企业官网建设流程全解析

简介：基于LSTM算法在MATLAB环境下实现短期风速预测的完整工程代码包，面向深度学习初学者、能源气象领域研究人员及需要时间序列预测参考实现的开发者。资源共13个文件，含7个.m源码文件，覆盖LSTM模型构建、训练与权重更新、ELM对比算法等核心步骤；3个.mat文件提供预处理后的数据集与归一化参数，2个.xlsx保存沧州气象与污染日度原始数据，另有README说明文档，整体压缩包仅149KB，轻量便于快速上手。已有1346人学习下载。通过代码中的数据读取、预处理、训练、验证与预测全流程，读者可系统掌握LSTM在MATLAB中的落地方法，理解门控机制与序列建模技巧，并能替换自身风速数据完成实验迁移，适合作为课程设计或科研预研的参考模板。

1. 拿 LSTM 在 MATLAB 里预测短期风速，先弄明白它在替代什么

做风电场功率预测或者风机载荷评估的人，大概率遇到过这样一个尴尬：数值天气预报（NWP）在 6 小时以上尺度表现尚可，但到了分钟级、小时级的短期风速预测，空间分辨率跟不上，更新频率也低，直接拿来用就是"拿昨天的天气报今天的风"。而传统的 ARIMA、线性回归这类模型，又很难抓住风速序列里那种"上一小时强风、下一小时骤降"的非线性突变。于是就有了一个这两年很常见的方案：用 LSTM 做回归，在 MATLAB 里读历史风速序列，训练一个循环神经网络，预测未来几小时甚至几十分钟的风速。

这篇文章要聊的就是标题里的那套东西——LSTM-regression-master 这类工程包在 MATLAB 里落地短期风速预测的完整路径。它解决的核心问题，不是"跑通一个 demo"，而是搞明白这几件事：风速数据要怎么喂给 LSTM、网络结构和训练参数怎么定、训练出来的模型怎么评估、以及最让人头疼的——为什么预测曲线总是比真实风速慢半拍。适合正在做毕业设计、风资源评估预研或者电力系统短期调度的人，对已经跑通普通 BP 网络、想尝试时序模型的人来说，这篇文章可以直接帮你把路铺平。

2. 风速数据预处理与 LSTM 输入输出结构：为什么不能把原始序列直接塞进网络

2.1 先做质量清洗：缺测、野值、时序对齐

风速测风塔或者气象站的数据，拿到的原始 CSV、Excel 几乎不可能干净。缺测通常是传感器故障，野值则常常是极端 gusts 或者仪器受干扰，比如某一条数据风速 40 m/s 而前后都是 6 m/s 左右，这种就必须处理，否则会让 LSTM 在训练时为了拟合这个离群点付出巨大的权值代价。

常见的做法是三步。第一步，时间戳对齐，把数据重采样成等间隔序列。因为 LSTM 对时间步的解释是"相邻两步之间的实际时间间隔应该一致"，如果你的原始数据一段是 10 分钟间隔、一段是 15 分钟间隔，模型会学到一个混乱的时间概念。第二步，缺测填充，短缺（一两步）用线性插值，长缺（超过总长度 5%）建议直接删除该区间而不是强行填充。第三步，野值剔除，用滑动窗口的均值加减 3 倍标准差做识别，命中就置为 NaN 再插值。这里有个容易被忽略的点：剔除野值的阈值不要用全序列的均值方差，要用局部窗口的，不然季节性差异会让冬季正常大风被误杀。

% 读取风速序列，假设 timestamp 是第一列，wind_speed 是第二列 data = readmatrix('wind_data.csv'); t = data(:, 1); v = data(:, 2); % 重采样到固定间隔 10min，用 retime 需要 timetable tt = timetable(seconds(t), v); tt = retime(tt, 'regular', 'linear', 'TimeStep', minutes(10)); % 野值剔除：滑动窗口 3 倍标准差 v_clean = tt.v; window = 12; % 2 小时窗口 for i = window+1 : length(v_clean)-window seg = v_clean(i-window : i+window); mu = mean(seg, 'omitnan'); sd = std(seg, 'omitnan'); if abs(v_clean(i) - mu) > 3 * sd v_clean(i) = NaN; end end v_clean = fillmissing(v_clean, 'linear');

这段代码里retime是 MATLAB 处理时序重采样的关键函数，'regular' 表示生成规则时间栅格，'linear' 表示插值方法。窗口取 12 个点，对于 10 分钟间隔的数据就是前后各 2 小时，这个范围对风速来说足够反映局部趋势又不至于被单次阵风带偏。注意fillmissing要放在野值剔除之后，顺序反了会插值出一个带错误影响的值。

2.2 归一化用 mapminmax，但训练集和测试集必须分开算参数

LSTM 默认用 tanh 作为激活函数，输出范围是 [-1, 1]，输入如果灌进去 0 到 40 的原始风速，梯度会在反向传播时被压得很小，网络学不动。所以归一化是必须的。但很多人在这里翻车：整个序列一次性做mapminmax，然后切训练集和测试集。

这样做的问题是测试集的信息通过 min/max 泄露给了训练过程。比如测试集包含了一次历史极端的 35 m/s 大风，你把整个序列的 max 设为 35，训练集的归一化结果就会被"未来数据"影响。正确的做法是先切分，再用训练集的统计量去归一化测试集。实际风速预测场景里，你的模型未来要面对的数据是未知的，它的最大值可能超出训练集范围，所以测试集归一化时超出边界的数据会被截断到 1，这也是合理的——模型只能学会它见过的风速区间。

% 切分：前 80% 训练，后 20% 测试，保持时间顺序！ n = length(v_clean); nTrain = floor(n * 0.8); v_train_raw = v_clean(1 : nTrain); v_test_raw = v_clean(nTrain+1 : end); % 只用训练集计算归一化参数 vmin = min(v_train_raw); vmax = max(v_train_raw); v_train_norm = (v_train_raw - vmin) / (vmax - vmin) * 2 - 1; % 映射到 [-1, 1] v_test_norm = (v_test_raw - vmin) / (vmax - vmin) * 2 - 1; v_test_norm = min(max(v_test_norm, -1), 1); % 超出边界截断

这里有一个比归一化更重要的点：切分的时候不要随机打乱。风速是时间序列，训练集必须是一段连续的历史，测试集必须是它之后的一段时间。如果你用cvpartition或者randperm随机抽样本，模型等于在"偷看未来"，测试误差会虚低，但一到真实部署就现原形。

2.3 构造输入输出样本：滑动窗口定时间步，预测步长定输出维度

LSTM 的输入不是"一整条风速曲线"，而是"一段固定长度的历史风速序列"映射到"未来一个或几个时刻的风速值"。这个从原始序列构造样本的过程，在开源包里常叫create_train_set或者split_sequence。

核心就是两个参数：numSteps表示用过去多少个时刻（比如过去 12 个点，即 2 小时）作为输入；numPred表示预测未来几个时刻（比如未来 6 个点，即 1 小时），如果numPred = 1就是单步预测，如果大于 1 就是直接多步预测（direct multi-step）。这个选择直接决定了你的 LSTM 输出层节点数。

MATLAB 的 LSTM 回归网络，输入层通常是sequenceInputLayer，数据格式是numFeatures × numSteps的矩阵（如果按单序列处理）或者更常见地把每个样本作为一个 cell 元素。用滑动窗口构造好样本后，记住一个原则：样本之间允许重叠，这能大幅增加训练样本数量，对于风速这种几百上千条的序列尤其重要。

% 滑动窗口构造训练样本 numSteps = 12; % 输入：过去 12 个点（2小时） numPred = 6; % 输出：未来 6 个点（1小时） XTrain = {}; YTrain = {}; for i = 1 : nTrain - numSteps - numPred + 1 x = v_train_norm(i : i + numSteps - 1)'; y = v_train_norm(i + numSteps : i + numSteps + numPred - 1)'; XTrain{end+1, 1} = x; YTrain{end+1, 1} = y; end

为什么这里要用 cell 数组？因为 MATLAB 的trainNetwork在处理序列数据时，要求每个观测是一个numFeatures × numSteps的矩阵，不同样本长度可以不同，所以用 cell 的每一格装一个样本。这个写法也是大多数 LSTM 回归包的通用惯例。滑动窗口的i从 1 走到nTrain - numSteps - numPred + 1，注意减掉两个长度，不然最后一个样本会越界用到测试集的数据。

3. 把 LSTM-regression-master 跑通：代码结构与最小可用配置

3.1 解压后先别急着跑，按这个顺序检视文件

LSTM-regression-master 这类包，从名字看是 GitHub 上常见的 LSTM 回归示例工程。解压之后我一般不会直接点运行，而是先按顺序看四个东西：主脚本（通常是lstm_regression.m或run_me.m）、数据加载部分、网络定义部分、结果可视化部分。这类小众工程包的结构高度模板化，大概率是"读取数据 -> 构造训练/测试集 -> 定义网络 -> 训练 -> 预测 -> 画图"六段式。

比较常见的坑是数据集格式和脚本里写死的路径。很多示例用的数据是金融序列或者机场气象站数据，你需要把自己的风速 CSV 转成脚本能读的格式。这里有两条路：改数据或者改脚本。我更建议改脚本，因为风速数据的时间列、缺失值、采样间隔和示例数据几乎不可能完全一致。打开脚本找到load或者readtable的位置，改成你自己的读取逻辑，然后向下检查XTrain/YTrain的构造方式是否和你的数据匹配。

3.2 最小可运行的网络定义：记住 OutputMode 是 last

很多人在 MATLAB 里跑 LSTM 回归，最常犯的错误是把分类任务的网络结构抄过来。分类任务最后接的是softmaxLayer和classificationLayer，输出层是类别概率；回归任务要换成fullyConnectedLayer(numPred)加regressionLayer。还有一个关键参数是lstmLayer的OutputMode，回归任务里如果numPred = 1，常见配置是'last'——只取最后一个时间步的隐状态输出；如果做序列到序列的多步预测，则用'sequence'。

更保险的做法是保持'last'然后让全连接层输出numPred个节点。也就是说，LSTM 最后一个时间步的隐状态是一个向量，后面接一个全连接层把它映射到 6 个值，这 6 个值就是未来 1 小时的 6 个 10 分钟风速点。

numFeatures = 1; % 输入特征数：只有风速 numHiddenUnits = 100; % LSTM 隐层单元数 numPred = 6; % 输出维度：未来 6 个时刻 layers = [ sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(numPred) dropoutLayer(0.2) regressionLayer ];

这里的dropoutLayer(0.2)是我个人习惯加上的。风速预测很好过拟合，因为训练样本之间有大量重叠，加了 dropout 能明显缓解预测曲线"过度平滑"的问题。regressionLayer默认的损失函数是均方误差（MSE），这个对于风速预测够用，不需要改成 MAE。

3.3 trainNetwork 与 predict：维度匹配是最大坑

训练选项和网络结构一样重要。很多人训练出来损失不降，第一反应是调网络，但实际上问题往往出在求解器参数上。风速序列噪声大，InitialLearnRate我一般不会设超过 0.01，并且开GradientThreshold限制梯度爆炸。MiniBatchSize设 64 或 128 都可以，风速数据量小的时候 64 更稳。

options = trainingOptions('adam', ... 'MaxEpochs', 200, ... 'MiniBatchSize', 64, ... 'InitialLearnRate', 0.005, ... 'GradientThreshold', 1, ... 'Shuffle', 'every-epoch', ... 'Verbose', 1, ... 'Plots', 'training-progress'); net = trainNetwork(XTrain, YTrain, layers, options);

训练完之后用predict(net, XTest)做预测。注意predict和predictAndUpdateState的区别：单步滚动预测用后者，批量独立预测用前者。在这个 demo 场景里，如果你的测试集是标准的滑动窗口样本集，predict是正确选择，每个样本独立预测，不会跨样本传递状态。很多开源包在预测部分喜欢用predictAndUpdateState做多步递归预测，那是在时间步之间共享隐状态，两者混用会导致预测结果对不上。

YPred = predict(net, XTest); % YPred 形状：numPred × numSamples，转置后和真实值对齐 YPred = YPred'; % 反归一化还原到真实风速 YPred_real = (YPred + 1) / 2 * (vmax - vmin) + vmin; YTest_real = (YTest + 1) / 2 * (vmax - vmin) + vmin; % 计算 RMSE rmse = sqrt(mean((YPred_real(:) - YTest_real(:)).^2));

反归一化这里藏着另一个高频错误：mapminmax如果是在训练前对整个训练集做的，那么反归一化也要用同一个vmin/vmax，而不是对测试集再算一遍。上面代码里我直接手动算(vmin, vmax)就是为了让这个逻辑清晰可见。很多包内部用mapminmax函数，读者经常搞混它默认的归一化范围是[-1, 1]还是[0, 1]，导致预测结果偏了一个常数。看完这段你应该明白：归一化参数在训练集上算好，之后全程复用。

4. 训练参数调优：hidden units、学习率、时间步长三个必调项

4.1 numHiddenUnits：从风速序列复杂度出发，100 起步往两个方向试

LSTM 隐层单元数是最让人纠结的参数。设太小，模型学不到风速序列的长期依赖；设太大，训练时间指数增长，而且更容易过拟合。我一般以 100 为中心，做一组对比实验：50、100、150。对于风速这种单变量输入的时间序列，超过 150 的收益非常有限，除非你后面加了温度、气压、湿度等多特征输入。

怎么判断是否过拟合？在训练完成之后，分别计算训练集和测试集的 RMSE。如果训练集 RMSE 很低（比如 0.3 m/s）而测试集 RMSE 很高（比如 2.5 m/s），说明隐层单元过多，模型把训练集的噪声都背下来了。反之两者差不多，就可以继续增大隐层单元。注意一个现象：因为风速序列本身具有很强的自相关性，这种"差不多"往往意味着高拟合度，此时预测曲线会看起来很准，但其实是把上一时刻的值滞后地搬过来，这个坑在第 5 章专门展开。

4.2 InitialLearnRate 与 GradientThreshold：风速数据噪声大，学习率要保守

LSTM 训练对学习率比对 CNN 敏感得多。CNN 里学习率 0.1 可能都能收敛，LSTM 里 0.1 大概率直接 NaN。风速序列不是平滑曲线，阵风、静风交替出现，梯度在某些样本上会非常大。如果学习率太大，一个批次就能把权值推出合理范围。

我的经验值是 0.005 到 0.01 之间。'adam'求解器自带自适应学习率，但初始值仍然决定了收敛的快慢。另外GradientThreshold设 1 是好习惯。这个参数的意思是梯度的 L2 范数超过 1 就截断，是专门防梯度爆炸的。对于风速数据很有效，因为静风转强风的突变片段会让梯度瞬间飙升。如果你发现训练损失曲线出现突然的尖峰然后变成 NaN，第一件事就是调低学习率、开梯度截断，而不是换网络结构。

4.3 时间步长与预测步长：短期风速预测里最大的杠杆

numSteps影响的是模型"回头看多远"。对于 10 分钟采样的风速数据，回头看 6 个点（1 小时）和回头看 36 个点（6 小时），模型学到的完全是两种东西。短窗口捕捉的是近期的惯性趋势，长窗口试图捕捉日变化周期。风速的日变化通常受热力驱动，如果站点有明显的地形或海陆风效应，一个 24 小时周期是存在的，那意味着numSteps至少要到 144（10 分钟间隔 × 144 = 24 小时）才能让 LSTM 有希望学到这个周期。

但这里有个现实约束：numSteps越大，可构造的训练样本数越少（样本数 = N - numSteps - numPred + 1），训练效率下降。我一般用 12（2 小时窗口）起步，然后对比 24 和 48。如果这三组结果差异不大，说明这个站点的风速主要由大尺度天气系统驱动，局部惯性就够了。如果 48 明显好于 12，说明存在明显的日变化周期，值得继续加大窗口。下表是我在某项目里用三个月数据做的对比，你可以当作参考。

注意 48 步之后 RMSE 下降变缓，但训练时间还在线性涨，实际项目里要权衡。还有一个细节：训练样本数几乎没变是因为总序列长度固定，numSteps变大只是少量减少样本。小数据量的项目不用太担心这个，但如果你只有 2000 个点，numSteps从 6 调到 48 时样本数就从 1989 掉到 1953，影响不大；真正影响的是每个样本的序列长度，LSTM 在长序列上的反向传播计算量是线性增长的。

5. 避坑与排查：LSTM 风速预测的 5 个高频翻车现场

5.1 现象：预测曲线比真实风速滞后一拍，整体向右平移

这个可能是整个 LSTM 风速预测里最常见的"玄学"了——模型在测试集上画出来，预测峰值总比真实峰值晚一个采样点。很多人的第一反应是模型没训练好，但实际上这是"持续性预测"的典型特征。LSTM 学到了一个"惯性外推"策略：既然风速相邻时刻高度相关，那最简单的做法就是让预测值约等于上一个输入值。尤其是 MAE/MSE 损失函数下，把预测值往均值方向收缩比冒险猜一个大幅变化在损失上更划算。

解决的办法有几种。第一种是把损失函数换成 pinball loss（分位数损失）或者 weighted MSE，对突变样本赋予更高的权重。第二种是把评估指标从 RMSE 换成预测误差在变化点附近的加权指标，但这治标不治本。第三种比较有效的是加入更多特征——不只输入过去的风速，还输入过去的风向、温度、气压梯度等辅助特征。LSTM 只靠单变量风速序列，本质上就是在做"高级持续性预测"，信息瓶颈才是滞后感的根源。

% 检查滞后现象的简便方法：计算预测与真实的互相关 [acf, lags] = xcorr(YPred_real - mean(YPred_real), ... YTest_real - mean(YTest_real), 10, 'coeff'); [~, idx] = max(acf); fprintf('最大相关出现在 lag = %d\n', lags(idx));

如果最大相关出现在 lag = 1 或 2，基本实锤滞后问题。这个诊断脚本粘到任何 MATLAB 工程里都能用，不用装额外工具箱。

5.2 现象：训练损失降得很好，测试集预测却是一条接近水平的直线

这种情况通常发生在numPred比较大的直接多步预测里。模型在训练时学到的是把输出拉向训练集的均值，因为这样做 MSE 最小。测试集风速波动越大，这条"直线"看起来就越明显。原因有两个：一是训练样本不足，模型没有足够的多样性去学习风速的概率分布；二是numPred太大，需要预测的未来越远，不确定性越大，模型最优策略就是预测均值。

解决思路是缩短预测步长。先做单步预测验证模型容量够不够，如果单步预测也出直线，那问题在数据或者网络结构；如果单步预测正常而多步变直线，那就是多步预测的误差累积和信息衰减。另外试一下把numHiddenUnits加大到 150，给模型更多容量去"记住"训练集中的波动模式。实在不行，减少 LSTM 层数到 1 层，有时候深层 LSTM 在数据量小时反而学得更差。

5.3 现象：反归一化之后预测值和真实值差了一个数量级

这个问题基本都是归一化参数使用不一致造成的。训练时用的是mapminmax对整个训练集做了[-1, 1]映射，预测时反归一化却用了测试集的 min/max；或者训练时归一化范围是[0, 1]，反归一化时却按[-1, 1]来算。MATLAB 的mapminmax默认范围确实是[-1, 1]，但很多开源包的教程代码把这个函数封装过一遍，导致数据在脚本间传递时范围已经变了。

从工程上规避的办法很简单：不要用mapminmax函数，手动保存vmin和vmax，反归一化也手动算。前面章节写的(v_norm + 1) / 2 * (vmax - vmin) + vmin就是唯一正确路径。更隐蔽的情况是训练时不小心对整个序列做了归一化再切分，导致vmin/vmax包含测试集信息。检查方法：打印训练集、测试集各自的最大值，如果测试集最大值远超训练集，那大概率是错了。

5.4 现象：predict 和 predictAndUpdateState 结果不一样

这不是 bug，是两个函数语义不同。predict是独立预测：每个测试样本的初始隐状态为 0，它不依赖前一个样本的预测结果。predictAndUpdateState是滚动预测：模型会记住上一个样本的隐状态，并把它作为下一个样本的初始状态。在风速预测里，如果你用滑动窗口构造了训练样本，训练时每个样本也是独立初始状态的，那预测阶段就必须用predict，否则测试样本之间的依赖关系会让你的测试结果异常平滑。

反过来，如果你做的是真正的在线预测（实时数据流，每来一个新时刻就预测下一步），那用predictAndUpdateState才合理。判断标准只有一个：你的训练过程是让每个样本独立，还是让整个时间序列贯穿训练。独立样本用predict，贯穿序列用predictAndUpdateState。混用不是报错，而是结果不合理——很多 demo 代码就是在这里跑飞却不知道原因。

5.5 现象：用某测风塔的数据调好参数，换一个测风塔直接崩

这可能是最让人沮丧的。A 塔数据上 RMSE 1.8 m/s 的模型，换到 B 塔就成了 3.5 m/s。原因很直接：风速分布不同。A 塔可能在高处、地形开阔，平均风速 8 m/s 且方差大；B 塔在林区，平均风速 3 m/s、静风频率高。LSTM 学习的是条件分布 P(未来风速 | 历史风速)，不同地点的条件分布差异很大。

不要迷信"通用模型"。每个站点单独训练是最靠谱的。如果你的项目必须跨站点泛化，就把多个站点的数据混合训练，输入加一个"站点 ID"作为特征。另外换站点时，numSteps和numHiddenUnits一般不用动，但归一化的vmin/vmax一定用新站点的训练集重新算。这个坑几乎每个做过风速预测的人都踩过，属于看代码完全看不出来、看预测结果才能发现的类型。

6. 模型评估与滚动预测技巧：把预测结果真正用起来

6.1 评估别只看 RMSE，三个指标一起看

RMSE 是最常用的风速预测误差指标，但它有个毛病：对个别异常时刻过于敏感，而且无法揭示"模型是否在正确的时间报对了正确的变化"。建议在测试集上同时计算 MAE 和 R²。MAE 更稳健，反映平均绝对偏差；R² 能告诉你模型相对"直接用历史均值做预测"好了多少。如果 R² 接近 0 甚至为负，说明你的 LSTM 还不如无脑用平均值，那一定是数据或训练过程出了问题。

还有一个容易被忽略的指标：风速方向误差。如果你的输出不仅是风速大小，还有风向，那评估就要分开。风速用 RMSE，风向用平均绝对角度误差。直接向量平均风向会产生"350° 和 10° 平均值是 0°"这种假象，需要用循环统计处理。

6.2 多步预测的两种路径：direct 与 recursive

如果你要预测未来 6 个时刻（比如未来 1 小时，每 10 分钟一个点），实现上有两条路。第一条是 direct 策略：LSTM 输出层就有 6 个节点，一次性输出全部预测值。前面章节写的fullyConnectedLayer(numPred)就是这种。第二条是 recursive 策略：只训练一个单步预测模型，然后把预测值作为输入，反复滚动预测 6 次。两者对比见下表。

我的习惯是：预测未来 6 个点以内用 direct，超过 12 个点用 recursive，或者两者结合——先用 direct 预测前 6 个点，再用预测结果滚动续推后面 6 个点。recursive 模式在 MATLAB 里配合predictAndUpdateState非常顺手，每走一步把预测值拼到输入序列尾部，同时丢掉最旧的一个值，窗口始终保持numSteps长度。但要注意误差累积问题，滚动到第 4 步以后，预测曲线通常会明显比 direct 更平滑、峰值更低。

6.3 从演示到落地：定时重训练与数据漂移监控

跑通 demo 只完成了 20% 的工作。实际运行中，风速序列的统计特性会随季节变化。比如冬季盛行风建立后，平均风速和阵风特性都会改变，一个春季训练的模型到冬季可能误差翻倍。我的做法是每周自动重训练一次，每次只使用最近 90 天的数据，并且保留上一次模型的测试集误差作为基准。如果新模型的 RMSE 比旧模型高 5% 以上，就保持旧模型并发出警告。

重训练的流程和第一次训练完全一样，只是数据滑窗向前移动。这里有个小习惯：把vmin、vmax、numSteps、numPred这几个关键变量连同时间戳一起存到 mat 文件里，方便回溯"这个模型当时是在什么数据分布下训练的"。很多项目半年后再看，已经完全想不起当时的归一化参数，导致复现实验时结果对不上。

我自己做风速预测项目时，吃过最大的亏就是没有保存归一化参数，换了一台电脑之后，预测结果怎么都对不上。后来养成的习惯是训练结束立刻执行一次"预测 -> 反归一化 -> 画图 -> 留存参数"的完整闭环，确认所有中间变量都能被序列化保存。模型文件只是网络结构加权值，真正的灵魂是数据预处理参数和时间戳。把这一整套跑顺，LSTM 风速预测其实没有太多神秘感：数据清洗占一半时间，参数调优占三成，真正训练只占两成。希望帮到你。

本文还有配套的精品资源，点击获取