尚雯婕详细资料

FitzHugh-Nagumo 模型连续-MATLAB仿真 【代码】FitzHugh-Nagumo 模型连续-MATLAB仿真。 阅读详情

全名: 尚雯婕
法语名关于:laure
呢称: 三儿;老何(法语名音译) 我们
生日: 1982年12月22日
星座: 尚雯婕资料魔羯
身高: 167cm
高中: 关于上海市进才中学
大学: 上海市复旦大学法语系 <我们br> 喜欢的歌手:micheal jackson;mar尚雯婕资料iah carey; 陈小春
喜欢的艺尚雯婕资料人: 李连杰
喜欢的舞蹈:hip-hop尚雯婕资料(参加过复旦现代舞协)
喜欢的饮料:咖啡 关于
喜欢的食物:奶酪、辣的东西
擅长的运动:我们短绳(屡屡获奖);走路(暴走型的)
歌唱奖项:全尚雯婕资料国法语歌唱比赛第二名,并和其他各国家的前三名共聚法关于国演出

编辑:莎莎

我们
别再手动配IP了!用NI-USRP Configuration Utility快速搞定USRP 2954与LabVIEW连接 本文详细介绍了如何使用NI-USRP Configuration Utility快速配置USRP 2954与LabVIEW的连接,解决传统手动IP配置的繁琐问题。通过图形化工具自动完成设备发现、IP设置和连接验证,大幅提升软件无线电实验效率,特别适合信号收发应用场景。 阅读详情

相关推荐

STM32版CCD线性摄像头寻线寻迹小车_stm32接ccd

目前大多数的小车寻线寻迹都是用红外对管寻线,这是比较简单也比较成熟的技术方案,且成本也低。本文将介绍使用CCD线性摄像头寻线寻迹。TSL1401 线性传感器由一个 1x128 的光电二极管阵列、相关的电荷放大电路以及一个内部像素数据保功能组成。内部像素数据保功能可以为所有像素点提供同时积分的开始和停止时间。该阵列由 128 个像素组成,每个像素的感光面积为 3,524.3 平方微米。像素之间的间隔为 8μm。内部控制逻辑简化了操作,该模块需要串行输入(SI)信号和时钟信号(CLK)。

2401_87557129的博客 3230

【阿冈对话】阿冈与叶凡讨教尚雯婕8进6的晋级战术

   自从9月1日晚10进8比赛结束,就有几十位尚雯婕的粉丝在阿冈的博客文章情真意切地留言,用大段的文字讲述尚三各种感人的品格和微小的细节。   其中有几位铁杆芝麻专门留言,希望阿冈能给尚三未来的晋级出谋划策,提供一些比较可行的参考意见。   这对阿冈来说实在是很重的担子。   比赛到了现在阶段,8个选手中至少有4、5位实力雄厚、水平相当的选手,尚雯婕作为没有经历过科班选练的业余

daily0403的专栏 1162

聚宽策略实盘新路径:不开通QMT , 小资金自动化交易解决方案

聚宽策略实盘新路径:不开通QMT , 小资金自动化交易解决方案

u011111246的博客 1472

尚雯婕演唱会上变芭比娃娃

  近日,超女尚雯婕在北尚雯婕京北展剧场举行了处女演唱会。演唱会上尚雯婕造型做了大胆人体资料改变,一举从硬朗帅气风格转成极尽华丽之能的复古芭比娃娃风格。超大的羽毛帽子、鸟笼装、塑料裙子、蝴蝶妆容……这些都尚雯婕和印象中的尚雯婕相去甚远,这些新鲜华丽造型一股脑堆在观人体资料众眼前时,立刻引起了正负两种极端反应。有些网友觉得优雅美丽,另外一些人则认为闹“幺蛾子”了,一部分人被电到了,而尚雯婕另一部分人

1334

从CORDIC到DDS:手把手拆解《Verilog传奇》第9章的实战项目(附可跑通的代码)

本文详细解析了如何从CORDIC算法到DDS系统的完整实现过程,基于《Verilog传奇》第9章的实战项目,提供了可运行的Verilog代码。内容涵盖CORDIC算法的硬件实现、DDS系统架构设计、完整系统集成与验证,以及实际部署中的性能调优技巧,适合数字IC和FPGA开发者深入学习。

weixin_42623010的博客 417

【WRF-GHG 教程上】完整教程(2024年更新版)

完整教程(2024年更新版)

WW、forever的博客 1437

资料:尚雯婕个人小档案

  生平介绍:2006尚雯婕资料超级女声全国十强选手、广州唱区亚军。  曾获歌唱奖项:全国尚雯婕资料法语歌唱比赛第二名,并和其他各国家的前三名共聚法国关于演出② 凡本网注明“来源:尚雯婕资料xxx(非中网资讯)”的作品,均转载自其它媒体,转关于载目的在于传递更多信息,并不代表本网赞同其观点和对其真实我们性负责,也不构成投资建议;

687

YOLO11全网首发:CVPR2026 Transformer注意力 | BinaryAttention 1-bit注意力,推理提速100%,超越FlashAttention2

本文改进:BinaryAttention 结合YOLO11的C3k2模块,全网首发创新。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 856

尚雯婕《我们的歌》比利时世博主题曲

视听地址:http://music.yule.sohu.com/20100612/n272743826.shtml 日前,被“格莱美”誉为“新世纪十大音乐大师”之一的比利时音乐家Jean-Francois Maljean先生,特地赶来北京邀约尚雯婕共同创作并演唱2010年上海世博会比利时展馆主题曲。据悉,这首由Jean-Francois Maljean先生作曲,尚雯婕创作中文词并由两人共同演...

尚善若水 304

全球首发48V架构的Cybertruck,到底牛在哪?| 深扒特斯拉高压系统架构

特斯拉Cybertruck作为全球首款标配48V架构的量产车,在电气系统架构上进行了多项创新。首先,它采用以太网连接高压控制器与后域控制器,提升了数据传输效率和智能化水平。其次,Cybertruck引入了Pyro烟火断开装置,用于碰撞时快速断开电池连接,提高安全性。在电流监测方面,特斯拉既保留了传统的Shunt分流器技术,又引入了更先进的磁通门电流传感器,后者具有无温漂、完全隔离等优势。48V供电系统在降低电流损耗方面表现优异,但也面临电弧风险、盐水腐蚀等挑战。Cybertruck的48V系统通过PCS供电

weixin_43199439的博客 1354

【智能车Code review】——小S与中S道路判断

基本思想: 找到中线的左拐点和右拐点,并且计算出两点之间的空间距离。通过限制空间距离,分为中S和小S。 注意这种情况:当20行以下的中线斜率比较陡,此时可以通过人为限制设定,将第0行的中线设置为拐点。 if (flag_centre_right_point == 0 && flag_centre_left_point == 1 && parameterB >= 0.5 && centre_left_point[0] >= 33) { .

hanhan的博客 6107

尚雯婕-《6合辑》专辑[APE/FLAC整轨]

转载自:   艺人档案: 法语名:Laure  昵称:三儿;老何(法语名音译);尚呆呆 生日:1982年12月22日 籍贯:江苏兴化 民族:汉族 星座:魔羯 身高:167cm  体重:47.5kg 高中:上海市进才中学 大学:上海市复旦大学法语系  能说语言:中文;法语;英文;德文 喜欢的歌手:Michael Jackson;Lara Fabian 喜欢的乐队

lsqbeyond的专栏 3954

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

尚雯婕变芭比娃娃 你被雷到了还是被电到?

2008-03-06 09:35:38.0齐帅尚雯婕尚雯婕变芭比娃娃 你被雷到了还是被电到?483140娱乐头条/e人体资料npproperty-->这个造型网友褒贬不一。#ente尚雯婕r#  本报讯 (记者&人体资料#160;齐帅)近日,超女尚雯婕在北京北展剧场举行了处女演唱会。演唱会上尚雯婕造型做了大胆改变,一举从硬朗帅气风尚雯婕格转成极尽华丽之能的复古芭比娃娃风格。超大的羽

880

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

尚雯婕、谭维维没有丝毫意外且实至名归地率先进入4强!

     尚雯婕票最高,谭维维表现最好,两人实至名归地进入4强!   广告回来,五人一起唱《彩云追月》。   尚雯婕和谭维维的声音非常跳脱出来。刘力扬主唱时候声音非常干净温暖,历娜也非常松弛清透。不是比赛的环节,大家都格外放松。   要是比赛都这样,多好?   短信票数最高的是——06好尚雯婕!——阿冈早料到了!哈哈!    谭维维和刘力扬PK   谭维维清唱《祝酒歌》

daily0403的专栏 1633

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")

尚雯婕告别中性演唱会造型变化多端

  北展外的墙壁上挂有一尚雯婕张尚雯婕的巨幅海报,众多歌迷在开场前都来到海报上签名。人体资料演出开始后尚雯婕以黑色的爵士造型带着六个伴舞亮相,以《雪夜狂想曲》拉开个唱序幕。歌迷的热情顿时被点燃,他们挥着手尚雯婕中清一色的粉红色荧光棒,据说这是尚雯婕最喜欢的颜色。随人体资料后尚雯婕换掉外衣,以一袭银色的礼服与舞者完成了一段长达五分钟的西班牙热舞。第一次举办演唱会尚雯婕显然有些紧张,说尚雯婕话的时候略

793

尚雯婕个唱化身宫廷芭比娃娃

  演唱会序幕拉开之后,尚雯婕尚雯婕在音乐中褪去身上繁琐的华服,以一袭银色礼服与舞者人体资料们一起完成了长达5分钟的西班牙劲歌热舞表演,这段由尚雯婕取名为“国际麻将舞”的舞蹈,不仅让现场歌迷见证了她远赴韩尚雯婕国学习的成果,也引得现场歌迷一阵尖叫,将现场气氛推向高人体资料潮。   除了舞蹈之外,在服装尚雯婕造型上的变化也是当晚的重头戏。来自台湾的知名造型师小p人体资料,为尚雯婕量身打造了五

470

【23秒,32年】--【尚雯婕】演唱【唐山大地震】宣传主题曲

《23秒,32年》 演唱:尚雯婕 作曲:李健 作词:梁芒 编曲:谭伊哲 制作人:李健 监制:冯小刚 如果没那么长的夜 此刻怎会这么痛 二十三秒三十二年 让一生失眠 眼角有鱼尾的图案 时间压弯了躯干 二十三秒三十二年 月就没有圆 被风吹乱的蜡烛 顶着火焰流泪哭 当挖开记忆那一层土 就像经历没有麻醉的手术 耳朵塞满了孤独 ...

尚善若水 429

尚雯婕李宇春粉丝文化从演艺圈扩散至出版界

  从一开始自发形成,到尚雯婕后来主动组织和管理,再到统一服装、统一口号、统一行动,人体资料粉丝的“升级战”似乎在不经意间告捷。与此同时,粉丝这一独特的社会符号,由演艺圈蔓延至出版界、学术界等,粉丝文化已尚雯婕具雏形。以大众、草根参与为主,彰显主体意识和文化消费意人体资料识的粉丝文化,在具备文化基础和精神后,逐渐被社会大众接受并迅速扩散……   盛极一时的选秀活动,尚雯婕使受众极大“粉丝化

763

@override怎么加上去_西装怎么穿才好看?尚雯婕造型可谓是行走的时尚教科书,可学...

西装怎么穿才觉得好看,纯色系的look怎么去设计才会很有时尚感,我们可以学一下尚雯婕style,选择的是超简单的技巧,比如说黑色系oversize修身西装,选择拼接色系的点黑色系西装,其中可以加上拼色调,加上黑色系内搭,整体的色系都是一致的, 以及搭配上都可以呈现出甜美一点的调调,怎么和纯色系搭配碰撞出甜美范儿不如凹点白色系针织衫,可以将黑色系点缀出不一样的范儿,确实是很好看,可以学,可以入手白色...

weixin_39622225的博客 69

唐山大地震 昨夜万人首映 尚雯婕演唱《23秒,32年》使观众情绪得以第二次温暖爆发...

     今天尚雯婕同学非常可爱,非常漂亮,唱了两遍《23秒 32年》,真好听。我们还想听,大家都没好意思说哈,大家出来后都说应该在拍我们鼓掌时让雯婕再唱一遍才对呵   主办方要求的节目播出前不能放照片,我拍的尚雯婕美照只好藏一段再说啦   这次我拍的雯婕照片我本人认为还不错,可惜还不能放上来让大家HC哈。   回来的路上我想了想我们的合影应该能放上,打电话给cctv6爱电...

weixin_33920401的博客 149

【阿冈观点】芝麻、栗子和粽子们:尚三的心思你别猜!

   昨晚比赛结束后,阿冈博客文章后面的跟贴,立刻多了700多条。   感谢许飞,她的悲壮让今夜唯一对她批评的三篇评论没有一篇有一个脏字!证明人不是畜牲,还是会有些许良知的。   但是,有10%的帖子让阿冈在为许飞伤感之时,也为两个人担心。   一个是刘力扬,一个是尚雯婕!   因为昨晚当尚雯婕犹豫之间,缓缓举起的手,是历娜的。她的这一票奠定了历娜50%的晋级基础。(06超女

daily0403的专栏 1155

最新单曲 尚雯婕 - 一大片天空(试听版) 歌词

不知道放手 会不会是对的 人永远面临抉择 只觉得不走 会失去自我 没了自我 灵魂被掏空 没了灵魂 拿什么感动 风吹过一大片天空 星星都好象快坠落 我把心握在手中勉强自己不要回头 云飘过一大片天空 但终究被阳光穿透 我把头仰了起来喃喃自语不要难过 当胸口最痛 也不曾去恨过 解脱在一个念头 你给我没人 给过的快乐 原谅诺言 变停了的钟 原谅爱情 像孩子好动 风吹过一大片天空 星星都好象快坠落 有时候路

网络Online 972

《非诚勿扰》原声大碟

[url]http://www.verycd.com/topics/2723688/[/url] 聆听 爱情里的音乐回声逆流而上 道阻且长 所谓伊人 非诚勿扰华谊音乐众星合奏尚雯婕 羽泉 杨坤 张靓颖电影与音乐的情爱纠葛 眼泪与欢笑的双重震荡华谊兄弟传媒 年度影音大戏2008岁末巨制华谊众星 合奏“笑与泪”   在人们的视线还未完全脱离那个战争年代的悲...

weixin_34413802的博客 1134

谭维维以《青藏高原》的歌唱实力高度,《当时》一路安全到底

   今晚超女5强将迎来进军决胜之夜的一战,她们将通过一场比赛决定4人能进入最后的决胜舞台。为了能够让这场比赛更加精彩刺激,导演组在上一场“反向PK”的基础上,又产生了“反向车轮战”的灵感。所以这场比赛将经过两轮较量,以“反向车轮战”和两段PK决定最终晋级的人选。   “反向车轮战”即:5强选手在经过一段精彩的开场秀与VCR之后,将进入第一轮演唱,她们将按照序号从小到大依次演唱,然后评委会

daily0403的专栏 2487

选秀史上十大"钉子户" 超女冠军尚雯婕最大牌

网页内容已不存在。

744

刚看完2006超女总决赛

    也不知道今天是总决赛的,平时也是偶尔看一下。不过这场还是挺好看的,特别是最后尚雯婕的《卡门》,比较经典!这首歌应该是奠定了夺冠的基石。也是谭维维把《卡门》的机会让给了她。     上一次经典的是韩真真和郝菲儿的即兴吉他弹唱PK。可惜弹吉他的最后都没进5强。我还是比较喜欢韩真真弹唱的感觉。     超女有时候总会给人惊喜,而且比较出乎人意料。虽然很多地方还是比较做作,但是也许也是为了“打...

yuyuxp的专栏 184
上一篇: 尚雯婕个唱化身宫廷芭比娃娃
下一篇: 资料:尚雯婕个人小档案
Labber
博客等级 码龄19年 26粉丝 1976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