人工智能实验报告
人工智能实验报告
人工智能实验报告一、实验目的。
本次实验旨在通过对人工智能相关算法的实验操作，深入了解人工智能的基本原理和实际应用，提高对人工智能技术的理解和掌握。
二、实验内容。
1. 人工智能算法的原理及应用。
2. 人工智能在图像识别、语音识别等领域的实际应用案例分析。
3. 人工智能算法在实际项目中的具体运用。
三、实验步骤。
1. 理论学习，通过学习相关教材和资料，掌握人工智能算法的基本原理和应用场景。
2. 实际操作，运用Python等编程语言，实现人工智能算法的实际应用，如图像识别、语音识别等。
3. 案例分析，结合实际案例，分析人工智能在不同领域的具体应用，了解其在实际项目中的运用情况。
四、实验结果。
通过本次实验，我们深入了解了人工智能算法的基本原理和应用场景，掌握了人工智能在图像识别、语音识别等领域的实际应用案例，并对人工智能算法在实际项目中的具体运用有了更深入的了解。
五、实验总结。
人工智能作为当今科技领域的热门话题，其应用场景和前景备受关注。
通过本次实验，我们不仅对人工智能算法有了更深入的理解，也对其在实际项目中的应用有了更清晰的认识。
人工智能技术的不断发展，必将为各行各业带来更多的创新和改变。
六、展望。
随着人工智能技术的不断进步和应用，我们相信在不久的将来，人工智能将会在更多的领域发挥重要作用，为人类社会带来更多的便利和进步。
我们也将继续深入学习和研究人工智能技术，不断提升自己的技术水平，为人工智能技术的发展贡献自己的力量。
七、参考资料。
1. 《人工智能导论》，XXX，XXX出版社，2018年。
2. 《Python人工智能编程实践》，XXX，XXX出版社，2019年。
3. 《深度学习与人工智能》，XXX，XXX出版社，2020年。
以上为本次人工智能实验的报告内容，谢谢。
《人工智能》实验报告
一、实验目的1. 了解机器学习的基本概念和常用算法。
2. 掌握使用Python编程语言实现图像识别系统的方法。
3. 培养分析问题、解决问题的能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3.73. 开发工具：PyCharm4. 机器学习库：TensorFlow、Keras三、实验内容1. 数据预处理2. 模型构建3. 模型训练4. 模型评估5. 模型应用四、实验步骤1. 数据预处理（1）下载图像数据集：选择一个适合的图像数据集，例如MNIST手写数字数据集。
（2）数据加载与处理：使用TensorFlow和Keras库加载图像数据集，并进行预处理，如归一化、调整图像大小等。
2. 模型构建（1）定义网络结构：使用Keras库定义神经网络结构，包括输入层、隐藏层和输出层。
（2）选择激活函数：根据问题特点选择合适的激活函数，如ReLU、Sigmoid等。
（3）定义损失函数：选择损失函数，如交叉熵损失函数。
（4）定义优化器：选择优化器，如Adam、SGD等。
3. 模型训练（1）将数据集分为训练集、验证集和测试集。
（2）使用训练集对模型进行训练，同时监控验证集的性能。
（3）调整模型参数，如学习率、批大小等，以优化模型性能。
4. 模型评估（1）使用测试集评估模型性能，计算准确率、召回率、F1值等指标。
（2）分析模型在测试集上的表现，找出模型的优点和不足。
5. 模型应用（1）将训练好的模型保存为模型文件。
（2）使用保存的模型对新的图像进行识别，展示模型在实际应用中的效果。
五、实验结果与分析1. 模型性能：在测试集上，模型的准确率为98.5%，召回率为98.3%，F1值为98.4%。
2. 模型优化：通过调整学习率、批大小等参数，模型性能得到了一定程度的提升。
3. 模型不足：在测试集中，模型对部分图像的识别效果不佳，可能需要进一步优化模型结构或改进训练方法。
六、实验总结通过本次实验，我们了解了机器学习的基本概念和常用算法，掌握了使用Python编程语言实现图像识别系统的方法。
人工智能实验报告(装错信封问题)
permutation([A|X],Y):-delete(A,Y,Y1),permutation(X,Y1).
some_element_right([A|X],[A|Y]).
some_element_right([A|X],[B|Y]):-some_element_right(X,Y).
letter(X,Y):-permutation(X,Y),not(some_element_right(X,Y)),
write(X),nl,fail.
Goal
letter(X,[1,2,3,4,5]).
实验记录
装错信封问题:
设定目标为: letter(X,[1,2,3,4,5]).
结果为：
成功运行程序后, 得出44种可能的结果:
[5,4,2,1,3]
[5,4,2,3,1]
No Solution
实验结论（结果）
装错信封问题:
该程序运行后得出了44种装错信封的可能, 得出的结论是出现装错信封的可能概率是44/120。
该程序运行后得出了44种装错信封的可能，得出的结论是出现装错信封的可能概率是44/120。
实验心得与小结
通过这次实验我更加熟悉了 Prolog语言和该软件开发平台。对Prolog语言的基本语法规则和使用技巧有了更好的掌握。在使用Visual Prolog软件开发平台的过程中, 我从对软件的不熟悉, 经常出错, 到会编写一些小型完整的Visual Prolog应用程序, 在这过程中, 我增长了很多知识。最后经过本次试验, 我的动手能力和分析问题的能力得到提高。
分析该问题的实质以及其中存在的递归作用；利用列表数据结构及上面介绍的谓词编写出装错信封问题的程序；联系全排列问题理解列表数据结构的作用。启动prolog编辑环境，编辑装错信封问题源程序；运行程序，分析结果；并算出其概率；理解列表数据结构的作用。根据最后的结果，算出其概率。
人工智能_实验报告
人工智能_实验报告
一、实验目标
本次实验的目的是对人工智能进行深入的理解，主要针对以下几个方面：
1.理论基础:了解人工智能的概念、定义和发展历史；
2.技术原理:学习人工智能的基本技术原理，如机器学习、自然语言处理、图像处理等；
3. 设计实现: 熟悉基于Python的人工智能开发；
4.实践应用:了解常见的应用场景，例如语音识别、图像分析等；
二、实验环境
本次实验基于Python3.7语言编写，实验环境如下：
1. 操作系统：Windows10
3. 基础库和工具：Numpy, Matplotlib, Pandas, Scikit-Learn, TensorFlow, Keras
三、实验内容
1. 机器学习
机器学习是一门深受人们喜爱的人工智能领域，基于机器学习，我们可以让计算机自动学习现象，并做出相应的预测。
主要用于语音识别、图像处理和自然语言处理等领域。
本次实验主要通过一个关于房价预测的实例，结合 Scikit-Learn 库，实现了机器学习的基本步骤。
主要包括以下几步：
（1）数据探索：分析并观察数据，以及相关的统计数据；
（2）数据预处理：包括缺失值处理、标准化等；
（3）建模：使用线性回归、决策树等监督学习模型，建立房价预测
模型；。
人工智能课内实验报告1
人工智能课内实验报告（一）----主观贝叶斯一、实验目的1.学习了解编程语言, 掌握基本的算法实现；2.深入理解贝叶斯理论和不确定性推理理论；二、 3.学习运用主观贝叶斯公式进行不确定推理的原理和过程。
三、实验内容在证据不确定的情况下, 根据充分性量度LS 、必要性量度LN 、E 的先验概率P(E)和H 的先验概率P(H)作为前提条件, 分析P(H/S)和P(E/S)的关系。
具体要求如下:(1) 充分考虑各种证据情况: 证据肯定存在、证据肯定不存在、观察与证据 无关、其他情况；(2) 考虑EH 公式和CP 公式两种计算后验概率的方法；(3) 给出EH 公式的分段线性插值图。
三、实验原理1.知识不确定性的表示:在主观贝叶斯方法中, 知识是产生式规则表示的, 具体形式为：IF E THEN (LS,LN) H(P(H))LS 是充分性度量, 用于指出E 对H 的支持程度。
其定义为:LS=P(E|H)/P(E|¬H)。
LN 是必要性度量, 用于指出¬E 对H 的支持程度。
其定义为:LN=P(¬E|H)/P(¬E|¬H)=(1-P(E|H))/(1-P(E|¬H))2.证据不确定性的表示在证据不确定的情况下, 用户观察到的证据具有不确定性, 即0<P(E/S)<1。
此时就不能再用上面的公式计算后验概率了。
而要用杜达等人在1976年证明过的如下公式来计算后验概率P(H/S)：P(H/S)=P(H/E)*P(E/S)+P(H/~E)*P(~E/S) （2-1）下面分四种情况对这个公式进行讨论。
（1） P (E/S)=1当P(E/S)=1时, P(~E/S)=0。
此时, 式（2-1）变成 P(H/S)=P(H/E)=1)()1()(+⨯-⨯H P LS H P LS （2-2） 这就是证据肯定存在的情况。
（2） P (E/S)=0当P(E/S)=0时, P(~E/S)=1。
人工智能导论实验报告
人工智能导论实验报告
一、实验要求
实验要求是使用Python实现一个简单的人工智能（AI）程序，包括
使用数据挖掘，机器学习，自然语言处理，语音识别，计算机视觉等技术，通过提供用户输入的信息，实现基于信息的自动响应和推理。
二、实验步骤
1. 数据采集：编写爬虫程序或者使用预先定义的数据集（如movielens）从互联网收集数据；
2. 数据预处理：使用numpy对数据进行标准化处理，以便机器学习
程序能够有效地解析数据；
3. 模型构建：使用scikit-learn或者tensorflow等工具，构建机
器学习模型，从已经采集到的数据中学习规律；
4.模型训练：使用构建完成的模型，开始训练，通过反复调整参数，
使得模型在训练集上的效果达到最优；
5.模型评估：使用构建完成的模型，对测试集进行预测，并与实际结
果进行比较，从而评估模型的效果；
6. 部署：使用flask或者django等web框架，将模型部署为网络应用，从而实现模型的实时响应；
三、实验结果
实验结果表明，使用数据挖掘，机器学习，自然语言处理，语音识别，计算机视觉等技术，可以得到很高的模型预测精度，模型的准确性可以明
显提高。
人工智能语音识别实验报告
人工智能语音识别实验报告引言："人工智能是指通过模仿人的智能行为，实现出具有智能的设备或系统。
其中，语音识别作为人工智能的一项重要应用，正在为人类生活带来革命性的变化。
本实验报告旨在对人工智能语音识别的原理、应用和发展进行探讨，并结合实验数据进行分析和讨论。
一、实验目的本次实验旨在通过人工智能语音识别技术，实现对特定语音信号的识别和转换。
具体目标如下：1. 理解人工智能语音识别技术的基本原理；2. 了解语音信号的采集、特征提取和识别过程；3. 利用实验数据验证语音识别系统的准确性和稳定性。
二、实验原理人工智能语音识别技术基于机器学习和深度学习算法。
其原理主要包括语音信号采集、特征提取和识别三个步骤。
1. 语音信号采集语音信号采集是语音识别的基础，它利用麦克风等设备将声波信号转化为电信号。
采集的语音信号需要具有一定的清晰度和准确性，以提供高质量的输入数据。
2. 特征提取特征提取是将语音信号转换为计算机能够处理的数字特征的过程。
常用的特征提取方法包括MFCC（Mel频率倒谱系数）和PLP （Perceptual Linear Prediction）等。
这些特征可以捕捉语音信号的频率、时域和能量特性。
3. 语音识别语音识别是通过训练模型，将提取到的语音特征与预先录入的语音库进行匹配，从而确定输入语音的内容。
常用的语音识别算法包括隐马尔可夫模型（HMM）和循环神经网络（RNN）等。
三、实验过程与结果在本次实验中，我们使用了开源的人工智能语音识别库，通过对一段录音进行处理和识别，得到了以下结果：1. 语音信号的预处理对录音进行去噪、降噪等预处理操作，提高语音信号的质量。
2. 特征提取与选择利用MFCC算法提取了语音信号的频谱特征，并通过特征选择方法选取了最具代表性的特征。
3. 训练模型使用训练集对语音识别模型进行训练，并通过交叉验证方法评估模型的准确性。
4. 语音识别和结果分析使用训练好的模型对测试集进行语音识别，并对识别结果进行分析和评估。
人工智能_实验报告
人工智能_实验报告在当今科技飞速发展的时代，人工智能（Artificial Intelligence，简称 AI）已经成为了备受瞩目的领域。
为了更深入地了解人工智能的原理和应用，我们进行了一系列的实验。
本次实验的目的是探究人工智能在不同场景下的表现和能力，以及其对人类生活和工作可能产生的影响。
实验过程中，我们使用了多种技术和工具，包括机器学习算法、深度学习框架以及大量的数据样本。
首先，我们对图像识别这一领域进行了研究。
通过收集大量的图像数据，并使用卷积神经网络（Convolutional Neural Network，简称 CNN）进行训练，我们试图让计算机学会识别不同的物体和场景。
在实验中，我们发现，随着训练数据的增加和网络结构的优化，计算机的图像识别准确率得到了显著提高。
然而，在面对一些复杂的图像，如光线昏暗、物体遮挡等情况下，识别效果仍有待提升。
接着，我们转向了自然语言处理（Natural Language Processing，简称 NLP）的实验。
利用循环神经网络（Recurrent Neural Network，简称RNN）和长短时记忆网络（Long ShortTerm Memory，简称 LSTM），我们尝试让计算机理解和生成人类语言。
在文本分类和情感分析任务中，我们取得了一定的成果，但在处理语义模糊和上下文依赖较强的文本时，计算机仍会出现理解偏差。
在实验过程中，我们还遇到了一些挑战和问题。
数据的质量和数量对人工智能模型的性能有着至关重要的影响。
如果数据存在偏差、噪声或不完整，模型可能会学到错误的模式，从而导致预测结果不准确。
此外，模型的训练时间和计算资源需求也是一个不容忽视的问题。
一些复杂的模型需要在高性能的计算机集群上进行长时间的训练，这对于普通的研究团队和个人来说是一个巨大的负担。
为了应对这些问题，我们采取了一系列的措施。
对于数据质量问题，我们进行了严格的数据清洗和预处理工作，去除噪声和异常值，并通过数据增强技术增加数据的多样性。
- 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)。
实验报告1.对CLIPS和其运行及推理机制进行介绍CLIPS是一个基于前向推理语言，用标准C语言编写。
它具有高移植性、高扩展性、强大的知识表达能力和编程方式以及低成本等特点。
CLIPS由两部分组成：知识库、推理机。
它的基本语法是：(defmodule< module-n ame >[< comme nt >])CLIPS的基本结构：（1）.知识库由事实库（初始事实+初始对象实例）和规则库组成。
事实库：表示已知的数据或信息，用deftemplat，deffact定义初始事实表FACTLIS，由关系名、后跟零个或多个槽以及它们的相关值组成，其格式如下：模板：（deftemplate<deftemplate-n ame> [<comme nt>]<slot-defi niti on>*）<slot-definition> :: = <single-slot-definition> |<multislot-defi niti on>事实：（deffacts<deffacts-n ame> [<comme nt>]<Facts>*）当CLIPS系统启动推理时，会把所有用deffact定义的事实自动添加到工作存储器中。
常用命令如下：asser：把事实添加到事实库（工作存储器）中retract:删除指定事实modify :修改自定义模板事实的槽值duplicate :复制事实clear:删除所有事实规则库表示系统推理的有关知识，用defrule命令来定义，由规则头、后跟零个或多个条件元素以及行为列表组成，其格式如下：（defrule<rule n ame> [<comme nt>]<patter ns>* ;=><acti on s>*;）只有当规则中所有的模式都被事实表中的事实满足时，规则才能被触发。
常用命令如下: reset：来生成自定义事实facts:给出事实列表age nda :显示议程watch :监视命令run：启动CL IPS运行（2）.推理机由黑板（用于存储当前推理结果数据和历史结果数据）、推理机（针对知识库的规则，对黑板数据进行模板匹配）以及“行动”的执行次序控制三部分组成。
推理机采用正向推理机制，不断地扫描规则的模式，推理循环可分为4个阶段：1）模式匹配从知识库中第一条规则开始，依次扫描知识库中所有规则，把规则的前件与动态存储器中的当前事实相匹配，以搜索满足条件的规则。
2）冲突消解在发生冲突，即多条规则同时被匹配时，根据预先确定的冲突消解策略，确定触发规则。
3）激活规则，调用匹配所触发规则的所有子目标的事实。
4）动作把所触发规则的结论添加到动态存储器（议程）。
执行次序控制提供两种具体的技术来控制规则的执行：1）优先级：可以在定义规则时设置规则的优先级，使议程中的多条规则按优先级大小顺序执行。
2）模块：对大型的具有复杂规则库的情况，可以定义不同的模块来划分知识库，通过改变模块的焦点来控制当前被执行的模块。
2. 给出Animal.clp的一个运行实例截图3.结合所给出的运行实例，写出系统完成内容和具体推理的步骤，根据代码和系统的处理方法分析Clips推理求解过程和方法。
（系统的执行过程和推理步骤和方法）(1).代码分析:1) LoadCLIPS [Vc ・22CLIFS> Road ■Cs/Daers/NH^Dcak^op/^Ol^AI/clips/aniMlHClp*^ ini-g d-- ] Tnet ini ng i3erz-ile: pE 口pfsga 匚十二 |_elxzil zig de mile: gz az - aa iz_r 1 ed =二+二#二Def imoa def rule: *±KCve ruls-nD-xaxch + j * i|Defining defrule: HKdify-Eule-rtateh —j*j|ruit-i=J-J|Def 口□ defrmle; k- NQE sticn-M- leaalval^e s h▼计Def iming defr-ule: as k^qase st i Drn.— 1 eg a 1 valrKS 4-j+j+j]Defining def faces : knD«le dge -ba： seIKJfl:LIPS> |加载1个自定义模版，7个自定义规则和1个自定义事实。
2) ResetFOCUA 皿工nFOCU>皿工日instance " ln_i ： -aiL-ato] ecis ] or TSTTJ^L-CBJECT » c:二ua 匚已 EE : i i ； <Zzis ,cancti-_n —L-Lal-Qbj eco ) » ci sate pr ^rr^ry In class OSERED : 1 ( CI M tanoe-in i t ial-ab j «t>)«priiTKs-y in u 】■晏■ HOTSEE: 1 (<TrL5tan>-e- in i t L -HS I —口 b^ic-ct>)« czestE EE : 1 (<Inj5t.E.nce —xnxt2_al —ot j e-ct>) » j.tixt ED : 1 (XltLSt-ancze^itU-tiiaL —1 口tijuuf)» init Drimar^ m closa USERFD: 1 (<In Ute ncc-1 n 11 idl. 一口白 j )<< in -:.t priraTy TB class OSER ED: 1 (<In3t^noe-inrti_al-obj ect>)(LJiixial ^iact) (ooaJ. xvpe finiiral—f-l 2Si (en^w^r is W T think ycur 4：niw«l i ■ * ■ twi1 > CLIPS>自动focus MAIN ,将130条自定义事实添加到 MAIN 模块的FACTS 中，然后用之前的规则与事实进行匹配，并将满足条件的规则激发加入到议程当中。
3) RunCLIPS 系统将在议程中的被激活的规则按顺序开始执行，激活了规则propagate-goal ,根据事实f-1和f-127产生了新的事实f-130，并将它加入到综合数据库中。
当规则运行完毕，综合数据库进行了更新，clips 系统再次匹配规则和事实，并激活新的规则propagate-goal ，根据事实f-130和f-124产生了新的事实f-131并将它加入到综合数 据库中。
之后重复这一步骤，直到事实f-139被加入综合数据库中后，CLIPS 系统激活了规则ask-question-legalvalues ，打印问题 backbone ，撤销事实 f-139。
4)对问题 Does your animal have a backbone?回答 yes1152MmHITTM5SM3SHMD HUT：HSG « imt EDUtclnstance - in itial-ob3 ect>) (Lecraian^wera az-e vea (ruxe [1-：(rui.e ：i*(gucati-ontacjctcDe tcacjmcne bActbcne is 13 u no)^es taen 曰匹已二口匕片二口m is tacklecne 〕] no) (cneo superipnviim 二宫 3&il ，YBacJ£j ) "E OCJJ your dHUM ■丄 have n JDackDone?") CLTPS > run)FIRJE 1 pT£if!A^ia'Ee--ga41 ：r-1 r f ~J J7二—A £—130 gcal JIT a JiiiJfE-ezz.es iAc t XVBL L XDXI 0 pxo 匚曰了兰三g 二 BL 丄二FIPJE m C-13CI, f-124=■> T-131 [ge31 13 sisSSFeciesi—> ActXva.±12cn □ preragate -g-= el i —> ME>L¥a •益丄味£1 0 £直后(.□◎鼻七上亠日艺■丄二 FIS£ 3 “碍冲・匕「彌・1】£-131. f-^04 => 1-132 Egoalictlv&^Liin □—a Acr ivBTicm 9**> Mt 二¥.耳1曲 0 => icclviizlan 3 ==> Aatlvation 0ACElVIiTlMI 0—on □FEM=■> f-LM==> Aeclvision -二亡匸 on —> St 二 ¥E L 二 ™"> AlZt JLVBLtXSll~=> Mclvaxion =■> Act-VSTl 3Y1 —i j*ctlva.-zlacn FILE—> £-1^4fiigcal=> AcrlviTlon □**> A£tl.Vfi.t ：LM □ACE.XVBTLHI 3"■> 肚 t 二■¥壽耳丄0¥1 0=■> icclvazliin 3 -=> ActlvaT-lon 0FI3UEap^cleaiprcr cg ：E.te -gz el i propBgi&re ・ goal t PfQf匚■丄工S±c£ asaie-g-2al :：pTfl^ngikre -gsal t prepBigan ：r-qz:nl ; 占 pr=F-a-a.te —g-匚县一； £—L521 f —=»4 (goal ogenu?i QfO*冠0)・£雹・QE'll 匸盲口匸 B^aTt-qr11r prcpszit-s-g^sl: jzz 匸匚 H<at.-= *g _ 住丄 i Iprop'-j^te- Qcals praF aj'STe-gT al r prcpa^Ete-gztlz a^Ly) r^ipagate-gsal:prci: egait-s -g~ El: prapagiifeire -ge ad t pgQF •耳口匚•■丄» srctasiie-a2±1:ft profHigBce-9ciAi a r 131 ? r - 57E-131r T--3Q £-191F £-L^1Ir-i»P r-eo r-i33r r-Ei ±-133r ±-63 1*13^, 1-L4 r-i»r r-« r-i35F r-f7E-133P r-^Br-i34,r-ao r-131r r-42 X-l 34,1-54 f-134r f-S^"*> f- 131 I 冋dU «■> AcWv ・=io® 0 ==?iCLlVa-lQZi. □ ==J >Actlvailon 0 —%AftlvaTlM 0 iet ivari an 口 —■: jlctZ.V-3lZ.13Z- J --? AcClvailftn !>>3 drderi口工口口 ■二1EF 匚■丄 Dzocag»e-^oai CE€E -«j ite-q<ml iqSE.1 US C1E.J9I—> ActZ^STl QT ： ? —5 AEtiva±iQ±i □Flk£ 自 启盘討住县才・l ・・g ■丄::prcpig!£.L*-g 匚且丄 MfiCnQ.t翟ys】prflfaQriLt-g^ilpTqpagiTe-^calprop-ga'te-gc".!**> f-iy? [IQQ «2 L > => Actlva«lo (r! 0 prupaga'ce-gcal: —, 0 pMjpag ：a^e - g-±£i !： A^tivaTififlpr^pag^Te - g«al t—A Activwicm. 0 : FZ7Z 9 pracsa^aGe-Qpcial: £-137,1-10 iQoad liBjusrtis^itfiiia.}—$ AfTivaTisn 0pT^pagiB^e-g^al s J^ctivaTi OEI 0BTapB.giB.Te - q-= ■ 1==>==>£-13Sr£-2< X~lJ5P r-23 f-lJ5r f-55 f-ias,?-Il f-13i r f-^2 ±-135P f-S* f-135r f-3*±-136r f-Ljf-116P r-l€t-13i6p f-21 r-13B r S-22r-i3T r r-e t -工労节r A ， t = s 41” 41?f-13B h f-3f~132r f-4* ciu w ci-o^ v#iu« s tr-5P f-i59#FIRT " 1 est-ep-e a~i on -1 eq; - iTra 1 zae -1 ff-J . 土 一久日三.t-E <— £-133 ga&j. is fcarJ±.DJ-sDues [py •韻»县丄a 上事二上匕石胖三7 心也 nojprcjp-q3.re-q.r-lpr-op iOiite-gc al■ E--13SAc^lvdvl^n Q□«9 your -aniRiil旨聞日卫MJ yer==> r-Z40 (variable ■basldb^ne yeslf—■> iztxvazicz. 2DzuJL 8^- - at J .3 ±xe d : £-HD…«> fc?e irasiaf ： J!(3 reaw^-rule-R-a-isatM E f -HQ,, f -i|<= r-Sfqueddor. ■basufcrne It ■弱心 丹廿怕兀 血上讼昨。