车载多音区语音分离方法及电子设备和存储介质

技术领域

本申请实施例涉及语音识别技术领域，特别是涉及一种车载多音区语音方法及电子设备和存储介质。

背景技术

随着汽车智能座舱的发展，对于车载多音区语音交互要求越来越高，尤其体现在多音区语音分离。

现有技术中，传统算法的车载多音区语音分离方案，主要涉及回声消除(AEC)、波束形成(BF)、盲源分离(BSS)以及后处理(POST)等技术。AEC主要作为语音分离的前处理，用于消除车载场景下，麦克风采集到的本机播放以及TTS语音播报；BF通过麦克风之间的相位信息，对各个音区进行增强；BSS基于信号源的独立性假设，通过信号的统计分布解混成若干独立成分；POST主要对分离后各个通道残余的干扰做进一步的抑制。缺陷是处理过程繁琐且各个模块较难同时达到最优，导致整体分离效果欠佳。

基于NN的车载多音区语音分离方案，也包括AEC部分，但相较于传统方案，BF、BSS、POST则采用端到端的NN(神经网络)方案代替。针对端到端的NN方案，主要分为基于时域和基于频域两大类，而基于频域的NN方案又可通过优化目标的不同分为，基于掩码的，如理想二进制掩码(IBM)或理想比率掩码(IRM)和基于映射的方法，如对数功率谱(LPS)或幅度谱(MS)。缺陷是由于仿真的房间冲激响应(RIR)与实际车内RIR有一定差距，导致NN直出的多音区分离音频失真较大，对识别，唤醒等后端影响较大。

发明内容

本发明实施例提供了一种车载多音区语音分离方法以及装置，用于至少解决上述技术问题之一。

第一方面，本发明实施例提供了一种车载多音区语音分离方法，包括：将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签；基于所述混合信号和所述至少一个语音标签训练融合波束成形的网络模型；基于预设的仿真测试集测试所述融合波束成形的网络模型，判断所述融合波束成形的网络模型是否达到预设要求；若达到预设要求，基于所述融合波束成形的网络模型预测所述混合信号和所述至少一个语音标签的波束成形的权重，得到每一音区分离信号。

第二方面，本发明实施例提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明上述任一项车载多音区语音分离方法。

第三方面，本发明实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项车载多音区语音分离方法。

第四方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项车载多音区语音分离方法。

本申请的方法通过采用三维建模软件基于车辆三维模型获取实车数据，从而可以实现比实车测量具有更高的准确性以及提前进行模型训练；然后采用波束成形网络模块基于大量先验信息预测波束成形的权重，从而可以大大减小了音区间的模糊区域，使用户在车内可以采用更自由的坐姿去进行交互，提高音区分离的分辨率以及精度；进一步地，使用各个音区的分离信号指导传统盲源分离的分离，从而可以使其具有更高的分离度。

附图说明

图1为本发明一实施例提供的一种车载多音区语音分离方法的流程图；

图2为本发明一实施例提供的另一种车载多音区语音分离方法的流程图；

图3为本发明一实施例提供的又一种车载多音区语音分离方法的流程图；

图4为本发明一实施例提供的再一种车载多音区语音分离方法的流程图；

图5为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的双音区的结构示意图；

图6为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的车载多音区语音分离设计框图；

图7为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的车载多音区语音分离流程框图；

图8为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的四音区RIR区域划分图；

图9为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的融合BF的NN模块框图；

图10本发明一实施例提供的电子设备的结构示意图。

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，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。

请参考图1，其示出了本发明一实施例提供的一种车载多音区语音分离方法的流程图。

如图1所示，在步骤101中，将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签；

在步骤102中，基于所述混合信号和所述至少一个语音标签训练融合波束成形的网络模型；

在步骤103中，基于预设的仿真测试集测试所述融合波束成形的网络模型，判断所述融合波束成形的网络模型是否达到预设要求；

在步骤104中，若达到预设要求，基于所述融合波束成形的网络模型预测所述混合信号和所述至少一个语音标签的波束成形的权重，得到每一音区分离信号。

在本实施例中，对于步骤101，车载多音区语音分离装置将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签，例如，从预先生成好多批量房间声学冲激响应数据中随机选择，之后将选择好的房间声学冲激响应数据与高保真音频中的噪声和人声数据进行卷积，然后根据车内实际信噪比、信干比进行混合，最后动态的输出各个音区标签语音和混合语音。

然后，对于步骤102，车载多音区语音分离装置基于混合信号和至少一个语音标签训练融合波束成形的网络模型，例如，将获取的混和信号以及语音标签一起输送到融合波束成形的神经网络模型形进行训练，其中，融合波束成形的网络模型主要包括经典的Encoder(编码器)/Decoder(解码器)结构进行上下采样获取空间以及频段特征，中间采用LSTM(Long Short-Term Memory，长短期记忆网络)进行时间维度建模，最后预测波束成形的权重，获得各个音区的分离信号，进一步地，在Encoder与Decoder之间采用跳过连接(Skip Connection)防止产生退化问题。

然后，对于步骤103，车载多音区语音分离装置基于预设的仿真测试集测试融合波束成形的网络模型，判断融合波束成形的网络模型是否达到预设要求，例如，将获取到的融合波束成形的网络模型使用预设好的仿真测试，进行一系列的检测以检测数据来判断融合波束成形的网络模型是否达到要求。

最后，对于步骤104，若融合波束成形的网络模型达到预设要求，基于融合波束成形的网络模型预测混合信号和至少一个语音标签的波束成形的权重，得到每一音区分离信号，例如，融合波束成形成型的网络模型达到要求后基于这个模型来预测之前输入混合信号以及语音标签的波束成形的权重比，以获取的权重比来预测每一音区的分离信号，若融合波束成形的网络模型未达到预设要求，则需要调整房间脉冲响应参数以及训练参数进行重新训练。

本实施例的方法是通过将高保真音频与房间脉冲响应数据进行卷积，然后将卷积获取的数据用于训练融合波束成形的网络模型训练，训练完成后使用预设的仿真测试来测试是否达到要求，最后用达到要求的网络模型来预测卷积获取的数据的权重，从而可以实现让音区分离的分辨率以及精度更高。

进一步请参考图2，其示出了本发明一实施例提供的另一种车载多音区语音分离方法的流程图，该流程图主要是对流程图1“若达到预设要求，基于所述融合波束成形的网络模型预测所述混合信号和所述至少一个语音标签的波束成形的权重，得到每一音区分离信号”之后的流程进一步限定的步骤的流程图。

如图2所示，在步骤201中，基于所述每一音区分离信号融合波束成形的网络模型指导传统盲源分离的算法进行分离，得到分离结果；

在步骤202中，并且收集基于预设实车测试集验证所述分离结果是否达到指标要求；

在步骤203中，若达到指标要求则输出多音区分离音频，用于后续的语音交互系统。

在本实施例中，对于步骤201，车载多音区语音分离装置基于每一音区分离信号融合波束成形的网络模型指导传统盲源分离的算法进行分离，得到分离结果，在一具体实施例中，由于神经网络通过大量车内声学环境进行建模，能够更为准确的进行音区分离，所以用神经网络输出的音频，来指导传统盲源分离算法的分离。

然后，对于步骤202，车载多音区语音分离装置收集基于预设实车测试集验证分离结果是否达到指标要求。

最后，对于步骤203，若达到指标要求则输出多音区分离音频，用于后续的语音交互系统，进一步地，若没有达到指标要求，继续使用传统盲源分离的算法进行分离。

本实施例的方法通过融合波束成形网络模型去指导传统盲源分离的算法对音频进行分离操作，从而解决音频失真的问题，而且会进一步分离残留的干扰，使其具有更好的分离效果。

进一步请参考图3，其示出了本发明一实施例提供的又一种车载多音区语音分离方法的流程图，该流程图主要是对流程图1“在将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签”之前的流程进一步限定的步骤的流程图。

如图3所示，在步骤301中，采集车辆的麦克风三维坐标信息、声源位置信息和车内尺寸；

在步骤302中，基于所述麦克风三维坐标信息、声源位置信息和车内尺寸进行多音区房间脉冲响应仿真；

在步骤303中，对房间脉冲响应仿真区域的声源位置进行随机模拟采样生成批量房间脉冲响应数据。

在本实施例中，对于步骤301，车载多音区语音分离装置采集车辆的麦克风三维坐标信息、声源位置信息和车内尺寸，例如，使用预设三维建模软件采集麦克风位置坐标、声源位置信息、车内空间的长宽高和座椅头枕距离麦克风的水平距离等。

然后，对于步骤302，车载多音区语音分离装置基于麦克风三维坐标信息、声源位置信息和车内尺寸进行多音区房间脉冲响应仿真。

最后，对于步骤303，车载多音区语音分离装置对房间脉冲响应仿真区域的声源位置进行随机模拟采样生成批量房间脉冲响应数据，例如，通过三维建模软件进行汽车模型的建模进而获取实车信息(麦克风三维坐标信息、声源位置信息以及车内尺寸)，然后基于获取到的车辆信息进行多音区房间脉冲响应仿真，最后对于多音区房间脉冲响应仿真其仿真区域的声源位置进行随机采样批量生成房间脉冲响应数据。本实施例的方法通过三维建模软件采集车辆信息并基于采集到的信息进行多音区房间脉冲响应仿真，并且对仿真区域的声源进行数据采样生成房间脉冲响应数据，从而可以实现获取到的数据比实车测量数据更加准确，并且可以提前进行模型训练，大大缩减整体方案输出时间。

在一些可选的实施例中，所述高保真音频数据包括：

实车采集的噪声和大批量不同人录制的高保真人声，例如，高保真音频主要分为两部分，一部分是通过实车采集的噪声，如风噪、胎噪以及空调噪声等；另一部分是通过大批量不同人录制的高保真人声。

在一些可选的实施例中，所述多音区至少包括：双音区、四音区和五音区等。

在一些可选的实施例中，所述融合波束成形的网络模型包括编码器、长短期记忆网络和解码器，其中，所述编码器和解码器进行上下采样获取空间以及频段特征，中间使用所述长短期记忆网络进行时间维度建模，其中，长短期记忆网络(LSTM，Long Short-TermMemory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。

进一步请参考图4，其示出了本发明一实施例提供的再一种用于销售电话的线索标签识别方法的流程图，该流程图主要是对流程图1“将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签”的流程进一步限定的步骤的流程图。

如图4所示，在步骤401中，获取所述高保真音频与房间脉冲响应数据的卷积结果；

在步骤402中，将所述卷积结果与车内的实际信噪比和信干比进行混合，得到混合音频以及至少一个语音标签。

在本实施例中，对于步骤401，获取所述高保真音频与房间脉冲响应数据的卷积结果，然后对于步骤402，将卷积结果与车内的实际信噪比和信干比进行混合，得到混合音频以及至少一个语音标签，例如，从已生成好的批量房间脉冲响应数据中随机选择，并将选择好的房间脉冲响应数据与高保真音频中的噪声和人声数据进行卷积，然后根据车内实际信噪比，信干比进行混合。最后，动态的输出各个音区标签语音和混合语音。

本实施例的方法通过获取所述高保真音频与房间脉冲响应数据的卷积结果，然后将卷积结果与车内的实际信噪比和信干比进行混合，从而可以实现提高音区分离的分辨率以及精度。

在一些可选的实施例中，在所诉判断所述融合波束成形的网络模型是否达到预设要求之后，还包括：

若没有达到要求则重新调整房间声学冲激响应与训练参数后进行重新训练。

请参考图5，其示出了本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的双音区的结构图。

如图5所示，音区1表示主驾位置，音区2表示副驾位置。当主驾位置人嘴位于模糊区域时，例如红五角星位置，算法会将分离后的音频分到副驾位置，进而影响后续的用户交互体验。请参考图6，其示出了本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的车载多音区语音分离设计框图。

如图6所示，实车信息采集：基于车厂三维建模软件，获取车内空间信息，如麦克风位置坐标，车内空间的长宽高，座椅头枕距离麦克风的水平距离等。通过车内空间信息采集，获取实车声学环境的先验知识，用于后续建模。

高保真音频输入：高保真音频主要分为两部分，一部分是通过实车采集的噪声，如风噪、胎噪以及空调噪声等。另一部分是通过大批量不同人录制的高保真人声。

混合音频输入：车载场景内存在本机播放以及TTS播报，所以输入音频中包括参考回路用于AEC回声消除。不管是传统方案还是NN方案都需要依赖AEC模块进行预处理，由于AEC模块不是本专利的重点，所以默认混合音频输入已通过AEC模块进行回声消除。

RIR仿真模块：房间声学冲激响应(Room Impulse Response，RIR)主要由Allen和Berkley于1979年提出的image方法。该方法在声学信号处理领域应用最为广泛。本专利主要基于image方法进行车内RIR仿真。

训练数据生成模块：在训练阶段，从已生成好的批量RIR中随机选择，并将选择好的RIR与高保真音频中的噪声和人声数据进行卷积，然后根据车内实际信噪比，信干比进行混合。最后，动态的输出各个音区标签(1abel)语音和混合(mix)语音，用于网络训练。

融合BF的NN模块：为了解决NN与传统BF算法结合方案中，传统方案阶段主要基于统计理论，NN性能受限，导致模糊边界偏大。本专利提出融合BF的NN模块，通过大量先验知识，对原始输入信号的特征进行提取以及处理，并输出各个音区的分离信号。一方面，对车内声学环境进行网络训练，大大减小了模糊区间大小；另一方面，采用融合BF的NN模块解决了传统BF算法对麦克风间距的依赖，有利于车载多音区分离规模化落地。

传统算法模块：由于仿真RIR与实际仍有一定差距，会产生音频失真以及非目标路残留。为了解决该问题本文基于NN模块输出的音频，对传统BSS算法进行改进。由于NN具有较小的模糊边界，也就说相较于传统算法，NN具体更高的分离准确性，而传统算法具有更好的鲁棒性和更小的失真。所以通过NN模块输出的音频，指导传统BSS算法的分离，会进一步优化分离效果。

请参考图7，其示出了本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的车载多音区语音分离流程框图。

如图7所示，步骤1：实车信息采集，采集麦克风三维坐标信息，声源位置信息以及车内尺寸，如长宽高等信息。

步骤2：实车房间脉冲仿真，使用步骤1采集到的麦克风以及声源的相对位置信息以及车内空间进行仿真，通过对区域内的声源位置随机采样，生成批量房间脉冲响应，用于后续训练过程。

步骤3：生成训练数据，训练过程输入高保真音频卷积上随机抽取的数据，并且按照不同的信噪比、信干比进行实时混合。然后将得到的混合信号以及各个音区的标签信号(即不同音区的音频)，输送网络模型训练。

步骤4：网络训练，将上一步骤获取的混合信号以及各个音区的标签信号用于融合波束成形网络模型训练，训练好的模型需要通过仿真测试集测试是否达到要求，若未达到要求则需要返回步骤2重新调整其参数以及后续训练参数重新训练，若达到要求则做为后续融合波束成形网络模型进行后续分离任务。

步骤5：融合波束成形的神经网络模块进行多音区语音分离，使用编码器/解码器结构进行上下采样获取空间以及频段特征，中间采用长短期记忆进行时间维度建模，预测波束成形的权重获取各个音区的分离信号。

步骤6：传统算法，由于神经网络通过大量车内声学环境进行建模，可以更加准确的进行语音分离，所以使用神经网络输出的音频指导传统盲源分离算法的分离，并用实车测试集验证是否达到要求若未达到要求则需要重新调整盲源分离的参数若达到要求则输出多音区语音分离音频，用于后续语音交互系统等。

请参考图8，其示出了本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的四音区RIR区域划分图。

如图8所示，蓝色区域为实际RIR仿真区域，通过对区域内的声源位置随机采样，生成批量RIR，用于后续训练过程。

图9为本发明一实施例提供的一种车载多音区语音分离方法的一个具体示例的融合BF的NN模块框图。

如图9所示，使用编码器与解码器结构进行上下采样获取空间以及频段特征；基于编码器与解码器结构中间采用LSTM(Long Short-Term Memory，长短期记忆网络)获取时间维度的建模；基于获取空间以及频段特征与时间维度的建模进行预测进而预测BF(波束成形)的权重；基于BF的权重获取各个音区的分离信号；并且在编码器与解码器之间使用跳过链接防止产生退化问题。

在一些可选的实施例中，针对融合BF的NN网络，在ncoder/Decoder以及LSTM中的传统卷积采用复数卷积网络进行替代。通过对输入多通道信号的实部和虚部分别采用二维卷积进行建模，很大程度提高了网络的特征提取能力，但也增加了网络的算力成本，为了平衡算力与分离效果，最终未采用复数卷积的方式进行网络构建。

在一些可选的实施例中，采用了NN与GSC结合的方式，首先通过NN算法输出分离后的音频和掩码，并将分离后的音频和掩码输入到适配的GSC算法中，辅助计算固定权重W以及阻塞矩阵B，并最终通过GSC输出分离后的信号。从而可以实现针对小间距阵列具有较好的分离效果和鲁棒性。

在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的用于销售电话的线索标签识别方法；

作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：

将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签；

基于所述混合信号和所述至少一个语音标签训练融合波束成形的网络模型；

基于预设的仿真测试集测试所述融合波束成形的网络模型，判断所述融合波束成形的网络模型是否达到预设要求；

若达到预设要求，基于所述融合波束成形的网络模型预测所述混合信号和所述至少一个语音标签的波束成形的权重，得到每一音区分离信号。

非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于销售电话的线索标签识别装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至用于销售电话的线索标签识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一项用于销售电话的线索标签识别方法。

图10是本发明实施例提供的电子设备的结构示意图，如图10所示，该设备包括：一个或多个处理器1010以及存储器1020，图10中以一个处理器1010为例。用于销售电话的线索标签识别方法的设备还可以包括：输入装置1030和输出装置1040。处理器1010、存储器1020、输入装置1030和输出装置1040可以通过总线或者其他方式连接，图10中以通过总线连接为例。存储器1020为上述的非易失性计算机可读存储介质。处理器1010通过运行存储在存储器1020中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例用于销售电话的线索标签识别方法。输入装置1030可接收输入的数字或字符信息，以及产生与实施例用于销售电话的线索标签识别装置的用户设置以及功能控制有关的键信号输入。输出装置1040可包括显示屏等显示设备。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

作为一种实施方式，上述电子设备应用于用于销售电话的线索标签识别装置中，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

将获取的高保真音频与获取的房间脉冲响应数据进行卷积，得到混合信号和至少一个语音标签；

基于所述混合信号和所述至少一个语音标签训练融合波束成形的网络模型；

基于预设的仿真测试集测试所述融合波束成形的网络模型，判断所述融合波束成形的网络模型是否达到预设要求；

若达到预设要求，基于所述融合波束成形的网络模型预测所述混合信号和所述至少一个语音标签的波束成形的权重，得到每一音区分离信号。

本申请实施例的电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：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。