下载文档原格式
第3章矩阵特征值与特征向量的计算--------学习小结一、本章学习体会通过本章的学习，我知道了求矩阵的特征值和特征向量的问题是代数计算的重要课题，在这一章，我了解到了直接计算矩阵的特征值和特征向量的MATLAB程序、间接计算矩阵的特征值和特征向量的幂法、反幂法、Jacobi方法、QR方法及MATLAB计算程序。
我了解到自己对数值分析及MATLAB的掌握还很肤浅，了解到了自己的不足,同时意识到自己知识点薄弱的地方，还有对知识的理解有偏差。
有的知识点理解的不透彻，自己可以动手做题，但编程实现还需要一定的编程语言知识以及数学知识和机器语言之间的转换。
四种方法各有其特点和适用范围。
幂法主要用于计算矩阵按模最大的特征值及其相应的特征向量；反幂法主要用于计算矩阵按模最小的特征值及其相应的特征向量；Jacobi方法用于求实对称矩阵的全部特征值和特征向量的方法；QR方法则适用于计算一般实矩阵的全部特征值，尤其适用于计算中小型实矩阵的全部特征值。
归结起来，这四种方法亦有其共同点，那就是都是用了迭代的方法来求矩阵的特征值和特征向量。
此外，用MATLAB自带的解法求解特征值和特征向量也非常快速，而且不用编辑函数建立m文件。
二、本章知识梳理本章对于矩阵的特征值和特征向量的算法提出了新的思路，如幂法和反幂法、Jacobi 、QR 方法等。
本章的小结主要从方法的思想，以及一些定理展开。
以下是各种方法的运用范围1、幂法：主要用于计算矩阵按模最大的特征值和其相应的特征向量；2、反幂法：主要计算矩阵按模最小的特征值以及其相应的特征向量；3、Jacobi 方法:用于求实对称矩阵的全部特征值和特征向量的方法；4、QR 方法：适用于计算一般实矩阵的全部特征值，尤其适用于计算中小型实矩阵的全部特征值。
3.1幂法与反幂法一、乘幂法1、基本思想])([2111101∑=-+===n i i k i i kk k k X X u A u A u λλααλ 2、一般算法1）任意给定初始向量;0n R u ∈2）对于k=1，2，...111---=k k k u u y 1-=k k y A u 1111X X y k αα→ 3）如果ε<--1k k u u ,则,,1,1m k m k u u -≈λk u X ≈13、三种迭代公式（1）使用范数2•（2）使用范数∞•（3）)max (k u 表示k u 的绝对值最大的分量。
数值分析第五章学习⼩结第五章学习⼩结姓名：张亚杰班级：机械1505班学号：S2*******⼀、本章学习体会本章的内容与实际关联很⼤，可以解决很多⼯程实际问题。
1、主要有两⽅⾯内容：插值与逼近。
插值即是由已知数据通过某种多项式求出在特定区间的函数值。
逼近即是⽤简单函数近似代替复杂函数，如何在给定的精度下，求出计算量最⼩最佳的多项式，是函数逼近要解决的问题。
2、插值中样条插值⽐较难，需要花⼀定的时间。
逼近主要是必须使选择的多项式计算出的误差最⼩。
3、我个⼈觉得本章的难点是样条插值与最佳平⽅逼近。
⼆、知识构图：因为本章内容较多，故本次知识架构图分为三部分：插值、正交多项式和逼近。
1、插值：2、正交多项式和逼近的知识总结采取以下⽅式：⼀、正交多项式1、正交多项式的概念与性质若在区间上⾮负的函数满⾜（1）对⼀切整数存在；（2）对区间上⾮负连续函数，若则在上，那么，就称为区间上的权函数。
常见的权函数有2、两个函数的内积定义：给定[](),(),,()f x g x C a b x ρ∈是上的权函数，称为函数()f x 与()g x 在[a,b]上的内积。
内积的性质：（1）对称性：()(),,f g g f =；（2）数乘性：(),(,)(,)kf g f kg k f g ==；（3）可加性：()()()1212,,,f f g f g f g +=+；（4）⾮负性：若在[a,b]上()0f x ≠，则。
(,)a b ()x ρ0,()bna n x x dx ρ≥?(,)ab ()f x ()0bn ax x dx ρ=?(,)a b ()0f x ≡()x ρ(,)ab 2()1,()11()11(),0(),x x x a x b x x x x x e x x e x ρρρρρ--≡≤≤=-<<=-≤≤=≤<∞=-∞<<+∞(,)a b (,)()()()ba f g x f x g x dx ρ=?(,)0f f >3、函数的正交（1）两个函数的正交与正交函数系若内积则称()f x 与()g x 在区间[a,b]上带权()x ρ正交若函数系.满⾜则称是上带权的正交函数系。
数值分析-第四章学习小结-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN第4章非线性方程与非线性方程组的迭代解法--------学习小结一、本章学习体会通过本章的学习，我了解了怎么求出非线性方程和非线性方程组的根，只是有很少类型的非线性方程能解出根的解析表达式，对于大多数非线性方程，只能用数值方法求出它的根的近似值。
我学习了非线性方程与非线性方程组的迭代解法。
我感到要想求非线性方程组的精确解是不容易的，困难程度远远超过线性方程组的求解。
首先要了解迭代公式的基本思想，迭代法是一种逐次逼近法,用某个固定公式反复校正根的近似值,使之逐步精确化,最后得到满足精度要求的解，实质上是一个逐步显示化的过程。
最基本的就是在高中学过的二分法，需要在给定的区域选择根，然后在二分，在从中舍弃一个，再选，直到所选的根符合题目所给的条件，但是二分法只能求实根，并且只能求单根和奇数重根，不能求偶数重根和复数根，所以又有它的缺陷，后面又学了斯蒂芬森加速法和牛顿法。
算法都是离不开模型的，我们在学习某种算法时，一定要结合数学模型才能把知识理解到位，比如本章结合几何思想能够很好的理解算法公式的推导说明。
运用这么多的算法去求解非线性方程组，只是能最大程度的求解线性方程组的精确解，但不是精确解。
我们在今后的学习工作中，也可以自己去创造一种算法，使求解更加精确容易。
在求解非线性方程的解的时候，我们要有如下思路：1.如何选取迭代公式；2.如何判断迭代公式的收敛速度；3.如何进行迭代公式的修正，以加速收敛；4.如何选取最适合的迭代方法二、 本章知识梳理1、非线性方程的迭代解法简单迭代法及其收敛性简单迭代法的基本思想)(0)(x x x f ϕ=⇔=迭代法的基本思想是将隐式方程)(x x ϕ=的求根问题归结为计算一组显式公式)(1k k x x ϕ=+一般形式： ,2,1,0),(1==+k x x k k ϕ收敛条件：a 、非局部收敛定理b 、局部收敛定理简单迭代法的收敛速度线性收敛的条件m 阶收敛的条件迭代过程的加速加权法 迭代：)(1k k x x ϕ=+ 改进：k k k x LL x L x ---=++11111 埃特金(Aitken)加速法设序列}{k x 线性收敛到s112212)(++++=+---≈k kk k k k k x x x x x x x s Newton 法（切线法）基本思想:(1)构造法:0)(='s ϕ(2)几何上:逐步线性化方法(3)Taylor 展开 ))((')()(k k k x x x f x f x f -+≈迭代函数：)(')()(x f x f x x -=ϕ 迭代公式： ,2,1,0,)(')(1=-=+k x f x f x x k k k k 几何意义收敛性（1）局部收敛定理（2）非局部收敛定理牛顿下山法)(')(1k k k k x f x f x x -=+)(')(1k k k k x f x f x x λ-=+ k k k x x x )1(11λλ-+=++ 其中10≤<λ称为下山因子通过适当选取下山因子保证函数值)(k x f 能单调下降。
数值分析学习总结感想第一篇：数值分析学习总结感想数值分析学习感想一个学期的数值分析，在老师的带领下，让我对这门课程有了深刻的理解和感悟。
这门课程是一个十分重视算法和原理的学科，同时它能够将人的思维引入数学思考的模式，在处理问题的时候，可以合理适当的提出方案和假设。
他的内容贴近实际，像数值分析，数值微分，求解线性方程组的解等，使数学理论更加有实际意义。
数值分析在给我们的知识上，有很大一部分都对我有很大的帮助，让我的生活和学习有了更加方便以及科学的方法。
像第一章就讲的误差，在现实生活中，也许没有太过于注意误差，所以对误差的看法有些轻视，但在学习了这一章之后，在老师的讲解下，了解到这些误差看似小，实则影响很大，更如后面所讲的余项，那些差别总是让人很容易就出错，也许在别的地方没有什么，但是在数学领域，一个小的误差，就很容易有不好的后果，而学习了数值分析的内容，很容易就可以将误差锁定在一个很小的范围内，在这一范围内再逼近，得出的近似值要准确的多，而在最开始的计算中，误差越小，对后面的影响越小，这无疑是好的。
数值分析不只在知识上传授了我很多，在思想上也对我有很大的影响，他给了我很多数学思想，很多思考的角度，在看待问题的方面上，多方位的去思考，并从别的例子上举一反三。
像其中所讲的插值法，在先学习了拉格朗日插值法后，对其理解透彻，了解了其中的原理和思想，再学习之后的牛顿插值以及三次样条插值等等，都很容易的融会贯通，很容易的就理解了其中所想，他们的中心思想并没有多大的变化，但是使用的方式却是不同的，这不仅可以学习到其中心内容，还可以去学习他们的思考方式，每个不同的思考方式带来的都是不同的算法。
而在看待问题上，不同的思考方式总是可以快速的全方位的去看透彻问题，从而知道如何去解决。
在不断的学习中，知识在不断的获取，能力在不断的提升，同时在老师的不懈讲解下，我逐渐的发现数值分析所涵盖的知识面特别的广泛，而我所需要学习的地方也更加的多，自己的不足也在不断的体现，我知道这只是我刚刚接触到了数学的那一角，在以后我还会接触到更多，而这求知的欲望也在不停的驱赶我，学习的越多，对今后的生活才会有更大的帮助。
矩阵的特征值和特征向量的计算线性代数中对于x Ax λ=,解该方程的特征值λ和特征向量x 的方法主要是使用数值解法,本章学习另外的方法用MATLAB 来编程解某个实矩阵的特征值和特征向量. 一、幂法和反幂法 1.乘幂法幂法主要用于计算矩阵的按模为最大的特征值和对应的特征向量。
（1）思想为: n n X X X u ααα+++= 22110])([2111101∑=-+===ni i ki i kkk k X X u A u A u λλααλ当k 取得足够大时,特征值向量得计算公式为: 特征值为:迭代格式为之一⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧=====∈-------- ,2,1111111110k u y y A u uy u u R u k Tk k k k k k k k Tk k n βηη任取初始向量迭代格式之二⎪⎪⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎪⎪⎨⎧=======------≤≤- ,2,1)sgn(),,,(max ),,,(任取初始向量)()1()()(2)(11)1(11)1(1)1()0()0(2)0(10k h h h h h y A u h u y h h h h h u k r k r k Tk n k k k k k r k k k j nj k r Tn β两种迭代格式相比较, 格式一编程容易, 迭代一次所需时间也短, 迭代格式二迭代时间长, 但它在计算过程中舍入误差的影响较格式一小。
幂法的缺点是如果矩阵A 的特征根有重根时不能用。
2、反幂法目的同乘幂法, 用于计算矩阵的按模为最大的特征值和对应的特征向量。
反幂法的迭代格式为⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧=====∈-------- ,2,1任取初始向量111111110k u y y A u uy u u R u k T k k k k k k k k Tk k n βηη3.带原点位移的反幂法迭代格式为 ,2,1)max(11=⎪⎪⎩⎪⎪⎨⎧===--k m y u y m u A y k kkk k k k三、Jacobi 方法和QR 方法Jacobi 方法主要用于求实对称矩阵的全部特征值和特征向量的一种方法,所以个人觉得雅克比法更为现实更为有用。
数值分析第⼆章学习⼩结-第2章插值法--------学习⼩结姓名班级学号⼀、本章学习体会1.我的感受：在学习本章之前，我在很多地⽅都见到过涉及到插值法的问题，⽐如中学时见到的类似于“给定两组数据，求⽬标函数”，⽣活中的“由坐⽕车的某两站到站时间估计⽕车到其他站的时间”。
⽽经过了《数值分析》第⼆章“插值法”的学习，我知道了简单估计与科学插值之间的关系以及拉格朗⽇插值、⽜顿插值、分段线性插值、三次样条插值、埃尔⽶特插值这些经典的插值⽅法，我知道了插值法是⾮常系统、科学的数学估计⽅法与⼯科领域的优化⽅法。
2.我的困惑：经过了这⼀章插值法的学习，我知道了拉格朗⽇插值、⽜顿插值等等优秀的插值⽅法，但是针对不同的问题，我们应该如何选择最适合的插值⽅法呢？或者说在不同类型的题⽬中各种插值法的优势是什么？（困惑解答在⼩结思考题处）⼆、本章知识梳理b x a x xc x a x s n j j i i ≤≤-+=∑∑-+,)(1)(313三、本章思考题思考题：在不同类型的题⽬中各种插值法的优势劣势分别是什么？思考：1.拉格朗⽇插值：优点：公式结构整齐紧凑，理论分析⽅便简单；缺点：随着插值点的变化计算量成倍增加，计算变得⼗分繁琐，插值点较多时误差⼤数值不稳定。
插值多项式不能全⾯反映被插值函数的性质，不能满⾜插值多项式与被插值函数在部分或全部插值节点上的导数值与⾼阶导数值相等。
2.⽜顿插值：优点：公式结构整齐紧凑，理论分析⽅便简单并且随着插值点的变化计算仍相对⽐较简单；缺点：插值多项式不能全⾯反映被插值函数的性质，不能满⾜插值多项式与被插值函数在部分或全部插值节点上的导数值与⾼阶导数值相等。
3.埃尔⽶特插值优点：插值函数与被插值函数贴合程度⾼，在插值节点上其⼆者导数值相同；缺点：被插值函数在插值节点的导数值在实例中不易知。
4.分段线性插值优点：计算简洁⽅便，舍⼊误差较⼩，数据稳定性好，易编程缺点：在插值节点处不光滑，不满⾜插值节点处插值函数导数连续。
姓名班级学号第六章数值积分一、学习体会这一章主要解决的问题是定积分的数值方法——数值积分法，对于解决一些很难求解原函数或者根本就没有解析表达式的定积分，非常有用。
它直接利用求积公式来求出所给定积分的近似值，使其达到一定的求解精度。
本章第一节首先定义了数值求积公式及其代数精度，之后介绍插值型的求积公式进而引出按照节点等距求解的Newton-Cotes求积公式。
对于该公式对应不同的N那么就产生了不同的求积公式，求积公式的数值稳定性无法得到保证，而且仅适用于少节点的情形，这样就产生了另一类求积公式，即复化求积法，它将区间划分为若干子区间，在每个子区间上运用Newton-Cotes求积公式，进而使得这种方法达到了很高的精确度。
但是计算节点过多又会产生计算量大，所以为了适用最少的节点达到预先的精度，这样就产生了区间主次划分的方法，这种方法的基本思想是让步长可变。
在N个节点的求积公式中，Gauss型求积公式具有最高的求积精度，由于正交多项式随区间和权函数的不同而不同，因而就可以构造出不同类型的求积公式。
我们在进行定积分求解时，要根据求解的条件和结果不同，选择不同的求积方法，进行以得出比较准确的求解结果，这对以后工程上的求解问题有很大帮助。
二、知识梳理)]三、思考题1、推导中点求积公式3''()()()()()()224baa b b a f x dx b a f f a b ξξ+-=-+<<⎰证明：构造一次函数P （x ），使'''',()(),()02222a b a b a b a b P f P f P x ++++⎛⎫⎛⎫=== ⎪ ⎪⎝⎭⎝⎭则，易求得'()()()()222a b a b a b P x f x f +++=-+ 且'()()()()222bb aa ab a b a b P x dx f x f dx +++⎡⎤=-+⎢⎥⎣⎦⎰⎰0()()()22ba ab a bf dx b a f ++=+=-⎰，令()()b a P x dx I f =⎰现分析截断误差：令'()()()()()()()222a b a b a b r x f x P x f x f x f +++=-=--+ 数值积分由'''()()()2a b r x f x f +=-易知2a bx +=为()r x 的二重零点， 所以可令2()()()2a b r x x x ϕ+=-， 构造辅助函数()()()()()2a bK t f t P t x t ϕ+=---，则易知： ()02a b K x K +⎛⎫== ⎪⎝⎭其中2a b t +=为二重根()K t ∴有三个零点 由罗尔定理，存在''''''()(,)()0()2()0()2f a b K f K x K x ηηηη∈=-=∴=使即从而可知''2()()()()()22f a b r x f x P x x η+=-=- 所以截断误差：[]''2()()()()()()()()22b bb baaa af a b R f f x dx I f f x P x dx r x dx x dx η+=-=-==-⎰⎰⎰⎰2()2a b x +-在(a,b)区间上不变号，且连续可积，由第二积分中值定理 ''''322''()()()()()()()(,)222224b b aa f ab f a b b a R f x dx x dx f a b ηξξξ++-=-=-=∈⎰⎰综上所述3''()()()()()()()224baa b b a f x dx I f R f b a f f ξ+-=+=-+⎰证毕2、构造Gauss 型求积公式的解法有哪些？ 第一种：定义法（1）利用 5.5.1小节的知识求出在区间上的带权函数()x ρ的正交多项式()()()()012,,,...,n g x g x g x g x ；（2）令方程()0n g x =，解出求积节点12,,...,n x x x ； （3）利用定义求解求积系数12,,...,n A A A ； （4）得出求积公式第二种：利用求积公式的性质()1nbi ai A x dx ρ==∑⎰和其代数精度有2N-1次（1）令()()()()221012211,,,...,n n f x f x x f x x f x x --====，（2)利用求积公式的性质()1nbi ai A x dx ρ==∑⎰和其代数精度有2N-1次，构造2n个方程；(3)求解方程中的未知数i i A 和x ； (4)得出求积公式 四、测试题对积分dx x x f ⎰-12)1)((，求构造两点Gauss 求积公式，要求：（1）在[0,1]上构造带权21)(x x -=ρ的二次正交多项式； （2）用所构造的正交多项式导出求积公式。
第六章学习小结姓名：张亚杰班级：机械1505班学号：S2*******一、本章学习体会1、在工程实际中经常会遇到一些原函数难于表出，或者原函数的表达式过于复杂，或者被积函数以离散的数值给出，这时本科时学的牛顿——莱布尼茨公式就无法计算了，本章是基于上述情况给出一个近似求解定积分的计算方法。
P x近似代替被积2、数值积分的基本思想是：用简单函数()函数，然后建立多项式的积分公式，这样就将积分求值问题转换为了被积函数数值的计算，避开了牛顿——莱布尼茨公式需要寻求原函数的困难。
3、数值积分是数值逼近的一个重要内容，也是插值函数的一个直接应用。
4、本章重点是牛顿—科特斯求积公式和高斯型求积公式。
二、知识构图：n x b <<≤为任何次数不高于m 的多项式时都成为等式(6.1)具有m 次代数精度,,m x 时都成为等式f(x)为1m x +利用前面的拉格朗日插值公式知识，出。
两个定理: 1、n+1节点的求积公式如果至少具有1,2,,n ，高斯点为切比雪夫多项式零点。
三、 思考题1、牛顿—科特斯求积和高斯求积节点分布有何不同？对同样数目的节点，两种求法哪种更精确？为什么？答：牛顿—科特斯求积时，将积分区间n 等分，求积节点是1n +个等距节点，高斯求积公式的节点称为高斯点，一般是不等距点。
对于同样数目的节点，高斯型求积公式是代数精度最高的求积公式，更精确些。
2、什么是高斯型求积公式？它的求积节点是如何确定的？它的代数精度是多少？为何称它是具有最高代数精度的求积公式？答：对于n 个求积节点，若求积公式具有21n -次代数精度，则称其节点为高斯点，相应的求积公式为高斯型求积公式。
插值型求积公式的节点011n a x x x b -≤≤≤⋅⋅⋅<≤是高斯点的充分必要条件是这些节点为零点的多项式I T <与任何次数不超过n 的多项式()p x 带权()x ρ正交，即()()()0b n ap x x x dx ωρ=⎰高斯型求积公式的代数精度是21n -，n 个求积节点的求积公式的代数精度最高为21n -次。
数值分析第1章绪论--------学习小结一、本章学习体会通过本章的学习，让我初窥数学的又一个新领域。
数值分析这门课，与我之前所学联系紧密，区别却也很大。
在本章中，我学到的是对数据误差计算，对误差的分析，以及关于向量和矩阵的范数的相关内容。
误差的计算方法很多，对于不同的数据需要使用不同的方法，或直接计算，或用泰勒公式。
而对于二元函数的误差计算亦有其独自的方法。
无论是什么方法，其目的都是为了能够通过误差的计算，发现有效数字、计算方法等对误差的影响。
而对误差的分析，则是通过对大量数据进行分析，从而选择出相对适合的算法，尽可能减少误差。
如果能够找到一个好的算法，不仅能够减少计算误差，同时也可以减少计算次数，提高计算效率。
对于向量和矩阵的范数，我是第一次接触，而且其概念略微抽象。
因此学起来较为吃力，仅仅知道它是向量与矩阵“大小”的度量。
故对这部分内容的困惑也相对较多。
本章的困惑主要有两方面。
一方面是如何能够寻找一个可靠而高效的算法。
虽然知道算法选择的原则，但对于很多未接触的问题，真正寻找一个好的算法还是很困难。
另一方面困惑来源于范数，不明白范数的意义和用途究竟算什么。
希望通过以后的学习能够渐渐解开自己的疑惑。
二、本章知识梳理2.1 数值分析的研究对象数值分析是计算数学的一个重要分支，研究各种数学问题的数值解法，包括它致力于研究如何用数值计算的方法求解各种基本数学问题以及在求解过程中出现的收敛性，数值稳定性和误差估计等内容。
2.2误差知识与算法知识2.2.1误差来源误差按来源分为模型误差、观测误差、截断误差、舍入误差与传播误差五种。
其中模型误差与观测误差属于建模过程中产生的误差，而截断误差、舍入误差与传播误差属于研究数值方法过程中产生的误差。
2.2.2绝对误差、相对误差与有效数字1.（1）绝对误差e 指的是精确值与近似值的差值。
绝对误差：绝对误差限：（2）相对误差是指绝对误差在原数中所占的比例。
相对误差：相对误差限：研究对象方法的构造求解过程的理论分析结论：凡是经过四舍五入而得到的近似值，其绝对误差不超过该近似值末位的半个单位。
第6章 数值积分--------学习小结一、 本章学习体会本章主要介绍了五种计算定积分的数值积分法，分别为：插值型求积公式、Newton-Cotes 求积公式、复化梯形公式与复化Simpson 公式、Gauss 型求积公式等。
本章的重点在于掌握求积公式及其运用，并要学会求代数精度。
而通过对求积公式进行比较，会发现其方法与以前所学习的解析方法有一定的不同，它并不需要求出定积分的原函数，而是去直接利用求积公式来求出所给定积分的近似值，使其达到一定的求解精度要求，从而根据不同的题型做出不同的解答，这对于我们今后的专业研究过程也有一定的作用。
例如：高阶Newton-Cotes 公式会出现数值不稳定，而低阶Newton-Cotes 公式有时又不能满足精度要求，可将积分区间[a ，b]分成若干小区间，在每个小区间上用低阶求积公式计算，然后求和，即运用复化求积法。
通过运用matlab 软件，可以加深自己对各种求积公式的理解。
根据求解要求，充分考虑已知条件，选择简便快捷的求积方法进行定积分求解，从而得出比较准确的结果。
通过查阅相关书籍，加深对课本知识的理解，从而提高自己的自学能力。
二、本章知识梳理1 求积公式及其代数精度：求积公式的一般形式：()0()()nbn k k ak f x dx f x λ=≈∑⎰截断误差或余项：)()(0k b ank k n x f dx x f R ⎰∑=-=λ 代数精度：对于上面所列的求积公式，当()f x 为任何次数不高于m 的多项式时都成为等式，而当()f x 为某个m+1次多项式时不能成为等式，则称它具有m 次代数精度。
2 插值型求积公式：()()()nbn kk ak f x dx f x λ=≈∑⎰其中()()(0,1,...,)bn kk al x dx k n λ==⎰截断误差：(1)0()[()](1)!n nbn j aj f R x x dx n ξ+==-+∏⎰定理：n+1个节点的插值型求积公式至少具有n 次代数精度。
