




版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、聚類方法,聚類方法概述 劃分聚類方法 層次聚類方法 密度聚類方法 其它聚類方法,*,1,什么是聚類,聚類(clustering),指將樣本分到不同的組中使得同一組中的樣本差異盡可能的小,而不同組中的樣本差異盡可能的大。 聚類得到的不同的組稱為簇(cluster)。 一個(gè)好的聚類方法將產(chǎn)生以下的聚類 最大化類中的相似性 最小化類間的相似性,*,2,2020/9/11,數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘,3,什么是聚類分析?,聚類分析是根據(jù)“物以類聚”的道理,對(duì)樣本或指標(biāo)進(jìn)行分類的一種多元統(tǒng)計(jì)分析方法,它們討論的對(duì)象是大量的樣本,要求能合理地按各自的特性進(jìn)行合理的分類,沒有任何模式可供參考或依循,即在沒有先驗(yàn)知識(shí)
2、的情況下進(jìn)行的。,2020/9/11,數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘,4,聚類分析的基本思想,基本思想是認(rèn)為研究的樣本或變量之間存在著程度不同的相似性(親疏關(guān)系)。 根據(jù)一批樣本的多個(gè)觀測(cè)指標(biāo),找出一些能夠度量樣本或變量之間相似程度的統(tǒng)計(jì)量,以這些統(tǒng)計(jì)量作為分類的依據(jù),把一些相似程度較大的樣本(或指標(biāo))聚合為一類,把另外一些相似程度較大的樣本(或指標(biāo))聚合為一類,直到把所有的樣本(或指標(biāo))都聚合完畢,形成一個(gè)由小到大的分類系統(tǒng)。,2020/9/11,數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘,5,聚類分析無(wú)處不在,誰(shuí)經(jīng)常光顧商店,誰(shuí)買什么東西,買多少? 按會(huì)員卡記錄的光臨次數(shù)、光臨時(shí)間、性別、年齡、職業(yè)、購(gòu)物種類、金額等變量聚類
3、 這樣商店可以 識(shí)別顧客購(gòu)買模式(如喜歡一大早來(lái)買酸奶和鮮肉,習(xí)慣周末時(shí)一次性大采購(gòu)) 刻畫不同的客戶群的特征,2020/9/11,數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘,8,聚類的應(yīng)用領(lǐng)域,經(jīng)濟(jì)領(lǐng)域: 幫助市場(chǎng)分析人員從客戶數(shù)據(jù)庫(kù)中發(fā)現(xiàn)不同的客戶群,并且用購(gòu)買模式來(lái)刻畫不同的客戶群的特征。 誰(shuí)喜歡打國(guó)際長(zhǎng)途,在什么時(shí)間,打到那里? 對(duì)住宅區(qū)進(jìn)行聚類,確定自動(dòng)提款機(jī)ATM的安放位置 股票市場(chǎng)板塊分析,找出最具活力的板塊龍頭股 企業(yè)信用等級(jí)分類 生物學(xué)領(lǐng)域: 推導(dǎo)植物和動(dòng)物的分類; 對(duì)基因分類,獲得對(duì)種群的認(rèn)識(shí) 數(shù)據(jù)挖掘領(lǐng)域 作為其他數(shù)學(xué)算法的預(yù)處理步驟,獲得數(shù)據(jù)分布狀況,集中對(duì)特定的類做進(jìn)一步的研究,聚類與分類的
4、差別,聚類與分類最主要的差別是聚類的樣本不具有類別標(biāo)號(hào),而分類的樣本具有類別標(biāo)號(hào)。 聚類是無(wú)監(jiān)督學(xué)習(xí)(unsupervised learning),而分類是有監(jiān)督學(xué)習(xí)(supervised learning)。因此,分類里有訓(xùn)練和測(cè)試,而聚類沒有訓(xùn)練。 盡管分類是識(shí)別對(duì)象組類別的有效手段,但需要高昂的代價(jià)收集和標(biāo)記訓(xùn)練樣本集。因此,聚類提供了一種新的處理模式:先把數(shù)據(jù)集劃分為組,然后給有限的組指定類別標(biāo)號(hào)。,*,9,對(duì)聚類方法的一些要求,可伸縮性 處理不同類型屬性的能力 發(fā)現(xiàn)任意形狀的聚類 用于決定輸入?yún)?shù)的領(lǐng)域知識(shí)最小化 處理噪聲數(shù)據(jù)和孤立點(diǎn)的能力 對(duì)于輸入紀(jì)錄的順序不敏感 高維性 基于約束
5、的聚類 可解釋性和可用性,*,10,聚類分析中的數(shù)據(jù)類型,數(shù)據(jù)矩陣 相異度矩陣,*,11,標(biāo)準(zhǔn)度量的聚類描述,歐氏距離 衡量的是多維空間中各個(gè)點(diǎn)之間的絕對(duì)距離 曼哈頓距離 曼哈頓距離來(lái)源于城市區(qū)塊距離,是將多個(gè)維度上的距離進(jìn)行求和后的結(jié)果 明考斯基距離 是對(duì)多個(gè)距離度量公式的概括性的表述,這里的p值是一個(gè)變量,當(dāng)p=2的時(shí)候就得到了上面的歐氏距離。,*,12,聚類分析中的數(shù)據(jù)類型,向量對(duì)象的距離算法 余弦度量實(shí)際上計(jì)算的是向量x與y之間夾角的余弦值。 余弦度量對(duì)于平移與放大是不變的。,*,13,主要聚類方法的分類,聚類方法大致可以分為以下幾類: 劃分聚類方法 層次聚類方法 密度聚類方法 網(wǎng)格聚
6、類方法 基于模型的方法 其它聚類方法,*,14,主要聚類方法的分類,劃分聚類方法 劃分方法將給定的數(shù)據(jù)集劃分成k份,每份為一個(gè)簇。劃分方法通常采用迭代重定位技術(shù),嘗試通過對(duì)象在簇之間的移動(dòng)在改進(jìn)劃分。,*,15,主要聚類方法的分類,層次聚類方法 層次聚類方法創(chuàng)建給定數(shù)據(jù)對(duì)象集的層次分解。一般可以分為凝聚法與分裂法。 凝聚法:也稱為自底向上的方法,開始將每個(gè)對(duì)象形成單獨(dú)的簇,然后逐次合并相近的對(duì)象或簇,直到滿足終止條件。 分裂法:也稱為自頂向下的方法,開始將所有對(duì)象放入一個(gè)簇中,每次迭代,簇分裂為更小的簇,直到滿足終止條件。,*,16,主要聚類方法的分類,密度聚類方法 大部分劃分方法基于對(duì)象間的
7、距離進(jìn)行聚類,這樣的方法只能發(fā)現(xiàn)球形簇,不能發(fā)現(xiàn)任意形狀的簇。 基于密度的聚類方法的思想是:只要鄰域中的密度超過某個(gè)閾值,就繼續(xù)聚類。 基于密度的聚類方法既可以發(fā)現(xiàn)任意形狀的簇,也可以過濾噪聲。,*,17,主要聚類方法的分類,網(wǎng)格聚類方法:把對(duì)象空間化為有限的數(shù)目單元,形成一個(gè)網(wǎng)格結(jié)構(gòu),所有的聚類操作都在網(wǎng)格結(jié)構(gòu)內(nèi)進(jìn)行。它的優(yōu)點(diǎn)是處理速度快。 基于模型的聚類方法:為每個(gè)簇假定一個(gè)模型,并尋找數(shù)據(jù)對(duì)給定模型的最佳組合。 其它聚類方法包括:針對(duì)高維數(shù)據(jù)的聚類方法,基于約束條件的聚類方法等等。,*,18,劃分聚類算法,給定一個(gè)有n個(gè)對(duì)象的數(shù)據(jù)集,劃分聚類技術(shù)將構(gòu)造數(shù)據(jù)k個(gè)劃分,每一個(gè)劃分就代表一個(gè)簇
8、。也就是說,它將數(shù)據(jù)劃分為k個(gè)簇,而且這k個(gè)劃分滿足下列條件: 每一個(gè)簇至少包含一個(gè)對(duì)象。 每一個(gè)對(duì)象屬于且僅屬于一個(gè)簇。 對(duì)于給定的k,算法首先給出一個(gè)初始的劃分方法,以后通過反復(fù)迭代的方法改變劃分,使得每一次改進(jìn)之后的劃分方案都較前一次更好。 k-means算法 PAM算法,*,19,劃分聚類算法,一種直接方法就是觀察聚類的類內(nèi)差異(within cluster variation)和類間差異(Between cluster variation)。 類內(nèi)差異:衡量聚類的緊湊性,類內(nèi)差異可以用特定的距離函數(shù)來(lái)定義,例如, 類間差異:衡量不同聚類之間的距離,類間差異定義為聚類中心間的距離,例如
9、, 聚類的總體質(zhì)量可被定義為w(c)和b(c)的一個(gè)單調(diào)組合,比如w(c) / b(c) 。,*,20,k-means算法,k-means 算法基本步驟 從 n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類中心; 根據(jù)每個(gè)聚類對(duì)象的均值(中心對(duì)象),計(jì)算每個(gè)對(duì)象與這些中心對(duì)象的距離;并根據(jù)最小距離重新對(duì)相應(yīng)對(duì)象進(jìn)行劃分; 重新計(jì)算每個(gè)(有變化)聚類的均值(中心對(duì)象); 計(jì)算標(biāo)準(zhǔn)測(cè)度函數(shù),當(dāng)滿足一定條件,如函數(shù)收斂時(shí),則算法終止;如果條件不滿足則回到步驟2。,*,21,k-means算法,*,22,算法5-1 k-means算法 輸入:簇的數(shù)目k和包含n個(gè)樣本的數(shù)據(jù)庫(kù)。 輸出:k個(gè)簇,使平方誤差準(zhǔn)則
10、最小。 (1)assign initial value for means; /*任意選擇k個(gè)對(duì)象作為初始的簇中心;*/ (2) REPEAT (3) FOR j=1 to n DO assign each xj to the closest centers; (4) FOR i=1 to k DO / *更新簇平均值*/ (5) Compute /*計(jì)算準(zhǔn)則函數(shù)E*/ (6) UNTIL E不再明顯地發(fā)生變化。,k-means算法,初始化聚類中心(k=3); 根據(jù)每個(gè)樣本到各個(gè)中心的距離,計(jì)算k個(gè)簇。 使用每個(gè)簇的樣本,對(duì)每個(gè)簇生成新的中心。 重復(fù)STEP2和STEP3直到終止條件滿足。,*
11、,23,劃分聚類算法,請(qǐng)使用k-means算法對(duì)左邊的樣本進(jìn)行分類,其中k=2,初始中心為樣本1和樣本3。(第一次迭代),*,24,樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,劃分聚類算法,紅色的樣本屬于一個(gè)簇,橙色的樣本屬于一個(gè)簇 計(jì)算每個(gè)簇新的中心 使用新的中心,重新對(duì)每個(gè)樣本所在的簇進(jìn)行分配(第二次迭代),*,25,樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,劃分聚類算法,紅色的樣本屬于一個(gè)簇,橙色的樣本屬于一個(gè)簇
12、 計(jì)算每個(gè)簇新的中心 使用新的中心,重新對(duì)每個(gè)樣本所在的簇進(jìn)行分配(第三次迭代) 簇的分配情況沒有變化,聚類終止,*,26,樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,k-means算法例題,*,27,樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,根據(jù)所給的數(shù)據(jù)通過對(duì)其實(shí)施k-means (設(shè)n=8,k=2),,其主要執(zhí)行執(zhí)行步驟: 第一次迭代:假定隨機(jī)選擇的兩個(gè)對(duì)象,如序號(hào)1和序號(hào)3當(dāng)作初始點(diǎn),分別找到離兩點(diǎn)最近的對(duì)象,
13、并產(chǎn)生兩個(gè)簇1,2和3,4,5,6,7,8。 對(duì)于產(chǎn)生的簇分別計(jì)算平均值,得到平均值點(diǎn)。 對(duì)于1,2,平均值點(diǎn)為(1.5,1)(這里的平均值是簡(jiǎn)單的相加出2); 對(duì)于3,4,5,6,7,8,平均值點(diǎn)為(3.5,3)。 第二次迭代:通過平均值調(diào)整對(duì)象的所在的簇,重新聚類,即將所有點(diǎn)按離平均值點(diǎn)(1.5,1)、(3.5,1)最近的原則重新分配。得到兩個(gè)新的簇:1,2,3,4和5,6,7,8。重新計(jì)算簇平均值點(diǎn),得到新的平均值點(diǎn)為(1.5,1.5)和(4.5,3.5)。 第三次迭代:將所有點(diǎn)按離平均值點(diǎn)(1.5,1.5)和(4.5,3.5)最近的原則重新分配,調(diào)整對(duì)象,簇仍然為1,2,3,4和5,6
14、,7,8,發(fā)現(xiàn)沒有出現(xiàn)重新分配,而且準(zhǔn)則函數(shù)收斂,程序結(jié)束。,迭代次數(shù)平均值平均值產(chǎn)生的新簇新平均值新平均值 (簇1) (簇2) (簇1) (簇2) 1(1,1)(1,2)1,2,3,4,5,6,7,8(1.5,1)(3.5,3) 2(1.5,1)(3.5,3)1,2,3,4,5,6,7,8(1.5,1.5)(4.5,3.5) 3(1.5,1.5)(4.5,3.5)1,2,3,4,5,6,7,8(1.5,1.5)(4.5,3.5),樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,練習(xí),請(qǐng)使用k-means算法對(duì)
15、左邊的樣本進(jìn)行分類,其中k=3,初始中心為樣本1、樣本3和樣本7。,*,28,樣本數(shù)據(jù) 序號(hào) 屬性 1 屬性 2 1 1 1 2 2 1 3 1 2 4 2 2 5 4 3 6 5 3 7 4 4 8 5 4,k-means算法的性能分析,主要優(yōu)點(diǎn): 是解決聚類問題的一種經(jīng)典算法,簡(jiǎn)單、快速。 對(duì)處理大數(shù)據(jù)集,該算法是相對(duì)可伸縮和高效率的。 當(dāng)結(jié)果簇是密集的,它的效果較好。 主要缺點(diǎn) 在簇的平均值被定義的情況下才能使用,可能不適用于某些應(yīng)用。 必須事先給出k(要生成的簇的數(shù)目),而且對(duì)初值敏感,對(duì)于不同的初始值,可能會(huì)導(dǎo)致不同結(jié)果。 不適合于發(fā)現(xiàn)非凸面形狀的簇或者大小差別很大的簇。而且,它對(duì)于
16、“躁聲”和孤立點(diǎn)數(shù)據(jù)是敏感的。,*,29,k-means算法的幾種變異,k -means算法對(duì)于孤立點(diǎn)是敏感的。為了解決這個(gè)問題,我們引入了k-中心點(diǎn)算法,該算法不采用簇中的平均值作為參照點(diǎn),可以選用簇中位置最中心的對(duì)象,即中心點(diǎn)作為參照點(diǎn)。這樣劃分方法仍然是基于最小化所有對(duì)象與其參照點(diǎn)之間的相異度之和的原則來(lái)執(zhí)行的。,*,30,PAM算法,PAM是最早提出的k-中心點(diǎn)算法之一,它選用簇中最中心的對(duì)象作為代表對(duì)象,試圖對(duì)n個(gè)對(duì)象給出k個(gè)劃分。 代表對(duì)象也被稱為是中心點(diǎn),其他對(duì)象則被稱為非代表對(duì)象。 最初隨機(jī)選擇k個(gè)對(duì)象作為中心點(diǎn),該算法反復(fù)地用非代表對(duì)象來(lái)代替中心點(diǎn),試圖找出更好的中心點(diǎn),以改
17、進(jìn)聚類的質(zhì)量。,*,31,層次聚類算法,層次聚類方法對(duì)給定的數(shù)據(jù)集進(jìn)行層次的分解,直到某種條件滿足為止。具體又可分為: 凝聚的層次聚類:一種自底向上的策略,首先將每個(gè)對(duì)象作為一個(gè)簇,然后合并這些原子簇為越來(lái)越大的簇,直到某個(gè)終結(jié)條件被滿足。 分裂的層次聚類:采用自頂向下的策略,它首先將所有對(duì)象置于一個(gè)簇中,然后逐漸細(xì)分為越來(lái)越小的簇,直到達(dá)到了某個(gè)終結(jié)條件。 層次凝聚的代表是AGNES算法。層次分裂的代表是DIANA算法。,*,32,AGNES算法,AGNES (AGglomerative NESting)算法最初將每個(gè)對(duì)象作為一個(gè)簇,然后這些簇根據(jù)某些準(zhǔn)則被一步步地合并。兩個(gè)簇間的相似度有多
18、種不同的計(jì)算方法。聚類的合并過程反復(fù)進(jìn)行直到所有的對(duì)象最終滿足簇?cái)?shù)目。,*,33,算法5-3 AGNES(自底向上凝聚算法) 輸入:包含n個(gè)對(duì)象的數(shù)據(jù)庫(kù)。 輸出:滿足終止條件的若干個(gè)簇。 (1) 將每個(gè)對(duì)象當(dāng)成一個(gè)初始簇; (2) REPEAT (3) 計(jì)算任意兩個(gè)簇的距離,并找到最近的兩個(gè)簇; (4) 合并兩個(gè)簇,生成新的簇的集合; (5) UNTIL 終止條件得到滿足;,AGNES算法,兩個(gè)簇的距離可以通過以下定義得到 若采用最小距離的定義,簇與簇的合并方式稱為單鏈接方法。,*,34,AGNES算法,假如空間中的五個(gè)點(diǎn)A、,各點(diǎn)之間的距離關(guān)系如表1所示,其中A,B是一個(gè)簇,C,D,E是一個(gè)
19、簇。計(jì)算這兩個(gè)簇的最小距離與最大距離。,*,35,AGNES算法,使用AGNES算法對(duì)下面的數(shù)據(jù)集進(jìn)行聚類。,*,36,AGNES算法,使用AGNES算法對(duì)下面 的數(shù)據(jù)集進(jìn)行聚類。 l=4 l=3 l=2 l=1 l=0 A B C D E,*,37,AGNES算法,使用AGNES算法對(duì)下面 的數(shù)據(jù)集進(jìn)行聚類。 l=4 l=3 l=2 l=1 l=0 A B C D E,*,38,AGNES算法,使用AGNES算法對(duì)下面 的數(shù)據(jù)集進(jìn)行聚類。 l=4 l=3 l=2 l=1 l=0 A B C D E,*,39,AGNES算法,使用AGNES算法對(duì)下面 的數(shù)據(jù)集進(jìn)行聚類。 l=4 l=3 l=2
20、 l=1 l=0 A B C D E,*,40,AGNES算法,層次聚類方法的終止條件: 設(shè)定一個(gè)最小距離閾值D,如果最相近的兩個(gè)簇的距離已經(jīng)超過D,則它們不需再合并,聚類終止。 限定簇的個(gè)數(shù)k,當(dāng)?shù)玫降拇氐膫€(gè)數(shù)已經(jīng)達(dá)到k,則聚類終止。,*,41,AGNES算法性能分析,AGNES算法比較簡(jiǎn)單,但一旦一組對(duì)象被合并,下一步的處理將在新生成的簇上進(jìn)行。已做處理不能撤消,聚類之間也不能交換對(duì)象。增加新的樣本對(duì)結(jié)果的影響較大。 假定在開始的時(shí)候有n個(gè)簇,在結(jié)束的時(shí)候有1個(gè)簇,因此在主循環(huán)中有n次迭代,在第i次迭代中,我們必須在n-i+1個(gè)簇中找到最靠近的兩個(gè)聚類。另外算法必須計(jì)算所有對(duì)象兩兩之間的距
21、離,因此這個(gè)算法的復(fù)雜度為 O(n2),該算法對(duì)于n很大的情況是不適用的。,*,42,第五章 聚類方法 內(nèi)容提要,聚類方法概述 劃分聚類方法 層次聚類方法 密度聚類方法 其它聚類方法,*,43,密度聚類算法,密度聚類方法的指導(dǎo)思想是,只要一個(gè)區(qū)域中的點(diǎn)的密度大于某個(gè)域值,就把它加到與之相近的聚類中去。這類算法能克服基于距離的算法只能發(fā)現(xiàn)“類球形”的聚類的缺點(diǎn),可發(fā)現(xiàn)任意形狀的聚類,且對(duì)噪聲數(shù)據(jù)不敏感。 但計(jì)算密度單元的計(jì)算復(fù)雜度大,需要建立空間索引來(lái)降低計(jì)算量,且對(duì)數(shù)據(jù)維數(shù)的伸縮性較差。這類方法需要掃描整個(gè)數(shù)據(jù)庫(kù),每個(gè)數(shù)據(jù)對(duì)象都可能引起一次查詢,因此當(dāng)數(shù)據(jù)量大時(shí)會(huì)造成頻繁的I/O操作。 代表算
22、法有:DBSCAN、OPTICS、DENCLUE算法等。,*,44,DBSCAN算法,DBSCAN(Density-Based Spatial Clustering of Applications with Noise)一個(gè)比較有代表性的基于密度的聚類算法。與劃分和層次聚類方法不同,它將簇定義為密度相連的點(diǎn)的最大集合,能夠把具有足夠高密度的區(qū)域劃分為簇,并可在有“噪聲”的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類。,*,45,DBSCAN算法,定義 5-3 對(duì)象的-臨域:給定對(duì)象在半徑內(nèi)的區(qū)域。 定義 5-4 核心對(duì)象:如果一個(gè)對(duì)象的-臨域至少包含最小數(shù)目MinPts個(gè)對(duì)象,則稱該對(duì)象為核心對(duì)象。 例如,
23、在下圖中,=1cm,MinPts=5,q是一個(gè)核心對(duì)象。,*,46,DBSCAN算法,定義 5-5 直接密度可達(dá):給定一個(gè)對(duì)象集合D,如果p是在q的-鄰域內(nèi),而q是一個(gè)核心對(duì)象,我們說對(duì)象p從對(duì)象q出發(fā)是直接密度可達(dá)的。 例如,在下圖中,=1cm,MinPts=5,q是一個(gè)核心對(duì)象,對(duì)象p從對(duì)象q出發(fā)是直接密度可達(dá)的。,*,47,DBSCAN算法,定義 5-6 密度可達(dá)的:如果存在一個(gè)對(duì)象鏈p1,p2,pn,p1=q,pn=p,對(duì)piD,(1=i=n),pi+1是從pi關(guān)于和MitPts直接密度可達(dá)的,則對(duì)象p是從對(duì)象q關(guān)于和MinPts密度可達(dá)的。 例如,在下圖中,=1cm,MinPts=5,q是一個(gè)核心對(duì)象,p1是從q關(guān)于和MitPts直接密度可達(dá),p是從p1關(guān)于和MitPts直接密度可達(dá),則對(duì)象p從對(duì)象q關(guān)于和MinPts密度可達(dá)的。,*,48,DBSCAN算法,定義 5-7密度相連的:如果對(duì)象集合D中存在一個(gè)對(duì)象o,使得對(duì)象p和q是從o關(guān)于和MinP
溫馨提示
- 1. 本站所有資源如無(wú)特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年甘肅張掖市民樂縣前進(jìn)牧業(yè)(德瑞牧場(chǎng))招聘考試筆試試題(含答案)
- 2025年安徽蚌埠市東方投資集團(tuán)有限公司下屬子公司招聘考試筆試試題(含答案)
- 【來(lái)賓】2025年廣西來(lái)賓市商務(wù)局招聘筆試歷年典型考題及考點(diǎn)剖析附帶答案詳解
- 制作小弓箭教學(xué)課件
- 整車性能檢測(cè)技術(shù)課件
- 整式除法說課課件
- 農(nóng)作物秸稈綜合利用情況調(diào)研報(bào)告
- 敬畏生命小學(xué)班會(huì)課件
- 敬業(yè)與樂業(yè)小學(xué)生課件
- 意外險(xiǎn)理賠調(diào)查實(shí)務(wù)及典型案例分析
- GB/T 16451-2008天然脂肪醇
- GB 5013.2-1997額定電壓450/750V及以下橡皮絕緣電纜第2部分:試驗(yàn)方法
- 山東省中小學(xué)校檔案管理暫行辦法
- 普通高中物理課程標(biāo)準(zhǔn)
- 國(guó)家開放大學(xué)《監(jiān)督學(xué)》形考任務(wù)( 1-4)試題和答案解析
- 完工付款最終付款申請(qǐng)表
- 人工動(dòng)靜脈內(nèi)瘺
- 新版(七步法案例)PFMEA
- 慢阻肺隨訪記錄表正式版
- 廣西大學(xué)數(shù)學(xué)建模競(jìng)賽選拔賽題目
- 受戒申請(qǐng)表(共3頁(yè))
評(píng)論
0/150
提交評(píng)論