版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
第7章
循环(xúnhuán)网络主要内容Hopfield网络实现的自相联存储稳定性分析统计Hopfield网与Boltzmann机基本双联存储器(BAM)的结构(jiégòu)与训练几种相联存储网络用Hopfield网解决TSP问题。第一页,共七十三页。12/14/20221第7章
循环(xúnhuán)网络重点Hopfield网络实现的自相联存储基本双联存储器的结构与训练。难点(nádiǎn)稳定性分析用Hopfield网解决TSP问题
第二页,共七十三页。12/14/20222第7章
循环(xúnhuán)网络7.1循环网络的组织
7.2稳定性分析
7.3统计Hopfield网与Boltzmann机
7.4双联存储器的结构
7.5异相联存储
7.6其它(qítā)的双联存储器
7.7Hopfield网用于解决TSP问题
第三页,共七十三页。12/14/20223第7章
循环(xúnhuán)网络
循环(xúnhuán)网络称为Hopfield网
循环网络对输入信号的处理是一个逐渐“修复(xiūfù)”、“加强”的过程。强烈变化较弱的变化不变化第四页,共七十三页。12/14/202247.1循环网络(wǎngluò)的组织网络结构
X1Xno1om………………第五页,共七十三页。12/14/202257.1循环网络(wǎngluò)的组织联接:神经元之间都是互联的wij,每个神经元都没有到自身的联接wii=0。神经元个数h,输入(shūrù)向量维数n,输出向量维数m。h≥n,h≥m,n≥1,m≥1。神经元:输入、输出、隐藏状态变化:非同步、同步输入向量:X=(x1,x2,…,xn)输出向量:O=(o1,o2,…,om)
第六页,共七十三页。12/14/202267.1循环(xúnhuán)网络的组织神经元的网络(wǎngluò)输入:
阈值(yùzhí)函数:oj=1 ifnetj>θj0 ifnetj<θj
oj ifnetj=θj第七页,共七十三页。12/14/20227最基本(jīběn)的Hopfield网
o1ono2x2x1xnW……n=m=h 第八页,共七十三页。12/14/20228最基本(jīběn)的Hopfield网希望网络的联接(liánjiē)矩阵存放的是一组这样的样本,在联想过程中实现对信息的“修复”和“加强”,要求:它的输入向量和输出向量是相同的向量,即,X=Y
样本集:S={Y1,Y2,…,Ys}
第九页,共七十三页。12/14/20229最基本(jīběn)的Hopfield网
wii=0 1≤i≤nW是一个对角线元素为0的对称矩阵: W=Y1T╳Y1+Y2T╳Y2+…+YsT╳Ys-W0W是各个(gègè)样本向量自身的外积的和——网络实现的是自相联映射。
权矩阵(jǔzhèn):wij=i≠j第十页,共七十三页。12/14/202210最基本(jīběn)的Hopfield网第十一页,共七十三页。12/14/202211第十二页,共七十三页。12/14/202212由式7一3知,对任意(rènyì)的i和j(i≠j),所以(suǒyǐ),W是一个对角线元素为0的对称矩阵。与前面遇到过的训练方法不同,在这里是根据样本集直接地计算出网络的联接矩阵。显然,这种训练方法效率要高许多。另外,由于W是各个样本向量(xiàngliàng)自身的外积的和,所以,有时称该网络实现的是自相联映射。第十三页,共七十三页。12/14/202213最基本(jīběn)的Hopfield网激活函数: 改为S形函数后,系统就成为一个连续系统
多级循环网络 除输出向量被反馈到输入层外,其它各层之间的信号传送(chuánsònɡ)均执行如下规定:第i-1层神经元的输出经过第i个连接矩阵被送入第i层。 一般不考虑越层的信号传送、中间的信号反馈和同层的神经元之间进行信号的直接传送
第十四页,共七十三页。12/14/202214
网络的异步工作方式
网络的异步工作方式是一种串行方式。网络运行时每次只有一个神经元i按下式进行状态的调整计算(jìsuàn),其他神经元的状态均保持不变,即第十五页,共七十三页。12/14/202215神经元状态的调整次序可以按某种规定的次序进行(jìnxíng),也可以随机选定。每次神经元在调整状态时,根据其当前净输入值的正负决定下一时刻的状态,因此其状态可能会发生变化,也可能保持原状。下次调整其他神经元状态时,本次的调整结果即在下一个神经元的净输入中发挥作用。
网络的同步工作方式
网络的同步工作方式是一种并行方式,所有神经元同时调整状态,即xj(t+1)=sgn[netj(t)]j=1,2,…,n第十六页,共七十三页。12/14/2022167.2稳定性分析(fēnxī)
网络的稳定性是与收敛性不同的问题
Cohen和Grossberg[1983年]:Hopfield网络的稳定性定理
如果(rúguǒ)Hopfield网络的联接权矩阵是对角线为0的对称矩阵,则它是稳定的
用著名的Lyapunov函数作为Hopfield网络的能量函数
网络的稳定性与吸引子第十七页,共七十三页。12/14/202217反馈网络是一种能存储若干个预先(yùxiān)设置的稳定点(状态)的网络。运行时,当向该网络作用一个起原始推动作用的初始输入模式后,网络便将其输出反馈回来作为下次的输入。经若干次循环(迭代)之后,在网络结构满足一定条件的前提下,网络最终将会稳定在某一预先(yùxiān)设定的稳定点。设X(0)为网络的初始激活向量,它仅在初始瞬间t=0时作用于网络,起原始推动作用。X(0)移去之后,网络处于自激状态,即由反馈回来的向量X(1)作为下一次的输入取而代之。反馈网络作为非线性动力学系统,具有丰富的动态特性,如稳定性、有限环状态和混沌(chaos)状态等。
第十八页,共七十三页。12/14/202218
1.网络的稳定性
由网络工作状态的分析可知,DHNN网实质上是一个离散的非线性动力学系统(xìtǒng)。网络从初态X(0)开始,若能经有限次递归后,其状态不再发生变化,即X(t+1)=X(t),则称该网络是稳定的第十九页,共七十三页。12/14/202219如果网络是稳定的,它可以从任一初态收敛到一个(yīɡè)稳态,如图6.2(a)所示;若网络是不稳定的,由于DHNN网每个节点的状态只有1和-l两种情况,网络不可能出现无限发散的情况,而只可能出现限幅的自持振荡,这种网络称为有限环网络,图6.2(b)给出了它的相图。如果网络状态的轨迹在某个确定的范围内变迁,但既不重复也不停止,状态变化为无穷多个,轨迹也不发散到无穷远,这种现象称为混沌,其相图如图6.2(c)所示。对于DHNN网,由于网络的状态是有限的,因此不可能出现混沌现象。第二十页,共七十三页。12/14/202220网络的稳定性与下面将要介绍的能量函数密切相关,利用网络的能量函数可实现优化求解功能。网络的能量函数在网络状态(zhuàngtài)按一定规则变化时,能自动趋向能量的极小点。如果把一个待求解问题的目标函数以网络能量函数的形式表达出来,当能量函数趋于最小时,对应的网络状态(zhuàngtài)就是问题的最优解。网络的初态可视为问题的初始解,而网络从初态向稳态的收敛过程便是优化计算过程,这种寻优搜索是在网络演变过程中自动完成的。第二十一页,共七十三页。12/14/202221
2.吸引子与能量函数网络达到稳定时的状态X,称为网络的吸引子。一个动力学系统的最终行为是由它的吸引子决定的,吸引子的存在为信息的分布存储记忆和神经优化计算提供了基础(jīchǔ)。如果把吸引子视为问题的解,那么从初态朝吸引子演变的过程便是求解计算的过程。若把需记忆的样本信息存储于网络不同的吸引子,当输入含有部分记忆信息的样本时,网络的演变过程便是从部分信息寻找全部信息,即联想回忆的过程。
第二十二页,共七十三页。12/14/202222下面给出DHNN网吸引子的定义和定理。
定义7.1若网络的状态X满足X=f(WX—T),则称X为网络的吸引子。
能使网络稳定在同一吸引子的所有(suǒyǒu)初态的集合,称为该吸引子的吸引域。下面给出关于吸引域的两个定义。
定义7.2若Xa是吸引子,对于异步方式,若存在一个调整次序,使网络可以从状态X演变到Xa,则称X弱吸引到Xa;若对于任意调整次序,网络都可以从状态X演变到Xa,则称X强吸引到Xa。第二十三页,共七十三页。12/14/202223
定义7.3若对某些X,有X弱吸引到吸引子Xa,则称这些X的集合为Xa的弱吸引域;若对某些X,有X强吸引到吸引子Xa,则称这些X的集合为Xa的强吸引域。
欲使反馈网络(wǎngluò)具有联想能力,每个吸引子都应该具有一定的吸引域。只有这样,对于带有一定噪声或缺损的初始样本,网络(wǎngluò)才能经过动态演变而稳定到某一吸引子状态,从而实现正确联想。反馈网络(wǎngluò)设计的目的就是要使网络(wǎngluò)能落到期望的稳定点(问题的解)上,并且还要具有尽可能大的吸引域,以增强联想功能。
第二十四页,共七十三页。12/14/202224例6.2有一DHNN网,n=4,Tj=0,j=l,2,3,4,向量Xa、Xb和权值矩阵(jǔzhèn)W分别为检验Xa和Xb是否(shìfǒu)为网络的吸引子,并考察其是否(shìfǒu)具有联想记忆能力。第二十五页,共七十三页。12/14/202225解本例要求验证(yànzhèng)吸引子和检查吸引域,下面分两步进行。①检验吸引子
由吸引子定义第二十六页,共七十三页。12/14/202226所以Xa是网络的吸引子,因为Xb=-Xa,由吸引子的性质1知,Xb也是网络的吸引子。②考察联想记忆能力设有样本Xl=(-1,1,1,1)T、X2=(1,-1,-1,-1)T、X3=(1,1,-1,-1)T,试考察网络以异步方式工作时两个吸引子对3个样本的吸引能力。令网络初态X(0)=X1=(-1,1,1,1)T。设神经元状态(zhuàngtài)调整次序为1→2→3→4,有X(0)=(-1,1,1,1)T→X(1)=(1,1,1,1)T=Xa
可以看出该样本比较接近吸引子Xa,事实上只按异步方式调整了一步,样本X1即收敛于Xa。第二十七页,共七十三页。12/14/202227令网络(wǎngluò)初态X(0)=X2=(1,-1,-1,-1)T。设神经元状态调整次序为1→2→3→4,有X(0)=(1,-1,-1,-1)T→X(1)=(-1,-1,-1,-1)T=Xb
可以看出样本X2比较接近吸引子Xb,按异步方式调整一步后,样本X2收敛于Xb。令网络初态X(0)=X3=(1,1,-1,-1)T,它与两个吸引子的海明距离相等。若设神经元状态调整次序为1→2→3→4,有X(0)=(1,1,-1,-1)T→X(1)=(-1,1,-1,-1)T→X(2)=(-l,-1,-l,-1)T=Xb
第二十八页,共七十三页。12/14/202228若将神经元状态调整次序改为3→4→1→2,则有X(0)=(1,1,-1,-1)T→X(1)=(1,1,1,-1)T→X(2)=(1,1,l,1)T=Xa
从本例可以看出,当网络的异步调整次序一定时,最终稳定于哪个(nǎge)吸引子与其初态有关;而对于确定的初态,网络最终稳定于哪个(nǎge)吸引子与其异步调整次序有关。
第二十九页,共七十三页。12/14/202229
定理7.1对于DHNN网,若按异步方式调整网络状态,且连接权矩阵W为对称阵,则对于任意初态,网络都最终收敛到一个吸引子。下面通过对能量函数的分析(fēnxī)对定理7.1进行证明。
定义网络的能量函数为:第三十页,共七十三页。12/14/202230第三十一页,共七十三页。12/14/202231第三十二页,共七十三页。12/14/202232Lyapunov函数(hánshù)——能量函数作为(zuòwéi)网络的稳定性度量wijoioj:网络的一致性测度。xjoj:神经元的输入和输出的一致性测度。θjoj:神经元自身的稳定性的测度。
第三十三页,共七十三页。12/14/202233当ANk的状态(zhuàngtài)从ok变成ok′1、ANk是输入(shūrù)神经元
第三十四页,共七十三页。12/14/202234当ANk的状态(zhuàngtài)从ok变成ok′wkk=0第三十五页,共七十三页。12/14/202235ΔΕ=-(netk-θk)ΔokANk状态(zhuàngtài)的变化:Δok=(ok′-ok)Δok=0,ΔΕ=0Δok>0,ok′=1&ok=0,ok由0变到1,netk>θk,netk-θk>0所以(suǒyǐ),-(netk-θk)Δok<0故ΔΕ<0结论:网络的目标函数总是(zǒnɡshì)下降Δok<0,ok′=0&ok=1,ok由1变到0netk<θk,netk-θk<0-(netk-θk)Δok<0故ΔΕ<0第三十六页,共七十三页。12/14/202236当ANk的状态(zhuàngtài)从ok变成ok′2、ANk不是(bùshi)输入神经元
第三十七页,共七十三页。12/14/202237当ANk的状态(zhuàngtài)从ok变成ok′无论ANk的状态(zhuàngtài)是如何变化的,总有ΔΕ≤0
第三十八页,共七十三页。12/14/2022387.3统计(tǒngjì)Hopfield网与Boltzmann机统计(tǒngjì)Hopfield网
在网络运行中,神经元状态与“人工温度”确定的概率相关网络运行模拟金属退火过程pi:ANi的状态取1的概率neti:ANi所获网络输入(shūrù);θi:ANi的阈值;T:系统的人工温度。
第三十九页,共七十三页。12/14/202239算法(suànfǎ)7-1统计Hopfield网运行算法(suànfǎ)
1
取一个很大的值作为人工温度T的初值;2
对网络中每一个神经元ANi,2.1
按照相应式子计算相应的概率pi;2.2
按照均匀分布,在[0,1]中取一个随机数r;2.3
如果pi>r则使ANi的状态为1, 否则使ANi的状态为0;3逐渐降低温度T,如果温度足够低,则算法(suànfǎ)结束。否则,重复2
第四十页,共七十三页。12/14/202240Boltzmann机的训练(xùnliàn)
Boltzmann机是多级循环网络,是Hopfield网的一种扩展。神经元ANi实际输出(shūchū)状态oi=1的概率为:
T趋近于0时,神经元的状态(zhuàngtài)不再具有随机性,Boltzmann机退化成一般Hopfield网。第四十一页,共七十三页。12/14/202241Boltzmann机的训练(xùnliàn)
第四十二页,共七十三页。12/14/202242Boltzmann机的训练(xùnliàn)
第四十三页,共七十三页。12/14/202243Boltzmann机的训练(xùnliàn)
Boltzmann机是多级循环(xúnhuán)网络,是Hopfield网的一种扩展。神经元ANi网络输入为:
T趋近于0时,神经元的状态不再具有(jùyǒu)随机性,Boltzmann机退化成一般Hopfield网。第四十四页,共七十三页。12/14/202244Boltzmann机的训练(xùnliàn)
神经元ANi实际输出状态(zhuàngtài)oi=1的概率为神经元ANi实际输出(shūchū)状态oi=0的概率为显然越大,则oi取1的概率越大第四十五页,共七十三页。12/14/202245Boltzmann机的训练(xùnliàn)神经元ANi在运行(yùnxíng)中状态发生了变化
Boltzmann机的能量(néngliàng)函数(一致性函数)第四十六页,共七十三页。12/14/202246Boltzmann机的训练(xùnliàn)如果ΔΕi>0,神经元ANi处于状态(zhuàngtài)1的概率就应该越大,否则,神经元ANi处于状态0的概就应该越大。ΔΕi的值越大,神经元ANi应该处于状态1的概率就应该越大。反之,ΔΕi的值越小,神经元ANi应该处于状态1的概率就应该越小。从而,oi=1的概率为:
第四十七页,共七十三页。12/14/202247Boltzmann机的训练(xùnliàn)处于状态a,b的概率(gàilǜ)Pa和Pb,对应于oi=1和oi=0,其它的神经元在a,b状态下不变
Pa=γpi
Pb=γ(1-pi)
当系统的温度较低时,如果Ea<Eb,则Pa>Pb:网络处于较低能量(néngliàng)状态的概率较大
第四十八页,共七十三页。12/14/202248Boltzmann机的训练(xùnliàn)网络进行足够多次迭代后,处于某状态的概率与此状态下的能量和此时系统的温度有关。由于高温(gāowēn)时网络的各个状态出现的概率基本相同,这就给它逃离局部极小点提供了机会。第四十九页,共七十三页。12/14/202249Boltzmann机的训练(xùnliàn)1986年,Hinton和Sejnowski训练方法自由概率(gàilǜ)Pij-:没有输入时ANi和ANj同时处于激发状态的概率。约束概率Pij+:加上输入后ANi和ANj同时处于激发状态的概率。联接权修改量:Δwij=α(Pij+-Pij-)
第五十页,共七十三页。12/14/202250算法(suànfǎ)7-2Boltzmann机训练算法(suànfǎ)
1
计算约束概率1.1对样本(yàngběn)集中每个样本(yàngběn),执行如下操作:1.1.1将样本加在网络上(输入向量及其对应的输出向量);1.1.2让网络寻找平衡;1.1.3记录下所有神经元的状态;1.2计算对所有的样本,ANi和ANj的状态同时为1的概率Pij+;第五十一页,共七十三页。12/14/202251算法(suànfǎ)7-2Boltzmann机训练算法(suànfǎ)
2
计算自由概率2.1从一个随机状态开始,不加输入、输出,让网络自由运行,并且在运行过程中多次纪录网络的状态;2.2对所有(suǒyǒu)的ANi和ANj,计算它们的状态同时为1的概率Pij-;3
对权矩阵进行调整Δwij=α(Pij+-Pij-)第五十二页,共七十三页。12/14/2022527.7Hopfield网解决(jiějué)TSP问题1985年,J.J.Hopfield和D.W.Tank用循环(xúnhuán)网求解TSP。试验表明,当城市的个数不超过30时,多可以给出最优解的近似解。而当城市的个数超过30时,最终的结果就不太理想了
设问题中含有n个城市,用n*n个神经元构成网络
第五十三页,共七十三页。12/14/202253
应用CHNN网解决优化计算问题用CHNN网解决优化问题一般需要以下几个步骤:(1)对于特定的问题,要选择一种合适的表示方法,使得神经网络的输出与问题的解相对应;(2)构造网络能量函数,使其最小值对应于问题的最佳解;(3)将能量函数与Lyapunov函数标准形式进行比较,可推出神经网络的权值与偏流的表达式,从而确定了网络的结构;
(4)由网络结构建立网络的电子线路并运行,其稳态就是在一定条件(tiáojiàn)下的问题优化解。也可以编程模拟网络的运行方式,在计算机上实现。
第五十四页,共七十三页。12/14/202254
TSP问题是一个经典的人工智能难题。对n个城市而言,可能(kěnéng)的路径总数为n!/2n。随着n的增加,路径数将按指数率急剧增长,即所谓“指数爆炸”。当n值较大时,用传统的数字计算机也无法在有限时间内寻得答案。例如,n=50时,即使用每秒1亿次运算速度的巨型计算机按穷举搜索法,也需要5×1048年时间。即使是n=20个城市,也需求解350年。
1985年Hopfield和Tank两人用CHNN网络为解决TSP难题开辟了一条崭新的途径,获得了巨大的成功。第五十五页,共七十三页。12/14/202255其基本思想是把TSP问题映射到CHNN网络中去,并设法用网络能量(néngliàng)代表路径总长。这样,当网络的能量(néngliàng)随着模拟电子线路状态的变迁,最终收敛于极小值(或最小值)时,问题的较佳解(或最佳解)便随之求得。此外,由于模拟电子线路中的全部元件都是并行工作的,所以求解时间与城市数的多少无关,仅是运算放大器工作所需的微秒级时间,显著地提高了求解速度,充分展示了神经网络的巨大优越性。
第五十六页,共七十三页。12/14/2022561.TSP问题描述为使CHNN网络完成优化计算,必须找到一种合适的表示旅行路线的方法。鉴于TSP的解是n个城市的有序排列,因此可用一个由n×n个神经元构成的矩阵(称为换位阵)来描述旅行路线。图7.5给出8城市TSP问题中的一条可能(kěnéng)的有效路线的换位阵。
第五十七页,共七十三页。12/14/202257
TSP问题描述
为使CHNN网络完成优化计算,必须(bìxū)找到一种合适的表示旅行路线的方法。鉴于TSP的解是n个城市的有序排列,因此可用一个由n×n个神经元构成的矩阵(称为换位阵)来描述旅行路线。图给出8城市TSP问题中的一条可能的有效路线的换位阵。
第五十八页,共七十三页。12/14/202258由于每个城市仅能访问一次,因此换位阵中每城市行只允许且必须有一个1,其余元素均为0。为了用神经元的状态表示某城市在某一有效(yǒuxiào)路线中的位置,采用双下标Yxi,第一个下标x表示城市名,χ=1,2,…,n;第二个下标i表示该城市在访问路线中的位置,i=1,2,…,n。例如,Y46=1表示旅途中第6站应访问城市4;若Y46=0则表示第6站访问的不是城市4,而是其他某个城市。图7.8中的换位阵所表示的旅行路线为:4→2→5→8→1→3→7→6→4,旅行路线总长为d42+d25+d58+d81+d13+d37+d76+d64。第五十九页,共七十三页。12/14/2022597.7Hopfield网解决(jiějué)TSP问题dxy——城市X与城市Y之间的距离(jùlí);vxi——城市X的第i个神经元的状态:
1 城市X在第i个被访问 vxi= 0 城市X不在第i个被访问wxi,yj——城市X的第i个神经元到城市Y的第j个神经元的连接权。
第六十页,共七十三页。12/14/2022607.7Hopfield网用于解决(jiějué)TSP问题例如(lìrú):四个城市X、Y、Z、W城市名访问顺序标示1234X0100Y0001Z1000W0010第六十一页,共七十三页。12/14/202261能量函数设计
用CHNN求解TSP问题的关键是构造一个合适的能量函数。TSP问题的能量函数由4部分组成:(1)能量E1———城市行约束当每个城市行中的1不多于一个时,应有第x行的全部(quánbù)元素vxi按顺序两两相乘之和为0,即从而全部(quánbù)n行的所有元素按顺序两两相乘之和也应为零,即=0
第六十二页,共七十三页。12/14/202262按此约束(yuēshù)可定义能量E1为式中A为正常数。显然,当E1=0时可保证对每个城市访问的次数(cìshù)不超过一次。(2)能量E2———位置列约束同理,当每个位置列中的1不多于一个时,应有第i列的全部元素vxi按顺序两两相乘之和为0,即因此,全部n列的所有元素按顺序(shùnxù)两两相乘之和也应为零,即=0第六十三页,共七十三页。12/14/202263按此约束(yuēshù)可定义能量E2为式中B为正常数。显然(xiǎnrán),当E2=0时就能确保每次访问的城市数不超过一个。(3)能量E3—换位阵全局约束E1=0和E2=0只是换位阵有效的必要条件,但不是充分条件。容易看出,当换位阵中各元素均为“0”时,也能满足El=0和E2=0,但这显然是无效的。因此,还需引入第三个约束条件——全局约束条件,以确保换位阵中1的数目等于城市数n,即第六十四页,共七十三页。12/14/202264因此(yīncǐ)定义能量E为式中C为正常数。则E3=0可保证换位阵中1的数目正好(zhènghǎo)等于n。第六十五页,共七十三页。12/14/202265
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 湘教版科学一年级上册全册教案
- 期末考试(试题)统编版道德与法治三年级上册
- 音乐造飞机课件
- 【+高+中语文】《以工匠精神雕琢时代品质》课件+++统编版高中语文必修上册
- 商业露台出租合同模板
- 银行个人还款合同模板
- 劳务合同与施工合同模板
- 装修协议合同模板模板
- 房屋尾款合同模板
- 销售折让协议合同模板
- 完整版住宅小区室外配套监理细则
- 导游专业职业生涯规划书
- 2020年牛津译林版9A英语九年级上册Unit3-4-单元测试题(含答案)
- 科研伦理与学术规范期末考试
- 2023年体育单招数学真题及答案
- 《品牌视觉设计》课程标准(包含课程思政元素)
- 奢侈品管理概论第7章中国奢侈品市场概论
- 篮球赛参赛安全应急预案
- 厨房设备操作与维护
- 七年级(上)道法-重点知识点归纳
- 沪科版八年级数学(上)期中考试基础知识总结
评论
0/150
提交评论