深度学习方法研究新进展
深度学习可解释性研究进展
深度学习可解释性研究进展一、本文概述随着和机器学习技术的快速发展，深度学习已成为众多领域，如计算机视觉、自然语言处理、语音识别等的关键工具。
然而，尽管深度学习在许多任务中取得了显著的成果，其“黑盒”特性使得其决策过程和内部机制往往难以解释和理解。
这使得深度学习模型在需要高度解释性的领域，如医疗、金融和法律等，的应用受到了限制。
因此，深度学习的可解释性研究成为了当前机器学习领域的重要研究方向。
本文旨在全面概述深度学习可解释性研究的最新进展。
我们将首先介绍可解释性的基本概念和重要性，然后回顾传统的可解释性方法，并重点介绍近年来在深度学习可解释性研究方面取得的重大突破。
我们还将讨论当前面临的挑战，以及未来的发展趋势。
我们希望通过本文，读者能够对深度学习可解释性的研究现状有全面的了解，并对未来的发展方向有所认识。
二、深度学习可解释性的定义与分类深度学习可解释性，简而言之，是指理解和解释深度学习模型预测结果和内部机制的能力。
随着深度学习在各领域的广泛应用，其可解释性成为了研究的热点和难点。
可解释性不仅有助于我们理解模型的决策过程，还能增强模型的泛化能力，提高用户的信任度。
深度学习可解释性的分类可以从多个角度进行。
按照解释对象的不同，可以分为模型级解释和实例级解释。
模型级解释主要关注整个模型的内在结构和运作原理，如网络层的权重和激活函数等；而实例级解释则关注具体输入样本的预测结果和决策依据，如样本在特征空间中的表示和决策边界等。
按照解释方法的不同，可以分为内在解释和外在解释。
内在解释主要通过修改模型结构或优化训练过程来提高模型的透明度，如使用基于知识的蒸馏、设计具有解释性的网络结构等；外在解释则主要依赖于外部工具或方法来揭示模型的内在逻辑，如可视化技术、代理模型等。
按照解释深度的不同，可以分为定性解释和定量解释。
定性解释主要关注模型的决策逻辑和因果关系，如解释某个特征如何影响预测结果；而定量解释则进一步提供了解释的精确度和置信度，如计算特征对预测结果的贡献度。
强化学习与深度学习的最新进展综述
强化学习与深度学习的最新进展综述近年来，强化学习和深度学习作为人工智能领域的两个重要分支，取得了巨大的突破与进展。
本文将综述强化学习与深度学习的最新进展，探讨它们在不同领域的应用，并展望它们的未来发展方向。
一、强化学习的最新进展强化学习是一种通过试错的方式，使智能机器根据环境的反馈不断优化其行为策略的学习方法。
最近，基于价值函数的强化学习方法取得了许多重要的突破。
例如，AlphaGo在围棋对弈中击败了人类世界冠军，引起了全球的关注。
此外，无模型的强化学习方法也取得了重要的进展，克服了传统强化学习方法中需要准确模型的限制，使得强化学习能够在真实环境中得到更广泛的应用。
二、深度学习的最新进展深度学习是一种基于人工神经网络的机器学习方法，通过多层次的神经元结构来模拟人脑的信息处理过程。
近年来，深度学习在计算机视觉、自然语言处理等领域取得了重大突破。
例如，深度学习在图像分类、目标检测和图像生成等任务上取得了非常出色的成果。
此外，深度强化学习的研究也取得了重要的进展，使得机器能够在复杂环境下自主学习和决策。
三、强化学习与深度学习的结合强化学习和深度学习相互融合，形成了强化学习与深度学习的结合模型。
这种结合模型充分利用了深度学习在特征提取和表示学习方面的优势，并将其应用到强化学习中。
它们的结合既扩展了传统强化学习的应用范围，又提高了强化学习的性能。
例如，Deep Q-Network (DQN) 将深度学习引入到强化学习中，通过学习Q值函数来优化策略的选择，取得了显著的效果。
此外，Actor-Critic模型和Policy Gradient 模型等也得到了广泛的研究和应用。
四、强化学习与深度学习的应用领域强化学习与深度学习的结合在许多领域都取得了令人瞩目的成果。
在机器人控制方面，强化学习与深度学习的结合使得机器人能够在复杂环境中自主控制和学习。
在自然语言处理方面，深度学习模型能够进行语义理解和文本生成，并与强化学习相结合，进一步提高了机器对话系统的性能。
深度学习技术在生态环境保护中的应用与研究进展
深度学习技术在生态环境保护中的应用与研究进展引言：生态环境保护是当今社会亟需解决的重要问题之一。
近年来，深度学习技术在环境保护领域的应用引起了广泛关注。
本文将介绍深度学习技术在生态环境保护中的应用，并概述相关研究的进展。
一、深度学习技术在生态环境监测中的应用深度学习技术在生态环境监测中具有广泛的应用前景。
首先，深度学习可以通过分析大规模的环境数据，识别与监测生态环境相关的物种或地理特征。
例如，利用深度学习模型，可以自动识别野生动物的种类，实现对野生动物种群的监测和保护。
其次，深度学习还可以应用于污染物的监测与分析。
通过分析大量的环境数据，深度学习模型可以预测水体、土壤、大气等环境介质的污染程度，并提供污染防治的决策支持。
二、深度学习技术在生态系统模拟中的应用生态系统模拟是生态环境研究的重要手段之一。
深度学习技术在生态系统模拟中的应用可以提高模拟的准确性和效率。
例如，利用深度学习技术，可以建立复杂的生态系统模型，模拟动植物与环境之间的相互作用，从而预测生态系统的发展趋势和响应。
此外，深度学习还可以利用遥感数据进行生态系统的遥感监测。
通过分析海量的遥感数据，深度学习模型可以提取出植被覆盖、土地利用等信息，并为生态系统的保护与管理提供科学依据。
三、深度学习技术在生态环境预警中的应用深度学习技术在生态环境预警中具有重要的作用。
首先，在灾害预警中，利用深度学习模型可以对环境数据进行快速准确的分析和预测。
例如，在气象灾害预警中，通过对气象数据进行深度学习分析，可以提前预警暴雨、台风等灾害事件，有助于减少灾害的损失。
其次，在生物入侵预警中，深度学习技术可以通过分析生态数据，识别潜在的入侵物种，并提前采取相应的措施进行防治。
四、深度学习技术在生态环境保护中的挑战与展望尽管深度学习技术在生态环境保护中的应用前景广阔，但也面临一些挑战。
首先，数据质量和样本数量是影响深度学习模型准确性的关键因素。
为了提高深度学习模型的性能，需要确保数据的准确性和完整性，并且获取足够数量的样本数据。
基于深度学习的目标检测最新研究进展总结概述
基于深度学习的目标检测最新研究进展总结概述一、研究现状目标检测是计算机视觉领域的重要问题之一，其目标是在给定的图像中准确地定位和识别出感兴趣的目标。
在过去的几年内，基于深度学习的目标检测方法取得了巨大的进展，并在多个任务和数据集上取得了最先进的性能。
二、基于深度学习的目标检测方法1.基于区域提议的方法基于区域提议的方法将目标检测任务分为两个阶段：候选区域生成和目标分类。
首先，通过使用区域建议网络（RPN）生成候选区域，然后对这些候选区域进行分类、位置回归等操作。
这一类方法的代表有Faster R-CNN、R-FCN等。
2.单阶段方法单阶段方法将目标检测任务简化为一个端到端的模型，直接预测目标的位置和类别。
这类方法通常使用卷积神经网络（CNN）提取特征，并通过增加额外的检测层来实现目标检测。
这一类方法的代表有YOLO系列、SSD等。
三、最新研究进展近年来，基于深度学习的目标检测方法在准确性和效率方面取得了显著的进展。
以下是最新的研究进展的总结：1. 骨干网络的改进：研究者们提出了一些新的骨干网络结构，如ResNet、Inception等，这些网络具有更深的结构和更强的特征表示能力，可以有效提高目标识别和定位的准确性。
2.多尺度特征表示：为了提高对不同尺度目标的检测效果，研究者们提出了一些多尺度特征表示的方法，如金字塔金字塔（FPN）、特征金字塔网络（FPN）等。
3.单阶段方法的改进：为了提高单阶段方法的准确性，研究者们提出了一些改进方法，如使用注意力机制提升关键特征的表示能力、引入特征金字塔结构等。
4. 目标检测的实时性：为了提高目标检测方法的实时性，研究者们提出了一些轻量级网络结构，如MobileNet、Pelee等，这些网络在保持一定的准确性的同时，极大地提高了目标检测的速度。
5.跨域目标检测：研究者们提出了一些跨域目标检测方法，通过在源域和目标域之间进行知识迁移，可以在目标域上取得较好的检测结果。
深度学习领域的最新研究成果
深度学习领域的最新研究成果随着人工智能技术的不断发展，深度学习在当前的科技领域中受到了广泛的关注和重视。
随着深度学习领域的不断发展，各种各样新的研究成果也不断涌现，下面将对深度学习领域的最新研究成果进行一一阐述。
一、深度神经网络优化技术深度学习模型在处理大规模数据时面临的一个主要问题便是优化问题。
近年来，学者们通过对深度神经网络不断的优化，使得深度学习模型取得了显著的进步。
其中，一些优化算法如AdaGrad、RMSProp、Adam、Nadam等不断被提出并得到了广泛应用。
此外，还有一些具有更强优化能力的策略如Orthogonal正交初始化、Dropout、Batch Normalization等被广泛应用。
二、深度学习在自然语言处理中的应用自然语言处理是人工智能领域中的重要方向之一。
随着深度学习技术的发展，深度学习在自然语言处理中的应用也取得了重要的进展，其中一些最新的研究进展主要包括以下几个方面：1. 语言模型语言模型是自然语言处理的基本问题之一。
近年来，基于深度学习技术的语言模型如RNN（循环神经网络）、LSTM（长短时记忆的循环神经网络）等不断涌现，并在许多自然语言处理的问题中取得了显著进展，例如文本分类、问答系统等。
2. 机器翻译机器翻译是一个颇为复杂的问题，其核心是将一种语言的文本自动转化为另一种语言的文本。
基于深度学习的机器翻译已经成为当今自然语言处理中的核心问题。
深度学习在机器翻译中的应用包括循环神经网络、卷积神经网络、Transformer等。
3. 文本摘要文本摘要是自然语言处理中重要的问题之一，其目标是自动地抽取并压缩输入的长文本内容，生成一个简洁的摘要。
在传统的文本摘要方法中，主要采用的是基于规则的方法或统计方法，而基于深度学习的自动化文本摘要方法受到了广泛关注。
深度学习在文本摘要中的应用包括循环神经网络、卷积神经网络等。
三、深度学习在图像处理中的应用在图像处理领域中，深度学习也已经成为了一种最常用的技术。
深度学习技术的最新研究动态
深度学习技术的最新研究动态在人工智能领域，深度学习无疑是近年来最受瞩目的明星。
随着计算能力的提升和大数据的积累，深度学习模型在图像识别、自然语言处理、医疗诊断等多个领域取得了显著的进展。
本文将探讨深度学习技术的一些最新研究动态，并分析其对相关领域的潜在影响。
语言模型的进化是深度学习领域的一个热点。
近年来，如BERT、GPT等模型通过大规模数据训练，展现了惊人的理解和生成能力。
基于这些模型，研究者正在探索更为复杂的多模态学习，尝试让机器不仅理解文本，还能处理图像、声音等多种信息。
例如，最新的研究试图将视觉信息与语言模型相结合，以实现更精确的图像标注或更生动的机器描述。
在强化学习领域，深度学习技术的结合使得智能体能够在复杂的环境下进行高效学习。
AlphaGo的成功仅仅是个开始，最新的研究正在将深度强化学习应用于自动驾驶、机器人操控等领域。
通过模拟人类大脑的奖励机制，智能体可以在不断的试错中学习到最优策略，这在提高自动化系统的适应性和鲁棒性方面显示出巨大潜力。
在神经网络结构方面，新型架构层出不穷。
为了解决深层网络训练困难的问题，一些研究提出了新的网络设计，如残差网络、稠密连接网络等。
这些结构通过改善梯度流动，使得上百层的网络训练成为可能。
此外，神经架构搜索这一领域也在快速发展，利用算法自动搜索最优的网络结构，极大地提高了模型设计的自动化水平。
深度学习在医疗领域的应用也日益广泛。
从疾病诊断到新药研发，深度学习技术正帮助科研人员突破传统方法的局限。
例如，通过深度学习分析医学影像，可以辅助医生更快地识别出肿瘤等病变；同时，利用深度学习对化合物数据库进行筛选，可以加速药物候选分子的发现过程。
深度学习技术的最新研究动态表明，无论是在模型架构、学习方法还是应用领域，该技术都在不断突破自我，展现出强大的生命力。
尽管存在诸如黑盒问题、数据依赖性强等挑战，但随着研究的深入，我们有理由相信深度学习将在不久的将来，为人类社会带来更多革命性的变革。
基于拓扑数据分析的深度学习算法研究
基于拓扑数据分析的深度学习算法研究进入了21世纪，新技术的出现不断挑战着人类的科技水平和智慧。
在无数优秀的科学家，工程师和数学家们的不懈努力下，人工智能技术在不断向前发展，越来越接近“超级智能”的水平。
其中深度学习算法作为人工智能研究的重要方向之一，更是在各个领域中具有举足轻重的地位。
本文将会从拓扑数据分析的角度出发，探讨一种基于拓扑数据分析的深度学习算法的研究进展。
一、什么是拓扑数据分析拓扑（Topology）是数学的一个分支，主要研究几何学中的形状，如点、线、面，以及它们的特征与变形等。
拓扑数据分析（TDA）是将拓扑学的思想和方法应用于大规模数据集，通过对数据集的形状进行分析，提取出其中的 topological signatures。
这些 topological signatures 可以用来描述数据集的特征和结构，因此拓扑数据分析已经被广泛应用于计算机视觉、生物医学、计算生物学和社会网络等领域。
二、深度学习算法的研究现状深度学习算法是一种人工神经网络（ANN）的形式，可以自动从数据中提取特征和模式，从而使计算机学习、推断和分类的过程变得更加高效。
这种算法已经在语音识别、图像处理、自然语言处理和机器翻译等领域中获得广泛的应用。
当前，深度学习算法的研究集中在如何应对神经网络在学习大量数据时出现的“过拟合”问题。
面对越来越复杂的数据集和越来越多的分类任务，深度学习算法需要更加智能的训练方式和更加灵活的结构设计，以达到更高的学习效率和更好的泛化能力。
三、基于拓扑数据分析的深度学习算法的研究进展拓扑数据分析的引入可以帮助深度学习算法更好地理解数据的形状和拓扑特征，这种方法被称为拓扑机器学习（Topological Machine Learning）。
拓扑机器学习可以将数据集中的点云转换成拓扑特征空间，然后利用深度学习算法在拓扑特征空间进行学习和分类。
拓扑机器学习具有如下优点：1. 对于大规模数据集，可以通过减少维数的方式，使得计算成本大大降低，同时减少了记忆和计算的复杂性。
基于深度学习的天气雷达回波外推的研究进展
基于深度学习的天气雷达回波外推的研究进展基于深度学习的天气雷达回波外推的研究进展天气雷达回波外推是天气预报中重要的技术支撑，通过分析天气雷达回波数据并预测未来的天气情况，可以帮助人们及时制定应对措施，减少灾害风险。
近年来，随着深度学习技术的迅猛发展，其在天气预报领域的应用也取得了显著的进展。
深度学习是一种通过模拟人脑神经网络结构和功能，实现机器自主学习和智能决策的技术。
在天气雷达回波外推中，深度学习可以通过大量的历史回波数据进行训练，并通过学习天气系统的特征和模式，预测未来的天气情况。
相比传统的统计方法和物理模型，深度学习可以更好地捕捉不同天气现象之间的复杂关系，提高天气预报的准确性和稳定性。
首先，深度学习在特征提取方面具有优势。
传统的天气雷达回波外推方法通常将回波数据转换为一些手工设计的特征，然后利用这些特征进行预测。
但是，这种方法需要针对不同的天气现象进行不同的特征设计，且难以捕捉到一些隐含的天气信息。
而深度学习可以通过多层的神经网络，自动地从原始的回波数据中学习到更具有区分性的特征，从而提高预测的准确性。
其次，深度学习可以处理非线性的关系。
天气系统中存在着多种天气现象，如降雨、冰雹、风暴等，它们之间的关系往往是非线性的。
传统的回归模型很难建立起这种复杂的非线性关系，而深度学习可以通过构建多个神经元之间的连接，并通过非线性激活函数来实现对非线性关系的建模。
这使得深度学习在处理复杂的天气回归问题上具有更好的表达能力。
另外，深度学习还可以处理多个尺度的信息。
天气现象通常在不同的空间和时间尺度上都有所体现，而深度学习可以通过卷积神经网络（CNN）和循环神经网络（RNN）等架构，同时考虑不同尺度的信息。
CNN可以捕捉到不同空间位置之间的关系，RNN可以捕捉到不同时间步之间的演变关系。
通过综合考虑不同尺度上的信息，深度学习可以提高回波外推的精度。
然而，深度学习在天气雷达回波外推中仍面临一些挑战。
首先是数据稀疏性问题。
- 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)。
ａ ｃ ｔ ｉ ｏ ｎ ｓ ｏ ｎ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｓ ｙ ｓ ｔ ｅ ｍｓ 。 ２ ０ １ ６ 。 １ １ （ ５ ） ： ５ ６ ７ － ５ ７ ７ ．
Ｐｒ ｏ ｇ ｒ ｅ ｓ ｓ ｒ ｅ ｐｏ ｒ ｔ ｏ ｎ ｎ ｅ ｗ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｉ ｎ ｄ ｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ
深 度 学 习 方 法 研 究 新 进 展
刘 帅师 ， 程曦， 郭文燕 ， 陈奇
（ 长春 工业大学 电气与 电子工程 学院， 吉林 长春 １ ３ ０ ０ ０ ０ ） 摘 要： 本文依据模 型结构 对深度学习进行 了归纳和总结 ， 描述 了不 同模 型的结构 和特点 。首 先介绍 了深 度学 习的
０ｃ ｔ ． ２ ０ １ ６
网络 出 版 地 址 ： ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｃ ｎ ｋ ｉ ． ｎ ｅ ｔ ／ ｋ ｅ ｍ ｓ ／ ｄ ｅ ｔ ａ ｉ ｌ ／ ２ ３ ． １ ５ ３ ８ ． Ｔ Ｐ ． ２ ０ １ ６ ０ ７ １ ５ ． １ ３ ５ ３ ． ０ ０ ２ ． ｈ ｔ ｍ ｌ
第１ １ 卷第 ５期
２ ０ １ ６年 １ ０月
Ｄ Ｏ Ｉ： １ ０． １ １ ９ ９２ ／ｔ ｉ ｓ ． ２ ０１ ５１ １ ０ ２８
智
能
系
统
学
报
Ｖｏｌ ＿ １１ № ． ５
ＣＡＭ Ｔ ｒ ａ ｎｓ ａ ｃ ｔ ｉ ｏ ｎ ｓ ｏ ｎ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ Ｓ ｙ ｓ ｔ ｅ ｍｓ
ｅ ｎ ｔ ｍｏ ｄ ｅ ｌ ｓ ．Ｔｈ ｅ ｐ ａ ｐ ｅ ｒ ｉｒ ｆ ｓ ｔ ｌ ｙ ｉ ｎ ｔ ｒ ｏ ｄ ｕｃ ｅ ｓ ｔ ｈｅ ｃ ｏ ｎ ｃ ｅ ｐ ｔ ａ ｎ ｄ ｓ ｉ ｇ ｎ ｉ ｉｃ ｆ ａ ｎ ｃ ｅ ｏ ｆ ｄ ｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ，ａ ｎ ｄ ｔ ｈ ｅ ｎ ｒ ｅ ｖ ｉ ｅ ｗｓ ｆ ｏ ｕ ｒ ｔ ｙ ｐ ｉ ｃ ａ ｌ
概念 及意义 ， 然后介 绍了 ４种典 型模 型 ： 卷积神经 网络 、 深度信念 网络 、 深度玻尔兹曼机和堆叠 自动编码器 ， 并 对近 ３
年深 度学习在语音处理 、 计 算机视觉 、 自然语 言处理 以及 医疗 应用 等方面 的应用 现状进行 介绍 ， 最后 对现有 深度学 习模 型进行了总结 ， 并且讨 论了未来所面临 的挑战 。
关键词 ： 深度 学习 ； 卷积神经 网络 ； 深度信念 网络 ； 深度玻尔兹曼机 ； 堆叠 自动编码器
中图分类号 ： Ｔ Ｐ１ ８ 文献标志码 ： Ａ 文章编号 ： １ ６ ７ ３ — ４ ７ ８ ５ （ ２ ０ １ ６ ） ０ ５ — ０ ５ ６ ７ — １ ０
中文引用格式 ： 刘帅师 ， 程曦 ， 郭文燕 。 等． 深度学 习方法研究新进展［ Ｊ］ ．智能系统 学报 ，２ ０ １ ６ 。ｌ １ （ ５ ） ：５ ６ ７ － ５ ７ ７ ． 英文引用格式 ： Ｌ Ｉ Ｕ Ｓ ｈ ｕ ａ ｉ ｓ ｈ ｉ 。 Ｃ ＨＥ ＮＧ Ｘ ｉ 。 ＧＵ Ｏ Ｗｅ ｎ ｙ ａ ｎ， ｅ ｔ ａ １ ． Ｐ ｒ ｏ ｇ ｒ ｅ ｓ ｓ ｒ ｅ ｐ ｏ ｒ ｔ ｏ ｎ ｎ ｅ ｗ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｉ ｎ ｄ ｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ［ Ｊ ］ ． Ｃ ＡＡ Ｉ ｔ ｒ ａ ｎ ｓ －
Ａｂｓ ｔ ｒ ａ ｃ ｔ： Ｄｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ｈ ａ ｓ ｒ ｅ ｃ ｅ ｎ ｔ ｌ ｙ ｒ ｅ ｃ ｅ ｉ ｖ ｅ ｄ ｗｉ ｄ ｅ ｓ ｐｒ ｅ ａ ｄ ａ ｔ ｔ ｅ ｎ ｔ ｉ ｏ ｎ．Ｕｓ ｉ ｎ ｇ ａ ｍｏ ｄ ｅ ｌ ｓ ｔ ｒ ｕｃ ｔ ｕ ｒ ｅ，ｔ ｈ ｉ ｓ ｐａ ｐ ｅ ｒ ｇ ｉ ｖ ｅ ｓ ａ
ｍｏ ｄ ｅ ｌ ｓ ：ａ ｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ；ｄ ｅ ｅ ｐ ｂ ｅ ｌ ｉ ｅ ｆ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ；ｔ ｈ ｅ ｄ ｅ ｅ ｐ Ｂｏ ｌ ｔ ｚ ｍａ ｎ ｎ ｍａ ｃ ｈ ｉ ｎ ｅ；ａ ｎ ｄ ａ ｎ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ
ｓ ｔ ａ ｃ ｋ ｉ ｎ ｇ ｅ ｎ ｃ ｏ ｄ ｅ ｒ ．Ｔｈ ｅ ｐ ａ ｐ ｅ ｒ ｔ ｈ ｅ ｎ ｃ ｏ ｎ ｃ ｌ ｕ ｄｅ ｓ ｂ ｙ ｒ ｅ ｖ ｉ ｅ ｗｉ ｎ ｇ ｔ ｈ ｅ ａ ｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｄｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ａ ｓ ｒ ｅ ｇ ａ ｒ ｄ ｓ ｓ ｐｅ ｅ ｃ ｈ ｐ ｒ ｏ ‘
Ｌ Ｉ Ｕ Ｓ ｈ ｕ ａ ｉ ｓ ｈ ｉ ， Ｃ Ｈ Ｅ Ｎ Ｇ Ｘ ｉ ， Ｇ Ｕ Ｏ Ｗｅ ｎ ｙ ａ ｎ ， Ｃ ＨＥ Ｎ Ｑ ｉ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｃ ｈ ａ ｎ ｇ ｃ ｈ ｕ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｃ ｈ ａ ｎ ｇ ｃ ｈ ｕ ｎ １ ３ ０ ０ ０ ０ ， Ｃ ｈ ｉ ｎ ａ ）