美國大選舞弊證據的不斷曝光,讓人看清了背後黑暗勢力的邪惡手段。有專家指,總統特朗普早知大選舞弊,目標是引出背後深層政府,一網打盡。此外,美將軍大選前爆料民主黨作弊的用意是令其狗急跳牆。

當美國總統大選舞弊的證據一件件的曝光後,最近在搖擺州的各聽證會上也出現多位證人冒著生命安全,出面指證今年美國大選中的舞弊事實。對此,台灣經濟學家吳嘉隆表示,他最近突然醒悟到,特朗普的主攻策略應該不是要到最高法院,而是軍事法庭!

他認為,因為特朗普所需要的,已不是要證明拜登他們是在進行選舉舞弊,是要證明他們想要推翻合法當選的政府,是在搞政變,是叛國罪。更重要的是,同時揭露外部勢力中共的介入,參與策劃政變,等於要證明中共對美國發動網絡戰爭。

他強調,這次特朗普不但要把華盛頓的沼澤一次抽乾,而且連中共也會被打下去,順理成章。

吳嘉隆說,拜登在整個事件中充其量只是一個傀儡,特朗普總統的真正對手是拜登背後的龐大勢力,稱之為深層政府(Deep State)。也就是特朗普要設局誘捕的對象是深層政府,而不是拜登。

吳嘉隆認為,各方面訊息證實,特朗普在大選前也已獲悉民主黨要作弊,他非但不去阻止,還刻意讓對方盡情舞弊,然後好收集充份的證據。

早在今年6月下旬,特朗普就已針對郵寄選票容易產生作弊空間公開提出警告,民主黨卻還是在11月3日的大選中大面積作弊。吳嘉隆說,這也說明民主黨是被引蛇出洞,跳進特朗普挖好的坑。

麥金納尼中將:事先預告民主黨作弊手段令其狗急跳牆

美國空軍三星級將軍、國防分析家和戰略顧問及網絡戰爭專家麥金納尼中將幾日前在接受保守派媒體「World View Report」廣播主持人布蘭農‧豪斯(Brannon Howse)採訪時表示,民主黨選票舞弊,把數據傳到國外,那是因為,他和國家情報研究員及作家瑪麗‧范寧(Mary Fanning)和資深媒體人艾倫‧瓊斯(Alan Jones)等,在大選日前的11月1日和2日分別通過不同的渠道,把民主黨將使用鎚子(Hammer)和記分卡(Scorecard)在大選中舞弊的信息釋放了出去,「所以他們決定將其(選票數據)送到海外」。

他還用疑問的口吻道:「把數據送到海外,就能說明在美國本土上沒有使用鎚子和計分卡程序嗎?」麥金納尼中將指出,其實這(把數據傳送到海外)會使舞弊操作變得更加脆弱,「因為當你將數據移到海外時,別人會注意到它」;另外,參與舞弊的人太多了,也使舞弊產生的巨大影響更加引人注意。

麥金納尼中將說,根據對美國特種部隊司令部在法蘭克福繳獲的中情局的服務器數據的分析發現,那些投票機通過互聯網將六個搖擺州的數據通過互聯網發送到西班牙,然後再發送到德國法蘭克福。

麥金納尼中將告訴主持人布蘭農‧豪斯,發生的一系列事實「對了解投票程序的人來說都是像大閃電一樣的信號,馬上都會意識到出事了。」他舉例說:「在11月4日凌晨2:30,電視報道賓夕凡尼亞州,威斯康辛州,亞利桑那州,內華達州和格魯吉亞(Georgia)等州決定暫停點票工作,並將在第二天繼續進行。故意停止所有⋯⋯搖擺州計票的這種一致決定是非常不尋常的。事實上,這是史無前例的,它顯示出,這種行為是搖擺州的選舉官員事先都協調好了的。」

麥金納尼中將還告訴主持人:「在賓夕凡尼亞州,威斯康辛州,密歇根州,亞利桑那州,內華達州和佐治亞州的投票計數分佈並不來源於正常的系統操作,它們是由對特定投票機的欺詐性電子操縱造成的。」

他進一步解釋說,拜登在所有決定停止計票的州都落後特朗普。雖然那些州已宣佈暫停點票,第二天再繼續點票,可是通過查看暫停點票的這些州卻發現,它們的選票計數並沒有停止。例如,「早上四點在密歇根州突然出現了138,000張選票,而且還全都是投給拜登的。」這是因為「他們利用鎚子系統、記分卡系統以及Dominion投票機等,在那裡採用了網絡戰⋯⋯獲得了無縫投票。」

麥金納尼中將分析指出,不同州公佈的新增的支持拜登的選票數量雖然表面數字不同,如密西根州的大概138,000張,亞利桑那州90,000張⋯⋯可是內華達州,佐治亞州和賓夕凡尼亞州、密西根州及亞利桑那等州不同數字的百分比卻完全相同。「這在數學上是不可能發生的,這意味著使用了某種算法,並且該算法的設計旨在保證數據在一定範圍之內,以飯盒組合的數字放在一起時,這些被摻入的投票數不會很明顯的被看出來。這是亮起一個巨大的紅燈,人們必須清楚我們所看到的這類數據到底是甚麼,這非常重要。」

麥金納尼中將堅定地表示:「這些是我深信不疑的事實。」 他還表示:「我們美國人民將要求對這些事實進行分析和研究。」@

------------------

📰支持大紀元,購買日報:
https://www.epochtimeshk.org/stores
📊InfoG:
https://bit.ly/EpochTimesHK_InfoG
✒️名家專欄:
https://bit.ly/EpochTimesHK_Column