基于自适应前馈神经网络的通信信号识别方法和系统

1.本发明涉及信号识别技术领域，尤其涉及一种基于自适应前馈神经网络的通信信号识别方法和系统。


背景技术：

2.数据分类和识别是机器学习中的一项重要任务，通常需要处理生物信息、多媒体、统计学等领域的数据集。在信号识别领域，通过对信号特征的提取和分析，逐步识别出发射信号的目标类别，以及具体的目标个体。
3.现有机器学习中多采用神经网络相关算法，但同时寻找连接权值和隐层神经元数量的最优值是困难的，使得想要使用神经网络来解决实际问题时，存在搭建基本模型的困难；使用基于梯度的方法训练前馈神经网络，可能陷入局部最小值，收敛缓慢和依赖于初始解，造成使用该神经网络模型求解实际问题时误差较大。
4.极限学习机(elm)是一种常用的训练前馈神经网络slfn的机器学习方法，应用于数据分类和生物医学工程等许多领域。elm随机分配输入权值和隐层偏置，然后使用mp广义逆计算输出权值，并使用无调参的参数学习方法来提高训练速度。然而，随机分配的网络参数可能会导致网络性能的不稳定。
5.同时，当信号样本的目标类别不平衡，或者样本数据量小时，容易导致分类器准确性的评估变得没有意义，无法识别出信号发射目标的正确类别，在识别时单目标优化在一次运行中只确定一个最优解，要得到多个解需要重新求解。


技术实现要素：

6.鉴于上述的分析，本发明实施例旨在提供一种基于自适应前馈神经网络的通信信号识别方法和系统，用以解决现有小样本信号识别不准确和模型参数调整困难的问题。
7.一方面，本发明实施例提供了一种基于自适应前馈神经网络的通信信号识别方法，包括如下步骤：
8.基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；
9.以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群；
10.根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。
11.基于上述方法的进一步改进，单隐层前馈神经网络的隐层神经元数量k最大为2n 1，其中n表示输入神经元的数量。
12.基于上述方法的进一步改进，二进制类型的各隐层神经元激活状态包括：当该隐
层神经元激活状态为1时，表示该隐层神经元被激活，当该隐层神经元激活状态为0时，表示该隐层神经元未被激活；实数类型的各隐层输入权值和隐层偏置的范围为[-1,1]。
[0013]
基于上述方法的进一步改进，通过混合编码形式组成初始的多个网络个体，如下式所示：
[0014][0015]
其中，xi(g)表示第g代的第i个网络个体，i＝1,2,...,n
pop
，n
pop
是种群规模，θ
i,j
(g)表示第i个网络个体的第j个隐层神经元激活状态，θ
i,j
(g)∈{0,1}；表示第i个网络个体的第j个隐层神经元的输入权值，b
i,j
(g)表示第i个网络个体的第j个隐层神经元的偏置，b
i,j
(g)∈[-1,1],j＝1,2,...,k。
[0016]
基于上述方法的进一步改进，以均方根误差和网络复杂度作为目标函数，是以最小的均方根误差和最小的网络复杂度作为待优化的两个互相冲突的目标，其中网络复杂度通过网络中各隐层神经元激活状态的平均值来表示。
[0017]
基于上述方法的进一步改进，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群，包括：
[0018]
s121：对当前迭代的种群pg进行二进制和实数的混合交叉和混合变异，生成子代种群qg，pg与qg中网络个体数量相同；
[0019]
s122：合成新种群rg＝pg∪qg，将预处理后的信号样本集传入种群rg中每个网络个体中，通过极限学习机计算出对应的输出权值后，计算出每个网络个体的两个目标函数值，得到目标函数值向量；
[0020]
s123：对种群rg进行非支配排序，基于参考点的选择机制，根据每个网络个体的目标函数值向量，从种群rg中筛选出网络个体，得到种群p
g 1
；
[0021]
s124：判断循环是否达到最大迭代次数，如果未达到，则返回s121，将种群p
g 1
作为新的pg进行循环，如果已达到，则退出循环，种群p
g 1
即为帕累托最优种群。
[0022]
基于上述方法的进一步改进，二进制和实数的混合交叉包括：用于k维二进制向量的二进制交叉，以及，用于(n 1)
×
k维实数向量的实数交叉；
[0023]
通过下式进行二进制交叉：
[0024][0025]
通过下式进行实数交叉：
[0026][0027]
其中，αj∈{0,1}是一个随机选择的二进制参数；βj是一个连续参数，在[0,1]中随机选择；d是网络个体混合编码的总长度，d＝(n 2)
×
k；x
p,j
和x
q,j
分别是当前迭代种群pg中的第p个和第q个网络个体中第j个编码值，y
p,j
和y
q,j
分别是生成的子代种群qg中的第p个和第q个网络个体中第j个编码值。
[0028]
基于上述方法的进一步改进，二进制和实数的混合变异包括：反转随机分配的二进制变异，以及，增加正态分布随机数的实数变异；
[0029]
通过下式进行二进制变异：
[0030][0031]
通过下式进行实数变异：
[0032][0033]
其中，rand(0,1)是(0,1)中的一个随机数，μ是预置的控制参数，n(0,σ)
[0034]
表示一个均值为0且方差为σ的正态分布随机数，x
t,j
是当前迭代种群pg中的第t个网络个体中第j个编码值，y
t,j
是生成的子代种群qg中的第t个网络个体中第j个编码值。
[0035]
基于上述方法的进一步改进，根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，是按照均方根误差由小到大排序，根据数量阈值，选择前几个网络个体作为基分类器，并分别设置由大到小的权值，用于对输出结果的加权求和中。
[0036]
另一方面，本发明实施例提供了一种基于自适应前馈神经网络的通信信号识别系统，包括：
[0037]
信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；
[0038]
网络初始化模块，用于基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；
[0039]
网络优化模块，用于以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于数据预处理模块输出的信号样本集，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群；
[0040]
信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理模块输出的实时采集的通信信号传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。
[0041]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0042]
1、在单隐层前馈神经网络学习中同时考虑训练误差和网络复杂度这两个存在矛盾的因素，建立了一个多目标学习模型，并提出了一种与极限学习机集成的混合编码多目标学习方法，提升了通信信号识别网络的泛化能力和学习速度；
[0043]
2、改进了非支配排序遗传方法iii(nsga-iii)，用于处理具有混合变量的多目标模型，使其适用于连续和离散的决策变量，其中二进制编码用于结构学习，实数编码用于优化输入权值和隐层偏置，通过求解帕累托最优解，直接得到训练好的网络模型，克服了模型构建的困难，达到了训练误差和网络复杂度之间的平衡；
[0044]
3、从帕累托最优解中选取多个网络进行集成学习，提高了通信信号样本数量小或样本类别不平衡时的识别准确性。
[0045]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而
易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0046]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0047]
图1为本发明实施例1中基于自适应前馈神经网络的通信信号识别方法流程图；
[0048]
图2为本发明实施例1中单隐层前馈神经网络的结构示意图；
[0049]
图3为本发明实施例1中信号样本集的使用流程图；
[0050]
图4(a)、图4(b)分别为本发明实施例1中diabetes和glass数据集在不同迭代次数下生成的帕累托前沿图。
具体实施方式
[0051]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0052]
本发明的一个具体实施例，公开了一种基于自适应前馈神经网络的通信信号识别方法，如图1所示，包括如下步骤：
[0053]
s11：基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体。
[0054]
如图2所示，是一个单隐层前馈神经网络的结构示意图，图中的网络包括n个输入神经元(即输入数据有n个特征)，k个隐神经元，l个输出神经元(即l个数据类别)，激活函数g(x)采用sigmoid函数，ω是连接输入神经元和隐神经元的输入权值，b是隐层神经元的偏置，β是连接隐神经元和输出神经元的输出权值。单隐层前馈神经网络的隐层神经元数量k最大为2n 1。
[0055]
需要说明的是，本实施例采用二进制编码和实数编码的混合编码来定义单隐层前馈神经网络的网络结构和连接权值。其中，二进制编码被用来表示网络结构，即隐层神经元的激活状态θ，θ的值可以为1或0，其中θ＝1表示相应的隐层神经元被激活，θ＝0表示相应的隐层神经元未被激活。实数编码则用于表示输入权值ω和隐层偏置b。由于本实施例中采用极限学习机计算输出权值，实数类型的各隐层输入权值和隐层偏置在[-1,1]范围内随机生成。
[0056]
通过混合编码形式组成初始的多个网络个体，如下式所示：
[0057][0058]
其中，xi(g)表示第g代的第i个网络个体，i＝1,2,...,n
pop
，n
pop
是种群规模，θ
i,j
(g)表示第i个网络个体的第j个隐层神经元激活状态，θ
i,j
(g)∈{0,1}；表示第i个网络个体的第j个隐层神经元的输入权值，b
i,j
(g)表示第i个网络个体的第j个隐层神经元的偏置，b
i,j
(g)∈[-1,1],j＝1,2,...,k。
[0059]
根据式(1)可得，一个网络个体的混合编码的总长度d＝(n 2)
×
k，第g代种群可表示为：
[0060][0061]
s12：以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群。
[0062]
需要说明的是，本实施例以均方根误差和网络复杂度作为目标函数，是以最小的均方根误差和最小的网络复杂度作为待优化的两个互相冲突的目标，建立了一个两目标的优化模型。
[0063]
第一目标函数是均方根误差，用下式表示：
[0064][0065]
其中，o
r1,r2
表示通过训练数据计算的网络输出，即第r1个训练数据识别为第r2个标签对应的网络输出值，s
r1,r2
表示训练数据对应的实际输出，即第r1个训练数据识别为第r2个标签的实际值，如果该训练数据实际为第l个标签对应的类别，则为1，否则为0，m是训练数据的数量，l是标签数量。
[0066]
第二个目标函数是网络复杂度，通过网络中各隐层神经元激活状态的平均值来表示，如下式所示：
[0067][0068]
其中，k是隐层神经元数量，θj是第j个隐层神经元的激活状态。
[0069]
因此，两目标的优化模型可以表示为：
[0070][0071]
其中，k0表示被激活的隐层神经元数量的最小值，可根据实际情况进行设置；优选地，本实施例中k0＝3。
[0072]
需要说明的是，本实施例对非支配排序遗传方法iii(nsga-iii)进行了改进，使其能够处理具有混合变量的多目标模型，对每代种群进行二进制和实数的混合交叉和混合变异，并与极限学习机(elm)集成，计算出每代种群中每个网络个体的输出权值后，得到每个网络个体的目标函数值向量。
[0073]
具体来说，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群，包括：
[0074]
s121：对当前迭代的种群pg进行二进制和实数的混合交叉和混合变异，生成子代种群qg，pg与qg中网络个体数量相同；
[0075]
需要说明的是，在当前迭代的种群pg中随机选择两个网络个体，生成子代种群qg中的两个网络个体。
[0076]
二进制和实数的混合交叉分别对混合编码中的对应部分进行交叉，包括：用于k维
二进制向量的二进制交叉，以及，用于(n 1)
×
k维实数向量的实数交叉。
[0077]
通过下式进行二进制交叉：
[0078][0079]
通过下式进行实数交叉：
[0080][0081]
其中，αj∈{0,1}是一个随机选择的二进制参数；βj是一个连续参数，在[0,1]中随机选择；d是网络个体混合编码的总长度，d＝(n 2)
×
k；x
p,j
和x
q,j
分别是当前迭代种群pg中的第p个和第q个网络个体中第j个编码值，y
p,j
和y
q,j
分别是生成的子代种群qg中的第p个和第q个网络个体中第j个编码值。
[0082]
二进制和实数的混合变异包括：反转随机分配的二进制变异，以及，增加正态分布随机数的实数变异；
[0083]
通过下式进行二进制变异：
[0084][0085]
通过下式进行实数变异：
[0086][0087]
其中，rand(0,1)是(0,1)中的一个随机数，μ是预置的控制参数，n(0,σ)表示一个均值为0且方差为σ的正态分布随机数，x
t,j
是当前迭代种群pg中的第t个网络个体中第j个编码值，y
t,j
是生成的子代种群qg中的第t个网络个体中第j个编码值。
[0088]
优选地，μ＝0.02，σ＝0.2。
[0089]
种群规模是n
pop
，在每次循环中，混合交叉执行n
pop
×
pc次，混合变异执行n
pop
×
pm次，其中pc为交叉概率，0.7≤pc≤0.9，pm为变异概率，0.1≤pm≤0.3，生成n
pop
个网络个体作为子代种群qg。
[0090]
s122：合成新种群rg＝pg∪qg，将预处理后的信号样本集传入种群rg中每个网络个体中，通过极限学习机计算出对应的输出权值后，计算出每个网络个体的两个目标函数值，得到目标函数值向量；
[0091]
需要说明的是，将当前迭代的种群pg和子代种群qg合并得到新种群rg，其中网络个体数量为2n
pop
。
[0092]
信号样本集是对历史通信信号预处理后的集合，包括训练集和测试集。
[0093]
具体来说，通过宽带信号采集器，采集到来源于多种目标的通信信号，比如：客机、运输机、加油机和直升机；对采集的通信信号通过聚类分析，得到所关注的频点；再通过傅里叶变换、时频分析、模糊函数、spwvd、卷积神经网络等方法提取出通信信号的时域和频域上的特征。其中，时域特征包括：上升沿、下降沿、顶部不平度和脉冲宽度；频域特征包括：频点、频谱图、瞬时频率四阶矩和频率对称度。
[0094]
将每条通信信号数据的每个特征采用下式归一化到[-1,1]区间：
[0095][0096]
其中，c
f,h
为特征c中第h个归一化值，c
b,h
为特征c中第h个待归一化的值，c
b,min
和c
b,max
为特征c待归一化的值中的最小值和最大值。
[0097]
优选地，采用分层10折交叉验证(10-cv)技术，将预处理后的信号样本集按目标类别比平均划分为10份，选取其中的9份作为训练集，其余的作为测试集。
[0098]
如图3所示，基于训练集，根据各隐层输入权值和隐层偏置，在极限学习机中使用广义逆(m-p，moore-penrose)，通过求解线性系统的最小二乘解计算出每个网络个体对应的输出权值。
[0099]
与现有技术相比，本实施例中输入权值和隐藏偏置只有第一次迭代时是随机生成的值，在后续迭代中，都是根据改进的nsga-iii算法筛选得到的值，在使用极限学习机时，极大地提高了网络的稳定性，减少了网络误差。
[0100]
根据输出权值，得到训练数据在每个网络个体中对应的网络输出值，代入式(3)得到每个网络个体的第一目标函数值；根据每个网络个体混合编码中的二进制编码，代入式(4)得到每个网络个体的第二目标函数值。由第一目标函数值和第二目标函数值形成每个网络个体的目标函数值向量。
[0101]
s123：对种群rg进行非支配排序，基于参考点的选择机制，根据每个网络个体的目标函数值向量，从种群rg中筛选出网络个体，得到种群p
g 1
；
[0102]
具体来说，该步骤分为以下几步：
[0103]
①
对种群rg进行非支配排序，得到多个不同优先级的非支配层集合(f1,f2,f3,...)，每个非支配层包含多个网络个体；
[0104]
②
构建一个新种群sg，从优先级最高的非支配层开始，依次加入到新种群sg中，直到首次出现sg中网络个体的数量大于或等于n
pop
，此时最后加入的非支配层记为f
l
，
[0105]
③
如果新种群sg中网络个体的数量等于n
pop
，则sg即为种群p
g 1
，否则，先将(f1,f2,f3,...f
l-1
)放入种群p
g 1
中，然后再从f
l
中基于参考点的选择机制选取其余数量的网络个体加入种群p
g 1
中，使种群p
g 1
中网络个体数量为n
pop
个。
[0106]
具体来说，参考点的数量用如下公式计算：
[0107][0108]
其中，m为目标数量，每个目标被分成v部分。本实施例中，m＝2，示例性地，当v＝10时，参考点的数量为个。
[0109]
根据新种群sg中的所有网络个体在每一维目标上的最小目标函数值，构成新种群sg的理想点，根据理想点标准化sg中各网络个体的目标函数值向量；计算每个网络个体到每条参考线的垂直距离，根据最短距离，确定每个网络个体所关联的参考点，同时也获取到每个参考点所关联的网络个体的数量，即每个参考点的小生镜数。
[0110]
根据小生镜方法从f
l
中选择个体，包括：
[0111]
对小生境数进行升序排序，若是参考点小生境数为0，则说明当前种群中没有网络个体与该参考点相关联，排除该参考点；从小生境数大于等于1并且从小生境数最小的参考点开始选，当有小生境数相同的参考点时随机选取一个，在这种情况下，对被选取的参考点，如果在f
l
中有一个或多个网络个体与其相关联，将与参考线垂直距离最短的网络个体加入到种群p
g 1
中，如果在f
l
中没有网络个体与其相关联，则不考虑该参考点，选择下一个参考点，直至种群p
g 1
中网络个体数量为n
pop
个。
[0112]
s124：判断循环是否达到最大迭代次数，如果未达到，则返回s121，将种群p
g 1
作为新的pg进行循环，如果已达到，则退出循环，种群p
g 1
即为帕累托最优种群。
[0113]
优选地，设置最大迭代次数为50。
[0114]
迭代结束，最后得到的种群p
g 1
即为帕累托最优种群，其中的网络个体直接对应训练好的网络模型，克服了模型构建的困难，达到了训练误差和网络复杂度之间的平衡。
[0115]
示例性地，对uci机器学习存储库(http://archive.ics.uci.edu)的基准分类数据集，采用本实施例的方法进行了训练和测试。对其中的diabetes和glass数据集分别设置最大迭代次数为10、20、30、40和50代，生成的帕累托前沿如图4(a)和图4(b)所示。从图中可以看出，随着迭代次数的增加，方法的收敛性越来越好。当方法达到50代时，就可以找到一组帕累托最优解，相比现有技术，迭代次数少，计算成本低，性能稳定。
[0116]
s13：根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。
[0117]
需要说明的是，根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，是按照均方根误差由小到大排序，根据数量阈值，选择前几个网络个体作为基分类器，并分别设置由大到小的权值，用于对输出结果的加权求和中。
[0118]
优选地，在图3中，基于信号样本集中的测试集，测试各基分类器的识别性能，获取信号识别的平均正确率、准确率的标准差和隐神经元个数。
[0119]
优选地，设置数量阈值为3，即选取均方根误差最小的3个网络个体作为基分类器，相应的权重λ
cj
依次是0.7、0.2、0.1。
[0120]
实施时，通过宽带信号采集器，比如实时频谱分析仪，采集到通信信号，按照步骤s122中的预处理方法，将通信信号预处理后，传入最终确定的基分类器，采用如下公式获取到最大值，其对应的目标类别即为识别结果：
[0121][0122]
其中，x
te
为测试数据或实时采集的预处理后的数据，jn为基分类器数量；(c
cj,1
(x
te
),c
cj,2
(x
te
),...,c
cj,l
(x
te
))为第cj个基分类器的分类结果，加权求和后，取最大值c(x
te
)对应的类别作为最终的信号识别结果，即获取到信号的发射目标类别。
[0123]
需要说明的是，本实施例中的方法不仅限于发射目标类别的识别，可以在预处理信号历史数据时，标注具体的个体类别，重新训练得到网络个体结构，用于对实时采集的信号识别出具体来源个体；也可以基于可见光、红外等图像数据，实现对目标(飞机、坦克、舰船等)的分类和识别。
[0124]
与现有技术相比，本实施例提供的基于自适应前馈神经网络的通信信号识别方法
在单隐层前馈神经网络学习中同时考虑训练误差和网络复杂度这两个存在矛盾的因素，建立了一个多目标学习模型，并提出了一种与极限学习机集成的混合编码多目标学习方法，提升了通信信号识别网络的泛化能力和学习速度；改进了非支配排序遗传方法iii(nsga-iii)，用于处理具有混合变量的多目标模型，使其适用于连续和离散的决策变量，其中二进制编码用于结构学习，实数编码用于优化输入输入权值和隐层偏置，通过求解帕累托最优解，直接得到训练好的网络模型，克服了模型构建的困难，达到了训练误差和网络复杂度之间的平衡；从帕累托最优解中选取多个网络进行集成学习，提高了信号样本数量小或样本类别不平衡时的识别准确性。
[0125]
实施例2
[0126]
本发明的另一个实施例，公开了一种基于自适应前馈神经网络的通信信号识别系统，从而实现实施例1中信号识别方法。各模块的具体实现方式参照实施例1中的相应描述。包括：
[0127]
信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；
[0128]
网络初始化模块，用于基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；
[0129]
网络优化模块，用于以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于数据预处理模块输出的信号样本集，采用改进的nsga-iii算法进行多目标优化，得到帕累托最优种群；
[0130]
信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理模块输出的实时采集的通信信号传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。
[0131]
由于本实施例的基于自适应前馈神经网络的通信信号识别系统与前述通信信号识别方法相关之处可相互借鉴，此处为重复描述，故这里不再赘述。由于本系统实施例与上述方法实施例原理相同，所以本系统也具有上述方法实施例相应的技术效果。
[0132]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0133]
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。