星载SAR系统参数设计过程自动化方法研究

VIP星载SAR系统参数设计过程自动化方法研究
 本文提出了一种 SAR系统参数自动化设计的 方法。首先,针对部分参数仍需手工选取的现状 建立了最优化求解模型,并给出了 PRF 和波位位 置的优化选取结果,使参数设计流程更加高效便 捷。然后,针对 SAR 系统参数设计过程中部分技 术指标的评测结果不满足用户需求时无法自动调 节的现状,采用 PID 控制器对方位向天线尺寸、信 号带宽、PRF 等参数进行自动调节,使得方位分辨 率、距离分辨率、方位模糊比等技术指标向用户需 求值逐步靠近。通过仿真实验验证了该方法的可 行性,实现了SAR系统参数设计过程的自动化
开通可读全文 ·1.5k 人阅读
最低0.47元/天 解锁文章

摘 要:针对星载合成孔径雷达(Synthetic Aperture Radar,SAR)系统参数设计过程中部分参数仍需手工选 取,并且系统根据设计结果无法做出反应的问题。本文提出了一种星载 SAR系统参数自动化设计的方法。首 先,针对脉冲重复频率(Pulse Repetition Frequency,PRF)和波位位置等重要参数进行了优化选取设计。然后,利 用比例⁃积分⁃微分(Proportion⁃Integral⁃Differential,PID)控制器对系统参数结果作自动化调节。仿真和实验结果 表明,与传统的星载SAR系统参数设计方法相比,该方法具有便捷高效、易于实现的特点,提高了星载SAR系统 设计过程中参数选取的自动化程度,实现了当系统技术指标的评测结果不满足用户要求时的参数自动调节。

关键词:合成孔径雷达;参数设计;优化设计;PID控制

0 引 言

        SAR 因具有全天时、全天候、作用距离远和高 分辨率等特点,在空间探测、民用遥感和军事侦察 等领域被广泛应用。SAR 系统复杂,参数众多且 相互关联、相互制约,若能借助计算机软件进行参 数设计,便可以大大节约设计人员的工作量,所以 系统参数的合理选择成为了SAR设计的关键。 目前,已有许多学者针对 SAR 系统参数的设 计方法进行了相关研究,王睿详细地介绍了 SAR 条带模式的 PRF、天线长度等参数的选取方法[1] 。 张卫华等讨论了如何在条带SAR参数设计过程中实现高分辨率指标,给出了星载 SAR 几何关系、 PRF 等参数的选取方法[2] 。段秋萍系统地介绍了 SAR 条带模式的设计方法和流程[3] 。

        杨淋等提出 了星载P波段SAR的系统分析流程,结合其特点分 析了系统体制选择、工作频率和极化方式选择,给 出了系统等噪声系数、PRF、距离方位模糊、天线口 径等关键参数的设计[4] 。总体而言,已有文献通常 只是给出了 SAR 系统设计的设计流程,但在提高 SAR 系统参数设计方法的自动化程度方面的论述 相对较少。对于脉冲重复频率这一重要参数的选 取,通常需要设计人员根据斑马图进行手工选取, 使得工作量增大,效率降低。当利用仿真平台发现性能指标评测结果不完全满足用户要求时,仍 然需要操作人员不断地手工调节SAR系统设计参 数,使得SAR系统设计费时费力。

        本文针对 SAR系统参数设计过程自动化方法 进行了研究。首先,针对 PRF 和波位位置的选取 进行了优化设计[5] 。然后,针对方位分辨率、距离 分辨率、方位模糊比等技术指标的评测结果不满 足用户要求时,利用 PID 控制器对方位向天线尺 寸、信号带宽、PRF等参数进行自动调节。最后,通 过仿真结果验证了所提出设计方法的合理性。

1 PRF的优化选取设计

1.1 传统方法

        PRF是合成孔径雷达重要的参数之一,它的选 择将受到雷达速度、飞行高度、天线长度、入射角 度、脉冲宽度及测绘带宽等参数的约束,并直接影 响到雷达的性能。PRF 的选择也会影响到发射信 号峰值功率、数据率等参数值,并改变雷达距离模 糊和方位模糊的大小。所以选择合适的 PRF是雷 达系统参数设计中较为重要的一步[6] 。 目前,传统的方法主要依靠设计人员根据斑 马图来完成 PRF 和波位(波束中心入射角)的选 取[7⁃9]。

        如图 1 所示,给出了 SAR 系统设计中 PRF 选取所需要的斑马图示例。通常情况下,设计人 员进行选取时需要注意以下三点: 1)为减少数据率,PRF应尽量小; 2)波位对应的测绘带两端应与

VIP 星载SAR及InSAR卫星系统参数 本报告主要调研了国际上到目前为止所存在的一些星载InSAR系统的发展情况,总结了各系统的一些技术指标及参数选择。     以下调研系统中,除了TanDEM-X干涉系统之外,其他的星载SAR系统都不是用来专门进行干涉测量使用的,它们基本的任务还是实现二维高分辨成像,因此大多采用的是重复轨道干涉测量模式。在进行干涉测量之前,首先要估算此次测量的基线数值,如果不满足要求,此次测量数值就不会采用,因此, 开通可读全文·1.8w 阅读·10 点赞·69 收藏 阅读全文

相关推荐

星载SAR⁃GMTI系统目标定位误差概率分析方法

本文研究了星载运动目标检测(Ground Moving Target Indication, GMTI)系统中的目标定位问题。首先,采用几何向量法解释GMTI系统同时实现杂波相消和目标定位的基本原理。然后,基于高斯白噪声假设, 推导了干涉相位误差的概率密度函数,该函数描述了目标定位精度与目标信噪比(Signal⁃to⁃Noise Ratio, SNR)和 基线之间的关系。应用推导的概率密度函数,对现有的几个星载 SAR⁃GMTI 系统的目标定位性能进行分析比 较,分析了基线误差对定位性能的影响。

qq_43416206的博客 1182

星上SAR实时处理调研2-典型应用

星上SAR实时处理调研,典型应用

爱学习的小伟的博客 3143

星载SAR的各项指标解读(史上最全)预览

目录 一、系统指标 系统指标包含两个部分:雷达系统的通用指标和卫星整星相关的指标,主要有以下几项: 1. 工作频段 2. 极化方式 3. 雷达体制 4. 雷达参数 (1)雷达方程中的参数 (2)波形设计中的参数 (3)波束设计中的参数 5. 系统形态 6. 观测方向 7. 升(降)交点地方时 8. 轨道类型 9. 轨道高度 10. 重复观测周期 (1)全球重复观测周期 (2)对重点地区的重复观测周期 二、性能指标 性能指标主要突出合成孔径雷达与普通雷达所不同的指标,以及

6277

雷达导论PART VII.4 SAR系统设计

今天,我们来看第七大篇成像雷达的最后一章(注意不是本专栏的最后一章),也是全书的第35章——合成孔径雷达系统设计。本章目录如下: 35.1 SAR的雷达距离方程 35.1.1噪声等效σ 35.2 SAR 的模糊情况 35.2.1避免距离模糊 35.2.2避免多普勒模糊 35.2.3栅瓣 35.3带宽和方位向分辨率 35.4波束宽度和距离向分辨率 35.5减少旁瓣 35.6 SAR设计实例 35.7总结 本篇就到这里,内容比较丰富。扩展阅读如下: 本.

2071

星载SAR的各项指标解读(史上最全)

一、系统指标 系统指标主要指雷达系统的通用的指标,以及和卫星整星相关的指标,主要有一下几项: 工作频段: 雷达体制: 极化方式: 设计s

9291

星载SAR系统性能推算

本文展示了如何评估星载合成孔径雷达 (SAR) 的性能,并将理论极限与 SAR 系统的可实现要求进行比较。SAR 利用雷达天线在目标区域上的运动来提供更精细的方位角分辨率。给定雷达的主要参数(例如工作频率、天线尺寸和带宽)和安装它的平台参数(例如高度、速度、安装位置),从而确定性能参数,例如覆盖区域、方位和距离分辨率、SAR图像的信噪比 (SNR) 和噪声等效反射率 (NER)。本文在英文原版的基础上增加了MATLAB函数对应的数学公式。本文展示了如何估计星载SAR系统的性能参数,如幅宽、分辨率和信噪比。

919

星载SAR成像实战:基于距离多普勒算法处理实测数据

合成孔径雷达(SAR)是一种主动式微波遥感技术,通过搭载在运动平台上的雷达,利用信号处理技术合成一个虚拟的大孔径天线,从而获得高分辨率二维图像。其核心原理在于通过记录平台运动过程中目标回波的多普勒历史,并结合脉冲压缩技术,实现距离向和方位向的高分辨率成像。这项技术的价值在于其具备全天时、全天候的对地观测能力,广泛应用于测绘、灾害监测、资源勘查和军事侦察等领域。在众多SAR成像算法中,距离多普勒(RD)算法因其经典、稳健的特性,成为理解成像几何与信号处理原理的基石,尤其适合处理星载平台获取的实测数据。本文将深

weixin_29054399的博客 295

星载SAR实测数据上的后向投影工程实践

后向投影(BP)算法是合成孔径雷达(SAR)成像中兼顾物理建模精度与非理想条件鲁棒性的核心方法,其原理基于逐像素反向斜距计算与回波累加,不依赖理想运动假设,因而特别适用于存在轨道误差、平台抖动和系统噪声的星载实测场景。技术价值在于提供高可控性成像流程,支撑亚米级聚焦与精确地理定位;典型应用场景涵盖高分三号、Sentinel-1、TerraSAR-X等在轨数据处理,以及运动补偿、旁瓣抑制与实时流式处理等工程环节。本文聚焦于星载平台实测数据这一关键约束,深入解析BP在真实硬件与物理限制下的落地路径,覆盖从原始回

weixin_29722783的博客 347

分布式定时任务(XXL-JOB)整合达梦数据库 带源码

背景 1. 因公司需要可视化管理配置调度任务,查询项目选择XXL-JOB,它是开源项目,入手很简单,详情可以参考官方文档; 2. 因项目的机密性,选择数据库为国内知名的达梦数据库7,与Java项目的整合详情可以参考SpringBoot 集成 达梦数据库 maven依赖本地jar包; 3. 因XXL-JOB暂时没有找到集成达梦数据库的案例,博主自己整合DM7踩过很多的坑,特此整合一个简单可直接...

艾斯-李的博客 3822

Kubernetes+EdgeX:构建企业级AI边缘推理平台

设备:工业摄像头(RTSP协议,输出1920x1080视频流);AI模型:YOLOv8训练的轴承裂纹检测模型(识别“裂纹”“正常”两种类型);目标:摄像头采集图像→EdgeX传输数据→K8s推理服务检测→结果反馈到报警器(HTTP协议)。Kubernetes+EdgeX的组合,为企业构建AI边缘推理平台提供了标准化、可扩展标准化:K8s的容器编排和EdgeX的设备管理,都是行业标准,避免“重复造轮子”;可扩展:支持从单边缘节点到 thousands of nodes 的规模,满足企业的增长需求;

AI算力网络与通信的博客 1346

Jetson Nano系统重装的艺术:从格式化到烧录的深度解析

本文详细解析了Jetson Nano系统重装的完整流程,从SD卡格式化到系统镜像烧录的进阶技巧,包括硬件选择、软件准备、常见问题处理及深度学习环境配置。特别推荐使用三星EVO Plus SD卡和官方电源以确保稳定性,适合开发者快速掌握嵌入式设备系统重装的核心技术。

weixin_28273593的博客 612

uniapp:实现APP获取陀螺仪数据、加速传感器、线性加速传感器,uniApp实时监听陀螺仪【XYZ】数据及停止监听与资源释放等功能示例源码,根据需求做功能(完美兼容Android安卓、苹果ios)

uniapp陀螺仪,uniapp加速传感器,uniapp线性加速传感器,APP陀螺仪数据,uniapp app 端获取陀螺仪数据示例代码,手机中获取陀螺仪的数据,uniApp实时获取陀螺仪xyz数据,android陀螺仪方向,获得陀螺仪传感器,处理传感器数据,停止监听与资源释放,Android使用陀螺仪,uniapp苹果ios陀螺仪,uni-app设备之(加速计,罗盘,陀螺仪)插件安卓/IOS APP提供了获取陀螺仪数据的能力,手机陀螺仪传感器获得手机自身旋转的角度,陀螺仪获取旋转角度,陀螺仪、加速度传感器

✅ 精选推荐文章 4271

【蓝桥杯单片机组第八届省赛】— 基于单片机的电子钟程序设计与调试

1、初赛试题 1.1 基本要求 (1)使用 CT107D 单片机竞赛板, 完成“电子钟” 功能的程序设计与调试; (2)设计与调试过程中,可参考组委会提供的“资源数据包”; (3)Keil 工程文件以准考证号命名, 完成设计后, 提交完整、 可编译的 Keil工程文件到服务器。 1.2 硬件框图 1.3功能描述 1.3.1 初始化 (1)关闭蜂鸣器、继电器等无关外...

Fanjufei的博客 3661

基于Jeecgboot3.9.0的文档管理系统(四)

基于Jeecgboot3.9.0的文档管理系统(四)

宁波阿成的博客 257

Allegro172版本如何在联机模式下使用skill文件操作指导

注意:如果下次重新开启Symphony模式的时候可能导致symphony_skill中的文件内容被清空,所以最好将自己常用的skill文件都写到symphony_skill.txt中去,然后做好备份,需要的时候,在开启软件后把文件放到env目录中去。在用Allegeo172版本进行PCB设计的时候,有时会用到Symphony模式进行多人实时在线协同设计,如下图。这个模式设计起来可以提升设计速度,但是也有一个缺陷,就是不能使用skill文件。如下图,当调用skill的时候就会出现如下报错。

weixin_54787054的博客 1593

【Android调试】高通adb识别不到设备的完整排查指南:从驱动到端口一步到位

本文系统梳理高通(Qualcomm)平台Android设备adb无法识别的完整排查流程。从最基础的USB连接检查开始,到Windows设备管理器中驱动状态的判断、高通USB驱动的正确安装与更新方法,再到adb端口被占用、USB调试未开启、驱动签名校验失败等高频场景的解决方案。每一步均配截图和操作命令,文末附常见报错速查表,适合做系统开发、刷机调试或者Android Framework bringup时遇到adb不通的工程师快速定位。

weixin_44081096的博客 291

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: 基于自注意力机制的雷达弱目标检测
下一篇: Spring Boot+Vue全栈开发实战【1.0】
BinaryStarXin
博客等级 码龄8年 1万+粉丝 3721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
 
 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

打赏作者

BinaryStarXin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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
⌂ 换网址