语音识别方法、装置、设备及存储介质与流程

1.本申请涉及语音识别领域，具体而言，涉及一种语音识别方法、装置、设备及存储介质。


背景技术：

2.车载语音助手发展在近几年越来越受到大众的关注。场景为用户在开车途中，能借助一个车内助手方便的完成驾驶员一些指令，又能免于驾驶员触摸屏幕做点击动作，如此安全又方便的方式，为驾车人带来愉悦舒适的体验。车内语音助手与用户交互的方式，首先是接受用户发出的语音，将其经过语音识别系统识别为文字后，再对文本做自然语言处理，给出车机反馈。目前，车机助手通常包含的功能有：车控部分，例如打开车窗、调节空调温度等；媒体部分，例如播放某歌曲，播放某广播电台；导航部分，例如导航去某地，导航走躲避拥堵路线等；通话部分，例如给某人打电话，接听某人的电话等。如上应用是驾车人在开车场景中常常出现的几种需求，借助车内语音助手，可以在驾驶员免于低头查找及点击屏幕的情况下，仅靠语音发出指令，由车机助手完成指令动作，这对于驾车人的驾车安全性，驾车愉悦度方面都是质的提升。
3.在如上四种应用场景中，尤为后三种场景接受到的语音指令比较复杂。媒体播放领域，包含的歌名，歌手名名目繁多，且更新较快；导航领域，包含的店铺名，道路名也极其繁多。通话领域，包含的人名也会名目繁多又有变化。
4.常规的语音识别系统，包含一个声学模型和一个语言模型。其中语言模型由大量文本训练生成。在语音识别过程中，此处称之为解码过程中，对输入的语音，先经过声学模型和三阶的语言模型，给出解码的识别文本结果，此处得到多个备选项，称为nbest，再对这些得到的识别结果，再次经过更高阶的语言模型做重新解码，最终将重新解码后语言模型得分最高的结果作为识别结果输出。由此可见，语音识别系统中，语言模型占据很重要的位置。
5.常规方法是语言模型使用各种领域的大量文本训练生成，包括媒体领域，导航领域，通话领域，如此必然会加入大量该三块领域的文本，导致语言模型大小变得庞大且不易更新，同时大量的此三类领域的文本加入，会降低其他领域在语言模型中的概率，比如闲聊领域，天气查询领域，车控领域等，从而降低其他领域输入句子的识别准确率。


技术实现要素：

6.本申请实施例的目的在于提供一种语音识别方法、装置、设备及存储介质，用以结合自然语言处理的话术分类模型以及分领域的语言模型进行语音识别，从而提升语音识别效果，尤其是能够在车机助手使用场景中，提高重点领域的语音识别精确度，而不降低非重点领域的语音识别效果。
7.为此，本申请第一方面公开一种语音识别方法，所述方法包括：
8.获取输入语音；
9.基于声学模型和第一语言模型对所述输入语音进行解码，得到所述输入语音的第一识别文本；
10.对所述输入语音的第一识别文本进行话术分类，以标记出所述输入语音的第一识别文本的类别标签；
11.根据所述第一识别文本的类别标签选择第二语言模型，所述第二语言模型根据所述第一识别文本的类别标签对应的训练样本得到；
12.根据所述第二语言模型对所述输入语音进行解码，以得到所述输入语音的第二识别文本。
13.在本申请第一方面中，通过根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配所述第二语言模型，其中，第二语音模型是预先根据第一识别文本的类别标签对应的训练样本得到，进而使得第二语音模型能够针对一种重点领域内的文本处理并提高一种领域的文本识别精确度，即能够通过第二语言模型输出识别精确度更高的第二识别文本，另一方面，通过第一语言模型能够不降低非重点的语音识别精确度。
14.在本申请第一方面中，作为一种可选的实施方式，所述基于声学模型和第一语言模型对所述输入语音进行解码，并得到所述输入语音的第一识别文本，包括：
15.获取发音词典和词表中的音素列表；
16.根据所述发音词典、所述词表中的音素列表、所述声学模型和所述第一语言模型生成解码网络；
17.将所述输入语音作为所述解码网络的输入，以使得所述解码网络对所述输入语音进行解码并输出所述输入语音的最优路径，所述输入语音的最优路径由若干个词语组成；
18.将所述输入语音的最优路径作为所述输入语音的第一识别文本。
19.在本可选的实施方式中，通过获取发音词典和词表中的音素列表，进而能够根据发音词典、词表中的音素列表、声学模型和第一语言模型生成解码网络，进而能够将输入语音作为解码网络的输入，以使得解码网络对输入语音进行解码并输出输入语音的最优路径，输入语音的最优路径由若干个词语组成，进而能够将输入语音的最优路径作为输入语音的第一识别文本。
20.在本申请第一方面中，作为一种可选的实施方式，所述对所述输入语音的第一识别文本进行话术分类，以标记出所述输入语音的第一识别文本的类别标签，包括：
21.将所述输入语音的第一识别文本作为预先训练得到的话术分类模型的输入，使得所述话术分类模型输出所述第一识别文本的若干种标签概率；
22.根据所述若干种标签概率将概率最高的标签作为所述输入语音的第一识别文本的类别标签。
23.在本可选的实施方式中，通过将所述输入语音的第一识别文本作为预先训练得到的话术分类模型的输入，进而能够使得所述话术分类模型输出所述第一识别文本的若干种标签概率，从而能够从所述若干种标签概率中，将概率最高的标签作为所述输入语音的第一识别文本的类别标签。
24.在本申请第一方面中，作为一种可选的实施方式，在所述将所述输入语音的第一
识别文本作为预先训练得到的话术分类模型的输入，使得所述话术分类模型输出所述第一识别文本的若干种标签概率之前，所述方法还包括：
25.获取的训练集，所述训练集包括若干训练文本；
26.根据训练算法训练所述训练集中的所述若干训练文本，并得到所述话术分类模型，所述训练算法为深度学习算法。
27.在本可选的实施方式中，通过获取包括若干训练文本的训练集，进而能够根据训练算法训练所述训练集中的所述若干训练文本，并得到所述话术分类模型。
28.在本申请第一方面中，作为一种可选的实施方式中，所述输入语音的第一识别文本的类别标签为导航标签、媒体标签、通话标签中的一种或几种的组合，所述第二语言模型包括导航类语言模型、媒体类语言模型、通话类语言模型中的一种或几种的组合。
29.在本可选的实施方式中，通过将导航标签、媒体标签、通话标签与输入语音的第一识别文本关联，进而能够选择导航类语言模型、媒体类语言模型、通话类语言模型中的一种模型对第一识别文本进行处理，从而得到识别精确度更高的第二识别文本。
30.在本申请第一方面中，作为一种可选的实施方式，在所述根据所述第一识别文本的类别标签选择第二语言模型之前，所述方法还包括：
31.获取导航类训练集、媒体类训练集、通话类训练集；
32.依次根据所述导航类训练集、所述媒体类训练集、所述通话类训练集训练得到所述导航类语言模型、所述媒体类语言模型、所述通话类语言模型。
33.在本可选的实施例方式中，通过导航类训练集、媒体类训练集、通话类训练集可依次训练得到导航类语言模型、所述媒体类语言模型、所述通话类语言模型。
34.在本申请第一方面中，作为一种可选的实施方式，所述方法还包括：
35.当所述第一识别文本的类别标签不存在关联的所述第二语言模型时，根据所述第一语言模型对所述第一识别文本进行重新解码，以使得所述第一语言模型输出所述输入语音的第二识别文本。
36.在本可选的实施方式中，通过第一语言模型对第一识别文本进行重新解码，能够在没有匹配出第一识别文本的第二语言模型的情况下而得到第二识别文本，从而保证输入语音的最终识别结果的精确度。
37.本申请第二方面还公开一种语音识别装置，所述装置包括：
38.获取模块，用于获取输入语音；
39.第一解码模块，用于基于声学模型和第一语言模型对所述输入语音进行解码，得到所述输入语音的第一识别文本；
40.话术分类模块，用于对所述输入语音的第一识别文本进行话术分类，以标记出所述输入语音的第一识别文本的类别标签；
41.选择模块，用于根据所述第一识别文本的类别标签选择第二语言模型，所述第二语言模型根据所述第一识别文本的类别标签对应的训练样本得到；
42.第二解码模块，用于根据所述第二语言模型对所述输入语音进行解码，以得到所述输入语音的第二识别文本。
43.本申请第二方面的装置通过执行语音识别方法，进而能够根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对
第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配所述第二语言模型，其中，第二语音模型是预先根据第一识别文本的类别标签对应的训练样本得到，进而使得第二语音模型能够针对一种重点领域内的文本处理并提高一种领域的文本识别精确度，即能够通过第二语言模型输出识别精确度更高的第二识别文本，另一方面，通过第一语言模型能够不降低非重点的语音识别精确度。
44.本申请第三方面公开一种语音识别设备，所述语音识别设备包括：
45.处理器；以及
46.存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时，使得所述处理器执行本申请第一方面的语音识别方法。
47.本申请第三方面的设备通过执行语音识别方法，进而能够根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配所述第二语言模型，其中，第二语音模型是预先根据第一识别文本的类别标签对应的训练样本得到，进而使得第二语音模型能够针对一种重点领域内的文本处理并提高一种领域的文本识别精确度，即能够通过第二语言模型输出识别精确度更高的第二识别文本，另一方面，通过第一语言模型能够不降低非重点的语音识别精确度。
48.本申请第四方面公开一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行本申请第一方面的语音识别方法。
49.本申请第四方面的存储介质通过执行语音识别方法，进而能够根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配所述第二语言模型，其中，第二语音模型是预先根据第一识别文本的类别标签对应的训练样本得到，进而使得第二语音模型能够针对一种重点领域内的文本处理并提高一种领域的文本识别精确度，即能够通过第二语言模型输出识别精确度更高的第二识别文本，另一方面，通过第一语言模型能够不降低非重点的语音识别精确度。
附图说明
50.为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
51.图1是本申请实施例公开的一种语音识别方法的流程示意图；
52.图2是本申请实施例公开的一种语音识别装置的结构示意图；
53.图3是本申请实施例公开的一种语音识别设备的结构示意图。
具体实施方式
54.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
55.实施例一
56.请参阅图1，图1是本申请实施例公开的一种语音识别方法的流程示意图。如图1所
示，本申请实施例的方法包括步骤：
57.101、获取输入语音；
58.102、基于声学模型和第一语言模型对输入语音进行解码，得到输入语音的第一识别文本；
59.103、对输入语音的第一识别文本进行话术分类，以标记出输入语音的第一识别文本的类别标签；
60.104、根据第一识别文本的类别标签选择第二语言模型，第二语言模型根据第一识别文本的类别标签对应的训练样本得到；
61.105、根据第二语言模型对输入语音进行解码，以得到输入语音的第二识别文本。
62.在本申请实施例中，通过根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配第二语言模型，具体地，在这一过程中，由于第一语言模型与第二语言模型区分训练得到，进而能够不需要在第一语言模型中加入大量的重点领域的训练样本，进而避免由于非重点领域的训练样本比例降低而导致非重点领域的语音识别精确度降低这一问题，另一方面，可将重点领域的训练样本训练二语言模型，从而在第二语言模型的使用阶段，第二语言模型能够对重点领域的输入语音进行二次解码，以提高重点领域的输入语音的识别精确度，这样一来，能够在提高重点领域的输入语音的识别精确度的同时，也不影响对非重点领域的输入语音的识别精确度。同时，通过将第一语言模型和第二语言模型区分训练、使用能够简化第一语言模型、第二语言模型的体量，进而便于对第一语言模型、第二语言模型的更新，从而能够基于更新后的第一语言模型、第二语言模型进一步提高语音识别精确度。
63.示例性地，假设用户输入的语音是“导航到工作位置”这一导航类语音，进而能够采用与导航类语音相应的第二语音模型对该导航类语音进行二次解码，从而提高最终的识别效果，而对于用户输入的语音“今天上映有哪些”则通过第一语言模型识别即可。
64.综上，与现有技术先比，本申请实施例能够提高重点领域的语音识别精确度的同时，不影响非重点领域的语音识别，而现有技术中的识别方式是基于用全领域训练文本训练得到的语言模型进行识别，进而导致在提高重点领域的语音识别精确度时，会降低非重点领域的语音识别精度，且该方式的语言模型具有体量大、不易更新的缺点。
65.需要说明的是，本申请实施例的第一语言模型、第二语音模型的基础模型可以是现有技术中的语音模型中的一种，对此本申请实施例不作限定，另一方面，关于第一语言模型、第二语言模型的具体训练过程请参阅现有技术。
66.在本申请实施例中，作为一种可选的实施方式，步骤102：基于声学模型和第一语言模型对输入语音进行解码，得到输入语音的第一识别文本，包括：
67.获取发音词典和词表中的音素列表；
68.根据发音词典、词表中的音素列表、声学模型和第一语言模型生成解码网络；
69.将输入语音作为解码网络的输入，以使得解码网络对输入语音进行解码并输出输入语音的最优路径，输入语音的最优路径由若干个词语组成；
70.将输入语音的最优路径作为输入语音的第一识别文本。
71.在本可选的实施方式中，通过获取发音词典和词表中的音素列表，进而能够根据
发音词典、词表中的音素列表、声学模型和第一语言模型生成解码网络，进而能够将输入语音作为解码网络的输入，以使得解码网络对输入语音进行解码并输出输入语音的最优路径，输入语音的最优路径由若干个词语组成，进而能够将输入语音的最优路径作为输入语音的第一识别文本。
72.在本申请实施例中，作为一种可选的实施方式，步骤103：对输入语音的第一识别文本进行话术分类，以标记出输入语音的第一识别文本的类别标签，包括子步骤：
73.将输入语音的第一识别文本作为预先训练得到的话术分类模型的输入，使得话术分类模型输出第一识别文本的若干种标签概率；
74.根据若干种标签概率将概率最高的标签作为输入语音的第一识别文本的类别标签。
75.在本可选的实施方式中，通过将输入语音的第一识别文本作为预先训练得到的话术分类模型的输入，进而能够使得话术分类模型输出第一识别文本的若干种标签概率，从而能够从若干种标签概率中，将概率最高的标签作为输入语音的第一识别文本的类别标签。
76.在本申请实施例中，作为一种可选的实施方式，在步骤：将输入语音的第一识别文本作为预先训练得到的话术分类模型的输入，使得话术分类模型输出第一识别文本的若干种标签概率之前，本申请实施例的方法还包括步骤：
77.获取的训练集，训练集包括若干训练文本；
78.根据训练算法训练训练集中的若干训练文本，并得到话术分类模型，训练算法为深度学习算法。
79.在本可选的实施方式中，通过获取包括若干训练文本的训练集，进而能够根据训练算法训练训练集中的若干训练文本，并得到话术分类模型。
80.在本申请实施例中，作为一种可选的实施方式中，输入语音的第一识别文本的类别标签为导航标签、媒体标签、通话标签中的一种或几种组合，第二语言模型包括导航类语言模型、媒体类语言模型、通话类语言模型中的一种或几种组合。
81.在本可选的实施方式中，由于涉及导航类的输入语音、媒体类的输入语音、通话类的语音在车机助手出现的频率高，因此通过将导航标签、媒体标签、通话标签与输入语音的第一识别文本关联，进而选择导航类语言模型、媒体类语言模型、通话类语言模型中的一种模型对第一识别文本进行处理，能够在满足大多数场景下的语音识别的前提下，进一步得到识别精确度更高的第二识别文本。另一方面，将第二语言模型拆分为导航类语言模型、媒体类语言模型、通话类语言模型中的一种，能够便于对导航类语言模型、媒体类语言模型、通话类语言模型进行更新，例如，当导航类语言模型需要更新时，只要更新导航类语言模型，而不需要更新体类语言模型、通话类语言模型。
82.在本申请实施例中，作为一种可选的实施方式，在步骤104：根据第一识别文本的类别标签选择第二语言模型之前，本申请实施例的方法还包括步骤：
83.获取导航类训练集、媒体类训练集、通话类训练集；
84.依次根据导航类训练集、媒体类训练集、通话类训练集训练得到导航类语言模型、媒体类语言模型、通话类语言模型。
85.在本可选的实施例方式中，通过导航类训练集、媒体类训练集、通话类训练集可依
次训练得到导航类语言模型、媒体类语言模型、通话类语言模型。
86.在本申请实施例中，作为一种可选的实施方式，本申请实施例的方法还包括步骤：
87.当第一识别文本的类别标签不存在关联的第二语言模型时，根据第一语言模型对第一识别文本进行重新解码，以使得第一语言模型输出输入语音的第二识别文本。
88.在本可选的实施方式中，通过第一语言模型对第一识别文本进行重新解码，能够在没有匹配出第一识别文本的第二语言模型的情况下而得到第二识别文本，从而保证输入语音的最终识别结果的精确度。
89.实施例二
90.请参阅图2，图2是本申请实施例公开的一种语音识别装置的结构示意图。如图2所示，本申请实施例的装置包括：
91.获取模块201，用于获取输入语音；
92.第一解码模块202，用于基于声学模型和第一语言模型对输入语音进行解码，得到输入语音的第一识别文本；
93.话术分类模块203，用于对输入语音的第一识别文本进行话术分类，以标记出输入语音的第一识别文本的类别标签；
94.选择模块204，用于根据第一识别文本的类别标签选择第二语言模型，第二语言模型根据第一识别文本的类别标签对应的训练样本得到；
95.第二解码模块205，用于根据第二语言模型对输入语音进行解码，以得到输入语音的第二识别文本。
96.本申请实施例的装置通过执行语音识别方法，能够通过根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配第二语言模型，具体地，在这一过程中，由于第一语言模型与第二语言模型区分训练得到，进而能够不需要在第一语言模型中加入大量的重点领域的训练样本，进而避免由于非重点领域的训练样本比例降低而导致非重点领域的语音识别精确度降低这一问题，另一方面，可将重点领域的训练样本训练二语言模型，从而在第二语言模型的使用阶段，第二语言模型能够对重点领域的输入语音进行二次解码，以提高重点领域的输入语音的识别精确度，这样一来，能够在提高重点领域的输入语音的识别精确度的同时，也不影响对非重点领域的输入语音的识别精确度。同时，通过将第一语言模型和第二语言模型区分训练、使用能够简化第一语言模型、第二语言模型的体量，进而便于对第一语言模型、第二语言模型的更新，从而能够基于更新后的第一语言模型、第二语言模型进一步提高语音识别精确度。
97.需要说明的是，关于本申请实施例的装置的其他详细说明请参阅本申请实施例一，本申请实施例对此不作赘述。
98.实施例三
99.请参阅图3，图3是本申请实施例公开的一种语音识别设备的结构示意图。如图3所示，本申请实施例的设备包括：
100.处理器301；以及
101.存储器302，配置用于存储机器可读指令，指令在由处理器301执行时，使得处理器301执行本申请实施例一的语音识别方法。
102.本申请实施例的设备通过执行语音识别方法，能够通过根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配第二语言模型，具体地，在这一过程中，由于第一语言模型与第二语言模型区分训练得到，进而能够不需要在第一语言模型中加入大量的重点领域的训练样本，进而避免由于非重点领域的训练样本比例降低而导致非重点领域的语音识别精确度降低这一问题，另一方面，可将重点领域的训练样本训练二语言模型，从而在第二语言模型的使用阶段，第二语言模型能够对重点领域的输入语音进行二次解码，以提高重点领域的输入语音的识别精确度，这样一来，能够在提高重点领域的输入语音的识别精确度的同时，也不影响对非重点领域的输入语音的识别精确度。同时，通过将第一语言模型和第二语言模型区分训练、使用能够简化第一语言模型、第二语言模型的体量，进而便于对第一语言模型、第二语言模型的更新，从而能够基于更新后的第一语言模型、第二语言模型进一步提高语音识别精确度。
103.实施例四
104.本申请实施例公开一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行本申请实施例一的语音识别方法。
105.本申请实施例的存储介质通过执行语音识别方法，能够通过根据声学模型和第一语言模型输入语音进行初步解码，进而能够得到输入语音的第一识别文本，进一步地，通过对第一识别文本进行话术分类，这样一来，就能够根据第一识别文本的类别匹配第二语言模型，具体地，在这一过程中，由于第一语言模型与第二语言模型区分训练得到，进而能够不需要在第一语言模型中加入大量的重点领域的训练样本，进而避免由于非重点领域的训练样本比例降低而导致非重点领域的语音识别精确度降低这一问题，另一方面，可将重点领域的训练样本训练二语言模型，从而在第二语言模型的使用阶段，第二语言模型能够对重点领域的输入语音进行二次解码，以提高重点领域的输入语音的识别精确度，这样一来，能够在提高重点领域的输入语音的识别精确度的同时，也不影响对非重点领域的输入语音的识别精确度。同时，通过将第一语言模型和第二语言模型区分训练、使用能够简化第一语言模型、第二语言模型的体量，进而便于对第一语言模型、第二语言模型的更新，从而能够基于更新后的第一语言模型、第二语言模型进一步提高语音识别精确度。
106.在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
107.另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
108.再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
109.需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
on ly memory，rom)随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
110.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
111.以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。