一种基于声纹和ASR技术对空跑刷单进行筛选的方法及装置与流程

一种基于声纹和asr技术对空跑刷单进行筛选的方法及装置
技术领域
1.本发明涉及网约车刷单的筛选方法的技术领域，具体涉及一种基于声纹和asr技术对空跑刷单进行筛选的方法及装置。


背景技术：

2.随着互联网的发展，人们的出行方式也随之改变，其中，网约车业务由于其便捷性和及时性受到不断推广。在网约车平台推广网约车服务的过程中，为了调动司机接收网约车订单的热情，通常会采用在早晚高峰时间或者进行每日单量限制时进行相应的司机补贴，或者根据司机的订单量和绩效发放补贴，通常，司机发放的补贴根据网约车的订单情况来确定。
3.但是，部分网约车司机为了获取补贴，会采取各种作弊行为，其中最为常见的是利用空跑刷单来获取补贴，导致网约车异常运行。在传统的互联网约车刷单筛选排查中，司机通过作弊行为实现网约车空跑刷单的订单，需要对完成后的订单进行分析来进行刷单情况的确定，对司机的监控是很难进行的，并且，现有技术中订单分析的方法常常会出现误差，且取证方式不完善使得无法获得直接的证据，极大地影响了网约车运行状态的判断结果。
4.申请人经过对网约车领域的研究后发现，在现有的针对网约车司机进行刷单的风险识别的方法中，工作量较大，使得筛选识别的效率较低，且容易出现筛选误差，影响司机的体验。为此，亟需发明一种效率高且准确性高的用于筛选网约车司机空跑刷单的方法。


技术实现要素：

5.为了克服上述现有的网约车刷单识别方法效率低准确性低的技术缺陷，本发明提供一种基于声纹和asr技术对空跑刷单进行筛选的方法及装置。
6.为了解决上述问题，本发明按以下技术方案予以实现的：
7.第一方面，本发明公开一种基于声纹和asr技术对空跑刷单进行筛选的方法，包括如下步骤：
8.获取网约车订单对应的行程录音数据；
9.对行程录音数据进行声纹分析，获取声纹数据；
10.基于asr技术对行程录音数据进行处理，获取语音文本数据；
11.将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，获取场景识别结果；
12.基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签；
13.将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
14.作为优选实施，所述获取场景识别结果，具体包括：
15.启动场景识别模型，将行程录音数据、声纹数据和语音文本数据分别输入至串联
运行的多个场景识别模型中，具体包括空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，其中，空载场景识别模型中包括用于识别各种空载情况的若干个空载模型，基于行程录音和语音文本数据进行语义分析，以获取空载情况；转向灯场景识别模型中包括用于识别不同转向灯情况的若干个转向灯模型，基于转向灯提示音的声纹与声纹数据进行匹配度比对，以获取转向灯情况；车内人数场景识别模型中包括若干个乘客人数模型，对行程录音数据和声纹数据中人类声纹数量进行分析，并通过对语音文本数据的语义进行分析，以获取车内人数情况；导航声音场景识别模型包括若干个导航声音模型，基于导航声音的声纹对声纹数据进行声纹分析，并对导航声音相应的语音文本数据进行语义分析，以获取导航情况；并行处理空载情况、转向灯情况、乘客人数情况和导航情况后，输出相应的场景识别结果。
16.作为优选实施，所述将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签，具体包括：
17.在获取基于多个串联运行的场景识别模型的场景识别结果所生成的场景标签后，运行刷单识别模型，将场景标签中以及该网约车订单对应的声纹数据和语音文本数据输入到刷单识别模型中，刷单识别模型基于声纹数据和语音文本数据进行刷单识别，结合网约车订单数据重新对场景标签进行核实和修正，生成并输出对应的刷单风险标签，将刷单风险标签添加至对应的网约车订单。
18.作为优选实施，所述对行程录音数据进行声纹分析，获取声纹数据，具体包括：
19.预先将网约车订单对应司机的声纹注册至声纹数据库中，将行程录音数据输入声纹模型中，分析出行程录音中声纹的数量和类型，将其中的转向灯提示音声纹、导航声音声纹和人类声音声纹进行提取，通过声纹匹配将人类声音声纹中的司机声纹去除，以获取乘客声纹，将转向灯提示音声纹、导航声音声纹和乘客声纹整合成声纹数据。
20.作为优选实施，所述基于asr技术对行程录音数据进行处理，获取语音文本数据，具体包括：
21.将行程录音数据输入至asr模型中，asr模型将行程录音数据转换为对应的文字，以形成语音文本数据。
22.第二方面，本发明还公开一种基于声纹和asr技术对空跑刷单进行筛选的装置，包括录音获取模块、声纹分析模块、文本转换模块、场景识别模块、场景标签模块和刷单识别模块，具体包括：
23.录音获取模块用于获取网约车订单对应的行程录音数据；
24.声纹分析模块用于对行程录音数据进行声纹分析，获取声纹数据；
25.文本转换模块用于基于asr技术对行程录音数据进行处理，获取语音文本数据；
26.场景识别模块用于将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，获取场景识别结果；
27.场景标签模块用于基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签；
28.刷单识别模块用于将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
29.作为优选实施，所述场景识别模块运行时，具体执行：
30.启动场景识别模型，将行程录音数据、声纹数据和语音文本数据分别输入至串联运行的多个场景识别模型中，具体包括空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，其中，空载场景识别模型中包括用于识别各种空载情况的若干个空载模型，基于行程录音和语音文本数据进行语义分析，以获取空载情况；转向灯场景识别模型中包括用于识别不同转向灯情况的若干个转向灯模型，基于转向灯提示音的声纹与声纹数据进行匹配度比对，以获取转向灯情况；车内人数场景识别模型中包括若干个乘客人数模型，对行程录音数据和声纹数据中人类声纹数量进行分析，并通过对语音文本数据的语义进行分析，以获取车内人数情况；导航声音场景识别模型包括若干个导航声音模型，基于导航声音的声纹对声纹数据进行声纹分析，并对导航声音相应的语音文本数据进行语义分析，以获取导航情况；并行处理空载情况、转向灯情况、乘客人数情况和导航情况后，输出相应的场景识别结果。
31.作为优选实施，所述刷单识别模块运行时，具体执行：
32.在获取基于多个串联运行的场景识别模型的场景识别结果所生成的场景标签后，运行刷单识别模型，将场景标签中以及该网约车订单对应的声纹数据和语音文本数据输入到刷单识别模型中，刷单识别模型基于声纹数据和语音文本数据进行刷单识别，结合网约车订单数据重新对场景标签进行核实和修正，生成并输出对应的刷单风险标签，将刷单风险标签添加至对应的网约车订单。
33.作为优选实施，所述声纹分析模块运行时，具体执行：
34.预先将网约车订单对应司机的声纹注册至声纹数据库中，将行程录音数据输入声纹模型中，分析出行程录音中声纹的数量和类型，将其中的转向灯提示音声纹、导航声音声纹和人类声音声纹进行提取，通过声纹匹配将人类声音声纹中的司机声纹去除，以获取乘客声纹，将转向灯提示音声纹、导航声音声纹和乘客声纹整合成声纹数据。
35.作为优选实施，所述文本转换模块运行时，具体执行：
36.将行程录音数据输入至asr模型中，asr模型将行程录音数据转换为对应的文字，以形成语音文本数据。
37.与现有技术相比，本发明的有益效果是：
38.本发明通过使行程录音数据结合由行程录音数据转换而成的声纹数据和语音文本数据，输入至采用串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，多维度地对网约车订单进行刷单风险分析，以实现高效且准确的网约车订单刷单识别，以降低刷单行为对网约车平台造成的损失，同时降低刷单误判率，提高司机的体验。
附图说明
39.下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
40.图1是本发明的基于声纹和asr技术对空跑刷单进行筛选的方法的流程示意图；
41.图2是本发明的基于声纹和asr技术对空跑刷单进行筛选的装置的示意图。
具体实施方式
42.下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
43.在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
44.实施例1
45.如图1所示，第一方面，本发明实施例公开一种基于声纹和asr技术对空跑刷单进行筛选的方法，具体包括以下步骤：
46.步骤s1：获取网约车订单对应的行程录音数据。
47.具体地，服务器从订单数据库中获取网约车订单，然后从录音数据库中获取与网约车订单相对应的行程录音数据，行程录音数据为司机端或车载终端在网约车订单实现过程中录制的车内声音。
48.步骤s2：对行程录音数据进行声纹分析，获取声纹数据。
49.具体地，服务器预先将网约车订单对应司机的声纹注册至声纹数据库中，将行程录音数据输入声纹模型中，分析出行程录音中声纹的数量和类型，将其中的转向灯提示音声纹、导航声音声纹和人类声音声纹进行提取，通过声纹匹配将人类声音声纹中的司机声纹去除，以获取乘客声纹，将转向灯提示音声纹、导航声音声纹和乘客声纹整合成声纹数据。
50.步骤s3：基于asr技术对行程录音数据进行处理，获取语音文本数据。
51.具体地，服务器将行程录音数据输入至asr模型中，asr模型将行程录音数据转换为对应的文字，以形成语音文本数据。
52.步骤s4：将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，获取场景识别结果。
53.具体地，服务器启动场景识别模型，将行程录音数据、声纹数据和语音文本数据分别输入至串联运行的多个场景识别模型中，具体包括空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型。
54.其中，空载场景识别模型中包括用于识别各种空载情况的若干个空载模型，基于行程录音和语音文本数据进行语义分析，以获取空载情况；
55.转向灯场景识别模型中包括用于识别不同转向灯情况的若干个转向灯模型，基于转向灯提示音的声纹与声纹数据进行匹配度比对，判断转向灯与行驶路径是否存在不匹配的情况，以获取转向灯情况；
56.车内人数场景识别模型中包括若干个乘客人数模型，对行程录音数据和声纹数据中人类声纹数量进行分析，并通过对语音文本数据的语义进行分析，以获取车内人数情况；
57.导航声音场景识别模型包括若干个导航声音模型，基于导航声音的声纹对声纹数据进行声纹分析，并对导航声音相应的语音文本数据进行语义分析，以获取导航情况；
58.最后，并行处理由空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型输出的空载情况、转向灯情况、乘客人数情况和导航情况后，输出相应的场景识别结果。此外，综合转向灯情况和导航情况，能判断出网约车订单应走轨迹与实际行驶轨迹之间的匹配程度，筛选出其中转向灯和导航与网约车订单应走轨迹不匹配的网约车订单，进一步地进行网约车的实际行驶轨迹与网约车订单应走轨迹之间的匹配，以筛选出刷单的情况。
59.步骤s5：基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签。
60.具体地，服务器基于场景识别结果，分析场景识别结果中的具体刷单风险的情况，对至少一项存在风险的网约车订单定义为存在刷单风险的网约车订单，对存在刷单风险的网约车订单生成对应的场景标签。
61.步骤s6：将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
62.具体地，服务器在获取基于多个串联运行的场景识别模型的场景识别结果所生成的场景标签后，运行刷单识别模型，将场景标签中以及该网约车订单对应的声纹数据和语音文本数据输入到刷单识别模型中，刷单识别模型基于声纹数据和语音文本数据进行刷单识别，结合网约车订单数据重新对场景标签进行核实和修正，生成并输出对应的刷单风险标签，将刷单风险标签添加至对应的网约车订单。
63.其中，具有刷单风险标签的网约车订单将进入到刷单风险数据库中，可以进一步地进行人工复核，基于人工复核的结果为最终判断结果，对刷单的司机进行相应的刷单处罚。
64.综上所述，本发明所述的基于声纹和asr技术对空跑刷单进行筛选的方法的工作原理是，通过使行程录音数据结合由行程录音数据转换而成的声纹数据和语音文本数据，输入至采用串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，多维度地对网约车订单进行刷单风险分析，以实现高效且准确的网约车订单刷单识别，以降低刷单行为对网约车平台造成的损失，同时降低刷单误判率，提高司机的体验。
65.本实施例所述的基于声纹和asr技术对空跑刷单进行筛选的方法的其它步骤参见现有技术。
66.实施例2
67.如图2所示，第二方面，本发明实施例公开一种基于声纹和asr技术对空跑刷单进行筛选的装置，包括录音获取模块m1、声纹分析模块m2、文本转换模块m3、场景识别模块m4、场景标签模块m5和刷单识别模块m6，具体包括：
68.录音获取模块m1用于获取网约车订单对应的行程录音数据；
69.声纹分析模块m2用于对行程录音数据进行声纹分析，获取声纹数据；
70.文本转换模块m3用于基于asr技术对行程录音数据进行处理，获取语音文本数据；
71.场景识别模块m4用于将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识
别模型，获取场景识别结果；
72.场景标签模块m5用于基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签；
73.刷单识别模块m6用于将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
74.作为本实施例的优选实施，所述场景识别模块m4运行时，具体执行：启动场景识别模型，将行程录音数据、声纹数据和语音文本数据分别输入至串联运行的多个场景识别模型中，具体包括空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，其中，空载场景识别模型中包括用于识别各种空载情况的若干个空载模型，基于行程录音和语音文本数据进行语义分析，以获取空载情况；转向灯场景识别模型中包括用于识别不同转向灯情况的若干个转向灯模型，基于转向灯提示音的声纹与声纹数据进行匹配度比对，以获取转向灯情况；车内人数场景识别模型中包括若干个乘客人数模型，对行程录音数据和声纹数据中人类声纹数量进行分析，并通过对语音文本数据的语义进行分析，以获取车内人数情况；导航声音场景识别模型包括若干个导航声音模型，基于导航声音的声纹对声纹数据进行声纹分析，并对导航声音相应的语音文本数据进行语义分析，以获取导航情况；并行处理空载情况、转向灯情况、乘客人数情况和导航情况后，输出相应的场景识别结果。
75.进一步地，所述刷单识别模块m6运行时，具体执行：在获取基于多个串联运行的场景识别模型的场景识别结果所生成的场景标签后，运行刷单识别模型，将场景标签中以及该网约车订单对应的声纹数据和语音文本数据输入到刷单识别模型中，刷单识别模型基于声纹数据和语音文本数据进行刷单识别，结合网约车订单数据重新对场景标签进行核实和修正，生成并输出对应的刷单风险标签，将刷单风险标签添加至对应的网约车订单。
76.作为优选的实施方式，所述声纹分析模块m2运行时，具体执行：预先将网约车订单对应司机的声纹注册至声纹数据库中，将行程录音数据输入声纹模型中，分析出行程录音中声纹的数量和类型，将其中的转向灯提示音声纹、导航声音声纹和人类声音声纹进行提取，通过声纹匹配将人类声音声纹中的司机声纹去除，以获取乘客声纹，将转向灯提示音声纹、导航声音声纹和乘客声纹整合成声纹数据。所述文本转换模块m3运行时，具体执行：将行程录音数据输入至asr模型中，asr模型将行程录音数据转换为对应的文字，以形成语音文本数据。
77.综上所述，本发明实施例所述的基于声纹和asr技术对空跑刷单进行筛选的装置在运行时，能实现实施例1所述的基于声纹和asr技术对空跑刷单进行筛选的方法的全部步骤。
78.本实施例所述的基于声纹和asr技术对空跑刷单进行筛选的装置的其它结构参见现有技术。
79.实施例3
80.本发明还公开一种电子设备，至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，所述至少一个处理器执行指令时，具体实现以下的步骤：获取网约车订单对应的行程录音数据；对行程录音数据进行声纹分析，获取声纹数据；基于asr技
术对行程录音数据进行处理，获取语音文本数据；将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，获取场景识别结果；基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签；将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
81.实施例4
82.本发明还公开一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，具体实现以下步骤：获取网约车订单对应的行程录音数据；对行程录音数据进行声纹分析，获取声纹数据；基于asr技术对行程录音数据进行处理，获取语音文本数据；将行程录音数据、声纹数据和语音文本数据分别输入串联运行的空载场景识别模型、转向灯场景识别模型、车内人数场景识别模型和导航声音场景识别模型，获取场景识别结果；基于场景识别结果，对存在刷单风险的网约车订单生成对应的场景标签；将网约车订单对应的场景标签和网约车订单数据输入刷单识别模型中进行刷单识别，基于刷单识别的结果输出对应的刷单风险标签。
83.本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
84.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
85.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
86.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，上述编程语言包括面向对象的编程语言—诸如smalltalk、c 、java等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网
络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
87.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
88.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
89.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
90.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
91.以上已经描述了本公开的各实施方式，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。