一种目标事件的发生概率确定方法以及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种目标事件的发生概率确定方法、装置。

背景技术

在众多的概率模型中，logistic回归具有简洁的表达形式(自变量的线性组合及logistic变换)和良好的可解释性(自变量系数表示该自变量对目标概率的影响方向和程度)，在信用风险建模、反欺诈、点击率预测等领域被广泛应用。传统的logistic回归将所有自变量整体作线性组合，这样虽然能使建模步骤更简单，但在实际场景中，各自变量之间可能存在分组的关系，每组自变量对目标概率的影响有其自身规律，如果这样笼统地建立目标概率关于所有自变量的模型，各组自变量本身独有的特性可能会被忽略，导致所建立的模型所预测的目标概率的准确性较低。故此，亟需一种新的目标事件的发生概率确定的方案。

发明内容

本申请提供了一种目标事件的发生概率确定方法，以提高顶层回归模型所预测的目标概率的准确性。

第一方面，本申请提供了一种目标事件的发生概率确定方法，所述方法包括：

获取目标事件对应的N个级别分组，N为正整数；其中，每个第N级别分组均包括若干个指标参数；

针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型；

根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；

根据所述顶层回归模型，确定所述目标事件的发生概率。

可选的，所述针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型，包括：

针对每一个第一级别分组，将该第一级别分组对应的各个第N-1级别分组分别作为目标分组，针对每一个目标分组，根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型；若所述目标分组不为第一级别分组，则将所述目标分组的各个上一级别分组分别作为目标分组，继续执行所述根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型的步骤，直至所述目标分组为第一级别分组；

其中，该第一级别分组对应的各个第N级别分组对应的回归模型的确定方式为：根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型。

可选的，所述根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型，包括：

将第N级别分组的若干个指标参数作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为该第N级别分组对应的回归模型。

可选的，所述根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型，包括：

将所述目标分组对应的各个下一级别分组各自分别对应的回归模型作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为所述目标分组对应的回归模型。

可选的，回归模型为logistic回归模型。

可选的，目标事件为企业违约事件。

可选的，目标事件为企业亏损事件。

第二方面，本申请提供了一种目标事件的发生概率确定装置，所述装置包括：

分组获取单元，用于获取目标事件对应的N个级别分组，N为正整数；其中，每个第N级别分组均包括若干个指标参数；

第一确定单元，用于针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组中每个分组的若干个指标参数，确定该第一级别分组对应的回归模型；

第二确定单元，用于根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；

概率确定单元，用于根据所述顶层回归模型，确定所述目标事件的发生概率。

可选的，所述第一确定单元，具体用于：

针对每一个第一级别分组，将该第一级别分组对应的各个第N-1级别分组分别作为目标分组，针对每一个目标分组，根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型；若所述目标分组不为第一级别分组，则将所述目标分组的各个上一级别分组分别作为目标分组，继续执行所述根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型的步骤，直至所述目标分组为第一级别分组；

其中，该第一级别分组对应的各个第N级别分组对应的回归模型的确定方式为：根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型。

可选的，所述所述第一确定单元，具体用于：

将第N级别分组的若干个指标参数作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为该第N级别分组对应的回归模型。

可选的，所述所述第一确定单元，具体用于：

将所述目标分组对应的各个下一级别分组各自分别对应的回归模型作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为所述目标分组对应的回归模型。

可选的，回归模型为logistic回归模型。

可选的，目标事件为企业违约事件。

可选的，目标事件为企业亏损事件。

第三方面，本申请提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。

第四方面，本申请提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。

由上述技术方案可以看出，本申请提供了一种目标事件的发生概率确定方法，所述方法包括：获取目标事件对应的N个级别分组，N为正整数；其中，第N级别分组中每个分组包括若干个指标参数；针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型；根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；根据所述顶层回归模型，确定所述目标事件的发生概率。可见，在本申请中先对每个分组分别单独确定对应的回归模型，再根据各个分组对应的回归模型确定顶层回归模型，由于所确定的顶层回归模型融合了若干个分组独有的特性，充分利用了各个分组中的各个指标参数的分层分组关系，将顶层回归模型的优化过程分解到各个分组对应的回归模型构建过程中，并最终将各个分组对应的回归模型重新组合为顶层回归模型，使得顶层回归模型具备更强的可解释性，陷入局部最优的风险也更低，从而提高顶层回归模型所预测的目标概率的准确性。

上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

为了更清楚地说明本申请实施例或现有的技术方案，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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的一种目标事件的发生概率确定方法的流程示意图；

图2为本申请一实施例提供的一种目标事件的发生概率确定装置的结构示意图；

图3为本申请一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

传统的logistic回归将所有自变量整体作线性组合，这样虽然能使建模步骤更简单，但在实际场景中，各自变量之间可能存在分组的关系，每组自变量对目标概率的影响有其自身规律，如果这样笼统地建立目标概率关于所有自变量的模型，各组自变量本身独有的特性可能会被忽略，导致所建立的模型所预测的目标概率的准确性较低。故此，亟需一种新的目标事件的发生概率确定的方案。

本申请提供了一种目标事件的发生概率确定方法，所述方法包括：获取目标事件对应的N个级别分组，N为正整数；其中，第N级别分组中每个分组包括若干个指标参数；针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型；根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；根据所述顶层回归模型，确定所述目标事件的发生概率。可见，在本申请中先对每个分组分别单独确定对应的回归模型，再根据各个分组对应的回归模型确定顶层回归模型，由于所确定的顶层回归模型融合了若干个分组独有的特性，充分利用了各个分组中的各个指标参数的分层分组关系，将顶层回归模型的优化过程分解到各个分组对应的回归模型构建过程中，并最终将各个分组对应的回归模型重新组合为顶层回归模型，使得顶层回归模型具备更强的可解释性，陷入局部最优的风险也更低，从而提高顶层回归模型所预测的目标事件的发生概率的准确性。

需要说明的是，本申请实施例可以应用于电子设备(比如手机、平板等)或者服务器中。需要说明的是，除了上述提及的方式以外，还可以为其他的实现方式，在这里并不限定。

下面结合附图，详细说明本申请的各种非限制性实施方式。

参见图1，示出了本申请实施例中的一种目标事件的发生概率确定方法，在本实施例中，所述方法例如可以包括以下步骤：

S101：获取目标事件对应的N个级别分组。

在本实施例中，目标事件可以理解为需要预测发生概率的事件，例如，目标事件可以为企业违约事件、企业亏损事件等。需要说明的是，在本实施例中，可以预先将目标事件的全部自变量预先分为N个级别分组，且每个级别分组可以有一个或多个，其中，N为正整数，并且，每个第N级别分组均包括若干个指标参数，即每个最后一个级别分组均包括一个或多个指标参数。

接下来，举例说明，当目标事件为企业违约事件，则目标事件的自变量分组如表1所示，可以包括两个第一级别分组，且第一级别分组x

表1

需要说明的是，指标参数中可以预先设置有对应的数据的，继续举例说明，当目标事件为企业亏损事件，则目标事件的自变量分组如表2所示，可以包括四个第一级别分组v1、v2、v3、v5，其中，第一级别分组v1包括指标参数v11-v15，第一级别分组v2包括指标参数v21-v23，第一级别分组v3包括指标参数v31-v35，第一级别分组v5包括指标参数v51-v55。

表2

S102：针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型。

需要说明的是，在本实施例的一种实现方式中，回归模型可以为logistic回归模型，logistic回归具有简洁的表达形式(自变量的线性组合及logistic变换)和良好的可解释性(自变量系数表示该自变量对目标概率的影响方向和程度)，在信用风险建模、反欺诈、点击率预测等领域被广泛应用。

在本实施例中，可以确定每一第一级别分组对应的回归模型。具体地，可以针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型。作为一种示例，可以针对每一个第一级别分组，将该第一级别分组对应的各个第N-1级别分组分别作为目标分组，针对每一个目标分组，根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型；若所述目标分组不为第一级别分组，则将所述目标分组的各个上一级别分组分别作为目标分组，继续执行所述根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型的步骤，直至所述目标分组为第一级别分组。

其中，该第一级别分组对应的各个第N级别分组对应的回归模型的确定方式为：根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型。

可以理解的是，在本实施例中，可以先确定各个最后一级别分组(即第N级别分组)对应的回归模型；然后，针对每一第N-1级别分组，可以根据该第N-1级别分组对应的各个第N级别分组对应的回归模型，确定该第N-1级别分组对应的回归模型，依次类推，直至确定各个第一级别分组对应的回归模型。

接下来，先介绍如何根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型。在本实施例中，可以先将第N级别分组的若干个指标参数作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型。例如，以表1中的第二级别分组x

其中，y、f

然后，可以利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型。在一种实现方式中，可以利用极大似然估计来优化初始回归模型的参数，比如，设有k个样本x

对初始回归模型的参数的优化过程即使上述似然函数达到最大的过程。

若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为该第N级别分组对应的回归模型。

接下来，将介绍如何根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型。

作为一种示例，可以先将所述目标分组对应的各个下一级别分组各自分别对应的回归模型作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型。继续以表1举例说明，假设目标分组为第一级别分组，则对于第一级别分组“出资信息”，将其下一级别分组对应的初始回归模型f

其中：y、f

这样，便可以得到第一级别分组“出资信息”对应的初始回归模型f

然后，利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为所述目标分组对应的回归模型。

S103：根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型。

在本实施例中，可以先将各个第一级别分组各自分别对应的回归模型作为自变量，将所述目标事件的发生概率作为目标变量，建立初始顶层回归模型。

继续以表1为例，可以将第一级别分组各自分别对应的回归模型f

然后，利用所述初始顶层回归模型的似然函数对所述初始顶层回归模型进行优化处理，得到优化后的顶层回归模型；若所述优化后的顶层回归模型的似然函数未达到最大值，则将所述优化后的顶层回归模型作为初始顶层回归模型，继续执行所述利用所述初始顶层回归模型的似然函数对所述初始顶层回归模型进行优化处理的步骤；若所述优化后的顶层回归模型的似然函数达到最大值，则将所述优化后的顶层回归模型作为顶层回归模型。

S104：根据所述顶层回归模型，确定所述目标事件的发生概率。

在确定顶层回归模型后，可以将各个指标参数输入顶层回归模型，得到所述目标事件的发生概率(即目标事件会发生的可能性)。

如表3所示，将每个指标按样本数量均分为5个档次对指标作离散化，目标变量为下季度是否亏损(亏损取1，不亏损取0)。训练后模型准确率55.9％，召回率82.9％，即将指标参数输入表3对应的顶层回归模型后，可以得到目标事件的发生概率。模型参数如下(其中红色为对应指标和分组的系数)：

表3

由上述技术方案可以看出，本申请提供了一种目标事件的发生概率确定方法，所述方法包括：获取目标事件对应的N个级别分组，N为正整数；其中，第N级别分组中每个分组包括若干个指标参数；针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组的若干个指标参数，确定该第一级别分组对应的回归模型；根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；根据所述顶层回归模型，确定所述目标事件的发生概率。可见，在本申请中先对每个分组分别单独确定对应的回归模型，再根据各个分组对应的回归模型确定顶层回归模型，由于所确定的顶层回归模型融合了若干个分组独有的特性，并且可以得到具体某个分组对应的目标事件的发生概率，充分利用了各个分组中的各个指标参数的分层分组关系，将顶层回归模型的优化过程分解到各个分组对应的回归模型构建过程中，并最终将各个分组对应的回归模型重新组合为顶层回归模型，使得顶层回归模型具备更强的可解释性，陷入局部最优的风险也更低，从而提高顶层回归模型所预测的目标概率的准确性。

如图2所示，为本申请所述一种目标事件的发生概率确定装置的一个具体实施例。本实施例所述装置，即用于执行上述实施例所述方法的实体装置。其技术方案本质上与上述实施例一致，本实施例中所述装置包括：

分组获取单元201，用于获取目标事件对应的N个级别分组，N为正整数；其中，每个第N级别分组均包括若干个指标参数；

第一确定单元202，用于针对每一个第一级别分组，根据该第一级别分组对应的各个第N级别分组中每个分组的若干个指标参数，确定该第一级别分组对应的回归模型；

第二确定单元203，用于根据各个第一级别分组各自分别对应的回归模型，确定顶层回归模型；

概率确定单元204，用于根据所述顶层回归模型，确定所述目标事件的发生概率。

可选的，所述第一确定单元202，具体用于：

针对每一个第一级别分组，将该第一级别分组对应的各个第N-1级别分组分别作为目标分组，针对每一个目标分组，根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型；若所述目标分组不为第一级别分组，则将所述目标分组的各个上一级别分组分别作为目标分组，继续执行所述根据所述目标分组对应的各个下一级别分组对应的回归模型，确定所述目标分组对应的回归模型的步骤，直至所述目标分组为第一级别分组；

其中，该第一级别分组对应的各个第N级别分组对应的回归模型的确定方式为：根据第N级别分组的若干个指标参数，确定所述第N级别分组对应的回归模型。

可选的，所述所述第一确定单元202，具体用于：

将第N级别分组的若干个指标参数作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为该第N级别分组对应的回归模型。

可选的，所述所述第一确定单元202，具体用于：

将所述目标分组对应的各个下一级别分组各自分别对应的回归模型作为自变量，将所述目标事件的发生概率作为目标变量，建立初始回归模型；

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理，得到优化后的回归模型；若所述优化后的回归模型的似然函数未达到最大值，则将所述优化后的回归模型作为初始回归模型，继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤；若所述优化后的回归模型的似然函数达到最大值，则将所述优化后的回归模型作为所述目标分组对应的回归模型。

可选的，回归模型为logistic回归模型。

可选的，目标事件为企业违约事件。

可选的，目标事件为企业亏损事件。

图3是本申请实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成目标事件的发生概率确定装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本申请任一实施例中提供的目标事件的发生概率确定方法。

上述如本申请图1所示实施例提供的目标事件的发生概率确定装置执行的方法可以应用于处理器中，或者由处理器实现。处理器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。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，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申请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。

结合本申请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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本申请实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本申请任一实施例中提供的目标事件的发生概率确定方法，并具体用于执行上述目标事件的发生概率确定所述的方法。

前述各个实施例中所述的电子设备可以为计算机。

本领域内的技术人员应明白，本申请的实施例可提供为方法或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。