关键词： 三维卷积   点云   体素网格   注意力机制   重参数化  

摘要： 随着深度传感设备的发展和普及,其产生的3D点云数据在计算机图形学领域得到广泛应用,例如增强现实/虚拟现实(AR/VR)、机器人和自动驾驶等方面。在过去的几十年中,对3D点云数据的感知高度依赖于手动分析方法,例如设计手工制作的特征。但随着深度学习的蓬勃发展,越来越多的研究人员把深度学习引入到对点云的分析中来。最近,研究人员采用深度学习模型来处理此类任务,显著提高了当前3D点云数据的感知性能。目前,在复杂应用场景中,以较低计算资源及时执行3D点云感知模型的研究受到越来越多人的关注。但点云具有无序性,不规则性和稀疏性,常规方法是将不规则点云转化为规则的体素网格,但是体素网格的复杂度会随着体素分辨率的增加呈现指数级的增长。本文对传统3D卷积块进行了改进和优化,设计了一个轻量级的3D卷积块Rep PVConv。主要工作如下:(1)针对点云的无序性和不规则性,设计了一个轻量级的3D卷积块Rep PVConv,它由基于点云和基于体素的两条支路构成,基于体素的支路通过将不规则的、无序的点云转化为规则且有序的低分辨率体素网格来提取邻域特征;基于点云的支路则提取单个原始点的高分辨率特征来补充体素特征。通过该3D卷积块Rep PVConv可以有效提高3D点云数据的感知性能。(2)针对体素网格高分辨率下复杂度过高,低分辨率下体素特征提取不充分的问题,设计了两种可重新参数化的3D卷积模块,在训练模型时,使用多个不同大小的卷积核来充分提取多个感受野下的体素特征。在推理时,将多个不同大小的卷积核融合到一个卷积核中,以此来减少模型的复杂度,从而大大提高3D网络推理的效率。(3)为了将基于体素的支路和基于点云的支路有效融合,提出了一个注意力模块,传统的融合方法是利用三线性插值算法将体素特征返还给点云,这是一种通过体素网格到点云距离来计算权重的线性方法,这会导致距离点太远但重要的体素特征被忽略。注意力机制能够以非线性方式强制执行3D点云与体素特征的有效融合,从而实现更高的特征提取精度。

关键词： 模仿学习   行为获取   行为编码   行为复现与泛化   共享控制  

摘要： 航空、能源等领域发展的关键之一在于非结构化、多品种、小批量复杂曲面零件的制造。由于这类零件型面复杂、刚度变化大,人工磨抛方式的精度较高但一致性差、加工效率低,机器人磨抛方式的效率较高但离线编程困难、适应性差。为结合二者优势,可以通过模仿学习这一智能运动规划方法将工匠经验融入机器人磨抛系统中。然而,机器人学习熟练工人的磨抛技能时存在如下问题:由于机械臂与工人手臂结构不同、运动性能差异较大,人手运动数据难以映射应用至机器人工作空间;杂乱的人工磨抛路径难以转化为规则的机器人磨抛刀具路径;磨抛轨迹中的工艺经验难以表述为机器人编程语言,这使得将磨抛示教策略直接移植到机器人平台上极具挑战性。本文旨在克服人类示教者与机器人之间的差异,构建复杂环境交互任务中的运动策略学习范式,从示教数据获取与映射、运动策略建模、示教行为复现与优化以及阻抗行为学习四个研究方向开展研究。首先提出了数据驱动的关节空间映射方法实现行为获取时异构式遥操作机器人的运动映射,其次提出了广义高斯混合模型方法实现曲线流形数据集的行为编码,随后提出了基于装袋算法的广义高斯混模型/广义高斯混合回归(Generalized GMM/Generalized GMR,GGMM/GGMR)综合学习器以满足磨抛示教运动复现时的任务约束要求,最后提出了基于共享控制的力控任务示教学习方法以满足磨抛任务中的恒力接触要求。以上研究均在仿真或实机机器人平台上进行了实验验证。主要研究内容如下:1.数据驱动的异构式机器人遥操作动觉示教。首先,建立了以6-P-2P-S并联机器人为主动机器人、OGD-JLRB20串联机器人为从动机器人的异构式遥操作系统。其次,提出了数据驱动的运动映射方法,结合漂移控制将主机器人小工作空间与从机器人大工作空间的映射关系封装为统计模型。最后,运动映射实验中跟踪2000个点的操作轨迹时,从动机器人关节角误差小于0.02rad,计算效率比解析IK法快约7倍。2.基于广义高斯混合模型的行为编码。首先,采用了基于势函数的模糊均值聚类获得示教数据集预分类结果。其次,引入了活动曲轴高斯混合模型和常规高斯混合模型的组合方法广义高斯混合模型,并基于广义EM算法估计混合模型参数。最后,在汉字笔画提取和机器人打磨轨迹建模实验中,所提方法与GMM编码方法相比,混合模型高斯分布数减少38.43%以上,拟合性能提高23.4%以上。3.基于装袋算法的广义高斯混合回归行为复现与泛化。首先,提出了广义高斯混合回归方法和基于多种群遗传算法的高斯参数估计方法,得到统一至欧式空间的高斯参数并计算复现轨迹。其次,设计了基于装袋算法的GGMM/GGMR综合学习器,提高约束运动的复现精度和泛化能力。最后,机器人复杂曲面打磨轨迹的复现实验验证了所提方法的有效性;手写字母复现与泛化实验中复现和泛化轨迹均可准确经过约束点,与基于装袋算法的GMM/GMR方法相比整体误差下降9.5%。4.基于共享控制的力控任务示教学习。首先,提出了基于恒力跟踪任务的局部加权回归模型,进行增量式的模型参数学习。其次,设计了二元控制权动态仲裁方案实现示教中的阻抗参数的分段学习,逐渐得到完整任务状态空间下能自动生成力跟踪参考轨迹的机器人自主编程控制器。最后,搭建了由Haption力反馈手柄和UR5机器人组成的遥操作力控示教平台,在未知刚度平面上进行期望力为10N的力跟踪任务示教学习实验,力跟踪参考面上的力均方差为0.603。

关键词： 高中生   学习意义感   影响因素   父母教养方式   未来取向  

摘要： 学习意义感是学习者对于学习的价值及其与自我的关系的理性认知与情绪体验。学生学习意义感缺失带来了一系列问题,但目前对学习意义感的研究不足,现有研究主要是从教育者和研究者的视角探讨如何提升学生对学习价值的认识,与学习者的日常体验存在较大距离,本研究尝试从当事人(高中生)视角出发探索学习意义感问题。研究采用质性和量化研究方法相结合的混合设计,针对高中生学习意义感的内涵、结构及其影响因素开展研究。研究一通过个体深度访谈收集信息,使用扎根理论方法分析资料,探索了高中生学习意义感的内涵、结构及其影响因素;研究二在研究一基础上,编制了《高中生学习意义感问卷》;研究三使用前期编制的问卷,测查高中生学习意义感的现状,并验证父母教养方式及未来取向(指代研究一探索出来的两个重要影响因素)与高中生学习意义感之间的关系模型。具体内容如下: 研究一遵循质性研究的目的性和强度抽样原则制定了抽样标准,采取过程性抽样的方式,直至理论饱和,共有12位高中生接受了个体深度访谈。每次访谈后会对资料进行初步分析;每位受访者进行完2次访谈后再抽取下一位受访者,依此类推。访谈共获取26万字的转录稿。使用扎根理论对资料进行分析,一级编码获得参考点1544个,提取出自由节点1312个,二级聚焦编码获得意义单元131个,三级理论编码提炼出树状节点20个,归纳为两个研究主题。研究主题1“高中生学习意义感内涵”包含9个树状节点,按覆盖参考点由多到少排序,依次为“取得学业成就”“维护自尊”“未来生活保障”“实现人生理想”“促进自我成长”“满足求知欲”“无学习意义感”“享受学习的过程”及“对优质资源和机会的竞争”。除“无学习意义感”之外,其他维度分别归属于直接意义感、间接意义感、当下意义感和未来意义感等模块。据此建构了高中生学习意义感内涵的扎根理论模型,并对学习意义感的重要性、有(或无)学习意义感的成因及不同学习意义感的转化做了讨论。研究主题2“高中生学习意义感的影响因素”包含11项,按覆盖参考点多少依次为“父母的管教”“学校教师的教育管理”“学习体验”“对未来的态度”“家庭环境”“社会环境”“同辈交往”“兴趣爱好”“他人故事”“个人重要事件”和“认知特点”。 研究二以研究一探索获得的学习意义感内涵的主要维度作为理论构想编制《高中生学习意义感问卷》。初始题项为36题。第一次施测从江苏省某高中的在读学生抽取研究样本;第二次施测从江苏省三所高中的在读学生中抽取研究样本。采用SPSS22.0和LISREL 8.8对收集的数据进行项目分析、探索性因素分析、验证性因素分析。经过数据分析和理论研讨,最终得到的《高中生学习意义感问卷》包含24个题项,划分为5个维度,采用Likert五级计分,题项均为正向计分。问卷内部一致性信度为0.898,有良好的内容效度和结构效度。问卷得分越高说明个体的学习意义感越强。 研究三基于研究一所提取的高中生学习意义感的影响因素,选择其中较为重要的两个(“父母的管教”和“对未来的态度”)进一步探索学习意义感影响因素作用机制。由于时间不足以编制合适的测量工具,因此进行文献综述,使用父母教养方式、未来取向这两个含义接近、便于施测的心理学变量代替“父母的管教”和“对未来的态度”,建立与学习意义感之间的关系模型,即高中生的未来取向在其父母教养方式和学习意义感之间起中介作用。使用研究二编制的《高中生学习意义感问卷》及已有的《简式父母教养方式问卷中文版》《青少年未来取向问卷》作为测量工具,向江苏省两所高中发放组合问卷475份,回收有效问卷423份。使用SPSS 22.0进行统计分析,验证了未来取向在父母教养方式与学习意义感之间的中介作用。对研究三的结果做了进一步讨论,得出如下结论:(1)高中生学习意义感集中于较高水平,在性别和年级上差异显著。(2)父母教养方式中,高中生的父/母情感温暖均可以正向预测高中生的未来取向和学习意义感,父/母拒绝和父/母过度保护均可以负向预测高中生的未来取向;高中生未来取向可以正向预测学习意义感。(3)高中生的未来取向在父亲情感温暖和学习意义感之间、母亲情感温暖和学习意义感之间均起部分中介作用。 本研究最后对研究一、二、三的研究结果做了综合讨论,得出以下总结论: (1)高中生学习意义感集中于较高水平,在性别和年级上差异显著。 (2)高中生学习意义感内涵包括“取得学业成就”“维护自尊”“未来生活保障”“实现人生理想”“促进自我成长”“满足求知欲”“无学习意义感”“享受学习的过程”及“对优质资源和机会的竞争”9个维度。除“无学习意义感”之外,其他维度分别归属于直接意义感、间接意义感、当下意义感和未来意义感等模块。其中,直接意义感与间接意义感相互影响,当下意义感是实现未来意义感的条件;有学习意义感和无学习意义感并非一成不变,在特定情境下会发生转化。

关键词： 贝叶斯方法   高斯过程   集成学习   选择性集成   精准施肥  

摘要： 精准施肥是精准农业重要的一环,也是推进建设农业现代化的核心之一。对于土测含量和产量与施肥量之间的复杂非线性关系,传统的精准施肥手段常常难以得到准确的目标预测值。且获取实际农业数据所需周期长,获取到的实际样本有数量少,不平衡的特点。为解决上述问题本文提出了基于贝叶斯回归网络的同构集成和异构集成学习方法,贝叶斯分析是一种经典实用的统计学方法,在许多领域广泛应用。这种方法可以结合先验信息和全部样本的数据信息进行建模,不仅能给出预测均值,而且能得出对此预测值的置信程度、不确定性。相对于其他机器学习算法贝叶斯回归网络能根据数据信息自适应获取所需超参数。将贝叶斯分析的特性与集成学习结合可以得到了预测能力更加精准,泛化能力更强,且更鲁棒的模型。主要工作如下。1)使用高斯过程回归作为贝叶斯非参回归的载体,通过极大似然法自适应获取模型的超参数。2)利用Bagging方法对训练样本进行可重复采样生成子样本空间训练模型生成若干个体网络。在不同的子样本空间由于数据分布的差异和高斯过程的不稳定性,生成具有预测能力优秀且具有差异度的多个个体网络。在此基础上利用选择性集成思想,通过验证集预测误差排序结合近邻传播聚类算法在所有个体学习器中挑选出一批预测精度高,差异度明显的个体网络代替所有网络进行集成,并对聚类数目对预测的影响进行了探讨。3)为进一步提高模型泛化能力,在结论生成部分提出两种结合策略,一是基于预测准确度加权法,根据模型在验证集给出的预测准确程度分配权重。二是利用贝叶斯分析的特性,直接根据模型在测试集上给出的预测方差的倒数来分配权重。并对比了最优子网络,等权结合策略与此两种结合策略的精准度。4)进一步结合基于预测不确定性加权法的贝叶斯回归网络集成学习模型与随机森林,梯度提升回归树,人工神经网络集成学习模型进行多模型异构集成学习,并对比了此模型与其中四种基模型的预测误差。本文将所提出算法应用于吉林省榆树市玉米试验田获取到的实际农业数据中。实验结果表明,贝叶斯非参数模型下的高斯过程回归网络对小样本数据有很强的拟合能力和泛化能力。在结合策略方面,预测不确定性加权法的精度要优于单个最优子网络,等权结合和预测准确度加权法。同构集成和异构集成相对于单个网络在精准度和泛化能力方面均有提升,其中多模型异构集成进一步提升了预测的精准度和泛化能力,其最大预测误差不超过1%,完全满足实际生产需求。

关键词： 贝叶斯网络   联邦迁移学习   非参数贝叶斯方法   Dirichlet过程   对偶上升法  

摘要： 随着信息时代的到来,数据的表现形式越来越多样化,推理一种现象发生的可行性不能仅依靠信息拥有者有限的知识水平,需要综合考量各方面的因素,例如判断一个人消费意愿需,不能仅根据他的购买记录,要同时考虑他的购买能力,而这两种数据多数情况下并不会隶属于同一机构。上述情景便涉及到多机构联合学习的问题,传统的方式是将数据集中起来进行机器学习模型的构建。然而,然而随着国家对隐私保护的逐渐重视,以及隐私保护法律的逐渐完善,机构之间数据的共享变得极为困难。因此,人们不得不寻求一些基于隐私保护的其他方法,联邦学习正是在这种场景下应运而生的,严格来说,联邦学习是属于基于隐私保护的数据挖掘,目的是通过一些隐私保护的技术手段,保证在不泄露用户隐私的情况下,实现各机构的联合学习。贝叶斯网络作为人工智能领域中处理不确定性问题的一种重要工具,目前对于贝叶斯网络的联邦学习方法的研究仍比较有限,主要集中于基于隐私保护的贝叶斯网络学习方法,贝叶斯网络的联邦学习方法虽然仍属于隐私保护层面,但两者存在具象化的差异,联邦学习更在于强调数据不出本地的性质。本文的主要研究为联邦迁移框架下的贝叶斯网络学习,包括贝叶斯网络的结构学习以及参数学习,以下列出了本文的主要工作:1.提出基于改进Voting算法的贝叶斯网络联邦迁移结构学习。传统的Voting算法在应用于贝叶斯网络联邦迁移学习过程中由于无法消除Voting算法在投票后形成的贝叶斯网络中环的存在,而限制每个参与方必需使用K2算法,导致需要节点拓扑排序这样的专家知识,本文提出的基于改进Voting算法的贝叶斯网络的联邦迁移结构学习,引入并改进网络去环算法NOTEARS,使得每个参与方可以自由选择结构学习算法,因此,也不再需要节点序这样的专家知识。实验结果表明,本文的方法相较于集中式学习方法拥有更高的学习准确度。2.提出基于Dirichlet过程-高斯混合模型的贝叶斯网络联邦参数学习方法。在联邦迁移学习的场景下,不仅不同的参与方拥有不同的数据特征空间,而且拥有不同的样本空间,甚至样本数据拥有着不同的分布,面对这样的情况,对贝叶斯网络参数进行简单的加权平均便不再适用。为了解决上述问题,本文提出在贝叶斯网络已知的情况下,利用非参贝叶斯的方法对来自不同参与方的参数进行归类,使模型参数在整体上与每一个参与方更加契合。实验效果表明,通过本文方法进行参数学习要优于只具有单参数的传统方法。

摘要： 解题是数学学习中不可或缺的核心内容,数学解题的思维实质是发生数学,而不仅仅是“规则的简单重复”或“操作的生硬执行”;解题是数学学习中不可替代的实质活动,是一种最贴近数学思维的实质性活动,是掌握数学、学会“数学地思维”的关键途径.

关键词： Logistic半参数模型   核机器   高维数据   变量选择   LASSO  

摘要： Logistic回归模型是一类常用的以二元结果作为响应变量的分类预测模型,被广泛应用于基因学、生物学和经济学等领域。随着大数据技术的飞速发展,现实数据呈现出高维性,且变量关系复杂。高维数据往往包含大量冗余预测变量,干扰回归模型中响应变量与相关预测变量的关系识别,降低模型预测精度。此外,预测变量与响应变量之间的复杂非线性关系难以灵活刻画,预测变量之间的高阶交互效应也难以自动建模,特别是对于高维情形。如何灵活刻画变量之间的复杂非线性关系,实现变量自动选择,从而实现Logistic半参数模型的精确预测是当前统计科学研究热点问题之一。因此,研究高维数据背景下精准的Logistic半参数模型的构建及其应用能够丰富和发展半参数建模理论方法,同时对于患病风险的精确预测和病人精准治疗方案的制定具有较大实践价值。本文利用“Garrotized”核机器技术逼近非参数函数以灵活刻画预测变量与二元因变量之间的复杂关系,借助LASSO方法自动筛选重要预测变量,构建基于核机器的非可加Logistic半参数模型,并提出一种惩罚Logistic“Garrotized”核机器(Penalized Logistic Garrotized Kernel Machine,PLGKM)方法。本文开发了一种有效的“One-Group-at-a-Time”循环坐标下降算法用于高维模型的快速计算。PLGKM方法的优势在于既能灵活刻画预测变量与响应变量之间的复杂关系,也能实现对预测变量间可能的高阶交互效应的自动建模同时可以自动剔除参数和非参数分量中不相关的预测变量,从而提升模型的预测精度。此外,本文研究了广义半参数模型的PLGKM方法,并以Poisson分布为例,验证Poisson半参数模型的惩罚Garrotized核机器方法的有效性。本文通过蒙特卡洛模拟考察所提出的PLGKM方法的有限样本表现。模拟结果表明在多元、高维甚至超高维情形下,相比于现有代表性方法,PLGKM方法的预测性能更优;相较于LASSO方法,Poisson半参数模型的惩罚Garrotized核机器方法预测精度更高。将所提出的方法用于乳腺癌患病风险预测,实证结果表明相比于现有的代表性方法,PLGKM方法的患病风险预测精度更高,验证了所提出方法的适用性。

关键词： 上市公司   风险指标体系   综合神经网络模型   财务风险预测  

摘要： 伴随着全球经济一体化和结构性改革,上市公司的市场经济地位越发凸显。由于上市公司通常在其经营领域取得了较大市场优势,因此其经营活动往往会使市场整体运行状况产生变动。同时由于公司运营中财务系统所面临的潜在风险会对公司未来经营发展产生重要影响,故上市公司的日常经营运行情况受到越来越多市场研究专家关注,对财务风险进行高精度的预测也逐渐成为金融与经济领域内的热点问题。为此本研究根据上市公司财务数据特点和经济运行规律,对中国上市企业风险预警体系进行了梳理与分析,提出了基于定性和定量数据结合方法的上市公司财务风险预测模型。研究的主要工作如下:在建立模型之前,通过网络爬虫、商业数据库等手段获取历史财务和新闻文本数据,并通过灰色关联方法完成特征指标的筛选,得到20个与风险因变量相关程度较高的自变量,从而建立适合进行风险预警研究的财务分析体系。依据建立的指标体系构建历史单一的历史财务数据风险预警模型,以2018-2020三年在我国沪深主板的上市公司财务数据进行实证分析,说明了建立模型的合理性,为下一步构建综合模型打下基础。在单一模型的基础上,将新闻文本、财务公告等定性数据引入神经网络模型中得到综合预测模型,同时对已有的F分数方法进行改进,引入定性数据变量构建综合风险计算公式。就情感分析具体方法而言,同样为使用深度学习方法进行相关文本的情感判别,得到积极或是消极情感倾向,将情感分析结果纳入指标体系中,使得模型预测结果更加具有说服性。模型建立后选取了大量样本企业对其进行了可靠性检验,其中样本企业中包含了若干个被证监会特殊标记企业,检验结果说明了以建立综合模型进行实际预测的合理性和可行性。接着依旧以2018-2020年的数据对建立的综合模型进行实证案例分析,对实证分析结果进行深入的讨论发现,本研究建立的综合模型能够客观并且较高精度地提前对公司的财务危机做出预测,对行业代表性企业及大量数据企业样本在均方根误差和平均绝对百分比误差上均有一定程度的改进。总体而言,本研究对上市公司财务风险预警的理论体系、方法进行了阐述,根据实际采集到的数据,运用情感分析技术、神经网络理论、灰色分析理论等若干理论进行模型建立的前期准备工作,建立了定性和定量数据相结合的风险预警模型。研究结论包括:金融领域尤其是投资市场往往要考虑宏观市场变动因素,它会对宏观市场和微观个体都产生较为明显影响。同时运用长短期记忆神经网络模型有效地预测了未来一段时间上市公司财务风险因子的变动程度,特别是针对宏观数据的预测表现同样能够说明其可靠性,这也说明了神经网络在金融领域内具备巨大的应用价值。本模型一方面克服了单一量化数据构成的预测模型对市场情绪波动这一重要指标分析不足的缺点,提高了财务风险领域的预测精度,为企业提供了一条针对财务风险预测的新方法,另一方面丰富了财务风险预警理论研究体系,为后续风险预测及控制领域提供了一定的研究参考理论,同时将深度学习应用于上市公司的风险预测,一定程度上拓宽了深度学习的使用边界。

关键词： 深度学习   卷积神经网络   长短时记忆网络   呼吸暂停检测   睡眠分期  

摘要： 目的:由于现代生活节奏加快和生活压力增大等诸多原因,阻塞性睡眠呼吸暂停综合征(Obstructive sleep apnea syndrome,OSAS)等睡眠疾病在我国呈高发趋势。有研究表明OSAS与很多心血管疾病高度相关,具有预后差、死亡率高等特点,因此对于OSAS的早期诊断、预防、早期治疗尤为关键。多导睡眠图(Polysomnography,PSG)是OSAS的诊断金标准,但PSG信号的采集及处理都较为费时费力,尤其在新冠疫情的影响下,医疗资源日益紧张,快捷高效诊断OSAS对于相关患者的意义更为凸显。而睡眠分期及呼吸事件的检测是诊断OSAS的两部分重要工作,我们希望能借助低负荷生理信号如脑电、心电等进行睡眠分期及呼吸暂停检测,继而为呼吸暂停及低通气指数(Apnea–Hypopnea Index,AHI)的准确计算以及OSAS诊断的简易化、便捷化提供可能性。研究方法:本文研究内容主要分为两部分,第一部分使用单通道脑电信号(Electroencephalogram,EEG)应用于14层的一维卷积神经网络(Convolutional neural network,CNN)实现五分类的睡眠分期。第二部分使用双极导联心电信号(Electrocardiogram,ECG)应用于长短时记忆网络(Long and short memory network,LSTM)实现两分类的呼吸事件检测。脑电信号来源于公用数据集SHHS1中500个患者的PSG数据,心电信号来源于SHHS2中420个患者的PSG数据。结果:1、睡眠分期部分通过CNN网络实现了睡眠阶段五分类的目的,各个阶段分类效果较好,综合准确率达到了89%。2、呼吸事件检测部分通过LSTM网络实现了发生呼吸事件及未发生呼吸事件的二分类目的,针对呼吸事件检测达到了91%的准确率。结论:利用一维CNN网络能较好地对脑电信号进行多分类的睡眠分期,分类准确率较高。利用LSTM网络针对心电信号进行呼吸暂停检测也可实现较好的分类效果。深度学习方法能较好地应用于低负荷生理信号上,分别实现睡眠分期及呼吸事件检测,为OSAS的诊断简易化提供了可能性。

摘要： 在上大学之前，其实我是从没听过“摆烂”这个词的，但是当我学到了这个词，我发现它真是能完美诠释我面对摆在我面前的一座座大山时的态度。“一天一门课，一周一学期”的期末、没有眉目的论文报告、琐碎的班级工作、筐里没洗的衣服、迷茫的未来走向……想到即将面临的困难，想到要克服现在这些难题需要付出的努力，不禁觉得人生不值得，干脆撒手开摆。