閻笑彤，徐　翔，郭顯久、2，孫凱樂

（1.大連海洋大學信息工程學院，遼寧大連116023；2.遼寧省海洋信息技術重點實驗室，遼寧大連116023）

?

基于WEB的水產(chǎn)養(yǎng)殖病害診斷專家系統(tǒng)

閻笑彤1，徐翔1，郭顯久1、2，孫凱樂1

（1.大連海洋大學信息工程學院，遼寧大連116023；2.遼寧省海洋信息技術重點實驗室，遼寧大連116023）

摘要：為解決水產(chǎn)養(yǎng)殖中的病害問題，采用TFIDF加權(quán)算法和動態(tài)規(guī)劃的設計理念，結(jié)合余弦相似度模型，設計并實現(xiàn)了基于WEB的水產(chǎn)養(yǎng)殖病害診斷專家系統(tǒng)。該系統(tǒng)包括專家診斷模塊、查詢模塊、瀏覽模塊和專家在線更新模塊，能自動對用戶輸入癥狀進行關鍵詞提取并通過TFIDF算法加權(quán)，然后采用余弦相似度模型公式計算，得出輸入文本與知識庫中每篇文檔的相似度，最后把相似度高的前3個疾病及其治療方案作為診斷結(jié)果反饋給用戶。經(jīng)實驗驗證，該系統(tǒng)可以快速地對用戶輸入的病害癥狀進行正確診斷，可用于水產(chǎn)養(yǎng)殖生產(chǎn)實踐中。

關鍵詞：水產(chǎn)養(yǎng)殖；病害診斷；專家系統(tǒng)；知識庫

專家系統(tǒng)作為信息技術的分支，在農(nóng)業(yè)系統(tǒng)中已得到了廣泛應用［1］，如花卉病害診斷專家系統(tǒng)［2］、水稻病蟲害診斷專家系統(tǒng)［3］、果樹病害診斷專家系統(tǒng)［4］、蔬菜作物病害診斷專家系統(tǒng)［5］等。而水產(chǎn)養(yǎng)殖業(yè)作為農(nóng)業(yè)的重要組成部分，對于信息技術的應用雖然起步較晚但發(fā)展迅速，如海參養(yǎng)殖專家系統(tǒng)［6］、對蝦病害診斷專家系統(tǒng)［7］等。隨著高密度、工廠化、集約化水產(chǎn)養(yǎng)殖模式的建立與推廣，水產(chǎn)養(yǎng)殖病害問題日趨嚴重，因此，建立基于互聯(lián)網(wǎng)的多種水產(chǎn)養(yǎng)殖病害專家系統(tǒng)具有重要意義。本研究中，設計并實現(xiàn)了基于WEB的水產(chǎn)養(yǎng)殖病害診斷專家系統(tǒng)，旨在為水產(chǎn)養(yǎng)殖中的病害問題提供快速診斷和解決方案。

1 系統(tǒng)設計

1.1 系統(tǒng)目標

本系統(tǒng)以實用性為原則，通過分析用戶需求來制定相應的系統(tǒng)目標，系統(tǒng)應達到：（1）快速、準確、可靠的專家診斷功能；（2）支持多媒體格式，如圖片、視頻等；（3）用戶可進行線上留言以及文件上傳；（4）專家可對數(shù)據(jù)庫進行在線更新、刪除等操作。

1.2 系統(tǒng)架構(gòu)

本系統(tǒng)采用瀏覽器/WEB服務器/數(shù)據(jù)庫的3 層 B/S架構(gòu)，基于 Servlet和 JSP技術［8-9］，以Tomcat為服務器、MySQL為數(shù)據(jù)庫系統(tǒng)，系統(tǒng)結(jié)構(gòu)如圖1所示。

1.3 系統(tǒng)的功能模塊

水產(chǎn)養(yǎng)殖病害診斷專家系統(tǒng)包括4個模塊：專家診斷模塊、查詢模塊、瀏覽模塊、專家在線更新模塊 （圖2）。其中：專家診斷模塊是系統(tǒng)的主體，可通過啟發(fā)式輸入，把信息匯總到服務器，服務器對信息進行處理并最后返回給用戶診斷結(jié)果；查詢模塊提供站內(nèi)文檔主題的模糊檢索功能；瀏覽模塊可以瀏覽水產(chǎn)養(yǎng)殖病害的圖片、視頻，以及常見藥物的使用方法等詳細信息；專家在線更新模塊是一個知識庫維護模塊，可由授權(quán)專家進行數(shù)據(jù)庫的在線自動更新、刪除、修改、查看用戶留言和文件上傳等操作，通過此模塊可實現(xiàn)專家系統(tǒng)知識的不斷積累。

1.4 數(shù)據(jù)庫的設計

本系統(tǒng)的知識庫由4個主要數(shù)據(jù)庫組成，分別為病癥庫、關鍵詞庫、權(quán)重值矩陣庫和參數(shù)矩陣庫。

圖1　系統(tǒng)結(jié)構(gòu)圖Fig.1 Schematic view of the system structure

圖2　系統(tǒng)模塊結(jié)構(gòu)圖Fig.2 M odule structure diagram of the system

病癥庫是用來存儲疾病的詳細信息，包括名稱、水產(chǎn)品種類、病原、癥狀和治療方法，部分顯示如表1所示。

表1　病癥庫 （部分）Tab.1 Disease Database（partial）

關鍵詞庫是用來存放疾病癥狀的關鍵詞。專家在更新或者插入病癥的時候會標記出每條疾病癥狀的關鍵詞，系統(tǒng)根據(jù)標記可自動更新或者增加關鍵詞庫。每條疾病會對應關鍵詞庫中的所有關鍵詞，當關鍵詞并不存在于疾病癥狀中時，權(quán)值默認為0，故病癥和關鍵詞是1對多的關系。

權(quán)重值矩陣庫是用來存放不同疾病對應的不同關鍵詞的權(quán)重值。權(quán)重值矩陣庫的結(jié)構(gòu)為 disid（主鍵，對應病癥庫ID），wordid（主鍵，對應關鍵詞庫ID），weight（當前疾病詞匯所對應的權(quán)重值）。因為疾病和關鍵詞為1對多的關系，所以disid、wordid作為共同主鍵的同時，又分別與病癥庫的病癥ID、關鍵詞庫的關鍵詞ID構(gòu)成外鍵關聯(lián)，如圖3所示。

圖3　權(quán)重值矩陣結(jié)構(gòu)圖Fig.3 M atrix of weighted value graph

病癥庫、關鍵詞庫、權(quán)重值矩陣庫3個庫形成一個關聯(lián)，病癥庫中每一條疾病的癥狀都會對應關鍵詞庫中的所有關鍵詞，而每個關鍵詞均會對應一個權(quán)重值，由此形成一個列數(shù)為3（第一列對應疾病，第二列對應關鍵詞，第3列對應權(quán)重值），行數(shù)為疾病數(shù)×關鍵詞數(shù)的矩陣，根據(jù)不同的疾病所構(gòu)成的關鍵詞矩陣可以對不同的疾病進行標識和區(qū)分。

參數(shù)矩陣庫是用來為計算權(quán)重值提供參數(shù)數(shù)據(jù)支持。參數(shù)矩陣庫也以病癥ID和關鍵詞ID為共同主鍵，并分別與疾病庫ID、關鍵詞庫ID形成外鍵關聯(lián)，在計算權(quán)重值時需要用到一個參數(shù)，即每個關鍵詞在不同的文章中出現(xiàn)的次數(shù)，將此參數(shù)儲存在這里，計算時方便調(diào)取。

病癥庫、關鍵詞庫、權(quán)重值矩陣庫和參數(shù)矩陣庫的關聯(lián)關系如圖4所示。

圖4　病癥庫、關鍵詞庫、權(quán)重值矩陣庫、參數(shù)矩陣庫實體-聯(lián)系 （ER）圖Fig.4 ER draw ing of disease library，keyword lib rary，matrix of weighted value library and matrix of parameter

2 專家知識的獲取與表示

2.1 知識的獲取

知識獲取就是把問題求解的專門知識從專家頭腦中和其他知識源中提煉出來，并按照一種合適的知識表示方法將其轉(zhuǎn)移到計算機中［10］。本系統(tǒng)通過人工和自動兩種方式獲取知識：一是與領域?qū)＜疫M行合作，通過網(wǎng)絡、期刊和專業(yè)書籍獲得初步的水產(chǎn)養(yǎng)殖病害診療知識，在對知識歸納、整理后初步建立知識庫；另一種是通過在線開放的形式獲取知識，授權(quán)專家登錄網(wǎng)站，通過輸入病害知識和關鍵詞進行知識庫的在線自動更新，通過這種方式對專家系統(tǒng)提供豐富的知識庫支持。

因為本系統(tǒng)基于開放網(wǎng)絡，用戶可以通過網(wǎng)絡隨時提出各種關于水產(chǎn)疾病的問題，或者上傳與疾病相關的文件。授權(quán)專家會定期登陸系統(tǒng)在線更新模塊，一方面可以查看用戶留言以及上傳的文件，通過審批將有價值的內(nèi)容增加到數(shù)據(jù)庫中，同時在公告欄對用戶的問題進行回答；另一方面，專家可以通過使用系統(tǒng)的在線更新模塊，對病癥庫、關鍵詞庫，以及各種知識文檔、圖片、視頻進行添加（詳見 “3.3”節(jié)）。目前，通過這種方式已將100篇用于測試疾病的數(shù)據(jù)信息插入到病癥庫中。

2.2 知識的表示

知識表示是為描述世界所做的一組約定，是知識的符號化、形式化、模型化［11］。本系統(tǒng)知識表示模型如圖5所示。系統(tǒng)首先對輸入癥狀進行分詞比對，然后計算詞的權(quán)重，再通過相似度比對得出診斷結(jié)果。

圖5　知識表示模型Fig.5 Know ledge represen tation model

3 系統(tǒng)功能的實現(xiàn)

3.1 專家診斷功能

界面使用啟發(fā)式的病癥輸入，加入分好類（海參、鮑魚、龍蝦、海膽、甲魚等）的常見癥狀描述集合，用戶可以通過復選框選擇詞匯和文本框輸入病癥進行共同描述癥狀，提升診斷的準確性。當用戶提交后，服務器會對接收到的癥狀進行分詞。本研究中，采用的分詞方法借鑒了文獻 ［12］中的方法，基本過程如圖6所示。

圖6　分詞過程Fig.6 Words processing

圖6中，Q為正則表達式提取結(jié)果。若Q的字數(shù)大于4個漢字，則截取前4個漢字 （以temp表示），若小于4個漢字，則取全部，因為關鍵詞的選取在4個漢字之內(nèi)，故選擇截取4個漢字，然后與關鍵詞庫內(nèi)容進行對比，若相同則加入結(jié)果容器并跳出本次循環(huán)，同時將Q從左去掉此時temp的字數(shù)，繼續(xù)下次循環(huán)；若無相同，則依次去掉temp中的最后一個漢字后再對比，直到temp字數(shù)為1時跳出本次循環(huán)，將Q從左邊去掉1個漢字，再進行上述過程，Q字數(shù)為0時結(jié)束分詞。通過這種分詞方法可實現(xiàn)正向匹配和逆向匹配，將輸入癥狀和庫中匹配的詞選出。

以海參盾纖毛蟲病為例，當用戶輸入 “當稚參活力弱時，在顯微鏡下可見纖毛蟲攻擊參體造成創(chuàng)口后，致使海參幼體解體死亡。經(jīng)鑒定為盾纖毛蟲類，嗜污科，種名待定。纖毛蟲活體外觀呈瓜子形，皮膜薄，無缺刻，該病多由細菌和纖毛蟲協(xié)同致病。首先，先由細菌感染致使稚參活力減弱，然后遭到纖毛蟲的攻擊而使稚參死亡”一段描述時，則分詞結(jié)果為：稚參，纖毛蟲，幼體解體，纖毛蟲，纖毛蟲，纖毛蟲，協(xié)同致病，細菌感染，稚參，活力減弱，纖毛蟲，稚參。

3.1.1 TFIDF算法［13］TFIDF是一種用于資訊檢索與資訊探勘的加權(quán)技術，用以評估字詞對于一個文件集或一個語料庫中一份文件的重要程度。主要思想是：如果某個詞或短語在一篇文章中出現(xiàn)的頻率較高，并且在其他文章中很少出現(xiàn)，則認為此詞或者短語具有很好的類別區(qū)分能力，適合用來分類，則權(quán)重值高。詞頻 （TF）計算公式為

其中：a為在文檔中詞的出現(xiàn)次數(shù)；S為文檔的分詞總數(shù)。逆向文本頻率 （IDF）計算公式為

其中：N為庫中的文檔總數(shù)；n表示出現(xiàn)該分詞的文檔數(shù)目 （加上0.01是為了防止lg返回值為0）。則TFIDF計算公式為

3.1.2 權(quán)重值的計算 對上述分詞結(jié)果進行遍歷，得出關鍵詞在用戶輸入中出現(xiàn)的次數(shù)，如表2所示。用容器times儲存。將分詞結(jié)果與關鍵詞庫中的關鍵詞信息 （儲存在index容器中）進行對比，相同時，通過式 （1）、（2）、（3）計算此時的權(quán)重。

為了得出總詞數(shù)textSize，引入Java的IKAnalyzer2013.jar對 Q進行分詞求出總詞數(shù)。通過Times得到當前詞語出現(xiàn)的次數(shù)，詞頻Frequency由式 （1）求得。通過函數(shù)docTime（i+1）訪問參數(shù)矩陣庫可讀出當前關鍵詞在病癥庫的多少個疾病癥狀中出現(xiàn)過，以n表示，通過連接病癥庫可取得總疾病數(shù)目，以N表示，逆向文本頻率可由式（2）求得。最后由式 （3）得出權(quán)重，而未出現(xiàn)的詞條權(quán)重視為0。

權(quán)重值的計算實現(xiàn)程序如下：

String temp=index.get（i）.toString（）；

Enumeration＜String＞e=Times.keys（）；

while（e.hasMoreElements（））

｛String key=（String）e.nextElement（）；

if（key.equals（temp））｛

Frequency=（float）Times.get（key）/textSize；公式 （1）

n=docTime（i+1）；

inversedocument=（double）（Math.lg（（N/n+0.01））/ Math.lg（10））；公式 （2）

finalIDF=Frequency*inversedocument；公式 （3）｝

else｛

finalIDF=0｝｝

把得出的權(quán)重值以向量的形式儲存到問題向量（b1，b2，b3，b4，…，bi）中，結(jié)果如表 2所示（只顯示上文舉例部分）。

從表2可見：在輸入中出現(xiàn)次數(shù)多且n值較小的詞條權(quán)重較大。反之，詞條在多篇文檔出現(xiàn)，則權(quán)值就會較低。

表2　計算權(quán)重結(jié)果 （部分）Tab.2 Result of weighted value（partial）

3.1.3 余弦相似度模型［14］余弦相似度是計算相似度的一種模型。首先，將個體的指標數(shù)據(jù)映射到向量空間，然后通過測量兩個個體向量間的內(nèi)積空間夾角余弦值來度量它們之間的相似性。兩個文檔d、q之間的相似度計算公式為

其中，a、b分別為從兩篇文檔中挑出的詞的詞頻。根據(jù)文檔相似情況，可計算出0～1的相似度。

3.1.4 疾病相似度的計算 由于已經(jīng)計算出問題向量，此時的問題向量就可以用來標識用戶輸入的癥狀文字描述。只需將問題向量和權(quán)重值矩陣中每一條疾病所對應的關鍵詞權(quán)重值所構(gòu)成的向量進行相似度比較，就可得出診斷結(jié)果。

表3　診斷結(jié)果Tab.3 Diagnosis of the diseases

通過遍歷權(quán)重值矩陣庫，依次把每篇文檔的權(quán)重值取出，以答案向量（a1，a2，a3，a4，…，ai）表示。答案向量和問題向量通過式 （4）運算得到每篇文檔的相似度，結(jié)果如表3所示。經(jīng)驗證，算法準確度較高，如癥狀描述較完善，相似度可達1.000，若癥狀描述較為模糊，可以采用前文所說的啟發(fā)式常用癥狀描述集合，對癥狀進行提前分類，規(guī)范癥狀描述語言，達到診斷目的。

3.2 查詢模塊及病害瀏覽模塊功能

瀏覽模塊包括疾病圖庫、視頻展示、綜合預防、常用藥物、疾病防治5個部分 （圖7）。通過數(shù)據(jù)庫的模糊查詢實現(xiàn)查詢功能，通過點擊主界面的疾病圖庫可進行常見病害的圖譜瀏覽 （圖8）。

圖7　系統(tǒng)界面Fig.7 　System interface

圖8　疾病圖庫Fig.8 Disease gallery

3.3 專家在線更新模塊功能的實現(xiàn)

由于每更新一篇病癥，參數(shù)矩陣和權(quán)重值矩陣都會發(fā)生變化，因此，系統(tǒng)采用清空原有參數(shù)矩陣庫和權(quán)重矩陣庫的方式，面向更新后的病癥庫和關鍵詞庫，重新生成矩陣內(nèi)容。

對于本系統(tǒng)的參數(shù)矩陣庫和權(quán)重矩陣庫的更新，常規(guī)思路是首先通過訪問更新后的病癥庫和關建詞庫，得到每篇文章中關鍵詞的出現(xiàn)次數(shù)和文章總詞數(shù)來重構(gòu)參數(shù)矩陣，然后在重構(gòu)權(quán)重矩陣時，每更新一條權(quán)值都需要訪問參數(shù)矩陣庫、病癥庫、關鍵詞庫來取得文檔ID對應的分詞結(jié)果和文章的總詞數(shù)。其中權(quán)重矩陣庫更新時間的計算公式為

其中：S為文檔數(shù)目（N）和關鍵詞數(shù)目 （indexSize）的乘積；vismatrix、visdisease和visindex分別為訪問參數(shù)矩陣庫、病癥庫、關鍵詞庫需要的時間。經(jīng)多次實驗，更新一篇文章需要4 min。

為降低兩個矩陣庫的更新時間和提升系統(tǒng)實用性，本系統(tǒng)使用了動態(tài)規(guī)劃的思想，其原理是將問題分成幾個相應的子問題，分階段分別進行處理，有些子問題會重復出現(xiàn)，將重復出現(xiàn)的子問題的計算和處理結(jié)果儲存起來，在需要時可直接調(diào)用，雖然儲存會占據(jù)一些內(nèi)存空間，卻可以大幅度提高解決問題的時間，避免重復計算。此思路中重復出現(xiàn)的子問題就如同公式 （6）中的visdisease和visindex兩個參數(shù)，其會先在重構(gòu)參數(shù)矩陣時出現(xiàn)，而后在重構(gòu)權(quán)重值矩陣庫時同樣會出現(xiàn)，故系統(tǒng)在這兩個參數(shù)首次出現(xiàn)時就將其相關數(shù)據(jù)儲存到內(nèi)存中，需要時直接從內(nèi)存中調(diào)用，調(diào)用時間相比于連接數(shù)據(jù)庫可以忽略不計。用此方法計算權(quán)重矩陣庫更新時間的公式如下：

由式 （6）和式 （7）可以看出，式 （7）少了visdisease和visindex兩個參數(shù)。經(jīng)多次實驗驗證，S在系統(tǒng)中實際為18 166，一共節(jié)省了18 166×2次對數(shù)據(jù)庫的調(diào)用，避免了大量重復計算，更新用時降低到24～26 s。表4為更新牡蠣沿岸單孢子蟲病的結(jié)果。

再用系統(tǒng)對剛剛插入的病害癥狀進行診斷，耗時約為2.7 s，如表5所示。

4 結(jié)語

本系統(tǒng)以分詞算法、TFIDF算法、余弦相似度模型為核心，通過深入研究水產(chǎn)養(yǎng)殖病害相關知識，并運用動態(tài)規(guī)劃的編程思想，設計并實現(xiàn)了具有專家診斷功能、信息瀏覽功能、用戶查詢功能和數(shù)據(jù)庫自動更新功能的水產(chǎn)養(yǎng)殖病害診斷專家系統(tǒng)。

表4　更新結(jié)果 （部分）Tab.4 Update result（partial）

表5　更新后的診斷結(jié)果Tab.5 Result of diagnosis after updating

通過分詞算法可以將用戶輸入的信息進行處理，轉(zhuǎn)換為系統(tǒng)可識別的信息；通過TFIDF算法計算關鍵詞的權(quán)重，用權(quán)重值構(gòu)成的向量可以將病癥庫中的病癥描述以及用戶輸入的病癥描述進行分別的標記；通過余弦相似度模型可將權(quán)重值構(gòu)成的向量進行相似度的匹配，最后得出診斷結(jié)果；通過開放式的、可由專家在線更新的知識庫，可以讓專家系統(tǒng)獲取源源不斷的知識支持。經(jīng)實驗驗證，該系統(tǒng)已達到設計目標和使用要求，可用于水產(chǎn)養(yǎng)殖生產(chǎn)中病害的快速診斷與防治。

參考文獻：

［1］ 于毅，徐睿，劉鑫，等.專家系統(tǒng)在水產(chǎn)養(yǎng)殖病害上的應用與發(fā)展［J］.北京農(nóng)業(yè)，2011（24）：42-43.

［2］ 于玲.花卉病害診斷專家系統(tǒng)［D］.武漢：華中農(nóng)業(yè)大學，2006.

［3］ 陳祝爐.水稻病蟲害智能化咨詢與診斷服務系統(tǒng)的開發(fā)與實現(xiàn)［D］.杭州：浙江大學，2010.

［4］ 劉禹.果樹病害數(shù)據(jù)庫的構(gòu)建［D］.重慶：西南大學，2012.

［5］ 孫敏，羅衛(wèi)紅，馮萬利.等.基于Web的設施蔬菜作物病害診斷與防治管理專家系統(tǒng)［J］.南京農(nóng)業(yè)大學學報，2014，37（2）：7-14.

［6］ 李劍，韓勝菊，常亞青，等.人工智能在海參養(yǎng)殖專家系統(tǒng)中的應用［J］.計算機應用，2011，31（S1）：110-115.

［7］ 葉蟬，鄧長輝，曹向南，等.對蝦病害診斷專家系統(tǒng)的設計與實現(xiàn)［J］.大連海洋大學學報，2015，30（3）：319-323.

［8］ 鐘昌樂，鐘勇，馬春全，等.基于Spring框架的畜禽疾病診斷專家系統(tǒng)的設計與實現(xiàn)［J］.計算機應用與軟件，2010，27（4）：87-89.

［9］ 肖輝輝，鄭涵，羅日才，等.基于B/S架構(gòu)的稿件管理系統(tǒng)設計與實現(xiàn)［J］.軟件導論，2015，14（4）：96-98.

［10］ 劉雙印，徐龍琴，沈玉利.基于.NET的對蝦病害防治專家系統(tǒng)的設計與實現(xiàn)［J］.計算機工程與設計，2008，29（13）：3444-3447.

［11］ 徐寶祥，葉培華.知識表示的方法研究［J］.情報科學，2007，25（5）：690-694.

［12］ 蔡勇智.基于最大匹配分詞算法的中文詞語粗分模型［J］.福建電腦，2005（9）：39-40.

［13］ 張建娥.基于TFIDF和詞語關聯(lián)度的中文關鍵詞提取方法［J］.情報科學，2012，30（10）：1542-1544，1555.

［14］ 陳大力，沈巖濤，謝檳竹，等.基于余弦相似度模型的最佳教練遴選算法［J］.東北大學學報：自然科學版，2014，35（12）：1697-1700.

An expert system of disease treatment in aquaculture based on WEB

YAN Xiao-tong1，XU Xiang1，GUO Xian-jiu1，2，SUN Kai-le1
（1.College of Information Engineering，Dalian Ocean University，Dalian 116023，China；2.Key Laboratory of Ocean Information Technology of Liaoning Province，Dalian 116023，China）

Abstract：An expert system of disease treatment in aquaculture is designed and implemented based on WEB by TFIDF weighted algorithm，design idea of dynamic programming aswell as cosine similaritymodel.The system including expert diagnosismodule，querymodule，browse and experts online updatemodule can automatically extract the keywords of user input symptoms by weighting TFIDF algorithm，and then conclude the input textwith each of the document similarity in the knowledge base using cosine similaritymodel formula，and finally give the high similarity of the first three diseases and their treatment as a diagnostic feedback to the user.The experimental results showed that the system quicklymade correct diagnosis for the disease symptom of user input.

Key words：aquaculture；disease diagnosis；expert system；repository

中圖分類號：TP311

文獻標志碼：A

DOI：10.16535/j.cnki.dlhyxb.2016.02.019

文章編號：2095-1388（2016）02-0225-06

收稿日期：2015-06-08

基金項目：國家海洋公益性行業(yè)科研專項 （201205023-4）；遼寧省科技計劃項目 （2012216012）

作者簡介：閻笑彤 （1991—），男，碩士研究生。E-mail：moon1313@163.com

通信作者：郭顯久 （1963—），男，博士，教授。E-mail：gxj@dlou.edu.cn