當前位置:首頁 » 操作系統 » icm演算法

icm演算法

發布時間: 2022-05-17 23:40:38

㈠ 最大後驗概率MAP和ICM迭代條件模型有何不同

最大後驗概率(MAP)是對待解決問題統計建模,等效為一個最優化問題。而ICM是一種解最優化的演算法

㈡ icm怎麼算

注意 Rc的作用 它在電路里是起到將電流轉換為電壓的作用 同時 擔當分壓作用 它的取值不能像你那麼計算 可以說 Rc的取值大小決定了三極體的工作狀態
它的電流應該由基極電流和三極體的電流放大系數確定 當然確定的最大值不能超過ICM的一半.

㈢ 用單片機編寫一個程序計算兩個正整數的最大公約數和最小公倍數

#include"stdio.h"
void compute(int num1,int num2) // 用函數實現
{
int a,temp,ji,gck,icm;
ji = num1*num2; 求積
if(num1<num2)/////保證第一數是較大的值
{
temp=num1;
num1=num2;
num2=temp;
}
while((a=num1%num2)!=0) /*利用輾除法,直到a為0為止*/
{
num1=num2;
num2 = a;
}////////此時num2就是最大公約數
gcd = num2; 最大公約數
icm = ji/num2; 最小公倍數
}

㈣ 三極體的偏置電阻如何計算

可以這樣來理解,當三極體工作在放大狀態時,為保證信號輸出不失真,Vce靜態工作點通常取電源電壓Vcc的一半,這樣靜態時集電極電阻Rc兩端電壓也是0.5Vcc,Ic=0.5Vcc/Rc(為保證三極體的安全靜態Ic值必須小於0.5Icm,調整Rc值可以滿足要求。或者根據公式Rc=Vcc/Icm求得最小Rc電阻值),這樣就准確求得了集電極靜態電流Ic,再反推求得基極偏置電阻。

㈤ 各種遙感數據分類方法比較

常用的遙感數據的專題分類方法有多種,從分類判別決策方法的角度可以分為統計分類器、神經網路分類器、專家系統分類器等;從是否需要訓練數據方面,又可以分為監督分類器和非監督分類器。

一、統計分類方法

統計分類方法分為非監督分類方法和監督分類方法。非監督分類方法不需要通過選取已知類別的像元進行分類器訓練,而監督分類方法則需要選取一定數量的已知類別的像元對分類器進行訓練,以估計分類器中的參數。非監督分類方法不需要任何先驗知識,也不會因訓練樣本選取而引入認為誤差,但非監督分類得到的自然類別常常和研究感興趣的類別不匹配。相應地,監督分類一般需要預先定義分類類別,訓練數據的選取可能會缺少代表性,但也可能在訓練過程中發現嚴重的分類錯誤。

1.非監督分類器

非監督分類方法一般為聚類演算法。最常用的聚類非監督分類方法是 K-均值(K-Means Algorithm)聚類方法(Duda and Hart,1973)和迭代自組織數據分析演算法(ISODATA)。其演算法描述可見於一般的統計模式識別文獻中。

一般通過簡單的聚類方法得到的分類結果精度較低,因此很少單獨使用聚類方法進行遙感數據專題分類。但是,通過對遙感數據進行聚類分析,可以初步了解各類別的分布,獲取最大似然監督分類中各類別的先驗概率。聚類分析最終的類別的均值矢量和協方差矩陣可以用於最大似然分類過程(Schowengerdt,1997)。

2.監督分類器

監督分類器是遙感數據專題分類中最常用的一種分類器。和非監督分類器相比,監督分類器需要選取一定數量的訓練數據對分類器進行訓練,估計分類器中的關鍵參數,然後用訓練後的分類器將像元劃分到各類別。監督分類過程一般包括定義分類類別、選擇訓練數據、訓練分類器和最終像元分類四個步驟(Richards,1997)。每一步都對最終分類的不確定性有顯著影響。

監督分類器又分為參數分類器和非參數分類器兩種。參數分類器要求待分類數據滿足一定的概率分布,而非參數分類器對數據的概率分布沒有要求。

遙感數據分類中常用的分類器有最大似然分類器、最小距離分類器、馬氏距離分類器、K-最近鄰分類器(K-Nearest neighborhood classifier,K-NN)以及平行六面體分類器(parallelepiped classifier)。最大似然、最小距離和馬氏距離分類器在第三章已經詳細介紹。這里簡要介紹 K-NN 分類器和平行六面體分類器。

K-NN分類器是一種非參數分類器。該分類器的決策規則是:將像元劃分到在特徵空間中與其特徵矢量最近的訓練數據特徵矢量所代表的類別(Schowengerdt,1997)。當分類器中 K=1時,稱為1-NN分類器,這時以離待分類像元最近的訓練數據的類別作為該像元的類別;當 K >1 時,以待分類像元的 K 個最近的訓練數據中像元數量最多的類別作為該像元的類別,也可以計算待分類像元與其 K 個近鄰像元特徵矢量的歐氏距離的倒數作為權重,以權重值最大的訓練數據的類別作為待分類像元的類別。Hardin,(1994)對 K-NN分類器進行了深入的討論。

平行六面體分類方法是一個簡單的非參數分類演算法。該方法通過計算訓練數據各波段直方圖的上限和下限確定各類別像元亮度值的范圍。對每一類別來說,其每個波段的上下限一起就形成了一個多維的盒子(box)或平行六面體(parallelepiped)。因此 M 個類別就有M 個平行六面體。當待分類像元的亮度值落在某一類別的平行六面體內時,該像元就被劃分為該平行六面體代表的類別。平行六面體分類器可以用圖5-1中兩波段的遙感數據分類問題來表示。圖中的橢圓表示從訓練數據估計的各類別亮度值分布,矩形表示各類別的亮度值范圍。像元的亮度落在哪個類別的亮度范圍內,就被劃分為哪個類別。

圖5-1 平行六面體分類方法示意圖

3.統計分類器的評價

各種統計分類器在遙感數據分類中的表現各不相同,這既與分類演算法有關,又與數據的統計分布特徵、訓練樣本的選取等因素有關。

非監督聚類演算法對分類數據的統計特徵沒有要求,但由於非監督分類方法沒有考慮任何先驗知識,一般分類精度比較低。更多情況下,聚類分析被作為非監督分類前的一個探索性分析,用於了解分類數據中各類別的分布和統計特徵,為監督分類中類別定義、訓練數據的選取以及最終的分類過程提供先驗知識。在實際應用中,一般用監督分類方法進行遙感數據分類。

最大似然分類方法是遙感數據分類中最常用的分類方法。最大似然分類屬於參數分類方法。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識,且數據接近正態分布的條件下,最大似然分類被認為是分類精度最高的分類方法。但是當訓練數據較少時,均值和協方差參數估計的偏差會嚴重影響分類精度。Swain and Davis(1978)認為,在N維光譜空間的最大似然分類中,每一類別的訓練數據樣本至少應該達到10×N個,在可能的條件下,最好能達到100×N以上。而且,在許多情況下,遙感數據的統計分布不滿足正態分布的假設,也難以確定各類別的先驗概率。

最小距離分類器可以認為是在不考慮協方差矩陣時的最大似然分類方法。當訓練樣本較少時,對均值的估計精度一般要高於對協方差矩陣的估計。因此,在有限的訓練樣本條件下,可以只估計訓練樣本的均值而不計算協方差矩陣。這樣最大似然演算法就退化為最小距離演算法。由於沒有考慮數據的協方差,類別的概率分布是對稱的,而且各類別的光譜特徵分布的方差被認為是相等的。很顯然,當有足夠訓練樣本保證協方差矩陣的精確估計時,最大似然分類結果精度要高於最小距離精度。然而,在訓練數據較少時,最小距離分類精度可能比最大似然分類精度高(Richards,1993)。而且最小距離演算法對數據概率分布特徵沒有要求。

馬氏距離分類器可以認為是在各類別的協方差矩陣相等時的最大似然分類。由於假定各類別的協方差矩陣相等,和最大似然方法相比,它丟失了各類別之間協方差矩陣的差異的信息,但和最小距離法相比較,它通過協方差矩陣保持了一定的方向靈敏性(Richards,1993)。因此,馬氏距離分類器可以認為是介於最大似然和最小距離分類器之間的一種分類器。與最大似然分類一樣,馬氏距離分類器要求數據服從正態分布。

K-NN分類器的一個主要問題是需要很大的訓練數據集以保證分類演算法收斂(Devijver and Kittler,1982)。K-NN分類器的另一個問題是,訓練樣本選取的誤差對分類結果有很大的影響(Cortijo and Blanca,1997)。同時,K-NN分類器的計算復雜性隨著最近鄰范圍的擴大而增加。但由於 K-NN分類器考慮了像元鄰域上的空間關系,和其他光譜分類器相比,分類結果中「椒鹽現象」較少。

平行六面體分類方法的優點在於簡單,運算速度快,且不依賴於任何概率分布要求。它的缺陷在於:首先,落在所有類別亮度值范圍之外的像元只能被分類為未知類別;其次,落在各類別亮度范圍重疊區域內的像元難以區分其類別(如圖5-1所示)。

各種統計分類方法的特點可以總結為表5-1。

二、神經網路分類器

神經網路用於遙感數據分類的最大優勢在於它平等地對待多源輸入數據的能力,即使這些輸入數據具有完全不同的統計分布,但是由於神經網路內部各層大量的神經元之間連接的權重是不透明的,因此用戶難以控制(Austin,Harding and Kanellopoulos et al.,1997)。

神經網路遙感數據分類被認為是遙感數據分類的熱點研究領域之一(Wilkinson,1996;Kimes,1998)。神經網路分類器也可分為監督分類器和非監督分類器兩種。由於神經網路分類器對分類數據的統計分布沒有任何要求,因此神經網路分類器屬於非參數分類器。

遙感數據分類中最常用的神經網路是多層感知器模型(multi-layer percep-tron,MLP)。該模型的網路結構如圖5-2所示。該網路包括三層:輸入層、隱層和輸出層。輸入層主要作為輸入數據和神經網路輸入界面,其本身沒有處理功能;隱層和輸出層的處理能力包含在各個結點中。輸入的結構一般為待分類數據的特徵矢量,一般情況下,為訓練像元的多光譜矢量,每個結點代表一個光譜波段。當然,輸入結點也可以為像元的空間上下文信息(如紋理)等,或多時段的光譜矢量(Paola and Schowengerdt,1995)。

表5-1 各種統計分類器比較

圖5-2 多層感知器神經網路結構

對於隱層和輸出層的結點來說,其處理過程是一個激勵函數(activation function)。假設激勵函數為f(S),對隱層結點來說,有:

遙感信息的不確定性研究

其中,pi為隱層結點的輸入;hj為隱層結點的輸出;w為聯接各層神經之間的權重。

對輸出層來說,有如下關系:

遙感信息的不確定性研究

其中,hj為輸出層的輸入;ok為輸出層的輸出。

激勵函數一般表達為:

遙感信息的不確定性研究

確定了網路結構後,就要對網路進行訓練,使網路具有根據新的輸入數據預測輸出結果的能力。最常用的是後向傳播訓練演算法(Back-Propagation)。這一演算法將訓練數據從輸入層進入網路,隨機產生各結點連接權重,按式(5-1)(5-2)和(5-3)中的公式進行計算,將網路輸出與預期的結果(訓練數據的類別)相比較並計算誤差。這個誤差被後向傳播的網路並用於調整結點間的連接權重。調整連接權重的方法一般為delta規則(Rumelhart,et al.,1986):

遙感信息的不確定性研究

其中,η為學習率(learning rate);δk為誤差變化率;α為動量參數。

將這樣的數據的前向和誤差後向傳播過程不斷迭代,直到網路誤差減小到預設的水平,網路訓練結束。這時就可以將待分類數據輸入神經網路進行分類。

除了多層感知器神經網路模型,其他結構的網路模型也被用於遙感數據分類。例如,Kohonen自組織網路被廣泛用於遙感數據的非監督聚類分析(Yoshida et al.,1994;Schaale et al.,1995);自適應共振理論(Adaptive Resonance Theory)網路(Silva,S and Caetano,M.1997)、模糊ART圖(Fuzzy ART Maps)(Fischer,M.M and Gopal,S,1997)、徑向基函數(駱劍承,1999)等也被用於遙感數據分類。

許多因素影響神經網路的遙感數據分類精度。Foody and Arora(1997)認為神經網路結構、遙感數據的維數以及訓練數據的大小是影響神經網路分類的重要因素。

神經網路結構,特別是網路的層數和各層神經元的數量是神經網路設計最關鍵的問題。網路結構不但影響分類精度,而且對網路訓練時間有直接影響(Kavzoglu and Mather,1999)。對用於遙感數據分類的神經網路來說,由於輸入層和輸出層的神經元數目分別由遙感數據的特徵維數和總的類別數決定的,因此網路結構的設計主要解決隱層的數目和隱層的神經元數目。一般過於復雜的網路結構在刻畫訓練數據方面較好,但分類精度較低,即「過度擬合」現象(over-fit)。而過於簡單的網路結構由於不能很好的學習訓練數據中的模式,因此分類精度低。

網路結構一般是通過實驗的方法來確定。Hirose等(1991)提出了一種方法。該方法從一個小的網路結構開始訓練,每次網路訓練陷入局部最優時,增加一個隱層神經元,然後再訓練,如此反復,直到網路訓練收斂。這種方法可能導致網路結構過於復雜。一種解決辦法是每當認為網路收斂時,減去最近一次加入的神經元,直到網路不再收斂,那麼最後一次收斂的網路被認為是最優結構。這種方法的缺點是非常耗時。「剪枝法」(pruning)是另一種確定神經網路結構的方法。和Hirose等(1991)的方法不同,「剪枝法」從一個很大的網路結構開始,然後逐步去掉認為多餘的神經元(Sietsma and Dow,1988)。從一個大的網路開始的優點是,網路學習速度快,對初始條件和學習參數不敏感。「剪枝」過程不斷重復,直到網路不再收斂時,最後一次收斂的網路被認為最優(Castellano,Fanelli and Pelillo,1997)。

神經網路訓練需要訓練數據樣本的多少隨不同的網路結構、類別的多少等因素變化。但是,基本要求是訓練數據能夠充分描述代表性的類別。Foody等(1995)認為訓練數據的大小對遙感分類精度有顯著影響,但和統計分類器相比,神經網路的訓練數據可以比較少。

分類變數的數據維對分類精度的影響是遙感數據分類中的普遍問題。許多研究表明,一般類別之間的可分性和最終的分類精度會隨著數據維數的增大而增高,達到某一點後,分類精度會隨數據維的繼續增大而降低(Shahshahani and Landgrebe,1994)。這就是有名的Hughes 現象。一般需要通過特徵選擇去掉信息相關性高的波段或通過主成分分析方法去掉冗餘信息。分類數據的維數對神經網路分類的精度同樣有明顯影響(Battiti,1994),但Hughes 現象沒有傳統統計分類器中嚴重(Foody and Arora,1997)。

Kanellopoulos(1997)通過長期的實踐認為一個有效的ANN模型應考慮以下幾點:合適的神經網路結構、優化學習演算法、輸入數據的預處理、避免振盪、採用混合分類方法。其中混合模型包括多種ANN模型的混合、ANN與傳統分類器的混合、ANN與知識處理器的混合等。

三、其他分類器

除了上述統計分類器和神經網路分類器,還有多種分類器被用於遙感圖像分類。例如模糊分類器,它是針對地面類別變化連續而沒有明顯邊界情況下的一種分類器。它通過模糊推理機制確定像元屬於每一個類別的模糊隸屬度。一般的模糊分類器有模糊C均值聚類法、監督模糊分類方法(Wang,1990)、混合像元模型(Foody and Cox,1994;Settle and Drake,1993)以及各種人工神經網路方法等(Kanellopoulos et al.,1992;Paola and Schowengerdt,1995)。由於模糊分類的結果是像元屬於每個類別的模糊隸屬度,因此也稱其為「軟分類器」,而將傳統的分類方法稱為「硬分類器」。

另一類是上下文分類器(contextual classifier),它是一種綜合考慮圖像光譜和空間特徵的分類器。一般的光譜分類器只是考慮像元的光譜特徵。但是,在遙感圖像中,相鄰的像元之間一般具有空間自相關性。空間自相關程度強的像元一般更可能屬於同一個類別。同時考慮像元的光譜特徵和空間特徵可以提高圖像分類精度,並可以減少分類結果中的「椒鹽現象」。當類別之間的光譜空間具有重疊時,這種現象會更明顯(Cortijo et al.,1995)。這種「椒鹽現象」可以通過分類的後處理濾波消除,也可以通過在分類過程中加入代表像元鄰域關系的信息解決。

在分類過程中可以通過不同方式加入上下文信息。一是在分類特徵中加入圖像紋理信息;另一種是圖像分割技術,包括區域增長/合並常用演算法(Ketting and Landgrebe,1976)、邊緣檢測方法、馬爾可夫隨機場方法。Rignot and Chellappa(1992)用馬爾可夫隨機場方法進行SAR圖像分類,取得了很好的效果,Paul Smits(1997)提出了保持邊緣細節的馬爾可夫隨機場方法,並用於SAR圖像的分類;Crawford(1998)將層次分類方法和馬爾可夫隨機場方法結合進行SAR圖像分類,得到了更高的精度;Cortijo(1997)用非參數光譜分類對遙感圖像分類,然後用ICM演算法對初始分類進行上下文校正。

㈥ 為什麼列印機設置里默認要禁用icm

icm(Image Color Managment )是windows內置的顏色管理系統。

一般列印機有幾種顏色管理方式:

1、win顏色管理:一個圖片在輸出的時候,顏色的濃度、深淺等,總需要一個控制的閥值來輸出,icm就是由win自帶的控制系統管理。

2、應用軟體管理:Photo等軟體,也有顏色管理系統,可以控制輸出閥值。

3、列印機自帶顏色管理:好些生產廠家進行一些增值服務,由列印機控制顏色管理,由生產廠家的顏色管理,相對於新手來說,效果是最好的。

(6)icm演算法擴展閱讀:

Windows色彩系統以「色彩設施和翻譯引擎」(Color Infrastructure and Translation Engine,縮寫CITE)為其核心。它的後端使用佳能開發的Kyuanos技術提供色彩處理流水線,每個像素支持位深度超過32位、多個色彩通道(超過三個)、替代色彩空間和高動態范圍成像著色。

顏色處理流水線允許設備開發人員將自己的色域映射演算法添加到流水線,以定製設備的顏色響應。新流水線還支持浮點計算,以最小化整數處理中固有的舍入誤差。一旦顏色流水線處理完顏色,CITE引擎將根據顏色配置文件應用對於特定設備的顏色轉換,以確保輸出顏色與預期顏色相符。

WCS明確支持LCD及CRT顯示器、投影機、列印機以及其他成像設備,並為每個設備提供定製支持。WCS使用遵循CIECAM02的色彩配置文件,採用XML定義顏色表示如何實際轉換為可見顏色。它支持ICCV4色彩配置文件。

Windows照片圖庫和照片查看器只支持過時的V2標准,並且在使用V4配置文件時所示圖像將較暗,Windows成像組件、HD Photo格式、XPS列印路徑和XPS文檔均支持色彩管理。

㈦ 如何製作icc曲線

ICC曲線的製作方法—久利商行—
一、顏料、染料墨水ICC曲線的製作方法:
1、 在Adobe photoshop中列印軟體中的三張配套色卡。(列印設置為:圖像—旋轉畫布(E)—90度(順時針)—文件—列印預覽—色彩管理—讓列印機確定顏色—輸出—列印—選擇列印機型—屬性—優質照片—高質量光澤紙—高級—ICM—關(無色彩調整)—關閉高速— 選擇邊緣平滑—確

定——列印)。所才用的紙張為照片紙。
2、 連接好Eye-One。(註:一定要輕拿輕放,保持鏡頭的清潔。)在系統中打開Eye-One(打開方法:開始——程序——Gretagmacbeth——ProfileMaker Pro 5.0.2——Profile Maker——確定——Eye-One)
3、 將列印出來的樣張水平放置在平板上夾好,並使樣張兩端的邊界線與活動板的鏡頭滑動槽的兩端
對齊。

4、 校準Eye-One(在拿起來之前按下按鈕即完成了校準),然後按照樣張上色條的順序依次用Eye-One
進行掃描(即在每行的一端按下按鈕,在聽到短暫的「嘀」聲響的時候慢慢勻速的向另一端移
動,直到另一端點的時候松開按鈕,這時如果聽到短暫而較和諧的聲音則可以 接著掃下一行,若
聽到的刺耳的響聲則表示掃描失敗,需要重掃此此行)

5、 掃描完成後在界面上點擊Close 按鈕,將保存名稱改為你想要保存的名稱(註:名稱一般是墨水的
名稱加上所用的測試機器的名稱以及日期。例:E270系 機R270
2007.9.7)再點擊保存。

6、 在界面上點擊start按鈕,將名稱改為地一次保存的名稱一致,然後點擊保存。保存完成即ICC曲線
製作成功。

二、熱轉印墨水的ICC曲線製作方法:
1、 在Adobe photoshop中列印軟體中的三張配套色卡。(列印設置為:圖像—旋轉畫布(E)—90度(順時針)—文件—列印預覽—色彩管理—讓列印機確定顏色—輸出—列印—選擇列印機型—屬性—優質照片—高質量光澤紙—頁面版式—鏡像圖像—高級—ICM—關(無色彩調整)—關閉高
速—選擇邊緣平滑—確定—列印)。所採用的紙張為熱轉印紙。

2、 將列印出來的樣張用燙布機轉印到布料上。

3、 將轉印好的布料進行掃描,製作方法和顏料、染料墨水的方法一致。

三、ICC曲線的應用
1、 將製作的ICC曲線設置為列印機的默認值,則此時用這台列印機進行列印的時候就運用了這條ICC
曲線進行了顏色的校準。

2、 設置方法:點擊開始菜單——設置——列印機與傳真機——選中你所要設置的列印機——單擊鼠
標右鍵——屬性——顏色管理——添 加——在所有的曲線中選中你所要添加的曲線——添加——
設為默認值——應用——確定。這時就設置完成了,再用這台列印機進行列印的時候就運用了所
選中的ICC曲線進行了顏色的校準。

3、 在不需要運用這條ICC曲線或要運用其他的ICC曲線時採用同樣的方法將所要運用的ICC曲線設為默認值並應用。
四、 列印對比圖像
1、 列印照片方法(沒做曲線):打開照片—文件—列印預覽—色彩管理—讓列印機確定顏色—輸出—列印—選擇列印機型—屬性—優質照片—高質量光澤紙—高級—選色彩管理—關閉高速—選擇邊緣平滑—確定—列印)。
2、 列印照片方法(做完曲線後):打開照片—文件—列印預覽—色彩管理—讓Photoshop確定顏色—選擇列印機配置文件(做完曲線的配置文件)—列印—選擇列印機型—屬性—優質照片—高質量光澤紙—高級—ICM—關(無色彩調整)—關閉高速—選擇邊緣平滑—確定—列印)。
五、對比顏色是否變化。

㈧ 電纜故障定位儀測量方法是什麼

電纜故障可能是由於影響電纜性能的任何缺陷,不一致,脆弱或不均勻而引起的。通常,故障分類為:


低電阻(短路):絕緣層損壞導致故障位置的兩個或更多導體的低電阻連接或短路。


接地故障(對地短路):與短路故障相似,對地產生低電阻連接。


電纜斷裂:挖掘過程中的機械損壞或地面運動可能會導致單個或多個導體斷裂,從而導致高電阻故障。


間歇性故障:有時故障不是恆定的,僅根據電纜的負載偶爾發生。一個例子可能是低負載的層壓(油絕緣)電纜中的區域變干或擠壓電纜中存在局部放電。


護套故障:電纜外殼的損壞並不一定總是直接導致故障,但是由於水分滲透和絕緣損壞,長期會導致電纜故障。


根據電纜故障的類型,發生故障的電壓水平,電纜系統的設計,故障電纜的周圍區域(直接埋入,導管,架空等)以及其他因素,各種可以採用測量方法和電纜故障測試儀器。


次要脈沖法/多重脈沖法(SIM / MIM):


SIM / MIM也稱為電涌弧反射,它基於電涌發生器或or擊器與TDR耦合在一起。高電壓脈沖沿著電纜發送,導致故障擊穿,並將高電阻故障暫時轉換為低電阻故障,可以通過TDR信號檢測到該故障以測量故障距離,故障距離評估是完全自動進行的。

回復者:華天電力

熱點內容
我的世界基岩版如何卡爆伺服器 發布:2022-07-02 12:47:43 瀏覽:60
樂思維編程 發布:2022-07-02 12:42:54 瀏覽:912
通用編程軟體 發布:2022-07-02 12:42:38 瀏覽:366
安卓怎麼讀硬碟 發布:2022-07-02 12:42:35 瀏覽:357
本機硬碟可以和存儲混著用嗎 發布:2022-07-02 12:41:00 瀏覽:689
node編譯腳本 發布:2022-07-02 12:39:42 瀏覽:786
慈溪學編程 發布:2022-07-02 12:38:22 瀏覽:775
海康雲存儲解決方案 發布:2022-07-02 12:38:10 瀏覽:37
手游穿越火線安卓怎麼跟蘋果一起打 發布:2022-07-02 12:36:30 瀏覽:189
安卓手機鎖屏密碼忘了怎麼解鎖 發布:2022-07-02 12:35:52 瀏覽:923