基于神经网络的海雾预测方法、装置、设备及存储介质与流程

1.本发明属于海雾预报技术领域，尤其涉及基于神经网络的海雾预测方法、装置、设备及存储介质。


背景技术：

2.海雾是一种发生在海上或沿海地区的现象，当海雾发生时，海面水平能见度比较低，这会严重影响沿岸人们的生产生活和海上作业的安全。目前对海雾智能化短临预报的研究比较少，且由于海雾的影响因子众多，形成的机理复杂，建立数值预报模型有难度，随着气象的数据越来越丰富和庞大，再加上气候环境的变化，极端性天气越来越频繁，传统的依靠经验和数值建立的智能预报模型在气象大数据面前往往力不从心，越来越不适用，从而导致预报的准确性也难以满足日常预报业务的需求。
3.目前比较常用的是基于对海雾的基础理论认知，利用决策树模型或线性回归来进行海雾有/无的分类。决策树是一个预测判别模型，它代表的是气象观测数据与天气现象之间的一种映射关系，树中每个节点表示某个对象，每个分支路径代表某个可能的观测值，每个叶结点则对应从根节点到该叶节点所经历的路径所表示的天气现象，然而，气象数据中的微小变化可能会导致完全不同的决策树生成，也即决策树可能是不稳定的，特别是在近些年极端天气频发的背景下，决策树的不稳定性，会对海雾预测的准确性带来挑战。线性回归模型的前提是将天气观测数据与特定的天气现象之间的关系确定为线性的，然后利用已有的数据进行拟合，以寻求观测数据与天气现象之间的映射关系，然而，海雾的发生影响因子众多，海雾与观测数据之间不一定就是线性关系，从而也会导致海雾预测结果不准确。


技术实现要素：

4.本发明实施例提供一种基于神经网络的海雾预测方法，旨在解决现有技术对海雾预测准确率不高、时效性差的问题。
5.本发明实施例是这样实现的，所述一种基于神经网络的海雾预测方法包括下述步骤：
6.收集预报区域内地面和高空的实况观测数据集；
7.对所述实况观测数据集进行预处理；
8.根据预处理后的所述实况观测数据集，利用预先训练好的海雾预测模型对所述预报区域内未来预设时间的海雾进行预测。
9.更进一步地，所述收集预报区域内地面和高空的实况观测数据集的步骤之前，所述方法还包括：
10.收集所述预报区域内地面和高空的历史观测数据集；
11.对所述历史观测数据集进行预处理；
12.建立所述海雾预测模型；
13.根据预处理后的所述历史观测数据集对所述海雾预测模型进行训练。
14.更进一步地，所述对所述历史观测数据集进行预处理的步骤，包括：
15.对所述历史观测数据集进行订正；
16.对订正后的所述历史观测数据集进行归一化处理。
17.更进一步地，所述根据预处理后的所述历史观测数据集对所述海雾预测模型进行训练的步骤，包括：
18.根据训练结果对所述海雾预测模型的模型结构进行调整。
19.本发明实施例还提供一种基于神经网络的海雾预测装置，所述装置包括：
20.第一数据收集单元，用于收集预报区域内地面和高空的实况观测数据集；
21.第一预处理单元，用于对所述实况观测数据集进行预处理；
22.海雾预测单元，用于根据预处理后的所述实况观测数据集，利用预先训练好的海雾预测模型对所述预报区域内未来预设时间的海雾进行预测。
23.更进一步地，所述装置还包括：
24.第二数据收集单元，用于收集所述预报区域内地面和高空的历史观测数据集；
25.第二预处理单元，用于对所述历史观测数据集进行预处理；
26.预测模型建立单元，用于建立所述海雾预测模型；
27.网络模型训练单元，用于根据预处理后的所述历史观测数据集对所述海雾预测模型进行训练。
28.更进一步地，所述第二预处理单元包括：
29.数据订正单元，用于对所述历史观测数据集进行订正；
30.归一处理单元，用于对订正后的所述历史观测数据集进行归一化处理。
31.更进一步地，所述网络模型训练单元包括：
32.模型结构调整单元，用于根据训练结果对所述海雾预测模型的模型结构进行调整。
33.本发明实施例还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述一种基于神经网络的海雾预测方法所述的步骤。
34.本发明实施例还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一种基于神经网络的海雾预测方法所述的步骤。
35.本发明提供基于神经网络的海雾预测方法、装置、设备及存储介质，收集预报区域内地面和高空的实况观测数据集，对实况观测数据集进行预处理，根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测。由于本发明采用预先训练好的海雾预测模型根据预处理后的实况观测数据集对未来时间的海雾进行预测，所以提高了海雾预测的准确率和时效性。
附图说明
36.图1是本发明实施例提供的一种基于神经网络的海雾预测方法的实现流程图；
37.图2是本发明实施例提供的对海雾预测模型训练的实现流程图；
38.图3是本发明实施例提供的对历史观测数据集进行预处理的实现流程图；
39.图4是本发明实施例提供的一种基于神经网络的海雾预测装置的结构示意图；
40.图5是本发明实施例提供的一种基于神经网络的海雾预测装置的另一结构示意图；
41.图6是本发明实施例提供的一种基于神经网络的海雾预测装置的优选结构示意图；
42.图7是本发明实施例提供的计算设备的结构示意图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
44.本发明采用预先训练好的海雾预测模型根据预处理后的实况观测数据集对未来时间的海雾进行预测，从而提高了海雾预测的准确率和时效性。
45.实施例一
46.图1示出了本发明实施例一提供的一种基于神经网络的海雾预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
47.在步骤s101中，收集预报区域内地面和高空的实况观测数据集。
48.在本发明实施例中，通过预报区域内气象观察站点实时获取与海雾相关的地面气象观测数据项的各项数值，同时获取与海雾相关的高空气象观测数据项的各项数值，获取到的地面各项数值和高空各项数值构成地面和高空的实况观测数据集，其中，地面气象观测数据项包括：气温、露点、风、能见度以及相对湿度，高空气象观测数据项包括气温、湿度以及风，且其各项数值是在高空900百帕(hpa)的观测数据。
49.步骤s102中，对实况观测数据集进行预处理。
50.在本发明实施例中，气象观测数据可能存在异常，此时先对实况观测数据集中各数据项对应的数值进行预处理，确保各数据项对应的数值是可用的。
51.在步骤s103中，根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测。
52.在本发明实施例中，将预处理后的实况观测数据集中各数据项对应的数值输入预先训练好的海雾预测模型中，海雾预测模型根据接收到的各项数值对未来预设时间的海雾进行预测，输出预测结果，根据预测结果，气象人员可以知道未来预设时间是否会发生海雾，预测结果可以是代表真假的数值，例如，预测结果为1就代表会发生海雾，为0则表示不会发生海雾，可以是未来12小时、24小时或者48小时等时间的海雾预测结果。
53.在本发明实施例中，收集预报区域内地面和高空的实况观测数据集，对实况观测数据集进行预处理，根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测，从而提高了海雾预测的准确率和时效性。
54.实施例二
55.作为本发明的一个实施例，通过下述步骤实现对实施例一的步骤s102中实况观测数据集的预处理：
56.(1)对实况观测数据集进行订正。
57.在本发明实施例中，气象观测数据可能存在数据缺失或者数据错误的异常情况，因此，先对实况观测数据集中数值缺失的数据项进行填充，并对数值错误的数据项进行修正。
58.在本发明实施例中，可以采用人工方式进行手工订正，也可以利用神经网络模型进行自动订正。在利用神经网络模型进行自动订正时，先建立神经网络模型，再利用神经网络模型对单个数据项(例如气温)的历史值进行学习，通过对历史值的学习来建立单个数据项的取值规律，最后神经网络模型根据学习到的取值规律对对应数据项中的缺失值进行自动填充，并对错误值做修正。
59.(2)对订正后的实况观测数据集进行归一化处理。
60.在本发明实施例中，由于各个不同数据项的数值相差很大，为了便于海雾预测模型对海雾的预测，利用归一化方差，将不同数据项的数值统一归一化到[-1,1]的范围内，从而使数据更平滑。
[0061]
在本发明实施例中，通过上述步骤(1)～(2)实现对实况观测数据集的预处理，从而提高了实况观测数据集中各项数值的平滑度。
[0062]
实施例三
[0063]
图2示出了本发明实施例三提供的一种基于神经网络的海雾预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0064]
在步骤s201中，收集预报区域内地面和高空的历史观测数据集。
[0065]
在本发明实施例中，从预报区域内气象观察站点获取预报区域内过去十几年(例如40年)的历史气象观测数据，从这些历史气象观测数据中提取与海雾相关的地面气象观测数据项的各项历史数值，同时获取与海雾相关的高空气象观测数据项的各项历史数值，获取到的地面各项历史数值和高空各项历史数值构成地面和高空的历史观测数据集，其中，地面气象观测数据项包括：气温、露点、风、能见度以及相对湿度，高空气象观测数据项包括气温、湿度以及风，且其各项数值是在高空900百帕(hpa)的观测数据。
[0066]
在步骤s202中，对历史观测数据集进行预处理。
[0067]
在本发明实施例中，对历史观测数据集中各数据项对应的数值进行预处理，确保各数据项对应的数值是可用的。
[0068]
在步骤s203中，建立海雾预测模型。
[0069]
在本发明实施例中，先将海雾预测模型建立为反向传播(back propagation，bp)神经网络模型，bp神经网络包括输入层、隐藏层以及输出层，其是一种按照误差逆向传播算法训练的多层前馈神经网络。再对海雾预测模型的模型参数进行设置，模型参数包括但不限于输入层结点数、输出层结点数、隐藏层层数、每层隐藏层的神经元数量、激活函数以及损失函数，具体地，根据历史观测数据集中的数据项确定海雾预测模型的输入层结点数，并将海雾预测模型的输出层结点数设置为一个，同时初始设置海雾预测模型的隐藏层层数、每层神经元数量、激活函数以及损失函数等相关参数。
[0070]
在步骤s204中，根据预处理后的历史观测数据集对海雾预测模型进行训练。
[0071]
在本发明实施例中，先对海雾预测模型的训练参数进行设置，训练参数包括但不限于训练集和测试集的划分比例(即将预处理后的历史观测数据集按照预设比例进行训练集和测试集的划分)、训练次数、投喂数据量以及学习率，再根据设置好的训练参数和预处
理后的历史观测数据集对海雾预测模型进行训练。
[0072]
在本发明实施例中，在对海雾预测模型训练过程中，会根据训练结果对训练参数进行调整，例如，在损失值不收敛或波动比较大的情况下，可以增加投喂数据量或者将学习率调大或调小，再根据调整后的训练参数继续对海雾预测模型进行训练，如此反复，直至损失函数的损失值和预测准确率都趋于稳定收敛，从而使得训练的效率和测试的准确率得到提高，其中预测准确率是海雾预测模型根据历史观测数据集对海雾预测得到的预测结果与实际真实结果的匹配概率。
[0073]
在本发明实施例中，根据预处理后的历史观测数据集对海雾预测模型进行训练，并在训练过程中，根据训练结果对海雾预测模型的训练参数进行调整，从而提高训练的效率和测试的准确率。
[0074]
实施例四
[0075]
作为本发明的一个实施例，当通过调整对海雾预测模型的训练参数不能解决海雾预测模型训练过程中的过拟合或欠拟合现象、和/或者损失值的收敛不好时，根据训练结果对海雾预测模型的模型结构进行调整，例如，增加/减少隐藏层的层数和/或者神经元的数量，从而提高模型的预测准确率和学习效率。
[0076]
实施例五
[0077]
图3示出了本发明实施例五提供的一种基于神经网络的海雾预测方法中对对历史观测数据集进行预处理的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0078]
在步骤s301中，对历史观测数据集进行订正。
[0079]
在本发明实施例中，气象观测数据可能存在数据缺失或者数据错误的异常情况，因此，先对历史观测数据集中数值缺失的数据项进行填充，并对数值错误的数据项进行修正。
[0080]
在本发明实施例中，可以采用人工方式进行手工订正，也可以利用神经网络模型进行自动订正。在利用神经网络模型进行自动订正时，先建立神经网络模型，再利用神经网络模型对单个数据项(例如气温)的历史值进行学习，通过对历史值的学习来建立单个数据项的取值规律，最后神经网络模型根据学习到的取值规律对对应数据项中的缺失值进行自动填充，并对错误值做修正。
[0081]
在步骤s302中，对订正后的历史观测数据集进行归一化处理。
[0082]
在本发明实施例中，由于各个不同数据项的数值相差很大，为了便于对海雾预测模型进行训练，利用归一化方差，将不同数据项的数值统一归一化到[-1,1]的范围内，从而使数据更平滑。
[0083]
在本发明实施例中，通过对历史观测数据集进行订正，并对订正后的历史观测数据集进行归一化处理，从而提高了历史观测数据集中各项数值的平滑度。
[0084]
实施例六
[0085]
图4示出了本发明实施例六提供的一种基于神经网络的海雾预测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
[0086]
第一数据收集单元41，用于收集预报区域内地面和高空的实况观测数据集。
[0087]
在本发明实施例中，通过预报区域内气象观察站点实时获取与海雾相关的地面气
象观测数据项的各项数值，同时获取与海雾相关的高空气象观测数据项的各项数值，获取到的地面各项数值和高空各项数值构成地面和高空的实况观测数据集，其中，地面气象观测数据项包括：气温、露点、风、能见度以及相对湿度，高空气象观测数据项包括气温、湿度以及风，且其各项数值是在高空900百帕(hpa)的观测数据。
[0088]
第一预处理单元42，用于对实况观测数据集进行预处理。
[0089]
在本发明实施例中，气象观测数据可能存在异常，此时先对实况观测数据集中各数据项对应的数值进行预处理，确保各数据项对应的数值是可用的。
[0090]
海雾预测单元43，用于根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测。
[0091]
在本发明实施例中，将预处理后的实况观测数据集中各数据项对应的数值输入预先训练好的海雾预测模型中，海雾预测模型根据接收到的各项数值对未来预设时间的海雾进行预测，输出预测结果，根据预测结果，气象人员可以知道未来预设时间是否会发生海雾，预测结果可以是代表真假的数值，例如，预测结果为1就代表会发生海雾，为0则表示不会发生海雾，可以是未来12小时、24小时或者48小时等时间的海雾预测结果。
[0092]
在本发明实施例中，一种基于神经网络的海雾预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
[0093]
实施例七
[0094]
作为本发明的一个实施例，第一预处理单元42包括：
[0095]
第一数据订正单元，用于对实况观测数据集进行订正。
[0096]
在本发明实施例中，气象观测数据可能存在数据缺失或者数据错误的异常情况，因此，先对实况观测数据集中数值缺失的数据项进行填充，并对数值错误的数据项进行修正。
[0097]
在本发明实施例中，可以采用人工方式进行手工订正，也可以利用神经网络模型进行自动订正。在利用神经网络模型进行自动订正时，先建立神经网络模型，再利用神经网络模型对单个数据项(例如气温)的历史值进行学习，通过对历史值的学习来建立单个数据项的取值规律，最后神经网络模型根据学习到的取值规律对对应数据项中的缺失值进行自动填充，并对错误值做修正。
[0098]
第一数据处理单元，用于对订正后的实况观测数据集进行归一化处理。
[0099]
在本发明实施例中，由于各个不同数据项的数值相差很大，为了便于海雾预测模型对海雾的预测，利用归一化方差，将不同数据项的数值统一归一化到[-1,1]的范围内，从而使数据更平滑。
[0100]
在本发明实施例中，一种基于神经网络的海雾预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
[0101]
实施例八
[0102]
图5示出了本发明实施例八提供的一种基于神经网络的海雾预测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
[0103]
第二数据收集单元51，用于收集预报区域内地面和高空的历史观测数据集。
[0104]
在本发明实施例中，从预报区域内气象观察站点获取预报区域内过去十几年(例如40年)的历史气象观测数据，从这些历史气象观测数据中提取与海雾相关的地面气象观测数据项的各项历史数值，同时获取与海雾相关的高空气象观测数据项的各项历史数值，获取到的地面各项历史数值和高空各项历史数值构成地面和高空的历史观测数据集，其中，地面气象观测数据项包括：气温、露点、风、能见度以及相对湿度，高空气象观测数据项包括气温、湿度以及风，且其各项数值是在高空900百帕(hpa)的观测数据。
[0105]
第二预处理单元52，用于对历史观测数据集进行预处理。
[0106]
在本发明实施例中，对历史观测数据集中各数据项对应的数值进行预处理，确保各数据项对应的数值是可用的。
[0107]
预测模型建立单元53，用于建立海雾预测模型。
[0108]
在本发明实施例中，先将海雾预测模型建立为反向传播(back propagation，bp)神经网络模型，bp神经网络包括输入层、隐藏层以及输出层，其是一种按照误差逆向传播算法训练的多层前馈神经网络。再对海雾预测模型的模型参数进行设置，模型参数包括但不限于输入层结点数、输出层结点数、隐藏层层数、每层隐藏层的神经元数量、激活函数以及损失函数，具体地，根据历史观测数据集中的数据项确定海雾预测模型的输入层结点数，并将海雾预测模型的输出层结点数设置为一个，同时初始设置海雾预测模型的隐藏层层数、每层神经元数量、激活函数以及损失函数等相关参数。
[0109]
网络模型训练单元54，用于根据预处理后的历史观测数据集对海雾预测模型进行训练。
[0110]
在本发明实施例中，先对海雾预测模型的训练参数进行设置，训练参数包括但不限于训练集和测试集的划分比例(即将预处理后的历史观测数据集按照预设比例进行训练集和测试集的划分)、训练次数、投喂数据量以及学习率，再根据设置好的训练参数和预处理后的历史观测数据集对海雾预测模型进行训练。
[0111]
在本发明实施例中，在对海雾预测模型训练过程中，会根据训练结果对训练参数进行调整，例如，在损失值不收敛或波动比较大的情况下，可以增加投喂数据量或者将学习率调大或调小，再根据调整后的训练参数继续对海雾预测模型进行训练，如此反复，直至损失函数的损失值和预测准确率都趋于稳定收敛，从而使得训练的效率和测试的准确率得到提高，其中预测准确率是海雾预测模型根据历史观测数据集对海雾预测得到的预测结果与实际真实结果的匹配概率。
[0112]
在本发明实施例中，根据预处理后的历史观测数据集对海雾预测模型进行训练，并在训练过程中，根据训练结果对海雾预测模型的训练参数进行调整，从而提高训练的效率和测试的准确率。
[0113]
在本发明实施例中，一种基于神经网络的海雾预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
[0114]
实施例九
[0115]
参见图6，作为本发明的一个实施例，第二预处理单元52包括：
[0116]
数据订正单元521，用于对历史观测数据集进行订正。
[0117]
在本发明实施例中，气象观测数据可能存在数据缺失或者数据错误的异常情况，
因此，先对历史观测数据集中数值缺失的数据项进行填充，并对数值错误的数据项进行修正。
[0118]
在本发明实施例中，可以采用人工方式进行手工订正，也可以利用神经网络模型进行自动订正。在利用神经网络模型进行自动订正时，先建立神经网络模型，再利用神经网络模型对单个数据项(例如气温)的历史值进行学习，通过对历史值的学习来建立单个数据项的取值规律，最后神经网络模型根据学习到的取值规律对对应数据项中的缺失值进行自动填充，并对错误值做修正。
[0119]
归一处理单元522，用于对订正后的历史观测数据集进行归一化处理。
[0120]
在本发明实施例中，由于各个不同数据项的数值相差很大，为了便于对海雾预测模型进行训练，利用归一化方差，将不同数据项的数值统一归一化到[-1,1]的范围内，从而使数据更平滑。
[0121]
在本发明实施例中，通过对历史观测数据集进行订正，并对订正后的历史观测数据集进行归一化处理，从而提高了历史观测数据集中各项数值的平滑度。
[0122]
在本发明实施例中，一种基于神经网络的海雾预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
[0123]
实施例十
[0124]
参见图6，作为本发明的一个实施例，网络模型训练单元54包括：
[0125]
模型结构调整单元541，用于根据训练结果对海雾预测模型的模型结构进行调整。
[0126]
在本发明实施例中，当通过调整对海雾预测模型的训练参数不能解决海雾预测模型训练过程中的过拟合或欠拟合现象、和/或者损失值的收敛不好时，根据训练结果对海雾预测模型的模型结构进行调整，例如，增加/减少隐藏层的层数和/或者神经元的数量，从而提高模型的预测准确率和学习效率。
[0127]
在本发明实施例中，一种基于神经网络的海雾预测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
[0128]
实施例十一
[0129]
图7示出了本发明实施例十一提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
[0130]
本发明实施例的计算设备7包括处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。该处理器70执行计算机程序72时实现上述一种基于神经网络的海雾预测方法实施例中的步骤，例如图1所示的步骤s101至s103。或者，处理器70执行计算机程序72时实现上述各装置实施例中各单元的功能，例如图4所示单元41至43的功能。
[0131]
在本发明实施例中，收集预报区域内地面和高空的实况观测数据集，对实况观测数据集进行预处理，根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测，从而提高了海雾预测的准确率和时效性。
[0132]
本发明实施例的计算设备为具有大型数据处理能力的平台、设备或终端，例如个人计算机、服务器等。该计算设备7中处理器70执行计算机程序72时实现一种基于神经网络
的海雾预测方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
[0133]
实施例十二
[0134]
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述一种基于神经网络的海雾预测方法实施例中的步骤，例如，图1所示的步骤s101至s103。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图4所示单元41至43的功能。
[0135]
在本发明实施例中，收集预报区域内地面和高空的实况观测数据集，对实况观测数据集进行预处理，根据预处理后的实况观测数据集，利用预先训练好的海雾预测模型对预报区域内未来预设时间的海雾进行预测，从而提高了海雾预测的准确率和时效性。
[0136]
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，rom/ram、磁盘、光盘、闪存等存储器。
[0137]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。