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
19/23音频流中的负面情感识别第一部分负面情感识别技术概述 2第二部分音频流中负面情感特征提取方法 4第三部分情感特征建模与识别算法 7第四部分音频流负面情感识别挑战 9第五部分识别准确性评价指标 11第六部分负面情感识别应用场景 15第七部分负面情感识别伦理考量 17第八部分未来研究方向与技术趋势 19
第一部分负面情感识别技术概述关键词关键要点主题名称:情感特征提取
1.负面情感识别技术通常通过提取特征向量来识别音频流中的情感。
2.提取的特征可以反映音频流的声学、频谱和节奏特征,能够捕捉说话者语气、语调和语音的差异。
3.常用的特征提取方法包括梅尔频率倒谱系数(MFCC)、线性预测码(LPC)和关键点提取。
主题名称:机器学习模型
负面情感识别技术概述
介绍
负面情感识别技术是指从音频流中识别负面情感状态的过程,例如悲伤、愤怒、恐惧和厌恶。该技术利用音频特征来分析人类语音模式,从而区分不同类型的情绪。
方法
负面情感识别技术通常基于机器学习或深度学习算法。这些算法通过训练大量标记的音频数据来识别负面情感模式。常用的方法包括:
*支持向量机(SVM):一种分类算法,可将数据点分隔到不同类别中。
*决策树:一种树形结构,根据一组规则对数据进行分类。
*卷积神经网络(CNN):一种深度学习算法,专门用于处理网格状数据,例如音频频谱。
*循环神经网络(RNN):一种深度学习算法,能够处理序列数据,例如语音信号。
特征提取
负面情感识别技术从音频流中提取各种特征,包括:
*音高:声音的频率范围。
*响度:声音的音量。
*音调:声音的语调。
*能量:声音中能量的量度。
*频谱:声音中频率分布的表示。
算法训练
负面情感识别算法需要使用标记的音频数据进行训练。该数据通常由训练人员或专业情感分析人员标注为不同的情感类别。算法根据这些标记学习区分不同情感模式。
评估
负面情感识别技术的性能通常使用以下指标进行评估:
*准确性:算法正确分类情感的百分比。
*召回率:算法识别特定情感类的能力。
*F1-分数:准确性和召回率的综合度量。
应用
负面情感识别技术在各个领域都有应用,包括:
*客户体验:识别呼叫中心通话中的客户情绪,以改善服务。
*医疗保健:检测患者语音中的抑郁或焦虑症状。
*教育:监控学生的参与度和理解力。
*娱乐:分析电影、电视节目和其他媒体中的情感反应。
*安全:识别威胁性语音模式,例如愤怒或恐吓。
未来的发展方向
负面情感识别技术正在不断发展,涌现出新的技术和方法。未来发展方向包括:
*更准确的算法:随着机器学习技术的进步,识别负面情感的算法预计会变得更加准确和可靠。
*多模态识别:将音频特征与视频、文本或其他模态的数据结合起来,可以提高情感识别的准确性。
*实时识别:开发能够在实时音频流中识别负面情感的技术,在客户互动和安全场景中至关重要。
*跨文化适应:创建能够跨文化识别负面情感的算法,以应对文化差异。第二部分音频流中负面情感特征提取方法关键词关键要点主题名称:言语分析
1.分析语音信号的声学特性,如音调、响度、节奏等,以识别说话者的情感状态。
2.利用深度学习模型,将声学特征映射到情感标签,提高特征提取的准确性。
3.考虑上下文信息,如对话内容和说话者的交互行为,以增强情感识别。
主题名称:声纹学特征分析
音频流中负面情感特征提取方法
在音频信号中提取负面情感特征对于情感分析任务至关重要,例如情感分类和情绪识别。本文介绍了基于声学特征、语音特征和韵律特征的音频流中负面情感特征提取的常用方法。
声学特征
声学特征描述音频信号的物理性质,包括:
*MFCC(梅尔频率倒谱系数):反映人类听觉系统的感知,常用于识别语音和情感。
*能量:音频信号的总体音量,与情感强度相关。
*零交叉率:信号中零值穿越的次数,与语音速率和情绪激动程度相关。
*基音频率(F0):语音中最低的频率分量,与说话者的性别、年龄和情绪状态相关。
*光谱重心:音频信号中能量集中区域的频率位置,与情感强度和唤醒程度相关。
语音特征
语音特征描述语音信号中的特定特征,包括:
*Prosody(韵律):语音中的语调、时域和强度变化,与情感表达紧密相关。
*能量分布:语音信号中能量在不同频率范围内的分布,与情感强度和唤醒程度相关。
*共振峰频率(F1、F2):共振腔增强特定频率范围的现象,与元音质量和情感表达相关。
*语音速率:言语的说话速度,与情感激动程度相关。
*语音清晰度:语音信号的清晰程度,与说话者的情绪状态和认知功能相关。
韵律特征
韵律特征描述语言流的韵律模式,包括:
*语调:语音的音高变化,与情感强度和唤醒程度相关。
*音长:元音发音的持续时间,与情感强度和言语流畅度相关。
*停顿:语音中的停顿和沉默,与情感强度和表达性相关。
*节拍:语音中重音音节的模式,与情感强度和唤醒程度相关。
*音高变化率:语调变化的速度,与情感强度和说话者的情绪状态相关。
特征提取方法
从音频信号中提取这些特征可以使用以下方法:
*时域分析:直接从原始波形计算特征,例如能量、零交叉率和语音速率。
*频域分析:通过傅里叶变换将信号转换为频域,然后计算特征,例如MFCC和光谱重心。
*参数化:使用统计模型或机器学习算法从信号中提取特征,例如共振峰频率和音高变化率。
*深度学习:使用卷积神经网络(CNN)或循环神经网络(RNN)提取复杂特征,例如韵律特征和情感强度。
通过结合这些特征提取方法,可以从音频流中提取丰富的负面情感特征集。然后,这些特征可以用于训练机器学习模型进行情感分类和情绪识别任务。第三部分情感特征建模与识别算法关键词关键要点面向任务的情感特征提取
1.利用特定任务背景知识,设计任务相关的特征提取器,有效捕捉与目标情感相关的关键信息。
2.采用深度学习技术,构建神经网络模型,从音频数据中自动学习高阶语义特征,增强情感表达的辨识度。
3.通过引入注意力机制,重点关注音频中能反映情感的变化的时频区域,提高特征提取的精细性。
多模态特征融合
1.结合音频、文本、视觉等多个模态的信息,丰富情感表达的维度,增强对情感状态的全面理解。
2.探索模态间的互补性和冗余性,通过特征融合技术去除噪声和提高信噪比,提升情感识别的鲁棒性。
3.采用多模态注意力机制,自动学习不同模态特征的权重,动态调整融合过程,优化情感识别效果。情感特征建模与识别算法
1.特征提取
*低级特征:提取音频流中低层次的声学特性,如响度、基频、谐波等。
*中级特征:在低级特征的基础上,提取更复杂的特征,如梅尔倒谱系数、线性预测系数等。
*高级特征:通过对中级特征进行进一步处理,提取语义级别的情感特征,如欣喜、悲伤、愤怒等。
2.特征建模
*统计模型:基于概率论和统计学构建模型,例如高斯混合模型、隐马尔可夫模型等。
*机器学习模型:使用监督或非监督学习算法,从训练数据中学习情感特征与音频流之间的关系,例如支持向量机、决策树、神经网络等。
*深度学习模型:利用卷积神经网络、循环神经网络等深度学习模型,捕捉音频流中的复杂情感模式。
3.情感识别算法
*回归算法:预测音频流中某个特定情感维度的强度,例如兴奋度、愉悦度等。
*聚类算法:将音频流中的情感特征聚类成不同的情感组,以探索情感的潜在结构。
4.识别流程
典型的情感识别流程如下:
1.预处理:对音频流进行预处理,去除噪声和无关特征。
2.特征提取:使用上述方法提取音频流中的情感特征。
3.特征建模:构建情感特征模型,捕捉特征与情感之间的关系。
4.情感识别:根据训练好的模型,识别音频流中表达的情感。
5.后处理:对识别结果进行后处理,例如融合来自其他模态(例如视频)的信息,提高识别准确性。
5.评价指标
评估情感识别算法的常用指标包括:
*准确率:正确识别的样本数量与总样本数量的比值。
*召回率:实际属于特定情感类别的样本中被正确识别的样本数量与该情感类别所有样本数量的比值。
*F1-score:准确率和召回率的调和平均值。
*均方根误差:对于回归算法,衡量预测情感强度与实际强度之间的差异。第四部分音频流负面情感识别挑战关键词关键要点主题名称:数据稀缺性
1.音频情感数据集规模有限,尤其缺少代表性不足人群和情绪状态的数据,导致模型泛化能力差。
2.收集和注释情感音频数据耗时且昂贵,阻碍了数据集的进一步发展。
3.模型在处理真实世界数据时可能无法识别稀有或细微的情感,导致识别准确度下降。
主题名称:声学特征提取的挑战
音频流负面情感识别挑战
在音频流中识别负面情感是一项极具挑战性的任务,原因有以下几个方面:
#1.音频数据的复杂性
*音频信号本质上是时变且复杂的多模态数据流,包含语言、非语言和环境声音元素。
*负面情感的表达方式多种多样,从微妙的语调变化到强烈的哭声或尖叫声。
#2.背景噪声和干扰
*音频流经常受到背景噪声、杂音和干扰的影响,这些因素会掩盖情感表达的细微差别。
*在嘈杂的环境或多个人说话的情况下,识别负面情感尤其困难。
#3.语境依赖性
*音频流中的情感表达通常高度依赖于上下文,例如谈话的主题、说话者的意图以及社交环境。
*仅仅基于音频数据本身可能无法准确地推断出情感。
#4.音频流的动态特性
*音频流是动态的,情感状态可能会随着时间的推移而迅速变化。
*识别器必须能够检测到这些动态变化并准确地跟踪情感。
#5.数据限制和标注挑战
*用于训练情感识别模型的音频数据集往往很小且不平衡,这使得模型难以有效地学习负面情感的模式。
*标注音频数据以表示负面情感是一项耗时且主观的任务,这增加了收集高质量数据集的难度。
#6.跨文化差异
*负面情感的表达方式因文化而异。
*识别器必须能够适应不同的文化背景,识别跨文化的负面情感模式。
#7.技术限制
*实时音频流处理对计算资源有很高的要求,这可能会限制识别器的性能。
*模型设计必须考虑计算效率和识别准确性之间的权衡。
#8.隐私问题
*识别音频流中的负面情感可能会引起隐私问题,因为这种技术可以用于监视和情绪分析。
*必须制定适当的措施来保护用户隐私。
#克服这些挑战的策略
尽管存在这些挑战,研究人员正在开发克服这些困难并提高音频流中负面情感识别准确性的策略。这些策略包括:
*利用多模态数据,例如视频和文字转录本,以提供额外的上下文信息。
*开发稳健的音频处理技术,以减轻噪声和干扰的影响。
*探索基于深度学习的机器学习模型,这些模型能够从大量数据中学习复杂的情感模式。
*创建更多样化和平衡的训练数据集,以改善模型的泛化能力。
*采用主动学习方法,迭代式地收集标注数据以提高准确性。
*考虑跨文化差异,并开发适用于不同文化背景的识别器。
*探索隐私增强技术,例如差分隐私和联邦学习,以保护用户数据。第五部分识别准确性评价指标关键词关键要点混淆矩阵
*混淆矩阵是一个表格,显示了预测模型对于每个真实类别实际预测的类别数量。
*混淆矩阵可以用来计算准确度、精度、召回率和F1分数等指标。
*混淆矩阵可以帮助识别模型的优势和劣势,以便进行改进。
准确度
*准确度是预测模型对所有样本正确分类的比例。
*准确度是一个直观的指标,但对于类别不平衡的数据集可能具有误导性。
*高准确度并不一定意味着模型在识别负面情感方面表现良好。
精度
*精度是预测模型对于预测为特定类别的样本,实际属于该类别的比例。
*精度对于评估模型识别特定类别(例如负面情感)的能力非常重要。
*低精度可能表明模型容易将负面情感误分类为其他类别。
召回率
*召回率是预测模型对于属于特定类别的样本,实际预测为该类别的比例。
*召回率对于评估模型捕获所有属于特定类别(例如负面情感)的样本的能力非常重要。
*低召回率可能表明模型容易错失负面情感样本。
F1分数
*F1分数是精度和召回率的加权平均值。
*F1分数是一个综合指标,考虑了模型在识别负面情感时的准确性和完备性。
*高F1分数表明模型在识别负面情感方面表现良好。
ROC曲线
*ROC曲线显示了预测模型在不同阈值下的真实正例率和假正例率。
*ROC曲线可以用来评估模型识别负面情感的能力,特别是对于类别不平衡的数据集。
*高ROCAUC值表明模型在识别负面情感时具有较好的区分能力。识别准确性评价指标
在音频流中识别负面情感的准确性至关重要,各种指标可用于评估算法的性能。
基于混淆矩阵的指标
混淆矩阵是一种表格,展示了预测值和真实值之间的对应关系。它包含以下指标:
*真实正例(TP):负面情感预测为负面情感且真实为负面情感。
*假正例(FP):负面情感预测为负面情感但真实为正面情感。
*假负例(FN):负面情感预测为正面情感但真实为负面情感。
*真实负例(TN):负面情感预测为正面情感且真实为正面情感。
准确率(Accuracy):
```
准确率=(TP+TN)/(TP+TN+FP+FN)
```
准确率衡量算法预测正确样本的比例。
召回率(Recall):
```
召回率=TP/(TP+FN)
```
召回率衡量算法识别所有实际负面情感样本的比例。
精确率(Precision):
```
精确率=TP/(TP+FP)
```
精确率衡量算法预测的负面情感样本中实际为负面情感的比例。
F1值:
F1值是精确率和召回率的调和平均值,综合考虑了这两个指标:
```
F1值=2*精确率*召回率/(精确率+召回率)
```
基于ROC曲线的指标
ROC曲线(接收者操作特征曲线)绘制真阳率(TPR)与假阳率(FPR)之间的关系。
*TPR(敏感性):类似于召回率,衡量算法识别所有实际负面情感样本的比例。
*FPR(1-特异性):衡量算法错误地将正面情感样本识别为负面情感样本的比例。
曲线下面积(AUC):
AUC是ROC曲线下面积,表示算法区分实际负面情感样本和正面情感样本的能力。AUC值越高,算法的识别能力越好。
阈值独立指标
这些指标不受特定阈值的限制,可全面评估算法的性能。
*马修斯相关系数(MCC):
```
MCC=(TP*TN-FP*FN)/sqrt((TP+FP)*(TP+FN)*(TN+FP)*(TN+FN))
```
MCC介于-1到+1之间,值越高表示算法性能越好。
*梅兹指标(MZ):
```
MZ=(TP*TN-FP*FN)/(TP*TN+FP*FN)
```
MZ介于0到1之间,值越高表示算法性能越好。
此外,可以使用加权平均值、几何平均值或宏平均值等其他统计工具来汇总多个指标的结果。指标的选择应基于研究目的和数据集特征。第六部分负面情感识别应用场景关键词关键要点【医疗诊断】
1.通过分析患者语音样本中负面情绪特征,识别抑郁症、焦虑症和创伤后应激障碍等精神疾病。
2.辅助临床医生对患者进行心理评估,提高诊断的准确性和早期发现。
3.提供客观的证据,支持治疗决策,并监测患者在治疗过程中的情绪变化。
【客服体验分析】
负面情感识别应用场景
1.客户体验管理
*识别客户服务通话中的负面情绪,以便企业及时采取措施解决问题,提高客户满意度。
*分析客户反馈中的负面情感,为产品和服务改进提供洞见。
2.员工敬业度分析
*通过识别员工沟通中的负面情绪,了解员工的敬业度水平。
*及时发现和解决员工不满意或倦怠情绪,提高员工保留率和工作效率。
3.市场研究和品牌监测
*分析社交媒体、在线评论和广告活动中对品牌或产品的负面情感。
*了解消费者的负面情绪来源,并调整营销策略以应对和改善品牌形象。
4.欺诈检测
*识别电话或在线交易中的负面情绪,帮助检测可疑活动或欺诈行为。
*通过标记欺诈性交易,保护企业免受经济损失和信誉损害。
5.医疗保健
*通过识别患者语音或文本中的负面情绪,筛查抑郁症、焦虑症和其他心理健康问题。
*改善患者体验,并为更有效的治疗提供信息。
6.自动化客户服务
*在聊天机器人或虚拟助手交互中识别负面情绪,提供个性化的支持和情绪调节策略。
*改善客户交互体验,并减少对人工客服的依赖。
7.情感计算
*为机器人、智能家居助手和其他设备开发情感识别功能。
*增强技术与人类的情感互动,创造更自然和直观的交互体验。
8.教育
*分析学生在课堂讨论或在线作业中的负面情绪,了解他们的参与度和理解度。
*个性化教学方法,并为需要额外支持的学生提供帮助。
9.执法
*识别犯罪嫌疑人或受害者语音或文本中的负面情绪,协助调查和预防犯罪。
*通过提供情感线索,提高执法的效率和准确性。
数据
*根据哈佛商学院的研究,负面评论对客户购买决策的影响是正面评论的10倍。
*根据盖洛普的数据,员工敬业度与客户满意度、生产力和盈利能力之间存在高度相关性。
*据普华永道报告显示,欺诈检测中负面情感识别技术可将损失减少高达50%。第七部分负面情感识别伦理考量负面情感识别伦理考量
音频流中的负面情感识别引发了一系列伦理问题,涉及隐私、自主权、公平性和透明度。
隐私侵犯
负面情感识别系统需要访问音频数据,其中可能包含敏感个人信息,例如情绪、心理健康状况和社会行为。未经明确同意收集和使用此类数据构成隐私侵犯。
自主权受损
情感识别系统可能会导致个人自主权受损。它们可以跟踪和监测情感状态,这可能会给人一种受到监视和控制的感觉。此外,该技术可能会被用来操纵或影响情绪,从而损害个人自主决策的能力。
公平性偏见
情感识别算法可能存在偏见,造成某些人群被错误分类或低估的风险。这些偏见可能基于种族、性别、年龄或其他受保护特征。这会加剧现有不平等,并使弱势群体面临歧视和不公平待遇的风险。
透明度不足
情感识别系统通常是复杂且不透明的。个人可能无法完全了解这些系统如何分析和解释他们的情感,这可能会导致不信任和不确定性。透明度不足还会妨碍个人做出明智的决定,例如是否同意使用该技术。
潜在的滥用
负面情感识别技术可能会被滥用,造成严重后果。例如,它可能被用来识别和针对具有负面情绪的人,例如患有抑郁症或焦虑症的人。这可能会导致歧视、社会孤立和情感痛苦。
缓解措施
为了应对这些伦理考量,至关重要的是实施缓解措施,包括:
*明确同意:需要在收集和使用音频数据之前获得个人的明确同意。
*数据最小化:仅收集和使用识别所需的数据。
*算法透明度:公开情感识别算法的详细信息,使个人能够了解该技术的运作方式。
*偏见缓解:识别和解决算法中的偏见,以确保公平的评估。
*持续监督:对情感识别系统的使用进行持续监督,以识别和解决任何潜在问题。
结论
音频流中的负面情感识别是一项强大的技术,具有改善理解和支持人类情感的潜力。然而,至关重要的是要意识到并解决与之相关的伦理考量。通过实施强有力的隐私保护措施、确保自主权、消除偏见并促进透明度,我们可以利用这项技术的好处,同时最大程度地减少潜在风险。第八部分未来研究方向与技术趋势关键词关键要点基于多模态数据的情绪识别
1.探索利用多个传感模式(例如,音频、视觉、文本)来捕捉和理解音频流中的情感线索。
2.开发多模态学习模型,融合不同模式的信息,以增强情感识别性能。
3.研究多模态数据的同步性和时间关联性,以提高情感识别的鲁棒性。
可解释性情感识别模型
1.开发可解释性的情感识别模型,能够提供对情感预测原因的见解。
2.利用注意力机制或因果推理技术,揭示不同音频特征与情感状态之间的关系。
3.探索将可解释性技术纳入模型训练和评估过程中,以提升可信度和用户接受度。
主动学习和持续适应
1.采用主动学习范式,根据模型的不确定性选择最具信息性的样本进行标注,以提高数据效率。
2.开发持续适应的模型,能够随着时间推移学习和调整,以适应不断变化的情感表达和环境条件。
3.探索在线学习算法和反馈循环机制,以确保模型在实际部署中保持最新和准确。
实时流式情感分析
1.设计低延迟的实时情感分析算法,以处理连续的音频流。
2.利用流式机器学习技术,在流传输过程中不断更新和完善情感预测。
3.研究高吞吐量和可扩展的流处理平台,以处理大规模音频数据。
情感识别中的生成模型
1.探索利用生成对抗网络(GAN)或变分自编码器(VAE)来生成具有特定情感特征的合成音频。
2.训练生成模型以恢复丢失的情感线索或增强现有线索,以提高情感识别性能。
3.研究生成模型在情感增强和情感合成等应用中的潜在用途。
情感识别中的隐私和伦理问题
1.调查音频流情感识别中涉及的隐私和伦理问题,例如数据收集、存储和使用。
2.开发隐私保护技术,如差分隐私或联邦学习,以保护用户隐私。
3.制定伦理准则和指南,以指导情感识别模型的负责任开发和使用。未来研究方向与技术趋势
1.多模态学习
*将音频信号与其他模态数据(例如,文本、视频、生理信号)相结合,以提高情感识别准确性。
*例如,将音频特征与情绪词链接起来,以改进情绪预测。
2.深度学习方法的进步
*探索新的深度学习架构和学习范例,以增强情感识别的性能。
*例如,利用卷积神经网络(CNN)提取音频特征,或使用循环神经网络(RNN)学习时间序列模式。
3.大数据和数据集的利用
*利用大量多样的音频数据集来训练和评估情感识别模型。
*公共数据集的可用性对于模型开发和基准测试至关重要。
4.个性化情感识别
*开发个性化的情感识别模型,针对特定用户或群体进行定制。
*这涉及考虑人口统计学、文化背景和个人偏好等因素。
5.远程情感识别
*探索远程音频流(例如,电话通话、视频会议)中的情感识别。
*这对于实时客户服务、医疗保健和远程教育等应用至关重要。
6.可解释的情感识别
*开发可解释的情感识别模型,以了解模型的决策过程。
*这有助于增强透明度和信任,并促进模型的实际应用。
7.边缘计算的情感识别
*在边缘设备上实现情感识别模型,例如智能手机和可穿戴设备。
*这使能够进行实时情感识别,无需将数据传输到云端。
8.情感识别与其他领域的集成
*将情感识别技术与自然语言处理(NLP)、计
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
- 电视媒体节目效果绩效考核表
- 酒店业房务部服务反馈收集考核表
- 确认收到投标文件最终确认函(4篇)范文
- 紧急关于采购合同签订流程的商洽函5篇范本
- 电商平台直播带货选品与转化手册
- 小型创业团队财务危机预警与应对方案研究
- 电力行业变电运行值班员设备运行质量评估表
- 请求增加定单的商洽函7篇
- 油田钻井工人能源行业岗位绩效考核表
- 确认2026年业务合作框架及条件函6篇范文
- 大学管理岗位招聘考试试题及详细参考答案
- 2026年秋季开学学科教师家访工作培训课件
- 2026年网格员招聘笔试重点题库(350题)
- 时代新声·青年担当-高中学生会干部2026-2027学年度热点主题班会培训讲义
- 医德医风警示教育课件
- 妇科机器人保留生育功能手术
- DBJT15-60-2019 建筑地基基础检测规范
- T/CECS 10054-2019绿色建材评价钢质户门
- 《测绘工程管理与法规》课件-第三单元 测绘工程合同管理
- 初中文言文之字用法课件市公开课一等奖省赛课微课金奖课件
- 创新创业基础学习通超星期末考试答案章节答案2024年
评论
0/150
提交评论