基于前向神经网络的多新息随机梯度辨识算法
基于神经网络的数字信号多分类识别方法
基于神经网络的数字信号多分类识别方法杨栩【期刊名称】《《汽车实用技术》》【年(卷),期】2019(000)021【总页数】3页(P56-58)【关键词】BP神经网络; 随机梯度下降; 多分类; 激活函数【作者】杨栩【作者单位】成都师范学院物理与工程技术学院四川成都 611130【正文语种】中文【中图分类】TN911.72图像分类识别是数字图像处理中的核心问题，数字多分类识别在现实中有着广泛的应用，比如车牌识别、手写数字识别等。
神经网络[1,2,3]是图像模式识别中的一种重要算法，它模拟生物神经网络，由输入节点、隐藏层节点、输出节点等多层节点组成，无监督学习[4]的神经网络只有前馈通道至输出，无法调整神经网络各层之间的权重，监督学习对于无隐藏层的神经网络比较有效，一旦加入隐藏层或者多个隐藏层后，输出节点与正确值之间的误差可以反向传播，而隐藏层的误差如何定义？本文用隐藏层右侧邻近一层的反向传播的增量的加权和作为隐藏层节点的误差。
权重调整用随机梯度下降的BP神经网络实现，实现了对5*5像素的数字的多分类识别。
神经网络作为机器学习模型的核心部分，分为训练和分类两部分，训练数据作为神经网络建立模型的数据来源，经过预处理后的二值化数字图像数据在随机梯度下降算法学习规则的作用下训练神经网络权重，采用误差反向传播的神经网络。
建立神经网络模型后输入测试数据观察训练效果，神经网络建模及预测框图如图1所示。
由于梯度是方向导数最大的方向，用梯度下降算法计算误差曲面的最快下降方向，随机梯度下降算法计算训练数据的误差并随机调整权重，激活函数权重更新公式如下：其中α（0<α≤1）为学习率，Wi,j为两层极点间的权重，输出节点i的误差ei=di-yi(di为输出节点i的正确输出)，输出节点的激活函数为φi，Xj为输入节点j的数据。
本文中隐藏层节点采用sigmoid函数（公式2）作为激活函数，它的导数为公式3，它能将范围很宽的坐标区域投射到[0,1]区域，如图2所示。
多新息随机梯度辨识方法的收敛性研究
随机梯 度辨识方法的均方 收敛性 ， 出参数估计误 差上 界的计 算公 式。分析表 明数 据的平 稳性 可 以提 高参数 估计 精度。最 给 后给 出了多新息辨识方法 的各种典 型变形。
关键词 参数估计 多新息辨识 随机梯度 ‘
中图法分类号 ０ １． ； ２１６ ４ 文献标识码 Ａ
多输出时变系统的多新息投影辨识算法， 并研究了参
数估计 误差 的均方 收敛 性 。文献 ［４ 将 多新 息辨 识 １］
理论与前向神经网络相结合 ， 提出了一种基于前向神
经 网络 的多新 息 随 机梯 度算 法 。本文 还 运用 随机 过 程理论研 究多 新息 随机梯 度 辨识 方 法参 数估 计 误 差
上界 。
方法是辨识领域 中最困难 的研究课题。文献 ［ ］ ８ 提 出的多新息辨识方法是受文献 ［ ］ ９ 算法的启发 ， 直接 给出了多新息辨识算法的数学表达式。文献 ［０ 近 １］
似推导 了多新 息 随机梯 度 辨识 方 法 ， 出 了近 １ 给 ０种
１ 多新息辨识算法 考源自 下列 线性 回归横 型 的辨识 问题 ，
Ｙｐｔ （ ，）＝ ｏＴ ｏ＋ｖ（ ，） ｐｔ （） ２
江苏省 自然科 学基金项 目（ Ｋ ０ ７ １ ） Ｂ ２００７ ，
江南大学创新团队发展计划资助
第一 作者简 介 ： 于
丽 ， （ ） 江苏 盐城 人 ， 女 汉 ， 硕士 生 ， 研究 方
向： 系统建模和辨识。Ｅｍ ｉ ｙｌ １ ２ ３ ２ ．ｏ 。 ・ ａ ： ｉ ００ ＠１６ ｃｒ ｌ ｕ０ ｎ
＠ ２ ０ Ｓｉ ｅｈ Ｅ ｇ ｇ ０ ７ ｃ．Ｔ ｃ． ｎｎ ．
多新息随机梯度 辨识方法的收敛性研 究
于 丽 丁 锋 张佳 波
多元系统耦合多新息随机梯度类辨识方法
多元系统耦合多新息随机梯度类辨识方法
丁锋;汪菲菲
【期刊名称】《南京信息工程大学学报》
【年(卷),期】2014(000)001
【摘要】针对多元线性回归系统，利用耦合辨识概念和多新息辨识理论，讨论了多元随机梯度算法、多元多新息随机梯度算法，以及变递推间隔多元多新息梯度算法，进一步分解多元系统为一些子系统，给出了耦合子系统随机梯度算法、耦合随机梯度算法、耦合子系统多新息随机梯度算法、耦合多新息随机梯度算法，并将这些方法推广到多元伪线性滑动平均系统和多元伪线性自回归滑动平均系统。
文中给出了几个典型耦合随机梯度算法、耦合多新息随机梯度算法的计算步骤和示意图。
【总页数】16页(P1-16)
【作者】丁锋;汪菲菲
【作者单位】江南大学物联网工程学院，无锡，214122; 江南大学控制科学与工程研究中心，无锡，214122; 江南大学教育部轻工过程先进控制重点实验室，无锡，214122;江南大学物联网工程学院，无锡，214122
【正文语种】中文
【中图分类】TP273
【相关文献】
1.多元伪线性回归系统部分耦合多新息随机梯度类辨识方法 [J], 丁锋;汪菲菲;汪学海
2.基于多新息随机梯度算法的网侧变流器参数辨识方法研究 [J], 张敏;潘庭龙
3.多变量系统辅助模型多新息随机梯度辨识方法 [J], 张江涛;刘艳君
4.自回归模型的多新息随机梯度和多新息最小二乘辨识方法 [J], 廖育武;于丽;丁锋
5.多新息随机梯度辨识方法的收敛性研究 [J], 于丽;丁锋;张佳波
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的多模态学习算法研究
基于神经网络的多模态学习算法研究一、引言随着人工智能技术的不断发展，多模态学习成为了近年来研究的热点之一。
在现实生活中，我们接收到的信息往往是多模态的，例如图像、语音、文本等。
因此，如何有效地处理和利用多模态信息成为了一个挑战。
神经网络已经在计算机视觉、自然语言处理等领域展现了强大的能力，因此基于神经网络的多模态学习算法具有很大的潜力。
二、多模态学习概述1. 多模态学习定义多模态学习是指从多个模态中的数据中学习到一个共享的表达或决策模型的过程。
它能够更全面地挖掘数据的特征，提高模型的性能。
2. 多模态数据特点多模态数据具有以下特点：多样性、异构性、互补性和相关性。
多样性指不同模态的数据具有不同的特征表示形式；异构性指不同模态的数据具有不同的数据类型和结构；互补性指不同模态的数据能够提供互补的信息；相关性指不同模态的数据之间存在相关性。
3. 多模态学习任务多模态学习可以应用于多种任务，包括图像标注、情感识别、视频分类等。
不同任务对多模态数据的处理方法有所不同，因此需要针对具体任务进行算法设计。
三、基于神经网络的多模态学习算法1. 经典算法回顾早期的多模态学习算法主要使用特征融合的方法，将不同模态的特征进行结合。
例如，使用传统的特征提取方法提取图像特征和文本特征，然后将它们融合到一起。
这种方法缺乏对数据内在特点的学习和表示能力。
2. 深度学习算法深度学习算法在多模态学习中取得了显著的效果。
其中，基于神经网络的多模态学习算法引起了广泛关注。
这类算法可以通过神经网络的端到端训练，自动地学习到数据的特征表示。
3. 网络结构设计在设计网络结构时，可以采用两种常见的方式：旁路连接和共享层。
旁路连接是指在不同模态的网络之间添加连接，使得网络能够共享一部分参数；共享层是指不同模态共享相同的网络层，以提取模态共有的特征。
四、实验与结果分析1. 数据集在实验中，我们使用了一个多模态数据集，包含图像、文本和语音信息。
该数据集涵盖了不同领域的数据，具有一定的复杂性和多样性。
系统辨识_6_多新息辨识理论与方法_丁锋
的最小二乘辨识算法或随机梯度等辨识算法有下列 形式： ^ （ t） = θ ^ （ t － 1 ） + L （ t ） e（ t ） ， θ e（ t） ： = 其中 L（ t） ∈R 为算法增益向量（ gain vector） ， T ^ （ t － 1 ） ∈R 为标量新息 （ scalar innovay （ t） － φ （ t ） θ tion） ， 即单新息（ single innovation） ． 这个算法可以这样描述： t 时刻的参数估计向量 ^ （ t） 是用增益向量 L （ t） 与标量新息 e （ t ） 的乘积， θ 对 ^ （ t － 1 ） 进行修正， ^ （ t） t － 1 时刻参数估计向量 θ 即θ ^ （ t － 1 ） 的基础上加上增益向量 L （ t ） 与新息 是在 θ e（ t） 的乘积． 这种方法也称为新息修正辨识方法或 新息辨识方法． 上述算法中新息 e （ t ） 是标量， 我们把这个标量 in新息加以推广， 就导出了多新息辨识方法 （ multinovation identification method ） ［24］． 多 新 息 辨 识 理 论 （ multiinnovation identification theory ） 就是将单新息 从新息修正角度提出多新息修 修正技术加以推广， 正技术辨识的概念， 建立多新息修正辨识方法， 简称 多新息辨识方法． 顾名思义， 多新息算法就是将新息加以推广． 对 将算法中的标量新息 e （ t ） ∈ R 推广 标量系统而言， t ） ∈ Rp ， innova为新息向量 E （ p， 即 多 新 息 （ multin tion） ， 为使矩阵乘法维数兼容， 增益向量 L （ t ） ∈ R t ） ∈R n × p ， 须推广为增益矩阵（ gain matrix） Γ（ p， 那么 n
神经网络模式识别法介绍
误差反向传播
误差反向传播
神经网络应用场景
03
利用神经网络对文本进行自动识别与分类，包括光学字符识别（OCR）等。
文字识别
通过训练神经网络对图像进行分类、目标检测与跟踪等，包括人脸识别、车牌识别等。
图像识别
利用神经网络对人类语音进行识别与转写，实现自动语音识别（ASR）等。
神经网络学习规则
线性回归
逻辑回归
softmax回归
前向传播算法
通过调整网络权重，使输出误差平方和最小化。
梯度下降法
动量法
学习率衰减
利用历史梯度信息，对当前梯度进行修正。
通过不断减小学习率，加快训练收敛速度。
03
后向传播算法
02
01
将输入数据通过网络向前传播，计算输出和预期输出的误差。
输入信号正向传播
xx年xx月xx日
神经网络模式识别法介绍
目录
contents
神经网络基本概念神经网络工作原理神经网络应用场景神经网络与其他方法的比较神经网络当前存在的问题与挑战神经网络未来发展趋势与展望
神经网络基本概念
01
神经网络是一种由多个神经元相互连接而成的计算模型，通过学习和训练来实现某种特定的人工智能任务。
多样性
在集成学习中，不同的神经网络模型可以具有不同的结构、参数设置和学习策略，以增加多样化的预测性能。
训练策略
训练策略的优化可以进一步提高神经网络模型的性能。例如，可以通过调整学习率、正则化参数、优化算法等参数来优化神经网络的训练过程。
深度信念网络（DBN）
是一种深度学习模型，通过将多个隐藏层堆叠在一起，以提取和抽象数据中的复杂特征。DBN可以用于模式识别、图像处理和自然语言处理等领域。
基于渐进式神经网络的多任务强化学习算法
基于渐进式神经网络的多任务强化学习算法
苏萌韬;曾碧
【期刊名称】《机电工程技术》
【年(卷),期】2022(51)11
【摘要】介绍了目前有关机器人强化学习和多任务学习的方法和成果。
针对现有的强化学习算法在现实环境中采样效率低下和难以进行多任务学习的问题。
提出一种基于渐进式神经网络的强化学习(PNNRL)算法。
先根据现实原始图像,创建一个包含了现实中重要信息的高效模拟环境,在模拟环境中训练得到一个策略模型,然后基于渐进式神经网络,将模拟环境中训练得到的策略迁移到现实环境中,实现在加快模型收敛速度和数据采样效率的同时,还实现仿真域到现实域的策略迁移和避免了因为迁移学习造成的灾难性遗忘。
结合机器人作业任务实验结果显示,PNNRL算法可以有效解决强化学习采样效率低的问题,并且利用渐进式神经网络的特性还可以做到多任务学习。
最后对机器人多任务学习的研究前景做了展望。
【总页数】5页(P21-25)
【作者】苏萌韬;曾碧
【作者单位】广东工业大学计算机学院
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于强化学习和蚁群算法的协同依赖多任务网格集群调度
2.基于神经网络和强化学习的西洋跳棋评估算法
3.多任务约束条件下基于强化学习的水面无人艇路径规划算法
4.基于强化学习与神经网络的动态目标分配算法
5.基于一维卷积循环神经网络的深度强化学习算法
因版权原因，仅展示原文概要，查看原文内容请购买。
自回归模型的多新息随机梯度和多新息最小二乘辨识方法
项 式 。且
Ａ（）＝１＋ ｌ一 ０ ＋… ＋ ｎ－。 ｚ ０ ＋ ２’ ａ ｉ ｔ
式 （ ） 以写为一 个辩识 模 型 ， １可
ｙ ｔ （） ＋ ｔ （）： ｔ ０ （） （） ２
（ ） 中上 标 Ｔ表示 矩 阵 转 置 ， 数 向量 和 信息 向 ２式 参 量分别 定义 为
［ ｌ日 ， ， ∈Ｒ ， 日 ，２ … 日 ］
（ ）＝［一 （ 一１ ， Ｙ ｔ ２ ， ， Ｙ ｔ ） ｔ Ｙ ｔ ） 一 （ 一 ） … 一 （ —ｎ ］
（） ３
辨 识 的 目标 是 ， 用 系统 输 出数 据 ｛ （） ， 利 Ｙ ｔ ｝ 研究 和
提出Ａ Ｒ模 型的多新 息 随机 梯度 算法 和 多新 息最 小
维普资讯
４期
廖育武 ， ： 等 自回归模型 的多新息随机梯度和多新息最ｓ ｚ 乘辨识方法 Ｊ． ￣
ｌ５ Ｏ９
ｙ ｔ （） ｔ １ （）一 ｔ （ 一 ） ｙ ｔ ）一 （ 一 ） （ 一 ） （ 一１ ｔ １ Ｏ ｔ １
：
） ｔ扩展 为堆积 输 出向量 Ｙ Ｐ ｔ ， 而 可 以得 到估 ，） （ （ ，）从
Ｅ ＥＲｐ，
计 Ａ 模 型 参 数 向 量 ０ 的 多 新 最 小 二 乘 算 法 Ｒ
（ Ｌ ） ＭＩＳ ：
） ｔ Ｐ＋１ 一 （ — １ Ｏ ｔ ） ， — （ ） ｔ Ｐ＋ ） （ 一１
（）＝ ｔ ）＋ （ ） （ ，） ｐ ｔ ｔ （ 一１ Ｐ ｔ ｐ ｔＥ（ ，） Ｅ（ ，）＝Ｙ ｐ， （ ，） ｔ ） ｐｔ （ ｔ ）一 ｐｔ （ 一１
Ｅ Ｐ，）＝ （ ｔ
第一作者简介 ： 育武（ ９ ５ ） 男 ， 廖 １６ 一 ， 汉族 ， 湖北 武汉 人 ， 湖北襄 樊 学 院电气信息工程系 副教授 ， 究方向 ： 统建模 与电气控 制， — 研 系 Ｅ
- 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)。
ＬＵ Ｙｎ－ｕ Ｓ Ｅ ｏｇｒ Ｃ Ｅ ｉ ｕ ，Ｉ ｎ Ｉ ｉ ｙ ，Ｈ Ｎ Ｄ ｎ－ ， Ｈ Ｎ Ｙ— ｎ Ｌ ｇ ｇ ｉ ｊ ａ ｒ
ｓｏｈ ｔ ｒｄｅ ｔｉｅ ｔ ｉ ｔ ｎ ａ ｏ ｔｍ ｂ ｓｄ ｏ ｅ ｄｏｗ ｒ ｅ ｒｌｎ ｔ ｏｋ ｓｐｅｅ ｔｄ ｔ ａ ｉ ｇａ ｉｎ ｄ ｎｉｃ ｉ ｌ ｒ ｈ ａｅ ｎ ｆｅｆｒ ａｄ ｎ ｕａ ｅｗ ｒｓ ｉ ｒｓｎｅ ， ｃ ｓ ｃ ｆａ ｏ ｇｉ
对于大 多数工业实际系统来说 ， 系统模型往往
具有不确定性和时变特点 ， 给建立精确的数学模型
是非线性时变系统的辨识提供了有效的途径 ． 因此 需要探索用于非线性时变系统辨识的神经 网络结
带来困难 ． 传统辨识方法的基本原理是通过建立系
统依赖于参数的模型结构 ， 把辨识问题转化为对模 型参数的估计问题 ， 这类算法成功地应用于线性系
通过动态调整 网络权值 采提 高网络在线辨识性能 ． 由于 多新 息随机 梯度辨识 算法利用 了系统的 当前
数据和历 史数据 ， 态辨识 ， 别是对具 有纯时 间延迟 动 态 系统的辨识 ， 对动 特 较传 统的 Ｂ Ｐ算 法在 辨识 精度和收敛速度方面具有更好的效果 ． 仿真结果表明该算法的有效性 ．
Ａｂ ｔａ ｔ Ｉ ｉ ｅ ｏ ｉ ｒｖ ｈ ｄ ｎｉｉａ ｉｎ ａ ｃ ｒｃ ｆ ｄ ｎ ｍｉ ｙ ｔｍ ， ｍｕｔ—ｎ ｏ ａｉｎ ｓｒ ｃ ：ｎ ｏｌ ｒ ｔ ｍｐ ｏ ｅ ｔ ｅ ｉｅ ｔｆ ｔ ｃ ｕ ａ ｙ ｏ ｙ ａ ｃ ｓ ｓｅ ｉ ｃ ｏ ｌ ｉｎ ｖ ｔ ｉ ｏ
ｔ ｅ ｍａ ｅ ｈ ｒｓ ｎｅ ｌ ・ ｎ ｖ ｔ ｎ ｓ ｃ ａ ｔ ｒｄ ｅ ｔｉｅ ｔ ｃ ｔ ｎ ａｇ ｒ ｈ ｍ ｒ ｆ ｃ ｉ ｋ ｓｔ ｅ ｐ ｅｅ ｔｄ ｍｕ ｔ ｉ ｏ ａ ｉ ｔ ｈ ｉ ｇａ ｉ ｄ ｎ ｉ ａｉ ｌｏ ｔ ｍ ｏ ｅ ｅｆ － ｍ ｉｎ － ｏ ｏ ｓ ｃ ｎ ｉ ｆ ｏ ｉ ｅ ・ ｔ ｅ ｔ ａ ｈ Ｐ ａｇ ｒ ｈ ｉ ｉ ｆａ ｃ ｒ ｃ ｎ ｏ ｖ ｒ ｅ ｃ ａ ｉ ｈ ｎ ｔｅ Ｂ ｏ ｔｍ ｎ ｖｅ ｏ ｃ ｕａ ｙ ａ ｄ ｃ ｎ ｅ ｇ ｎ ｅ ｒ ｔ ｖ ｌ ｉ ｗ ｅ．Ｓ ｍｕａｉｎ ｒ ｓ ｌ ｈ ｗ ｄ ｉ ｌ ｏ ｅ ｕ ｔ ｓ ｏ ｅ ｔ ｓ ｔ ａ ｔｅ ａｇ ｒ ｈ ｉ ｅｆｃ ． ｈ ｔ ｈ ｏ ｔｍ ｆ ｔ ｌ ｉ ｓ ｅ Ｋｅ ｒ ｓ ｍｕｔ－ ｎ ｖ ｔ ｎ ｓ ｈ ｔ ａ ｉｎ ｄ ｎ ｉ ｃ ｔ ｎ ａｇ ｒ ｈ ； ｒｃ ｒ ｎ ｅ ｒｌｎ ｔ ｙ ｗｏ ｄ ： ｌ — ｏ ａｉ ｔ ａ ｉ ｇ ｄｅ ｔ ｉ ｅ ｔ ａｉ ｌ ｉ ｍ ｉｉ ｎ ｏ ｃ ｏ ｓ ｃｒ ｉ ｆ ｏ ｏ ｔ ｅ ｕｒ ｔｎ ｕａ ｅ － ｅ ・ ｗ ｒ ｓ ｏ ｌ ｅ ｒｔ ｅ ｖ ｒ ｉｇ ｓ ｓ ｍ ｏｋ ；ｎ ｎ ｉ ａ ｍ ａｙｎ ｙ ｔ ｎ ｉ ｅ
构及其训练方法 ． 文献 ［ ］ 出的一种基于前向神 １提 经网络的最小二 乘学 习算法 ， 无需任何矩阵求逆 ，
关键词 ： 多新息随机梯度 辨识 算法 ； 向神 经网络 ；非线性时变 系统 前 中图分类号 ：Ｐ９ Ｔ ３３ 文献标识码 ： Ａ 文章编号 ：６２— ９６ ２ｏ ）２ ０ ８ ０ １７ ０４ ｆ０６ ｏ — ０３— ４
Ｍ ｕ ｔ ｉｎ ｖ ｔ ａ ｔ ｒ ｄｅ ｔｉ ｎ ｉ ａ ｏ ｉｎ ｏ ｃ ｄ ｉ ｆ ｉ
ｗ ｉ ａ ｐ ｖ ｅｏｌ ｅｉ ｎｉｃｔｎｐｒ ｒ ａｃ ｆ ｈ ｅ ｏｋ ｙａｊｓｎ ｓｃｎ ｅ— ｈ ｈｃｎｉ ｒ ｅｔ ｎ ｎ ｅｔ ａ ｏ ｅｆ ｍ ｎｅｏ ｅｎｔ ｒｓ ｄ ｔ ｇｉ ｏｎｃ ｃ ｍｏ ｈ ｉ ｄ ｆ ｉ ｉ ｏ ｔ ｗ ｂ ｕｉ ｔ
ｔ ｎｗ ｉｈｓｄ ｎ ｍｉａｌ ．Ｔ ｅ ｕｉｚｔ ｎ ｏ ｅｕｒｎ ｎ ａｔｄ ｔ ｆｔｅｓｓｅ ａ ｈ ａ ｉ ｅｇ ｔ ｙ ａ ｃｌ ｏ ｙ ｈ ｔｉ ｉ ｆｔ ｃ ｒ ｔａ ｄ ｐ ｓ ａｅ ｏ ｈ ｙｔｍ ｔｔｅ ｓｍｅ ｌａｏ ｈ ｅ
维普资讯
第２ 第２ ２ 期
２０ 年 ４月 ０６
哈 尔 滨 商 业 大 学 学 报（ 自然科学版）
Ｊ ｕｎ ｌ ｆ ｒｉ ｎｖｒｉ ｆ ｏ ｍｅｃ Ｎ ｔｒ ｌ ｃ ｎｅ ｄｔ ｎ ｏ ｒａ ｂｎＵ ｉｅｓｙｏ ｍ ｒｅ（ ａ ａ Ｓｉ ｃｓＥ ｉｏ ） ｏ Ｈａ ｔ Ｃ ｕ ｅ ｉ
Ｖ １ ２ ｏ． ｏ ．２Ｎ ２ Ａ ｒ２ ０ ｐ ．０ ６
基于前向神经网络的多新息随机梯度辨识算法
刘英玉 ， 申东 日， 陈义俊 ， 李 蓉
（ 宁石油化工大学 信息工程学 院 ， 辽 辽宁 抚顺 １３０ ） １０ １
摘 要： 提高动态系统的辨识精度， 出 为了 提 一种基于前馈神经网络的多新息随机梯度辨识算法， 它
（ ｃ ｏｌ ｆ ，ｏｍａｉｎ＆ Ｅ ｇｎｅｉｇ ｉ ｎｎ ｎｖｒｉ ｆ Ｓ ｈｏ ｆ ｒ ｔ ｏｌ ｏ ｎｉｅ ｒ ．Ｌａ ｉｇＵ ｉｅｓｙｏ ｎ ｏ ｔ
Ｐ ｔ ｌ ， Ｃ ｅ ｉ ｌ ｅｈ ｏ ｇ ， ｕ ｈ ｎ Ｉ３０ 。 ｈ ａ ｅｏｕ ｒ ｅ ｎ＆ ｈ ｍ ｃ ｃｎ ｌ ｙ Ｆ ｓｕ １ １Ｃ ｉ ） ａＴ ｏ ０ ｎ