一种信源入射位置确定方法、装置及电子设备和存储介质与流程

1.本技术涉及通信技术领域，更具体地说，涉及一种信源入射位置确定方法、装置及一种电子设备和一种计算机可读存储介质。


背景技术：

2.近年来，波达方向（doa, direction of arrival）估计算法被广泛应用于雷达、声纳以及通信等领域之中。传统的基于稀疏信号重构与压缩感知理论的doa估计算法（稀疏类doa估计算法），利用空间角度域的离散化处理，将入射信源扩展为稀疏信号，再根据离散网格所对应的导向矢量矩阵对天线阵列接收信号数据进行稀疏信号重构。在压缩感知理论中，存在着许多性能优越的稀疏信号重构算法，例如贪婪算法、正交匹配追踪（omp，orthogonal matching pursuit）算法等。
3.但是，由于网格离散化处理所带来的算法模型误差却严重制约着稀疏信号重构算法的估计精度。这主要是由于真实的入射信源方向与预先设置好的空间离散网格之间存在的偏差所导致的。在稀疏类doa估计算法中，上述问题被称为网格失配问题。另外，稀疏信号重构算法都是建立在过完备字典中各个原子之间完全正交的前提之下。而对于doa估计问题，相邻的原子表示两个距离十分接近的网格所对应的空间导向适量。所以，随着网格间距的减小相邻原子之间的相关性将逐渐趋近于1，并不再满足正交的关系，这无疑也会严重影响稀疏类doa估计算法的性能。
4.显然，不论是由于网格偏差所带来的网格失配问题，还是过完备字典中相邻原子间相关性过高的问题，都属于算法模型误差，对基于模型驱动的稀疏类doa估计算法的性能影响严重。基于深度神经网络（dnn，deep neural network）的稀疏类doa估计算法，能够有效地降低网格失配与相邻原子之间相关性过高对算法性能的影响。
5.然而，现有的基于深度学习的稀疏类doa估计算法采用的均是有监督的学习策略，需要大量已知且经过校准的参考信源作为训练数据集。由于天线阵列形式以及空间电磁环境的多样性，所以这种参考信源极难获得，并且适用的应用场景具有局限性，从而使得基于有监督学习策略的稀疏类doa估计算法的适用性较差。
6.因此，如何提高基于深度学习的稀疏类doa估计算法的适用性是本领域技术人员需要解决的技术问题。


技术实现要素：

7.本技术的目的在于提供一种信源入射位置确定方法、装置及一种电子设备和一种计算机可读存储介质，提高了基于深度学习的稀疏类doa估计算法的适用性。
8.为实现上述目的，本技术提供了一种信源入射位置确定方法，包括：利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集；利用所述训练数据集对神经网络模型进行无监督训练，训练完成的神经网络模型
用于确定目标数据的信源入射位置。
9.其中，所述利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集，包括：利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成多个训练数据；在每个所述训练数据中，在第一预设范围内随机选择信噪比，在第二预设范围内随机选择入射信源角度，以生成多拍满足高斯分布的信号与噪声；计算所述天线阵列接收信号的协方差矩阵，对所述协方差矩阵进行向量化处理得到向量化结果，并利用所述向量化结果生成训练数据集。
10.其中，所述利用所述训练数据集对神经网络模型进行无监督训练，包括：将空间角度域均匀划分为多个网格，并计算网格阵列流型矩阵；在每次训练过程中，在所述训练数据集中选取多个训练样本，利用所述训练样本对神经网络模型进行无监督训练，基于所述神经网络模型输出的重构稀疏信号向量和所述网格阵列流型矩阵计算损失函数的损失值，向所述损失函数下降的方向更新所述神经网络模型的网络参数；当训练次数达到预设数量时，保存当前的网络参数，得到训练完成的神经网络模型。
11.其中，向所述损失函数下降的方向更新所述神经网络模型的网络参数，包括：通过计算所述损失函数的梯度确定所述损失函数下降的方向，以更新所述神经网络模型的网络参数。
12.其中，所述损失函数具体为：；其中，损失值，z为所述神经网络模型输出的重构稀疏信号向量，a为所述网格阵列流型矩阵，为正则化参数，为噪声容限参数，表示khatri-rao积运算，为矩阵共轭运算符。
13.其中，所述神经网络模型包括依次连接的多个卷积层、多个全链接层和输出层。
14.其中，还包括：获取所述目标数据，确定所述目标数据中天线阵列接收信号的目标协方差矩阵，对所述目标协方差矩阵进行向量化处理得到目标向量化结果；将所述目标向量化结果输入训练完成的神经网络模型中，输出重构的目标稀疏信号向量，并基于所述目标稀疏信号向量确定信源入射位置。
15.为实现上述目的，本技术提供了一种信源入射位置确定装置，包括：生成模块，用于利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集；训练模块，用于利用所述训练数据集对神经网络模型进行无监督训练，训练完成的神经网络模型用于确定目标数据的信源入射位置。
16.为实现上述目的，本技术提供了一种电子设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述信源入射位置确定方法的步骤。
17.为实现上述目的，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述信源入射位置确定方法的步骤。
18.通过以上方案可知，本技术提供的一种信源入射位置确定方法，包括：利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集；利用所述训练数据集对神经网络模型进行无监督训练，训练完成的神经网络模型用于确定目标数据的信源入射位置。
19.在本技术中，利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中从而随机生成训练数据集，不再依赖真实、经过校准的已知参考信源所形成的训练数据集，且采用无监督的学习策略训练神经网络模型，提高了基于深度学习的稀疏类doa估计算法的适用性。本技术还公开了一种信源入射位置确定装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
20.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。
附图说明
21.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1为根据一示例性实施例示出的一种信源入射位置确定方法的流程图；图2为根据一示例性实施例示出的一种神经网络模型的结构图；图3为根据一示例性实施例示出的一种均方根误差随信噪比的变化曲线；图4为根据一示例性实施例示出的一种均方根误差随快拍数的变化曲线；图5为根据一示例性实施例示出的一种信源入射位置确定装置的结构图；图6为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。另外，在本技术实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
23.本技术实施例公开了一种信源入射位置确定方法，提高了基于深度学习的稀疏类doa估计算法的适用性。
24.稀疏信号重构问题的数学模型：考虑空间中存在个独立的远场窄带信号，入射到具有个阵元的均匀线阵之上，并且满足关系k＜m，则天线阵列接收单快拍信号的数学模型可以被表示为：，其中，表示快拍t时的信号向量，为快拍t时的加性高斯白噪声。为阵列流型矩阵，其中导向矢量的具体形式为：；其中，表示虚数符号，表示矩阵的转置运算。
25.假设入射信源之间相互独立，则天线阵列接收信号多块拍数据的协方差矩阵为：；其中，表示矩阵的共轭转置运算，为m维的单位矩阵。表示第k个入射信源的能量，k=1,
…
,k，为噪声方差。
26.对天线阵列接收信号进行离散化处理，将的空间角度域均匀划分成个网格，并且满足条件。则天线阵列接收单快拍数据的离散化表示为：，其中，为空间角度域离散网格所对应的流型矩阵，每个网格点处所对应的导向矢量的具体形式与上述相一致。而经过离散化处理后的信号向量的具体形式为：同样还是在入射信源独立不相关的假设前提下，离散化处理后的天线阵列接收多块拍信号的协方差矩阵可以被表示为：
；对上述协方差矩阵进行向量化处理，可以得到：；其中，表示khatri-rao积运算，为矩阵共轭运算符。
27.参见图1，根据一示例性实施例示出的一种信源入射位置确定方法的流程图，如图1所示，包括：s101：利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集；在本实施例中，利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中从而生成训练数据集，其中包括多个天线阵列接收信号的协方差矩阵的向量化结果，也即上式中的y。
28.作为一种可行的实施方式，本步骤包括：利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成多个训练数据；在每个所述训练数据中，在第一预设范围内随机选择信噪比，在第二预设范围内随机选择入射信源角度，以生成多拍满足高斯分布的信号与噪声；计算所述天线阵列接收信号的协方差矩阵，对所述协方差矩阵进行向量化处理得到向量化结果，并利用所述向量化结果生成训练数据集。
29.在具体实施中，首先利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中生成多个训练数据，例如，采用采用10阵元的均匀线形天线阵列，估计空间中4个独立不相关的入射信源，共生成60000个训练数据。其次，在每个训练数据中，在第一预设范围内随机选择信噪比，在第二预设范围内随机选择入射信源角度，以生成多拍满足高斯分布的信号与噪声，例如，在每个训练数据中，信噪比在0db-20db之间随机取值，入射信源的角度在-60
°
到60
°
之间随机选取，最小的相邻入射信源之间的角度间隔大于10
°
，生成100快拍的满足高斯分布随机的信号与噪声。最后，计算天线阵列接收信号的协方差矩阵，并对其进行向量化处理，利用向量化结果生成训练数据集。
30.s102：利用所述训练数据集对神经网络模型进行无监督训练，训练完成的神经网络模型用于确定目标数据的信源入射位置。
31.在本步骤中，以向量化后的天线阵列接收信号多块拍数据y输入神经网络模型中，输出重构的稀疏信号向量，则doa估计问题可以被转换为如下的一个稀疏信号重构问题：
；其中，为噪声容限参数。
32.也即，对于来说，y是已知的，神经网络模型用于预测，神经网络模型的输出即为。
33.作为一种可行的实施方式，所述神经网络模型包括依次连接的多个卷积层、多个全链接层和输出层。一种具体的神经网络模型如图2所示，采用6层深度学习网络结构，其中前三层为卷积神经网络，可以分别采用4个、8个以及16个不同的随机卷积核与该层的输入数据进行卷积操作，每层中各个卷积核的尺寸均为3，激活函数可以均采用tanh。第四层与第五层采用全链接网络，尺寸可以分别为800与400，激活函数可以均采用tanh，并在每层后进行5倍降采样操作，以达到为整个网络结构降维的目的。最后一层为输出层，也采用全链接网络，不采用激活函数，尺寸应与网格数目相同。利用网络的输出结果与输入的协方差数据，计算代价函数，然后通过adam优化器完成代价函数的梯度计算，找到代价函数的下降方向，计算下次训练过程的网络参数，从而最终达到更新网络参数的目的。
34.作为一种可行的实施方式，所述利用所述训练数据集对神经网络模型进行无监督训练，包括：将空间角度域均匀划分为多个网格，并计算网格阵列流型矩阵；在每次训练过程中，在所述训练数据集中选取多个训练样本，利用所述训练样本训练神经网络模型，基于所述神经网络模型输出的重构稀疏信号向量和所述网格阵列流型矩阵计算损失函数的损失值，向所述损失函数下降的方向更新所述神经网络模型的网络参数；当训练次数达到预设数量时，保存当前的网络参数，得到训练完成的神经网络模型。
35.在具体实施中，首先计算网格阵列流型矩阵a，本实施例将-90
°
至90
°
均匀划分为网格间距为1
°
的等间距空间角度网格，即网格数目为181，计算矩阵。其次，在每次训练过程中，在所述训练数据集中选取多个训练样本输入神经网络模型，例如，在60000个训练数据中每次随机选取200个训练样本输入网络，利用网络的输出与随机选取的200个训练数据。进一步的，计算损失函数的损失值，通过adam优化器计算损失函数的梯度确定损失函数下降的方向，以更新神经网络模型的网络参数。最后，当训练次数达到预设数量时，保存当前的网络参数，得到训练完成的神经网络模型，例如可以设置设置最大学习过程迭代次数为300，若当前学习迭代未达到300，则对训练数据重新洗牌，重复选取训练样本进行训练，若已经达到最大迭代次数，则停止训练，保存当前的网络参数。
36.优选的，所述损失函数具体为：；其中，损失值，z为所述神经网络模型输出的重构稀疏信号向量，a为所述网格阵列流型矩阵，为正则化参数，为噪声容限参数，表示khatri-rao积运算，为
矩阵共轭运算符。
37.利用训练完成的神经网络模型确定目标数据的信源入射位置的过程为：获取所述目标数据，确定所述目标数据中天线阵列接收信号的目标协方差矩阵，对所述目标协方差矩阵进行向量化处理得到目标向量化结果；将所述目标向量化结果输入训练完成的神经网络模型中，输出重构的目标稀疏信号向量，并基于所述目标稀疏信号向量确定信源入射位置。
38.在具体实施中，目标数据可以为随机生成的数据也可以为真实的数据，在此不进行具体限定。对目标数据中天线阵列接收信号的目标协方差矩阵进行向量化处理得到目标向量化结果，将目标向量化结果输入训练完成的神经网络模型中，输出重构的目标稀疏信号向量，目标稀疏信号向量的维度与网格数量相同，也即每个网格在目标稀疏信号向量对应一个元素，目标稀疏信号向量中元素值为1对应的网格即为信源入射位置。
39.在本技术实施例中，利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中从而随机生成训练数据集，不再依赖真实、经过校准的已知参考信源所形成的训练数据集，且采用无监督的学习策略训练神经网络模型，提高了基于深度学习的稀疏类doa估计算法的适用性。
40.本实施例所提出的基于无监督学习策略的稀疏类doa估计算法，分别与基于模型驱动的算法（子空间类算法music（multiple signal classification）、稀疏类算法-svd）、基于有监督学习策略的稀疏类doa估计算法等三种经典的doa估计算法进行对比。
41.依然采用10阵元的均匀线形天线阵列，估计空间中4个独立不相关的入射信源。入射信源的角度选取方法与训练数据集生成过程的方法相同。固定快拍数为100，信噪比由0db均匀变化至20db，步长为5db，做2000次mote-carlo实验，统计每个信噪比下上述四种算法的均方根误差（rmse，root mean square error），统计结果图3所示。然后，固定信噪比为10db，快拍数分别取10，20，50，100，150与200，每个快拍数下同样做2000次mote-carlo实验，统计每个快拍数下下上述四种算法的均方根误差，统计结果如图4所示。
42.下面对本技术实施例提供的一种信源入射位置确定装置进行介绍，下文描述的一种信源入射位置确定装置与上文描述的一种信源入射位置确定方法可以相互参照。
43.参见图5，根据一示例性实施例示出的一种信源入射位置确定装置的结构图，如图5所示，包括：生成模块501，用于利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成训练数据集；训练模块502，用于利用所述训练数据集对神经网络模型进行无监督训练，训练完成的神经网络模型用于确定目标数据的信源入射位置。
44.在本技术实施例中，利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中从而随机生成训练数据集，不再依赖真实、经过校准的已知参考信源所形成的训练数据集，且采用无监督的学习策略训练神经网络模型，提高了基于深度学习的稀疏类doa估计算法的适用性。
45.在上述实施例的基础上，作为一种优选实施方式，所述生成模块501包括：第一生成单元，用于利用空间中第一预设数量的独立的信源入射到第二预设数量的阵元的均匀线形天线阵列中，生成多个训练数据；
第二生成单元，用于在每个所述训练数据中，在第一预设范围内随机选择信噪比，在第二预设范围内随机选择入射信源角度，以生成多拍满足高斯分布的信号与噪声；第三生成单元，用于计算所述天线阵列接收信号的协方差矩阵，对所述协方差矩阵进行向量化处理得到向量化结果，并利用所述向量化结果生成训练数据集。
46.在上述实施例的基础上，作为一种优选实施方式，所述训练模块502包括：计算单元，用于将空间角度域均匀划分为多个网格，并计算网格阵列流型矩阵；更新单元，用于在每次训练过程中，在所述训练数据集中选取多个训练样本，利用所述训练样本对神经网络模型进行无监督训练，基于所述神经网络模型输出的重构稀疏信号向量和所述网格阵列流型矩阵计算损失函数的损失值，向所述损失函数下降的方向更新所述神经网络模型的网络参数；保存单元，用于当训练次数达到预设数量时，保存当前的网络参数，得到训练完成的神经网络模型。
47.在上述实施例的基础上，作为一种优选实施方式，所述更新单元具体用于在每次训练过程中，在所述训练数据集中选取多个训练样本，利用所述训练样本对神经网络模型进行无监督训练，基于所述神经网络模型输出的重构稀疏信号向量和所述网格阵列流型矩阵计算损失函数的损失值，通过计算所述损失函数的梯度确定所述损失函数下降的方向，以更新所述神经网络模型的网络参数。
48.在上述实施例的基础上，作为一种优选实施方式，所述损失函数具体为：；其中，损失值，z为所述神经网络模型输出的重构稀疏信号向量，a为所述网格阵列流型矩阵，为正则化参数，为噪声容限参数，表示khatri-rao积运算，为矩阵共轭运算符。
49.在上述实施例的基础上，作为一种优选实施方式，所述神经网络模型包括依次连接的多个卷积层、多个全链接层和输出层。
50.在上述实施例的基础上，作为一种优选实施方式，还包括：获取模块，用于获取所述目标数据，确定所述目标数据中天线阵列接收信号的目标协方差矩阵，对所述目标协方差矩阵进行向量化处理得到目标向量化结果；确定模块，用于将所述目标向量化结果输入训练完成的神经网络模型中，输出重构的目标稀疏信号向量，并基于所述目标稀疏信号向量确定信源入射位置。
51.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
52.基于上述程序模块的硬件实现，且为了实现本技术实施例的方法，本技术实施例还提供了一种电子设备，图6为根据一示例性实施例示出的一种电子设备的结构图，如图6所示，电子设备包括：通信接口1，能够与其它设备比如网络设备等进行信息交互；处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的信源入射位置确定方法。而所述计算机程序存
储在存储器3上。
53.当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统4。
54.本技术实施例中的存储器3用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。
55.可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（rom，read only memory）、可编程只读存储器（prom，programmable read-only memory）、可擦除可编程只读存储器（eprom，erasable programmable read-only memory）、电可擦除可编程只读存储器（eeprom，electrically erasable programmable read-only memory）、磁性随机存取存储器（fram，ferromagnetic random access memory）、快闪存储器（flash memory）、磁表面存储器、光盘、或只读光盘（cd-rom，compact disc read-only memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（ram，random access memory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器（sram，static random access memory）、同步静态随机存取存储器（ssram，synchronous static random access memory）、动态随机存取存储器（dram，dynamic random access memory）、同步动态随机存取存储器（sdram，synchronous dynamic random access memory）、双倍数据速率同步动态随机存取存储器（ddrsdram，double data rate synchronous dynamic random access memory）、增强型同步动态随机存取存储器（esdram，enhanced synchronous dynamic random access memory）、同步连接动态随机存取存储器（sldram，synclink dynamic random access memory）、直接内存总线随机存取存储器（drram，direct rambus random access memory）。本技术实施例描述的存储器3旨在包括但不限于这些和任意其它适合类型的存储器。
56.上述本技术实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、dsp，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器2可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
57.处理器2执行所述程序时实现本技术实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
58.在示例性实施例中，本技术实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、
eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
59.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
60.或者，本技术上述集成的单元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，也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，本技术实施例的技术方案本质上或者说对现有技术做出贡献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电子设备（可以是个人计算机、服务器、或者网络设备等）执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
61.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。