收藏本站
《华南理工大学》 2007年
收藏 | 手机打开
二维码
手机客户端打开本文

基于机器学习的软测量技术理论与应用

叶涛  
【摘要】: 世界是普遍联系的,并且以某种形式表现出来,这是本课题研究的基本哲学基础。这种普遍联系在数学家的眼里就是一种映射关系,或者说是函数关系。在信息时代里,这种映射关系蕴涵于成千上万的数据中。本文研究的软测量技术就是要寻找埋藏于数据中的各种函数关系。在当今以信息技术带动工业化发展的时代,仪器仪表和测试技术是信息科学技术的重要组成部分。现代社会,随着人们对产品质量要求的提高和人们安全意识与环保意识的提高,对各类测试仪器、检测仪器和分析仪器的需求日益增加。软测量技术是各类综合指标测试仪器、检测仪器和分析仪器的基础技术。此外,作为传统仪器仪表的重要补充,软测量技术在工业测控领域也具有广阔的应用前景。软测量技术研究对仪器仪表和测控技术的发展具有重要意义。 通常,实际工业过程具有复杂非线性特性和存在大量噪声干扰,这限制了基于机理分析、多元线性回归和神经网络等传统软测量技术的应用。为了克服传统方法的局限性,本课题着重研究基于机器学习理论的、具有好的泛化能力和鲁棒性的非线性软测量建模方法。在保证模型泛化能力和鲁棒性的前提下,研究可以提高建模效率的改进实现算法。本课题的主要研究工作和成果有: (1)对传统k-最近邻(kNN)算法进行近邻距离定义的改进,用属性加权距离取代标准欧氏距离。进而,基于改进kNN算法提出了一种数据集剪辑算法,用于滤除矛盾数据样本。针对中大规模数据集提出了一种快速kNN算法,运行速度仅与最近邻数k值和数据集维数n值有关。通常,运行速度较传统算法可提高几倍至十几倍。对于局部学习算法的研究,最近邻子集的快速搜索算法研究具有普遍意义。 (2)研究基于多神经网络的软测量建模方法,旨在提高工业环境下软测量模型的鲁棒性和泛化能力。提出了一种以聚类子簇数据作为验证数据集(而非训练数据集)的多神经网络,并将其用于构造两层结构多神经网络模型。针对纸浆Kappa值数据集,使用单一神经网络、两类单层多神经网络和两层多神经网络等四种模型进行软测量建模对比实验。实验结果表明,两层多神经网络模型的鲁棒性和泛化能力优于其他三种模型。 (3)将软间隔支持向量机回归算法用于软测量建模。给出了两个版本的ε-SVMR算法,同时给出了该算法的通用二次规划(QP)解算器和序贯最小优化(SMO)两种实现方法。针对纸浆Kappa值数据集进行两个仿真实验,分别研究ε-SVMR算法的自由参数对模型预测性能的影响和ε-SVMR算法两种实现方法的建模效率。主要结论是,基于SMO算法的SVM方法尤其适用于中大规模实际工业过程的软测量建模。 (4)研究了时间序列的两种预测建模方法,即样本扩展TDNN方法和特征扩展SVM方法。两种建模方法分别基于过程时间序列的样本扩展数据集和特征扩展数据集。对于制浆蒸煮过程时间序列的仿真实验表明:多步预测的性能优于单步预测的性能,尤其对于样本序列较少的情形;特征扩展SVM方法的性能优于样本扩展TDNN方法的性能,尤其对于单序列输入的情形。 (5)对过程神经网络(PNN)进行理论研究,揭示了过程神经元和传统神经元间的联系。指出了过程神经元可用传统神经元进行无限逼近,给出了两个逼近定理和证明,以及相关的两个推论。针对模拟产生的正弦波编码信号集进行仿真实验,研究过程神经网络的预测建模性能。实验得出的主要结论是,过程神经网络对于白噪声具有很好的抑制作用,从而增加了模型的鲁棒性。但其使用需要选取用于基展开的正交基函数系。 (6)引入信号内积和范数的定义,提出了一种新的过程式输入学习算法,即过程支持向量机(PSVM)。针对模拟产生的正弦波编码信号集进行仿真实验,并将实验结果和过程神经网络的实验结果进行比较。PSVM方法的使用比较方便,可以避开正交基函数系的选择问题。当噪声幅度较小时,PSVM方法的表现优于PNN方法;当噪声幅度变大时,PSVM方法的表现稍差于PNN方法,但可通过对信号进行类似于PNN方法的基展开截频处理提高其预测性能。关于PNN和PSVM学习方法的研究为过程式输入的软测量建模提供必要的理论基础。 本课题研究取得的创造性成果有:(1)提出了一种基于改进kNN算法的数据集剪辑算法,用于滤除数据集中的大误差样本。(2)提出了一种快速kNN算法,对于局部学习(消极学习)算法的研究具有普遍意义。(3)提出了一种以聚类子簇数据作为验证数据集(而非训练数据集)的多神经网络模型,用于构建泛化能力好的预测模型。(4)提出了过程神经元的两个逼近定理并给出了证明,揭示了过程神经元和传统神经元的内在联系。(5)提出了一种新的过程式输入学习算法,即过程支持向量机。 总之,本课题以基于机器学习的软测量技术理论和应用作为主要研究内容,展开深入研究,取得了一些有益的成果。文中提出的软测量建模方法既丰富了软测量建模理论,也促进了软测量技术的工业实用化。后两章比较侧重理论研究,取得的理论成果不仅对软测量理论的发展具有重要作用,而且对机器学习理论的发展也有一定的促进作用。由于作者水平有限,文中难免有错误或不妥之处,恳请各位专家和读者批评指正。
【学位授予单位】:华南理工大学
【学位级别】:博士
【学位授予年份】:2007
【分类号】:TP183

知网文化
【引证文献】
中国博士学位论文全文数据库 前2条
1 凌玉华;铝电磁铸轧带坯晶粒度软测量及复合磁场智能控制研究[D];中南大学;2010年
2 田华阁;聚丙烯装置产品质量软测量技术研究[D];中国石油大学;2010年
中国硕士学位论文全文数据库 前4条
1 李雅芹;机器学习在软测量建模方面的若干应用[D];江南大学;2011年
2 谢福民;基于支持向量机的软测量方法及其应用研究[D];江西理工大学;2011年
3 李广宇;基于粒子蜂群算法优化的多支持向量机软测量建模方法研究[D];中南大学;2011年
4 陈淼;乙烯氧氯化流化床反应器的模型化及工程优化[D];华东理工大学;2012年
【参考文献】
中国期刊全文数据库 前10条
1 常玉清,王小刚,王福利;基于多神经网络模型的软测量方法及应用[J];东北大学学报;2005年06期
2 冉维丽,乔俊飞;基于PCA时间延迟神经网络的BOD在线预测软测量方法[J];电工技术学报;2004年12期
3 张鸿宾,孙广煜;近邻法参考样本集的最优选择[J];电子学报;2000年11期
4 许少华;何新贵;刘坤;王兵;;关于连续过程神经元网络的一些理论问题[J];电子学报;2006年10期
5 何新贵,梁久祯;过程神经元网络的若干理论问题[J];中国工程科学;2000年12期
6 马江洪,张文修,徐宗本;数据挖掘与数据库知识发现:统计学的观点[J];工程数学学报;2002年01期
7 罗琪,刘焕彬;硫酸盐间歇蒸煮过程中有效碱浓度数学模型的研究[J];广东造纸;1997年03期
8 刘莉,徐玉生,马志新;数据挖掘中数据预处理技术综述[J];甘肃科学学报;2003年01期
9 王珏,石纯一;机器学习研究[J];广西师范大学学报(自然科学版);2003年02期
10 马勇,黄德先,金以慧;动态软测量建模方法初探[J];化工学报;2005年08期
中国博士学位论文全文数据库 前3条
1 李艳;制浆蒸煮过程纸浆卡伯值软测量技术研究与应用[D];华南理工大学;2003年
2 张健;提高制浆蒸煮过程纸浆Kappa值软测量精度的研究[D];华南理工大学;2004年
3 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年
【共引文献】
中国期刊全文数据库 前10条
1 冯清海;袁万城;樊启武;;基于FE—ANN—MC的结构可靠度计算方法研究[J];四川建筑科学研究;2008年04期
2 王东霞;张楠;路晓丽;;基于育种算法的SVM参数优化[J];安徽大学学报(自然科学版);2009年04期
3 王辉;孙世群;熊鸿斌;;城市工业废水排放量灰色预测的研究[J];安徽化工;2006年04期
4 杨绪兵,韩自存;ε不敏感的核Adaline算法及其在图像去噪中的应用[J];安徽工程科技学院学报(自然科学版);2003年04期
5 陶秀凤,唐诗忠,周鸣争;基于支持向量机的软测量模型及应用[J];安徽工程科技学院学报(自然科学版);2004年02期
6 李峻;孙世群;;基于BP网络模型的青弋江水质预测研究[J];安徽工程科技学院学报(自然科学版);2008年02期
7 张艳;张海军;;基于DSP的多通道超声波连续测厚系统的研究[J];安徽工程科技学院学报(自然科学版);2008年03期
8 王世东;陈杨;张本福;孙光灵;黄晓梅;;八叉树在三维建模中的应用[J];安徽建筑工业学院学报(自然科学版);2006年06期
9 王世东;;Voronoi在GCS建模中的应用[J];安徽建筑工业学院学报(自然科学版);2007年05期
10 祝翠;钱家忠;周小平;马雷;;BP神经网络在潘三煤矿突水水源判别中的应用[J];安徽建筑工业学院学报(自然科学版);2010年05期
中国重要会议论文全文数据库 前10条
1 ;An effective procedure exploiting unlabeled data to build monitoring system[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(下)[C];2012年
2 王国庆;李国福;李旭渊;;基于PSO-K均值聚类的核事故应急监测点位快速确定技术研究[A];全国危险物质与安全应急技术研讨会论文集(上)[C];2011年
3 宋海鹰;桂卫华;阳春华;;基于核偏最小二乘的简约最小二乘支持向量机及其应用研究[A];第二十六届中国控制会议论文集[C];2007年
4 陈泰任;曹卫华;吴敏;雷琪;;一种新的集成模型在焦炉火道温度软测量中的应用[A];第二十六届中国控制会议论文集[C];2007年
5 ;A Novel Kernel PCA Support Vector Machine Algorithm with Feature Transition Function[A];第二十六届中国控制会议论文集[C];2007年
6 ;A Novel Proximal Support Vector Machine and Its Application in Radar Target Recognition[A];第二十六届中国控制会议论文集[C];2007年
7 周绮凤;林成德;罗林开;彭洪;;一种基于黎曼度量的训练样本类不平衡SVM分类方法研究[A];第二十六届中国控制会议论文集[C];2007年
8 顾小军;杨世锡;钱苏翔;;基于支持向量机的旋转机械多类故障识别研究[A];第二十六届中国控制会议论文集[C];2007年
9 吕蓬;柳亦兵;马强;魏于凡;;支持向量机在齿轮智能故障诊断中的应用研究[A];第二十六届中国控制会议论文集[C];2007年
10 姜明辉;袁绪川;;基于GA优化的个人信用评估SVM模型[A];第二十六届中国控制会议论文集[C];2007年
中国博士学位论文全文数据库 前10条
1 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年
2 母丽华;煤矿安全预警系统的方法研究[D];哈尔滨工程大学;2010年
3 张勤拓;机载导弹SINS动基座传递对准技术研究[D];哈尔滨工程大学;2010年
4 梁洪;基于内容的医学图像检索及语义建模关键技术研究[D];哈尔滨工程大学;2010年
5 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年
6 朱广平;混响干扰中的信号检测技术研究[D];哈尔滨工程大学;2009年
7 孔凡芝;引线键合视觉检测关键技术研究[D];哈尔滨工程大学;2009年
8 李晚龙;六自由度Stewart平台分散智能控制研究[D];哈尔滨工程大学;2010年
9 杨宁;计算机辅助卷烟配方设计关键技术研究[D];中国海洋大学;2010年
10 何建民;面向网络社区聆听客户声音方法研究[D];合肥工业大学;2010年
中国硕士学位论文全文数据库 前10条
1 展慧;基于多源信息融合技术的板栗分级检测方法研究[D];华中农业大学;2010年
2 杜二玲;拟概率空间上等均值噪声下统计学习理论的理论基础[D];河北大学;2007年
3 朱杰;一种基于聚类的支持向量机反问题求解算法[D];河北大学;2007年
4 况清龙;基于逆变器的直流无源滤波器的优化设计及其可视化算法[D];南昌航空大学;2010年
5 朱晓岭;多传感器信息融合技术在铣削过程监测中的应用研究[D];南昌航空大学;2010年
6 刘桂珍;颅骨三维重建与信息提取[D];山东科技大学;2010年
7 李金华;基于SVM的多类文本分类研究[D];山东科技大学;2010年
8 田文娟;基于支持向量机的人民币序列号识别方法的研究[D];山东科技大学;2010年
9 徐芳芳;优化问题的PVD算法研究[D];山东科技大学;2010年
10 成志新;无气泵动态血压监测系统设计[D];山东科技大学;2010年
【同被引文献】
中国期刊全文数据库 前10条
1 王惠文,刘强;偏最小二乘回归模型内涵分析方法研究[J];北京航空航天大学学报;2000年04期
2 张国萍,曹柳林;用动态神经网络解决粘度预测的方法[J];北京化工大学学报(自然科学版);1999年03期
3 于光认,陈晓春,刘辉,刘时伟;工业湍动流化床反应器内流体力学行为的模型化研究[J];北京化工大学学报(自然科学版);2004年06期
4 吴猛;朱喜林;鄂世举;孙明革;童少为;;自抗扰控制器参数整定方法的研究[J];北京理工大学学报;2009年02期
5 张杰;张建秋;冯辉;雷中方;胡波;;支持向量机和神经网络联合软测量SBR污水处理中COD的方法[J];传感技术学报;2009年10期
6 谢又成;章兢;任萍;樊绍胜;;基于模糊建模的球团密度在线测量[J];测试技术学报;2006年01期
7 常玉清,王小刚,王福利;基于多神经网络模型的软测量方法及应用[J];东北大学学报;2005年06期
8 张煜东;吴乐南;奚吉;王水花;;进化计算研究现状(上)[J];电脑开发与应用;2009年12期
9 王云飞;凌玉华;谢炎彬;;铝电磁铸轧复合磁场智能控制器的设计[J];电气技术;2008年01期
10 张瑶;孙玉坤;黄永红;嵇小辅;;基于LS-SVM逆模型的青霉素发酵软测量方法[J];电子技术应用;2009年07期
中国重要会议论文全文数据库 前1条
1 凌玉华;杨欣荣;李海娜;廖力清;王颂;;铝电磁铸轧带坯晶粒度软测量建模及优化[A];2009年中国智能自动化会议论文集(第二分册)[C];2009年
中国博士学位论文全文数据库 前10条
1 张莉;支撑矢量机与核方法研究[D];西安电子科技大学;2002年
2 李艳;制浆蒸煮过程纸浆卡伯值软测量技术研究与应用[D];华南理工大学;2003年
3 张健;提高制浆蒸煮过程纸浆Kappa值软测量精度的研究[D];华南理工大学;2004年
4 李春富;基于数据的软测量建模方法及其应用的研究[D];清华大学;2005年
5 李勇刚;基于智能集成模型的苛性比值与溶出率软测量及应用研究[D];中南大学;2004年
6 李勇;磨矿过程参数软测量与综合优化控制的研究[D];大连理工大学;2006年
7 何斌;基于可拓逻辑的机器学习理论与方法[D];华南理工大学;2005年
8 陈丰秋;乙烯氧氯化反应过程的技术基础及其工程分析[D];浙江大学;1992年
9 翟军勇;基于多模型切换的智能控制研究[D];东南大学;2006年
10 傅永峰;软测量建模方法研究及其工业应用[D];浙江大学;2007年
中国硕士学位论文全文数据库 前10条
1 刘彦华;聚丙烯生产工艺流程模拟研究[D];北京化工大学;2001年
2 怀改平;气相丙烯聚合反应器建模及熔融指数软测量的研究[D];清华大学;2004年
3 宫晓燕;丙烯腈流化床反应器模拟与优化策略[D];浙江大学;2006年
4 荚亮;聚丙烯连续生产过程的牌号切换研究[D];浙江大学;2006年
5 赵建强;功率超声作用下Al-1%Si合金水平连铸实验研究[D];大连理工大学;2006年
6 王昕;软测量技术及其在工业聚丙烯生产过程中的应用[D];浙江大学;2006年
7 吴赛成;自抗扰控制器在激光陀螺单轴稳定平台中的应用研究[D];国防科学技术大学;2006年
8 陈淼;铝电磁场连续铸轧复合磁场优化控制策略研究[D];中南大学;2007年
9 杜磊;铝电磁快速铸轧系统磁场分析与特种电源控制系统仿真研究[D];中南大学;2007年
10 黄颖生;电磁连续铸轧改进型复合磁场控制系统的设计与研究[D];中南大学;2007年
【二级引证文献】
中国硕士学位论文全文数据库 前2条
1 潘亮;基于EEMD-GSVM的高速铁路短期客流预测[D];北京交通大学;2012年
2 马昌浩;建模技术在虚拟仪表中的应用[D];黑龙江大学;2012年
【二级参考文献】
中国期刊全文数据库 前10条
1 许少华,何新贵;径向基过程神经元网络及其应用研究[J];北京航空航天大学学报;2004年01期
2 曹柳林,陶斌军;基于对角递归神经网络的粘度软测量模型[J];北京化工大学学报(自然科学版);2001年02期
3 王顺晃,杜大川,刘宏才,刘越生;顶底复吹转炉的计算机控制[J];北京科技大学学报;1992年05期
4 欧阳楷,邹睿,刘卫芳;基于生物的神经网络的理论框架──神经元模型[J];北京生物医学工程;1997年02期
5 樊功瑜;主成分与主成分估计[J];测绘工程;1995年04期
6 常玉清,王小刚,王福利;PCA-DRBFN模型在精馏塔精苯干点估计中的应用[J];东北大学学报;2004年02期
7 黄敏,佟振声;分布式多Agent系统的研究[J];电力情报;2002年01期
8 董聪,郭晓华;多层前向网络拓扑结构学习算法的实验研究[J];大自然探索;1999年03期
9 董聪;广义遗传算法[J];大自然探索;1998年01期
10 董聪;延拓Kantorovich法的一个注[J];大自然探索;1999年02期
中国博士学位论文全文数据库 前1条
1 李艳;制浆蒸煮过程纸浆卡伯值软测量技术研究与应用[D];华南理工大学;2003年
【相似文献】
中国期刊全文数据库 前10条
1 姚全珠;田元;王季;杨增辉;张楠;;基于最小二乘支持向量机的非平衡分布数据分类[J];计算机工程与应用;2008年05期
2 林长方;;支持向量机及其应用研究[J];和田师范专科学校学报;2010年05期
3 陈立孚,周宁,李丹;基于机器学习的自动文本分类模型研究[J];现代图书情报技术;2005年10期
4 张洪胜;耿焕同;喻为民;;有限样本下中文垃圾邮件过滤的研究与实现[J];计算机应用与软件;2008年01期
5 李卓;刘斌;刘铁男;任珍珍;;基于支持向量机的抽油机故障诊断研究[J];微计算机信息;2006年07期
6 刘解放;侯振雨;吴亮;;支持向量回归及其在农产品成分分析中的应用[J];广东农业科学;2007年12期
7 李应红,尉询楷;支持向量机和神经网络的融合发展[J];空军工程大学学报(自然科学版);2005年04期
8 薄翠梅;张湜;李俊;;工业共沸精馏塔软测量建模方法的研究与应用[J];南京工业大学学报(自然科学版);2006年03期
9 金珠;马小平;;基于蚁群聚类算法的SVM半监督式训练方法[J];西华大学学报(自然科学版);2011年01期
10 王国胜;;核函数的性质及其构造方法[J];计算机科学;2006年06期
中国重要会议论文全文数据库 前10条
1 宋普云;沈雪勤;吴清;;一种改进的SMO算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年
2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
3 章成志;;基于机器学习的文本聚类描述算法研究[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
4 程国建;蔡磊;潘华贤;;核向量机在大规模机器学习中的应用[A];第十一届中国青年信息与管理学者大会论文集[C];2009年
5 晏庆华;;支持向量机算法综述[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年
6 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
7 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
8 张浩然;汪晓东;吴建斌;张长江;许秀玲;;基于nu-支持向量机的软测量技术[A];第三届全国信息获取与处理学术会议论文集[C];2005年
9 吕哲;常玉清;王福利;;生化过程软测量建模方法的研究[A];2006中国控制与决策学术年会论文集[C];2006年
10 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
中国重要报纸全文数据库 前10条
1 黎骊/文 [美] Tom M.Mitchell 著;机器学习与智能化社会[N];中国邮政报;2003年
2 本报记者 余建斌;机器学习与互联网搜索[N];人民日报;2011年
3 记者 何边;网络化激活人工智能[N];计算机世界;2001年
4 本报记者 张晔通讯员 李玮;周志华:永不墨守成规[N];科技日报;2008年
5 何清 史忠植 王伟;搜索引擎的前沿技术[N];计算机世界;2006年
6 傅秋瑛;默默耕耘数十载 自主创新结硕果[N];科技日报;2006年
7 徐用懋 熊智华;新技术提升过程测控能力[N];中国化工报;2005年
8 王育昕吴红梅;高水平原创性科技成果大量涌现[N];新华日报;2008年
9 杰逊;微软的第一个搜索技术掌门[N];中国计算机报;2006年
10 冯卫东;科技将这样改变我们的生活[N];科技日报;2008年
中国博士学位论文全文数据库 前10条
1 叶涛;基于机器学习的软测量技术理论与应用[D];华南理工大学;2007年
2 李忠伟;支持向量机学习算法研究[D];哈尔滨工程大学;2006年
3 王国胜;支持向量机的理论与算法研究[D];北京邮电大学;2008年
4 徐海祥;基于支持向量机方法的图像分割与目标分类[D];华中科技大学;2005年
5 武国正;支持向量机在湖泊富营养化评价及水质预测中的应用研究[D];内蒙古农业大学;2008年
6 张超;基于支持向量机的汽轮机轴系振动故障智能诊断研究[D];华北电力大学(河北);2009年
7 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年
8 曹葵康;支持向量机加速方法及应用研究[D];浙江大学;2010年
9 陈慧灵;面向智能决策问题的机器学习方法研究[D];吉林大学;2012年
10 刘叶青;原始空间中支持向量机若干问题的研究[D];西安电子科技大学;2009年
中国硕士学位论文全文数据库 前10条
1 王晶;支持向量机及其在癌症诊断中的应用研究[D];东北师范大学;2006年
2 马波;支持向量机多类分类算法的分析与设计[D];扬州大学;2008年
3 杨雪;支持向量机多类分类方法的研究[D];哈尔滨工程大学;2006年
4 刘华煜;基于支持向量机的机器学习研究[D];大庆石油学院;2005年
5 马金刚;基于向量空间的信息过滤关键技术研究[D];山东师范大学;2006年
6 张昕;基于SVM方法的医学图像分类研究[D];浙江大学;2006年
7 赵斌;多值SVM分类投票法的改进[D];武汉科技大学;2007年
8 赵莹;基于向量投影的支持向量机增量学习算法[D];哈尔滨工程大学;2007年
9 黄波;基于支持向量机的多示例学习研究与应用[D];中国地质大学;2009年
10 马京华;多光谱图像分割技术在防沙治沙关键技术中的研究与应用[D];天津理工大学;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026