语音识别中端到端的语音的置信度估计方法及装置与流程

1.本发明涉及语音处理技术领域，具体提供一种语音识别中端到端的语音的置信度估计方法及装置、控制装置和存储介质。


背景技术：

2.语音识别是一种让机器通过识别和理解过程把语音信号转变为相应的文本或命令的人工智能技术。由于现有的语音识别技术还无法完全正确地识别出语音内容，因此通常使用置信度来表示识别结果的可靠性。置信度对于评估语音识别的准确性有着非常重要的参考价值，许多的语音识别相关的应用通过控制置信度的阈值来减少语音识别的错误，在对话系统中，置信度作为准确性的参考，可以返回给用户，用户看到置信度的值后，对语音识别的准确性有了把握。
3.传统的置信度计算方法主要包括基于预测特征的方法(predictor featuresbasedcm)和基于后验概率的方法(posterior based cm)。但是由于端到端系统在解码过程中无法直接利用词图信息和语言模型的信息，而是通过将解码器每一步的softmax概率作为输出字符的置信度估计分数。然而，基于softmax概率进行置信度估计，存在过度自信的问题，即识别率差的字符，输出的置信分数也会比较高，因此使用softmax概率进行置信度估计在实际中应用效果很不理想，故端到端语音识别系统的置信度估计效果很差。
4.相应地，本领域需要一种新的语音识别中端到端的语音的置信度估计方案来解决上述问题。


技术实现要素：

5.本发明旨在解决上述技术问题，即，解决现有技术中使用基于softmax概率进行置信度估计时存在的过度自信的问题，即存在识别率差的字符，导致最终输出的置信分数较高的问题，本发明提供了一种语音识别中端到端的语音的置信度估计方法及装置、控制装置和存储介质。
6.在第一方面，本发明提供一种语音识别中端到端的语音的置信度估计方法，该置信度估计方法包括：
7.提取音频数据的第一声学特征向量；
8.将所述第一声学特征向量输入编码器得到对应的第一编码特征；
9.将所述第一编码特征分别输入到解码器和置信度估计模型，分别输出第一语音识别结果和对应的第一置信度。
10.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，在将所述第一编码特征分别输入到解码器和置信度估计模型，分别输出第一语音识别结果和对应的第一置信度之前，所述方法还包括：
11.根据编码器基于音频训练样本输出的第二编码特征和根据解码器基于第二编码
特征输出的第二识别结果对所述置信度估计模型进行训练。
12.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，根据编码器基于音频训练样本输出的第二编码特征和根据解码器基于第二编码特征输出的第二识别结果对所述置信度估计模型进行训练，包括：
13.获取音频训练样本以及对应的标注文本；
14.提取所述音频训练样本的第二声学特征向量；
15.将所述第二声学特征向量输入编码器得到对应的第二编码特征；
16.将所述第二编码特征分别输入到解码器和置信度估计模型，分别输出第二识别结果和第二置信度；
17.将所述第二识别结果与所述标注文本进行比较，得到所述第二识别结果对应的置信度标签；
18.判断所述音频训练样本中第二置信度与置信度标签一致的训练样本数量是否大于第一阈值，若是，则得到训练好的置信度估计模型，若否，则继续训练。
19.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，所述置信度估计模型包括前向层和分类层。
20.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，将第一编码特征输入到置信度估计模型，输出第一置信度，包括：
21.将所述第一编码特征输入所述前向层，输出第一置信度对应的最终状态；
22.将所述第一置信度对应的最终状态作为所述分类器的输入，输出第一置信度。
23.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，所述编码器包括：多层双向gru模块，其中，每层双向gru模块包括前向gru单元和后向gru单元。
24.在上述语音识别中端到端的语音的置信度估计方法的一个技术方案中，所述将所述第一声学特征向量输入编码器得到对应的第一编码特征，包括：
25.将第一声学特征向量分别作为第一层前向gru单元的输入和第一层后向gru单元的输入，分别计算得到第一层前向gru单元输出和第一层后向gru单元输出，并将第一层前向gru单元输出与第一层后向gru单元输出进行拼接作为第一层双向gru模块的输出；
26.将第i-1层双向gru模块的输出作为第i层前向gru单元的输入和第i层后向gru单元的输入，分别计算得到第i层前向gru单元输出和第i层后向gru单元输出，并将第i层前向gru单元输出与第i层后向gru单元输出进行拼接作为第i层双向gru模块的输出；
27.其中2≤i≤i，i为总层数。
28.在第二方面，本发明提供一种语音识别中端到端的语音的置信度估计装置，该置信度估计装置包括：
29.提取模块，用于提取音频数据的第一声学特征向量；
30.编码器模块，用于将所述第一声学特征向量输入编码器得到对应的第一编码特征；
31.解码器模块，用于将所述第一编码特征输入到解码器模块，输出第一语音识别结果；
32.置信度估计模块，用于将所述第一编码特征输入到置信度估计模型，输出对应的第一置信度。
33.在第三方面，本发明提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述置信度估计方法的技术方案中任一项技术方案所述的方法。
34.在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述置信度估计方法的技术方案中任一项技术方案所述的方法。
35.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：在实施本发明的技术方案中，提出一种语音识别中端到端的语音的置信度估计方法，该方法通过提取音频数据的第一声学特征向量；将所述第一声学特征向量输入编码器得到对应的第一编码特征；将所述第一编码特征输入到训练好的置信度估计模型，可以输出对应的第一置信度，通过训练后的置信度估计模型得到的第一置信度的值的准确率更高，具有更高的参考价值。
附图说明
36.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
37.图1是根据本发明的一个实施例的语音识别中端到端的语音的置信度估计方法的主要步骤流程示意图；
38.图2是根据本发明的一个实施例的语音识别中端到端的语音的置信度估计装置的模块示意图；
39.图3是根据本发明的一个实施例的步骤s102的主要步骤流程示意图；
40.图4是根据本发明的一个实施例的置信度估计模型的训练阶段的主要步骤流程示意图；
41.图5是根据本发明的一个实施例的控制装置的主要结构框图示意图。
具体实施方式
42.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
43.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
44.随着数据处理技术的进步以及移动互联网的快速普及，计算机技术被广泛地运用
到了社会的各个领域，随之而来的是海量数据的产生，其中，语音数据受到了人们越来越多的重视。近些年来，语音识别技术开始逐步进入工业、家电、通信、汽车电子、医疗、家庭服务及消费电子产品等各个领域。
45.语音识别是一种让机器通过识别和理解过程把语音信号转变为相应的文本或命令的人工智能技术。由于现有的语音识别技术还无法完全正确地识别出语音内容，因此通常使用置信度来表示识别结果的可靠性。置信度对于评估语音识别的准确性有着非常重要的参考价值，许多的语音识别相关的应用通过控制置信度的阈值来减少语音识别的错误，在对话系统中，置信度作为准确性的参考，可以返回给用户，用户看到置信度的值后，对语音识别的准确性有了把握。
46.传统的置信度计算方法主要包括基于预测特征的方法(predictor featuresbasedcm)和基于后验概率的方法(posterior basedcm)。但是由于端到端系统在解码过程中无法直接利用词图信息和语言模型的信息，而是通过将解码器每一步的softmax概率作为输出字符的置信度估计分数。然而，基于softmax概率进行置信度估计，存在过度自信的问题，即识别率差的字符，输出的置信分数也会比较高，因此使用softmax概率进行置信度估计在实际中应用效果很不理想，故端到端语音识别系统的置信度估计效果很差。
47.有鉴于此，本发明提供了一种语音识别中端到端的语音的置信度估计方法，该方法通过提取音频数据的第一声学特征向量；将所述第一声学特征向量输入编码器得到对应的第一编码特征；将所述第一编码特征输入到训练好的置信度估计模型，可以输出对应的第一置信度，通过训练后的置信度估计模型得到的第一置信度的值的准确率更高，获得的置信度的具有更高的参考价值。
48.参阅附图1，图1是根据本发明的一个实施例的语音识别中端到端的语音的置信度估计方法的主要步骤流程示意图。如图1所示，本发明实施例中的语音识别中端到端的语音的置信度估计方法主要包括下列步骤s101-步骤s103。
49.步骤s101：提取音频数据的第一声学特征向量；
50.步骤s102：将所述第一声学特征向量输入编码器得到对应的第一编码特征；
51.步骤s103：将所述第一编码特征分别输入到解码器和置信度估计模型，分别输出第一语音识别结果和对应的第一置信度。
52.请参阅图2，上述实施方式的语音识别中端到端的语音的置信度估计方法可以由本发明实施方式的语音识别中端到端的语音的置信度估计装置100实现。具体地，本发明实施方式的一种语音识别中端到端的语音的置信度估计装置100，包括提取模块11、编码器模块12、解码器模块13和置信度估计模块14。提取模块11，用于提取音频数据的第一声学特征向量；编码器模块12，用于将所述第一声学特征向量输入编码器得到对应的第一编码特征；解码器模块13，用于将所述第一编码特征输入到解码器模块，输出第一语音识别结果；置信度估计模块14，用于将所述第一编码特征输入到置信度估计模型，输出对应的第一置信度。
53.上述语音识别中端到端的语音的置信度估计方法和语音识别中端到端的语音的置信度估计装置100，直接由声学特征、第一编码特征和训练好的置信度估计模型计算得出对应的第一置信度，此置信度估计方法无需适配与依赖语音识别解码器的具体实现，具有独立优化、高效、减少错误累加的优点，在实际业务场景中具有较高的实用价值。
54.在本公开实施例中所涉及的语音识别中端到端的语音的置信度估计方法可以应用于电子设备；这里，所述电子设备包括终端或服务器等设备，该终端可以为手机、平板电脑、笔记本电脑等；该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。
55.接下来，以具体实施方式说明本发明语音识别中端到端的语音的置信度估计方法的全部工作流程。
56.步骤s101：提取音频数据的第一声学特征向量。
57.一个实施方式中，可将电子设备与音频采集设备连接，通过音频采集设备获取音频数据，并提取音频数据的第一声学特征向量。在语音识别方面，最常用到的语音特征就是梅尔倒谱系数(mel-scalefrequency cepstral coefficients，简称mfcc)。mfcc通常有以下之过程：1.将一段语音信号分解为多个讯框；2.将语音信号预强化，通过一个高通滤波器；3.进行傅立叶变换，将信号变换至频域；4.将每个讯框获得的频谱通过梅尔滤波器(三角重叠窗口)，得到梅尔刻度；5.在每个梅尔刻度上提取对数能量；6.对上面获得的结果进行离散傅里叶反变换，变换到倒频谱域；7.mfcc就是这个倒频谱图的幅度(amplitudes)。一般使用12个系数，与讯框能量叠加得13维的系数。本实施例中提取音频数据的第一声学特征向量便采用上述mfcc的过程，最终得到第一声学特征向量x＝(x1，...，x
t
)，其中，假设音频时长为1s，每一帧的时间点为10ms，则t＝100。
58.步骤s102：将所述第一声学特征向量输入编码器得到对应的第一编码特征。
59.一个实施方式中，所述编码器包括：多层双向gru模块，其中，每层双向gru模块包括前向gru单元和后向gru单元。
60.一个实施方式中，编码器包括4层双向gru模块，分别为第一层双向gru模块、第二层双向gru模块、第三层双向gru模块和第四层双向gru模块，其中，第一层双向gru模块包括第一层前向gru单元和第一层后向gru单元，第二层双向gru模块包括第二层前向gru单元和第二层后向gru单元，第三层双向gru模块包括第三层前向gru单元和第三层后向gru单元，第四层双向gru模块包括第四层前向gru单元和第四层后向gru单元。
61.一个实施方式中，如图3所示，所述步骤s102包括：
62.步骤s1021：将第一声学特征向量分别作为第一层前向gru单元的输入和第一层后向gru单元的输入，分别计算得到第一层前向gru单元输出和第一层后向gru单元输出，并将第一层前向gru单元输出与第一层后向gru单元输出进行拼接作为第一层双向gru模块的输出；
63.步骤s1022：将第一层双向gru模块的输出作为第二层前向gru单元的输入和第二层后向gru单元的输入，分别计算得到第二层前向gru单元输出和第二层后向gru单元输出，并将第二层前向gru单元输出与第二层后向gru单元输出进行拼接作为第二层双向gru模块的输出；
64.步骤s1023：将第二层双向gru模块的输出作为第三层前向gru单元的输入和第三层后向gru单元的输入，分别计算得到第三层前向gru单元输出和第三层后向gru单元输出，并将第三层前向gru单元输出与第三层后向gru单元输出进行拼接作为第三层双向gru模块的输出；
65.步骤s1024：将第三层双向gru模块的输出作为第四层前向gru单元的输入和第四
层后向gru单元的输入，分别计算得到第四层前向gru单元输出和第四层后向gru单元输出，并将第四层前向gru单元输出与第四层后向gru单元输出进行拼接作为第四层双向gru模块的输出。
66.本实施例中，由于编码器包括4层双向gru模块，因此第四层双向gru模块的输出便为第一声学特征向量输入编码器得到对应的第一编码特征，若编码器包括i层双向gru模块，则第i层双向gru模块的输出便为第一声学特征向量输入编码器得到的对应的第一编码特征。
67.步骤s103：将所述第一编码特征分别输入到解码器和置信度估计模型，分别输出第一语音识别结果和对应的第一置信度。
68.在本实施例中，解码器例如采用beam_search解码器，beam_search包含一个参数beamsizek，表示每一时刻均保留得分最高的k个序列，然后下一时刻用这k个序列继续生成，因此beam_search解码器更容易得到全局最优解。本实施例中将第一编码特征输入到beam_search解码器中得到第一语音识别结果。
69.本实施例中，将所述第一编码特征输入到置信度估计模型，输出对应的第一置信度，这里的置信度估计模型是已经训练好的置信度估计模型，因此在将第一编码特征输入到已经训练好的置信度估计模型之前，首先要对置信度估计模型进行训练。
70.一个实施方式中，在将所述第一编码特征分别输入到解码器和置信度估计模型，分别输出第一语音识别结果和对应的第一置信度之前，所述方法还包括：
71.根据编码器基于音频训练样本输出的第二编码特征和根据解码器基于第二编码特征输出的第二识别结果对所述置信度估计模型进行训练。
72.一个实施方式中，语音识别中端到端的语音的置信度估计方法包括置信度估计模型的训练阶段，在置信度估计模型的训练阶段，使用音频训练样本对应的第二声学特征，将第二声学特征输入编码器后输出第二编码特征，并将第二声学特征输入解码器后输出第二识别结果，根据第二编码特征和第二识别结果对置信度估计模型进行训练，当音频训练数据中的第二编码特征输入置信度估计模型后输出得到的第二置信度与根据第二识别结果得到的置信度标签保持一致的训练样本数量大于预设阈值时，训练完成并得到训练好的置信度估计模型。
73.一个实施方式中，如图4所示，所述根据编码器基于音频训练样本输出的第二编码特征和根据解码器基于第二编码特征输出的第二识别结果对所述置信度估计模型进行训练，包括：
74.步骤s1001：获取音频训练样本以及对应的标注文本；
75.步骤s1002：提取所述音频训练样本的第二声学特征向量；
76.步骤s1003：将所述第二声学特征向量输入编码器得到对应的第二编码特征；
77.步骤s1004：将所述第二编码特征分别输入到解码器和置信度估计模型，分别输出第二识别结果和第二置信度；
78.步骤s1005：将所述第二识别结果与所述标注文本进行比较，得到所述第二识别结果对应的置信度标签；
79.步骤s1006：判断所述音频训练样本中第二置信度与置信度标签一致的训练样本数量是否大于第一阈值，若是，则得到训练好的置信度估计模型，若否，则继续训练。
80.一个实施方式中，例如获取3000个音频训练样本以及这3000个音频训练样本对应的标注文本，采用梅尔倒谱系数(mel-scalefrequency cepstral coefficients，简称mfcc)分别提取这3000个音频训练样本的第二声学特征向量，将得到的第二声学特征向量分别输入编码器得到对应的第二编码特征，将第二编码特征输入解码器得到第二识别结果，将第二编码特征输入置信度估计模型，输出对应的第二置信度。其中，所述置信度估计模型包括前向层和分类层。
81.一个实施方式中，将第二编码特征输入置信度估计模型，输出对应的第二置信度，包括：
82.将所述第二编码特征输入所述前向层，输出第二置信度对应的最终状态；
83.将所述第二置信度对应的最终状态作为分类层的输入，输出第二置信度。
84.接续上述实施方式，得到第二识别结果后，将第二识别结果与音频训练样本数据对应的标注文本进行对比，若第二识别结果与对应的标注文本一致，则得到该第二识别结果的置信度标签为1，若第二识别结果与对应的标注文本不一致，则得到该第二识别结果的置信度标签为0。
85.得到第二识别结果的置信度标签后，将第二识别结果的置信度标签与根据将第二编码特征输入置信度估计模型，输出对应的第二置信度进行比较，若3000个音频训练样本中有2400个输出的第二置信度的结果与根据第二识别结果得到的置信度标签一致，则说明此时的置信度估计模型已经训练完成，若3000个音频训练样本中达不到有2400个输出的第二置信度的结果与根据第二识别结果得到的置信度标签一致，则继续训练置信度估计模型。
86.当得到训练好的置信度估计模型后，该置信度估计模型便可进入应用阶段，即上述提取音频数据的第一声学特征向量后，将该第一声学特征向量输入编码器，得到第一编码特征，将该第一编码特征输入到训练好的置信度估计模型，输出得到对应的第一置信度。
87.一个实施方式中，将第一编码输入到置信度估计模型，输出对应的第一置信度，包括：
88.将所述第一编码特征输入所述前向层，输出第一置信度对应的最终状态；
89.将所述第一置信度对应的最终状态作为所述分类器的输入，输出第一置信度。基于上述步骤s101-s103，本发明提出一种语音识别中端到端的语音的置信度估计方法，该方法通过提取音频数据的第一声学特征向量；将所述第一声学特征向量输入编码器得到对应的第一编码特征；将所述第一编码特征输入到训练好的置信度估计模型，可以输出对应的第一置信度，通过训练后的置信度估计模型得到的第一置信度的值的准确率更高，具有更高的参考价值。
90.需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
91.进一步，本发明还提供了一种语音识别中端到端的语音的置信度估计装置。
92.参阅附图2，图2是根据本发明的一个实施例的语音识别中端到端的语音的置信度估计装置的主要结构框图。如图2所示，本发明实施例中的语音识别中端到端的语音的置信
度估计装置主要包括提取模块11、编码器模块12、解码器模块13和置信度估计模块14。在一些实施例中，提取模块11、编码器模块12、解码器模块13和置信度估计模块14中的一个或多个可以合并在一起成为一个模块。在一些实施例中提取模块11可以被配置成提取音频数据的第一声学特征向量。编码器模块12可以被配置成将所述第一声学特征向量输入编码器得到对应的第一编码特征。解码器模块13可以被配置成将所述第一编码特征输入到解码器模块，输出第一语音识别结果。置信度估计模块14可以被配置成将所述第一编码特征输入到置信度估计模型，输出对应的第一置信度。一个实施方式中，具体实现功能的描述可以参见步骤s101-步骤s103所述。
93.上述语音识别中端到端的语音的置信度估计装置以用于执行图1所示的语音识别中端到端的语音的置信度估计方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，语音识别中端到端的语音的置信度估计装置的具体工作过程及有关说明，可以参考语音识别中端到端的语音的置信度估计方法的实施例所描述的内容，此处不再赘述。
94.本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
95.进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，如图5所示，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的语音识别中端到端的语音的置信度估计方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的语音识别中端到端的语音的置信度估计方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
96.进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的语音识别中端到端的语音的置信度估计方法的程序，该程序可以由处理器加载并运行以实现上述语音识别中端到端的语音的置信度估计方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
97.进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的
一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
98.本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
99.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。