匹配
一对一匹配是否一致的公式
一对一匹配是否一致的公式在现代社会中，数据处理已经成为了一项非常重要的工作。
在数据处理中，一对一匹配是一项非常常见的任务。
但是，如何判断一对一匹配是否一致呢？本文将介绍一种公式，用于判断一对一匹配是否一致。
一、什么是一对一匹配？一对一匹配是指将两个数据集中的每个元素进行匹配，确保每个元素都有一个对应的匹配项。
例如，在一个学生名单中，每个学生都有一个唯一的学号，这个学号就可以用来进行一对一匹配。
二、一对一匹配的问题在进行一对一匹配时，可能会出现一些问题。
例如，两个数据集中的元素数量不一致，或者存在重复的元素。
这些问题都会导致匹配结果不一致。
三、为了解决一对一匹配的问题，我们可以使用一种公式来判断匹配结果是否一致。
这个公式如下：一致性 = （正确匹配数 - 错误匹配数）/ 总匹配数其中，正确匹配数指的是两个数据集中元素匹配正确的数量，错误匹配数指的是两个数据集中元素匹配错误的数量，总匹配数指的是两个数据集中元素总数。
如果一致性的值为1，说明匹配结果完全一致；如果一致性的值为0，说明匹配结果完全不一致；如果一致性的值在0和1之间，说明匹配结果存在一定程度的不一致。
四、应用举例为了更好地理解一对一匹配是否一致的公式，我们可以通过一个实际的例子来进行说明。
假设有两个数据集，分别为A和B。
其中，A包含5个元素，分别为1、2、3、4、5；B包含5个元素，分别为2、3、4、5、6。
我们需要将A和B进行一对一匹配，并判断匹配结果是否一致。
首先，我们可以将A和B进行匹配，得到以下结果：1 -> 无匹配项2 -> 23 -> 34 -> 45 -> 56 -> 无匹配项可以看出，A和B中有两个元素没有匹配项。
因此，正确匹配数为3，错误匹配数为2，总匹配数为5。
根据一对一匹配是否一致的公式，可以计算出一致性的值为0.2。
通过这个例子，我们可以看出，一对一匹配是否一致的公式可以很好地判断匹配结果是否一致。
表格匹配公式
表格匹配公式
表格匹配公式是用于在 Excel 中根据条件进行数据匹配的函数。
常
用的表格匹配公式有 VLOOKUP、HLOOKUP、INDEX、MATCH 等。
这些函数可
以根据指定的条件，在指定的数据区域中匹配相应的值，并返回匹配的结果。
当需要在 Excel 中进行数据关联或查询时，可以使用表格匹配公式
来提高工作效率。
例如，可以使用 VLOOKUP 函数查找某个数据在表格中
的位置，然后返回对应的值；也可以使用 INDEX 和 MATCH 函数组合实现
更加灵活的匹配查询。
表格匹配公式的基本语法为：
-VLOOKUP（查找值，数据区域，返回值列数，精确匹配/近似匹配）。
-HLOOKUP（查找值，数据区域，返回值行数，精确匹配/近似匹配）。
-INDEX（数据区域，行数，列数）。
-MATCH（查找值，数据区域，匹配类型）。
以上函数中，查找值是指需要查找的数据，数据区域是指需要匹配的
数据范围，返回值列数/行数是指需要返回的数据在数据区域中的列数/行数，精确匹配/近似匹配是指是否需要进行精确匹配或模糊匹配。
在使用
表格匹配公式时，需要根据具体情况选择合适的函数和参数，以实现需要
的数据匹配功能。
朴素模式匹配算法
朴素模式匹配算法
朴素模式匹配算法是一种字符串匹配算法，其基本思想是从文本
串的第一个位置开始，依次对比模式串的每一个字符，若匹配则继续
比较下一个字符，若不匹配则将文本串向后移动一位再次开始匹配。
该算法的时间复杂度为 O(mn)，其中m、n分别为模式串和文本串的长度。
具体实现中，需要使用两个指针i、j分别指向文本串和模式串
的当前位置，若当前字符匹配，则i、j同时向后移动一位，否则i回
到起始位置，j向后移动一位，重新开始匹配。
当模式串匹配完毕时，若i未到达文本串的末尾，则继续将i向后移动一位，j回到起始位置，重新开始匹配。
直到i达到文本串末尾或匹配成功，算法结束。
朴素模式匹配算法的缺点是时间复杂度较高，但其优点是实现简单，适用于较短的模式串和文本串的匹配。
在实际应用中，可以采用
其他更加高效的字符串匹配算法，如KMP算法、Boyer-Moore算法等。
匹配理论
一对一匹配
延迟接受算法
婚姻模型
更多性质
考虑男性与女性之间婚姻关系构成的双边匹配，此时匹配关系是一对一的，也即一位男性与一位女性相匹配。 设M代表男性集合，代表集合中的一位男性；W代表女性集合，代表集合中的一位女性，那么一个匹配如下所示：
，
:
匹配就代表了与配对，与配对，与配对。
下面考虑个体的偏好，也即个体更倾向于和谁匹配，在婚姻模型中这意味着男性更愿意和哪位女性结婚，以 及女性更愿意和哪位男性结婚。例如的偏好可以记为：
应用案例
器官移植是某些疾病的重要治疗方法，但相比需要移植器官的患者数量，可供移植的器官数量非常有限。即 使病人家属有捐献器官的意愿，但由于受体和供体之间必须在血型等多方面相互匹配，家属并不一定能够提供有 效的捐献。Roth等人研究了交换捐献器官的可能性 ，即有意愿捐献器官的家属由于免疫排斥等原因无法将器官 捐献给病人，但是可以在交换捐献机制下将器官捐献给相匹配的其他病人，作为回报，病人将获得来自其他捐献 者的相匹配的可移植器官。Roth等人发现其中捐献者-病人对之间的匹配问题类似机制设计中分配不可分物品的 问题，并说明了交换捐献机制下病人可能获得更多数量以及更高质量的可移植器官。这一机制已经在美国的一些 地方实际开始运行 。
匹配理论
微观经济学的领域之一
匹配理论
知M不是最大匹配，且 M 、 M E(P) 是比M更大的 匹配，用 M、替代M，反复进行上述过程，使匹配的 边数逐步增加，直至得到|X|条匹配边为止。
13
三、匈牙利算法
4. 算法步骤：
（1）任取G的一个初始匹配M. （2）若M已饱和X中的所有顶点，结束；否则转步骤3.
4
➢ 例1：下图G
e1 e2
e3
从上图可看出，边集{e1}、{e1,e2}、{e1,e2,e3} 都构成匹配，其中{e1,e2,e3}是G的一个最大匹配。
5
➢ 例2：如下图G1
e3
e1
e2
e4
由上图可知边集{e1,e2,e3,e4}是一个完美匹配，也是 一个最大匹配。
6
一、匹配理论概念
➢3）扩展路
➢ 2）最大匹配
➢ 图G的含边数最多的匹配称为G的最大匹配 （maximum matching）。
➢ 注（1）若用|M|表示匹配M所含的边数，则G的最大 匹配M可更为确切地描述为：M是G的一个匹配，且G 中不存在匹配M`使得|M`|>|M|。 （2）如果G中每个点都是M饱和的，则称M 是G的完 美匹配（perfect matching）。 （3）任何图的完美匹配必是它的最大匹配。
必要条件是G中不存在M可扩展路。
7
二、二部图
➢ 二部图的基本概念 （1）二部图：若图G的顶点集可划分为两个非空子
集X和Y，使得图G的任一条边都有一个端点在X中，另 一个端点在Y中，则称G为二部图（偶图），记为 G (X Y, E)或G=(X,Y),(X,Y)称为G的一个顶点二划分。
（2）二部图的匹配：设M是二部图G=(X,Y)的一个
匹配的概念(共41张PPT)
。
(3) 若 P S T , 转 (4 )； 若 P S T ， 取
al
m in
xS , yT
l x l y w xy
l v al,v S，
l
v
l
v
al
,
v
T
，
l
v
,
其它。
l l , G l G l。
(4) 选 P S T 中 的 一 点 y， 若 y是 M 中 边 的 端 点 ， 且 yz M ，
二分图的最大匹配
Edmonds于1965年提出了解决二分图的最大匹配的匈牙利算法：
(1) 从 G中 取 一 个 初 始 匹 配 M 。 (2) 若X中的顶皆为M中边的端点，止，M 即为完 备 匹 配 ； 否 则 ， 取 X 中 不 与 M 中 边 关 联 的 顶 u， 记 S {u},T 。
Pandog喜欢游览沿途的景点，不过会在给定的N个点和主人相遇。 换一句话说，一般图的最小覆盖问题，是没有有效算法的图论模型。
图的最小覆盖问题
设D是图G的一个顶点子集，对于G的任一顶点u，要末u是D集合的一 个顶点元素，要末与D中的一个顶点相邻，那末D称为图G的一个覆 盖集。若在D集中去除任何元素D不再是覆盖集，则覆盖集D是极小 覆盖集。称G的所有覆盖集中顶点个数最少的覆盖集为最小覆盖集D0， 一般图的最小覆盖问题是一个已被证明的NPC问题。换一句话说，一 般图的最小覆盖问题，是没有有效算法的图论模型。所以，将一个实 际问题抽象成最小覆盖问题，是没有任何意义和价值的。
1、匹配的概念(1)
定义1 设图GVG,EG，而 M是 EG的一个
子集，如果M中的任两条边均不邻接，则称 M是 G的 一个匹配。M中的一条边的两个端点叫做在 M下是配 对的。
人员匹配的名词解释是啥
人员匹配的名词解释是啥在现代社会中，人员匹配是一个普遍存在且广泛应用的概念。
虽然我们可能已经对人员匹配有一定的了解，但是对其进行更加深入的思考和解释，有助于我们更好地理解和应用这一概念。
首先，人员匹配可以被定义为在特定的情境下，将适合特定任务或职位要求的人员与之相匹配的过程。
这个过程通常涉及到对人员的技能、经验、教育背景、个人特质等方面的评估，以便找到最合适的人选。
人员匹配的目的是确保组织或团队能够得到最佳的工作绩效和效率，并在实现其目标的同时，提高员工的满意度和工作成就感。
在商业领域中，人员匹配通常被运用于招聘和人才战略管理方面。
组织会根据特定的职位需求，寻找具备相应技能和背景的人才。
人员匹配在这个过程中起着至关重要的作用，因为只有将合适的人放在合适的岗位上，才能更好地发挥他们的潜力并为组织带来长期的利益。
此外，人员匹配在其他领域也有广泛的应用。
例如，教育领域中的学校招聘和学生录取过程中，也需要进行人员匹配，以确保教师和学生的需求能够得到满足。
医疗行业也需要通过人员匹配来确保医护人员的专业能力与患者的需求相匹配，以提供最佳的医疗服务。
然而，人员匹配并不仅仅是关于技能和经验的匹配。
人们在工作环境中的个性特质、价值观和团队协作能力等方面也是十分重要的考量因素。
人员匹配的目标是建立一个良好的工作文化和氛围，以促进团队的协作和创造力。
因此，除了能力匹配，人员的价值观和个性特质，如领导能力、沟通技巧和决策能力等也需要被纳入考虑。
尽管人员匹配在实践中是关键性的，但它并非一项简单的任务。
在进行人员匹配时，我们必须同时考虑到组织或团队的需求和个体的能力、目标和期望。
为了实现最佳的人员匹配，通常需要进行系统性的评估和分析。
这可能包括面试、技能测试、背景调查以及参考人员的推荐等方式。
此外，随着科技的进步，一些组织已经开始使用人工智能和大数据分析来辅助人员匹配的过程。
这些技术可以有效地提供更精确的人员匹配结果，帮助组织更好地预测和评估人员的表现和成功潜力。
基本匹配模式名词解释
基本匹配模式名词解释
基本匹配模式是指在信息检索领域中用来描述关键词之间的组合方式以及它们在文本中的相对位置关系。
它是通过定义一组规则来描述和匹配关键词的出现模式，从而实现对文本中特定信息的提取和检索。
在基本匹配模式中，一般包含以下几个关键要素：
1. 关键词：基本匹配模式的核心是关键词。
关键词是我们要搜索或提取的特定信息的核心词汇，可以是单个词或词组。
2. 逻辑连接：在描述关键词之间的关系时，我们需要使用逻辑连接词，如AND、OR、NOT等。
它们用于组合关键词，从而定义它们之间的逻辑关系。
3. 通配符：有时候我们需要搜索一个模糊的关键词，此时可以使用通配符来表示模糊的部分，常用的通配符有*和?，分别表示零个或多个字符和一个字符。
4. 括号：为了明确关键词之间的关系，我们可以使用括号来控制关键词的组合方式。
括号可以改变关键词的默认优先级，从而更精确地匹配特定的模式。
基本匹配模式在信息检索中有广泛的应用。
它可以用于编写查询语句来搜索数据库或网络中的文本内容，通过定义适当的匹配模式，我们可以快速准确地找到所需的信息。
此外，基本匹配模式还可以用于自然语言处理和信息抽取中，帮助机器理解
和处理文本数据。
总之，基本匹配模式是一种描述关键词之间关系和位置的规则系统，它可以用于搜索、检索和处理文本数据。
它的应用广泛，可以帮助我们提取和获取所需的信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于sift算法的图像特征匹配1、引言SIFT算法由D.G.Lowe1999年提出，2004年完善总结。
它是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。
SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，适合处理两幅图像之间发生的平移、旋转、放射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力，已在图像匹配、全景拼接和视觉导航灯领域得到成功的应用。
它是一种宽基线匹配，具有如下特点：（1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声可保持一定程度的稳定性。
（2）独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
（3）多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
（4）高速型，经优化的SIFT匹配算法甚至可以达到实时的要求。
（5）可扩展性，可以很方便的与其他形式的特征向量进行联合。
2、SIFT图像特征匹配法概述因为SIFT算法是一种宽基线匹配法，其满足宽基线条件下匹配对稳定性的要求，其稳定的意思就是对旋转、尺度缩放、仿射变换、视角变化、光照变化等图像变化因素保持一定的不变形，而对物体运动、遮挡、噪声等以泥塑也保持较好的可匹配性，从而可以实现差异较大的两幅图像之间特征的匹配。
其中对于图像变化保持稳定的特征描述称为不变量，例如对尺度缩放保持稳定的不变量称为尺度不变量，特征描述符是指检测图像的局部特征（比如边缘、角点、轮廓等），然后根据匹配目标的需要进行特征的组合变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征匹配问题，进而将特征的匹配问题转化为特征空间特征向量的聚类问题。
宽基线条件下的点特征匹配一般包括如下4个步骤：（1）特征点检测。
（2）特征点描述，即建立特征向量。
（3）进行特征匹配以获得候选匹配点。
（4）消除错配。
类似的，SIFT算法也分为如下几个步骤：（1）检测尺度空间的极值点。
（2）精确定位极值点。
（3）为每个关键点制定方向参数。
（4）SIFT关键点描述子的生成。
2.1 图像的多尺度表示尺度空间理论最早出现于计算机视觉领域时其目的是模拟图像数据的多尺度特征。
Koendetink证明了高斯卷积核是实现尺度变换的唯一变换核，而Lindeberg等人则进一步证明高斯核是唯一的线性核。
二维高斯函数定义如下：σ代表了高斯正态分布的方差。
一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：其中(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小。
大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。
L代表了图像的尺度空间。
高斯金字塔里有两个概念：组（Octave）和层（Level或Interval），每组里有若干层。
高斯金字塔的构造是这样的，第一组的第一层为原图像，然后将图像做一次高斯平滑（高斯卷积、高斯模糊）高斯平滑里有一个参数σ，在SIFT里作者取1.6，然后将σ乘一个比例系数k作为新的平滑因子来平滑第一组第二层得到第三层。
重复若干次，得到L层他们分别对应的平滑参数为：0，σ，kσ，k*k*σ....。
然后将最后一幅图像做比例因子为2的降采样得到第二组的第一层，然后对第二组的第一层做参数是σ的高斯平滑，对第二层做kσ的平滑得到第三层.....这里一定注意：每组对应的平滑因子是一样的！而不是像有的资料上说的持续递增。
这样反复形成了O组L层。
一般模糊的图像金字塔共O组，每组有S层，下一组的图像由上一组图像降采样得到。
下图由2组高斯尺度空间对图像示例金字塔的构建，第二组的第一幅图像由上一组的第一幅到最后一幅图像，使用一个因子将2采样得到。
对于一幅图像而言的降采样就是每隔几行、几列得到取一点，组成一个新的图像。
以比例因子为2的降采样来说：就是对一幅图像每隔一行一列取一点。
对于n×n的图像就变为n/2×n/2的图像了。
比例因子为2的降采样是SFIT要用到的。
图1 2个高斯金字塔降采样图示构建尺度空间需确定的参数如下：σ－尺度空间坐标O －octave 坐标 S － sub-level 坐标σ和O 、S 的关系为：Ss o s o /02),(+=σσ，],1,...,0[min -+∈O o o ]1,...,0[-∈S s其中0σ是基准层尺度。
o －octave 坐标，s － sub-level 坐标。
注：octaves 的索引可能是负的。
第一组索引常常设为0或者-1,当设为-1的时候，图像在计算高斯尺度空间前先扩大一倍。
空间坐标x 是组octave 的函数，设0x 是0组的空间坐标，则[][]1,...,01,...,0,,20000-⨯-∈Z ∈=M N x o x x o如果()00,M N 是基础组o=0的分辨率，则其他组的分辨率由下式获得：0000,22o o N M N M ⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦⎣⎦注：在Lowe 的文章中，Lowe 使用了如下的参数：1/0min 0.5, 1.62,1,3S n o S σσ==⋅=-=在组o=-1，图像用双线性插值扩大一倍（对于扩大的图像1n σ=）。
2.2空间极值点坐标检测。
满足在图像二维平面空间和Dog (Differcence of Gaussian) 尺度空间中同时具有局部极值的点作为SIFT 关键点。
DOG 算子定义为两个不同尺度的高斯核的差分:通过计算某采样点在每一尺度下DoG算子的值,可以得到特征尺度轨迹曲线。
特征尺度曲线的局部极值点即为该采样点的尺度。
DOG金字塔是由高斯金字塔构造出来的，他的第一组第一层是由高斯金字塔的第一组第二层减第一组第一层，他的第一组第二层是由高斯金字塔的第一组第三层减第一组第二层得到，每组都这样最终生成了DoG金字塔。
顺便说一下，DoG金字塔每组图像几乎都是一片黑，但仔细看你能看出轮廓的。
Dog金字塔如下图所示：图2 Dog金字塔的生成为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小,一般采样点要和它处于同一尺度的8 个相邻点和上下相邻尺度对应的9 ×2 个点共26 个点比较,以确保在尺度空间和二维图像空间都检测到极值点。
图3 DoG尺度空间局部极值检测2.3 精确定位极值点上面通过拟和三维二次函数确定了关键点的位置和尺度(达到亚像素精度) . 然而因为DoG算子会产生较强的边缘响应,所以SIFT算法需要舍弃低对比度的关键点和不稳定的边缘响应点以增强匹配稳定性和提高抗噪声能力. 舍弃关键点的依据是:一个定义不好的DoG的极值在横跨边缘的地方有较大的主曲率,而在垂直边缘的方向有较小的主曲率. 而DoG的主曲率通过一个2×2 的Hessian矩阵H 求出:DoG的主曲率和H的特征值成正比,令α为最大特征值,β为最小的特征值,则和分别表示H的迹和行列式, . 因为的值在两个特征值相等的时候最小,随着γ的增大而增大, 所以检测主曲率是否在某域值γ下,只需检测. 一般γ= 10.2.4 定义主特征点方向SIFT算法利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数, 使算子具备旋转不变性.采样点( x , y) 处的模值为而采样点( x , y) 处的方向其中L 的尺度为每个关键点各自所在的尺度. 实际计算中,一般在以关键点为中心的邻域窗口内采样, 并用直方图统计邻域像素的梯度方向. 梯度直方图的范围是0°～360°,其中每10一个柱,总共36 个柱. 直图的峰值则代表了该关键点处邻域梯度的主方向, 即作为该关键点的方向. 在梯度方向直方图中,当存在另一个相当于主峰值80 %能量的峰值时,则将这个方向认为是该关键点的辅方向. 因此一个关键点可能会被指定具有多个方向(一个主方向和多个辅方向) , 这可以增强匹配的鲁棒性.下图中采用了7个柱时使用梯度直方图为关键点确定主方向的示例。
图4由梯度方向直方图确定主梯度方向至此，图像的关键点已经检测完毕，每个关键点有3个信息：位置、所处尺度、方向。
由此可以确定一个SIFT特征区域。
2.5 SIFT特征点描述子的生成SIFT 描述子是对一个SIFT特征区域的描述,其生成步骤如下:(1) 首先将坐标轴旋转为SIF T 特征区域的方向,以确保旋转不变性.(2) 以这个SIFT 特征区域的关键点位置为中心取8×8 的窗口. 如图左边部分所示,中心为当前关键点的位置，每个小格代表SIFT特征区域关键点邻域所在尺度空间的一个像素,箭头方向代表该像素的梯度方向,箭头长度代表该点的梯度模值。
图中圈代表高斯加权的范围(越靠近关键点的像素梯度方向信息贡献越大) .在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点.如图右边部分所示：一个关键点由2×2共4个种子点组成,每个种子点有8个方向向量信息,这样对于一个关键点就可以产生32个数据,即最终形成32维的SIFT描述子. 这种领域方向信息联合的思想增强了算法抗噪声能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。
此时的SIFT描述子已经去除了尺度变化、旋转等几何变形因素的影响。
继续将SIFT 描述子的长度归一化以去除光照变化的影响. 这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。
图5 由关键点领域梯度信息生成的特征向量实际计算中，为了增强匹配的稳健性，Lowe建议每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形成128维的SIFT特征向量。
2.6 特征向量描述子匹配当2幅图像SIFT特征向量生成之后，下一步我们采用关键点特征向量欧式距离来作为两幅图像中关键点的相似性判定度量。
取图像1中的某个关键点，并找出其与图像2中欧氏距离最近的前2个关键点，在这2个关键点钟，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。
降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。
3、实验实验采用2幅图像作为样本，第二幅图像采用旋转与仿射进行了相应变换，两幅图像有着一部分共同的信息，以下为sift算法进行特征点提取与匹配的相应结果：图6 用于特征点提取与匹配的2幅图像图7 基于sift 方法的两幅图像的特征点标定图8 基于sift 方法的最终匹配结果4、总结Sift 方法是一种基于宽基线匹配的方法，受旋转，仿射，光照等因素影响较少，多应用于图像匹配，特征点标定领域，为图像融合、配准创造了较好的前提条件，在图像领域内的应用将越来越广泛。