一种基于CNNKD的雷达HRRP小样本目标识别方法与流程

一种基于cnnkd的雷达hrrp小样本目标识别方法
技术领域
1.本发明属于雷达目标识别技术领域，具体涉及一种基于cnnkd的雷 达hrrp小样本目标识别方法。


背景技术：

2.在军事等特定领域中，提高雷达对非合作(库外)目标的识别准确率，是 一个极其重要的问题。
3.雷达hrrp(high resolution range profile，高分辨距离像)非合作目标识 别技术的发展主要受限于两个方面：一是由于非合作目标观测频率极低， 导致带标签样本量严重不足，使非合作目标识别成为典型的小样本识别问 题，这在学界依然是一个没有定论的开放性的热点和难点问题；另一方面， 相对于已有类别，新增类别样本数量远小于已有类别，这就导致了机器学 习中不平衡样本的模型学习问题。
4.传统的目标识别方法大多是通过库内已知目标样本基于统计方法构建 浅层概率模型，通过模板匹配来实现目标识别的，现有的基于深度学习技 术进行目标识别的方法是通过大量的标签数据来进行有监督训练，从而获 取目标识别模型，这种机制往往需要标记大量的标签数据，且对于新的类 别，往往需要重新训练模型，计算开支极大，并且对于小样本非合作目标 的识别准确率严重不足，这种方法存在极大的局限性，现有技术提出了一 种在对雷达hrrp进行预处理之后通过筛选进行特征提取，然后将多分类 转化为二分类问题，再进行特征选择，然后训练贝叶斯分类器，以此实现 目标识别的方法，例如申请公布号为cn 110232371 a，名称为“基于小样 本的高精度hrrp雷达多目标识别方法”的专利申请，公开了一种基于贝 叶斯的目标识别方法。该方法为包括训练阶段与识别阶段。前者包括雷达 回波信号转换为hrrp训练样本集、训练样本预处理、训练样本的特征提 取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类 器；识别阶段包括雷达回波信号转换为hrrp识别样本、识别样本预处理、 识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出 识别结果。该方法成功的解决了lda(linear discriminant analysis，线性判 别分析算法)在处理多目标分类时精度严重下降的问题。对提高雷达hrrp 目标识别的准确度起到一定作用。但该方法存在以下不足：1.该方法仅针对 库内小样本目标识别准确率下降的问题有效，并未考虑到非合作(库外)小样 本目标识别问题；2.该方法采用传统的通过lda多批次计算进行特征提取 的方法，该方法需要基于相关领域的深层知识经验来进行特征提取，因而 导致存在较大不确定性。
5.因此，提供一种能够提高识别非合作目标准确率的方法成为了亟待解 决的问题。


技术实现要素：

6.为了解决现有技术中存在的上述问题，本发明提供了一种基于cnnkd 的雷达hrrp小样本目标识别方法。本发明要解决的技术问题通过以下技 术方案实现：
7.一种基于cnnkd的雷达hrrp小样本目标识别方法，包括：
8.步骤1、构建多类别的hrrp样本集，所述多类别的hrrp样本集中的每 个类别的hrrp样本集均包括多个一维距离像信号；
9.步骤2、对每个所述类别的hrrp样本集进行处理以得到每个所述类别 的有效hrrp样本集；
10.步骤3、利用所有类别的所述有效hrrp样本集构建库内目标hrrp训练 样本集，所述库内目标hrrp训练样本集的类别共有c类；
11.步骤4、基于adam优化算法，将所述库内目标hrrp训练样本集输入至 初始的卷积神经网络进行训练，以得到基模型；
12.步骤5、基于改造的softmax函数，根据所述基模型和子模型的输出得到 损失值，所述子模型为初始的卷积神经网络；
13.步骤6、利用所述损失值进行反向传播，根据adam优化算法对所述子 模型进行优化，使所述损失值收敛至最小，以得到特征提取器；
14.步骤7、通过所述特征提取器对多类别非合作目标小样本训练集进行特 征提取，得到多个类别的非合作目标的特征数据；
15.步骤8、采用具有闭式解的线性分类算法对所述多个类别的非合作目标 的特征数据进行训练得到分类器，以利用所述分类器进行目标识别。
16.在本发明的一个实施例中，所述步骤1包括：
17.步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个角域；
18.步骤1.2、连续采集n个所述角域中的多个类别的雷达回波信号，并对所 采集的雷达回波信号平均划分为多段子回波信号；
19.步骤1.3、对每个类别的所述子回波信号进行fft处理得到所述一维距 离像信号，不同类别的所有所述一维距离像信号组成所述多类别的hrrp样 本集。
20.在本发明的一个实施例中，所述步骤2包括：
21.步骤2.1、利用能量归一化方法对每个所述类别的hrrp样本集进行处理 得到能量归一化后的hrrp样本集；
22.步骤2.2、利用重心对齐法对能量归一化后的hrrp样本集进行对齐处理， 得到每个所述类别的有效hrrp样本集。
23.在本发明的一个实施例中，所述步骤3包括：
24.对c个类别的所述有效hrrp样本集进行随机抽取得到所述库内目标 hrrp训练样本集。
25.在本发明的一个实施例中，所述步骤5包括：
26.步骤5.1、对子模型的网络参数进行高斯随机初始化，并通过改造的 softmax函数得到初始化后的所述子模型的输出；
27.步骤5.2、通过改造的softmax函数得到所述基模型的输出；
28.步骤5.3、基于损失函数模型，根据所述子模型的输出和所述基模型的 输出得到所述损失值。
29.在本发明的一个实施例中，所述卷积神经网络包括依次连接的第一层 卷积层、第一层池化层、第二层卷积层、第二层池化层、第三层卷积层、 第三层池化层和全连接层。
30.在本发明的一个实施例中，所述改造的softmax函数为：
[0031][0032]
其中，p
i
为改造的softmax函数输出的类别i的概率分布，∑
j
表示对类别 进行遍历，z
i
为类别i在通过所述卷积神经网络的卷积层、池化层以及全连 接层之后的特征向量，z
j
为类别j在通过所述卷积神经网络的卷积层、池 化层以及全连接层之后的特征向量，t表示温度系数。
[0033]
在本发明的一个实施例中，所述步骤7包括：
[0034]
步骤7.1、对c
new
个类别的所述有效hrrp样本集进行随机抽取得到多类 别非合作目标小样本测试集和所述多类别非合作目标小样本训练集，其中， c和c
new
不相交；
[0035]
步骤7.2、通过所述特征提取器对所述多类别非合作目标小样本训练集 进行特征提取，得到多个类别的非合作目标的特征数据。
[0036]
在本发明的一个实施例中，在所述步骤8之后，还包括：
[0037]
基于识别准确率评估模型，利用所述多类别非合作目标小样本测试集 对所述分类器的识别准确率进行评估，以得到评估结果。
[0038]
本发明的有益效果：
[0039]
本发明通过模型知识蒸馏机制，进一步提高了特征提取器的泛化能力， 通过特征提取器对非合作小样本目标特征提取之后，采用具有闭式解的线 性算法训练分类器，与现有技术相比，有效提高了目标识别模型的准确率， 并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新 训练特征提取器，节省了计算开支。
[0040]
本发明采用卷积神经网络模型知识蒸馏机制训练得到特征提取器，解 决了传统特征提取方法需要多批次计算且由于需要相关领域较深的知识经 验所导致的较大不确定性的问题。
[0041]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0042]
图1是本发明实施例提供的一种基于cnnkd的雷达hrrp小样本目 标识别方法的流程示意图；
[0043]
图2是本发明实施例提供的另一种基于cnnkd的雷达hrrp小样本 目标识别方法的流程示意图；
[0044]
图3是本发明实施例提供的一种部分飞机目标三维模型及仿真一维距 离像示意图；
[0045]
图4是本发明实施例提供的一种hrrp测试集样本tsne分类可视化 图。
具体实施方式
[0046]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施 方式不限于此。
[0047]
实施例一
[0048]
请参见图1和图2，图1是本发明实施例提供的一种基于cnnkd的雷 达hrrp小样本
目标识别方法的流程示意图，图2是本发明实施例提供的 另一种基于cnnkd的雷达hrrp小样本目标识别方法的流程示意图。本 发明实施例提供一种基于cnnkd(基于卷积神经网络模型的知识蒸馏)的雷 达hrrp小样本目标识别方法，该雷达hrrp小样本目标识别方法包括步 骤1至步骤8，其中：
[0049]
步骤1、构建多类别的hrrp样本集，多类别的hrrp样本集中的每 个类别的hrrp样本集均包括多个一维距离像信号。
[0050]
在本实施例中，多类别的hrrp样本集，包括多个不同类别的hrrp 样本集，多类别是指不同种类的飞机，例如雅克38、狂风f3。
[0051]
在一个具体实施例中，步骤1具体包括步骤1.1～步骤1.3，其中：
[0052]
步骤1.1、在同一俯仰角下对0～90度方位角进行平均划分，得到n个 角域。
[0053]
优选地，n的取值范围为5～20，例如，n取10。
[0054]
步骤1.2、连续采集n个角域中的多个类别的雷达回波信号，并对所采 集的雷达回波信号平均划分为多段子回波信号。
[0055]
在本实施例中每个角域的子回波信号的数量为l/n，其中，l为子回波 信号的总样本量，例如，每个角域的子回波信号的数量为320段，其中，l ≥2000。
[0056]
步骤1.3、对每个类别的子回波信号进行fft(fast fourier transform， 快速傅里叶变换)处理得到一维距离像信号，不同类别的所有一维距离像信 号组成多类别的hrrp样本集。
[0057]
在本实施例中，对步骤1.2所得到的每个子回波信号进行fft处理， 处理之后即得到一维距离像信号，由此，每个类别会包括有多个一维距离 像信号，所有类别的一维距离像信号便组成了多类别的hrrp样本集。
[0058]
步骤2、对每个类别的hrrp样本集进行处理以得到每个类别的有效 hrrp样本集。
[0059]
在一个具体实施例中，步骤2具体包括步骤2.1～步骤2.2，其中：
[0060]
步骤2.1、利用能量归一化方法对每个类别的hrrp样本集进行处理得到 能量归一化后的hrrp样本集。
[0061]
在本实施例中，由于发射机功率、发射与接收天线增益、目标距离和 天线等因素影响，使得所获得高分辨距离像的信号存在差别，因此，采用 能量归一化处理法对步骤1中所得到的有效hrrp样本集中的每个一维距 离像信号进行归一化处理，以得到能量归一化后的hrrp样本集。
[0062]
步骤2.2、利用重心对齐法对能量归一化后的hrrp样本集进行对齐处 理，得到每个类别的有效hrrp样本集。
[0063]
在本实施例中，针对平移敏感性的问题，采用绝对对齐法中的重心对 齐法，对步骤2.1中归一化之后的hrrp样本集中的一维距离像信号进行对 齐处理，从而可以得到预处理之后的有效hrrp样本集。
[0064]
步骤3、利用所有类别的有效hrrp样本集构建库内目标hrrp训练 样本集，库内目标hrrp训练样本集的类别共有c类。
[0065]
具体地，对c个类别的有效hrrp样本集进行随机抽取得到库内目标 hrrp训练样本集。
[0066]
在本实施例中，从所有类别的有效hrrp样本集中先选择c类，然后 从每个类别的
有效hrrp样本集中随机抽取若干个样本，从而所有类别所 抽取的样本组成库内目标hrrp训练样本集d
m
，d
m
＝{(x,y)}，其中共有c 类样本，x为训练集，y为标签，标签用来标记样本所对应的飞机类别， 例如构建45类不同类别飞机的目标样本，每类共3200个样本，每个样本 步进频频点数为256。
[0067]
步骤4、基于adam优化算法，将库内目标hrrp训练样本集输入至初 始的卷积神经网络进行训练，以得到基模型。
[0068]
在本实施例中，将库内目标hrrp训练样本集输入至初始的卷积神经 网络进行训练，利用损失值进行反向传播，根据adam优化算法对初始的 卷积神经网络进行优化，从而使损失值收敛至最小，以得到基模型，该过 程如下式所示：
[0069][0070]
其中，l
ce
为交叉熵损失函数，φ为特征提取网络参数，θ为梯度下降 优化下的分类器参数。
[0071]
其中，卷积神经网络包括依次连接的第一层卷积层、第一层池化层、 第二层卷积层、第二层池化层、第三层卷积层、第三层池化层和全连接层。
[0072]
在模型结构及超参数设置方面，本发明采用三层卷积神经网络作为基 础网络模型，第一层卷积层的输入通道数为1，输出通道数为32，步长为9。 第二层卷积层的输出通道为64，步长为9。第三层卷积层的输出通道为128， 步长为9。最后通过全连接层，将卷积输出的特征转化为向量。
[0073]
步骤5、基于改造的softmax函数，根据基模型和子模型的输出得到损 失值，子模型为初始的卷积神经网络。
[0074]
在一个具体实施例中，步骤5具体包括步骤5.1～步骤5.3，其中：
[0075]
步骤5.1、对子模型的网络参数进行高斯随机初始化，并通过改造的 softmax函数得到初始化后的子模型的输出。
[0076]
在本实施例中，对子模型的网络参数进行高斯随机初始化，并通过包 含温度系数t的softmax函数求取子模型的概率分布，该概率分布即为子模 型的输出，即为
[0077]
具体地，改造的softmax函数为：
[0078][0079]
其中，p
i
为改造的softmax函数输出的类别i的概率分布，∑
j
表示对类别 进行遍历，z
i
为类别i在通过卷积神经网络的卷积层、池化层以及全连接层 之后的特征向量，z
j
为类别j在通过卷积神经网络的卷积层、池化层以及 全连接层之后的特征向量，t表示温度系数，t＞1，因为当t＝1时，改造 的softmax函数便会退化为常规的softmax函数，例如设置温度系数t为4， 并在训练中将其保持不变。
[0080]
步骤5.2、通过改造的softmax函数得到基模型的输出。
[0081]
在本实施例中，通过包含温度系数t的softmax函数求取基模型的概率 分布，该概率分布即为基模型的输出，即为
[0082]
步骤5.3、基于损失函数模型，根据子模型的输出和基模型的输出得到 损失值，其中，损失函数模型表示为：
[0083][0084]
其中，l
kd
为损失值，φ为需要学习的子模型的参数，f(d
m
,φ)表示经 步骤5.1训练好的子模型输出。
[0085]
步骤6、利用损失值进行反向传播，根据adam优化算法对子模型进行 优化，使损失值收敛至最小，以得到特征提取器。
[0086]
在本实施例中，将模型训练的损失值反向传播，通过学习率自适应算 法(即adam优化算法)的方法最小化l
kd
对初始化的子模型进行优化，以此重 复步骤5.3、步骤6，直到损失值收敛到最小为止，由此可以得到泛化性能更 强的子模型，然后以最终的子模型作为最终的特征提取器。该过程称之为 模型知识蒸馏。将分类和模型知识蒸馏的目标联合起来，可以将最终的子 模型表示为：
[0087][0088]
其中，α和β表示均衡因子，用于平衡不同目标函数对模型参数学习 的影响，表示基模型的输出。
[0089]
步骤7、通过特征提取器对多类别非合作目标小样本训练集进行特征提 取，得到多个类别的非合作目标的特征数据。
[0090]
在一个具体实施例中，步骤7具体包括步骤7.1～步骤7.2，其中：
[0091]
步骤7.1、对c
new
个类别的有效hrrp样本集进行随机抽取得到多类别非 合作目标小样本测试集和多类别非合作目标小样本训练集，其中，c和c
new
不相交。
[0092]
在本实施例中，从步骤2所得到的所有类别的有效hrrp样本集中先选 择c
new
类，然后从c
new
类中的每个类别的有效hrrp样本集中随机抽取若干 个样本，从而所有类别所抽取的样本组成多类别非合作目标小样本训练集， 例如从每个类别的有效hrrp样本集中随机抽取1、5、10个样本组成多类别 非合作目标小样本训练集，再从c
new
类中的每个类别的有效hrrp样本集中 随机抽取若干个样本，从而所有类别所抽取的样本组成多类别非合作目标 小样本测试集，例如从每个类别的有效hrrp样本集中随机抽取15个样本组 成多类别非合作目标小样本训练集，由多类别非合作目标小样本训练集和 多类别非合作目标小样本测试集组成多类别非合作目标小样本任务集，定 义小样本任务集为其中有c
new
类非合作库外样本，称之为元训练集(即多类别非合作目标小样本训练集)，称之为元训练集(即多类别非合作目标小样本训练集)，样本量s每个类别取1、5、10分别进行测试，称之为元测试集(即 多类别非合作目标小样本测试集)，多类别非合作目标小样本测试集)，样本量q每个类 别取15，描述了一个测试任务的一组训练集和测试集，共有j组 训练任务，例如共
设置100组小样本识别任务。
[0093]
步骤7.2、通过特征提取器对多类别非合作目标小样本训练集进行特征 提取，得到多个类别的非合作目标的特征数据。
[0094]
步骤8、采用具有闭式解的线性分类算法对多个类别的非合作目标的特 征数据进行训练得到分类器，以利用分类器进行目标识别，该过程为：
[0095][0096]
其中，θ
lc
为具有闭式解的线性分类器参数，a为基学习器，表达式为 *表示s或q，特征提取网络参数φ在该过程中保持不变。
[0097]
优选地，具有闭式解的线性分类算法为svm(support vector machine， 支持向量机)或者logistic(一种广义的线性回归分析模型)。
[0098]
在一个具体实施例中，在步骤8之后还可以包括：
[0099]
基于识别准确率评估模型，利用多类别非合作目标小样本测试集对分 类器的识别准确率进行评估，以得到评估结果,即：
[0100][0101]
其中，l
meta
为损失函数，m为平均类别准确率(mean class accuracy, mca)，其具体计算方法为:
[0102][0103]
其中，m为平均类别准确率，n为类别个数，m
i
为类别i的样本量，t
i
为类别i中正确分类的个数。
[0104]
以下通过实际检测方法，对本发明的技术效果作进一步说明：
[0105]
1)本实例建模平台cpu为i7
‑
4770，cpu主频为3.40ghz，内存为32gb、 显卡为nvida geforce gtx1070，显存为6g，系统为windows 7(64bit)。
[0106]
2)编译环境为pycharm community 2020.1和matlab r2015a，python 为3.7.1。所使用的框架为：pytorch 1.1.0，cuda 9.0，所使用的主要的库为： numpy 1.19.1，scikit
‑
learn 0.23.2，scipy 1.5.2，matplotlib 3.3.2。
[0107]
3)数据仿真：为了验证本发明基于hrrp的非合作目标小样本识别方 法的有效性，首先通过三维制图软件solidworks2018构建50类飞机3d模 型(为了方便起见，也可以直接下载所需要的飞机3d模型)，然后通过高频 电磁计算软件cst studio suite对该50类飞机模型进行电磁仿真，得到 飞机目标的宽带电磁散射数据，对该数据进行傅里叶变换(fft)，进而得到 飞机模型的一维距离像(hrrp)，仿真参数如表1所示。对50类飞机在84 度俯仰角下进行电磁计算，每类目标的每个俯仰角有3200个hrrp样本， 每类目标的方位角覆盖10.05度到90度，图3展示了50类飞机中部分飞机 的三维模型及对应的一维距离像。
[0108]
表1电磁散射计算参数
[0109][0110]
为了克服hrrp敏感性问题，对所得到的一维距离像数据进行能量归一、 重心对齐处理，得到预处理之后的一维距离像。
[0111]
4)非合作目标小样本识别任务设置：从50类飞机目标的hrrp样本中 随机选择45类作为训练数据集d
m
，其余5类作为非合作目标测试数据集， 用于构建测试任务数据集t。利用训练集d
m
训练得到第g代特征提取器φ
g
， 通过测试集构造500个不同的小样本识别任务t，其中每个小样本识别任 务由元训练集和元测试集构成。具体而言，从5类测试集飞机样 本中，每类随机抽取k个带标签的样本(k分别等于1、5、10样本进行效果 对比)作为元训练集用于学习这5类库外非合作目标的分类器；从5 类中每类随机抽取与元训练集不重叠的75个样本作为元测试集用于 评估元训练集所训练的关于库外非合作目标的分类器性能，再次注意， 和互不相交；
[0112]
5)模型结构设置参照具体实施方案；
[0113]
6)使用svm和logistic作为分类器，对比分析在k等于1、5和10 个样本的条件下，非合作(库外)目标的识别结果，并与传统的svm、logistic、agc和cnn
‑
fc方法进行对比，实验结果如下：
[0114]
表2小样本识别方法准确率结果对比
[0115][0116]
模型对5类非合作飞机目标进行识别，不训练模型进行随机猜测的识 别正确率为20％。如表2所示，svm和logistic具备对非合作目标小样本 识别的能力，并且随着样本数增多，其识别能力提升明显。以svm为例， 每类10个样本时的性能较每类1个样本的性能提高超过19％；而agc则 由于样本维度远高于样本数量，导致其协方差矩阵估计较差，其性能远低 于其他两种浅层的基线模型。cnn
‑
fc这种基于非合作目标微调分类器的 方法在每类样本数不超过10的情况下其识别准确率约为20％左右，因此不 具备识别能力，这说明这类具有闭式解的线性分类器(浅层模型)在小样本非 合作目标识别任务中较基于新数据微调的深度模型更鲁棒。另一方面，本 发明所提cnnkd
‑
logistic和cnnkd
‑
svm方法相较于浅层模型svm和 logistic，在1个样本的实验中准确率分别提高了19.03％和17.44％，在5 个样
本的实验中准确率分别提高了16.51％和20.4％，在10个样本的实验中 准确率分别提高了14.38％和19.75％，由此可见，本发明相较于svm和 logistic方法其识别准确率更高，这说明模型知识蒸馏有利于模型学习到更 具泛化能力的关于非合作目标的特征表示。
[0117]
最后，通过t
‑
sne可视化方法对5样本条件下训练好的svm、logistic、 agc、cnn
‑
fc、cnnkd
‑
logistic以及cnnkd
‑
svm模型在相应的hrrp 测试样本上对其预测类别分布情况进行可视化展示，从而定性的对表2得 到的数值结果进行解释。可视化结果如图4所示，三角形、正方形、圆点、 十字星和五角星这5种不同形状分别代表5种不同类别的非合作目标的样 本点，svm、logistic、agc以及cnn
‑
fc的5类样本点分布杂乱，聚集 性弱，cnnkd
‑
logistic和cnnkd
‑
svm的5类样本点分布整齐，聚集性 强。因此，在非合作目标小样本识别问题中，本发明较其他基线方法相比， 识别能力最强。
[0118]
本发明通过模型知识蒸馏机制，进一步提高了特征提取器的泛化能力， 通过特征提取器对非合作小样本目标特征提取之后，采用具有闭式解的线 性算法训练分类器，与现有技术相比，有效提高了目标识别模型的准确率， 并且对新的非合作目标，仅需要重新训练浅层线性分类器即可，无需重新 训练特征提取器，节省了计算开支。
[0119]
本发明采用卷积神经网络模型知识蒸馏机制训练得到特征提取器，解 决了传统特征提取方法需要多批次计算且由于需要相关领域较深的知识经 验所导致的较大不确定性的问题。
[0120]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或 示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施 例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相 同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在 任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技 术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0121]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保 护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及 所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求 中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一 个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举 的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表 示这些措施不能组合起来产生良好的效果。
[0122]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简 单推演或替换，都应当视为属于本发明的保护范围。