基于复合滤波算法的滤波器优化方法、系统、装置及介质

技术领域

本发明涉及信号处理技术领域，尤其是一种基于复合滤波算法的滤波器优化方法、系统、装置及介质。

背景技术

随着科技的快速发展，人工智能在人类生活中得到了普遍应用，其中语音识别在人机交互中扮演者重要的角色，语音识别的难度越来越大、内容越来越多，对识别技术的精确度要求也就越来越高。特别是多功能的传感器的应用，对于采集信号的要求更为严格，而当传感器采集交互的语音信号时，通常会受到来自外界信号的干扰，例如周围其他人群的谈话内容，周围环境的噪音等。这些干扰信号对语音信号的处理会产生很大干扰，因此需要通过滤波器对传感器输入信号进行滤波处理，去除干扰信号。

现有的滤波器算法包括最小均方算法(LMS)和递推最小二乘法(RLS)，其中，LMS算法的权重系数是逐点更新的，每一次采样点梯度的估计相对于真实梯度都会存在误差，导致权重系数的每次更新都不会严格按照真实梯度方向更新，而是有一定的偏差，从而导致收敛速率较慢、估计精度较低；RLS算法在权重系数的更新过程中引入了自相关矩阵的递推，其收敛速度和估计精度均优于LMS算法，但代价是增加了额外的计算量，对系统的算力要求较高。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种高效的基于复合滤波算法的滤波器优化方法。

本发明实施例的另一个目的在于提供一种基于复合滤波算法的滤波器优化系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于复合滤波算法的滤波器优化方法，包括以下步骤：

构建自适应滤波器，并初始化所述自适应滤波器的步长、遗忘因子、权重系数矩阵、输入信号以及期望信号；

确定LMS-RLS复合滤波算法的总迭代次数，并根据所述总迭代次数确定初次迭代次数和二次迭代次数，所述总迭代次数为所述初次迭代次数与所述二次迭代次数之和；

根据所述初次迭代次数利用改进变步长LMS算法对所述自适应滤波器进行初次迭代优化，得到初次迭代优化后的所述自适应滤波器和对应的第一权重系数矩阵，所述改进变步长LMS算法的步长随迭代轮次变化而变化；

根据所述二次迭代次数利用改进变遗忘因子RLS算法对初次迭代优化后的所述自适应滤波器进行二次迭代优化，得到复合滤波优化后的所述自适应滤波器和对应的第二权重系数矩阵，所述改进变遗忘因子RLS算法的遗忘因子随迭代轮次变化而变化。

进一步地，在本发明的一个实施例中，所述根据所述总迭代次数确定初次迭代次数和二次迭代次数这一步骤，其具体为：

将所述总迭代次数除以2并向下取整得到所述初次迭代次数，根据所述总迭代次数和所述初次迭代次数的差值确定所述二次迭代次数。

进一步地，在本发明的一个实施例中，通过以下公式对所述自适应滤波器进行初次迭代优化：

y(k)＝w

e(k)＝d(k)-y(k)

其中，k表示当前迭代轮次，n表示所述总迭代次数，y(k)表示当前迭代轮次的输出信号，w(k)表示当前迭代轮次的权重系数矩阵，w

进一步地，在本发明的一个实施例中，所述改进变步长LMS算法的步长通过下式确定：

其中，k表示当前迭代轮次，n表示所述总迭代次数，η′表示当前迭代轮次的步长，η表示初始化的步长。

进一步地，在本发明的一个实施例中，通过以下公式对初次迭代优化后的所述自适应滤波器进行二次迭代优化：

y(k)＝w

e(k)＝d(k)-y(k)

其中，k表示当前迭代轮次，n表示所述总迭代次数，y(k)表示当前迭代轮次的输出信号，w(k)表示当前迭代轮次的权重系数矩阵，w

进一步地，在本发明的一个实施例中，所述改进变遗忘因子RLS算法的遗忘因子通过下式确定：

其中，k表示当前迭代轮次，n表示所述总迭代次数，β′表示当前迭代轮次的遗忘因子，β表示初始化的遗忘因子。

进一步地，在本发明的一个实施例中，所述滤波器优化方法还包括以下步骤：

将所述第二权重系数矩阵作为最优权重系数矩阵，输出复合滤波优化后的所述自适应滤波器。

第二方面，本发明实施例提供了一种基于复合滤波算法的滤波器优化系统，包括：

自适应滤波器构建模块，用于构建自适应滤波器，并初始化所述自适应滤波器的步长、遗忘因子、权重系数矩阵、输入信号以及期望信号；

迭代次数确定模块，用于确定LMS-RLS复合滤波算法的总迭代次数，并根据所述总迭代次数确定初次迭代次数和二次迭代次数，所述总迭代次数为所述初次迭代次数与所述二次迭代次数之和；

初次迭代优化模块，用于根据所述初次迭代次数利用改进变步长LMS算法对所述自适应滤波器进行初次迭代优化，得到初次迭代优化后的所述自适应滤波器和对应的第一权重系数矩阵，所述改进变步长LMS算法的步长随迭代轮次变化而变化；

二次迭代优化模块，用于根据所述二次迭代次数利用改进变遗忘因子RLS算法对初次迭代优化后的所述自适应滤波器进行二次迭代优化，得到复合滤波优化后的所述自适应滤波器和对应的第二权重系数矩阵，所述改进变遗忘因子RLS算法的遗忘因子随迭代轮次变化而变化。

第三方面，本发明实施例提供了一种基于复合滤波算法的滤波器优化装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于复合滤波算法的滤波器优化方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于复合滤波算法的滤波器优化方法。

本发明的优点和有益效果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：

本发明实施例采用LMS-RLS复合滤波算法对自适应滤波器进行初次迭代优化和二次迭代优化，算法前期采用改进变步长LMS算法减少了计算量，提高运算速度，降低了对系统的算力要求，算法后期采用改进变遗忘因子RLS算法进行收敛，提高了收敛速度和估计精度，从而在保证估计精度的前提下，提高了自适应滤波器的优化效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1为本发明实施例提供的一种基于复合滤波算法的滤波器优化方法的步骤流程图；

图2为传统LMS算法的原始信号与加入干扰噪声的输入信号的对比示意图；

图3为传统LMS算法的误差信号与输出信号的对比示意图；

图4为传统LMS算法的自适应滤波器权重系数示意图；

图5为传统RLS算法的原始信号与加入干扰噪声的输入信号的对比示意图；

图6为传统RLS算法的误差信号与输出信号的对比示意图；

图7为传统RLS算法的自适应滤波器权重系数示意图；

图8为本发明实施例提供的LMS-RLS复合滤波算法的原始信号与加入干扰噪声的输入信号的对比示意图；

图9为本发明实施例提供的LMS-RLS复合滤波算法的误差信号与输出信号的对比示意图；

图10为本发明实施例提供的LMS-RLS复合滤波算法的自适应滤波器权重系数示意图；

图11为本发明实施例提供的一种基于复合滤波算法的滤波器优化系统的结构框图；

图12为本发明实施例提供的一种基于复合滤波算法的滤波器优化装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。

参照图1，本发明实施例提供了一种基于复合滤波算法的滤波器优化方法，具体包括以下步骤：

S101、构建自适应滤波器，并初始化自适应滤波器的步长、遗忘因子、权重系数矩阵、输入信号以及期望信号；

S102、确定LMS-RLS复合滤波算法的总迭代次数，并根据总迭代次数确定初次迭代次数和二次迭代次数，总迭代次数为初次迭代次数与二次迭代次数之和；

S103、根据初次迭代次数利用改进变步长LMS算法对自适应滤波器进行初次迭代优化，得到初次迭代优化后的自适应滤波器和对应的第一权重系数矩阵，改进变步长LMS算法的步长随迭代轮次变化而变化；

S104、根据二次迭代次数利用改进变遗忘因子RLS算法对初次迭代优化后的自适应滤波器进行二次迭代优化，得到复合滤波优化后的自适应滤波器和对应的第二权重系数矩阵，改进变遗忘因子RLS算法的遗忘因子随迭代轮次变化而变化。

具体地，本发明实施例的总迭代次数以及初次迭代次数与二次迭代次数的占比可以通过对本发明实施例提出的LMS-RLS复合滤波算法进行多次试验来选取，例如可设定总迭代次数为200次，初次迭代次数的占比为40％，即80次，二次迭代次数的占比为60％，即120次，然后利用改进变步长LMS算法对构建的自适应滤波器进行初次迭代优化，再利用改进变遗忘因子RLS算法对初次迭代优化后的自适应滤波器进行二次迭代优化，即可得到优化后的自适应滤波器和对应的第二权值系数矩阵。本发明实施例采用LMS-RLS复合滤波算法对自适应滤波器进行初次迭代优化和二次迭代优化，算法前期采用改进变步长LMS算法减少了计算量，提高运算速度，降低了对系统的算力要求，算法后期采用改进变遗忘因子RLS算法进行收敛，提高了收敛速度和估计精度，从而在保证估计精度的前提下，提高了自适应滤波器的优化效率。

进一步作为可选的实施方式，根据总迭代次数确定初次迭代次数和二次迭代次数这一步骤，其具体为：

将总迭代次数除以2并向下取整得到初次迭代次数，根据总迭代次数和初次迭代次数的差值确定二次迭代次数。

具体地，本发明实施例中，通过对总迭代次数除以2并向下取整得到初次迭代次数，剩余的作为二次迭代次数，这样可保证初次迭代优化与二次迭代优化的轮次相近，均衡了LMS算法和RLS算法的特性，进一步提高了自适应滤波器的优化效率。

进一步作为可选的实施方式，通过以下公式对自适应滤波器进行初次迭代优化：

y(k)＝w

e(k)＝d(k)-y(k)

其中，k表示当前迭代轮次，n表示总迭代次数，y(k)表示当前迭代轮次的输出信号，w(k)表示当前迭代轮次的权重系数矩阵，w

具体地，本发明实施例中，利用改进变步长LMS算法对自适应滤波器进行初次迭代优化的步骤如下；

1)设置输入信号、期望信号、权重系数矩阵以及步长；

2)读取输入信号和权重系数矩阵，根据下式进行第k次滤波处理得到输出信号，

y(k)＝w

3)读取期望信号，根据下式计算误差信号：

e(k)＝d(k)-y(k)

4)根据误差信号和步长更新权重系数矩阵：

w(k+1)＝w(k)+η′·e(k)·x(k)

通过上式即可得到更新后的权重系数矩阵w(k+1)，即为第k+1滤波处理的权重系数矩阵；

5)迭代进行步骤2)至4)，直至迭代轮次达到初次迭代次数，输出此时的自适应滤波器和对应的权重系数矩阵(即第一权重系数矩阵)。

进一步作为可选的实施方式，改进变步长LMS算法的步长通过下式确定：

其中，k表示当前迭代轮次，n表示总迭代次数，η′表示当前迭代轮次的步长，η表示初始化的步长。

具体地，本发明实施例采用改进变步长LMS算法，其步长随着迭代次数的增加而减小，在初次迭代优化的前期采用较大的步长来提高收敛速度，在初次迭代优化的后期采用较小的较小步长来增加算法的估计精度，从而进一步提高了自适应滤波器的优化效率。

进一步作为可选的实施方式，通过以下公式对初次迭代优化后的自适应滤波器进行二次迭代优化：

y(k)＝w

e(k)＝d(k)-y(k)

其中，k表示当前迭代轮次，n表示总迭代次数，y(k)表示当前迭代轮次的输出信号，w(k)表示当前迭代轮次的权重系数矩阵，w

具体地，本发明实施例中，利用改进变遗忘因子RLS算法对初次迭代优化后的自适应滤波器进行二次迭代优化的步骤如下；

1)设置输入信号、期望信号、权重系数矩阵以及遗忘因子；

2)读取输入信号和权重系数矩阵，根据下式进行第k次滤波处理得到输出信号，

y(k)＝w

3)读取期望信号，根据下式计算误差信号：

e(k)＝d(k)-y(k)

4)根据下式计算输入信号的相关矩阵：

5)根据误差信号、遗忘因子以及相关矩阵更新权重系数矩阵：

通过上式即可得到更新后的权重系数矩阵w(k+1)，即为第k+1滤波处理的权重系数矩阵；

6)迭代进行步骤2)至5)，直至迭代轮次达到总迭代次数，输出此时的自适应滤波器和对应的权重系数矩阵(即第二权重系数矩阵)。

进一步作为可选的实施方式，改进变遗忘因子RLS算法的遗忘因子通过下式确定：

其中，k表示当前迭代轮次，n表示总迭代次数，β′表示当前迭代轮次的遗忘因子，β表示初始化的遗忘因子。

具体地，本发明实施例采用改进变遗忘因子RLS算法，其遗忘因子随着迭代次数的增加而增大，遗忘因子可以反映当前数据和历史数据的权重，在二次迭代优化的前期采用较小的遗忘因子来减小历史数据的权重，从而减小历史数据对迭代结果的影响，在二次迭代优化的后期采用较大的遗忘因子来增大当前数据的权重，从而增大当前数据对迭代结果的影响，进一步提高了算法的收敛速度以及自适应滤波器的优化效率。

进一步作为可选的实施方式，滤波器优化方法还包括以下步骤：

将第二权重系数矩阵作为最优权重系数矩阵，输出复合滤波优化后的自适应滤波器。

本发明实施例提出的LMS-RLS复合滤波算法的权重系数矩阵的优化过程可通过下式表示：

当迭代轮次k达到总迭代次数，输出此时的第二权重系数矩阵w(k+1)，即为最优权重系数矩阵。

以上对本发明实施例的方法步骤进行了说明。下面结合仿真实验对本发明实施例提出的LMS-RLS复合滤波算法进行验证说明。

如图2所示为仿真实验中传统LMS算法的原始信号与加入干扰噪声的输入信号的对比示意图，如图3所示为仿真实验中传统LMS算法的误差信号与输出信号的对比示意图；如图4所示为仿真实验中传统LMS算法的自适应滤波器权重系数示意图。应该认识到，由于传统LMS算法只是用以前各时刻的参量等作该时刻数据块估计时的平方误差均方最小的准则，而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则，所以传统LMS算法对非平稳信号的适应性差，梯度估计时只使用了当前时刻的输入信号和期望信号，没有利用过去的信息，导致梯度估计的误差很大，算法收敛的数度慢。

如图5所示为仿真实验中传统RLS算法的原始信号与加入干扰噪声的输入信号的对比示意图，如图6所示为仿真实验中传统RLS算法的误差信号与输出信号的对比示意图，如图7所示为仿真实验中传统RLS算法的自适应滤波器权重系数示意图。应该认识到，传统RLS算法以在每个时刻对所有已输入信号重估的平方误差的加权和最小为准则，使得其对非平稳信号的适应性要好；与LMS算法相比，传统RLS算法采用时间平均，因此，所得出的最优滤波器依赖于用于计算平均值的样本数，而传统LMS算法是基于集平均而设计的，因此稳定环境下LMS算法在不同计算条件下的结果是一致的；RLS算法在迭代过程中产生的误差明显小于LMS算法，在提取信号时收敛速度快、估计精度高而且稳定性好，可以明显抑制振动加速度收敛过程，故对非平稳信号的适应性强，而LMS算法收敛速度慢，估计精度低而且权系数估计值因瞬时梯度估计围绕精确值波动较大、权噪声大，不稳定；通过对比可以发现RLS算法的收敛速度要比LMS算法更快，而且滤波的质量也更好，但是其计算的时间要比LMS算法更长。

如图8所示为本发明实施例提供的LMS-RLS复合滤波算法的原始信号与加入干扰噪声的输入信号的对比示意图，如图9所示为本发明实施例提供的LMS-RLS复合滤波算法的误差信号与输出信号的对比示意图，如图10所示为本发明实施例提供的LMS-RLS复合滤波算法的自适应滤波器权重系数示意图。可以理解的是，LMS-RLS复合滤波算法综合了改进变步长LMS算法和改进变遗忘因子RLS算的优点，在保证算法稳定性和估计精度的前提下提高了收敛速度，从而可以提高自适应滤波器的优化效率。

参照图11，本发明实施例提供了一种基于复合滤波算法的滤波器优化系统，包括：

自适应滤波器构建模块，用于构建自适应滤波器，并初始化自适应滤波器的步长、遗忘因子、权重系数矩阵、输入信号以及期望信号；

迭代次数确定模块，用于确定LMS-RLS复合滤波算法的总迭代次数，并根据总迭代次数确定初次迭代次数和二次迭代次数，总迭代次数为初次迭代次数与二次迭代次数之和；

初次迭代优化模块，用于根据初次迭代次数利用改进变步长LMS算法对自适应滤波器进行初次迭代优化，得到初次迭代优化后的自适应滤波器和对应的第一权重系数矩阵，改进变步长LMS算法的步长随迭代轮次变化而变化；

二次迭代优化模块，用于根据二次迭代次数利用改进变遗忘因子RLS算法对初次迭代优化后的自适应滤波器进行二次迭代优化，得到复合滤波优化后的自适应滤波器和对应的第二权重系数矩阵，改进变遗忘因子RLS算法的遗忘因子随迭代轮次变化而变化。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图12，本发明实施例提供了一种基于复合滤波算法的滤波器优化装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于复合滤波算法的滤波器优化方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于复合滤波算法的滤波器优化方法。

本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于复合滤波算法的滤波器优化方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。