基于神经网络的光纤脉冲涡旋激光器的设计方法及系统

技术领域

本发明涉及光纤脉冲涡旋激光器设计技术领域，具体涉及一种基于神经网络的光纤脉冲涡旋激光器的设计方法及系统。

背景技术

涡旋光在湍流中传播的优异特性被广泛关注，在光通信波段，光纤脉冲涡旋激光器作为一种载有时域信息的涡旋光光源，脉宽往往需要被严格控制设计。因此，对于通信、激光加工以及对脉冲宽度具有高要求的行业，急需一种方法来快速准确的设计脉冲涡旋光的宽度，推动通信和激光加工行业的发展。

传统的求解光纤中激光脉宽的方法是经过慢波近似，对麦克斯韦方程组进行求解，从而得到矢量亥姆霍兹方程，并进一步利用标量近似对亥姆霍兹方程在柱坐标系下进行求解，利用微扰理论将时域进行展开得到纵向脉冲演化方程-非线性薛定谔方程。对于皮秒级的光纤激光脉冲，利用分步傅里叶变换算法求解非线性薛定谔方程可以较为方便和准确的得到光纤激光脉冲的最后演化结果。

然而，分步傅里叶算法是基于傅里叶变换下的光自适应演变的，这是一种正向计算过程，这种方式很难在要求光纤脉冲涡旋激光脉宽的情况下，反过来设计光纤脉冲涡旋激光器的结构参数以满足设计时节约成本等灵活性要求。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于神经网络的光纤脉冲涡旋激光器的设计方法及系统，解决了现有光纤脉冲涡旋激光器设计方式无法灵活调整结构参数的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种基于神经网络的光纤脉冲涡旋激光器的设计方法，所述方法包括：

S1、测量影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有所述结构参数和与之对应的脉冲宽度实验数据作为实验样本数据；

S2、基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；

S3、基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数，基于所述权重系数确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；

S4、对所述初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练，直至满足预设条件时停止训练，并将满足所述预设条件的所述权重系数作为最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；

S5、将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数。

优选的，所述结构参数包括易修改参数和不易修改参数；所述易修改参数包括泵浦功率、普通光纤长度、掺铒光纤长度以及宽带反射镜的反射率；所述不易修改参数包括可饱和吸收体的调制深度和非饱和损耗、三端口环形器的损耗以及长周期光纤光栅的损耗。

优选的，所述基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数包括：

利用最速下降法计算使实验值与模型预测值的差异值E取局部最小值时的权重系数作为所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数；其中，差异值E用公式表示为：

其中，ω，λ分别表示输入结构参数单元到隐层单元和隐层单元到输出脉冲宽度的权重向量；s表示实验样本中实验次数；T

优选的，所述预设条件为：预测光纤脉冲涡旋激光脉冲宽度与实际宽度之间的误差小于设定值。

优选的，所述S5包括：

利用非线性规划模型反向计算成本最优化条件下的光纤脉冲涡旋激光器结构参数；其中，非线性规划模型如下式所示：

其中，α

第二方面，本发明还提出了一种基于神经网络的光纤脉冲涡旋激光器的设计系统，所述系统包括：

实验样本数据获取及存储模块，用于测量不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有结构参数和与之对应的脉冲宽度实验数据作为实验样本数据；

光纤脉冲涡旋激光器输出脉宽反向预测模型获取模块，用于基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；

权重系数计算模块，用于基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数，基于所述权重系数确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；

权重系数迭代学习模块，用于对所述初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练，直至满足预设条件时停止训练，并将满足所述预设条件的所述权重系数作为最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；

光纤脉冲涡旋激光器结构参数获取模块，用于将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数。

优选的，所述结构参数包括易修改参数和不易修改参数；所述易修改参数包括泵浦功率、普通光纤长度、掺铒光纤长度以及宽带反射镜的反射率；所述不易修改参数包括可饱和吸收体的调制深度和非饱和损耗、三端口环形器的损耗以及长周期光纤光栅的损耗。

优选的，所述权重系数计算模块基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数包括：

利用最速下降法计算使实验值与模型预测值的差异值E取局部最小值时的权重系数作为所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数；其中，差异值E用公式表示为：

其中，ω，λ分别表示输入结构参数单元到隐层单元和隐层单元到输出脉冲宽度的权重向量；s表示实验样本中实验次数；T

优选的，所述预设条件为：预测光纤脉冲涡旋激光脉冲宽度与实际宽度之间的误差小于设定值。

优选的，所述光纤脉冲涡旋激光器结构参数获取模块执行将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数步骤时包括：

利用非线性规划模型反向计算成本最优化条件下的光纤脉冲涡旋激光器结构参数；其中，非线性规划模型如下式所示：

其中，α

(三)有益效果

本发明提供了一种基于神经网络的光纤脉冲涡旋激光器的设计方法及系统。与现有技术相比，具备以下有益效果：

1、本发明测量和记录影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度从而获取实验样本数据；并基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；然后利用实验样本数据计算光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数以确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；并对初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练从而获得最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；最后将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，便可获取光纤脉冲涡旋激光器结构参数。本发明可以在明确光纤脉冲涡旋激光脉宽的情况下，反过来设计光纤脉冲涡旋激光器的结构参数以满足设计时节约成本等要求，其灵活性更好。

2、本发明适用于各种通信波段光纤脉冲涡旋激光器的脉冲宽度设计，可以减少每次设计激光器导致计算的重复性，降低了实验误差，对于一个脉冲激光器的输出具有实时性的预测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种基于神经网络的光纤脉冲涡旋激光器的设计方法的实施例图。

图2为本发明实施例中一种基于神经网络的光纤脉冲涡旋激光器的设计系统的系统框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本申请实施例通过提供一种基于神经网络的光纤脉冲涡旋激光器的设计方法及系统，解决了现有光纤脉冲涡旋激光器设计方式无法灵活调整结构参数的问题，实现了在有明确脉冲涡旋激光器脉宽要求下，可根据成本最优等现实条件灵活设计光纤脉冲涡旋激光器的目的。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

光纤脉冲涡旋激光器由半导体泵浦源、980/1550nm波分复用器、掺饵光纤、隔离器、可饱和吸收体、三端口光纤环形器、长周期光纤光栅、偏振控制器以及宽带反射镜等部分组成。其具体工作原理如下：

980nm/1550nm波分复用器将980nm半导体激光注入到掺铒光纤中，使掺饵光纤产生粒子数反转。根据激光受激辐射的原理，粒子数跃迁到低能级产生通信波段的激光。在隔离器的作用下，激光单向传输，使激光单向效率最大化。通过可饱和吸收体的非线性吸收(光强越强，透过率越高)产生脉冲光。环形器将脉冲光引入长周期光纤光栅，将基模脉冲光转化为一阶模脉冲光，在偏振控制器的作用下，一阶模脉冲光转化为脉冲涡旋光，反射镜将部分脉冲涡旋光反射回去振荡，部分光脉冲涡旋光进行输出。

按照光纤脉冲涡旋激光器的结构和工作原理，我们可以根据实际需要确定影响光纤脉冲涡旋激光器输出脉宽的相关参数，然后根据这些参数来求解光纤脉冲涡旋激光器的输出脉宽，从而就可以对光纤脉冲涡旋激光器进行设计。基于该思路，

第一方面，本发明首先提出了一种基于神经网络的光纤脉冲涡旋激光器的设计方法，参见图1，该方法包括：

S1、测量影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有所述结构参数和与之对应的脉冲宽度实验数据作为实验样本数据；

S2、基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；

S3、基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数，基于所述权重系数确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；

S4、对所述初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练，直至满足预设条件时停止训练，并将满足所述预设条件的所述权重系数作为最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；

S5、将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数。

可见，本实施例测量和记录影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度从而获取实验样本数据；并基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；然后利用实验样本数据计算光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数以确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；并对初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练从而获得最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；最后将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，便可获取光纤脉冲涡旋激光器结构参数。本实施例可以在明确光纤脉冲涡旋激光脉宽的情况下，反过来设计光纤脉冲涡旋激光器的结构参数以满足设计时节约成本等要求，其灵活性更好。

下面结合附图1，以及对S1-S5具体步骤的解释，来详细说明本发明一个实施例的实现过程。

S1、测量影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有所述结构参数和与之对应的脉冲宽度实验数据作为实验样本数据。

1)在本实施例中，明确影响光纤脉冲涡旋激光器输出脉宽的九个结构参数，分别为：泵浦功率i

为了便于计算，首先运用max-min方法对所有结构参数进行归一化处理：

其中，s(s＝1,2,…,n)代表已知实验样本，k(k＝1,2,…,9)代表输入参数；

2)测量不同所述结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有所述结构参数和与之对应的脉冲宽度实验数据作为实验样本数据。

进行多次实验，测量不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将作为实验样本保存。其中，每个结构参数和与之对应的脉冲宽度数值作为一组实验样本数据。

S2、基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型。

本实施例构建的光纤脉冲涡旋激光器输出脉宽反向预测模型实质为输出脉冲宽度与结构参数之间的权重表达式，该权重表达式可以用神经网络模型训练后获取。本实施例中神经网络模型将九个不同的结构参数作为输入单元，中间再设置3个隐层单元，并以输出的光纤脉冲涡旋激光的脉冲宽度作为输出单元。其中，隐层单元的个数一般为

在本实施例中，神经网络模型的建立步骤包括：

(1)将第s次实验的第k个参数的实际测量值归一化数值

其中，ω

(2)将隐层单元

其中，上一层神经元的输出作为下一个神经元的输入，没有横向的信息交换。λ

对于任意一组确定结构参数的输入，光纤脉冲涡旋激光器脉冲宽度输出值的大小均是权重{λ

S3、基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数，基于所述权重系数确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型。

利用向后传播算法和最速下降法计算九个结构参数与隐层以及隐层与输出光纤脉冲涡旋激光脉冲宽度的权重系数。对于一个多层神经网络，如果可以计算一组恰当权重，则可以使光纤脉冲涡旋激光器的脉冲宽度具有可预测性。但实际上，神经网络系统的光纤脉冲涡旋激光器的脉冲宽度输出结果往往与实验输出结果存在一定的差异。理想情况下，实验中脉冲宽度输出为T

其中，ω，λ分别代表着输入结构参数单元到隐层单元和隐层单元到输出脉冲宽度的权重向量。该公式衡量了在确定的一组权重条件下，实际脉冲宽度和神经网路模型理想脉冲宽度输出之间的差异。因此，需要计算一组合适的权重，使得E达到极小。激活函数对于每一个权重而言，都是一个连续可微的非线性函数。本实施例中利用最速下降法，计算E的局部最小值。在权重坐标组成的权重空间，从任意初始位置(ω0，λ0)出发，向(ω0，λ0)下降最快方向移动，也就是负梯度方向

μ为一个参数，只要μ比较小，E(ω1，λ1)一定小于原来的差异值E(ω0，λ0)，这意味着实际输出脉冲和理想输出脉冲的差异在逐渐缩小。不断对这一过程进行迭代，可以在误差范围内取得一个局部最小值。

对于隐单元到脉冲宽度输出单元，最速下降法对应的每一步权重修正为：

为了简化，令

修正量可以简写为：

输入结构参数单元到隐单元的权重修正为：

类似地，令

那么输入单元到隐单元的权重修正表达式可以简化为：

以上两组权重的修正量都有相同的表达形式为：

其中，下标p代表一个神经元中输出端的下标，q代表着输入端的下标，V代表输入端的信号数值大小。隐层单元到输出脉冲宽度单元的δ

S4、对所述初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练，直至满足预设条件时停止训练，并将满足所述预设条件的所述权重系数作为最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数。

迭代式预测和学习。改变输入结构参数重新实验，预测输出的光纤脉冲涡旋激光脉冲宽度，并与实验中测量光纤脉冲涡旋激光的实际宽度进行对比。如果二者间误差大于设定值，则将该实验作为新增样本重新训练神经网络，更新输入参数与隐层以及隐层与光纤脉冲涡旋激光脉冲宽度的权重系数进行新的迭代训练，在预测光纤脉冲涡旋激光脉冲宽度与实际宽度误差小于设定值时，则学习结束，获得准确的光纤脉冲涡旋激光器输出脉宽反向预测模型。

另外，在本实施例中，为了避免多余学习带来的复杂度，采取每次学习技术后测试性预测的确定过程，直到连续预测准确性达到设定值以上后则学习完毕，则认为该模型可以投入实时使用。

S5、将预设计的光纤脉冲涡旋激光器的脉冲宽度输入所述光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数。

通过上述S3-S4步骤计算和学习优化后，我们确定了最终的光纤脉冲涡旋激光器输出脉宽反向预测模型，该模型明确了输入参数和脉冲宽度之间的关系，利用该模型，将预设计的光纤脉冲涡旋激光器的脉冲宽度输入所述光纤脉冲涡旋激光器输出脉宽反向预测模型中，即可获取光纤脉冲涡旋激光器结构参数。

另外，在本实施例中，为了考虑到脉冲宽度设计要求以及实验成本最优，我们基于明确脉冲宽度设计要求，利用非线性规划反向计算成本最优化条件下的结构参数，实质为调整易修改参数到最优状态，并且利用归一化公式，将所求易修改参数结果转换为实际实验中的真实参数。其中，非线性规划模型如下式所示：

其中，α

考虑到有约束下的非线性规划问题求解较难，故将其转化为无约束下的极小值问题，即为：

运用最速下降法对其进行求解吗，具体为：

任意选择一个输入量[I

则新的输入向量为

x

μ为一个参数，只要μ比较小，g(x

i

当经过择优选择出最优的一组光纤脉冲涡旋激光器结构参数后，参照该结构参数即可设计和生产出想要的光纤脉冲涡旋激光器。

至此，则完成了本实施例一种基于神经网络的光纤脉冲涡旋激光器的设计方法的全部流程。

实施例2：

第二方面，本发明还提供了一种基于神经网络的光纤脉冲涡旋激光器的设计系统，参见图2，该系统包括：

实验样本数据获取及存储模块，用于测量不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度，并将所有结构参数和与之对应的脉冲宽度实验数据作为实验样本数据；

光纤脉冲涡旋激光器输出脉宽反向预测模型获取模块，用于基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；

权重系数计算模块，用于基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数，基于所述权重系数确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；

权重系数迭代学习模块，用于对所述初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练，直至满足预设条件时停止训练，并将满足所述预设条件的所述权重系数作为最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；

光纤脉冲涡旋激光器结构参数获取模块，用于将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数。

可选的，所述结构参数包括易修改参数和不易修改参数；所述易修改参数包括泵浦功率、普通光纤长度、掺铒光纤长度以及宽带反射镜的反射率；所述不易修改参数包括可饱和吸收体的调制深度和非饱和损耗、三端口环形器的损耗以及长周期光纤光栅的损耗。

可选的，所述权重系数计算模块基于所述实验样本数据利用向后传播算法和最速下降法计算所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数包括：

利用最速下降法计算使实验值与模型预测值的差异值E取局部最小值时的权重系数作为所述光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数；其中，差异值E用公式表示为：

其中，ω，λ分别表示输入结构参数单元到隐层单元和隐层单元到输出脉冲宽度的权重向量；s表示实验样本中实验次数；T

可选的，所述预设条件为：预测光纤脉冲涡旋激光脉冲宽度与实际宽度之间的误差小于设定值。

可选的，所述光纤脉冲涡旋激光器结构参数获取模块执行将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，获取光纤脉冲涡旋激光器结构参数步骤时包括：

利用非线性规划模型反向计算成本最优化条件下的光纤脉冲涡旋激光器结构参数；其中，非线性规划模型如下式所示：

其中，α

可理解的是，本发明实施例提供的基于神经网络的光纤脉冲涡旋激光器的设计系统与上述基于神经网络的光纤脉冲涡旋激光器的设计方法相对应，其有关内容的解释、举例、有益效果等部分可以参照基于神经网络的光纤脉冲涡旋激光器的设计方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明测量和记录影响光纤脉冲涡旋激光器输出脉宽的不同结构参数下输出的光纤脉冲涡旋激光的脉冲宽度从而获取实验样本数据；并基于神经网络构建光纤脉冲涡旋激光器输出脉宽反向预测模型；然后利用实验样本数据计算光纤脉冲涡旋激光器输出脉宽反向预测模型的权重系数以确定初始光纤脉冲涡旋激光器输出脉宽反向预测模型；并对初始光纤脉冲涡旋激光器输出脉宽反向预测模型进行迭代式训练从而获得最终光纤脉冲涡旋激光器输出脉宽反向预测模型的最终权重系数；最后将预设计的光纤脉冲涡旋激光器的脉冲宽度输入最终的光纤脉冲涡旋激光器输出脉宽反向预测模型中，便可获取光纤脉冲涡旋激光器结构参数。本发明可以在明确光纤脉冲涡旋激光脉宽的情况下，反过来设计光纤脉冲涡旋激光器的结构参数以满足设计时节约成本等要求，其灵活性更好。

2、本发明适用于各种通信波段光纤脉冲涡旋激光器的脉冲宽度设计，可以减少每次设计激光器导致计算的重复性，降低了实验误差，对于一个脉冲激光器的输出具有实时性的预测效果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。