• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 13
    • 下载费用:30 金币  

    重庆时时彩半夜不出号: 一种基于快速智能禁忌搜索的图像检索方法.pdf

    关 键 词:
    一种 基于 快速 智能 禁忌 搜索 图像 检索 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201010122720.7

    申请日:

    2010.03.12

    公开号:

    CN102193937A

    公开日:

    2011.09.21

    当前法律状态:

    撤回

    有效性:

    无权

    法律详情: 发明专利申请公布后的视为撤回IPC(主分类):G06F 17/30申请公布日:20110921|||实质审查的生效IPC(主分类):G06F 17/30申请日:20100312|||公开
    IPC分类号: G06F17/30 主分类号: G06F17/30
    申请人: 同济大学
    发明人: 李宏宇; 张超; 贾金原
    地址: 200092 上海市杨浦区四平路1239号
    优先权:
    专利代理机构: 上??剖⒅恫ù碛邢薰?31225 代理人: 赵继明
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201010122720.7

    授权公告号:

    ||||||

    法律状态公告日:

    2013.12.25|||2011.11.23|||2011.09.21

    法律状态类型:

    发明专利申请公布后的视为撤回|||实质审查的生效|||公开

    摘要

    本发明涉及一种基于快速智能禁忌搜索的图像检索方法,该方法包括以下步骤:1)在图像数据库中定义几何流形熵;2)通过快速智能禁忌搜索算法来获得最优回路Oopt;3)将需要的检索图像Q插入最优回路序列Oopt中,根据检索图片在最优回路序列中插入的位置,重新计算插入后新回路序列的熵值,插入后的熵值较Sopt的变化为ΔS,当ΔS为最小时,检索图像的插入点为其在最优回路序列Oopt中的最终插入位置;4)根据欧几里德距离排序检索图像Q在最优回路序列Oopt中的邻近图像;5)将相似图像反馈给用户。与现有技术相比,本发明具有可以有效地解决大规模的优化组合问题,并且采用图形处理器强大的并行计算技术使得效率得到了极大提升等优点。

    权利要求书

    1.一种基于快速智能禁忌搜索的图像检索方法,其特征在于,该方法包括以下步骤:1)在图像数据库中定义几何流形熵;2)通过快速智能禁忌搜索算法来获得最优回路Oopt;3)将需要的检索图像Q插入最优回路序列Oopt中,根据检索图片在最优回路序列中插入的位置,重新计算插入后新回路序列的熵值,插入后的熵值较Sopt的变化为ΔS,当ΔS为最小时,检索图像的插入点为其在最优回路序列Oopt中的最终插入位置;4)根据欧几里德距离排序检索图像Q在最优回路序列Oopt中的邻近图像;5)将相似图像反馈给用户。2.根据权利要求1所述的一种基于快速智能禁忌搜索的图像检索方法,其特征在于,所述的步骤1)定义几何流形熵如下:采用“数据的空间位置”和“流形的局部离散曲率”两方面来描述一个流形,即几何流形熵;具体来说,在m维的空间中,给定一组数据X={xi|xi∈Rm,i=1,2,...n},首先定义一个长度为n并且没有自交叉的回路,对于X的每一种这样的回路根据连接点的下标可以记录为O=(o1,o2,...on,ol),这时定义X关于回路序列O的几何流形熵为:S(X,O)=P(X,O)+G(X,O)???????????????????????????????????????(1)如果嵌入流形的维度为一维,那么几何流形熵的空间位置组成部分表示为:P(X,O)=1nΣ(i,j)Od2(xi,xj)---(2)]]>d表示计算结点i与j之间的距离,由于流形局部平坦的性质,采用欧几里德距离,即d=‖xi-xj‖,符号(i,j)表示数据点xi与xj在回路O中相邻;几何流形熵的几何组成部分表示为:G(X,O)=1nΣ(i,j,k)Ok12(xi,xj,xk)+1nΣ(i,j,k,l)Oρ2(xi,xj,xk,xl)---(3)]]>在离散空间中对于点xj的离散曲率表示为:k(xi,xj,xk)=‖λ(xi,xj)-λ(xj,xk)‖???????????????????????(4)因为离散曲率对于数据的噪音干扰比较敏感,因此为了加强算法的鲁棒性,在几何组成部分的表示中引入了矫正因子ρ:ρ(xi,xj,xk,xl)=‖(λ(xi,xj)-λ(xj,xk))-(λ(xj,xk)-λ(xk,xl))‖??(5)在公式(4)和(5)中,符号λ(xi,xj)定义为:λ(xi,xj)=xi-xjd(xi,xj)---(6)]]>3.根据权利要求1所述的一种基于快速智能禁忌搜索的图像检索方法,其特征在于,所述的步骤2)通过快速智能禁忌搜索算法来获得最优回路Oopt步骤如下:(1)初始化禁忌时间、变异时间和禁忌列表H,设置当前回路序列和熵值为Ocur=O,Scur=S(X,O),设定最优序列和熵值为Oopt=Ocur,Sopt=Scur;(2)根据Ocur构建邻接回路集,并且根据禁忌列表H确定候选集合CSS(Ocur),从CSS(Ocur)中确定子集L;(3)将子集L传输到图形处理器中,并行计算每条回路的熵值,找出拥有最小熵值Smin对应的序列Omin,传输Smin和Omin到中央处理器;(4)如果Scur>Smin,更新Ocur=Omin,Scur=Smin,否则,不更新;(5)更新禁忌列表H,如果熵值收敛进入下一步;否则返回步骤(2),进行下一次迭代;(6)如果Sopt>Scur,那么更新Oopt=Ocur,Sopt=Scur,否则不更新;(7)如果变异时间为零,进入下一步;否则对序列Ocur执行随机变换并重新计算熵值Scur=(X,Ocur),然后变异时间递减并返回步骤(2);(7)返回最优回路序列Oopt和熵值Sopt。4.根据权利要求3所述的一种基于快速智能禁忌搜索的图像检索方法,其特征在于,所述的邻接回路集定义如下:如果一条回路可以由另一条回路直接变换而来,那么称此回路为原回路的邻接回路,所有的邻接回路组成的集合为邻接回路集。5.根据权利要求3所述的一种基于快速智能禁忌搜索的图像检索方法,其特征在于,所述的禁忌列表H为记录录所有已经实施过的变换,该变换包括定义为三方面:(1)交换原回路中任意两个数据点的位置;(2)将原回路中的一个数据点插入到其他任意位置;(3)反转原回路中的任意一个序列片段。6.根据权利要求3所述的一种基于快速智能禁忌搜索的图像检索方法,其特征在于,所述的禁忌时间为每一个变换在列表中被禁忌的时间。

    说明书

    一种基于快速智能禁忌搜索的图像检索方法

    技术领域

    本发明涉及一种图像检索方法,尤其是涉及一种基于快速智能禁忌搜索的图像检索方法。

    背景技术

    基于内容的图像检索是近几年来计算机图形图像以及人工智能领域研究的热点。由于图像具有形象、直观、内容丰富等特点,接近人们的认知方式,进而成为不可或缺的多媒体内容。如果没有对图像等多媒体数据有效存储、检索的方法,大量信息将淹没在数据的海洋之中,而无法被人们识别和利用。因此,如何建立高效的图像检索机制成为迫切需要解决的问题。与日趋成熟的基于文字的图像检索方式相比,基于内容的检索方式更加符合人类对于图像的认知形式,并且能够更加充分的利用到图像本身所涵盖的信息。虽然近些年来基于内容的图像检索取得了一些成绩,但是距离满足人们的使用需求还有较大的差距。对基于内容的检索而言,最大的困难在于对图像所包含的信息做出快速的,准确的数字化描述以及进行图像所涉及的语义的识别。当前,基于流形的图像描述方式受到了广泛的关注。其主要思想是将图像的特征信息转化为抽象的流形模型,进而嵌入到特定维度的流形空间之中,寻找一种从抽象流行空间到特征空间的映射。例如将图像的检索问题转化为在抽象流形空间的分类问题的做法。因为图像语义空间的维度很难被确定,语义表述的精确度也很难被界定,所以,从低层次的特征空间向高层次的语义空间做映射仍然是流形学习方法的难点。目前的检索机制在做基于内容的图像匹配的过程中,查全率和查准率相对比较偏低,用户通过内容检索很难得到满意的反馈效果。

    发明内容

    本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于快速智能禁忌搜索的图像检索方法。

    本发明的目的可以通过以下技术方案来实现:

    一种基于快速智能禁忌搜索的图像检索方法,其特征在于,该方法包括以下步骤:

    1)在图像数据库中定义几何流形熵;

    2)通过快速智能禁忌搜索算法来获得最优回路Oopt;

    3)将需要的检索图像Q插入最优回路序列Oopt中,根据检索图片在最优回路序列中插入的位置,重新计算插入后新回路序列的熵值,插入后的熵值较Sopt的变化为ΔS,当ΔS为最小时,检索图像的插入点为其在最优回路序列Oopt中的最终插入位置;

    4)根据欧几里德距离排序检索图像Q在最优回路序列Oopt中的邻近图像;

    5)将相似图像反馈给用户。

    所述的步骤1)定义几何流形熵如下:

    采用“数据的空间位置”和“流形的局部离散曲率”两方面来描述一个流形,即几何流形熵;具体来说,在m维的空间中,给定一组数据X={xi|xi∈Rm,i=1,2,...n},首先定义一个长度为n并且没有自交叉的回路,对于X的每一种这样的回路根据连接点的下标可以记录为O=(o1,o2,...on,o1),这时定义X关于回路序列O的几何流形熵为:

    S(X,O)=P(X,O)+G(X,O)???????????(1)

    如果嵌入流形的维度为一维,那么几何流形熵的空间位置组成部分表示为:

    P(X,O)=1nΣ(i,j)Od2(xi,xj)---(2)]]>

    d表示计算结点i与j之间的距离,由于流形局部平坦的性质,采用欧几里德距离,即d=‖xi-xj‖,符号(i,j)表示数据点xi与xj在回路O中相邻;

    几何流形熵的几何组成部分表示为:

    G(X,O)=1nΣ(i,j,k)Ok12(xi,xj,xk)+1nΣ(i,j,k,l)Oρ2(xi,xj,xk,xl)---(3)]]>

    在离散空间中对于点xj的离散曲率表示为:

    k(xi,xj,xk)=‖λ(xi,xj)-λ(xj,xk)‖??????(4)

    因为离散曲率对于数据的噪音干扰比较敏感,因此为了加强算法的鲁棒性,在几何组成部分的表示中引入了矫正因子ρ:

    ρ(xi,xj,xk,xl)=‖(λ(xi,xj)-λ(xj,xk))-(λ(xj,xk)-λ(xk,xl))‖??(5)在公式(4)和(5)中,符号λ(xi,xj)定义为:

    λ(xi,xj)=xi-xjd(xi,xj)---(6)]]>

    所述的步骤2)通过快速智能禁忌搜索算法来获得最优回路Oopt步骤如下:

    (1)初始化禁忌时间、变异时间和禁忌列表H,设置当前回路序列和熵值为Ocur=O,Scur=S(X,O),设定最优序列和熵值为Oopt=Oour,Sopt=Scur;

    (2)根据Ocur构建邻接回路集,并且根据禁忌列表H确定候选集合CSS(Ocur),从CSS(Ocur)中确定子集L;

    (3)将子集L传输到图形处理器中,并行计算每条回路的熵值,找出拥有最小熵值Smin对应的序列Omin,传输Smin和Omin到中央处理器;

    (4)如果Scur>Smin,更新Ocur=Omin,Scur=Smin,否则,不更新;

    (5)更新禁忌列表H,如果熵值收敛进入下一步;否则返回步骤(2),进行下一次迭代;

    (6)如果Sopt>Scur,那么更新Oopt=Ocur,Sopt=Scur,否则不更新;

    (7)如果变异时间为零,进入下一步;否则对序列Ocur执行随机变换并重新计算熵值Scur=(X,Ocur),然后变异时间递减并返回步骤(2);

    (7)返回最优回路序列Oopt和熵值Sopt。

    所述的邻接回路集定义如下:如果一条回路可以由另一条回路直接变换而来,那么称此回路为原回路的邻接回路,所有的邻接回路组成的集合为邻接回路集。

    所述的禁忌列表H为记录录所有已经实施过的变换,该变换包括定义为三方面:

    (1)交换原回路中任意两个数据点的位置;

    (2)将原回路中的一个数据点插入到其他任意位置;

    (3)反转原回路中的任意一个序列片段。

    所述的禁忌时间为每一个变换在列表中被禁忌的时间。

    与现有技术相比,本发明具有以下优点:

    1、提出了几何流形熵的概念来描述抽象流形数据之间的关系。

    2、检索过程在检索框架中被看作是在数据库中寻找一条最有序的回路(熵值最小)。该检索框架不仅可以应用在图像检索的过程中,只要数据内容被抽象的描述出来,都可以采用该框架进行检索和匹配。

    3、最有序的回路通过快速智能禁忌搜索算法来获得。该算法的优势在于可以有效地解决大规模的优化组合问题,并且采用图形处理器强大的并行计算技术使得效率得到了极大提升。

    4、该检索框架针对图像的查全率和查准率好于现有的主流检索方法。

    附图说明

    图1为本发明快速智能禁忌搜索算法的流程图;

    图2为本发明实施例2中的输入数据图;

    图3为本发明实施例2中的随即序列图;

    图4为本发明实施例2中的最优回路图;

    图5为本发明实施例2中的迭代曲线图;

    图6为本发明实施例2中的加速度比曲线图;

    图7为本发明实施例3中的查全率比较图。

    具体实施方式

    下面结合附图和具体实施例对本发明进行详细说明。

    实施例1

    一种基于快速智能禁忌搜索的图像检索方法,该方法包括以下步骤:

    1)在图像数据库中定义几何流形熵;

    2)通过快速智能禁忌搜索算法来获得最优回路Oopt;

    3)在图像检索过程中,将每一幅图片看作是在特征空间中的一个点(由该图像的特征向量组成),也就是流形回路中的一个数据点。每一幅图像由其多维的特征向量在流形空间中唯一表示。将需要的检索图像Q插入最优回路序列Oopt中,根据检索图片在最优回路序列中插入的位置,重新计算插入后新回路序列的熵值,插入后的熵值较Sopt的变化为ΔS,当ΔS为最小时,检索图像的插入点为其在最优回路序列Oopt中的最终插入位置;

    4)根据欧几里德距离排序检索图像Q在最优回路序列Oopt中的邻近图像;

    5)将相似图像反馈给用户。

    所述的步骤1)定义几何流形熵如下:

    采用“数据的空间位置”和“流形的局部离散曲率”两方面来描述一个流形,即几何流形熵;具体来说,在m维的空间中,给定一组数据X={xi|xi∈Rm,i=1,2,...n},首先定义一个长度为n并且没有自交叉的回路,对于X的每一种这样的回路根据连接点的下标可以记录为O=(o1,o2,...on,o1),这时定义X关于回路序列O的几何流形熵为:

    S(X,O)=P(X,O)+G(X,O)????????????????????????(1)

    如果嵌入流形的维度为一维,那么几何流形熵的空间位置组成部分表示为:

    P(X,O)=1nΣ(i,j)Od2(xi,xj)---(2)]]>

    d表示计算结点i与j之间的距离,由于流形局部平坦的性质,采用欧几里德距离,即d=‖xi-xj‖,符号(i,j)表示数据点xi与xj在回路O中相邻;

    几何流形熵的几何组成部分表示为:

    G(X,O)=1nΣ(i,j,k)Ok12(xi,xj,xk)+1nΣ(i,j,k,l)Oρ2(xi,xj,xk,xl)---(3)]]>

    在离散空间中对于点xj的离散曲率表示为:

    k(xi,xj,xk)=‖λ(xi,xj)-λ(xj,xk)‖?????????(4)

    因为离散曲率对于数据的噪音干扰比较敏感,因此为了加强算法的鲁棒性,在几何组成部分的表示中引入了矫正因子ρ:

    ρ(xi,xj,xk,xl)=‖(λ(xi,xj)-λ(xj,xk))-(λ(xj,xk)-λ(xk,xl))‖(5)

    在公式(4)和(5)中,符号λ(xi,xj)定义为:

    λ(xi,xj)=xi-xjd(xi,xj)---(6)]]>

    所述的步骤2)通过快速智能禁忌搜索算法来获得最优回路Oopt:

    通过几何流形熵的定义可以看出,如果回路中的数据节点足够有序的话,回路的熵值将足够的小。因此,为了找到最有序的回路,就是要在所有回路序列中寻找熵值最小的一个。即最小化公式(7):

    O*=arg?minE(X,O)????????????(7)

    基于公式(7)寻找全局最优解是一个NP问题,并且在实际操作过程中,尤其在数据足够大时是不现实的。因此,提出了快速智能禁忌搜索算法来寻找全局最优的近似解,从而间接的解决公式(7)的求解问题??焖僦悄芙伤阉?,是基本禁忌搜索算法的一种扩展,其中加入了智能学习机制和显示芯片(GPU)的并行计算技术。

    在介绍算法之前先要定义邻接回路集和禁忌列表。如果一条回路可以由另一条回路直接变换而来,那么称此回路为原回路的邻接回路。所涉及的变换定义为三方面:

    (1)交换原回路中任意两个数据点的位置

    (2)将原回路中的一个数据点插入到其他任意位置

    (3)反转原回路中的任意一个序列片段

    禁忌列表H中记录所有已经实施过的变换,用来防止之前的变换被重复执行。每一个变换在列表中被禁忌的时间用变量禁忌时间来描述。在邻接回路集中,但不在禁忌列表中的所有变换构成一个候选集合(CSS)。根据候选集合来计算每一个相应回路的熵值,可以找到一个熵值最小的回路序列,即作为本次迭代过程中的最佳回路Obest。显然,如果候选集合足够大的时候,从中找出最佳回路是非常费时的。因此,在此采用了智能学习机制,目的在于与降低学习的成本并且快速的从母集中选择出最优样本。它是基于这样的一种概率上的估计:如果从候选集合中随机选取一个子集L,那么这个子集中的最优回路序列OL在原候选集合中位于前p%优的概率为η%。那么,可以有公式η%=1-(1-p%)#L,其中符号‘#’代表集合的大小。从中可以导出:

    这里可以得出集合L的大小已经和原候选集合的大小无关,仅和所要求的概率精度p%与η%有关。因此,每次迭代过程中根据已经选定的概率精度,只在集合L中寻找最佳回路的做法将大大提高算法的运算效率和准确率。

    为了避免算法在搜索过程中陷入局部最优化,在运算中加入了一个回路序列变异因素。即在整个迭代过程中,如果发现熵值的计算陷入了局部最优,就对当前回路执行一系列随机生成的变换来打乱之前的序列,也就是使之跳出局部最优。在算法执行过程中,这项变异操作的次数由因子变异时间来限制。

    另一方面,在实际的计算过程中,如果概率精度要求很高,往往也会导致集合L的大小迅速增加。因此在达到一定精度后,从L中选取最佳回路的效率也会大大降低。但是,容易看出在L中每一条回路熵值的计算是彼此独立的,也就是说是互不相关的。因此,为了达到理想的概率精度,在运算过程中加入了基于图形处理器的并行算法设计,从而使得整个算法的效率得到了极大的提升(60x~70x)。

    整个并行算法的设计是在图形处理器平台下通过NVIDIA公司的CUDA技术来实现的。首先将集合L中的回路按照预先定义的三种变换方式划分为三个子集。然后将每一种变换子集的数据分别传输到图形处理器的显存中,通过图形处理器强大的并行计算技术对每条回路的熵值进行同时的、独立的计算和处理。最后从中抽取最小熵值对应的回路序列,传回中央处理器做接下来的处理从而完成一次迭代,如图1所示。

    在图形处理器中的处理按照CUDA的技术规范分为块(Block)和线程(Thread)两个层次。在块层次上,将每一个序列的熵值的计算对应到一个特定的块,每一个块中按照嵌入流形的维度生成相应数目的线程进行执行。在线程层,设计将流形数据的每一维分量分别与一个线程对应,这样一来向量的计算可以达到最大化的并行,从而整个算法的并行化达到最高。

    如果给定一个数据集合X和一个任意序列O,快速智能禁忌搜索算法的过程如下:

    (1)初始化禁忌时间、变异时间和禁忌列表H,设置当前回路序列和熵值为Ocur=O,Scur=S(X,O),设定最优序列和熵值为Oopt=Ocur,Sopt=Scur;

    (2)根据Ocur构建邻接回路集,并且根据禁忌列表H确定候选集合CSS(Ocur),从CSS(Ocur)中确定子集L;

    (3)将子集L传输到图形处理器中,并行计算每条回路的熵值,找出拥有最小熵值Smin对应的序列Omin,传输Smin和Omin到中央处理器;

    (4)如果Scur>Smin,更新Ocur=Omin,Scur=Smin,否则,不更新;

    (5)更新禁忌列表H,如果熵值收敛进入下一步;否则返回步骤(2),进行下一次迭代;

    (6)如果Sopt>Scur,那么更新Oopt=Ocur,Sopt=Scur,否则不更新;

    (7)如果变异时间为零,进入下一步;否则对序列Ocur执行随机变换并重新计算熵值Scur=(X,Ocur),然后变异时间递减并返回步骤(2);

    (7)返回最优回路序列Oopt和熵值Sopt。

    实施例2

    以下为智能禁忌搜索算法在规模为32的输入数据中的应用示例,如图2所示,为输入的原始数据,如图3所示,为随即序列数据,如图4所示,为经处理后的最优回路。

    如图5所示,为智能禁忌搜索算法在求解图2问题时的迭代过程,熵值的最终迭代结果为0.384。

    以下为智能禁忌搜索在规模为8,192个数据,且其中每一个向量由128维数据所组成的数据集中的运行时间(单位:秒):

    表1:运行时间比较

    ??#L
    ??p%
    ??η%
    ??时间(秒)
    ??熵值
    ??212×3
    ??0.025
    ??95.37
    ??198
    ??2291.32
    ??213×3
    ??0.015
    ??97.50
    ??339
    ??2043.45

    ??214×3

    ??0.010

    ??99.25

    ??514

    ??1878.41
    ??215×3
    ??0.009
    ??99.99
    ??895
    ??1766.69
    ??216×3
    ??0.005
    ??99.99
    ??1542
    ??1704.79

    如图6所示,为图形处理器并行运算带来的加速比。

    实施例3

    从标准Corel图像库中选取了8192张不同类别的图片来构成的图像数据库(每类32张)。每幅图像通过提取64维的颜色直方图和64维的纹理变换来描述。对于检索结果,与岭回归(Ridge?Regression)和支持向量机(SVM)等方法进行了比较。

    如图7所示,为检索框架与岭回归、支持向量机等方法在检索结果的查全率(recall)和查准率(precision)方面的比较??梢钥闯黾焖骺蚣茉谕枷竦牟槿式系褪本哂忻飨缘挠攀?;随着查全率的增加,较支持向量机方法仍然有显著的优势,较岭回归方法基本持平。

    关于本文
    本文标题:一种基于快速智能禁忌搜索的图像检索方法.pdf
    链接地址://www.4mum.com.cn/p-5865169.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 火锅粉赚钱吗 天津11选5手机号码 云南快乐十分选号口诀 秒速飞艇开奖网站 qq游戏陕西麻将外挂 极速十一选五基本走势 快乐扑克三开奖l全部查询 刷抖音 赚钱 福建十一选五中奖结果查询 捕鱼大亨系统txt下载八零 吉林11选5开奖公告 跑马场赚钱 青海11选5分布走势图 海王捕鱼打什么获得海王巨奖 沈阳娱乐棋牌网大厅 u购彩群