第六章 静电场中的导体和电介质

大学物理第六章 静电场详解(全) 大学物理第六章 静电场概念详解 阅读详情
电荷密度与场强关系

E=σε0 E=\frac{\sigma}{\varepsilon_0} E=ε0​σ​

电介质对电场的影响

E=E0εr E=\frac{E_0}{\varepsilon_r} E=εr​E0​​
εr\varepsilon_rεr​ 相对电容率
ε=εrε0\varepsilon=\varepsilon_r\varepsilon_0ε=εr​ε0​ 电容率

电容器的电能

We=12CU2 W_e=\frac{1}{2}CU^2 We​=21​CU2
特别的,对于平行板电容器
We=12CU2=12εE2Sd W_e=\frac{1}{2}CU^2=\frac{1}{2}\varepsilon E^2Sd We​=21​CU2=21​εE2Sd
单位体积电场内所具有的电场能量
We=12εE2 W_e=\frac{1}{2}\varepsilon E^2 We​=21​εE2

《模拟电子技术基础》笔记——上交大郑益慧主讲 第一章用了大量的时间去学习半导体器件构成,以及它的基本特性。一般不会花大量时间,但是非常重要。因为如果真的理解了这部分,对于后面的应用就会容易很多。当然还有固定变量法也是经常出现的分析方法。 阅读详情

相关推荐

电磁场学习闭环:小结-习题-批注三步法焊牢麦克斯韦方程组

电磁场与电磁波是电子信息类专业核心基础课,其难点在于抽象物理概念(如无源无旋场、边界条件)与复杂数学工具(矢量微积分、相量运算)的深度耦合。理解麦克斯韦方程组不能止于记忆,而需通过物理图像→数学表达→几何约束的闭环推演,建立‘条件触发式’解题直觉。镜像法、安培环路定理、时谐场相量等高频考点,本质都是方程组在特定对称性或边界下的具象化应用。本资料以每章小总结为认知锚点,嵌入典型习题推演与元认知批注,帮助学习者突破‘会算不会选’‘公式熟不会用’的瓶颈,适用于谢处方、马西奎等主流教材的体系化复盘与工程建模奠基。

weixin_33946020的博客 362

复位电路

单片机复位电路 系统开始运行和重新启动都是依靠复位电路实现的。 以MCS-51为例,复位是需要在RST引脚加上2个机器周期(24个时钟周期)以上的高电平。 简单的计算: 如果单片机的时钟频率是12MHz。 时钟周期就是 1/(12M) s = 1/12 us 机器周期就是 1/(12us)* 12 = 1us 所以,至少需要 1us * 2 = 2us 时间的高电平。 复位有上电复位和按键复位。 上电复位 上电时候,电容相当于短路,RST电压等于v

weixin_43659195的博客 2919

逆向学习:从已上线微信小游戏反推Cocos工程结构(以切水果跑酷为例)

本文以“切水果跑酷”为例,详细介绍了如何通过逆向分析已上线的微信小游戏,反推其基于Cocos Creator的原始工程结构。文章深入拆解了编译后的目录骨架、资源加载逻辑与依赖关系,并重点解析了微信平台API的调用特征,为开发者提供了一种高效学习游戏架构与设计模式的实用方法。

kk1234的博客 1076

太阳能电池板参数解析

本文是用于个人学习记录,如有出错请多多指教! 太阳能电池板 峰值电压 工作电压 开路电压都是什么意思?怎么区分 峰值电压是在强光时的最高电压; 工作电压是电池板带上负荷时测得的电压;开路电压是电池板空载电压; 峰值电压最高、开路电压次之、工作电压最低。 开路电压指没有接上负载时测量出来的电压,一般情况下,开路电压大于负载电压。即开路电压就是去掉电阻时的电压,也就是电源电动势,即电源电压。开路...

qq_38295600的博客 7755

CANopen PDO 配置實戰:3步完成0x1800-0x1A00物件字典映射與事件觸發

本文详细解析CANopen PDO配置实战,通过3个关键步骤完成0x1800-0x1A00对象字典映射与事件触发设置。重点介绍COB-ID位域解析、映射参数配置及事件触发优化,帮助工程师实现工业自动化设备间毫秒级实时数据交换,提升系统通信效率。

weixin_33709609的博客 381

LPDDR5/5X BG mode,8B mode和16B mode

LPDDR5/5X 器件,协议上支持多个bank架构可静态配置;配置在MR3:模式说明协议要求速率要求BLBG模式每CH 4BG, 4BALPDDR5/5X>3200MbpsBL16 & 328B模式每CH 8BALPDDR5任何速率BL3216B模式每CH 16BALPDDR5/5X<=3200MbpsBL16 & 32。

hemlok的博客 8870

栅极电阻硬并联与独立栅极电阻

在MOS或者IGBT并联使用中,一般都会使用独立栅极电阻,而不会将所有栅极通过一个公共栅极电阻进行硬并联。

gaoyong_wang的博客 1971

VisualStudio2022启动报错

把Users\...\AppData\Local\Microsoft\VisualStudio\11.0\ComponentModelCache中的Microsoft.VisualStudio.Default.cache这个文件移除,再重启vs,各项功能都能正常使用了。第一次使用方法1有效果,不知道什么原因后面又报错再删除缓存文件无效了,最后使用方法2启动VS成功。vs2022启动时,报错弹框,在ActivityLog查看具体报错信息,报错原因未知。网上搜索到两种解决方法。方法1:删除缓存文件。

面朝大海,春暖花开 3960

ADC前端驱动电路

输入范围调整 任何一个ADC,都有输入电压范围。当实际输入电压超出此范围,将引起ADC转换失效。而被转换的信号,并不能保证在此范围内,这就需要ADC驱动电路将其调整到合适的范围之内。 输入类型转换 原始输入信号的输出类型有两种:单端型、差分型,而ADC的输入类型有三种:单端型、全差分型和伪差分型。如果两者不一致,会影响ADC性能发挥。这就需要类型转换电路。将信号类型演变成与ADC一致的类型。...

yuechifanfan的博客 5882

ubuntu安装XXX包时出现(= 20.0.8-0ubuntu1~18.04.1) but it is not going to be installed

安装mujoco_py时,最后一步尝试 import mujoco_py 时出现报错 esashim.c:1:10: fatal error: GL/osmesa.h: No such file or directory 1 | #include <GL/osmesa.h> | ^~~~~~~~~~~~~ compilation terminated. 在https://github.com/openai/mujoco-py#ubuntu-ins

dealexce的博客 1795

STM32实战开发(110):基于STM32的智能地震监测系统开发

地震监测系统是自然灾害预警体系中至关重要的一部分。随着地震灾害的频发和对自然灾害预测精度要求的提高,智能地震监测系统逐渐成为研究的热点。STM32作为一款高性能的微控制器,凭借其强大的处理能力和丰富的外设接口,在地震监测领域中得到了广泛应用。本篇文章将详细介绍如何使用STM32实现一个智能地震监测系统的开发过程,涵盖硬件设计、软件编程、系统实现及相关代码。通过集成加速度传感器、地震数据采集、实时数据处理和无线数据传输功能,我们可以设计一个高效、稳定的智能地震监测系统。

2201_76125393的博客 711

rc时间常数公式_你知道RC电路和RL电路中时间常数的来源以及和时间的关系吗?...

学过电子通信的朋友都知道RC电路和RL电路都存在时间常数,它是反应电路随时间衰减,有一个过渡期的时间常数。其中RC电路时间常数:τ=RC,LR电路时间常数:τ=L/R。那为什么叫时间常数呢,他和时间又有什么关系呢?首先看RC电路:当AB两端的直流电源突然断开时,通过AB的电流瞬间中断,但电容两端的电压不会突变(中断前后瞬间不变),所以Uc=UR。此刻存储在C中的能量被释放到电阻R上,由此形成一个串...

weixin_39928844的博客 4466

知识库构建革命:基于Agent的智能检索系统设计

本文聚焦“基于Agent的智能检索系统”这一前沿技术,系统讲解其设计逻辑、核心技术与落地方法。我们将覆盖从基础概念(如Agent如何“理解”知识)到实战代码(如何用Python搭建原型系统)的全链路内容,帮助技术开发者、企业知识管理负责人理解这一技术为何能颠覆传统知识库。本文将按“问题引入→核心概念→技术原理→实战落地→未来趋势”的逻辑展开:先用“老图书馆的困境”故事引出传统知识库的问题;再用“智能图书管理员”类比解释Agent如何革新检索;接着拆解NLP、对话管理、知识推理等核心技术;

AI智能探索者的博客 728

大学物理-导体及电介质中的静电场

大学物理-导体及电介质中的静电场

whdehcy的博客 444

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大学物理上期末速通总结

主要总结大雾的电学,磁学,和电磁学部分,仅仅用于期末速通,不适用于日常学习

2301_78902861的博客 1468

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

物理学 第六版 上册、下册 课后答案 东南大学 马文蔚

**物理学(第六版)上册、下册 课后答案 物理学 第一章 质点运动学 习题答案 物理学 东南大学等七所工科院校 马文蔚周雨青改编 课后习题答案与解析 高等教育出版社** 本书是在《物理学》(第五版)基础上,参照教育部高等学校物理学与天文学教学指导委员会编制的《理工科类大学物理课程教学基本要求》(2010年版)修订而成的,书中涵盖了基本要求中所有的核心内容,并选取了一定数量的扩展内容,供不同...

北海知己 2万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

化学和物理

元素周期表元素周期表的原理元素周期表的诞生

zashizhi3299的博客 2305

参考平面及其高度_北大考研辅导班-2021北京大学806普通物理考研经验真题参考书...

北京大学806普通物理考试科目,2020年初试时间安排为12月22日下午14:00-17:00进行笔试,北京大学自主命题,考试时间3小时。一、适用院系专业:北京大学地球与空间科学学院070802空间物理学北京大学物理学院082703核技术及应用北京大学物理学院085400电子信息北京大学信息科学技术学院080901物理电子学北京大学信息科学技术学院080904电磁场与微波技术北京大学信息科学技术学...

weixin_42581846的博客 341

讲讲那些 H-桥电路 的基本道理

  01 H-桥电路基础 1.简介 你也许通过线上-线下的资料对于搭建H-桥电路有所了解,毕竟这些电路相对比较简单。但有些资料介绍H-桥电路比较精准,但有些差一点。当你实际使用桥电路的时候也许就会意识到,很多电路特性实际上并没有在网络资料中说明清楚。下面的资料是来自于 H-桥电路基础 网络文章的内容,作者在自行设计uM-H桥电路的过程中写的博文,对于H桥电路的原理和 应用都充满着热情进行介绍。 ▲ 文章作者制作的 uM-H桥电路模块 虽然作者尽量避免涉及到H桥电路、电机控制原理等更深入的理论,但

TSINGHUAJOKING 1万+

RC电路(积分电路,微分电路)

RC电路是电阻器电容器电路(RC电路)或者RC过滤器,RC网络是电路a和电容器驾驶的组成由电阻器电压或当前来源.一次RC电路由一个电阻器和一台电容器组成,是RC电路的简单例子。RC电路在模拟电路、脉冲数字电路中得到广泛的应用。 目录 RC电路的分类RC电路的典型应用RC实用电路 RC电路的分类   (1)RC 串联电路   电路的特点:由于有电

Jorry Zhao的专栏 14万+

步进电机驱动器电压是多少?

步进电机驱动器电压是多少? 首先来确定步进电机驱动器电压,混合式步进电机驱动器的供电电源电压一般是一个较宽的范围。如果电机工作转速较高或响应要求较快,那么电压取值也高,但注意电源电压的纹波不能超过驱动器的最大输入电压,否则可能损坏驱动器。 然后就是步进电机驱动器电流的确定,供电电源电流一般根据驱动器的输出相电流来确定。如果采用线性电源,电源电流一般可取电流的1.1~1.3倍;如果采用开关电源,电源电流一般可取电流的1.5~2.0倍。 ...

《好好先生》专栏 1万+

Python:利用条件判断语句简单编写猜拳游戏

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...

weixin_42161670的博客 562

太阳能板电压是多少伏_房车上加装的太阳能板,一天能产生几度电?

房车生活,用电始终是一个绕不开的话题,目前房车生活区用电,主要来源为车内蓄电池储存的电能,通过逆变器来逆变成我们需要的电压,用来手机充电或者使用微波炉电磁炉等房车上的电器,那么蓄电池的电用完了怎么给它补充呢?目前多数房车一般有四种方式进行补充,第一种是底盘自带的发电机,例如依维柯欧胜底盘就是150A双发电机,有一个150A的发电机单独给后面生活区的畜电池进行充电;第二种是用市电给房车生活区蓄电池进...

weixin_42128963的博客 4957

积分电路和微分电路的工作原理

一、积分电路和微分电路概念 微分电路可把矩形波转换为尖脉冲波,此电路的输出波形只反映输入波形的突变部分,即只有输入波形发生突变的瞬间才有输出。 积分电路可将矩形脉冲波转换为锯齿波或三角波,还可将锯齿波转换为抛物波。电路原理很简单,都是基于电容的冲放电原理,这里就不详细说了,这里要提的是电路的时间常数R*C,构成积分电路的条件是电路的时间常数必须要大于或等于10倍...

Joshua Lee的博客 5万+

关于RC延时电路的 时间常数 和 到达某电压的延时时间 计算

关于RC延时电路的延时时间计算 关于RC延时电路的延时时间计算 一、如何计算RC延时电路的时间常数? 简单的计算出RC延时电路所产生的时间延时,例如R=470K,C=0.1uF 时间常数直接用R*C就行了。 二、如何计算RC延时电路的延时时间? 设,V0 为电容上的初始电压值,V1 为电容最终可充到或放到的电压值,Vt为t时刻电容上的电压值。 则:Vt=V0+(V1-V0)* [1-exp(-t/RC)];或:t=RC * ln[(V1-V0)/(V1-Vt)]。 例如,电压为E的电.

学海无涯的专栏 3万+
上一篇: 第七章 恒定磁场
下一篇: 抽象代数中的记号
陌雨’
博客等级 码龄7年 1378粉丝 222原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值