• 中国科技核心期刊
  • JST收录期刊
  • Scopus收录期刊
  • DOAJ收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

高斯色噪声背景下基于权向量的连续波信号检测

代振 吴吉伟 尹美方

代振, 吴吉伟, 尹美方. 高斯色噪声背景下基于权向量的连续波信号检测[J]. 水下无人系统学报, 2023, 31(5): 746-749 doi: 10.11993/j.issn.2096-3920.2022-0067
引用本文: 代振, 吴吉伟, 尹美方. 高斯色噪声背景下基于权向量的连续波信号检测[J]. 水下无人系统学报, 2023, 31(5): 746-749 doi: 10.11993/j.issn.2096-3920.2022-0067
DAI Zhen, WU Jiwei, YIN Meifang. Continuous Wave Signal Detection Based on Weight Vector under Colored Gaussian Noise[J]. Journal of Unmanned Undersea Systems, 2023, 31(5): 746-749. doi: 10.11993/j.issn.2096-3920.2022-0067
Citation: DAI Zhen, WU Jiwei, YIN Meifang. Continuous Wave Signal Detection Based on Weight Vector under Colored Gaussian Noise[J]. Journal of Unmanned Undersea Systems, 2023, 31(5): 746-749. doi: 10.11993/j.issn.2096-3920.2022-0067

高斯色噪声背景下基于权向量的连续波信号检测

doi: 10.11993/j.issn.2096-3920.2022-0067
详细信息
    作者简介:

    代振:代 振(1991-), 男, 博士, 讲师, 主要研究方向为水声信号与信息处理

  • 中图分类号: TJ630; U666.7

Continuous Wave Signal Detection Based on Weight Vector under Colored Gaussian Noise

  • 摘要: 针对高斯色噪声背景下信号检测需要进行预白化处理的问题, 提出了一种基于权向量的信号检测方法。首先基于权向量构造检验统计量, 分析其检测性能, 在此基础上推导了N-P准则下的最优权向量, 并证明了其与广义匹配滤波的等价性。通过构造合适的权向量, 证明在大数据记录下检测连续波信号时无须进行预白处理, 可以明显提高检测效率。仿真结果表明了该检测方法的有效性。

     

  • 连续波(continuous wave, CW)信号作为一种比较简单的发射信号波形, 在雷达、声呐以及声自导鱼雷中受到了广泛应用[1-3]。在高斯白噪声背景下, 检测CW信号的最佳检测器为匹配滤波器(matched filter, MF)[4]。然而在实际检测过程中, 背景通常是有色的。高斯色噪声背景下的最佳检测器则为广义匹配滤波器(generalized matched filter, GMF)。GMF的思路是通过一定的变换, 将色噪声背景下的信号检测问题转化为白噪声背景下的检测问题, 从而应用MF完成检测[5]

    GMF的核心在于对色噪声进行预白处理。常见的预白化方法主要包括Karhunen-Loève变换法、Cholesky分解法以及增强现实(augmented reality, AR)预白化法等[6-8]。但除AR预白化法外, 其他预白化法都要求色噪声的协方差矩阵是先验已知的, 这在实际过程中通常难以满足。AR预白化法虽然可以根据接收信号实时估计色噪声的协方差矩阵, 但也存在定阶困难和计算量大等问题[9]

    为此, 文中提出一种基于权向量的信号检测方法, 该方法在大数据记录下(采样点数足够多时)检测CW信号时, 无需进行预白处理, 并且检测性能和GMF相当。

    考虑如下检测模型

    $$ \begin{array}{l}{H}_{0}: {x}_{n}={w}_{n}n=0,1,\cdots ,N-1\\ {H}_{1}: {x}_{n}={s}_{n}+{w}_{n}n=0,1,\cdots ,N-1\end{array} $$ (1)

    式中: $ {x_n} $是接收信号; $ {s_n} $是待检测信号; $ {w_n} $是零均值的平稳高斯色噪声, 其协方差矩阵为$ {{\boldsymbol{C}}_w} $, 是对称正定toeplitz矩阵。

    $ {\boldsymbol{S}} = {[{s_0},{s_1}, \cdots ,{s_{N-1}}]^{\rm{T}}} $, $ {\boldsymbol{X}} = {[{x_0},{x_1}, \cdots ,{x_{N-1}}]^{\rm{T}}} $, 易知XN维高斯随机矢量, 在假设$ {H_0} $$ {H_1} $下其概率分布为

    $$ {\boldsymbol{X}}\sim\left\{ \begin{gathered} \mathbb{N}(0,\;\;{{\boldsymbol{C}}_w})\;\;\;\;\;\;\;{H_0} \\ \mathbb{N}({\boldsymbol{S}},\;\;{{\boldsymbol{C}}_w})\;\;\;\;\;\;\;{H_1} \\ \end{gathered} \right. $$ (2)

    对于上述信号检测模型, 根据经典的统计信号检测理论可知, 其最佳检测器为GMF, 对应的检验统计量为[10]

    $$ {G_{{\text{GMF}}}} = {{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{X}} $$ (3)

    由式(3)可以看出, $ {G_{{\text{GMF}}}} $是接收信号矢量X的线性组合, 是一个线性检测器。因此基于权向量构造一个线性检验统计量, 即

    $$ {{{G}}_{\boldsymbol{\beta}} } = {{\boldsymbol{\beta }}^{\rm{T}}}{\boldsymbol{X}} $$ (4)

    式中, $ {\boldsymbol{\beta}} = {[{\beta _0},{\beta _1}, \cdots ,{\beta _{N-1}}]^{\rm{T}}} $为权向量。

    由于${G_{\boldsymbol{\beta}} }$也是X的线性组合, 易知${G_{\boldsymbol{\beta}} }$是一维高斯随机变量, 其概率分布为

    $$ {G_{\boldsymbol{\beta }}}\sim \left\{ \begin{gathered} \mathbb{N}(0,\;\;{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} )\;\;\;\;\;\;\;\;\;\;{H_0} \\ \mathbb{N}({{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}},\;\;{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} )\;\;\;\;\;\;{H_1} \\ \end{gathered} \right. $$ (5)

    由式(5)可知, 在不同假设下${G_{\boldsymbol{\beta }}}$的均值不等而方差相等。可以证明, 以${G_{\boldsymbol{\beta}} }$作为检验统计量时, 其虚警概率$ {P_f} $与检测概率$ {P_d} $总满足[10]

    $$ {P_d} = Q\left( {{Q^{ - 1}}({P_f}) - \sqrt {{d^2}} } \right) $$ (6)

    式中: $Q(x) = \displaystyle \int_x^{ + \infty } {\dfrac{1}{{\sqrt {2{\text{π}} } }}} {{\rm{e}}^{{{ - {t^2}} / 2}}}{\rm{d}}t$, 为标准正态概率右尾函数; $ {Q^{ - 1}}(x) $$ Q(x) $的反函数; $ {d^2} $通常称为检测指数。

    由式(6)可以看出, 在给定虚警概率时, 信号的检测概率完全由检测指数$ {d^2} $决定, 其计算公式为

    $$ {d^2} = \frac{{{{[E(G/{H_1}) - E(G/{H_0})]}^2}}}{{Var(G/{H_0})}} $$ (7)

    式中, $ E(G/{H_j}) $$ Var(G/{H_j}) $分别是假设$ {H_j}(j = 0,1) $下检验统计量G的均值与方差。

    结合式(5)和式(7)可得$G = {G_\beta }{\text{ = }}{{\boldsymbol{{\boldsymbol{\beta}}}} ^{\rm{T}}}{\boldsymbol{X}}$时的检测指数为

    $$ {d^2}({\boldsymbol{\beta}} ) = \frac{{{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}}}{{{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }} $$ (8)

    在雷达、声呐以及声自导鱼雷中, 通常采用N-P准则作为最佳判决准则, 即给定虚警概率, 使得检测概率最大。由式(6)可知在虚警概率一定时, 检测概率是检测指数$ {d^2} $的单调递增函数, 因此使得$ {d^2} $取最大值时的权向量就是N-P准则下的最优权向量。下面推导最优权向量的表达式。

    在式(8)两端同时对权向量${\boldsymbol{ \beta}} $求导可得

    $$ \begin{align} \frac{{\partial \left[ {{d^2}({\boldsymbol{\beta}} )} \right]}}{{\partial {\boldsymbol{\beta}} }} =&\; \frac{{2S{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} - 2{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}{{{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} {{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}= \\ &\;\frac{{2{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}}}{{{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}\left( {{\boldsymbol{S}} - \frac{{{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}{{{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}} \right) \\ \end{align} $$ (9)

    由于$\dfrac{{{{\boldsymbol{\beta}} ^{\rm{T}}}{\boldsymbol{S}}}}{{{{\boldsymbol{\beta}} ^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} }}$是一个标量, 可记其为k。令式(9)等于零, 可得$2k({\boldsymbol{S}} - k{{\boldsymbol{C}}_w}{\boldsymbol{\beta}} ) = 0$, 即

    $$ {\boldsymbol{\beta}} = \frac{1}{k}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}} $$ (10)

    由于常系数对信号检测没有影响, 为方便起见, 可直接取最优权向量为${{\boldsymbol{\beta }}_m} = {\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}}$, 将其代入式(4)可得最优检验统计量为

    $$ {G_m} = {({\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}})^{\text{T}}}{\boldsymbol{X}} = {{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{X}} $$ (11)

    对比式(3)和式(11)可以发现, 根据最优权向量构造的最优检验统计量$ {G_m} $$ {G_{{\text{GMF}}}} $的表达式完全一样, 这与GMF是高斯色噪声背景下最佳线性检测器的结论一致。

    ${{\boldsymbol{\beta}} _m} = {\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}}$代入式(8)可得

    $$ {d^2}({{{{\boldsymbol{\beta}}}} _m}) = \frac{{{{{{\boldsymbol{\beta}}}} _m}^{\rm{T}}{\boldsymbol{S}}{{{{\boldsymbol{\beta}}}} _m}^{\rm{T}}{\boldsymbol{S}}}}{{{{{{\boldsymbol{\beta}}}} _m}^{\rm{T}}{{\boldsymbol{C}}_w}{{{{\boldsymbol{\beta}}}} _m}}} = {{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}} $$ (12)

    显然, GMF的检测性能同样可由式(12)确定的检测指数决定。

    当待检测信号$ {s_n} $为CW信号时, 可写为

    $$ {s_n} = A\sin (2{\text{π}} {f_c}n + \theta ){\kern 1pt} {\kern 1pt} $$ (13)

    式中: $ {f_c} $为归一化后的信号频率; A$ \theta $分别为CW信号的幅值与相位。对于单次检测而言, 幅值A与相位$ \theta $通常未知, 但其值是确定的, 因此可视为确知信号检测。

    如果是在高斯白噪声背景下检测CW信号, 其最佳检测器为MF, 检验统计量为

    $$ {G_{{\text{MF}}}} = {{\boldsymbol{S}}^{\text{T}}}{\boldsymbol{X}} $$ (14)

    对比式(14)和式(3)可以发现, GMF相比于MF多出一个因子$ {\boldsymbol{C}}_w^{{ - 1}} $。由于$ {{\boldsymbol{C}}_w} $是色噪声的协方差矩阵, 所以$ {\boldsymbol{C}}_w^{{ - 1}} $的存在相当于对色噪声先进行了预白处理, 然后再进行MF检测。这也是GMF被称为广义匹配滤波的原因。

    但是, 对于色噪声背景下的CW信号检测, 如果直接应用GMF, 综合式(11)和式(12)可知, 无论是检验统计量计算还是检测性能分析, 都不可避免地涉及到$ {\boldsymbol{C}}_w^{{ - 1}} $。然而, $ {{\boldsymbol{C}}_w} $一般不是先验已知的, 通常需要进行实时估计得到, 这将大大增加检测的计算量。为此考虑选择合适的权向量, 以避免预白处理, 也就是避免计算$ {\boldsymbol{C}}_w^{{ - 1}} $

    显然, 一个最简单的方法是继续用MF在色噪声背景下检测CW信号, 这意味着直接取权向量为

    $$ {\boldsymbol{\beta}} = {\boldsymbol{S}} $$ (15)

    式(15)表达式虽然简单, 但色噪声下的检测性能并不是最优的, 需要进一步分析。

    由于MF等价于权向量取为$ {\boldsymbol{\beta}} = {\boldsymbol{S}} $, 将其代入式(8)可得MF的检测指数为

    $$ {d^2}({\boldsymbol{S}}) = \frac{{{{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{S}}}}{{{{\boldsymbol{S}}^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{S}}}} $$ (16)

    定义MF和GMF的检测指数之比为$ {\eta _d} $, 可知其表达式为

    $$ {\eta _d} = \frac{{{d^2}({\boldsymbol{S}})}}{{{d^2}({\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}})}} = \frac{{{{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{S}}{{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{S}}}}{{{{\boldsymbol{S}}^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{S}}{{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}}}} $$ (17)

    显然$ {\eta _d} $<1, 但如果$ {\eta _d} $越接近于1, 表明MF的检测性能越接近于GMF。

    下面证明, 当接收信号足够长, 即在大数据记录下$ {\eta _d} $是等于1的。

    首先, 对于CW信号有

    $$ {{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{S}} = \sum\limits_{n = 0}^{N - 1} {s_n^2} = \frac{{{A^2}N}}{2} $$ (18)

    其次, 根据文献[10]可知, 在大数据记录下有

    $$ \left\{ \begin{gathered} {{\boldsymbol{S}}^{\rm{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{S}} = \sum\limits_{i = 0}^{N - 1} {P({f_i})I({f_i})} \\ {{\boldsymbol{S}}^{\rm{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}} = \sum\limits_{i = 0}^{N - 1} {\frac{{I({f_i})}}{{P({f_i})}}} \\ \end{gathered} \right. $$ (19)

    式中: $ P(f) $是将色噪声频率归一化后的功率谱密度; $I(f) = \dfrac{1}{N}{\left| {\displaystyle \sum\limits_{n = 0}^{N - 1} {{s_n}{{\rm{e}}^{ - j2{\text{π}} fn}}} } \right|^2}$是信号$ {s_n} $的周期谱图; ${f_i} = i/N(i = 0,1, \cdots ,N - 1)$是归一化后的信号频率。

    对于CW信号而言, 其周期谱图只在$ {f_i} = {f_c} $$ {f_i} = 1 - {f_c} $(实际上对应的频率是$ - {f_c} $)处有非零值, 而在其他频率处的周期谱图值均为零, 并且有$ I({f_c}) = I(1 - {f_c}) $。同时由于$ P(f) $是偶函数, 故有$ P({f_c}) = P(1 - {f_c}) = P( - {f_c}) $。将二者代入式(19)可得

    $$ \left\{ \begin{gathered} {{\boldsymbol{S}}^{\text{T}}}{{\boldsymbol{C}}_w}{\boldsymbol{S}} = 2P({f_c})I({f_c}) \\ {{\boldsymbol{S}}^{\text{T}}}{\boldsymbol{C}}_w^{{ - 1}}{\boldsymbol{S}} = 2×\frac{{I({f_c})}}{{P({f_c})}} \\ \end{gathered} \right. $$ (20)

    根据Parseval定理, 确知信号的时域能量等于其频域能量, 故有

    $$ \sum\limits_{i = 0}^{N - 1} {I({f_i})} = 2I({f_c}) = \sum\limits_{n = 0}^{N - 1} {s_n^2 = } \frac{{{A^2}N}}{2} $$ (21)

    将式(18)、(20)和(21)代入式(17)可得

    $$ {\eta _d} = \frac{{{{({A^2}N/2)}^2}}}{{2P({f_c})I({f_c}) \cdot {{2I({f_c})}}/{{P({f_c})}}}} = \frac{{{{({A^2}N/2)}^2}}}{{{{({A^2}N/2)}^2}}} = 1 $$ (22)

    表明在大数据记录下, MF和GMF的检测指数相等, 即MF和GMF的检测性能是一样的。

    假设高斯色噪声背景$ {w_n} $可以用M阶AR模型来拟合, 即

    $$ {w_n} = - \sum\limits_{k = 1}^M {{a_k}{w_{n - k}} + {u_n}} $$ (23)

    式中: $ {a_k} $为AR模型系数; $ {u_n} $是均值为0、方差为1的高斯白噪声。

    取采样频率为1 600 Hz, CW信号归一化频率为0.15。采用4阶AR模型来模拟高斯色噪声, AR模型参数取[−0.38, 0.36, 0.16, 0.17]。采样点数为N, 仿真结果如下。

    图1给出了$ {\eta _d} $与采样点数N的关系。可以明显看出, 当采样点数N较小时, $ {\eta _d} $取值与1相差较大; 随着N的增加, $ {\eta _d} $取值也迅速增加; 当$ N > 300 $时, $ {\eta _d} $取值较为平稳, 接近于1。

    图  1  N-$ {{\boldsymbol{\eta}} _{\boldsymbol{d}}} $曲线
    Figure  1.  Curve of N-$ {{\boldsymbol{\eta}} _{\boldsymbol{d}}} $

    约束虚警概率为$ {P_f} = {10^{ - 3}} $, 取采样点数N分别为50、100、500, 统一进行20 000次蒙特卡洛实验, MF与GMF的检测性能对比见图2。图中横坐标为信噪比, 记为SSNR, 且$ {S_{{\text{SNR}}}} = 10\log ({A^2}/\sigma _w^2) $

    图  2  MF与GMF检测性能对比
    Figure  2.  Comparison of detection performance for MF and GMF

    图2首先可以看出, 当采样点数比较少时($ N = 50 $), GMF的检测性能优于MF, 前者比后者高出1 dB左右, 这与GMF是高斯色噪声背景下的最优检测器一致。同时还可以看出, 随着采样点数的增加, MF的检测性能逐渐逼近GMF, 当采样点数较大时($ N = 500 $), MF与GMF的检测性能曲线几近完全重合, 这与文中的结论一致。

    针对高斯色噪声背景下的信号检测问题, 提出了一种基于权向量的检验统计量构造方法, 推导了N-P准则下的最优权向量, 证明根据最优权向量确定的检测器与GMF一致。将权向量应用到CW信号检测中, 证明了大数据记录下MF和GMF的检测性能是等价的, 仿真结果证明所提方法在检测CW信号时可以避免预白化处理, 明显提高检测效率。但是, 检测调频信号时, 仍然要进行预白化处理, 下一步可针对色噪声背景下调频信号的检测, 研究相应权向量的选择。

  • 图  1  N-$ {{\boldsymbol{\eta}} _{\boldsymbol{d}}} $曲线

    Figure  1.  Curve of N-$ {{\boldsymbol{\eta}} _{\boldsymbol{d}}} $

    图  2  MF与GMF检测性能对比

    Figure  2.  Comparison of detection performance for MF and GMF

  • [1] 雷江涛, 董萌, 张国锋. 浅水环境鱼雷声自导波形设计与分析[J]. 鱼雷技术, 2016, 24(5): 346-350.

    Lei Jiangtao, Dong Meng, Zhang Guofeng. Waveform design and analysis of torpedo acoustic homing in shallow water[J]. Torpedo Technology, 2016, 24(5): 346-350.
    [2] 王晓江, 陈旭敏, 裴欣栋, 等. 雷达脉冲信号的非线性四阶检测接收机[J]. 现代雷达, 2017, 39(3): 69-74. doi: 10.16592/j.cnki.1004-7859.2017.03.016
    [3] 夏文杰, 黎鑫, 曹伟浩, 等. 基于分数阶功率谱熵的未知水声脉冲信号检测方法[J]. 声学技术, 2021, 40(3): 415-421. doi: 10.16300/j.cnki.1000-3630.2021.03.019
    [4] 杨波, 朱敏, 武岩波, 等. 一种在色噪声环境下的信号检测方法[J]. 应用声学, 2015, 34(1): 85-89. doi: 10.11684/j.issn.1000-310X.2015.01.013
    [5] 李海宁, 苏小应, 俞卞章, 等. 一种改进的有色噪声背景下信号的检测算法[J]. 计算机仿真, 2009, 26(1): 355-357. doi: 10.3969/j.issn.1006-9348.2009.01.094
    [6] Ruiz-Molina J C, Navarro-Moreno J, Oya A. Signal detection using approximate Karhunen-Loève expansions[J]. IEEE Transactions on Information Theory, 2001, 47(4): 1672-1680.
    [7] 齐志强. 基于Cholesky分解的自适应抗干扰算法[J]. 火力与指挥控制, 2019, 44(4): 150-153. doi: 10.3969/j.issn.1002-0640.2019.04.030
    [8] 舒象兰, 孙荣光, 马鑫. 强混响背景下 LFM 信号回波检测[J]. 电讯技术, 2016, 56(1): 82-87.
    [9] 王志刚, 丁义明. 信噪比在AR模型定阶方法选择中的研究[J]. 数学物理学报: A辑, 2020, 40(3): 811-823.
    [10] 赵树杰. 信号检测与估计理论[M]. 北京: 电子工业出版社, 2013.
  • 加载中
图(2)
计量
  • 文章访问数:  189
  • HTML全文浏览量:  31
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-10-23
  • 修回日期:  2022-12-25
  • 网络出版日期:  2023-09-01

目录

/

返回文章
返回
服务号
订阅号