获取细微特征提取模型方法、装置、计算机设备

技术领域

本申请涉及信号信号领域，尤其涉及一种获取细微特征提取模型方法、装置、计算机设备及存储介质。

背景技术

如今电子对抗系统所使用的雷达信号的调制方式日益复杂多变，辐射源信号所处的环境噪声也越来越密集，早期的接收机仅仅围绕着脉冲宽度(PW)、脉冲幅度(PA)、载波频率(RF)、到达时间(TOA)、到达方向(DOA)这五个传统常规参数。然而，这五个传统常规参数已经不能满足如今日益复杂的雷达辐射源个体识别的要求。如何在如今日益复杂的电子对抗环境中，良好地分辨出不同的个体雷达辐射源，获取个体雷达的基本信息，已成为电子对抗热门的研究领域之一。在雷达电子侦察中，辐射源信号的细微特征提取是个体雷达辐射源识别的核心技术。为了更好的分辨个体雷达，这对雷达辐射源细微特征提取方法提出了新的要求。

发明内容

本申请实施例的目的在于提出一种获取细微特征提取模型方法、装置、计算机设备及存储介质，完成了雷达细微特征模型提取的训练。

为了解决上述技术问题，本申请实施例提供一种获取细微特征提取模型方法，采用了如下所述的技术方案：

获取多个雷达的发射信号；

稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据；

获取待训练的神经网络模型；

将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型。

进一步的，所述获取待训练的神经网络模型的步骤之前，还包括：

获取多个待训练的限制玻尔兹曼机；

按预设顺序连接所述多个待训练的限制玻尔兹曼机，得到待分类的神经网络；

将所述待分类的神经网络中的末尾连接支持向量机以及softmax分类器，得到待训练的神经网络模型。

进一步的，所述限制玻尔兹曼机包括可视层以及隐层，所述将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型的步骤具体包括：

初始化所述待训练的神经网络模型；

将所述多个待训练的数据输入至第一个所述限制玻尔兹曼机，得到第一层可视层的状态以及第一层隐层的状态；

根据所述第一层可视层的状态以及所述第一层隐层的状态计算第一层的连接强度；

将剔除第一层后的所述待训练的神经网络模型作为待使用的神经网络模型，并在所述待使用的神经网络模型任取一层所述限制玻尔兹曼机作为目标限制玻尔兹曼机；

将上一层的所述目标限制玻尔兹曼机的隐层的状态作为所述限制玻尔兹曼机可视层的状态，训练得到目标连接强度；

将最后一层的所述限制玻尔兹曼机的隐层状态作为特征向量输入至所述支持向量机以及所述softmax分类器。

进一步的，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据的步骤具体包括：

将所述雷达的发射信号拆分成多段数据序列，所述数据序列至少包括多个数据；

归零化处理每段所述数据序列，得到多段归零后的数据序列；

对每段所述归零后的数据序列作三阶积累量估计，得到多个估计数据；

计算所述多个估计数据的均值，得到所述待训练的数据。

进一步的，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据之后，还包括：

通过

进一步的，所述将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型的步骤之前，还包括：

获取预设的惩罚函数；

通过所述惩罚函数预处理所述神经网络模型。

进一步的，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据的步骤之后，还包括：

通过x(n)＝g(n)+v(n)对所述待训练的数据加入噪声。

为了解决上述技术问题，本申请实施例还提供一种获取细微特征提取模型装置，采用了如下所述的技术方案：

雷达信号获取模块，用于获取多个雷达的发射信号；

稀疏化模块，用于稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据；

神经网络获取模块，用于获取待训练的神经网络模型；

训练模块，用于将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型。

进一步的，所述获取细微特征提取模型装置还包括神经网络模型搭建模块，所述神经网络模型搭建模块还用于：

获取多个待训练的限制玻尔兹曼机；

按预设顺序连接所述多个待训练的限制玻尔兹曼机，得到待分类的神经网络；

将所述待分类的神经网络中的末尾连接支持向量机以及softmax分类器，得到待训练的神经网络模型。

进一步的，所述神经网络模型搭建模块还用于：

初始化所述待训练的神经网络模型；

将所述多个待训练的数据输入至第一个所述限制玻尔兹曼机，得到第一层可视层的状态以及第一层隐层的状态；

根据所述第一层可视层的状态以及所述第一层隐层的状态计算第一层的连接强度；

将剔除第一层后的所述待训练的神经网络模型作为待使用的神经网络模型，并在所述待使用的神经网络模型任取一层所述限制玻尔兹曼机作为目标限制玻尔兹曼机；

将上一层的所述目标限制玻尔兹曼机的隐层的状态作为所述限制玻尔兹曼机可视层的状态，训练得到目标连接强度；

将最后一层的所述限制玻尔兹曼机的隐层状态作为特征向量输入至所述支持向量机以及所述softmax分类器。

进一步的，所述稀疏化模块还用于：

将所述雷达的发射信号拆分成多段数据序列，所述数据序列至少包括多个数据；

归零化处理每段所述数据序列，得到多段归零后的数据序列；

对每段所述归零后的数据序列作三阶积累量估计，得到多个估计数据；

计算所述多个估计数据的均值，得到所述待训练的数据。

进一步的，所述获取细微特征提取模型装置还包括归一化模块，所述归一化模块还用于：

通过

进一步的，所述获取细微特征提取模型装置还包括惩罚模块，所述惩罚模块还用于：

获取预设的惩罚函数；

通过所述惩罚函数预处理所述神经网络模型。

进一步的，所述获取细微特征提取模型装置还包括噪声模块，所述噪声模块还用于：

通过x(n)＝g(n)+v(n)对所述待训练的数据加入噪声。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，其包括至少一个连接的处理器、存储器、输入输出单元，其中，所述存储器用于存储计算机可读指令，所述处理器用于调用所述存储器中的计算机可读指令来执行上述所述的获取细微特征提取模型方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述所述的获取细微特征提取模型方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

将采集得到的雷达辐射源信号稀疏化后直接作为神经网络网络的输入，通过多个限制玻尔兹曼机的不断调整，将最后一层限制玻尔兹曼机的输出作为雷达辐射源的细微特征，并送入传统的SVM分类器验证了其提取细微特征的准确性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的获取细微特征提取模型方法的一个实施例的流程图；

图3是根据本申请的获取细微特征提取模型装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的获取细微特征提取模型方法一般由服务器/终端设备执行，相应地，获取细微特征提取模型装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的获取细微特征提取模型的方法的一个实施例的流程图。所述的获取细微特征提取模型方法，包括以下步骤：

步骤201，获取多个雷达的发射信号。

在本实施例中，本申请以LFM信号作为输入，对加入相位噪声的三个不同辐射源个体的时频变化做了仿真试验，后期提取雷达辐射源细微特征的方法可以将此模型作为信号源，并辅以采集的实测民航雷达数据

步骤202，稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据。

在本实施例中，把直接采样得到的辐射源数据送入深度网路，并没有用传统的方法提取特征，因此可以对模型稀疏化。

步骤203，获取待训练的神经网络模型。

在本实施例中，神经网络模型是由数个限制玻尔兹曼机(RBM)堆叠而成，而RBM是一个单层的随机神经网络，本质上是一个概率图模型。可视层所有单元与每个隐层单元互相连接，但可视层单元彼此之间与隐层单元彼此之间没有任何连接。可视层与隐层神经元均处于激活或者非激活状态。RBM的优势是当给定一层时，可以采样相互独立的另一层，随机采样比较方便。当对所有神经元采样多次后理论上可以进行权值的更新。

步骤204，将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型。

在本实施例中，将采集得到的雷达辐射源信号稀疏化后直接作为神经网络网络的输入，通过多个限制玻尔兹曼机的不断调整，将最后一层限制玻尔兹曼机的输出作为雷达辐射源的细微特征，并送入传统的SVM分类器验证了其提取细微特征的准确性。

在一些可选的实现方式中，所述获取待训练的神经网络模型的步骤之前，还包括：

获取多个待训练的限制玻尔兹曼机；

按预设顺序连接所述多个待训练的限制玻尔兹曼机，得到待分类的神经网络；

将所述待分类的神经网络中的末尾连接支持向量机以及softmax分类器，得到待训练的神经网络模型。

上述实施方式中，DBN网络的顶层的回归分类器有逻辑回归分类器(LogisticRegression,LR)、Softmax回归分类器(Softmax Regression,SR)、线性分类器这三种。其中逻辑回归分类器只能处理二分类问题，无疑增大了计算量。而线性分类器在本次应用中效果较差，因此也不做采用。Softmax回归分类器适合解决多类问题。

在一些可选的实现方式中，所述限制玻尔兹曼机包括可视层以及隐层，所述将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型的步骤具体包括：

初始化所述待训练的神经网络模型；

将所述多个待训练的数据输入至第一个所述限制玻尔兹曼机，得到第一层可视层的状态以及第一层隐层的状态；

根据所述第一层可视层的状态以及所述第一层隐层的状态计算第一层的连接强度；

将剔除第一层后的所述待训练的神经网络模型作为待使用的神经网络模型，并在所述待使用的神经网络模型任取一层所述限制玻尔兹曼机作为目标限制玻尔兹曼机；

将上一层的所述目标限制玻尔兹曼机的隐层的状态作为所述限制玻尔兹曼机可视层的状态，训练得到目标连接强度；

将最后一层的所述限制玻尔兹曼机的隐层状态作为特征向量输入至所述支持向量机以及所述softmax分类器。

上述实施方式中，首先，从底部到顶部对RBM的每一层进行无监督的训练，使用未标记的数据作为模型的输入并把它作为第一个RBM的可视层V0，先训练第一个RBM，从而得到隐层H0的值以及第一个RBM网络的参数W0。将第一个RBM隐层H0的值作为第二个RBM的可视层V1，然后训练第二个RBM从而得到隐层H1的值以及第二个RBM网络的参数W2，依此类推，完成整个DBN的训练，获得网络的偏置和权值；然后利用已知数据的标签，利用反向传播算法对深度网络参数进行微调，从而获得深度网络模型的最优输出。在网络的顶层添加回归分类器，采用Softmax回归分类器，构成完整的深度神经模型。这样把DBN网络作为辐射源特征提取的工具，经过网络训练后的数据可以更好的表达原始信号，而且大大降低了原始输入数据的维度。这种深度训练过程有效解决了传统神经网络在局部最优收敛的缺点，提高了对原始数据的特征表达能力，减少了繁琐的计算过程。

在一些可选的实现方式中，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据的步骤具体包括：

将所述雷达的发射信号拆分成多段数据序列，所述数据序列至少包括多个数据；

归零化处理每段所述数据序列，得到多段归零后的数据序列；

对每段所述归零后的数据序列作三阶积累量估计，得到多个估计数据；

计算所述多个估计数据的均值，得到所述待训练的数据。

上述实施方式中，第一步先分段，首先利用傅立叶变换计算辐射源数据各分段的离散傅立叶变换，接下来对各阶频域矩进行估计，第二步，基于累积量谱与频域谱的联系，进行求解。直接估计法充分利用了三阶累积量的对称性质，只要对双谱的主域进行估计，对称得到剩余谱部分。

在一些可选的实现方式中，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据之后，还包括：

通过

上述实施方式中，对于预处理除了进行归一化处理，还有包络提取、载频估计、换域上的基于小波变换、基于模糊函数等的提取算法，这些都是通过相应的变换提取雷达辐射源个体固有的细微特征，而基于深度信念网络的模型是更深层的结构，可以更完美的表达原数据的细微特征。

在一些可选的实现方式中，所述将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型的步骤之前，还包括：

获取预设的惩罚函数；

通过所述惩罚函数预处理所述神经网络模型。

上述实施方式中，在实际应用中，隐层节点在少数情况下处于激活状态更容易解释，即相应隐层节点仅被用来表示一部分训练数据，加入此惩罚项，可以惩罚隐层节点的平均激活概率偏离给定水平所引起的损失。更重要地，堆叠稀疏的RBM可以提取更抽象的特征，对于采样的辐射源信号，堆叠稀疏的RBM可以提取信号的轮廓、拐角、边缘等特征，这些特征从另一个角度说更能反映辐射源信号的细微特征，对辐射源个体更具有代表性。

在一些可选的实现方式中，所述稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据的步骤之后，还包括：

通过x(n)＝g(n)+v(n)对所述待训练的数据加入噪声。

上述实施方式中，g(n)为训练数据，v(n)可以是任意噪声，通过这种方式提高了样本数量，提高了模型对存在噪声的样本的识别效果。也提高了模型的抗干扰能力。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种获取细微特征提取模型装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的获取细微特征提取模型装置300包括：雷达信号获取模块301、稀疏化模块302、神经网络获取模块303以及训练模块304。其中：

雷达信号获取模块301用于获取多个雷达的发射信号；

稀疏化模块302用于稀疏化处理所述多个雷达的发射信号，得到多个待训练的数据；

神经网络获取模块303用于获取待训练的神经网络模型；

训练模块304用于将所述多个待训练的数据输入至所述待训练的神经网络模型，得到提取雷达细微特征的模型。

进一步的，所述获取细微特征提取模型装置还包括神经网络模型搭建模块，所述神经网络模型搭建模块还用于：

获取多个待训练的限制玻尔兹曼机；

按预设顺序连接所述多个待训练的限制玻尔兹曼机，得到待分类的神经网络；

将所述待分类的神经网络中的末尾连接支持向量机以及softmax分类器，得到待训练的神经网络模型。

进一步的，所述神经网络模型搭建模块还用于：

初始化所述待训练的神经网络模型；

将所述多个待训练的数据输入至第一个所述限制玻尔兹曼机，得到第一层可视层的状态以及第一层隐层的状态；

根据所述第一层可视层的状态以及所述第一层隐层的状态计算第一层的连接强度；

将剔除第一层后的所述待训练的神经网络模型作为待使用的神经网络模型，并在所述待使用的神经网络模型任取一层所述限制玻尔兹曼机作为目标限制玻尔兹曼机；

将上一层的所述目标限制玻尔兹曼机的隐层的状态作为所述限制玻尔兹曼机可视层的状态，训练得到目标连接强度；

将最后一层的所述限制玻尔兹曼机的隐层状态作为特征向量输入至所述支持向量机以及所述softmax分类器。

进一步的，所述稀疏化模块302还用于：

将所述雷达的发射信号拆分成多段数据序列，所述数据序列至少包括多个数据；

归零化处理每段所述数据序列，得到多段归零后的数据序列；

对每段所述归零后的数据序列作三阶积累量估计，得到多个估计数据；

计算所述多个估计数据的均值，得到所述待训练的数据。

进一步的，所述获取细微特征提取模型装置还包括归一化模块，所述归一化模块还用于：

通过

进一步的，所述获取细微特征提取模型装置还包括惩罚模块，所述惩罚模块还用于：

获取预设的惩罚函数；

通过所述惩罚函数预处理所述神经网络模型。

进一步的，所述获取细微特征提取模型装置还包括噪声模块，所述噪声模块还用于：

通过x(n)＝g(n)+v(n)对所述待训练的数据加入噪声。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如获取细微特征提取模型方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述获取细微特征提取模型方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的获取细微特征提取模型方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。