一种错别字识别检测方法和系统与流程

1.本发明涉及数据处理技术领域，尤指一种错别字识别检测方法和系统。


背景技术：

2.随着科学技术的快速发展，语音输入逐渐的出现在人们的视野之中，并且有可能会代替传统的键盘输入，成为新一代标准的输入系统。在语音输入的时候通常会由于环境的吵杂或者是同音谐音的字而导致输入错误。
3.随着技术的发展，自动语音识别(automatic speech recognition，asr)技术的应用越来越广泛，asr技术是一种将人的语音转换为文本的技术。asr技术应用过程中，由于背景噪声的影响，或者说话人发音的影响，例如方言、口音、说话较快、用词用语习惯等，asr识别结果中不可避免的会出现替换、插入或删除错误。这些识别错误会导致识别语句有可能存在词序不当、搭配不当、语义不明、语句不合逻辑等问题，形成错句。这些错句不仅理解和分析困难，而且给后续的自然语言处理(natural language processing,nlp)应用带来了极大的困难。
4.因此，对语句的正确与否进行识别具有一定的现实意义和必要性。


技术实现要素：

5.本发明的目的是提供一种错别字识别检测方法和系统，实现提高文本中错别字的识别准确率和效率。
6.本发明提供的技术方案如下：
7.本发明提供一种错别字识别检测方法，包括步骤：
8.对原始语音信号进行处理转换为待识别文本；
9.将待识别文本输入至预先训练好的分词模型，输出所述识别文本中的词向量序列；所述词向量序列按照待识别文本的文字先后顺序排列；
10.将所述词向量序列中的各词向量依次顺序输入至预先训练好的统计语言模型中，输出所述待识别文本的最终困惑度；
11.当所述最终困惑度大于预设困惑度时，确定所述待识别文本中存在错别字。
12.进一步的，所述对原始语音信号进行处理转换为待识别文本包括步骤：
13.对所述原始语音信号进行频谱分析，将分析结果对应无效语音信号裁剪得到目标语音信号；
14.对所述目标语音信号进行语音识别得到对应的语音特征，将所述语音特征输入至语音转换模型中得到所述待识别文本。
15.进一步的，所述将待识别文本输入至预先训练好的分词模型之前包括步骤：
16.对获取的语料数据集中各个语料句子进行分词处理得到分词样本集；
17.根据所述分词样本集训练得到所述分词模型；所述分词样本集包括若干个分词样本向量。
18.进一步的，所述将所述词向量依次输入至预先训练好的统计语言模型，输出所述待识别文本的最终困惑度包括步骤：
19.通过所述统计语言模型分别依次输出各个词向量在所述待识别文本中的出现概率；
20.根据所述待识别文本中各个词向量的出现概率，计算得到所述待识别文本的最终困惑度。
21.进一步的，所述当所述最终困惑度大于预设困惑度时，确定所述待识别文本中存在错别字之后包括步骤：
22.替换所述待识别文本中的错别字得到候选文本语句，计算各个候选文本语句的最终困惑度；
23.将最终困惑度小于预设困惑度，且最终困惑度最小的候选文本语句作为最终识别文本输出。
24.本发明还提供一种错别字识别检测系统，包括：
25.语音处理模块，用于对原始语音信号进行处理转换为待识别文本；
26.分词处理模块，用于将待识别文本输入至预先训练好的分词模型，输出所述识别文本中的词向量序列；所述词向量序列按照待识别文本的文字先后顺序排列；
27.统计处理模块，用于将所述词向量序列中的各词向量依次顺序输入至预先训练好的统计语言模型中，输出所述待识别文本的最终困惑度；
28.分析模块，用于当所述最终困惑度大于预设困惑度时，确定所述待识别文本中存在错别字。
29.进一步的，所述语音处理模块包括：
30.处理单元，用于对所述原始语音信号进行频谱分析，将分析结果对应无效语音信号裁剪得到目标语音信号；
31.转换单元，用于对所述目标语音信号进行语音识别得到对应的语音特征，将所述语音特征输入至语音转换模型中得到所述待识别文本。
32.进一步的，所述分词处理模块还包括：
33.样本获取单元，用于对获取的语料数据集中各个语料句子进行分词处理得到分词样本集；
34.训练单元，用于根据所述分词样本集训练得到所述分词模型；所述分词样本集包括若干个分词样本向量。
35.进一步的，所述统计处理模块包括：
36.概率计算单元，用于通过所述统计语言模型分别依次输出各个词向量在所述待识别文本中的出现概率；
37.困惑度计算单元，用于根据所述待识别文本中各个词向量的出现概率，计算得到所述待识别文本的最终困惑度。
38.进一步的，还包括：
39.替换处理模块，用于替换所述待识别文本中的错别字得到候选文本语句，计算各个候选文本语句的最终困惑度；
40.输出模块，用于将最终困惑度小于预设困惑度，且最终困惑度最小的候选文本语
句作为最终识别文本输出。
41.通过本发明提供的一种错别字识别检测方法和系统，能够提高文本中错别字的识别准确率和效率。
附图说明
42.下面将以明确易懂的方式，结合附图说明优选实施方式，对一种错别字识别检测方法和系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
43.图1是本发明一种错别字识别检测方法的一个实施例的流程图；
44.图2是本发明一种错别字识别检测方法的一个实施例的流程图；
45.图3是本发明一种错别字识别检测方法的一个实施例的流程图；
46.图4是本发明一种错别字识别检测系统的一个实施例的结构示意图。
具体实施方式
47.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
48.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
49.为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
50.还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
51.另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
52.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图，并获得其他的实施方式。
53.本发明的一个实施例，如图1所示，一种错别字识别检测方法，包括：
54.s100对原始语音信号进行处理转换为待识别文本；
55.具体的，原始语音信号是指通过麦克风采集到的语音音频信号，可以通过科大讯飞的语音识别技术，对语音音频信号进行语音识别得到对应的待识别文本。
56.s200将待识别文本输入至预先训练好的分词模型，输出识别文本中的词向量序列；词向量序列按照待识别文本的文字先后顺序排列；
57.s300将词向量序列中的各词向量依次顺序输入至预先训练好的统计语言模型中，
输出待识别文本的最终困惑度；
58.s400当最终困惑度大于预设困惑度时，确定待识别文本中存在错别字。
59.具体的，分词模型包括bert模型，或者结巴分词模型工具等等。分词模型也包括gpt2(language models are unsupervised multitask learners:openai提出的一个预训练分词模型)、或其他n
‑
gram分词模型(是一种基于长度是n的字节片段序列统计语言模型)。智能移动装置、移动终端或服务器通过上述方式获取到待识别文本后，将待识别文本输入至上述分词语音模型，可以得到按照待识别文本的文字先后顺序排列的词向量，分词模型对输入的待识别文字分词后输出对应顺序的词向量序列。词向量序列包括若干词向量，所有词向量的排列顺序按照待识别文本的文字顺序进行排列组成词向量序列。然后，智能移动装置、移动终端或服务器将词向量序列中的各词向量依次顺序输入至统计语言模型中，输出待识别文本的最终困惑度。最后，智能移动装置、移动终端或服务器判断比较最终困惑度与预设困惑度的大小，如果最终困惑度小于预设困惑度时，确定待识别文本中不存在错别字。反之，如果最终困惑度大于预设困惑度时，确定待识别文本中存在错别字。
60.本发明可以直接将原始语音信号进行识别，只需要根据计算出的困惑度就可以识别出根据原始语音信号转换的待识别文本中是否为错别字，提高错别字识别的准确率和效率。
61.优选的，麦克风可以是设置在机器人、无人车等智能移动装置处，也可以设置在手机、电脑、平板、智能手表等移动终端处，由移动终端或智能移动装置采集原始语音信号，并由移动终端或智能移动装置自行对用户的原始语音信号进行识别。当然，移动终端或智能移动装置采集获取到原始语音信号后，可以转发给服务器由服务器对对用户的原始语音信号进行识别。本发明对错别字识别检测的执行主体不做限定。
62.本发明的一个实施例，如图2所示，一种错别字识别检测方法，包括：
63.s010对获取的语料数据集中各个语料句子进行分词处理得到分词样本集；
64.s020根据分词样本集训练得到分词模型；分词样本集包括若干个分词样本向量；
65.具体的，分词模型的核心是求词语出现的条件概率。智能移动装置、移动终端或服务器对各个领域的文献或者资料进行语料句子的采集进而得到语料数据集，然后，对各个语料句子采用现有技术进行分词处理得到每个语料句子的分词结果。这样，汇总每个语料句子的分词结果得到分词样本向量，分词样本向量包括词向量及其标号、位置(分词结果在该语料句子中的位置)、矩阵关系(即该分词结果与该语料句子中的其他分词结果的关系)。其中，词向量并不一定只一个字构成的向量，例如，词向量可以是词汇“我们”，“牛奶”等等。
66.智能移动装置、移动终端或服务器从分词样本集中随机抽取部分作为训练集，剩余的部分就是验证集，训练集中分词样本向量的数量大于验证集中分词样本向量的数量。然后，通过训练集中的分词样本向量进行训练得到候选分词模型，再使用验证集中的分词样本向量对候选分词模型进行验证，根据验证结果调整候选分词模型的参数，直至候选分词模型识别正确率大于预设阈值为止就得到最终的分词模型。
67.s110对原始语音信号进行频谱分析，将分析结果对应无效语音信号裁剪得到目标语音信号；
68.s120对目标语音信号进行语音识别得到对应的语音特征，将语音特征输入至语音转换模型中得到待识别文本；
69.具体的，由于原始语音信号往往包括无效语音，因此，智能移动装置、移动终端或服务器需要对原始语音信号进行频谱分析得到分析结果，分析结果可能包括有效语音识别结果，也可能包括无效语音识别结果。其中，无效语音包括空白区域对应的语音，或者预设无效词汇对应的语音。预设无效词汇包括喂，哦等语气词之类词汇，这些预设无效词汇对原始语音信号的语义不会产生其他理解，可以根据实际需求预先设定。因此，智能移动装置、移动终端或服务器将分析结果对应无效语音信号裁剪得到目标语音信号。
70.然后，智能移动装置、移动终端或服务器对目标语音信号进行语音识别，因为不同用户的声纹特征(音色、音调等等)不同，因此，在获取到原始语音信号后如果确定存在多个声纹特征，则将不同声纹特征的语音信号分别进行语音识别得到对应的语音特征，将同一个声纹特征对应的所有语音特征输入至语音转换模型中识别输出对应的待识别文本。语音转换为文字的技术为现有技术，在此不再一一赘述。
71.s200将待识别文本输入至预先训练好的分词模型，输出识别文本中的词向量序列；词向量序列按照待识别文本的文字先后顺序排列；
72.s310通过所述统计语言模型分别依次输出各个词向量在待识别文本中的出现概率；
73.s320根据待识别文本中各个词向量的出现概率，计算得到待识别文本的最终困惑度；
74.具体的，通过预训练 微调 语言模型 困惑度的形式来进行一个统一标准框架的构建。不管是哪一个领域，准备相关领域的无监督的语料句子，基于相关语料句子对分词模型(例如google的bert模型)进行微调训练。对于一个原始语音信号对应的待识别文本进行错别字检测的时候，首先得到待识别文本中每个字的向量表示即词向量，然后计算各个词向量在整个待识别文本中的出现概率，然后各个词向量的出现概率计算各个词向量的困惑度，最后，待识别文本的各个词向量的困惑度计算得到待识别文本的最终困惑度，基于待识别文本的最终困惑度进行判别待识别文本是否存在错别字。
75.假设，对原始语音信号进行语音识别转换得到的待识别文本w进行分词后的词向量序列为：s＝{w1，w2，w3，
…
，w
n
}
76.p(s)＝p(w1，w2，w3，
…
，w
n
)
77.＝p(w1)p(w2|w1)，
…
p(w
n
|w1，w2，
…
，w
n
‑1)
[0078][0079]
其中，s为词向量序列，n代表词向量序列中词向量的个数，w
n
为第n个词向量，p(s)为按照上述词向量的排列顺序组成的字符串是一个句子的概率，p(w
n
|w1，w2，
…
，w
n
‑1)是当前词向量w
n
前面n
‑
1个词向量时为(w1，w2，
…
，w
n
‑1)的出现概率，pp(s)为词向量序列s的最终困惑度。在自然语言处理中，对于一个分词模型，一般用困惑度来衡量它的好坏，困惑度越低，说明统计语言模型面对一句话感到困惑的程度越低，统计语言模型就越好。
[0080]
s400当最终困惑度大于预设困惑度时，确定待识别文本中存在错别字。
[0081]
具体的，本实施例中与上述实施例相同的部分参见上述实施例，在此不再一一赘述。
[0082]
本发明实现一种通用的错别字检测方法。通过分词模型对待识别文本进行建模得
到词向量，通过统计语言模型识别输出待识别文本中各个词向量的出现概率，进而计算各个词向量的困惑度来对待识别文本的困惑度进行计算，通过预设困惑度的阈值设定，以及预设困惑度和最终困惑度的比较，来判定当前待识别文本是否存在错别字。
[0083]
本实施例中，通过预训练的分词模型对待识别文本进行建模，通过困惑度来对待识别文本的困惑度进行计算，通过预设困惑度的设定来判定当前待识别文本是否存在错别字。此外，去除预设关键字，既不影响检测结果的正确性，又可以精简识别所得到原始语音信号对应的最终识别文本，从而提高语音信号的识别效率和准确率。
[0084]
本发明的一个实施例，如图3所示，一种错别字识别检测方法，包括：
[0085]
s110对原始语音信号进行频谱分析，将分析结果对应无效语音信号裁剪得到目标语音信号；
[0086]
s120对目标语音信号进行语音识别得到对应的语音特征，将语音特征输入至语音转换模型中得到待识别文本；
[0087]
s200将待识别文本输入至预先训练好的分词模型，输出识别文本中的词向量序列；词向量序列按照待识别文本的文字先后顺序排列；
[0088]
s310通过所述统计语言模型分别依次输出各个词向量在待识别文本中的出现概率；
[0089]
s320根据待识别文本中各个词向量的出现概率，计算得到待识别文本的最终困惑度；
[0090]
s400当最终困惑度大于预设困惑度时，确定待识别文本中存在错别字；
[0091]
s500替换待识别文本中的错别字得到候选文本语句，计算各个候选文本语句的最终困惑度；
[0092]
s600将最终困惑度小于预设困惑度，且最终困惑度最小的候选文本语句作为最终识别文本输出。
[0093]
具体的，根据语音读法或者拼音建立错别字对应的纠正字，并建立各个错别字与纠正字的关联关系。根据关联关系可查找出待识别文本中的错别字的候选纠正字，将候选纠正字替换掉待识别文本中的错别字得到若干个候选文本语句。然后，再通过所述统计语言模型分别确定各个候选文本语句对应的最终困惑度，并根据各个候选文本语句对应的最终困惑度，从所有候选文本语句中选取最终困惑度小于预设困惑度，且最终困惑度最小的候选文本语句作为最终识别文本。困惑度(perplexity)，是在自然语言处理领域(nlp)中，用于衡量统计语言模型好坏的指标。候选文本语句的困惑度越小，则表明该候选文本语句的概率越大，表明该候选文本语句越正确。
[0094]
当待识别文本中存在一个错别字时，这个待识别文本就是待纠错文本，可以根据错别字和纠正字的关联关系，对该待纠错文本进行错字替换得到候选文本语句，然后再通过统计语言模型计算各候选文本语句的困惑度，然后选取最终困惑度小于预设困惑度，且最终困惑度最小的候选文本语句作为当前错别字对应的纠正语句，由于错别字只有一个，因此该纠正语句就是原始语音信号对应的最终识别文本。
[0095]
优选的，当待识别文本中存在多组错别字时，将上一个错别字相应的纠正语句作为新的待纠错文本，参照上述方式从上一个错别字相应纠正后的纠正语句中重新选取新的错别字进行纠正替换得到新的纠正语句，直至纠正多次后的纠正语句中不存在错别字时得
到原始语音信号对应的最终识别文本。
[0096]
示例性的，搜索引擎通过自带的语音控件触发采集获取用户的原始语音信号，通过上述实施例方式得到对应的最终识别文本，这样，搜索引擎可以根据原始语音信号识别纠错后得到的最终识别文本进行搜索，不需要用户手动打字，提高了搜索效率并且大大提升用户的搜索体验。
[0097]
本发明通过困惑度进行错别字的纠错替换，避免只进行谐音，同音的替换，在宽泛场景下针对性进行错别字的处理，不仅仅可以对语音识别原始语音信号后的待识别文本进行错别字检测，还可以对错别字进行纠错，能够更加准确和便捷地确定原始语音信号对应的意图。
[0098]
本发明的一个实施例，如图4所示，一种错别字识别检测系统，包括：
[0099]
语音处理模块10，用于对原始语音信号进行处理转换为待识别文本；
[0100]
分词处理模块20，用于将待识别文本输入至预先训练好的分词模型，输出所述识别文本中的词向量序列；所述词向量序列按照待识别文本的文字先后顺序排列；
[0101]
统计处理模块30，用于将所述词向量序列中的各词向量依次顺序输入至预先训练好的统计语言模型中，输出所述待识别文本的最终困惑度；
[0102]
分析模块40，用于当所述最终困惑度大于预设困惑度时，确定所述待识别文本中存在错别字。
[0103]
具体的，原始语音信号是指通过麦克风采集到的语音音频信号，可以通过科大讯飞的语音识别技术，对语音音频信号进行语音识别得到对应的待识别文本。
[0104]
分词模型包括bert模型，或者结巴分词模型工具等等。统计语言模型包括n
‑
gram分词模型。智能移动装置、移动终端或服务器通过上述方式获取到待识别文本后，将待识别文本输入至上述分词语音模型，可以得到安装待识别文本的文字先后顺序排列的词向量，这些词向量因为按照文字先后顺序排列，因此，分词模型会将输入的待识别文字进行识别输出对应的词向量序列。词向量序列包括若干词向量，所有词向量的排列顺序按照待识别文本的文字顺序进行排列组成词向量序列。然后，智能移动装置、移动终端或服务器将词向量序列中的各词向量依次顺序输入至统计语言模型中，输出待识别文本的最终困惑度。最后，智能移动装置、移动终端或服务器判断比较最终困惑度与预设困惑度的大小，如果最终困惑度小于预设困惑度时，确定待识别文本中不存在错别字。反之，如果所述最终困惑度大于预设困惑度时，确定所述待识别文本中存在错别字。
[0105]
本发明可以直接将原始语音信号进行识别，只需要根据计算出的困惑度就可以识别出根据原始语音信号转换的待识别文本中是否为错别字，提高错别字识别的准确率和效率。
[0106]
优选的，麦克风可以是设置在机器人、无人车等智能移动装置处，也可以设置在手机、电脑、平板、智能手表等移动终端处，由移动终端或智能移动装置采集原始语音信号，并由移动终端或智能移动装置自行对用户的原始语音信号进行识别。当然，移动终端或智能移动装置采集获取到原始语音信号后，可以转发给服务器由服务器对对用户的原始语音信号进行识别。本发明对错别字识别检测的执行主体不做限定。
[0107]
基于前述实施例，所述语音处理模块10包括：
[0108]
处理单元，用于对所述原始语音信号进行频谱分析，将分析结果对应无效语音信
号裁剪得到目标语音信号；
[0109]
转换单元，用于对所述目标语音信号进行语音识别得到对应的语音特征，将所述语音特征输入至语音转换模型中得到所述待识别文本。
[0110]
基于前述实施例，所述错别字识别检测系统还包括：
[0111]
样本获取单元，用于对获取的语料数据集中各个语料句子进行分词处理得到分词样本集；
[0112]
训练单元，用于根据所述分词样本集训练得到所述分词模型；所述分词样本集包括若干个分词样本向量。
[0113]
具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述方法实施例，在此不再一一赘述。
[0114]
基于前述实施例，所述将所述词向量依次输入至预先训练好的统计语言模型，输出所述待识别文本的最终困惑度包括步骤：
[0115]
通过所述统计语言模型分别依次输出各个词向量在所述待识别文本中的出现概率；
[0116]
根据所述待识别文本中各个词向量的出现概率，计算得到所述待识别文本的最终困惑度。
[0117]
具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述方法实施例，在此不再一一赘述。
[0118]
基于前述实施例，所述错别字识别检测系统还包括：
[0119]
替换处理模块，用于替换所述待识别文本中的错别字得到候选文本语句，计算各个候选文本语句的最终困惑度；
[0120]
输出模块，用于将最终困惑度大于预设困惑度，且最终困惑度最小的候选文本语句作为最终识别文本输出。
[0121]
具体的，本实施例是上述方法实施例对应的系统实施例，具体效果参见上述方法实施例，在此不再一一赘述。
[0122]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
[0123]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。
[0124]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0125]
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。
[0126]
所述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。
[0127]
另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0128]
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。