文来源于《智能系统学报》期刊2019年02期）
谢宏,杨蕴琪[8]（2018）在《安全行为影响机制的SD流图表示》一文中研究指出基于系统论的思想,从正向激励的角度,以社会、政府监察行为、企业安全管理以及劳动者个人安全素养四个方面为基础建立安全行为结构模型,并基于该模型,分析安全行为的影响因素,运用系统动力学的方法将企业安全行为影响系统分解为四个安全行为影响路径,分析系统四个主路径内部因素之间的反馈关系,以及各影响路径之间的反馈关系,是对安全系统动力学发展的有益尝试。(本文来源于《华北科技学院学报》期刊2018年01期）
温雯,黄家明,蔡瑞初,郝志峰,王丽娟[9]（2018）在《一种融合节点先验信息的图表示学习方法》一文中研究指出图表示学习是实现各类图挖掘任务的基础.现实中的图数据不仅包含复杂的网络结构,还包括多样化的节点信息.如何将网络结构和节点信息更加有效地融入图的表示学习中,是一个重要的问题.为了解决这一问题,基于深度学习,提出了融合节点先验信息的图表示学习方法.该方法将节点特征作为先验知识,要求学习到的表示向量同时保持图数据中的网络结构相似性和节点特征相似性.该方法的时间复杂度为O(|V|),其中,|V|为图节点数量,表明该方法适用于大规模图数据分析.同时,在多个数据集上的实验结果表明:所提出的方法相比目前流行的几种基线方法,在分类任务上能够获得良好而稳定的优势.(本文来源于《软件学报》期刊2018年03期）
钟智,方月,胡荣耀,李永钢,雷聪[10]（2018）在《基于超图表示的低秩属性选择方法用于回归分析》一文中研究指出针对现有的回归模型未考虑特征之间的深层结构,而导致在回归问题上输出不稳定的模型,提出了一种新的属性选择方法。通过稀疏学习理论中的2,1-范数和2,p-范数在线性回归模型分别进行样本降噪和属性选择,利用超图结构和低秩约束来分别考虑数据间的局部结构和不同数据间的全局结构,最后结合子空间学习方法来对模型进行微调。经实验证明,在回归分析中该算法较对比算法能取得更好的效果。(本文来源于《计算机应用研究》期刊2018年07期）
图表示论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
当今时代,人工智能技术已经逐渐成为科技发展的核心,伴随着人工智能时代的到来,越来越多的城市正大力建设以人工智能技术为基础的智慧城市。如何设计智能视频分析技术来快速处理海量的监控视频数据是智慧城市建设过程中的关键步骤,而目标跟踪则是智能视频分析技术中的基础性算法。因此,深入研究目标跟踪技术不仅是计算机视觉课题发展的需要,更能有效的促进智慧城市的建设。随着传统机器学习技术的发展与积累,尤其是近几年深度学习技术的重大突破,目标跟踪技术也取得了突飞猛进的进步,出现了许多高效的跟踪算法。目标跟踪的基本流程一般包括:输入待跟踪的视频帧;目标特征的提取与处理;跟踪模型的构建;定位跟踪目标。其中目标特征的提取与处理和跟踪模型的构建是目标跟踪流程的关键步骤。本文从目标特征的提取与处理出发,针对在目标跟踪技术中存在的问题展开研究,提出了对跟踪目标进行有效表达的方法。该方法能够显着地减少目标包围框中背景噪声,从而提高目标跟踪的鲁棒性。具体方法是:首先将目标包围框划分为多个不重迭的图像块;然后通过有效的权重求解模型为每个目标图像块赋予权重,即:背景图像块赋予较小的权重,目标图像块赋予较大的权重,这样能有效的减少目标包围框中的背景信息;最后将图像块权重与图像特征结合得到的目标图像块加权特征描述作为跟踪目标特征的表示,从而实现目标跟踪。其中,权重求解模型是目标特征表达的关键所在。本文从跟踪目标、背景噪声等多个方面展开分析,提出了如下叁种有效的权重求解模型:第一、分析目标跟踪的整体流程可以发现,目标的空间结构是捕捉跟踪目标的关键信息。传统的图表示模型由于采用近邻图的表达方式,其往往只考虑到跟踪目标的局部空间信息,忽略了全局信息。这将使得对跟踪目标的表达缺乏整体性,当跟踪目标的外观较为复杂时无法进行有效的特征表达,从而直接影响跟踪结果。本文在重启随机游走模型中加入拉普拉斯正则化约束构建拉普拉斯正则化随机游走模型,这使得在权重的求解过程中同时将目标的局部信息以及全局信息融合起来,从而得到更符合目标空间结构的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并结合结构化支持向量机跟踪模型来实现最终的目标跟踪。本文在OTB100[32]与TCL128[59]两个大型跟踪数据集上实现目标跟踪,并将跟踪结果与诸多近些年提出的跟踪算法进行比较。实验结果表明,本文的跟踪算法在两个数据集上的综合表现取得最优,尤其在出现快速移动、形变、旋转、光照变化、运动模糊等直接导致跟踪目标外观变化的挑战因素出现时仍能保持较为鲁棒的跟踪效果。第二、在跟踪过程中,多数的跟踪目标与背景之间具有较为显着地差异。因此,利用背景信息来突出前景目标不仅能够有效的降低背景噪声的影响,更能达到突出前景目标的作用。本文采用条件随机场模型同时将背景信息、前景信息以及目标的空间结构进行联合优化,从而得到更具目标判别性的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并选择结构化SVM算法作为基础的跟踪框架来实现最终的目标跟踪,并在OTB100[32]TCL128[59]两个大型跟踪数据集上与诸多近些年的跟踪算法进行对比。实验结果表明,本文的跟踪算法在两个数据集上的综合跟踪效果表现最好,并在跟踪速度上也具有一定的优势。特别的,本文的跟踪算法在跟踪目标出现背景阻塞、部分遮挡、低分辨率等挑战因素时仍能实现准确的目标跟踪。第叁、构建的图结构是否具有很好地表达能力将直接影响图表示模型结果的优良。此外,图表示模型中图像块的原始特征信息仅在图结构的构建中得到使用,忽略了图像块特征之间本身存在的关联。本文提出一种图表示与半监督学习模型来动态优化图像块之间的关联,并且将图像块的特征信息融入到权重求解的过程中,从而得到更符合目标本身特性的权重分配。更进一步的,针对该图表示与半监督学习模型,本文提出一种快速且有效的迭代优化算法进行求解。在最终的跟踪阶段通过添加目标的尺度估计以及目标的重检测技术来完善跟踪框架,从而实现完整的目标跟踪。本文在OTB100[32]、TCL128[59]以及VOT2015[58]叁个大型数据集上与诸多近些年的跟踪算法进行对比。在OTB100[32]、TCL128[59]上,本文的跟踪算法取得了最优的综合评测结果,并且在诸多的挑战属性上均具有优良的表现。在VOT2015[58]数据集上,本文的算法同样获得了可比性的结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图表示论文参考文献
[1].程诚,任佳.一种基于雷达图表示的数值型数据的CNN分类方法[J].信息与控制.2019
[2].张圆.基于图表示模型与学习方法的目标跟踪算法研究[D].安徽大学.2019
[3].白扬.几类链环的树图表示及其相关性质[D].辽宁师范大学.2019
[4].马洪杰,刘晓日,赵哲,黎苏.内燃机教学中工作循环的线图表示法[J].教育现代化.2018
[5].谭婷.基于图表示和匹配的表单定位与提取[D].华东师范大学.2018
[6].张巧巧.基于时空图表示的监控视频关键帧提取研究[D].安徽大学.2018
[7].谭婷,吕淑静,吕岳.基于图表示和匹配的表单定位与提取[J].智能系统学报.2019
[8].谢宏,杨蕴琪.安全行为影响机制的SD流图表示[J].华北科技学院学报.2018
[9].温雯,黄家明,蔡瑞初,郝志峰,王丽娟.一种融合节点先验信息的图表示学习方法[J].软件学报.2018
[10].钟智,方月,胡荣耀,李永钢,雷聪.基于超图表示的低秩属性选择方法用于回归分析[J].计算机应用研究.2018
论文知识图
