粒子滤波开题报告
粒子滤波算法及其在多机动目标跟踪中的应用的开题报告
粒子滤波算法及其在多机动目标跟踪中的应用的开题报告一、选题背景现代军事、医学、交通管理等领域中，多机动目标跟踪的需求越来越大。
而对于多机动目标跟踪，传统的算法已经难以胜任。
粒子滤波算法作为一种新兴的滤波算法，可以更好地解决多机动目标跟踪问题。
因此，本文选取粒子滤波算法及其在多机动目标跟踪中的应用作为研究课题。
二、研究内容本文主要研究粒子滤波算法及其在多机动目标跟踪中的应用。
（1）粒子滤波算法的原理及实现。
介绍粒子滤波算法的基本原理，包括重要性采样、预测步骤、观测步骤等，以及粒子滤波算法的实现方法。
（2）多机动目标跟踪问题的研究。
分析多机动目标跟踪问题的特点，包括目标动态变化、观测数据噪声等，探讨传统算法存在的问题，并对比粒子滤波算法的优劣。
（3）粒子滤波算法在多机动目标跟踪中的应用。
在已有的多机动目标跟踪数据集上，利用粒子滤波算法进行实验，验证其在多机动目标跟踪中的准确性和有效性。
三、研究方法本文采用实验研究的方法，先对粒子滤波算法进行理论分析和实现，再利用现有的多机动目标跟踪数据集进行实验。
通过对实验数据的处理和分析，得出粒子滤波算法在多机动目标跟踪中的表现及优劣，并与其他经典算法进行对比。
四、预期成果本文预计通过对粒子滤波算法及其在多机动目标跟踪中的应用的深入研究，得到以下几个方面的成果：（1）深入掌握粒子滤波算法的原理及实现方法，对滤波算法有更深入的了解和认识；（2）对多机动目标跟踪问题及相关算法有深入的理解和掌握；（3）在现有数据集上进行实验，验证粒子滤波算法在多机动目标跟踪中的优劣，得到实验结果；（4）编写完整的毕业设计论文，将相关成果进行总结和归纳，形成具有一定学术价值的论文成果。
五、研究意义本文的研究意义如下：（1）深入掌握粒子滤波算法的原理及实现方法，掌握一种新型、实用的滤波算法；（2）对多机动目标跟踪问题及相关算法有深入的了解和认识，在相关领域中具有一定的研究价值；（3）验证和掌握粒子滤波算法在多机动目标跟踪中的优劣，为未来在相关领域中的应用奠定基础；（4）编写完整的毕业设计论文，有助于提升自身的综合分析和论文撰写能力，有一定的实践意义。
基于粒子滤波的图像跟踪算法研究的开题报告
基于粒子滤波的图像跟踪算法研究的开题报告一、研究背景与意义近年来，随着计算机视觉技术的不断发展，人们对于图像跟踪算法的要求也越来越高，尤其在物体跟踪、运动分析、智能监控等领域，图像跟踪算法已经成为了非常重要的研究方向。
目前常见的图像跟踪算法主要包括传统的基于模板匹配的算法以及基于统计学的算法等，但这些算法存在一定的局限性，如对于光照变化、噪声等因素较为敏感，存在漏检、误检等问题，因此需要更加准确、鲁棒性更高的图像跟踪算法。
粒子滤波算法是一种基于贝叶斯滤波的图像跟踪算法，它利用一定数量的粒子对跟踪目标的状态空间进行采样，通过对粒子的更新与重采样来估计目标的状态，相比于传统的图像跟踪算法，这种算法更加灵活、鲁棒性更强，并且能够应对复杂的环境变化。
因此，本文将基于粒子滤波的图像跟踪算法进行研究，旨在进一步提高图像跟踪算法的精度和鲁棒性，为实际应用提供更好的支持。
二、研究内容和方法1.研究内容（1）基于贝叶斯滤波的图像跟踪算法原理及其优缺点分析。
（2）粒子滤波算法理论及其在图像跟踪中的应用。
（3）基于粒子滤波的图像跟踪算法设计与实现。
（4）针对算法的鲁棒性、实时性等问题进行优化。
2.方法（1）理论框架构建：通过系统性学习图像跟踪算法的基础理论知识，对基于粒子滤波的图像跟踪算法进行深入研究，建立适合本研究的理论框架，明确研究目标。
（2）算法实现：基于 Matlab/Python/ C++等编程语言实现基于粒子滤波的图像跟踪算法，并在该算法上进行实验，通过实验数据和实际应用情况对算法进行优化。
（3）算法评估：针对所设计的基于粒子滤波的图像跟踪算法的性能进行评估，比较其与其他常见算法的差异，并分析算法在实际应用中的可行性和鲁棒性。
三、预期研究结果（1）建立基于粒子滤波的图像跟踪算法的理论框架，深入理解该算法优缺点与应用场景。
（2）基于该理论框架实现可行的跟踪算法，并对算法的实现过程进行优化。
（3）通过算法评估，分析算法的性能表现，总结优缺点，并在实际应用中验证算法的可行性和鲁棒性。
基于粒子滤波的视频运动目标跟踪方法研究的开题报告
基于粒子滤波的视频运动目标跟踪方法研究的开题报告一、研究背景和意义在现代社会中，视频目标跟踪技术在很多应用领域都得到了广泛的应用，例如智能交通、安防监控、虚拟现实等等。
视频目标跟踪的主要任务是在视频流中实时地检测目标的位置、大小、形状等信息，并且能够在目标发生运动、遮挡等情况下保持精确的跟踪。
传统的目标跟踪方法主要基于背景建模和图像分割等技术，但是由于存在光照、噪声等问题，传统方法的性能和稳定性不太理想。
近年来，随着计算机视觉技术的不断发展，深度学习和粒子滤波等方法成为了视频目标跟踪领域的研究热点，能够克服传统方法的一些缺点。
粒子滤波方法是一种基于随机采样的非参数滤波算法，能够有效地处理目标跟踪中的噪声和不确定性问题，因此成为了目标跟踪的重要手段之一。
粒子滤波方法具有计算简单、准确性高、适应性强等优点，广泛应用于移动目标跟踪和机器人定位导航等领域。
本文拟以粒子滤波算法为基础，结合深度学习的相关技术，研究视频运动目标跟踪方法，旨在提高目标跟踪的精准度和稳定性，为相关领域的应用提供技术支持。
二、研究内容和技术路线本论文拟研究的视频运动目标跟踪方法包括以下几个方面：1. 基于传统粒子滤波算法的目标跟踪方法：首先对传统粒子滤波算法进行研究，探讨其在目标跟踪中的应用，针对其缺陷进行优化改进，提高跟踪的精准度和稳定性。
2. 基于深度学习的目标检测技术：结合深度学习技术，研究目标检测算法，通过建立目标检测模型，适应复杂的目标背景和遮挡情况，提高目标的检测精度和鲁棒性。
3. 基于深度学习和粒子滤波相结合的目标跟踪方法：将深度学习和粒子滤波相结合，建立深度学习和粒子滤波的混合模型，实现目标跟踪的自适应、动态更新等功能，提高跟踪精度和鲁棒性。
4. 相关实验验证和应用场景探究：通过实验验证和应用场景探究，验证所研究的目标跟踪方法的有效性和可行性，为应用领域提供技术支持和参考。
技术路线：通过文献调研和相关实验，首先对传统粒子滤波算法和目标检测技术进行研究，掌握相关的基础理论和实现技术。
基于粒子滤波的目标跟踪算法研究的开题报告
基于粒子滤波的目标跟踪算法研究的开题报告一、研究背景及意义近年来，随着计算机视觉和机器学习技术的飞速发展，目标跟踪技术已经成为计算机视觉和智能系统领域中的一个热门研究方向。
目标跟踪技术的应用领域非常广泛，如智能交通、智能安防、虚拟现实、人机交互等。
目标跟踪技术可以通过对视频或图像序列中的目标进行追踪，实现目标分析、目标识别、行为预测、情感识别等多种任务。
粒子滤波是一种统计学方法，可以通过对目标的状态进行建模，对目标进行跟踪。
粒子滤波是目前目标跟踪领域中比较成熟的算法之一，在实际应用中取得了很好的效果。
粒子滤波算法能够对目标的状态进行建模，对目标的运动轨迹进行预测，并根据目标的运动轨迹和测量结果对目标进行跟踪，同时可以对目标的形态、颜色等特征进行建模和识别。
目前，粒子滤波算法在目标跟踪领域中已经得到了广泛的应用，但是其在实际应用中还存在一些问题，如粒子数目的选择、粒子退化问题等。
因此，对粒子滤波算法进行深入研究，加强对其理论基础的认识，从而为其在实际应用中的性能提升提供理论基础和技术支持，具有非常重要的意义。
二、研究内容本文将围绕粒子滤波算法在目标跟踪中的应用展开深入研究。
具体内容如下：1. 综述目标跟踪领域中粒子滤波算法的研究现状和发展趋势，分析粒子滤波算法的优缺点和存在的问题。
2. 建立目标运动模型，并探究不同的状态转移模型在目标跟踪中的应用效果。
3. 探究不同的测量模型在目标跟踪中的应用效果，分析不同特征的作用和优劣。
4. 设计并实现基于粒子滤波的目标跟踪系统，验证所选模型和算法的实际应用效果。
5. 通过实验和对比分析，评估所设计的算法的性能和稳定性，并提出优化方案和改进措施。
三、研究方法本文将采用实验室实验、文献研究和数学模型分析等方法，对粒子滤波算法在目标跟踪中的应用进行深入研究和探讨。
具体方法如下：1. 收集和分析目标跟踪领域中的相关文献，了解目前研究的发展趋势和最新成果。
2. 建立目标跟踪的数学模型，分析粒子滤波算法在目标跟踪中的应用原理和算法流程。
基于粒子滤波的机器人视觉跟踪研究与实现的开题报告
基于粒子滤波的机器人视觉跟踪研究与实现的开题报告一、选题背景机器人视觉跟踪是机器人感知与行为执行的关键技术之一，其主要任务是在复杂的环境中通过摄像头采集的图像信息来实现目标跟踪，并且不受光照，目标尺寸和结构的变化的影响。
目前，基于粒子滤波的跟踪算法已经成为目标跟踪领域的主流方法之一，具有鲁棒性强、计算复杂度低等优点，在机器人技术、自动驾驶、智慧城市等众多领域都有着广泛的应用前景。
二、选题目的和意义本课题旨在研究并实现一种基于粒子滤波的机器人视觉跟踪方法，以解决机器人在复杂环境下面对的目标跟踪问题。
通过对该算法的研究和实现，将为机器人的感知与行为执行提供更为有效和鲁棒的支持，同时也将为相关领域的研究和发展提供重要的技术支撑。
三、主要研究内容和关键技术1. 粒子滤波跟踪算法基础理论与模型建立2. 目标检测技术和相关算法的学习和应用3. 实现机器人视觉跟踪系统的硬件和软件设计与集成四、研究方案和进度安排1. 研究前期（2周）：查阅相关文献，了解目前机器人视觉跟踪的研究现状和发展趋势；学习粒子滤波跟踪算法的基础理论和相关模型。
2. 研究中期（4周）：针对机器人视觉跟踪的需求和实际应用场景，以粒子滤波跟踪算法为基础，研究和建立模型，探索有效和鲁棒的机器人视觉跟踪方法。
3. 研究后期（4周）：实现并测试机器人视觉跟踪系统，并进行优化和改进。
五、预期成果和应用价值本课题预期能够实现一种基于粒子滤波的机器人视觉跟踪方法，并应用于机器人的感知与行为执行中，为相关领域的研究和发展提供重要的技术支撑。
同时，本课题的研究成果还将为机器人视觉跟踪算法的进一步研究和实现提供参考和借鉴。
基于粒子滤波的音视频联合单说话人跟踪的开题报告
基于粒子滤波的音视频联合单说话人跟踪的开题报告1. 研究背景音视频技术在当今社会中得到越来越多的应用，例如视频监控、视频会议、视频直播等。
而单说话人跟踪（Single Speaker Tracking）在视频监控、智能家居等领域中也有重要的应用。
目前，已经有许多针对单说话人跟踪的算法，如首先使用语音信号处理技术提取语音信号，再利用视频跟踪算法跟踪说话人。
然而，在实际应用中，由于噪音、场景变化等因素的干扰，单一模态跟踪不够稳健，难以满足实际需求。
因此，音视频联合跟踪算法逐渐成为研究的热点。
2. 研究内容本文将基于粒子滤波（Particle Filter）的思想，从音视频两个角度出发，针对单说话人跟踪问题进行研究。
具体研究内容包括：（1）语音信号处理技术，从声音源分离、噪音抑制等方面入手，实现对语音信号的提取与预处理。
（2）视频跟踪算法，从运动目标检测、目标追踪等方面出发，实现对说话人的跟踪与定位。
（3）基于粒子滤波的联合跟踪算法。
在单一模态跟踪基础上，引入粒子滤波算法，利用语音信号与视频图像建立语音-图像-状态估计模型，实现音视频联合跟踪，并提高跟踪的鲁棒性和准确度。
3. 研究方法本文将基于以下研究方法：（1）提取语音信号并进行语音信号处理。
在语音信号处理前，我们需要对语音信号进行预处理，包括去除环境噪声、音频增益调整、滤波等。
（2）设计视频跟踪算法，实现运动目标检测与跟踪。
可采用基于背景差分的目标检测算法，如高斯混合模型（Gaussian Mixture Model，GMM）算法；也可采用基于特征点的追踪算法，如KCF算法、MOSSE算法等。
（3）引入粒子滤波算法，进行联合跟踪。
根据音视频数据的实时更新，执行预测和更新步骤，用粒子滤波算法对目标位置进行最大后验估计，实现跟踪。
4. 研究意义本文的研究将有以下几个方面的意义：（1）提高跟踪精度及鲁棒性。
通过音视频联合跟踪，与单一模态跟踪相比，跟踪精度、鲁棒性更高，能够应对复杂的场景、噪声等干扰。
粒子滤波算法研究及应用的开题报告
粒子滤波算法研究及应用的开题报告一、研究背景及意义随着传感器、互联网技术和计算力的快速发展，大量实时数据（如气象、交通等）得以采集和处理。
在这些实时数据中，如何准确地估计系统状态是一个重要的研究议题。
而粒子滤波算法（Particle Filter，PF）利用一组随机采样的粒子来逼近后验概率分布，可以在实时动态模型和复杂测量模型下进行非线性和非高斯状态估计，并且获得了一定的应用。
除此之外，粒子滤波算法还有较大的理论和研究价值，如粒子滤波算法的基础与性质等方面，对粒子数目的影响、对滤波误差的影响等方面的理论研究。
因此，本研究将探究粒子滤波算法的基本原理、算法流程和粒子数目选择等问题，并将应用于MIFIDII监管框架下的股票价格预测模型中，以获得更精确的预测结果。
二、研究内容与目标1. 分析粒子滤波算法的基本原理、算法流程和数学模型，并探究和比较其与其他滤波算法的异同点；2. 研究和探讨粒子滤波算法中粒子数目的选择问题，通过实验验证不同粒子数目对滤波精度的影响；3. 将粒子滤波算法应用于股票价格预测领域，适用于MIFIDII监管框架下的股票价格预测模型，改进已有的基于Kalman滤波的股票价格预测模型，提高预测精度。
三、研究方法与技术路线1. 理论分析：对粒子滤波算法进行理论分析，包括算法原理、算法优缺点以及与其他滤波算法的异同点等方面进行深入的探讨；2. 群体优化算法：利用遗传算法和蚁群算法的思想来进行计算，通过优化算法来选择最佳的粒子数目，提高滤波精度；3. 模型实现：在实验过程中，使用Python编程语言，模拟出股票价格等相关数据，并基于粒子滤波算法和其他滤波算法进行模型实现与比较；4. 实验对比：通过对比实验，对已有基于Kalman滤波的模型与新模型进行系统性的对比，从而得出粒子滤波算法的优化效果。
四、预期成果1. 确定出最优的粒子数目，并利用该数目进行股票价格预测；2. 建立一个精确可靠的股票价格预测模型，达到MIFIDII监管框架下的监管要求，并与Kalman滤波算法的结果进行对比和分析；3. 确定粒子滤波算法在实际应用中的优越性和局限性，为后续的研究提供指导。
基于全景视觉的移动机器人粒子滤波定位方法研究的开题报告
基于全景视觉的移动机器人粒子滤波定位方法研究的开题报告一、选题的背景与意义在智能制造领域，移动机器人正在得到越来越广泛的应用。
而机器人的定位则是其实现自主导航和任务执行的关键。
目前常见的机器人定位方法包括惯性导航系统、激光雷达和视觉导航等。
其中，视觉导航因其具有非接触、高精度和适用性广等优点，成为了研究热点之一。
然而，传统的视觉定位方法在复杂的环境中容易受到噪声、遮挡和光照变化等因素的干扰，从而导致定位误差的增大。
为了克服这些问题，研究者们不断探索各种新的定位方法。
本课题选取了全景视觉作为定位源，结合粒子滤波算法进行定位，旨在提高移动机器人的定位精度和鲁棒性。
二、研究内容和研究方案（一）研究内容本课题将主要探究以下内容：1.全景视觉的基本原理和特点；2.粒子滤波算法的基本原理和特点；3.将全景视觉和粒子滤波算法相结合的新型定位方法；4.算法的实现与改进。
（二）研究方案1.研究全景视觉的基本原理和特点，收集相关文献资料；2.研究粒子滤波算法的基本原理和特点，掌握其实现方法；3.探究全景视觉和粒子滤波算法相结合的新型定位方法，进行算法模型构建和实验仿真；4.对算法进行实现和改进，对算法的性能和实用性进行评估和对比分析。
三、研究目标和预期成果（一）研究目标1.掌握全景视觉和粒子滤波算法的基本理论和方法；2.探究全景视觉和粒子滤波算法相结合的新型定位方法；3.实现算法，并对其进行优化和改进；4.评估算法的定位精度和鲁棒性。
（二）预期成果1.一篇开题报告，包括选题背景、研究内容和研究方案等；2.一篇毕业论文，包括引言、相关研究、新型定位方法、实验仿真、结果与分析和结论等；3.一份实现了全景视觉和粒子滤波算法相结合的移动机器人定位系统；4.一份论文发表计划和会议、期刊等论文投稿资料。
四、可行性分析和建议（一）可行性分析本课题的可行性主要从以下几个方面进行分析：1.研究领域的前沿性和实用性，表明该课题具有研究的必要性和应用的潜力。
- 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)。
毕
业
设
计
（论文）
开
题
报
告
姓名:
学号：
学院：
专业:
课题：基于粒子滤波的移动目标跟踪导师：
时间：
1.本课题研究的目的及意义：
粒子滤波(Particle Filter, PF)是一种基于蒙特卡罗(Monte Carlo)仿真的方法，它利用状态空间的一组带权值的随机样本(粒子)逼近状态变量的概率密度函数，每个样本代表系统的一个可能状态，可以得到状态的最小方差估计。
粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，因此，近几年来它在计算机视觉、目标跟踪、机器学习等领域受到了广泛的关注。
另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。
本课题主要关注粒子滤波算法在目标跟踪领域的应用，随着计算机技术的发展，人们开始利用计算机来处理数字图像，包括图像增强，图像恢复，图像检索等等，而视频中运动目标的跟踪一直是计算机视觉、图像处理和模式识别等领域非常重要的研究课题。
但是传统的目标跟踪方法存在着很多的局限性与不足之处，比如对非刚性目标跟踪时如何准确提取合适的目标特征进行跟踪，以及如何应对跟踪过程中的遮挡问题和复杂背景等等，也就难以保证跟踪的实时性和有效性。
然而诸如此类的问题现在可以借助基于粒子仿真的方法来解决，在动态系统的模型选择，故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。
同时，粒子滤波较之卡尔曼滤波（Kalman Filter）等在非线性非高斯系统领域中存在的优势，也决定了它的应用范围更加宽泛。
本课题旨在通过研究深入理解粒子滤波的原理及其算法，并利用MATLAB软件的图像处理功能，成功将粒子滤波算法应用于目标跟踪领域，最终实现对视频中运动目标的准确跟踪与检测。
2. 本课题国内外同类研究现状：
基于粒子滤波极强的实用性，国内外学者对此已经进行了大量研究，提出了许多用于跟踪的有效算法。
这些方法主要可以分为两类：(1) 基于运动的方法：依据某种强健的算法，把一段时间内的具有运动一致性的点归为一类，如光流法和特征点法，但是计算量较大。
(2) 基于模型的方法：主要依据高层的语义表示和知识描述来完成目标的跟踪。
利用目标中信息部分的不同，可分为基于目标边界、基于目标区域的方法。
但由于目标本身的信息较多，如不加简化，将不可避免地带来信息匹配时的大量运算。
因此，对于实时性要求很高的运动目标的跟踪技术而言，如何选取目标的特征信息，并在可靠的前提下简化运算是目标跟踪的关键。
本研究将在借鉴前人研究成果的基础
上，力求一种性能有所改进的算法实现
3. 本课题研究内容：
本课题主要研究粒子滤波算法在目标跟踪领域内应用的具体原理，以及最后利用MATLAB软件的成功实现。
视频中运动目标跟踪的主要步骤是：在各帧图像中准确的检测出运动目标，然后在后续的图像序列中进行目标的定位，进而得到特定运动目标的运动轨迹。
根据跟踪对象的不同，可将目标分为刚性目标和非刚性目标，非刚性目标的轮廓比较复杂、形状容易变化等，所以跟踪的难度比较大，一般跟踪方法难以准确实现。
本课题将基于粒子滤波算法实现视频中运动目标的跟踪检测，研究粒子滤波算法的具体原理，并具体深入研究将粒子滤波算法应用于目标跟踪检测时的一系列相关问题及算法。
应用粒子滤波时，核心是如何把问题纳入到粒子滤波的框架中，往往很难获得准确可靠的噪声数据。
针对这些情况，本研究将在以上方法的基础上进行优化创新，力求取得实质性进展。
4. 本课题的实行方案、进度及预期效果：
试用MATLAB编写滤波器程序实现。
MATLAB 具有强大的计算功能和丰富的工具箱函数。
它提供的图像处理工具箱，包含了许多常用的图像处理函数，支持许多图像处理操作。
可方便地调用工具箱中现成的函数，把精力集中在方法的实现上而不是基础操作的编程上，从而能大大提高研究效率。
1月14日~ 2月21日根据毕业设计选题和任务书，查阅相关资料，完成开题报告；
2月22日~3月20日深入理解相关文献，掌握相关理论；
3月20日~ 4月9日 MATLAB软件实现相关理论；
4月10日~5月10日总结归纳所学理论和软件实验结果，完成毕业论文的书写、修改和最终定稿；
5月11日~ 6月中旬准备毕业论文答辩，进行毕业论文正式答辩；
预期目标：利用MATLAB软件的图像处理功能，根据粒子滤波的原理和算法，最终通过编程实现运动目标的准确跟踪检测。
5. 已查阅参考文献：
【1】张笑微，师改梅，周建雄，石头，彭定明，程红霞．结合颜色和结构信息的粒子滤波跟踪算法［J］．影像技术，2008，35( 10) : 1-6．
【2】于勇, 郭雷．基于粒子滤波的红外运动目标跟踪［J］．计算机应用，2008，28( 6) : 1543-1545．
【3】陶杰，毕笃彦. 一种基于粒子滤波的特征融合跟踪算法[J] . 影像技术, 2008, 35( 11) : 13-17.
【4】梁震源, 张凤云. 实时图象处理系统与运动目标跟踪[ J] . 计算机应用与软件, 1999, 19( 1) : 9.
【5】史忠科. 最优估计的计算方法[M ] . 北京: 科学出版社,2001. 【6】姚红革.耿军雪 基于粒子预测的视频目标实时跟踪[J] 西安工业大学学报2007,27(2):171一175
【7】栗素娟.王纪等 粒子滤波在跟踪运动目标上的应用[J].现代电子技术2007(12):110-112
【8】查宇飞, 毕笃彦.一种基于粒子滤波的自适应运动目标跟踪方法[J].电子与信息学报,2007,29( 1)
【9】李由，张恒，李立春. 基于多测量融合的粒子滤波跟踪算法[J]. 国防科技大学学报，2007，27(5)：26-30。