一种基于神经网络的多源异构数据融合方法及装置

技术领域

本发明涉及多源异构数据融合领域，尤其涉及一种基于神经网络的多源异构数据融合方法及装置。

背景技术

近年来，随着互联网技术的发展，大量的异构数据也随之产生。其中，异构数据的来源广泛，包括不同数据库系统和不同设备在工作时所采集的数据。目前，现有的多源异构数据融合方法，主要是基于某个场景下的多个设备采集的多源异构数据，建立多源异构数据模型，并对该模型的空间基准、数据属性和要素关系进行统一化处理，以生成该模型的不规则三角网，然后提取不规则三角网的特征参数，校验是否满足深度学习算法的迭代条件，通过校验情况优化该模型的性能，继而得到多源异构数据的深度学习融合模型。然而，待融合的多源异构数据的数据量大，并且可能存在部分无用数据，而不同来源的异构数据可能具备不同模式，不同模式的异构数据的数据关系结构不一致，数据之间不存在关联关系。上述异构数据特征、以及不同模式的异构数据特征的差异，造成了不同模式的异构数据之间存在不可比性。因此，多源异构数据之间的融合非常困难，且多源异构数据的特征表示尚存在困难，无法直接融合。

发明内容

本发明实施例提供一种基于神经网络的多源异构数据融合方法及装置，利用神经网络，实现第一多源异构数据的层次性分析，弥补单层次信息融合的处理极易受到异常因素的影响的缺陷，从而提升第一多源异构数据的融合精度。

为了解决上述技术问题，本发明实施例提供了一种基于神经网络的多源异构数据融合方法，包括：

对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征；

通过特征提取模型，将所述第一多源异构数据转换为各所述数据源的特征映射图，并将各所述第一目标特征分解为若干个子特征，然后基于各所述子特征之间的关联关系，将所有所述子特征融合为特征映射子图序列，接着通过目标分类识别模型，对所述特征映射子图序列进行目标分类识别，得到目标分类识别结果；

利用所述目标分类识别结果，对所述特征映射子图序列中的所有待处理特征进行叠加和归一化处理，得到总体特征，以完成对所述第一多源异构数据的融合；

其中，所述特征提取模型和所述目标分类识别模型都是对预先构建的神经网络进行训练而得到的。

实施本发明实施例，对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征，同时通过特征提取模型，将第一多源异构数据转换为各个数据源的特征映射图，并将各个第一目标特征分解为若干个子特征，可以更加详细地描述和理解目标的不同方面和属性，然后基于各个子特征之间的关联关系，将所有子特征融合成一个特征映射子图序列，有助于建立目标的全局上下文，并捕捉不同子特征之间的相互作用和依赖关系，从而得到更加全面和综合的特征表示。另外地，通过目标分类识别模型，对融合得到的特征映射子图序列进行目标分类识别，能够将目标分为不同的类别，以便后续基于目标分类识别结果，对特征映射子图序列中的所有待处理特征进行叠加和归一化处理，使得能够在完成对第一多源异构数据的融合的同时，降低特征数据维度并减少冗余信息，改善第一多源异构数据融合结果的数据分布和标准化，并且通过待处理特征的叠加和归一化处理，可以实现第一多源异构数据的层次性分析，弥补单层次信息融合的处理极易受到信息丢失、信息不完整、信息不确定性等因素的影响的缺陷，从而提升第一多源异构数据的融合精度。

作为优选方案，所述对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征，具体为：

对待融合的第一多源异构数据进行标准化处理；其中，所述第一多源异构数据是由来自各所述数据源的初始数据集构成的，所述初始数据集包括若干个初始数据；

基于从社交网络中获取的约束条件，对完成标准化处理的第一多源异构数据进行数据验证，并在数据验证过程中，将不符合所述约束条件的所述初始数据作为边缘数据，将符合所述约束条件的所述初始数据作为非边缘数据；

根据所有被判定为非冗杂数据的所述边缘数据与所有所述非边缘数据，构成待处理数据集；

对所述待处理数据集进行特征提取，得到所述第一多源异构数据对应的第一目标特征。

实施本发明实施例的优选方案，基于从社交网络中获取的约束条件，对完成标准化处理的第一多源异构数据进行数据验证，可以将不符合条件的数据视为边缘数据，排除可能的异常或错误数据，提高数据的质量和可信度，同时保留符合约束条件的数据作为非边缘数据，并根据所有被判定为非冗杂数据的边缘数据与所有非边缘数据，构成待处理数据集，使得待处理数据集更有可能反映多源异构数据的真实特征。

作为优选方案，所述根据所有被判定为非冗杂数据的所有所述边缘数据与所述非边缘数据，构成待处理数据集，具体为：

对各所述边缘数据进行瞬态时序验证，然后根据验证结果，确定各所述边缘数据的模态特征变化值和序列反馈系数；

根据各所述边缘数据的模态特征变化值和序列反馈系数，计算得到各所述边缘数据的哈希值，然后将所述哈希值大于或等于预设值的所述边缘数据判定为冗杂数据，并将所述哈希值小于所述预设值的所述边缘数据判定为非冗杂数据，然后利用所有被判定为非冗杂数据的所述边缘数据与所述非边缘数据，构成待处理数据集。

实施本发明实施例的优选方案，通过瞬态时序验证和哈希计算，可以判定边缘数据的冗杂程度，并仅将所有非边缘数据和哈希值小于预设值的所有边缘数据纳入待处理数据集，而排除哈希值大于或小于预设值的所有边缘数据，能够使得待处理数据集在保留有效信息的同时排除冗杂数据，从而提升待处理数据集的质量和可信度。

作为优选方案，所述对所述待处理数据集进行特征提取，得到所述第一多源异构数据对应的第一目标特征，具体为：

对所述待处理数据集进行数据分布检测，得到数据分布结果，并基于所述数据分布结果，构建所述待处理数据集对应的随机稀疏观测矩阵；

根据所述随机稀疏观测矩阵，计算所述待处理数据集的稀疏观测值向量比，然后基于所述稀疏观测值向量比，对所述待处理数据集进行分析，得到所述待处理数据集的数据稀疏分布情况；

基于所述待处理数据集的数据稀疏分布情况，确定所述待处理数据集的数据特征分布，并利用所述数据特征分布，对所述待处理数据集中的所有所述初始数据进行聚类处理，得到所述待处理数据集对应的第一目标特征。

实施本发明实施例的优选方案，通过计算稀疏观测值向量比和分析待处理数据集的稀疏分布情况，可以了解待处理数据集中各个初始数据的稀疏度，即数据中的稀疏模式和异常情况，并基于待处理数据集的稀疏分布情况，分析不同特征值在待处理数据集中的频率和分布情况，以确定待处理数据集的数据特征分布，然后利用待处理数据集的数据特征分布，对待处理数据集中的所有初始数据进行聚类处理，能够将相似的初始数据归为同一类别，从而得到待处理数据集对应的第一目标特征，为后续的分析任务提供有效的信息支撑。

作为优选方案，所述利用所述目标分类识别结果，对所述特征映射子图序列中的所有待处理特征进行叠加和归一化处理，得到总体特征，以完成对所述第一多源异构数据的融合，具体为：

根据词性统计特征，对所述特征映射子图序列中的各所述待处理特征进行清洗，并将各个完成清洗的所述待处理特征转换为对应的特征向量；

根据所述目标分类识别结果，确定所述特征映射子图序列中的各所述待处理特征的类型，并按照各所述待处理特征的类型，对各所述待处理特征对应的所述特征向量进行叠加和归一化处理，得到总体特征，以完成对所述第一多源异构数据的融合。

实施本发明实施例的优选方案，根据词性统计特征，对特征映射子图序列中的各个待处理特征进行清洗，能够去除待处理特征中的冗余信息，并将通过清洗的待处理特征转换为特征向量，并根据各个待处理特征的类型，叠加和归一化处理所有的特征向量，以获得特征映射子图序列的综合特征表示，减少了维度和冗余，提高了数据的可比性和一致性。

作为优选方案，所述特征提取模型和所述目标分类识别模型的获取，具体为：

预先构建两个双分支神经网络；

利用样本数据集，对一个所述双分支神经网络进行训练，得到所述特征提取模型，并利用所述样本数据集，对另一个所述双分支神经网络进行训练，得到所述目标分类识别模型；

其中，两个所述双分支神经网络的卷积核大小不同，所述样本数据集包括若干个第二多源异构数据、各所述第二多源异构数据在不同数据源下的第二目标特征、以及各所述第二多源异构数据对应的目标分类识别结果。

实施本发明实施例的优选方案，通过两个具备不同卷积核大小的双分支神经网络，可以捕捉不同尺度和不同层次的特征，并训练两个双分支神经网络，能够使得特征提取模型在特征提取阶段获得更丰富和多样化的特征表示，并且使得目标分类识别模型在目标分类识别阶段能够根据输入数据的特征，将其划分到正确的类别中，从而提高模型的性能和泛化能力。

为了解决相同的技术问题，本发明实施例还提供了一种基于神经网络的多源异构数据融合装置，包括：

特征提取系统，用于对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征；

分类识别系统，用于通过特征提取模型，将所述第一多源异构数据转换为各所述数据源的特征映射图，并将各所述第一目标特征分解为若干个子特征，然后基于各所述子特征之间的关联关系，将所有所述子特征融合为特征映射子图序列，接着通过目标分类识别模型，对所述特征映射子图序列进行目标分类识别，得到目标分类识别结果；其中，所述特征提取模型和所述目标分类识别模型都是对预先构建的神经网络进行训练而得到的；

融合系统，用于利用所述目标分类识别结果，对所述特征映射子图序列中的所有待处理特征进行叠加和归一化处理，得到总体特征，以完成对所述第一多源异构数据的融合。

作为优选方案，所述特征提取系统，具体包括：

数据验证模块，用于对待融合的第一多源异构数据进行标准化处理；其中，所述第一多源异构数据是由来自各所述数据源的初始数据集构成的，所述初始数据集包括若干个初始数据；基于从社交网络中获取的约束条件，对完成标准化处理的第一多源异构数据进行数据验证，并在数据验证过程中，将不符合所述约束条件的所述初始数据作为边缘数据，将符合所述约束条件的所述初始数据作为非边缘数据；

数据集构建模块，用于根据所有被判定为非冗杂数据的所述边缘数据与所有所述非边缘数据，构成待处理数据集；

特征提取模块，用于对所述待处理数据集进行特征提取，得到所述第一多源异构数据对应的第一目标特征。

作为优选方案，所述数据集构建模块，具体包括：

数据验证单元，用于对各所述边缘数据进行瞬态时序验证，然后根据验证结果，确定各所述边缘数据的模态特征变化值和序列反馈系数；

数据集构建单元，用于根据各所述边缘数据的模态特征变化值和序列反馈系数，计算得到各所述边缘数据的哈希值，然后将所述哈希值大于或等于预设值的所述边缘数据判定为冗杂数据，并将所述哈希值小于所述预设值的所述边缘数据判定为非冗杂数据，然后利用所有被判定为非冗杂数据的所述边缘数据与所述非边缘数据，构成待处理数据集。

作为优选方案，所述特征提取模块，具体包括：

矩阵构建单元，用于对所述待处理数据集进行数据分布检测，得到数据分布结果，并基于所述数据分布结果，构建所述待处理数据集对应的随机稀疏观测矩阵；

数据聚类单元，用于根据所述随机稀疏观测矩阵，计算所述待处理数据集的稀疏观测值向量比，然后基于所述稀疏观测值向量比，对所述待处理数据集进行分析，得到所述待处理数据集的数据稀疏分布情况；基于所述待处理数据集的数据稀疏分布情况，确定所述待处理数据集的数据特征分布，并利用所述数据特征分布，对所述待处理数据集中的所有所述初始数据进行聚类处理，得到所述待处理数据集对应的第一目标特征。

附图说明

图1：为本发明实施例一提供的一种基于神经网络的多源异构数据融合方法的流程示意图；

图2：为本发明实施例一提供的一种基于神经网络的多源异构数据融合装置的结构示意图。

具体实施方式

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作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。

实施例一:

请参照图1，为本发明实施例提供的一种基于神经网络的多源异构数据融合方法，该方法包括步骤S1至步骤S4，各步骤具体如下：

步骤S1，对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征。

作为优选方案，步骤S1包括步骤S11至步骤S14，各步骤具体如下：

步骤S11，对采集到的待融合的第一多源异构数据进行标准化处理，通过对第一多源异构数据进行标准化，提高对第一多源异构数据计算能力和效率。

其中，第一多源异构数据是由来自各个数据源的初始数据集构成的，具体包括不同数据库系统和不同设备在工作中采集的数据集；初始数据集包括若干个初始数据。比如，在海量能源信息管理数据库、信息管理系统、公共信息化服务平台上获取到的多源异构数据。

需要说明的是，对多源数据采用统一的格式转化，以元数据的形式存储在所在格网中，为数据采集标准化提供入口；多源异构数据包括结构化数据、半结构化数据和非结构化数据。

步骤S12，基于从社交网络中获取的约束条件，对完成标准化处理的第一多源异构数据进行数据验证，并在数据验证过程中，将不符合约束条件的初始数据作为边缘数据，将符合约束条件的初始数据作为非边缘数据。

需要说明的是，使用社交网络对采样进行约束，实现对标准化后的第一多源异构数据进行校验，从而得到更准确的模型特征表示。

步骤S13，根据所有被判定为非冗杂数据的边缘数据与所有非边缘数据，构成待处理数据集。

作为优选方案，步骤S13包括步骤S131至步骤S132，各步骤具体如下：

步骤S131，对各个边缘数据进行瞬态时序验证，然后根据验证结果，确定各个边缘数据的模态特征变化值和序列反馈系数。

步骤S132，根据各个边缘数据的模态特征变化值和序列反馈系数，计算得到各个边缘数据的哈希值，然后将哈希值大于或等于预设值的边缘数据判定为冗杂数据，并将哈希值小于预设值的边缘数据判定为非冗杂数据，然后利用所有被判定为非冗杂数据的边缘数据与非边缘数据，构成待处理数据集。

需要说明的是，当边缘数据的哈希值大于或等于预设值时，表明该边缘数据在模态特征变化上较为剧烈或者与原有模式偏离较大，其可能包含异常或无效信息；当边缘数据的哈希值小于预设值时，表明该边缘数据在模态特征变化上较为稳定且与原有模式相符合，其更有可能包含有用的有效信息。

步骤S14，对待处理数据集进行特征提取，得到第一多源异构数据对应的第一目标特征。

作为优选方案，步骤S14包括步骤S141至步骤S143，各步骤具体如下：

步骤S141，对待处理数据集进行数据分布检测，得到数据分布结果，并按照预设的稀疏判定方式，基于数据分布结果，构建待处理数据集对应的随机稀疏观测矩阵。

在本实施例中，按照预设的稀疏判定方式，对待处理数据集中的每个数据进行稀疏判定，得到一个二值的稀疏指示向量。其中，一个二值的稀疏指示向量，用于指示了哪些位置或维度是稀疏的。而预设的稀疏判定方式，可以为L1范数、L2范数或者零阈值。

需要说明的是，随机稀疏观测矩阵是一个与原始数据具有相同大小的矩阵。其中，在随机稀疏观测矩阵中，只有稀疏指示向量对应的位置才会保留原始数据的观测值，其余位置则为零或随机值。原始数据是指待处理数据集中的数据。

步骤S142，根据随机稀疏观测矩阵，计算待处理数据集的稀疏观测值向量比，然后基于稀疏观测值向量比，对待处理数据集进行分析，得到待处理数据集的数据稀疏分布情况。

步骤S143，基于待处理数据集的数据稀疏分布情况，确定待处理数据集的数据特征分布，并利用数据特征分布，对待处理数据集中的所有初始数据进行聚类处理，得到待处理数据集对应的第一目标特征。

步骤S2，通过特征提取模型，将第一多源异构数据转换为各个数据源的特征映射图，并将各个第一目标特征分解为若干个子特征，然后基于各个子特征之间的关联关系，将所有子特征融合为特征映射子图序列。

需要说明的是，每个特征映射图是由多维、小尺度的序列特征映射子图构成的。

步骤S3，通过目标分类识别模型，对特征映射子图序列进行目标分类识别，得到目标分类识别结果。

在本实施例中，当将特征映射子图序列输入至目标分类识别模型时，目标分类识别模型进行训练学习，实现对每个目标的关于特征映射子图序列关系的刻画，并在训练完成之后，基于特征映射子图序列关系的刻画，获取第一多源异构数据的目标分类识别结果。

作为优选方案，特征提取模型和目标分类识别模型的获取流程，包括步骤S01至步骤S02，各步骤具体如下：

步骤S01，预先构建两个双分支神经网络。

其中，两个双分支神经网络的卷积核大小不同，双分支神经网络是由多个神经元铰链在一起构成的。

步骤S02，从样本数据库中获取包括若干个第二多源异构数据、各个第二多源异构数据在不同数据源下的第二目标特征、以及各个第二多源异构数据对应的目标分类识别结果的样本数据集，然后利用样本数据集，对一个双分支神经网络进行训练，得到特征提取模型，并利用样本数据集，对另一个双分支神经网络进行训练，得到目标分类识别模型。

其中，样本数据库包括神经网连接的拓扑结构、神经元特征和规律特征的训练样本。通过对预先构建的两个双分支神经网络进行训练，优化调整两个双分支神经网络的参数以及连接权值，从而形成具有特色的信息处理方法，并且两个双分支神经网络的信息存储和处理能力体现在网络的连接。

在本实施例中，在对两个双分支神经网络进行训练时，基于由两个双分支神经网络构成的网络结构，设置神经网络层级，并循环调用训练过程，每轮所述训练过程都包括前向计算、损失函数和后向传播，通过上述循环调用训练过程，形成Pytorch深度学习框架并将训练好的模型保存。其中，Pytorch深度学习框架提供易于使用的API，提供了可用于大规模部署Pytorch模型的工具TorchServe。

步骤S4，利用目标分类识别结果，对特征映射子图序列中的所有待处理特征进行叠加和归一化处理，得到总体特征，以完成对第一多源异构数据的融合。

作为优选方案，步骤S4包括步骤S41至步骤S42，各步骤具体如下：

步骤S41，根据词性统计特征，对特征映射子图序列中的各个待处理特征进行清洗，并将各个完成清洗的待处理特征转换为对应的特征向量。

在本实施例中，通过对待处理特征进行清洗，可以去除一些无关信息或噪声，保留与任务相关的特征，从而提高待处理特征的质量和可靠性，提升后续处理和分析的效果。将各个完成清洗的待处理特征转换为对应的特征向量的目的是能够对其进行计算和处理。

步骤S42，根据目标分类识别结果，确定特征映射子图序列中的各个待处理特征的类型，并按照各个待处理特征的类型，对各个待处理特征对应的特征向量进行叠加和归一化处理，得到总体特征，以完成对第一多源异构数据的融合。

需要说明的是，通过在特征融合的基础上，对融合特征映射图得到的特征映射子图序列再一次使用深度神经网络，实现对特征映射子图序列进行目标分类识别，基于深度学习的混合融合结构(即，由特征提取模型和目标分类识别模型构成的网络架构)，考虑各个层次之间的互联和反馈，将像素级、特征级及决策级融合综合起来，极大地提高融合系统的性能，实现对每个待处理特征的准确提取，充分考虑了特征映射关系，基于每个特征向量每个维度所代表的类型，对所有特征向量的叠加和归一化操作，以将不同特征的信息进行整合，得到总体特征，提高了特征提取的准确性及客观性，对数据进行层次性分析，弥补单层次信息融合的处理极易受到信息丢失、信息不完整、信息不确定性等因素的影响。

请参照图2，为本发明实施例提供的一种基于神经网络的多源异构数据融合装置的结构示意图，该装置包括特征提取系统M1、分类识别系统M2和融合系统M3，各系统具体如下：

特征提取系统M1，用于对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征；

分类识别系统M2，用于通过特征提取模型，将第一多源异构数据转换为各个数据源的特征映射图，并将各个第一目标特征分解为若干个子特征，然后基于各个子特征之间的关联关系，将所有子特征融合为特征映射子图序列，接着通过目标分类识别模型，对特征映射子图序列进行目标分类识别，得到目标分类识别结果；其中，特征提取模型和目标分类识别模型都是对预先构建的神经网络进行训练而得到的；

融合系统M3，用于利用目标分类识别结果，对特征映射子图序列中的所有待处理特征进行叠加和归一化处理，得到总体特征，以完成对第一多源异构数据的融合。

作为优选方案，特征提取系统M1，具体包括数据验证模块11、数据集构建模块12和特征提取模块13，各模块具体如下：

数据验证模块11，用于对待融合的第一多源异构数据进行标准化处理；其中，第一多源异构数据是由来自各个数据源的初始数据集构成的，初始数据集包括若干个初始数据；基于从社交网络中获取的约束条件，对完成标准化处理的第一多源异构数据进行数据验证，并在数据验证过程中，将不符合约束条件的初始数据作为边缘数据，将符合约束条件的初始数据作为非边缘数据；

数据集构建模块12，用于根据所有被判定为非冗杂数据的边缘数据与所有非边缘数据，构成待处理数据集；

特征提取模块13，用于对待处理数据集进行特征提取，得到第一多源异构数据对应的第一目标特征。

作为优选方案，数据集构建模块12，具体包括数据验证单元121和数据集构建单元122，各单元具体如下：

数据验证单元121，用于对各个边缘数据进行瞬态时序验证，然后根据验证结果，确定各个边缘数据的模态特征变化值和序列反馈系数；

数据集构建单元122，用于根据各个边缘数据的模态特征变化值和序列反馈系数，计算得到各个边缘数据的哈希值，然后将哈希值大于或等于预设值的边缘数据判定为冗杂数据，并将哈希值小于预设值的边缘数据判定为非冗杂数据，然后利用所有被判定为非冗杂数据的边缘数据与非边缘数据，构成待处理数据集。

作为优选方案，特征提取模块13，具体包括矩阵构建单元131和数据聚类单元132，各单元具体如下：

矩阵构建单元131，用于对待处理数据集进行数据分布检测，得到数据分布结果，并基于数据分布结果，构建待处理数据集对应的随机稀疏观测矩阵；

数据聚类单元132，用于根据随机稀疏观测矩阵，计算待处理数据集的稀疏观测值向量比，然后基于稀疏观测值向量比，对待处理数据集进行分析，得到待处理数据集的数据稀疏分布情况；基于待处理数据集的数据稀疏分布情况，确定待处理数据集的数据特征分布，并利用数据特征分布，对待处理数据集中的所有初始数据进行聚类处理，得到待处理数据集对应的第一目标特征。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

相比于现有技术，本发明实施例具有如下有益效果：

本发明提供了一种基于神经网络的多源异构数据融合方法及装置，对待融合的第一多源异构数据进行特征提取，得到多个数据源的第一目标特征，同时通过特征提取模型，将第一多源异构数据转换为各个数据源的特征映射图，并将各个第一目标特征分解为若干个子特征，可以更加详细地描述和理解目标的不同方面和属性，然后基于各个子特征之间的关联关系，将所有子特征融合成一个特征映射子图序列，有助于建立目标的全局上下文，并捕捉不同子特征之间的相互作用和依赖关系，从而得到更加全面和综合的特征表示。另外地，通过目标分类识别模型，对融合得到的特征映射子图序列进行目标分类识别，能够将目标分为不同的类别，以便后续基于目标分类识别结果，对特征映射子图序列中的所有待处理特征进行叠加和归一化处理，从而能够在完成对第一多源异构数据的融合的同时，降低特征数据维度并减少冗余信息，改善第一多源异构数据融合结果的数据分布和标准化，并且通过待处理特征的叠加和归一化处理，可以实现第一多源异构数据的层次性分析，弥补单层次信息融合的处理极易受到信息丢失、信息不完整、信息不确定性等因素的影响，提升多源异构数据的融合精度。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。