联合学习平台中的Fl-engine系统的制作方法

计算;推算;计数设备的制造及其应用技术联合学习平台中的fl-engine系统技术领域1.本发明涉及联合学习技术领域，特别涉及联合学习平台中的fl-engine系统。背景技术：2.机器学习算法在数据分析、数据挖掘等方面的应用已经十分广泛，并取得了很好的效果。同时，机器学习算法也是一种针对特定的应用或特定数据的特异性很强的算法，即一旦利用给定的训练数据完成训练并唯一确定，模型将很难具有针对不同数据或不同应用的泛化能力。因此，为使得模型具有针对不同数据或应用的自适应能力，例如通过调节模型中某些可控参数来自动调节其模型结构，是一种十分有效的扩展模型泛化能力的解决方法。3.通过机器的联合学习，可以为我们提供多种数据训练，第一类是，可以做数据集的增强训练，这种场景主要针对的是联合参与的每一方都拥有一定数量的样本，联合起来训练对各自来说，相当于是数据集的增强，这一类其实就相当于横向联合。第二类可以做特征聚合的，其实就相当于是纵向联合。第三类场景，是可以做一些数据标注，参与方中一方拥有特征而另一方拥有标注数据，二者可以在不泄漏隐私的情况下学习到他们之间的联系，从而达到标注的效果。最后一种是属于最极致的一种情况，模型和数据的独立性。也就是一方只有模型，一方只有数据，通过联合，可以用一方的模型去消费另一方的数据，在保护数据模型隐私的前提下，达到价值共享。4.联合学习平台中引擎模块至关重要，引擎作为中心节点，会部署在云端，负责统一编排各个联合训练任务和agent，起到中心协调的作用。技术实现要素：5.本发明的目的在于提供联合学习平台中的fl-engine系统，联合学习引擎模块基于一个联合学习框架，纳入联合机器学习算法、联合深度学习算法、横向联合算法和纵向联合算法，通过自适应机制从聚合策略模块中选用与之匹配的k-means聚类策略、层次聚类策略、som聚类策略或者fcm聚类策略，实现聚合计算，并设置有分布式异常处理模块采用分布式处理，提高工作效率，并兼顾各种异常处理，另外隐私安装协议为用户隐私加密，安全性能高，能够保证联合训练的完整性，以解决上述背景技术中提出的问题。6.为实现上述目的，本发明提供如下技术方案：联合学习平台中的fl-engine系统，包括联合学习平台、本地服务器和物联接入端，所述联合学习平台内设置有智能生态圈模块、联合学习计划模块、联合学习引擎模块、和平台支撑模块，联合学习计划模块和联合学习引擎模块电性连接，联合学习引擎模块和平台支撑模块电性连接，所述本地服务器内设置有物联网系统、本地训练配置模块、本地训练代理模块和本地资源管理协同模块，物联网系统分别与本地训练配置模块、本地训练代理模块电性连接，本地训练配置模块与联合学习计划模块电性连接，本地训练代理模块与联合学习引擎模块电性连接，本地资源管理协同模块与平台支撑模块电性连接，所述物联接入端包括机器设备、边缘盒子和摄像头，机器设备、边缘盒子和摄像头分别与物联网系统连接。7.优选的，所述联合学习引擎模块内设置有ml/dl算法模块、聚合策略模块、分布式异常处理模块、隐私安装协议和自适应机制，联合学习引擎模块内还设置有本地模型接收节点，本地模型接收节点与分布式异常处理模块、隐私安装协议和自适应机制通信连接，自适应机制与ml/dl算法模块和内聚合策略模块对应连接。8.优选的，所述ml/dl算法模块内设置有联合机器学习算法、联合深度学习算法、横向联合算法和纵向联合算法，联合机器学习算法、联合深度学习算法、横向联合算法和纵向联合算法之间平行设置，且均与自适应机制通信连接。9.优选的，所述聚合策略模块包括k-means聚类策略、层次聚类策略、som聚类策略和fcm聚类策略，k-means聚类策略、层次聚类策略、som聚类策略和fcm聚类策略平行设置，且均与自适应机制通信连接。10.优选的，所述分布式异常处理模块处理异常包括以下步骤：11.s13301：分布式异常处理模块采用分布式结构，在本地模型接收节点内各流水级设置一个异常检测逻辑，检测当前时钟周期内地本地模型接收节点内该流水级产生的异常类型，并向集中式异常仲裁逻辑传递检测到的该周期该级产生的优先级最高异常的相关信息；12.s13302：对本地模型接收节点的流水级体系机构寄存器增加一个镜像寄存器；13.s13303：处理响应异常时，将体系结构寄存器保存到与其对应的镜像寄存器中，加载异常向量，执行异常服务子程序；14.s13304：当异常返回时，将镜像寄存器的值恢复到与其对应的体系结构寄存器中，处理器完成一次异常响应，切换至正常的程序流程。15.优选的，所述本地模型接收节点包括取指级、译码级、执行级、访存级和写回级，取指级、译码级、执行级、访存级和写回级依次连接，取指级、译码级、执行级、访存级和写回级内均设置有分布式异常处理模块的一个异常检测逻辑。16.优选的，所述隐私安装协议包括获取模块、确定模块和替换模块，获取模块、确定模块和替换模块依次连接，获取模块和替换模块均与本地模型接收节点连接。17.优选的，所述隐私安装协议进行隐私加密的方法包括以下步骤：18.s13401：在获取模块内设置预训练模型，并根据任务设计损失函数，损失函数采用交叉熵和crf相结合；19.s13402：获取模块进行模型训练，获得训练好的模型；20.s13403：使用训练好的模型对文本进行隐私数据识别，确定模块确定用于的隐私数据；21.s13404：替换模块采用设定符号将用户的隐私数据进行替换。22.优选的，所述自适应机制包括模型识别模块、关键信息提取模块、智能匹配模块和反馈模块，模型识别模块、关键信息提取模块、智能匹配模块和反馈模块依次连接，智能匹配模块与ml/dl算法模块和聚合策略模块连接。23.优选的，所述自适应机制的工作过程包括以下步骤：24.s13501：模型识别模块识别本地模型接收节点接收的模型类别和数量；25.s13502：关键信息提取模块从模型类别和数量中提取关信息，并将该关键信息输送给智能匹配模块；26.s13503：智能匹配模块根据该关键信息从ml/dl算法模块中选用合适的算法，再根据已选的算法确定聚合策略模块中相应的聚合策略。27.与现有技术相比，本发明的有益效果是：28.1、本发明提出的联合学习平台中的fl-engine系统，联合学习引擎模块基于一个联合学习框架，设置有联合学习引擎模块，并在联合学习引擎模块内纳入联合机器学习算法、联合深度学习算法、横向联合算法和纵向联合算法，通过自适应机制从聚合策略模块中选用与之匹配的k-means聚类策略、层次聚类策略、som聚类策略或者fcm聚类策略，实现聚合计算，能够有针对的对不同数据模型进行聚合计算。29.2、本发明提出的联合学习平台中的fl-engine系统，联合学习引擎模块中设置有分布式异常处理模块，且分布式异常处理模块采用分布式处理，提高工作效率，并兼顾各种异常处理。30.3、本发明提出的联合学习平台中的fl-engine系统，联合学习引擎模块中还设有隐私安装协议为用户隐私加密，安全性能高，能够保证联合训练的完整性。附图说明31.图1为本发明的整体结构图；32.图2为本发明的联合学习引擎模块结构图；33.图3为本发明的联合学习引擎模块连接关系图；34.图4为本发明的分布式异常处理模块工作流程图；35.图5为本发明的隐私安装协议工作流程图；36.图6为本发明的自适应机制工作流程图；37.图7为本发明的实施例二结构图。38.图中：1、联合学习平台；11、智能生态圈模块；12、联合学习计划模块；13、联合学习引擎模块；131、ml/dl算法模块；1311、联合机器学习算法；1312、联合深度学习算法；1313、横向联合算法；1314、纵向联合算法；132、聚合策略模块；1321、k-means聚类策略；1322、层次聚类策略；1323、som(self organizing maps,自组织映射神经网络)聚类策略；1324、fcm聚类策略(fuzzy c-means,模糊c均值)；133、分布式异常处理模块；134、隐私安装协议；1341、获取模块；1342、确定模块；1343、替换模块；135、自适应机制；1351、模型识别模块；1352、关键信息提取模块；1353、智能匹配模块；1354、反馈模块；136、本地模型接收节点；1361、取指级；1362、译码级；1363、执行级；1364、访存级；1365、写回级；14、平台支撑模块；2、本地服务器；21、物联网系统；22、本地训练配置模块；23、本地训练代理模块；24、本地资源管理协同模块；3、物联接入端；31、机器设备；32、边缘盒子；33、摄像头。具体实施方式39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。40.实施例一：41.请参阅图1，联合学习平台中的fl-engine系统，包括联合学习平台1、本地服务器2和物联接入端3，联合学习平台1内设置有智能生态圈模块11、联合学习计划模块12、联合学习引擎模块13、和平台支撑模块14，联合学习计划模块12和联合学习引擎模块13电性连接，联合学习引擎模块13和平台支撑模块14电性连接，本地服务器2内设置有物联网系统21、本地训练配置模块22、本地训练代理模块23和本地资源管理协同模块24，物联网系统21分别与本地训练配置模块22、本地训练代理模块23电性连接，本地训练配置模块22与联合学习计划模块12电性连接，本地训练代理模块23与联合学习引擎模块13电性连接，本地资源管理协同模块24与平台支撑模块14电性连接，物联接入端3包括机器设备31、边缘盒子32和摄像头33，机器设备31、边缘盒子32和摄像头33分别与物联网系统21连接。42.请参阅图2，联合学习引擎模块13内设置有ml(maching learning,机器学习)/dl(deep learning,深度学习)算法模块131、聚合策略模块132、分布式异常处理模块133、隐私安装协议134和自适应机制135，联合学习引擎模块13内还设置有本地模型接收节点136，本地模型接收节点136与分布式异常处理模块133、隐私安装协议134和自适应机制135通信连接，自适应机制135与ml/dl算法模块131和内聚合策略模块132对应连接，ml/dl算法模块131提供基础算法模块，聚合策略模块132用于实现聚合计算策略，自适应机制135用于供需匹配，将ml/dl算法模块131内的算法与聚合策略模块132内的聚合策略相匹配，分布式异常处理模块133当训练节点出现异常或者中断时，及时给出处理策略，隐私安装协议134用于加密算法。43.请参阅图3，ml/dl算法模块131内设置有联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314，联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314之间平行设置，且均与自适应机制135通信连接。44.聚合策略模块132包括k-means聚类策略1321(k-means是一种无监督算法，用于聚类问题的过程)、层次聚类策略1322、som聚类策略1323和fcm聚类策略1324，k-means聚类策略1321、层次聚类策略1322、som聚类策略1323和fcm聚类策略1324平行设置，且均与自适应机制135通信连接。45.请参阅图4，分布式异常处理模块133处理异常包括以下步骤：46.s13301：分布式异常处理模块133采用分布式结构，在本地模型接收节点136内各流水级设置一个异常检测逻辑，检测当前时钟周期内地本地模型接收节点136内该流水级产生的异常类型，并向集中式异常仲裁逻辑传递检测到的该周期该级产生的优先级最高异常的相关信息；47.s13302：对本地模型接收节点136的流水级体系机构寄存器增加一个镜像寄存器；48.s13303：处理响应异常时，将体系结构寄存器保存到与其对应的镜像寄存器中，加载异常向量，执行异常服务子程序；49.s13304：当异常返回时，将镜像寄存器的值恢复到与其对应的体系结构寄存器中，处理器完成一次异常响应，切换至正常的程序流程。50.本地模型接收节点136包括取指级1361、译码级1362、执行级1363、访存级1364和写回级1365，取指级1361、译码级1362、执行级1363、访存级1364和写回级1365依次连接，取指级1361、译码级1362、执行级1363、访存级1364和写回级1365内均设置有分布式异常处理模块133的一个异常检测逻辑。51.请参阅图5，隐私安装协议134包括获取模块1341、确定模块1342和替换模块1343，获取模块1341、确定模块1342和替换模块1343依次连接，获取模块1341和替换模块1343均与本地模型接收节点136连接，隐私安装协议134进行隐私加密的方法包括以下步骤：52.s13401：在获取模块1341内设置预训练模型，并根据任务设计损失函数，损失函数采用交叉熵和crf相结合；53.s13402：获取模块1341进行模型训练，获得训练好的模型；54.s13403：使用训练好的模型对文本进行隐私数据识别，确定模块1342确定用于的隐私数据；55.s13404：替换模块1343采用设定符号将用户的隐私数据进行替换。56.请参阅图6，自适应机制135包括模型识别模块1351、关键信息提取模块1352、智能匹配模块1353和反馈模块1354，模型识别模块1351、关键信息提取模块1352、智能匹配模块1353和反馈模块1354依次连接，智能匹配模块1353与ml/dl算法模块131和聚合策略模块132连接，自适应机制135的工作过程包括以下步骤：57.s13501：模型识别模块1351识别本地模型接收节点136接收的模型类别和数量；58.s13502：关键信息提取模块1352从模型类别和数量中提取关信息，并将该关键信息输送给智能匹配模块1353；59.s13503：智能匹配模块1353根据该关键信息从ml/dl算法模块131中选用合适的算法，再根据已选的算法确定聚合策略模块132中相应的聚合策略。60.工作过程：通过物联接入端3进行数据采集，本地服务器2中物联网系统21将数据处理后，传送给本地训练配置模块22和本地训练代理模块23，传送给本地训练配置模块22和本地训练代理模块23分别与联合学习引擎模块13连接，联合学习引擎模块13设置在云端，负责统一编排管理各个联合训练任务和agent，起到中心协调的作用，会将本地各个节点上传上来的模型进行一系列的聚合操作，不同的算法的聚合策略会有不同，联合学习引擎模块13会进行统一处理，联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314针对不同的模型进行算法计算，自适应机制135自动选择聚合策略，在聚合操作前，分布式异常处理模块133采用分布式处理，提高工作效率，并兼顾各种异常处理，另外隐私安装协议134为用户隐私加密，在本实施例中，自适应机制135选用联合机器学习算法1311，且匹配k-means聚类策略1321工作，具体步骤如下：61.步骤1：通过对机器学习算法进行分析，获取控制其计算时间的可控参数，并根据该可控参数在各具体数值下该机器学习算法的实际计算时间，建立该机器学习算法计算时间的量化模型库，62.k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；然后重新计算每个簇的平均值，这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：[0063][0064]这里e是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇ci的平均值。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离，当然也可以用其他距离度量。[0065]步骤2：根据各时间窗内输入数据的复杂度，对该机器学习算法的结构进行粗粒度调整，给定算法模型的复杂度范围，并根据该机器学习算法对该输入数据进行量化描述，结合给定的时间限制在该量化模型库中确定该可控参数的具体数值，并将该具体数值应用至该机器学习算法。[0066]实施例二：[0067]请参阅图7，联合学习平台中的fl-engine系统，包括联合学习平台1、本地服务器2和物联接入端3，联合学习平台1内设置有智能生态圈模块11、联合学习计划模块12、联合学习引擎模块13、和平台支撑模块14，联合学习计划模块12和联合学习引擎模块13电性连接，联合学习引擎模块13和平台支撑模块14电性连接，本地服务器2内设置有物联网系统21、本地训练配置模块22、本地训练代理模块23和本地资源管理协同模块24，物联网系统21分别与本地训练配置模块22、本地训练代理模块23电性连接，本地训练配置模块22与联合学习计划模块12电性连接，本地训练代理模块23与联合学习引擎模块13电性连接，本地资源管理协同模块24与平台支撑模块14电性连接，物联接入端3包括机器设备31、边缘盒子32和摄像头33，机器设备31、边缘盒子32和摄像头33分别与物联网系统21连接。[0068]联合学习引擎模块13内设置有ml/dl算法模块131、聚合策略模块132、分布式异常处理模块133、隐私安装协议134和自适应机制135，联合学习引擎模块13内还设置有本地模型接收节点136，本地模型接收节点136与分布式异常处理模块133、隐私安装协议134和自适应机制135通信连接，自适应机制135与ml/dl算法模块131和内聚合策略模块132对应连接，ml/dl算法模块131提供基础算法模块，聚合策略模块132用于实现聚合计算策略，自适应机制135用于供需匹配，将ml/dl算法模块131内的算法与聚合策略模块132内的聚合策略相匹配，分布式异常处理模块133当训练节点出现异常或者中断时，及时给出处理策略，隐私安装协议134用于加密算法。[0069]ml/dl算法模块131内设置有联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314，联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314之间平行设置，且均与自适应机制135通信连接。[0070]聚合策略模块132包括k-means聚类策略1321、层次聚类策略1322、som聚类策略1323和fcm聚类策略1324，k-means聚类策略1321、层次聚类策略1322、som聚类策略1323和fcm聚类策略1324平行设置，且均与自适应机制135通信连接。[0071]分布式异常处理模块133处理异常包括以下步骤：[0072]s13301：分布式异常处理模块133采用分布式结构，在本地模型接收节点136内各流水级设置一个异常检测逻辑，检测当前时钟周期内地本地模型接收节点136内该流水级产生的异常类型，并向集中式异常仲裁逻辑传递检测到的该周期该级产生的优先级最高异常的相关信息；[0073]s13302：对本地模型接收节点136的流水级体系机构寄存器增加一个镜像寄存器；[0074]s13303：处理响应异常时，将体系结构寄存器保存到与其对应的镜像寄存器中，加载异常向量，执行异常服务子程序；[0075]s13304：当异常返回时，将镜像寄存器的值恢复到与其对应的体系结构寄存器中，处理器完成一次异常响应，切换至正常的程序流程。[0076]本地模型接收节点136包括取指级1361、译码级1362、执行级1363、访存级1364和写回级1365，取指级1361、译码级1362、执行级1363、访存级1364和写回级1365依次连接，取指级1361、译码级1362、执行级1363、访存级1364和写回级1365内均设置有分布式异常处理模块133的一个异常检测逻辑。[0077]隐私安装协议134包括获取模块1341、确定模块1342和替换模块1343，获取模块1341、确定模块1342和替换模块1343依次连接，获取模块1341和替换模块1343均与本地模型接收节点136连接，隐私安装协议134进行隐私加密的方法包括以下步骤：[0078]s13401：在获取模块1341内设置预训练模型，并根据任务设计损失函数，损失函数采用交叉熵和crf相结合；[0079]s13402：获取模块1341进行模型训练，获得训练好的模型；[0080]s13403：使用训练好的模型对文本进行隐私数据识别，确定模块1342确定用于的隐私数据；[0081]s13404：替换模块1343采用设定符号将用户的隐私数据进行替换。[0082]自适应机制135包括模型识别模块1351、关键信息提取模块1352、智能匹配模块1353和反馈模块1354，模型识别模块1351、关键信息提取模块1352、智能匹配模块1353和反馈模块1354依次连接，智能匹配模块1353与ml/dl算法模块131和聚合策略模块132连接，自适应机制135的工作过程包括以下步骤：[0083]s13501：模型识别模块1351识别本地模型接收节点136接收的模型类别和数量；[0084]s13502：关键信息提取模块1352从模型类别和数量中提取关信息，并将该关键信息输送给智能匹配模块1353；[0085]s13503：智能匹配模块1353根据该关键信息从ml/dl算法模块131中选用合适的算法，再根据已选的算法确定聚合策略模块132中相应的聚合策略。[0086]工作过程：通过物联接入端3进行数据采集，本地服务器2中物联网系统21将数据处理后，传送给本地训练配置模块22和本地训练代理模块23，传送给本地训练配置模块22和本地训练代理模块23分别与联合学习引擎模块13连接，联合学习引擎模块13设置在云端，负责统一编排管理各个联合训练任务和agent，起到中心协调的作用，会将本地各个节点上传上来的模型进行一系列的聚合操作，不同的算法的聚合策略会有不同，联合学习引擎模块13会进行统一处理，联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314针对不同的模型进行算法计算，自适应机制135自动选择聚合策略，在聚合操作前，分布式异常处理模块133采用分布式处理，提高工作效率，并兼顾各种异常处理，另外隐私安装协议134为用户隐私加密，在本实施例中，自适应机制135选用联合深度学习算法1312，且匹配som聚类策略1323工作，具体步骤如下：[0087]步骤1：联合深度学习算法1312获得输入数据的集合，其中输入数据的集合包括被布置到多个数据集群中的原始数据；[0088]步骤2：联合深度学习算法1312包括输入层、输出层和多个隐层，层次聚类策略1322使用深度学习算法对原始数据执行统计聚类，从而生成统计集群，som聚类策略1323包含输入层和输出层，输入层对应一个高维的输入向量，输出层由一系列组织在二维网格上的有序节点构成，输入节点与输出节点通过权重向量连接，学习过程中，找到与之距离最短的输出层单元，即获胜单元，对其更新，同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征，算法流程：[0089](1)网络初始化，对输出层每个节点权重赋初值；[0090](2)将输入样本中随机选取输入向量，找到与输入向量距离最小的权重向量；[0091](3)定义获胜单元，在获胜单元的邻近区域调整权重使其向输入向量靠拢；[0092](4)提供新样本、进行训练；[0093](5)收缩邻域半径、减小学习率、重复，直到小于允许值，输出聚类结果；[0094]步骤3：从每个统计集群获得标记，其中，每个标记是与集群内包含的单个数据标记，并且基于标记来评价输入数据的集合，以导出关于一个或多个对象的关联数据。[0095]综上所述：本发明提出的联合学习平台中的fl-engine系统，联合学习引擎模块13基于一个联合学习框架，纳入联合机器学习算法1311、联合深度学习算法1312、横向联合算法1313和纵向联合算法1314，通过自适应机制135从聚合策略模块132中选用与之匹配的k-means聚类策略1321、层次聚类策略1322、som聚类策略1323或者fcm聚类策略1324，实现聚合计算，并设置有分布式异常处理模块133采用分布式处理，提高工作效率，并兼顾各种异常处理，另外隐私安装协议134为用户隐私加密，安全性能高，能够保证联合训练的完整性。[0096]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!