基于RA-AF特征与GMM聚类的声发射裂纹模式识别Matlab实现

简介：针对材料力学与无损检测中的裂纹模式识别问题，这份PDF文档提供了一套基于RA-AF特征与高斯混合模型（GMM）的Matlab实现代码。核心思路是不预先划分裂纹分界线，而是借助期望最大化（EM）迭代算法自动完成聚类，最终输出拉伸裂纹与剪切裂纹的空间分布图、统计数据及每个样本所属类别的概率值。资源包仅含一个PDF文件，大小约45KB，内容紧凑，包括完整MATLAB源码、必要注释与实现流程说明；代码覆盖从数据生成、GMM参数初始化到E步/M步迭代更新及可视化的完整链路，适合材料、土木、机械等领域科研人员以及高年级本科生快速理解GMM聚类在声发射裂纹识别中的应用，也可作为二次开发的基础模板。目前已有62人学习下载，可用于辅助完成特征提取、分类器对比及实验报告撰写等任务。

1. 裂纹模式识别不用画分界线：RA-AF 特征与 GMM 聚类在说什么

做声发射裂纹识别的同行应该都有印象：传统 RA-AF 图示法操作简单，把每个声发射事件的 RA（上升角）和 AF（平均频率）画成散点，再人为拉一条分界线，左上方算拉伸裂纹、右下方算剪切裂纹。这条线怎么画，文献里从来没有统一标准，换个试件、换一批信号，边界就明显漂移，画线这件事本质上跟玄学差不多。基于 RA-AF 特征的高斯混合聚类（GMM）把这条线拿掉了：用 EM 迭代算法让高斯分量自动拟合 RA-AF 分布，无需划分裂纹分界线，每个事件得到属于各裂纹模式的后验概率，并输出分布图及统计数据。这份以 PDF 文档形式整理的 Matlab 实现，适合做岩石、混凝土等材料的声发射监测实验，也适合处理荷载试验里大量难以肉眼判别的 AE 事件。下面直接进入实现路径。

2. RA-AF 特征：从声发射波形到可聚类的二维特征

GMM 聚类的输入不是图像也不是波形，而是每个声发射事件的特征向量。RA-AF 是声发射裂纹识别里最经典的两个特征，先把这两个量的物理含义和计算方式说清楚，后面的聚类和统计输出才站得住。

2.1 RA 与 AF 的定义与物理含义：为什么这两个量能区分裂纹模式

RA 是上升时间与振幅的比值，AF 是振铃计数与持续时间的比值。上升时间指 AE 信号从越过触发阈值到达到最大振幅所花的时间，振幅是信号峰值电压；振铃计数是信号振荡过程中再次越过阈值的次数，持续时间是信号从越阈到回落到底噪的总时长。

拉伸（张拉型）裂纹的 AE 信号通常表现为上升时间短、振幅大、高频成分丰富，因此 RA 偏小、AF 偏大；剪切（滑动型）裂纹的信号上升缓慢、低频主导，RA 偏大、AF 偏小。工程里就是靠这个规律在 RA-AF 平面上做分类的。不过要特别注意，这个对应关系是经验规律而不是严格物理定律，试件强度、传感器耦合、传播路径都会让两类分布整体偏移。固定阈值或画固定斜线，往往只对某一批试件有效，换个条件就翻车，这正是 GMM 聚类能发挥价值的地方——它让数据自己决定边界。

参数说明：RA 常见单位是 ms/V 或 us/V，AF 单位是 kHz。单位只是尺度差异，不影响 GMM 聚类本身，但影响统计输出的可读性。建议在数据记录阶段统一到 us/V 和 kHz，后面跟文献对比时不用反复换算。另外注意，有些采集软件直接导出的"Amp"列用的是 dB 刻度而非电压值，这会影响 RA 的物理量纲，下一小节展开说。

2.2 从 AE 系统导出的特征表计算 RA-AF：Matlab 实现

实际项目里，很少从原始波形逐个事件提取上升时间、振幅、振铃计数、持续时间——那样计算量太大，而且阈值设置不同，提取结果也会不同。常见做法是直接用声发射采集系统提取好的逐事件特征表，表里每一行是一次 AE 命中，包含上述四个量。拿到这张表以后，RA 和 AF 就是一次简单的列运算。

% 读取 AE 系统导出的逐事件特征表 data = readtable('ae_hits.csv'); % 假设表内字段： % RiseTime: 上升时间，单位 us % Amp: 振幅，单位 dB（系统相对参考电压的 dB 刻度） % Counts: 振铃计数，无量纲 % Duration: 持续时间，单位 us % 把振幅从 dB 换算为电压值 V % 注：这里按“120 dB 对应 1 V”的常见参考标定，具体以采集系统文档为准 amp_v = 10 .^ ((data.Amp - 120) ./ 20); % 计算 RA：上升时间 / 振幅，单位 us/V RA = data.RiseTime ./ amp_v; % 计算 AF：振铃计数 / 持续时间，Duration 从 us 换算为 ms 后， % 计数/ms 在数值上等于 kHz AF = data.Counts ./ (data.Duration ./ 1000); % 合并成 N x 2 的特征矩阵 AE = [RA, AF];

逻辑说明：readtable 读入的是采集软件导出的 CSV 特征表。把振幅换算成电压，是为了让 RA 落在常见文献量级，避免 dB 和 us 混在一起产生量纲混乱。AF 计算里，Duration 单位是 us，除以 1000 得到 ms，振铃计数除以毫秒数得到的事件率，单位正好等价于 kHz。整段计算全部向量化，即使有十几万条事件，Matlab 也能瞬间完成。

参数说明：如果采集软件已经直接导出了 RA 和 AF 两列，这段换算可以整段跳过。有些系统给的振幅是相对 dB 且没有参考电压，这时候不建议自己硬换算，直接把 dB 值当幅度用也行，只是 RA 单位要标注为 us/dB，不参与跨实验数值对比。最常见的错误是把 RiseTime 直接除以 Amp（dB），这样量纲失去物理意义，聚类虽然能跑，但后续统计输出没法解读。

2.3 特征清洗与标准化：GMM 聚类前最影响结果的预处理

AE 数据里总混着无效事件：上升时间或持续时间为 0 的瞬时脉冲、振幅极小的底噪触发、振铃计数为 0 但持续时间很长的异常波。这些点进入 GMM 会产生离谱的协方差估计，而且 RA 或 AF 会出现 Inf 或 NaN，GMM 不报错但会在坐标轴上拉出异常椭圆。

标准化同样关键。RA 的取值范围可能从几十到几千，AF 从几到几百，两个维度的方差差几个数量级。不归一化的话，EM 迭代中的似然计算会被大方差维度主导，小方差维度携带的分布信息基本被浪费。

% 清洗：保留 RA 和 AF 都为有限正数的有效事件 valid = isfinite(RA) & isfinite(AF) & RA > 0 & AF > 0; X = AE(valid, :); % 有效事件的特征矩阵 % z-score 标准化：每列减去均值再除以标准差 mu_X = mean(X); std_X = std(X); Xz = (X - mu_X) ./ std_X; % 保存标准化参数，聚类完成后反算原量纲结果时使用 save('ae_zscore_params.mat', 'mu_X', 'std_X');

逻辑说明：isfinite 把 NaN 和 Inf 一次性过滤，加正数约束把除零产生的异常点也挡在外面。z-score 把两个维度都变换到均值 0、方差 1，让 EM 对每个维度同等对待。标准化参数必须保存，因为聚类中心、协方差矩阵、椭圆绘图都是在 Xz 坐标系里得到的，报告要写"拉伸裂纹 RA 均值多少 us/V"，就必须用 mu_X 和 std_X 反算回去，否则读出来的是标准化后的抽象数字。

参数说明：z-score 比 min-max 归一化更适合 GMM，原因是 GMM 假设每个维度服从高斯分布，z-score 保留了分布的形态和离群程度，而 min-max 会被少量极端值压扁，让原本正常的维度方差变小。如果数据分布严重偏斜，可以先做 log 变换再 z-score，这一步对 AE 数据经常很有效，因为 RA 和 AF 都是正数且有明显长尾。

注意：清洗阈值不要拍脑袋设硬上限，比如"去掉 AF > 500 kHz 的点"这类绝对规则，在不同传感器、不同增益下会误杀正常事件。优先用 isfinite 和正数约束这种通用规则，等看完聚类分布图再决定要不要加物理上限。

3. EM 迭代与 GMM 聚类：Matlab 核心实现与分布图输出

这一章是整套方案的心脏：fitgmdist 的调用、后验概率输出、类别重映射和结果可视化。先讲清楚为什么 GMM 天然适合裂纹模式识别，再给可以直接跑通的代码。

3.1 为什么用 GMM 而非 K-means：软划分才是对"分界线"的真正替代

传统 RA-AF 图示法本质是在平面上画一条硬分界线，线两侧各归一类。K-means 聚类看起来也能做这件事，但它同样是硬划分——每个点被强制分到欧氏距离最近的质心那一类。问题在于裂纹信号在 RA-AF 平面上不是一个点一个坑的清爽结构，而是两个有显著重叠的椭圆分布。重叠区里的点很可能是"七成像拉伸、三成像剪切"的过渡事件，硬划分会强迫它选边站。同一批数据微调初始化，边界点的归属就变了，统计出的两类占比也会随机跳动。

GMM 的做法完全不同：它假设这堆散点由 K 个高斯分量混合生成，每个点的归属不是单一标签而是后验概率。簇与簇之间的重叠区域被显式建模，一个点可以同时携带"拉伸 0.72、剪切 0.28"这样的信息。EM 迭代算法就是用来估计这 K 个高斯分量的均值、协方差和混合权重的标准手段。"无需划分裂纹分界线"的技术含义正在于此：分界线不再由人画，而是由数据分布自然生成，且是带概率的软边界。

3.2 核心实现：fitgmdist 做 EM 迭代 GMM 聚类

Matlab 统计工具箱直接封装了 EM 迭代，不需要自己写循环。调用前先确定聚类数 K，按声发射物理常识默认取 2（拉伸、剪切），不确定时走第 4.1 小节的 BIC 流程再定。

% 固定随机种子，保证报告结果可复现 rng(42); % 聚类数 K：物理上对应对拉伸/剪切两类，先按 2 处理 K = 2; % GMM 拟合，内部即 EM 迭代 gmm = fitgmdist(Xz, K, ... 'CovarianceType', 'full', ... % 每个分量独立的完整协方差矩阵 'Replicates', 10, ... % 10 次随机初始化，取最大似然结果 'RegularizationValue', 1e-6, ... % 协方差正则化，防止奇异 'Options', statset('MaxIter', 1000)); % EM 最大迭代次数 % 计算每个样本属于各分量的后验概率 N x K post = posterior(gmm, Xz); % 硬标签用于统计和画图，软概率保留在 post 里 [~, label] = max(post, [], 2); % 各裂纹模式占比，用硬标签计算 proportion = histcounts(label, 1:K+1)' / length(label);

逻辑说明：fitgmdist 返回一个 gmdistribution 对象，里面存着每个分量的均值 gmm.mu（K x 2）、协方差 gmm.Sigma、混合权重 gmm.PComponents。posterior 计算每个样本在 K 个分量下的后验概率，这是 GMM 相对硬聚类的核心产出。label 由后验概率取最大值得到，只用于画散点颜色和统计占比，真正的分类依据是 post 矩阵。proportion 显示两个高斯分量各占多少比例，对应报告里的"拉伸/剪切裂纹占比"。

参数说明：CovarianceType 的具体影响在第四章展开。Replicates=10 表示内部跑 10 组独立的 k-means 初始化再做 EM，选对数似然最大的一组作为结果。RegularizationValue=1e-6 是在协方差矩阵对角线上加小常数，对结果几乎无影响，但能防止小样本下的协方差奇异性。数据只有几百个事件时，MaxIter 设 500 足够；上万事件时保持 1000 更稳。

3.3 类别重映射与统计输出：聚类中心怎么对应到裂纹模式

GMM 只管分簇，不知道哪个簇对应拉伸或剪切，需要靠物理规律做重映射：拉伸裂纹 RA 小、AF 大。比较各簇中心在标准化坐标系里的位置，AF 相对 RA 比值最大的簇就是拉伸裂纹，另一个是剪切裂纹。这一步不做，报告里两类的物理含义很可能正好写反。

% 重映射：AF/RA 比值最大的分量记为拉伸裂纹（label=1），另一类为剪切（label=2） score = gmm.mu(:, 2) ./ gmm.mu(:, 1); % 用标准化中心的比值区分 [~, comp_tensile] = max(score); % 重编号 label_ref = ones(size(label)); label_ref(label == comp_tensile) = 1; % 拉伸类 label_ref(label ~= comp_tensile) = 2; % 剪切类 label = label_ref; % 统计输出：占比、原量纲聚类中心 fprintf('拉伸裂纹占比: %.1f%%\n', 100 * mean(label == 1)); fprintf('剪切裂纹占比: %.1f%%\n', 100 * mean(label == 2)); % 反标准化回原量纲：X_orig = Xz * std + mu mu_orig = gmm.mu .* std_X + mu_X; fprintf('拉伸簇中心: RA=%.1f us/V, AF=%.1f kHz\n', mu_orig(1,1), mu_orig(1,2)); fprintf('剪切簇中心: RA=%.1f us/V, AF=%.1f kHz\n', mu_orig(2,1), mu_orig(2,2));

逻辑说明：score 是每个簇标准化中心里 AF 与 RA 的比值。拉伸裂纹簇的 AF 显著高于 RA，所以 score 最大。重映射之后 label 变成业务标签，统计占比直接对业务标签计数。mu_orig 把标准化坐标还原成 us/V 和 kHz 的物理量纲，这才是能写进检测报告的数值。

注意点：如果某次实验几乎全是拉伸裂纹，剪切样本占比极低，score 的大小关系仍然成立，但剪切簇可能是从噪声里拟合出来的小分量，占比接近 0。这种结果要结合分布图人工确认，不要直接下结论说"出现了剪切裂纹占比 0.5%"。

3.4 分布图输出：散点、高斯椭圆与聚类中心叠加

分布图是报告里最直观的一张图。要画三件事：按标签着色的事件散点、每个高斯分量的 2 倍标准差椭圆、聚类中心标记。2 倍标准差椭圆约包含 95% 的概率质量，能清楚看到两类重叠程度。

figure('Color', 'w'); hold on; % 散点：按业务标签着色 gscatter(Xz(:,1), Xz(:,2), label, [0.2 0.4 0.9; 0.9 0.3 0.2], '.', 6); % 画每个高斯分量的 2 倍标准差椭圆 for k = 1:K % 协方差特征分解决定椭圆方向和轴长 [V, D] = eig(gmm.Sigma(:, :, k)); theta = linspace(0, 2*pi, 200); circle = [cos(theta); sin(theta)]; ellipse = gmm.mu(k,:)' + V * sqrt(D) * 2 * circle; % 2 倍标准差 plot(ellipse(1,:), ellipse(2,:), 'k-', 'LineWidth', 1.5); end % 聚类中心 plot(gmm.mu(:,1), gmm.mu(:,2), 'kx', 'MarkerSize', 12, 'LineWidth', 2); xlabel('RA (标准化)'); ylabel('AF (标准化)'); title('RA-AF 高斯混合聚类分布图'); legend('拉伸裂纹', '剪切裂纹', '高斯椭圆', '聚类中心'); grid on;

逻辑说明：椭圆画法是标准的协方差特征分解：协方差矩阵的特征向量 V 决定椭圆朝向，特征值开方决定半轴长度，乘以 2 就是 2 倍标准差尺度。注意所有坐标都是 Xz 尺度。如果想让坐标轴显示原量纲，可以把 Xz 反标准化，同时用 gmm.mu、gmm.Sigma 对应的原量纲版本重算椭圆，流程稍繁琐。实际报告里可以放标准化版分布图并标注清楚，另附一张原量纲统计表。

提示：分布图不只是好看，它是排查异常聚类结果的第一个工具。先看图再读统计数字。如果看到某个椭圆硬生生切穿一片密集点区域，或者椭圆半径大得离谱，说明预处理或参数设置有隐藏问题。

4. 关键参数怎么设：聚类数、协方差结构与 EM 初始化

fitgmdist 一行代码背后，有四个参数直接决定聚类质量：K、CovarianceType、Replicates、RegularizationValue。这一章把每个参数的选型逻辑和边界条件讲透。

4.1 聚类数 K 的选择：BIC 曲线加样本量约束

K=2 是物理默认值，但真实 AE 数据里可能出现第三类——低幅噪声簇或过渡模式簇。盲目固定 K=2 会把噪声强塞进两个裂纹簇，把椭圆拉变形。用 BIC 辅助定 K 是常见做法：

K_list = 1:5; bic_val = zeros(size(K_list)); aic_val = zeros(size(K_list)); for i = 1:length(K_list) g = fitgmdist(Xz, K_list(i), ... 'Replicates', 5, 'RegularizationValue', 1e-6); bic_val(i) = g.BIC; aic_val(i) = g.AIC; end figure; plot(K_list, bic_val, 'o-', 'LineWidth', 1.5); xlabel('聚类数 K'); ylabel('BIC'); title('BIC 曲线：选拐点处 K 值');

逻辑说明：BIC 在似然值基础上加了模型复杂度惩罚。K 增大时拟合度提升但参数数量也增加，BIC 通常在合理 K 处出现拐点然后趋平。循环里每个 K 都用 Replicates=5，是为了让 BIC 比较不受初始化噪声干扰。AIC 同时打印，方便对照。

参数说明：BIC 曲线单调下降时别急着选最大 K。实践中常见情况是数据本身只有两簇，第三簇由五到十个离群点构成，BIC 会因为局部拟合改善而继续下降。这时候业务约束优先：每个簇的样本数不少于总样本的 5%，且该簇平均后验概率大于 0.8，否则这个簇大概率是噪声，K 应往回取。

4.2 协方差类型：full、diagonal、tied 怎么选

GMM 的每个分量都有一个协方差矩阵描述椭圆形态。Matlab 里 CovarianceType 常用三种，选择依据是数据相关性和样本量：

RA-AF 数据几乎总是选 full。原因是拉伸簇与剪切簇在平面上的分布是倾斜的——RA 和 AF 本身存在负相关趋势。full 协方差允许椭圆沿相关方向旋转，diagonal 强行把椭圆掰成水平竖直，在重叠区域会产生系统性错分。tied 适合样本总量小于 500 且两类协方差差异不明显时，相当于一种正则化手段。

4.3 初始化与迭代稳定性：Replicates、MaxIter、正则化三件套

EM 算法的翻车点大多在初始值：从差的初值出发会陷入似然函数的局部极大值，聚类中心偏向某一堆密集点。fitgmdist 默认用 k-means 结果初始化，Replicates 参数就是做多次独立初始化再取最优。统计上 10 次足够稳定，15 到 20 次很少带来额外收益，只是多花几秒。

rng(2025); % 报告类场景固定随机种子，结果才可复现 gmm = fitgmdist(Xz, 2, ... 'CovarianceType', 'full', ... 'Replicates', 15, ... 'RegularizationValue', 1e-6, ... 'Options', statset('MaxIter', 1000, 'TolFun', 1e-4));

参数说明：MaxIter 控制 EM 主循环上限，TolFun 是对数似然变化阈值，连续两次迭代变化小于 1e-4 即认为收敛。Replicates=15 每次都会重新 k-means 初始化并跑完整 EM，代价是耗时，但 GMM 在二维数据上通常毫秒级完成，可以放心加。RegularizationValue 的作用集中在协方差矩阵求逆这一步，AE 数据里某一簇样本过少时，正则化能防止求逆矩阵爆炸。建议取 1e-6 到 1e-5，别用 1e-2，那会摊平所有协方差信息，聚类失去形状意义。

注意：加 Replicates 之后，每次初始化都是独立 k-means。想完全复现论文结果，必须固定 rng 种子。不固定种子时，即使 Replicates=15，不同机器上的结果也可能出现簇编号互换——聚类本身没错，是编号顺序变了，第三章的重映射逻辑正好能兜住这种情况。

5. 避坑清单：GMM 裂纹聚类的 5 个常见问题与排查

这套方案跑起来门槛不高，但要稳定输出还得过几个真实关卡。下面按出现频率排序，每条都是实际调试里的血泪经验。

5.1 现象：同一批数据聚类结果每次运行不一样

第一次跑 K=2，拉伸占比 38%，换台机器再跑变成 52%，中间没改任何代码。原因是 EM 对初始化敏感，fitgmdist 默认的 k-means 初始化带随机性，Replicates 不够时容易落在不同局部最优。解决方法是固定随机种子 rng(42)，同时把 Replicates 提到 10 以上；固定种子后结果仍然随环境变化，优先检查数据文件读取顺序是否稳定，比如 readtable 是否受行序影响。

5.2 现象：剪切裂纹样本被整体并入拉伸簇

剪切裂纹 AE 事件普遍比拉伸少，某些试件里可能只占 5% 到 10%。GMM 拟合时，混合权重很小的小分量很容易被大分量吞并，表现为聚类结果里剪切簇的椭圆特别扁、均值偏向拉伸簇一侧。解决思路有两个：一是改模型结构，把 CovarianceType 从 full 改成 tied，让剪切簇借用拉伸簇的协方差形态；二是从数据入手，对占比过高的拉伸簇做欠采样，或者按事件能量分层抽样。统计时还要注意，GMM 报告的是混合权重而不是简单样本计数，两者在小样本场景下差异明显。

5.3 现象：聚类中心数值跟文献对不上，RA 量级差百倍

聚类中心在 Xz 的标准化坐标系里读到 -0.32、0.58 这种值，直接抄进报告自然对不上。原因就是拿了标准化空间的结果当原量纲用。解决方法是在输出前用保存的 mu_X 和 std_X 做反变换：center_orig = gmm.mu .* std_X + mu_X。养成一个习惯：只要是给报告读的数值，一律反标准化后再打印；分布图的坐标轴也尽量反算回 us/V 和 kHz。

5.4 现象：报错 "Covariance matrix is ill-conditioned" 或 EM 迭代到上限不收敛

这类报错集中在三类场景：某类样本少于 20 个、特征维度间强线性相关、数据中有重复行。RA 和 AF 本身就有相关性，完全重复的数据行会让协方差矩阵退化。排查流程是先用 unique(Xz, 'rows') 去重，再确认每个簇候选样本量，最后加 RegularizationValue。按这个顺序走，大部分报错是数据问题而不是参数问题，不要一上来就调大正则化系数。

5.5 现象：RA 或 AF 出现 Inf/NaN，聚类结果里出现"幽灵簇"

AE 信号的上升时间偶尔为 0，振铃计数也可能为 0，RA 和 AF 除零直接产生 Inf 或 NaN。GMM 对非有限数值不报错，但会在坐标轴边缘拉出一个异常椭圆，看起来就像一个多余的簇。解决方法是预处理阶段用 isfinite 过滤，并且过滤必须在标准化之前做。用 isfinite(RA) & isfinite(AF) & RA > 0 & AF > 0 一次过滤到位，不要只删 NaN 而留着 Inf。

提示：每次聚类跑完，先打印数据里的 min、max 和 sum(isnan)，养成这套习惯。几万条事件里只要混入几十个 Inf，椭圆形态和统计占比就会可察觉地变异。预处理干净比事后加正则化有效得多。

6. 进阶验证：用轮廓系数与人工标注给 GMM 结果"验货"

GMM 聚类是无监督方法，分布图和统计输出再漂亮，也不能保证标签跟真实裂纹模式完全一致。验收通常分两层：内部用轮廓系数评估簇分离度，外部拿已有人工标注的样本算混淆矩阵。

% 内部验证：轮廓系数 figure; silhouette(Xz, label); s_mean = mean(silhouette(Xz, label)); fprintf('平均轮廓系数: %.3f\n', s_mean); % 外部验证：有标定样本时 % true_label 由断口形貌或高速摄像人工确定，仅对有把握的样本标注 if exist('true_label', 'var') C = confusionmat(true_label, label); disp(C); end

逻辑说明：轮廓系数取值范围 -1 到 1，大于 0.25 说明聚类结构可接受。AE 事件分布重叠度高，轮廓系数在 0.2 到 0.35 之间很常见，别拿文本聚类的标准苛求。重点看轮廓图里有没有大量负值样本——负值说明这些点离对面簇比离自己簇还近，它们往往是 GMM 后验概率接近 0.5 的过渡事件，对这类样本的处理方式直接决定报告质量。

我自己的教训：第一次跑这套流程时，看平均轮廓系数 0.31 觉得可以交差，后来逐点检查负轮廓样本，发现全是中低幅值、RA 和 AF 都居中的过渡事件。我把后验概率大于 0.9 的样本作为强裂纹事件单独统计，过渡样本单独列表，报告反而比硬性二分类更有说服力。GMM 的软概率输出不是摆设，它本身就是质量信息，可以当置信度用。希望帮到你。

本文还有配套的精品资源，点击获取