线性方程组/矩阵方程求解(方法汇总)

最新推荐文章于 2024-05-13 06:38:07 发布
最新推荐文章于 2024-05-13 06:38:07 发布
阅读量1.8w 收藏 94
点赞数 14
分类专栏： 数学基础
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46098577/article/details/118357556
版权

文章目录

前言

Eigen 是一个基于C++模板的线性代数库，提供了很多求解矩阵方程的方式，如比如LU分解、QR分解、SVD分解等。

本文以实用性为主，重点讨论几种求解矩阵方程的方法，以及不同方法的优缺点。对于每种方法的原理不做过多介绍。

下面给出不同分解方式的对比图，主要是计算速度和精度的对比，同时不同的分解方式对系数矩阵的形式也有不同的要求。

在这里插入图片描述

1 线性方程组（矩阵方程）

线性方程组是各个方程关于未知量均为一次的方程组，可以采用矩阵方程的形式表示。比如已知一个线性方程组
{ a 1 x 1 + b 1 x 2 + c 1 x 3 = d 1 a 2 x 1 + b 2 x 2 + c 2 x 3 = d 2 a 3 x 1 + b 3 x 2 + c 3 x 3 = d 3 \begin{cases} a_1x_1+b_1x_2+c_1x_3=d_1\\ a_2x_1+b_2x_2+c_2x_3=d_2\\ a_3x_1+b_3x_2+c_3x_3=d_3\\ \end{cases} ⎩⎪⎨⎪⎧​a1​x1​+b1​x2​+c1​x3​=d1​a2​x1​+b2​x2​+c2​x3​=d2​a3​x1​+b3​x2​+c3​x3​=d3​​
写成矩阵形式
A x = b Ax=b Ax=b
其中，

A = [ a 1 b 1 c 1 a 2 b 2 c 2 a 3 b 3 c 3 ] A=\begin{bmatrix}a_1&b_1&c_1 \\a_2&b_2&c_2\\a_3&b_3&c_3\\\end{bmatrix} A=⎣⎡​a1​a2​a3​​b1​b2​b3​​c1​c2​c3​​⎦⎤​， x = [ x 1 x 2 x 3 ] x=\begin{bmatrix}x_1\\x_2\\x_3\\\end{bmatrix} x=⎣⎡​x1​x2​x3​​⎦⎤​， d = [ d 1 d 2 d 3 ] d=\begin{bmatrix}d_1\\d_2\\d_3\\\end{bmatrix} d=⎣⎡​d1​d2​d3​​⎦⎤​

以线性方程组
{ x 1 + 2 x 2 + 3 x 3 = 3 4 x 1 + 5 x 2 + 6 x 3 = 3 7 x 1 + 8 x 2 + 10 x 3 = 4 \begin{cases} x_1+2x_2+3x_3=3\\ 4x_1+5x_2+6x_3=3\\ 7x_1+8x_2+10x_3=4\\ \end{cases} ⎩⎪⎨⎪⎧​x1​+2x2​+3x3​=34x1​+5x2​+6x3​=37x1​+8x2​+10x3​=4​
为例，进行求解。写成矩阵形式为
[ 1 2 3 4 5 6 7 8 10 ] [ x 1 x 2 x 3 ] = [ 3 3 4 ] \begin{bmatrix}1&2&3 \\4&5&6\\7&8&10\\\end{bmatrix}\begin{bmatrix}x_1\\x_2\\x_3\\\end{bmatrix}=\begin{bmatrix}3\\3\\4\\\end{bmatrix} ⎣⎡​147​258​3610​⎦⎤​⎣⎡​x1​x2​x3​​⎦⎤​=⎣⎡​334​⎦⎤​

可以选择不同的分解方式，这取决于矩阵A的形式，也取决于求解的速度和精度。

2 QR分解

QR分解类中的solution()方法也可以用来求解矩阵方程，有三个QR分解类：

  • HouseholderQR：无旋转（no pivoting），速度很快但不稳定
  • ColPivHouseholderQR：列旋转（column pivoting），速度稍慢但更精确
  • FullPivHouseholderQR：全旋转（full pivoting），速度慢，最稳定

2.1 ColPivHouseholderQR分解

ColPivHouseholderQR分解是一个很好的折衷方案，因为它适用于所有矩阵，同时速度非常快。

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.colPivHouseholderQr().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1

2.2 HouseholderQR分解

相比于ColPivHouseholderQR分解，HouseholderQR分解计算速度更快，但精度不如ColPivHouseholderQR分解。

代码

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.householderQr().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1

2.3 FullPivHouseholderQR分解

FullPivHouseholderQR分解相比于前两种QR分解，速度更慢，但精度更高。

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.fullPivHouseholderQr().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1

3 LLT分解

LLT分解要求系数矩阵A是正定矩阵(Positive definite matrix)，是所有分解方式中速度最快的一种。用于非正定矩阵的分解时，难以得到正确的结果。

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.llt().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
 4.4556
-0.3184
 -0.026

3 LDLT分解

LDLT分解要求系数矩阵A是正定矩阵(positive definite matrix)或者半负定矩阵(negative semi-definite matrix)。用于其他矩阵的分解时，难以得到正确的结果。

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3, 4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.ldlt().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-0.206897
  0.37931
 0.241379

4 LU分解

4.1 LU分解

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.lu().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1

4.2 PartialPivLu分解

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.partialPivLu().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1

4.3 FullPivLu分解

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.fullPivLu().solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

生成失败：

error C1128: 节数超过对象文件格式限制: 请使用 /bigobj 进行编译

5 SVD分解

当方程个数大于未知数个数时，需要进行最小二乘求解，有效的办法是进行奇异值分解。Eigen提供了两种实现方式，推荐使用 BDCSVD 类，它可以很好地扩展大型矩阵，而对于较小的矩阵，它会自动退回到JacobiSVD类。

注意：采用SVD分解时，要用 动态矩阵 定义系数矩阵A、常数矩阵b、未知数矩阵x

5.1 BDCSVD分解

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	MatrixXd A(3,2);	//系数矩阵A，3×2阶
	VectorXd b(3,1);	//常数矩阵b，3×1阶
	VectorXd x(3,1);	//未知数矩阵x，3×1阶
	A << 1, 2,  4, 5,  7, 8;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.bdcSvd(ComputeThinU | ComputeThinV).solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
1 2
4 5
7 8
常数矩阵b:
3
3
4
未知数矩阵x:
   -2.5
2.66667

5.2 JacobiSVD分解

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	MatrixXd A(3,2);	//系数矩阵A，3×2阶
	VectorXd b(3,1);	//常数矩阵b，3×1阶
	VectorXd x(3,1);	//未知数矩阵x，3×1阶
	A << 1, 2,  4, 5,  7, 8;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	x = A.jacobiSvd(ComputeThinU | ComputeThinV).solve(b);
	cout << "未知数矩阵x:\n" << x << endl;

	return 0;
}

输出结果：

系数矩阵A:
1 2
4 5
7 8
常数矩阵b:
3
3
4
未知数矩阵x:
   -2.5
2.66667

6 公式法（ x = A − 1 b x=A^{-1}b x=A−1b）

虽然逆（inverse）和行列式（determinant）是基本的数学概念，但在线性代数中，它们不像在纯数学中那么流行。逆运算通常被 solve 运算所代替，行列式通常不是检查矩阵是否可逆的好方法。

但是，对于非常小的矩阵，逆矩阵和行列式是非常有用的。

虽然某些分解（如PartialPivLU和FullPivLU）提供了inverse()和determinate()方法，但也可以直接对矩阵调用inverse()和determinate()。如果矩阵是一个非常小的（最多4x4）静态矩阵，Eigen可使用公式 x = A − 1 b x=A^{-1}b x=A−1b，比矩阵分解的方式更有效。

代码：

#include <iostream>
#include <Eigen/Dense>
 
using namespace std;
using namespace Eigen;
 
int main()
{
	Matrix3d A;	//系数矩阵A
	Vector3d b;	//常数矩阵b
	Vector3d x;	//未知数矩阵x
	A << 1,2,3,  4,5,6,  7,8,10;
	b << 3, 3, 4;
	cout << "系数矩阵A:\n" << A << endl;
	cout << "常数矩阵b:\n" << b << endl;
	if (A.determinant() != 0)
	{
		//矩阵行列式大于0，
		x = A.inverse()*b;
		cout << "未知数矩阵x:\n" << x << endl;
	}
	else
	{
		cout << "矩阵行列式小于0，矩阵方程无解！\a\n" << endl;
	}
	return 0;
}

输出结果：

系数矩阵A:
 1  2  3
 4  5  6
 7  8 10
常数矩阵b:
3
3
4
未知数矩阵x:
-2
 1
 1
孙 悟 空
关注
  • 14
    点赞
  • 踩
  • 94
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
矩阵基础4-线性方程组详解
只是甲的博客
05-24 1万+
文章目录一. 线性方程组和矩阵1.1 线性方程组1.2 线性方程组的解1.3 矩阵与线性方程组1.4 线性方程组的增广矩阵1.5 Gauss消去法1.6 线性方程组解的个数二. 向量2.1 n维向量2.2 向量相等2.3 向量的线性运算2.4 向量的线性组合2.5 向量组等价2.6 向量的线性相关性2.7 向量组的秩三. 利用软件解线性方程组参考: 一. 线性方程组和矩阵 1.1 线性方程组 1.2 线性方程组的解 初中学的二元一次方程的解，有可能无解，有可能有唯一解，有可能有多个解。 1.3 矩阵与线
Eigen矩阵colPivHouseholderQr().solve()求解Ax=b
weixin_42156097的博客
07-30 9181
描述 使用eigen库求解Ax=b 代码 #include <Eigen/Dense> Eigen::Matrix2d A; A << 1,2, 4,5; Eigen::Vector2d b(3, 4); Eigen::Vector2d C = A.colPivHouseholderQr().solve(b); std::cout<<C<<std::endl; 输出的结果是 -2.33333 2.66667 代码中的colPivHouseh
2024年C C++最新RANSAC与圆柱拟合(2)，腾讯C C++开发面试经验
最新发布
2401_84975241的博客
05-13 967
点向式：(x-x0）/u =（y-y0）/v=(z-z0) /w ，过点（x0,y0,z0） ,且有（u,v,w)。设空间一点为P(x0,y0,z0)，在直线上找一点Q(x1,y1,z1)，直线的方向向量为:S=(l,m,n)，则d=|PQ叉乘S|/|S|，理由:|PQ叉乘S|为一平行四边形的面积,|S|为其一边.故=|PQ叉乘S|/|S|为平行四边形的高.即为点到直线的距离。
[Eigen中文文档] 线性代数与分解
淋曦的进击手记
06-01 558
当然，任何秩计算都取决于阈值的选择，因为实际上没有任何浮点矩阵是秩亏的。某些分解能够计算矩阵的秩，这些通常也是在处理非满秩矩阵时表现最好的分解（在正方形情况下表示奇异矩阵）。最后，可以告诉分解构造函数为给定大小的分解矩阵预先分配存储空间，这样当随后分解这些矩阵时，就不会进行动态内存分配（当然，如果使用的是固定大小的矩阵，则不会进行动态内存分配）。在上面的示例中，分解操作是在构造分解对象的同时计算的。然而，在某些情况下，可能希望将这两件事分开，例如，如果在构造时不知道要分解的矩阵，或者想重用现有的分解对象。
激光slam第二章作业三个函数的笔记
qq_44709827的博客
05-08 701
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、main.cpp中cal_delta_distance函数 前言 提示：这里可以添加本文要记录的大概内容： 主要为了理解作业中需要自己编写代码的每一句的含义 提示：以下是本篇文章正文内容，下面案例可供参考 一、main.cpp中cal_delta_distance函数 cal_delta_distance代码如下： Eigen::Vector3d cal_delta_distance(Eigen::Vector3d .
Eigen学习教程(三)
无人驾驶好难啊啊啊的博客
04-20 3701
Eigen学习教程(三) 3. 稠密线性问题与分解 本节说明了如何求解线性系统，计算各种分解，例如LU，QR，SVD，本征分解…阅读此节后，请不要错过我们的密集矩阵分解目录。 基本线性求解 Ax=b。 该解决方案：可将各种分解之间进行选择，取决于你的矩阵一个样子，取决于你是否赞成速度或准确性。但是，让我们从一个适用于所有情况的示例开始，这是一个很好的折衷方案。 3.1 基本线性求解 Matrix3f A; Vector3f b; A << 1, 2
矩阵方程的计算
m0_73636387的博客
11-24 1134
（A/B）——>（E/A(-1)B） 即 （A/B）——>（E/X）, X=A(-1)B。，则X=A(-1)B，要解出矩阵X，可先求A(-1)，再做乘法A(-1)B，，则X=A(-1)B，要解出矩阵X，可先求A(-1)，再做乘法BA(-1)，，则X=A(-1)B，要解出矩阵X，可先求A(-1)，再做乘法BA(-1)，
矩阵求解泛谈
gunslinger的专栏
10-27 694
矩阵求解AX = b 在工程上使用相当广泛，尤其是在simulation领域。矩阵求解的速度相当程度地决定一款模拟软件的命运。矩阵求解的方法很多，如一般的迭代法，投影法，AMG等。          1）迭代法                不实用，尤其是求解大型矩阵。但可以作为投影法的prediction算子存在。如CGJacobi, CGSSOR，这是把Jacobi, SSOR方法当作CG
蛇形矩阵求解
yutianxin123的专栏
09-01 1460
先放代码： #include using namespace std; int main() { int n; cin>>n; int **a=new int*[n]; for(int i=0;i<n;i++) a[i]=new int[n]; for(int i=0;i<n;i++) a[0][i]=i+1; int count=n+1; bool s=true; i
利用SVD(奇异值分解)求解线性方程组.zip
09-24
在MVG(多视图几何)和机器学习领域，求解线性方程组几乎是所有算法的根本，本文旨在帮助读者搞懂矩阵分解与线性方程组的关系，并给出利用SVD求解线性方程组的实战代码。 本资源是博文"【动手学MVG】矩阵分解与线性...
cuda—线性方程组求解
10-10
cuda进行高斯列主消元求解方程组的解，并于cpu求解进行速度比较。矩阵值为随机数，矩阵大小可进行调整，来比较不同维度的矩阵求解的速度。
矩阵计算器（求解方程，矩阵分解，线性规划等）
04-28
可以方便的求解方程，矩阵分解等。同时可以输入复数。在输入矩阵的某一个元素时可以直接输该元素的表达式，例如sin(i+1)^2,而不用计算出具体数值再输入。使用说明在压缩包里。
线性方程组矩阵求解.cpp
04-05
线性方程组矩阵求解.cpp
非线性方程组求解.zip
05-02
6. **数值线性代数方法**：对于某些特殊形式的非线性方程组，如方程组的系数矩阵具有特定结构（如对称、正定等），可以利用数值线性代数的方法，如高斯消元、共轭梯度法等求解。 7. **软件工具与库**：如MATLAB的...
lmm_5unknown_lm方法求解非线性方程组_
10-03
"lmm_5unknown_lm方法求解非线性方程组_"这个标题表明我们将讨论使用Levenberg-Marquardt（LM）算法来解决包含五个未知数的非线性方程组。LM算法是一种在数值优化中常用的方法，它结合了梯度下降法和最小二乘法的...
杜利特尔 (Doolittle)矩阵分解法求线性方程组的解
热门推荐
StuTan
12-24 3万+
简介 　 　若方阵 A 可以分解为一个下三角矩阵 L 和一个上三角矩阵 U的乘积，即 A = LU，则这种分解称为 A 的一种三角分解或 LU分解。如果 L 为单位下三角矩阵，则称为杜利特尔 (Doolittle)。 　以四阶矩阵为例，可分解为以下形式： 实例 代码 #include<iostream> using namespace std; int n; double a[1...
求解基础矩阵
Yep_Ying的博客
04-21 5499
文章目录一、对极几何1.1概念1.2基本模型二、基础矩阵2.1基本矩阵原理2.2八点估算法三、实验内容3.1实验图片3.2实验结果3.3实验代码四、总结 一、对极几何 1.1概念 对极几何（Epipolar Geometry）是Structure from Motion问题中，在两个相机位置产生的两幅图像的之间存在的一种特殊几何关系，是sfm问题中2D-2D求解两帧间相机姿态的基本模型。 1.2基...
C++实现矩阵计算
qq_54712691的博客
12-06 4305
使用C++简单的实现矩阵的加减，乘，转置，对角化，求逆等计算
Eigen使用总结
weixin_39458342的博客
02-21 1703
Matrix 初始化： Matrix<double, ros, cols> m; MatrixXd m(x, y)//初始化大小 Matrix3d//特殊大小（不超过4）和数据类型 置0、1、常数、单位阵 Matrix3d m = Eigen::Matrix3d::Zero();//定义的时候使用临时变量 Eigen::MatrixXd::Zero(rows, cols)...
matlab求解矩阵非线性方程组
09-19
在Matlab中求解矩阵非线性方程组可以使用fsolve函数。该函数需要提供一个函数句柄，该函数句柄定义了待求解的非线性方程组。下面是一个使用fsolve函数求解矩阵非线性方程组的示例代码： ```matlab % 定义非线性方程组的函数句柄 fun = @(x) [x(1)^2 + x(2)^2 - 1; x(1)*x(2) - 0.5]; % 初始解 x0 = [0; 0]; % 求解非线性方程组 x = fsolve(fun, x0); ``` 在上述示例代码中，我们定义了一个非线性方程组的函数句柄fun，该方程组由两个方程组成。然后我们提供初始解x0，并使用fsolve函数求解非线性方程组。最后，求解结果保存在变量x中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

孙 悟 空

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