一种基于数据增强和特征嵌入的自动调制识别方法和装置

1.本发明涉及自动调制识别技术领域，尤其涉及一种基于数据增强和特征嵌入的自动调制识别方法和装置。


背景技术：

2.自动调制识别(amr)是对接收信号调制类别的检测，它是接收信号解调和信息进一步提取的基础。amr对于频谱监测、认知无线电和电子战(ew)至关重要。随着信息技术的飞速发展，现代电磁环境变得越来越复杂。强噪声干扰、复杂的波形调制以及信号特征参数的突变，使得基于五个常规参数的传统amr方法的可靠性急剧下降。从时域、频域和时频域的角度分析了现有的研究成果，提出了多种特征提取方法。通常，早期amr方案可分为两种类型，即传统似然比估计和专家特征提取。根据相位识别信号调制方式采用了最大似然法，并分析了各种调制星座分类的性能。利用接收信号的基本累积量和循环累积量，在分层假设下建立了一个理论框架。这种框架在几种情况下(即相移、频移和衰落信道)仍然是可行的。然而，传统的手工提取特征的方法主要依靠专家经验和大量的先验知识，导致这类识别方法鲁棒性差、容错性低。随着深度学习(dl)在过去几年在多个领域的飞速发展，基于深度学习的amr正引起越来越多的关注。
3.dl在图像分类、自然语言处理和目标检测方面取得了突破性进展，具有自动特征提取和模型泛化能力强的优点。与上述两种方法相比，基于dl的amr方案具有较低的复杂性，并且不需要手动设计特征，因此在未知信号概率密度的复杂场景中显示出巨大的潜力。应用集成学习框架构建了多平台融合识别体系结构，通过设置不同网络的权重，提取信号时频图像的深层特征，有效避免了人工设计和识别特征的冗余过程。使用基于脉内特征的自适应奇异值重建算法对低信噪比下的信号进行去噪，并选择resnet对形态学滤波后的时频图像进行识别。当噪声比为-8db时，八种信号的整体识别率达到94.1％。设计了由多个基本模块组成的稀疏连接卷积层，有效避免了当网络深度增加时信号特征提取细节的丢失。在足够的训练样本下，基于dl的amr方案对分布相同的数据具有很强的鲁棒性，特别是在提取大量数据的高维特征方面。在实践中，由于环境因素，很难获得大量样品。
4.电磁环境的复杂性和侦察目标的不协同性。开发了基于dl自动调制分类的对抗转移学习体系结构(atla)，以减少数据分布之间的差异，并在有限样本下实现amr。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本发明的目的在于提出一种基于数据增强和特征嵌入的自动调制识别方法，首先，开发了深度密集生成对抗网络(dd-gan)，以扩展由无监督gnu无线电产生的五种调制信号的原始数据集。选择平滑伪wigner-ville分布(spwvd)作为信号的时频表示，并嵌入amr框架中。将真实信号输入轻量级cnn进行时间相关性提取，sk-cnn用于聚焦时频图像分类中的有用区域。还分析了dd-gan的收敛性能，并给出了提高分类质量的最佳超参数组
合。本发明扩展训练的dl模型在原始测试集上具有更好的鲁棒性和识别性能。
7.本发明的另一个目的在于提出一种基于数据增强和特征嵌入的自动调制识别装置。
8.为达上述目的，本发明一方面提出了一种基于数据增强和特征嵌入的自动调制识别方法，包括：
9.获取多种调制信号的原始数据集和多种调制信号的原始数据集样本；将所述多种调制信号的原始数据集，输入训练好的深度学习模型进行数据融合处理；其中，所述训练好的深度学习模型是基于所述多种调制信号的原始数据集样本，通过深度密集生成对抗网络dd-gan和选择性核卷积神经网络sk-cnn训练得到的；基于所述数据融合处理，输出所述多种调制信号的原始数据集的所述深度学习模型的判别概率矩阵，以得到信号分类结果。
10.本发明实施例的基于数据增强和特征嵌入的自动调制识别方法，通过设置合适的扩展参数，研究的基于数据增强和spwvd嵌入的方案可以丰富信号特征，有效解决原始信号样本不足的问题。
11.为达到上述目的，本发明另一方面提出了一种基于数据增强和特征嵌入的自动调制识别装置，包括：
12.获取模块，用于获取多种调制信号的原始数据集和多种调制信号的原始数据集样本；融合模块，用于将所述多种调制信号的原始数据集，输入训练好的深度学习模型进行数据融合处理；其中，所述训练好的深度学习模型是基于所述多种调制信号的原始数据集样本，通过深度密集生成对抗网络dd-gan和选择性核卷积神经网络sk-cnn训练得到的；输出模块，用于基于所述数据融合处理，输出所述多种调制信号的原始数据集的所述深度学习模型的判别概率矩阵，以得到信号分类结果。
13.本发明实施例的基于数据增强和特征嵌入的自动调制识别装置，通过设置合适的扩展参数，研究的基于数据增强和spwvd嵌入可以丰富信号特征，有效解决原始信号样本不足的问题。
14.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
15.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
16.图1为根据本发明实施例的基于数据增强和特征嵌入的自动调制识别方法的流程图；
17.图2为根据本发明实施例的amr系统的总体框架图；
18.图3为根据本发明实施例的snr＝5db条件下五种信号对应的spwvd时频图；
19.图4为根据本发明实施例的g和d的损失函数示意图；
20.图5为根据本发明实施例的dd-gan的对数熵示意图；
21.图6(a)和图6(b)分别为根据本发明实施例的显示了dd-gan在1000和5000次迭代后产生恒定波(cw)信号的效果图；
22.图7为根据本发明实施例的选择性内核模块示意图；
23.图8为根据本发明实施例的sk-cnn的结构示意图；
24.图9(a)和图9(b)分别为根据本发明实施例的sk-cnn和cnn用于在未扩展的训练集上进行训练，然后在测试集上进行测试的示意图；
25.图10为根据本发明实施例的第一er对amr框架识别性能的影响示意图；
26.图11为根据本发明实施例的第二er对amr框架识别性能的影响示意图；
27.图12为根据本发明实施例的第三er对amr框架识别性能的影响示意图；
28.图13为根据本发明实施例的第四er对amr框架识别性能的影响示意图；
29.图14为根据本发明实施例的第五er对amr框架识别性能的影响示意图；
30.图15为根据本发明实施例的amr框架下不同ers的识别性能示意图；
31.图16(a)、图16(b)、图16(c)和图16(d)分别为根据本发明实施例的在特征嵌入的混淆矩阵和不同snr和er上的数据增强示意图；
32.图17为根据本发明实施例的特征嵌入算法与不同基线方案的识别性能比较示意图；
33.图18为根据本发明实施例的基于数据增强和特征嵌入的自动调制识别装置的结构示意图。
具体实施方式
34.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
35.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
36.下面参照附图描述根据本发明实施例提出的基于数据增强和特征嵌入的自动调制识别方法和装置。
37.图1是本发明一个实施例的基于数据增强和特征嵌入的自动调制识别方法的流程图。
38.如图1所示，该方法包括但不限于以下步骤：
39.s1，获取多种调制信号的原始数据集和多种调制信号的原始数据集样本；
40.s2，将多种调制信号的原始数据集，输入训练好的深度学习模型进行数据融合处理；其中，训练好的深度学习模型是基于多种调制信号的原始数据集样本，通过深度密集生成对抗网络dd-gan和选择性核卷积神经网络sk-cnn训练得到的；
41.s3，基于数据融合处理，输出多种调制信号的原始数据集的深度学习模型的判别概率矩阵，以得到信号分类结果。
42.下面结合附图对本发明实施例做详细的阐述。
43.具体地，本发明提出了一种基于数据扩展和动态卷积网络相结合的方案来识别五类调制信号。首先，包括多个完全连接层的dd-gan被设计用于扩展原始有限样本的数据。它们被输入到生成对抗模型中，并生成“人工样本”以丰富样本特征。为了有效提取信号的时
域和频域特征，充分利用数据形式的互补性，设计了两个并行的cnn分支。其中一个cnn的输入是真实的i/q信号，另一个分支的输入是spwvd时频特征，其中引入了选择性核(sk)模块来构建用于图像识别的轻型cnn。最后，融合softmax层的输出以获得可靠的分类结果。整体模型如图2所示。将五种调制信号(即bpsk、qpsk、bask、bfsk和qfsk)的样本随机分为训练集和测试集。提取调制信号和原始i/q样本的spwvd，并分别发送到相同的分类器进行在线训练。并将高斯白噪声引入增强训练集，检验了的鲁棒性。训练结束后，保存不同增强率(er)下的最优网络模型，并在测试集上进行离线测试。最后输出测试信号样本的dl模型的判别概率矩阵。实验表明，通过设置合适的扩展参数，本发明研究的基于数据增强和spwvd嵌入的方案可以丰富信号特征，有效解决原始信号样本不足的问题。
44.进一步地，对信号模型的构建。实际上，有监督调制识别可以简化为一个n分类决策问题，其中输入调制的离散序列信号，输出系统对不同信号样本的决策概率。提出了一种基于gan的调制信号分类框架(如图2所示)。
45.对于mfsk信号，采样前的原始发送信号为其中表示载波频率。对于mpsk信号，可以表示为：对于bask信号，它可以表示为通常，接收信号建模为：
46.r(t)＝s(t)*h(t) n(t)
ꢀꢀ
(1)
47.其中s(t)表示发射信号，h(t)是等效信道冲激响应，n(t)是加性噪声，r(t)是复基带信号，即：
48.r(t)＝ri(t) jrq(t)
ꢀꢀ
(2)
49.其中ri(t)和rq(t)分别表示接收信号的同相分量和正交分量。因此，由接收机采样的信号可以表示为：
[0050][0051]
进一步地，进行时频特征分析。spwvd是一种基于wigner-ville分布的优化cohen时频分析方法。与wigner-ville时频分布相比，spwvd能够更有效地消除交叉项干扰。对不同背景下的信号具有很高的分辨率和识别精度频率范围。信号的解析信号写为：
[0052]
x(t)＝s(t) jh[s(t)]
ꢀꢀꢀ
(4)
[0053]
其中h[
·
]表示信号的希尔伯特变换，spwvd定义为：
[0054]
[0055]
其中表示s(t)的解析信号，表示共轭分析信号，h(τ)表示时域滤波的窗函数，表示频域滤波的窗函数。因此，spwvd能够有效地抑制交叉项，并且变换后的时频特征图像噪声显著降低。随后，可以使用图像处理方法来提取信号的时频特性。
[0056]
图3为显示了snr＝5db条件下五种信号对应的spwvd时频图像，其中信号特征明显不同，易于分类。
[0057]
进一步的，提出的dd-gan框架。生成性对抗网络(gan)是指基于对抗训练不断优化生成模型和判别模型的网络架构。它的优势在于，当先验假设未知时，能够检验样本的潜在分布规则，并通过无监督学习生成新数据，以丰富样本特征。gan由鉴别器和发生器组成，其目标函数的形式为：
[0058][0059]
其中pz(z)表示潜在噪声向量的先验概率密度，并且噪声通过生成器映射到。d(x)表示鉴别器输出的判断概率，x来源于真实数据。d的培训旨在使其有效区分真实数据和生成的数据，以最大限度地提高v(d,g)。g的训练目的是欺骗d。它不使d确定生成的数据，而是使d最小。当d和gar的模型都是多层感知器(mlp)时，相邻完全连接层的节点相互连接，以将前端的分布特征映射到样本的标签空间。通过多个全连通层的叠加，g和d可以有效地丰富基于深度挖掘数据特征的样本特征。因此，在我们的研究中，采用全连接层对来构建g和d，并构建dd-gan。直接将5种调制信号的包络作为输入，充分捕捉原始信号相邻采样点之间的时序关系。
[0060]
进一步的，dd-gan的结构。对于g，其输入是1*256的高斯向量，输出是经过多个全连接层后的1*1024的序列。除最后一层外，采用leakyrelu函数激活隐层神经元，增加负部分的导数，减少“沉默”神经元，解决了全连通结构中梯度消失的问题。leakyrelu函数的负激活值设置为0.2。在全连接(fc)层之后，加入批量归一化(bn)层，统一神经元的输出顺序，加快模型的收敛速度。最后一个输出层由tanh函数激活，以将生成信号的振幅限制为[-1,1]。对于d，其输入为维度为1*1024的真实样本和g生成的“假样本”，在激活多个全连接层和leakyrelu函数后输出每个样本的判别概率，并将输出层的激活函数设置为sigmoid。g和d的结构如表1和表2所示。
[0061]
表1生成器参数
[0062]
[0063]
表2判别器参数
[0064][0065]
通过选择合适的激活函数和利用mlp的良好拟合能力，本发明提出的dd-gan可以完成任何非线性函数的逼近，因此它可以充分利用实际输入信号样本之间的时间相关性。损失函数设置为交叉熵，d和g由adam优化，学习率设置为0.002。在训练g时，d被禁止训练，批量大小设置为128。
[0066]
进一步的，收敛性分析。对于gan，由于g和d始终处于动态对抗过程中，损失函数无法达到稳定状态，因此不适合通过损失函数判断其收敛时机。因此，我们选择生成样本的对数熵作为评价dd-gan收敛性能的指标。对数熵可以有效地描述生成的数据与真实数据的接近程度，是衡量gan收敛性的有效方法。对数熵的表达式如下：
[0067][0068]
其中xi表示接收到的信号样本，g(zi)是g的输出。从图4可以看出，由于g和d的训练进度是同步的，当鉴别网络的损失值增加时，它通常导致发生器的损失值急剧增加。
[0069]
图5描述了收敛性能随迭代次数的变化趋势。到达1000个历元后，曲线的变化逐渐稳定，对数熵值在40-80之间波动，说明模型具有较快的收敛速度。
[0070]
图6为连续波信号时域波形的产生图6(a)和图6(b)分别显示了dd-gan在1000和5000次迭代后产生恒定波(cw)信号的效果。原始cw信号的初始相位为，载波频率为1mhz，采样点为1024。结果表明，随着迭代次数的增加，发生器的预测值逐渐接近原始信号的包络，信号中的杂散噪声分量显著降低。
[0071]
进一步的，对识别结果进行分析，其中的选择核结构，不同尺寸的感知视场(卷积核)对不同尺度的目标会产生不同的影响。sk模块是一个为不同尺度的图像动态生成卷积核的模块，其特征映射的大小不变。在选择性内核模块(如图7所示)中，用输入大小表示特征图。此结构中涉及的操作主要包括拆分、熔断和选择。分割是用不同的核对原始特征映射进行卷积的过程，本发明设置了两种类型。fuse是指赋予内核重量的操作。选择是通过具有不同权重的核获取新特征映射的过程。
[0072]
首先，使用大小分别为3*3和5*5的卷积核执行卷积运算和。其次，使用选通机制融
合两个通道的信息并添加输出特征映射。通过全局池生成通道统计信息：
[0073][0074]
经过fc层降维后，输出特征可以表示为：
[0075]
z＝f
fc
(s)＝δ(b(ws))
ꢀꢀꢀ
(9)
[0076]
其中δ(
·
)是relu激活函数，b(
·
)是批处理规范化。z的维度是内核数，ws∈rd×c并引入压缩因子r来确定全连接维度d对网络效率的影响，如下所示：
[0077][0078]
其中l是尺寸d的最小值。最后，采用softmax函数将自适应标定后的权重特征z加载到特征和
[0079]
将自适应校准输入特征图，并输出特征v＝[v1,v2,...,vc]有
[0080]
进一步地，对网络结构进行分析，图3显示了五种类型信号的spwvd分布。调制类型的时频分布中的有用信息往往集中在关键区域，为了提高网络在这些区域的“注意力”，在轻量级cnn中引入sk模块来构造sk-cnn，并且可以根据输入信息的多尺度自适应地改变接收域。为了适应本发明提出的有限样本情况，避免过拟合的发生，用于分类的cnn仅由4个卷积层和3个完全连接层组成，每个卷积层中的卷积核数分别设置为32、64、128和256。内核大小设置为3*3，整流线性单元(relu)作为激活函数。在各个卷积层之后，添加最大池层，池大小为2
×
2，步长为2，网络输入为大小为224
×
224的三通道时频图像。拟议的sk-cnn结构如图8所示。
[0081]
在sk-cnn内部，输入的224*224*3时频图像通过第一卷积层，并以224*224*32的大小输出特征映射。sk模块重新校准功能后，输出大小保持不变。通过max池层，输出大小为112
×
112
×
32等。最后，通过softmax层，输出用于5种调制信号识别向量的网络。
[0082]
进一步地，用于i/q信号分类的cnn。本发明提出的识别iq信号的cnn由2个卷积层和4个全连接层组成，结构如表3所示。每层的激活功能设置为relu。最后一层的softmax用于输出识别信号样本的概率分布矩阵，损失函数设置为交叉熵，用于标记实际标签和预测标签之间的误差。使用退出操作而不是池来尽可能多地保留信号的细微特征，并在一定程度上有效地避免过度拟合。为了有效利用spwvd时频图像中的信息，采用分数融合的方法对两个分支网络输出的判别概率矩阵进行融合，最终输出可靠的识别结果。
[0083]
表3 iqcnn参数设置
[0084][0085]
进一步地，采用基于sdr平台的gnu无线电和五种调制信号(bpsk、qpsk、bfsk、qfsk和bask)的分时传输验证了该方案的有效性。此外，在基带信号中加入高斯白噪声来模拟不同的信道环境。信噪比范围设置为-20db至 10db，步长为2，每个信噪比下的采样点数为360000。训练集与测试集的划分比例为7:3。为了提高模型的泛化性能，采用了k-fold交叉验证方法。在测试过程中，将信号样本分为三部分，一部分作为测试集，第二部分作为原始训练集，第三部分直接输入dd-gan生成新样本并扩展原始训练集。为了验证生成对抗模型对识别性能的改善程度，将增强率(er)定义为生成数据与原始训练数据的比率：
[0086][0087]
其中gz(i)dd-gan的单个输出，x
train
表示原始训练数据。
[0088]
实验数据采集是在usrp-b210设备和gnu无线电平台上完成的，信号预处理和特征提取采用matlab r2020a。采用nvidia geforce rtx 3080驱动的gpu构建、训练和测试网络，网络的实现基于keras 2.3.1和tensorflow 2.2。
[0089]
进一步地，对结果与讨论。原始数据的性能：分析使用不同基线网络识别spwvd特征的性能。为了验证本发明的网络性能，我们在原始数据集上进行了测试，测试结果如图9所示。sk-cnn和cnn在训练集(er＝0)上的结果分别显示在图9(a)和图9(b)中。结果表明，当信噪比大于0db时，无动态卷积模块的初始cnn对五类信号的分类精度可达90％以上。将sk模块嵌入轻量级cnn对spwvd图像进行分类后，bpsk、qpsk和bfsk信号的识别准确率显著提高，表明sk-cnn对上述三种信号具有很高的兼容性，然而，这种兼容性可能以其他两种信号的识别性能为代价。9(a)和图9(b)为sk-cnn和cnn用于在未扩展的训练集上进行训练，然后在测试集上进行测试。
[0090]
增强数据的性能：图10、图11、图12、图13和图14显示了不同er对amr框架识别性能的影响。依次为bask、bfsk、bpsk、qfsk和qpsk结果表明，数据增强后bfsk信号的识别率没有明显提高，dd-gan扩展后，在低信噪比下，其他四种调制信号的识别性能都有不同程度的提高，但很难找到一个固定的er来获得最高的准确率。在图14中，当er＝0.5时，性能最差，可能是因为过度拟合。当er＝0.1时，与增强前的数据相比，模型对五类方案的整体识别准确率提高了3％-7％，当er＝0.2时，准确率也有一定程度的提高，这表明所提出的dd-gan可以有效地丰富数据集特征和扩展样本。则amr框架下不同ers的识别性能如图15所示。
[0091]
进一步地，混淆矩阵与调制类型：本发明已经证明，当er＝0.1和0.2时，数据增强
后五种类型信号的整体识别精度都有所提高。在snr＝-10db和10db时，所提出模型的混淆矩阵如图16(a)、图16(b)、图16(c)和图16(d)所示。其中，16(a)的confusion matrix at snr＝10db and er＝0.2、图16(b)的confusion matrix at snr＝-10db and er＝0.2、图16(c)的confusion matrix at snr＝10db and er＝0.1和图16(d)的snr＝-10db且er＝0.1时的混淆矩阵。
[0092]
当信噪比为10db时，本发明的框架能够准确识别五种调制方案，准确率基本为100％。当信噪比极低(-10db)时，er＝0.2的整体识别效果比er＝0.1的差。推测这是因为dd-gan生成的数据引入了噪声。因此，当信噪比较差时，生成的数据仅限于提高识别性能。但发明的框架可以在一定程度上弥补样本不足的缺点，有效提高整体识别精度。
[0093]
识别精度比较：图17为本发明提出的特征嵌入算法与不同基线方案的识别性能比较。结果表明，与直接向cnn和lstm发送i/q信号进行识别的方案相比，特征嵌入方案可以弥补信号时间相关性的不足，将信号中隐含的时频信息提取为适合拟合的特征，提高了网络识别的效率。在特征分析方案中，在-10db到-2db的信噪比范围内，i/qcnn sk-cnn框架的精度比i/qcnn se-cnn高5％，比i/qcnn inceptionnet高15％。
[0094]
综上本发明提出了一种基于数据增强和时频特征嵌入的amr系统。首先，采用dd-gan学习从gnu无线电收集的真实数据，并将其与原始数据集合并。第二，处理后的信号样本被发送到两个分支：一个分支直接使用2d卷积层来识别接收到的i/q信号的序列，另一个分支使用注意机制来识别spwvd时频图像，目的是揭示信号中隐含的时频关系。最后，在softmax融合后，对两个分支的识别结果进行总结，以提高整体识别精度。在实际数据上的实验结果表明，在er＝0.1时，该方案对五种调制方案具有最强的泛化能力，其精度比原始数据集高近5％，能够有效地解决缺失样本或有限样本情况下的amr问题。
[0095]
根据本发明实施例的基于数据增强和特征嵌入的自动调制识别方法，通过设置合适的扩展参数，研究的基于数据增强和spwvd嵌入的方案可以丰富信号特征，有效解决原始信号样本不足的问题。
[0096]
为了实现上述实施例，如图18所示，本实施例中还提供了基于数据增强和特征嵌入的自动调制识别装置10，该装置10包括：获取模块100、融合模块200和输出模块300。
[0097]
获取模块100，用于获取多种调制信号的原始数据集和多种调制信号的原始数据集样本；
[0098]
融合模块200，用于将多种调制信号的原始数据集，输入训练好的深度学习模型进行数据融合处理；其中，训练好的深度学习模型是基于所述多种调制信号的原始数据集样本，通过深度密集生成对抗网络dd-gan和选择性核卷积神经网络sk-cnn训练得到的；
[0099]
输出模块300，用于基于数据融合处理，输出多种调制信号的原始数据集的深度学习模型的判别概率矩阵，以得到信号分类结果。
[0100]
根据本发明实施例的基于数据增强和特征嵌入的自动调制识别装置，通过设置合适的扩展参数，研究的基于数据增强和spwvd嵌入的方案可以丰富信号特征，有效解决原始信号样本不足的问题。
[0101]
需要说明的是，前述对基于数据增强和特征嵌入的自动调制识别方法实施例的解释说明也适用于该实施例的基于数据增强和特征嵌入的自动调制识别装置，此处不再赘述。
[0102]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0103]
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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，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以及不同实施例或示例的特征进行结合和组合。
[0104]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。