一种入射波探测方法和系统

1.本技术实施例涉及雷达通信技术领域，具体涉及一种入射波探测方法和系统。


背景技术：

2.入射波方向探测在军事和民生领域均有着重要意义。在军事上，各类雷达系统都需要用到波达方向doa估计技术；同时，移动通信中的用户精确定位问题，本质上也是doa问题。
3.传统的doa方法大多用空间谱估计技术进行求解，如music算法、esprit算法等。但这些方法严重依赖于阵列结构的先验知识，并且其算法都基于阵元接收的相位差信息。这不仅需要复杂的计算方式，还需要昂贵而笨重的装置。并且，考虑到实际场景的随机性，当存在随机噪声或者信噪比不够大时，算法需要针对不同情况做出更合理的选择。
4.因此，尽管传统的探测方法在某些情况下能得到很好的探测效果，其使用的必要条件对于硬件和软件都是不小的挑战。


技术实现要素：

5.为此，本技术实施例提供一种入射波探测方法和系统，高效准确且低成本地探测入射波信息。
6.为了实现上述目的，本技术实施例提供如下技术方案：
7.根据本技术实施例的第一方面，提供了一种入射波探测方法，所述方法包括：
8.收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；
9.将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。
10.可选地，所述天线阵列包括交替设置的若干第一宽带天线和若干第二宽带天线；所述第一宽带天线用于接收水平方向电场，所述第二宽带天线用于接收垂直方向电场。
11.可选地，在天线阵列的每个天线端口设置射频接收电路，以使得在不同入射波条件下产生不同的电压响应，作为幅度数据。
12.可选地，所述入射波预测神经网络按照如下步骤设置结构：
13.将作为测试样本的幅度数据输入入射波预测神经网络的输入层，所述输入层的节点个数为所述样本的特征维度；
14.模式层用于计算测试样本和每个训练样本的高斯函数取值，所述模式层的节点个数为所述训练样本的个数；
15.求和层用于对模式层输出的值进行加权求和，所述求和层的节点个数为标签向量的维度加一；所述求和层的第一个节点输出为模式层输出的算术和，其余节点的输出为模式层输出的加权和，权值为对应训练样本的对应标签；
16.输出层的节点个数为标签向量的维度，所述标签为水平角、俯仰角和极化角。
17.根据本技术实施例的第二方面，提供了一种入射波探测系统，所述系统包括：
18.数据收集模块，用于收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；
19.入射波预测模块，用于将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。
20.可选地，所述天线阵列包括交替设置的若干第一宽带天线和若干第二宽带天线；所述第一宽带天线用于接收水平方向电场，所述第二宽带天线用于接收垂直方向电场。
21.可选地，在天线阵列的每个天线端口设置射频接收电路，以使得在不同入射波条件下产生不同的电压响应，作为幅度数据。
22.可选地，所述入射波预测神经网络按照如下步骤设置结构：
23.将作为测试样本的幅度数据输入入射波预测神经网络的输入层，所述输入层的节点个数为所述样本的特征维度；
24.模式层用于计算测试样本和每个训练样本的高斯函数取值，所述模式层的节点个数为所述训练样本的个数；
25.求和层用于对模式层输出的值进行加权求和，所述求和层的节点个数为标签向量的维度加一；所述求和层的第一个节点输出为模式层输出的算术和，其余节点的输出为模式层输出的加权和，权值为对应训练样本的对应标签；
26.输出层的节点个数为标签向量的维度，所述标签为水平角、俯仰角和极化角。
27.根据本技术实施例的第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
28.根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
29.综上所述，本技术实施例提供了一种入射波探测方法和系统，通过收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。高效准确且低成本地探测入射波信息。
附图说明
30.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
31.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
32.图1为本技术实施例提供的一种入射波探测方法流程示意图；
33.图2为本技术实施例提供的系统整体示意图；
34.图3为本技术实施例提供的观测空间整体示意图；
35.图4a和图4b为本技术实施例提供的天线单元的3d示意图；
36.图5a和图5b为本技术实施例提供的天线单元的s11参数仿真图；
37.图6为本技术实施例提供的grnn神经网络模型示意图；
38.图7为本技术实施例提供的一种入射波探测系统框图；
39.图8示出了本技术实施例提供的一种电子设备的结构示意图；
40.图9示出了本技术实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
41.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
42.入射信号中除了幅度、相位信息外，还有一个重要的信息资源——极化信息。由于电磁波照射目标后，其极化状态将发生改变，且改变情况与目标的形状、结构、材料以及姿态等因素有关，还与照射到目标的极化状态有关，因此，可以利用目标回波中的极化特征来识别目标。基于机器学习的入射波探测系统不仅在接受数据的便利性、准确性和复杂性上得到了极大的改善，同时还可以收集入射信号的水平角、俯仰角和极化信息，应用领域更广。
43.对于处理接收数据的部分，本技术实施例提供的方法摒弃了复杂的电磁学领域的模型和算法，选择了神经网络来自动生成输入数据和输出数据之间的关系。仅需要有限的幅度数据即可计算出来波方向以及极化信息，不仅简化了数据结构，也降低了算法的难度、简化了硬件设备。
44.图1示出了本技术实施例提供的一种入射波探测方法，所述方法包括：
45.步骤101：收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；
46.步骤102：将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。
47.在一种可能的实施方式中，所述天线阵列包括交替设置的若干第一宽带天线和若干第二宽带天线；所述第一宽带天线用于接收水平方向电场，所述第二宽带天线用于接收垂直方向电场。
48.在一种可能的实施方式中，在天线阵列的每个天线端口设置射频接收电路，以使得在不同入射波条件下产生不同的电压响应，作为幅度数据。
49.在一种可能的实施方式中，所述入射波预测神经网络按照如下步骤设置结构：
50.将作为测试样本的幅度数据输入入射波预测神经网络的输入层，所述输入层的节点个数为所述样本的特征维度；
51.模式层用于计算测试样本和每个训练样本的高斯函数取值，所述模式层的节点个数为所述训练样本的个数；
52.求和层用于对模式层输出的值进行加权求和，所述求和层的节点个数为标签向量的维度加一；所述求和层的第一个节点输出为模式层输出的算术和，其余节点的输出为模
式层输出的加权和，权值为对应训练样本的对应标签；
53.输出层的节点个数为标签向量的维度，所述标签为水平角、俯仰角和极化角。
54.图2示出了本技术实施例适用的系统结构图，主要包括三个部分：入射空间、观测空间和估计空间。
55.入射空间：被探测波所在空间，采用球坐标系，即入射波的方向用水平角φ、和俯仰角θ以及极化角γ表示。规定探测波为线性极化波，并在球坐标下表示传播法向和电场方向。
56.观测空间：一个多端口天线阵列，在被探测波电磁波入射时，每个端口的接收天线上产生相应的电压波形，从中得到幅度数据。接收天线是宽带天线，以覆盖所需探测的宽频入射波。天线阵列有多于3个但不多于10个接收天线，以保证所收集特征数据的完整性与简洁性；而阵列的形状和位置不需要精确设计。天线阵列通过将不同类型天线单元集合在同一个天线阵列上，使得天线阵列同时对水平和垂直方向电场敏感，保证了所收集特征数据的敏感性。本实施例所适用的频率范围，即天线阵列适用频率范围为8ghz≤f≤12ghz，入射波方向为30
°
≤θ≤90
°
，0
°
≤φ≤360
°
，极化角为0《γ《90
°
。
57.估计空间：提前训练好的神经网络，以接收天线上的幅度数据作为特征输入，快速预测入射波的方向以及极化角。估计空间中的神经网络需提前用不同的水平角φ、俯仰角θ、极化角γ以及频率f的入射波收集到的幅度数据训练得到，具备输入多组天线得到的幅度数据即可迅速输出φ、θ，以及极化角γ的能力。
58.图3为本技术实施例提供的观测空间整体示意图，入射波探测方法的观测空间主要由8个天线组成的圆形阵列构成。这8个天线属于两类，一类是偶极天线，另一类是槽天线。其中偶极天线对水平方向电场敏感，槽天线对垂直方向电场敏感。这两类天线每45
°
交替出现，使得该8端口圆形阵列90
°
旋转对称。在设置时，为了对于两个方向的电场都有敏感性，两种宽带天线数量相同为佳。但因为两类天线在设计时性能本身就存在差异，不排除特殊情况。
59.在仿真时通过在天线端口放置接收电路，获取电压值；例如放置一个50ω的电阻作为阻抗匹配和接收器件，基于天线阵列对偏振和方向入射角度和极化角敏感，在不同入射波条件下产生不同的电压响应，可作为幅度数据。但获取电压值包括不限于这一种方法。
60.图4a和图4b为本技术实施例提供的天线单元的3d示意图，介质层相对介电常数为3.5，厚度为0.8mm，左边是宽带偶极天线的3d示意图，右边是宽带槽天线的3d示意图。
61.图5a和图5b为本技术实施例提供的天线单元的s参数仿真图，为验证观测空间的天线单元性能，对这两类天线单元单独仿真，测得其s参数，发现在要求的频率范围8ghz≤f≤12ghz内，s参数均小于-10db，可保证天线接收性能。
62.在频率为10ghz时，两种天线单元的辐射图不均匀性较明显，这使得仅从振幅序列推断出入射波是可能的。对于单个天线而言，对角度和偏振敏感的辐射图为感知入射波的多个参数方向奠定了理论基础，说明了偶极天线与槽天线交替阵列感知入射角和偏振的可能性。
63.在10ghz、tm极化γ＝90
°
和θ＝60
°
时，以10
°
步长，将φ从20
°
扫至80
°
，获得8个接收天线中的某一个单元的感应电压。可以看到，随着φ的增大，电压幅值不断变化。
64.在10ghz、tm极化γ＝90
°
和φ＝45
°
时，以10
°
步长，将θ从30
°
扫至90
°
，获得8个接
收天线中的某一个单元的感应电压。可以看到，随着θ的增大，电压幅值减小(从3.2mv减小0.24mv)。
65.在10ghz、θ＝60
°
和φ＝45
°
时，以10
°
步长，将γ从0
°
扫至90
°
，获得8个接收天线中的某一个单元的感应电压。
66.可以看到，随着γ的增大，电压幅值增大。对于10ghz下随机tm入射波，考虑所有8个元素的感应电压，发现它们彼此不同。这些模拟结果说明了从纯振幅序列反推理入射波信息的可能性。
67.本技术实施例采用的广义回归神经网络grnn，采用四层网络结构，图6为本技术实施例提供的grnn神经网络模型示意图，包括输入层、模式层。求和层以及输出层。
68.输入层输入测试样本，grnn的节点个数等于样本的特征维度，样本的特征为天线采集的电压值。
69.模式层是测试样本tex与第j个训练样本trxj之间的gauss函数取值。grnn的模式层与pnn的模式层相同，用于计算测试样本与训练样本中的每一个样本的gauss函数的取值，节点个数等于训练样本的个数。测试样本tex与第j个训练样本trxj直接的gauss函数取值(对于测试样本tex，从第j个模式层节点输出的数值)为：其中δ是模型的超参数，需要在开始学习过程之前设置，也可以通过寻优算法(ga，qga，pso，qpso等)获得。
70.求和层是模式层的值的求和或者是加权和，权值就是对应训练样本的对应标签。求和层的节点个数等于标签向量的维度加1(k 1)，求和层的输出分为两部分，第一个节点输出为模式层输出的算术和，其余k个节点的输出为模式层输出的加权和，加权系数y
ij
为第i个模式层节点对应的训练样本的标签的第j个元素。假设对于测试样本tex，模式层的输出为{g1，g2，
…
，gm}，求和层第一个节点的输出为其余k个节点的输出为
71.输出层节点个数等于标签向量的维度，输出层每个节点的输出等于对应的求和层输出与求和层的第一个节点的输出相除。标签向量是水平角、俯仰角和极化角这三个标签组成的向量。
72.在本实施例中，因为输入层以8个接收天线上的幅度数据作为特征输入，所以输入层故有8个节点。输入特征就是8个天线采集得到的电压值，所以特征维度是8；标签向量为训练时的水平角、俯仰角和极化角这三个标签组成的向量。
73.在为grnn模型收集模拟数据的过程中，θ范围从30
°
到90
°
，步长为3
°
；φ范围从0
°
到360
°
，步长为3
°
；γ范围从0
°
到90
°
，步长为10
°
；f范围从8到12ghz，步长为1ghz。因此在每个固定的入射波频率与极化角下，收集到6300组角度，所以模式层有6300个节点。输出为水平角φ、俯仰角θ以及极化角γ，所以输出层有3个节点，求和层有4个节点。输入层、模式层、求和层以及输出层是grnn的固定结构。
74.为了量化grnn性能，需要明确部署一些标准。用下标“grnn”和“true”分别代表预测结果和实际值，对于入射方向，只有当|θ
grnn-θ
true
|≤3
°
、|φ
grnn-φ
true
|≤3
°
和|γ
grnn-γ
true
|≤10
°
时才会出现正确的预测。
75.实际的仿真结果表明，对于θ、φ和γ，x波段上的平均精度分别达到了94.8％，95.83，99.7％，在所要的整个频率区间上都有较好的预测效果。而在给出极化角的情况下，θ和φ的预测精度平均可以达到99.5％和99.1％，在所要的整个频率区间上都有较好的预测效果。
76.本技术实施例选用的广义回归神经网络grnn，是径向基神经网络的一种，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题。grnn在逼近能力和学习速度上较rbf网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也较好。
77.此外，grnn网络还可以处理不稳定的数据。grnn网络在信号过程、结构分析、教育产业、能源、食品科学、控制决策系统、药物设计、金融领域、生物工程等各个领域都已得到了广泛的应用，本方法将之引入电磁学领域，不仅简化了数据结构，也降低了算法的难度、简化了硬件设备。
78.可以看出，本技术实施例提供的入射波探测方法中，观测空间用一个多端口混合天线阵列代替由传统t型或环形天线天线阵列，减少了天线数量，减小了设备体积与制造复杂度、降低控制难度。又提出将神经网络作为估计空间，无需考虑输入数据和输出数据之间的复杂对应关系，也无需进行子空间分解，降低算法复杂度，提升了运算效率。用提前训练好的神经网络处理接收天线上的相应幅度数据，预测速度快，准确率高。该方法为一种精度较高、成本低、简单灵活、普适性高的入射波探测方法，可以同时探测包括方向、极化甚至频率在内的多种参数，性价比高且操作简单，有利于推广应用。
79.综上所述，本技术实施例提供了一种入射波探测方法，通过收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。高效准确且低成本地的探测入射波信息。
80.基于相同的技术构思，本技术实施例还提供了一种入射波探测系统，如图7所示，所述系统包括：
81.数据收集模块701，用于收集待测入射波进入天线阵列时，天线阵列的每个天线端口产生的幅度数据；
82.入射波预测模块702，用于将所述幅度数据输入入射波预测神经网络，预测得到待测入射波的水平角、俯仰角和极化角。
83.在一种可能的实施方式中，所述天线阵列包括交替设置的若干第一宽带天线和若干第二宽带天线；所述第一宽带天线用于接收水平方向电场，所述第二宽带天线用于接收垂直方向电场。
84.在一种可能的实施方式中，在天线阵列的每个天线端口设置电阻元件，以使得在不同入射波条件下产生不同的电压响应，作为幅度数据。
85.在一种可能的实施方式中，所述入射波预测神经网络按照如下步骤设置结构：
86.将作为测试样本的幅度数据输入入射波预测神经网络的输入层，所述输入层的节点个数为所述样本的特征维度；
87.模式层用于计算测试样本和每个训练样本的高斯函数取值，所述模式层的节点个数为所述训练样本的个数；
88.求和层用于对模式层输出的值进行加权求和，所述求和层的节点个数为标签向量的维度加一；所述求和层的第一个节点输出为模式层输出的算术和，其余节点的输出为模式层输出的加权和，权值为对应训练样本的对应标签；
89.输出层的节点个数为标签向量的维度，所述标签为水平角、俯仰角和极化角。
90.本技术实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图8，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。所述电子设备20可以包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的方法。
91.其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
92.总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述方法可以应用于处理器200中，或者由处理器200实现。
93.处理器200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200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200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)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。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该处理器也可以是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。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
94.本技术实施例提供的电子设备与本技术实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
95.本技术实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图9，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
96.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
97.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的方法出
于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
98.需要说明的是：
99.在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
100.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
101.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
102.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
103.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
104.本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
105.应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，
不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
106.以上所述，仅为本技术较佳的具体实施方式，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，可轻易想到的变化或替换，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。