4、MATLAB 基础与应用全解析

MATLAB 基础与应用全解析

一、MATLAB 基础概念

1.1 逻辑与关系运算符

MATLAB 提供了多种逻辑和关系运算符,可与变量结合使用,用于 if 语句、 while 循环等流程控制语句。以下是一些常用运算符:
| 类型 | 运算符 | 描述 |
| ---- | ---- | ---- |
| 关系运算符 | == | 相等 |
| 关系运算符 | > | 大于 |
| 关系运算符 | < | 小于 |
| 关系运算符 | ~= | 不等于 |
| 逻辑运算符 | & | 逻辑与 |
| 逻辑运算符 | | | 逻辑或 |
| 逻辑运算符 | ~ | 逻辑非 |

1.2 示例代码

% 示例:switch 语句
x = 2;
switch x
    case 1
        disp('x is equal to 1');
    case 2
        disp('x is equal to 2');
end

运行上述代码,输出结果为:

x is equal to 2

二、M 文件的使

相关推荐

4、MATLAB数组操作全解析:从基础到高级应用

本文详细解析了MATLAB中数组操作的各个方面,从基础的数组定义、加法、连接、元素访问和修改,到更复杂的遍历操作、统计计算、可视化、高级操作以及字符串处理。通过丰富的示例代码和操作步骤,帮助读者全面掌握MATLAB数组的使用方法。适用于数据分析、科学计算、工程应用等领域。

zeta9的博客 98

1、MATLAB工程应用全解析:从基础到高级实践

本文全面解析了MATLAB从基础到高级应用的各个方面,介绍了其作为工程领域重要工具的优势与特点,包括简洁高效的编程方式、强大的可视化功能以及丰富的扩展工具箱。内容涵盖MATLAB的基础操作、编程逻辑、高级数据分析与建模方法,以及基于Simulink的动态系统仿真和MATLAB项目实践。同时,还提供了学习路径、资源支持及问题解决方法,帮助读者系统地掌握MATLAB的应用,提升工程问题解决能力。

redis7keeper的博客 69

8、MATLAB 数组操作与应用全解析

本博客全面解析了MATLAB中的数组操作与应用,涵盖结构数组、矩阵运算、多项式计算、三维数组及单元数组等核心内容,并结合实际问题如抛射体轨迹、成本计算、电缆张力分析、机器人辅助手术等应用场景,展示了MATLAB在工程与科学计算中的强大功能。此外,还介绍了MATLAB工具箱在医学工程等新兴领域的重要作用。

redis7keeper的博客 135

5、MATLAB基础与数组操作全解析

本文全面解析了MATLAB的基础操作与数组处理功能,包括基本计算、绘图、数组创建与高级操作、元素级和矩阵级运算,以及在数学建模中的实际应用。内容还涵盖脚本文件编写、调试技巧和工程领域的案例分析,适合初学者和希望深入掌握MATLAB的用户参考学习。

redis7keeper的博客 64

4、MATLAB 编程与绘图全解析:从基础到优化实战

本文全面解析了MATLAB的编程与绘图技术,涵盖M文件的使用、全局与局部变量、帮助系统获取、二维与三维绘图方法、数值优化应用及常用命令和函数。通过丰富的实例和实践问题,深入讲解脚本与函数文件编写、绘图定制化、代码调试与优化技巧,并拓展至信号处理、图像处理、控制系统和金融领域的实际应用。同时展望MATLAB在人工智能、云计算和跨平台发展中的未来趋势,辅以学习资源推荐,是掌握MATLAB从入门到进阶的完整指南。

yhn45678901的博客 56

4、MATLAB数组操作全解析

本文全面解析了MATLAB中的数组操作,涵盖数组的基础概念、基本操作、统计计算、比较与映射、元素的访问与修改、遍历方法以及可视化操作。通过详细的示例代码和流程图,帮助读者深入理解MATLAB数组的高效使用技巧,适用于数据处理、科学计算等实际应用场景。

i8j9k0l1的博客 151

14、MATLAB 循环语句全解析:从基础到高级应用

本文全面解析了 MATLAB 中的循环语句,涵盖从基础调试和错误处理到高级应用,如条件循环、嵌套循环、与数组操作的集成等内容。文章还介绍了最佳实践、性能优化策略,并通过一系列实验练习帮助读者深入理解循环语句的使用和优化方法。无论您是 MATLAB 新手还是进阶用户,都能从中获得实用的编程技巧和思路。

mqtt6iot的博客 74

3、MATLAB基础入门与卷积运算全解析

本博客详细介绍了MATLAB的基础操作,包括极限、导数、积分的计算以及编辑器的使用和数据绘图功能。同时深入解析了卷积积分和卷积和的定义、计算方法及其在信号处理和图像处理中的应用场景,通过丰富的代码示例展示了如何在MATLAB中高效实现相关运算。适合MATLAB初学者和信号处理领域爱好者参考学习。

ttt77的博客 61

9、MATLAB函数全解析:从基础到应用

本文全面解析了MATLAB中的基础函数和用户自定义函数,涵盖了指数与对数函数、复数运算、数值处理、三角与双曲函数等基础内容,并深入讲解了如何创建和使用自定义函数、函数句柄、最小化与根查找技术等高级功能。通过实际示例和练习,帮助读者掌握MATLAB函数的高效使用方法,适用于各类工程与科学计算问题。

redis7keeper的博客 62

3、MATLAB操作与应用全解析

本文全面解析了MATLAB的基本操作与应用,包括窗口功能、变量使用规则、矩阵和数组的运算方法、数字显示格式以及图形绘制技巧。通过实例讲解了MATLAB在工程和科学问题中的实际应用,如理想气体计算、单位转换、阻力分析等,并提供了代码编写和测试验证的实用建议。适合初学者和工程师深入了解MATLAB的强大功能。

7up55的博客 81

PEAQ音频质量评估:MATLAB实现与ODG分数实操指南

音频质量评估是音频处理领域不可回避的环节。传统的主观听音测试虽被视为金标准,却受环境、人员稳定性等因素制约,难以复现。为此,ITU-R BS.1387标准定义了PEAQ(感知音频质量评估)算法,以心理声学模型模拟人耳听觉特性,通过参考信号与待测信号的特征对比,输出客观的ODG分数,实现可重复的音频质量量化。PEAQ在音频编解码、降噪、响度归一化等场景中具有重要实用价值,工程人员可借助其快速比较不同算法版本。本文围绕一套MATLAB实现的PEAQ工具包,解析其算法骨架、代码结构与调用流程,并重点讲解信号对齐、

weixin_30984001的博客 232

MATLAB工具包全解析与应用指南

MATLAB,全称为“Matrix Laboratory”,是由MathWorks公司开发的一款高性能数值计算和可视化软件,广泛应用于工程计算、数据分析以及算法开发等领域。它具有强大的矩阵处理能力、丰富的函数库、高效的数值算法、便捷的图形界面及与其他编程语言良好的互操作性。在MATLAB中,信号处理工具包提供了大量用于分析、设计和实现信号处理系统的函数。这些函数覆盖了从基本信号生成、滤波器设计到高级频谱分析等广泛的应用。fft:快速傅里叶变换,用于分析信号的频率成分。filter。

weixin_35639680的博客 1290

Matlab基础知识与应用教程

本文还有配套的精品资源,点击获取 简介:本教程面向初学者,全面介绍了Matlab编程环境在科学计算、数据分析和工程应用中的使用。通过学习Matlab的数值计算、矩阵操作、图像处理、函数和脚本编写、控制流、数据可视化、文件输入/输出、面向对象编程、扩展工具箱和代码调试等方面,学生将能够掌握Matlab的基础知识和核心概念,并能够解决实际问题。随着学习的深入,学生可以进一步探索...

weixin_42593701的博客 1289

MATLAB编程与应用实践:源代码解析

MATLAB作为一款高性能的数值计算和可视化软件,广泛应用于工程计算、控制设计、信号处理与通信系统等领域。本章将作为文章的起点,简要介绍MATLAB的发展历史、特点和适用的行业场景,为读者提供一个全面的概览。接下来,各章节将深入探讨MATLAB的编程基础、语法结构、核心数据类型以及数值计算等核心主题。本章旨在为读者搭建一个初步的知识框架,以便更好地理解和吸收后续章节内容。通过本章,读者将对MATLAB编程有一个全面的认识,并为深入学习打下坚实的基础。

weixin_33608403的博客 911

Matlab轨道计算及SGP4模型源码解析

低地球轨道(LEO)物体的动力学是SGP4模型的基础。在低地球轨道上,人造卫星和太空碎片等物体受到地球的引力作用以及大气阻力的影响,这些因素共同决定了它们的运动轨迹。在近地空间,卫星轨道受到的摄动效应较为复杂,包括地球扁率、大气阻力、太阳和月球引力等多种因素的影响。为了准确预测LEO物体的轨道,需要考虑这些复杂的摄动力,并将其简化为数学模型。SGP4模型即是在一系列的假设和近似下构建的简化模型,它能够快速计算出在上述摄动力影响下的卫星位置和速度,广泛应用于航天领域。

weixin_42433737的博客 1590

Matlab基础与传热建模全面解析

Matlab提供了丰富的内置函数,涵盖了数学计算、数据分析、图形绘制等多个领域。要使用这些函数,只需要在命令窗口或脚本中直接调用它们。% 示例:使用内置函数计算向量的均值disp(['数据的均值为:', num2str(meanValue)]);除了内置函数,Matlab允许用户编写自定义函数。自定义函数能够封装复杂的逻辑,使代码更易于管理和复用。% ADDTWONUMBERS 计算两个数的和end% 调用自定义函数。

weixin_35696112的博客 1151

MATLAB基础作业练习与深入解析

MATLAB提供了丰富的工具箱(Toolbox),这些工具箱是特定应用领域的功能集合,它们为用户在特定专业领域内的问题提供了现成的函数和应用程序接口(API)。从信号处理到机器学习,从图像处理到仿真,几乎每个专业领域都有对应的工具箱。官方文档为每个工具箱提供了详细的介绍,包括它的设计目的、主要功能、使用的案例以及每个函数的详细使用说明。例如,信号处理工具箱提供了用于分析、设计和实现信号处理系统的一系列函数;神经网络工具箱则提供了用于建立、训练和模拟人工神经网络的函数。

weixin_33773084的博客 746

储能逆变器动态无功补偿:从原理到算法实现

本文深入解析了储能逆变器动态无功补偿的核心原理与算法实现。通过四象限运行与解耦控制技术,储能逆变器可在充放电的同时,快速、精准地调节无功功率,有效提升电网电能质量与功率因数。文章详细阐述了从相位调节、容量限制到PI控制算法的完整技术路径,并结合工程实践,探讨了其在光伏/储能系统中的协同控制策略与进阶应用价值。

weixin_29216353的博客 210

OpenCV实战:高效检测与识别多类型条码与二维码

本文详细介绍了如何利用OpenCV的BarcodeDetector和QRCodeDetector模块,高效实现EAN-13条形码与常见二维码的检测与识别。内容涵盖从环境搭建、单码识别到处理多二维码的完整流程,并分享了提升识别率的图像预处理与性能优化等实战技巧,帮助开发者一站式解决视觉项目中的条码识别需求。

weixin_29094539的博客 495

[小梅哥FPGA] 如何通过动态重配置实现FPGA时钟的实时频率/相位/占空比调整?

PLL和MMCM是实际存在的硬件电路,用以对输入时钟的负面变化,如抖动、频率变化、相位偏移、占空比失真等进行处理。基于该表,用户在初始化Clk_Wiz后,只需要计算好所需的频率、相位、占空比对应的设置值,使用Xil_Out32函数配置对应寄存器即可。通过上述步骤,在平时的开发调试过程中,亦或是一些对于时钟可能有着实时性要求的设计(如数据采集、图像处理)里,我们便可以在无需重新修改设计的前提下,通过AXI4总线来完成对时钟频率、相位的调控,从而达到缩短设计周期以及让设计适应更多场景的目的。

zgmxs的专栏 2499

TeXstudio完整安装配置教程(2025最新版)

至此,你已经完成了TeXstudio的完整安装和配置!现在你可以:✅ 使用TeXstudio编写LaTeX文档✅ 正确编译中英文混排的文档✅ 掌握基本的编辑和配置技巧LaTeX的学习曲线较陡,但一旦掌握,你会发现它在学术写作中的强大之处。建议从简单的文档开始练习,逐步掌握更高级的功能。祝你LaTeX写作顺利!如果有任何问题,欢迎在评论区留言交流。关键词:TeXstudio安装、LaTeX环境配置、中文LaTeX、TeX Live、学术论文写作更新日期:2025年10月。

weixin_51241407的博客 4511

Akamai-3.0补环境逆向-DHL快递查询

那么我们的请求过程就是:1.请求首页的html文件,通过re或xpath,提取到这个url,拼接官网地址,得到这个js文件的地址。返回的_abck为0,表示环境正确,请求搜索接口返回200,说明返回的_abck正确,如果过程错误或环境补的有问题会返回403或428这两个状态码。那么,就是这个包返回的,而且这个包需要请求两次,第一次get请求,返回的这个-1的cookie,第二次请求,带上一个sensor_data的参数,进行post请求,最终返回这个0的cookie,代表你过了akamai这个盾。

2302_76420666的博客 2858

grpc安装与简单demo测试

grpc安装: 由于工作需要,最近在学google的rpc开源框架;由于本人菜鸟一枚,而且是从Windows开发转到Linux;由于之前版本控制使用的是svn,没有使用过git,所以从GitHub上下载代码是通过浏览器下载zip格式的压缩文件,折腾了好几天了,发现了各种坑,各种缺少库,各种不知道怎么把这个库给装机器上。对于一个不熟悉Linux的人来说,这个体验简直糟糕透了。没办法了又在机器上装了...

old__captain的博客 4834

ArcGIS Pro 拓扑编辑实战:从‘地图拓扑’到‘共享编辑’,手把手教你批量修改要素

本文详细介绍了ArcGIS Pro中的拓扑编辑功能,从地图拓扑配置到共享编辑技巧,手把手教你如何批量修改要素。通过实战案例展示拓扑编辑在城市规划、地籍管理等场景中的应用,显著提升编辑效率并减少拓扑错误,是现代GIS技术的重要生产力工具。

weixin_30500473的博客 505

TPAMI 2024 | MO-MIX:基于深度强化学习的多目标多智能体协同决策

深度强化学习(RL)已被广泛应用于解决复杂的决策问题。在许多现实世界的场景中,任务通常有多个相互冲突的目标,并且可能需要多个智能体进行合作,这些是多目标多智能体决策问题。然而,在这个交叉领域的研究工作还相对较少。现有的方法仅限于单独的领域,并且只能处理具有单一目标的多智能体决策,或者具有单一智能体的多目标决策。在本文中,我们提出了MO-MIX来解决多目标多智能体强化学习(MOMARL)问题。我们的方法基于集中训练与分散执行(CTDE)框架。

小白学视觉 1133

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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")

上一篇: 3、MATLAB优化计算与基础使用全解析
下一篇: 基于嵌入的高效安全电路计算
php55
博客等级 码龄15年 51粉丝 1553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  | 博主筛选后可见
 
 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