本發(fā)明屬于角度傳感器測量
技術(shù)領(lǐng)域：
，具體涉及一種用于大數(shù)據(jù)的高精度角度傳感器誤差補償方法。
背景技術(shù)：
：角度傳感器是一種將角度信號轉(zhuǎn)換為易于處理的信號(如電信號)從而獲取角度，速度，位移等數(shù)值量的裝置。它廣泛應(yīng)用于先進制造、自動控制、航天航空、大地測量等領(lǐng)域。隨著科學(xué)技術(shù)的發(fā)展與進步，對傳感器的準(zhǔn)確度、穩(wěn)定性和工作環(huán)境的要求相對提高。在實際測量時，受測量環(huán)境的干擾、工作元器件老化等因素，傳感器的性能受到一定影響，從而使系統(tǒng)產(chǎn)生非線性誤差。因而對系統(tǒng)的非線性校準(zhǔn)是影響測量精度的重要因素。目前，常見的傳感器誤差補償方法包括查表法、硬件補償法和最小二乘法等。上述方法只檢測了部分點作為采樣數(shù)據(jù)，樣本量較少，難以反應(yīng)傳感器的整體精度；然而現(xiàn)有技術(shù)僅適用于固定的誤差源或者是某一類角度傳感器、通用性差和難以推廣。關(guān)于傾角傳感器誤差補償，常用的方法是曲面擬合法和神經(jīng)網(wǎng)絡(luò)法。但曲面擬合法存在模型復(fù)雜、建模困難、計算量大、精度較低等缺點，且神經(jīng)網(wǎng)絡(luò)法存在難以確定隱含層節(jié)點數(shù)、計算量大、補償速度慢等缺點。隨著被測角度傳感器數(shù)據(jù)位數(shù)增多，時間復(fù)雜度和存儲復(fù)雜度隨之增加，傳統(tǒng)的方法不能適用于大數(shù)據(jù)環(huán)境下的誤差補償。傳統(tǒng)的方法提出了對樣本數(shù)據(jù)分塊進行誤差建模的方法，但僅適用于少量數(shù)據(jù)的情況。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明提出了一種用于大數(shù)據(jù)的高精度角度傳感器誤差補償方法，適用于大量數(shù)據(jù)的情況，而且能夠提高誤差補償精度。實現(xiàn)本發(fā)明的實施方案如下：一種用于大數(shù)據(jù)的高精度角度傳感器誤差補償方法，包括如下步驟：步驟1、獲得多組訓(xùn)練樣本，每組訓(xùn)練樣本包括角度傳感器的測量值x和作為理想值的實際轉(zhuǎn)角y；步驟2、將所述訓(xùn)練樣本劃分成n個子樣本，每個子樣本對應(yīng)一個神經(jīng)網(wǎng)絡(luò)，稱為子神經(jīng)網(wǎng)絡(luò)；分別由n個子樣本數(shù)據(jù)，計算得到每個子神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點pn,n＝1,2,…,n，然后取平均，得到作為誤差補償模型的神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)h；子神經(jīng)網(wǎng)絡(luò)與誤差補償模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同；其中，第n個子神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點pn的計算方式為：xin和yin為第n個子樣本中的第i個測量值和實際轉(zhuǎn)角，n取值為1～n，a、b、c均為預(yù)先確定的系數(shù)，m為子樣本維數(shù)，m＝m/n，m為樣本總數(shù)；步驟3、將步驟2所確定的隱含層節(jié)點數(shù)h，代入所有子神經(jīng)網(wǎng)絡(luò)；步驟4、利用子樣本訓(xùn)練步驟3得到的子神經(jīng)網(wǎng)絡(luò)，獲得隱含層與輸出層間的連接權(quán)值向量αn；且n個子神經(jīng)網(wǎng)絡(luò)并行訓(xùn)練；步驟5、將步驟4獲得的連接權(quán)值向量αn代入子神經(jīng)網(wǎng)絡(luò)，利用子樣本輸入子神經(jīng)網(wǎng)絡(luò)進行計算，獲得子神經(jīng)網(wǎng)絡(luò)輸出與子樣本期望輸出的誤差均值en。步驟6、將n個子神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向量αn進行加權(quán)平均，獲得最終的連接權(quán)值向量加權(quán)平均所用權(quán)值wn根據(jù)步驟5的誤差均值en確定，誤差均值en越大，對應(yīng)的權(quán)值wn越小；將最終的連接權(quán)值向量代入神經(jīng)網(wǎng)絡(luò)，獲得角度傳感器的誤差補償模型；步驟7、進行實際測量時，將角度傳感器輸出的測量值作為誤差補償模型的輸入，誤差補償模型輸出即為誤差補償后的角度值。優(yōu)選地，子樣本個數(shù)n根據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)時的時間復(fù)雜度t1和各子樣本并行運算時子樣本數(shù)據(jù)集間的數(shù)據(jù)通信時間t2確定。優(yōu)選地，子樣本個數(shù)n的計算方式為：其中，k為中間變量，round()為取整函數(shù)，tp為一次浮點數(shù)運算時間，tc為移動一個數(shù)據(jù)字的時間。優(yōu)選地，步驟2中，當(dāng)m位于104至106之間時，取k＝15。優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)和子神經(jīng)網(wǎng)絡(luò)為傅里葉神經(jīng)網(wǎng)絡(luò)，且為單輸入單輸出的前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。優(yōu)選地，所述步驟6中，權(quán)值wn的計算方式為：優(yōu)選地，所述步驟1中，轉(zhuǎn)臺帶動角度傳感器非勻速旋轉(zhuǎn)一周，獲取多組轉(zhuǎn)臺實際轉(zhuǎn)角y和角度傳感器對轉(zhuǎn)角的測量值x，作為訓(xùn)練樣本。有益效果：(1)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法通過試錯法確定隱含層節(jié)點數(shù)，而本發(fā)明在第2步中應(yīng)用統(tǒng)計學(xué)習(xí)的方法獲得了隱含層節(jié)點數(shù)的估計公式，減少了運算量并提高了算法的精度。(2)本發(fā)明采用數(shù)據(jù)并行算法處理大數(shù)據(jù)誤差補償問題，將樣本集進行劃分，能夠有效地降低誤差補償算法的計算復(fù)雜度和存儲復(fù)雜度。進一步地，本發(fā)明針對大量數(shù)據(jù)的誤差補償方法在第二步中由算法的時間復(fù)雜度和數(shù)據(jù)通信時間確定了樣本劃分?jǐn)?shù)，提高了算法的運行速度，減少了算法的運行時間。(3)針對并行訓(xùn)練子樣本后得到的權(quán)值，本發(fā)明在第六步中通過取加權(quán)平均得到最終的誤差補償模型，進一步地提高了誤差補償?shù)木取?4)本發(fā)明采用傅里葉三角基函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)，將非線性優(yōu)化問題轉(zhuǎn)化為線性優(yōu)化問題，且本發(fā)明提出的補償方法能夠以任意精度逼近非線性函數(shù)，具有良好的泛化能力，結(jié)構(gòu)簡單，易于實現(xiàn)。(5)本發(fā)明采用神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法得到權(quán)值計算公式，并采用并行svd方法計算大型稀疏矩陣的偽逆以加快權(quán)值的計算速度。由于該補償方法減少了神經(jīng)網(wǎng)絡(luò)迭代計算權(quán)值的時間，加快了算法的運行速度。附圖說明圖1為一種用于大數(shù)據(jù)的高精度角度傳感器誤差補償方法的原理示意圖。具體實施方式下面結(jié)合附圖并舉實施例，對本發(fā)明進行詳細描述。本發(fā)明提供了一種用于大數(shù)據(jù)的角度傳感器誤差補償方法，針對大樣本數(shù)據(jù)集，采用將樣本集劃分為多個子塊，分別并行的訓(xùn)練子神經(jīng)網(wǎng)絡(luò)，訓(xùn)練結(jié)果進行加權(quán)平均作為誤差補償模型神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值，且加權(quán)比例根據(jù)子神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的誤差占比進行確定。首先，該方案采用數(shù)據(jù)并行算法處理大數(shù)據(jù)誤差補償問題，將樣本集進行劃分，能夠有效地降低誤差補償算法的計算復(fù)雜度和存儲復(fù)雜度，而且能夠提高處理速度。其次，該方案采用加權(quán)處理方式獲得連接權(quán)值能夠提高誤差補償模型的補償精度。此外，本發(fā)明在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)構(gòu)建時，應(yīng)用統(tǒng)計學(xué)習(xí)的方法獲得了隱含層節(jié)點數(shù)的估計公式，與傳統(tǒng)的通過試錯法確定隱含層節(jié)點數(shù)的方式相比，本發(fā)明減少了運算量并提高了算法的精度。下面結(jié)合圖1對本發(fā)明的實現(xiàn)過程進行詳細描述。如圖1所示，該方法包括如下步驟：步驟1、獲得多組訓(xùn)練樣本，每組訓(xùn)練樣本包括角度傳感器的測量值x和作為理想值的實際轉(zhuǎn)角y。本實施例中，高精度轉(zhuǎn)臺帶動角度傳感器非勻速旋轉(zhuǎn)一周，獲取多組轉(zhuǎn)臺實際轉(zhuǎn)角y(理想值)和角度傳感器對轉(zhuǎn)角的測量值x，作為訓(xùn)練樣本。步驟2、將訓(xùn)練樣本劃分成n個子樣本，每個子樣本對應(yīng)一個神經(jīng)網(wǎng)絡(luò)，稱為子神經(jīng)網(wǎng)絡(luò)；分別由n個子樣本數(shù)據(jù)，計算得到每個子神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點pn,n＝1,2,…,n，為使這n個子神經(jīng)網(wǎng)絡(luò)具有相同的結(jié)構(gòu)，對這n個值取平均，得到作為誤差補償模型的神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)h。子神經(jīng)網(wǎng)絡(luò)與誤差補償模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，本發(fā)明所使用的神經(jīng)網(wǎng)絡(luò)為單輸入單輸出的傅里葉神經(jīng)網(wǎng)絡(luò)，其采用傅里葉三角基函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)。下面針對隱含層節(jié)點數(shù)h的確定和子樣本數(shù)n的確定進行詳細描述。(1)隱含層節(jié)點數(shù)h的確定在實際應(yīng)用中發(fā)現(xiàn)，隱含層節(jié)點數(shù)與訓(xùn)練樣本的個數(shù)、訓(xùn)練樣本與期望輸出之間的偏差有關(guān)，因此本發(fā)明設(shè)置了v1～v5，作為反映該偏差的變量。隱含層節(jié)點數(shù)h是通過n個子神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點pn取平均得到，各子神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點pn的確定方式相同，這里以第n個子神經(jīng)網(wǎng)絡(luò)為例，說明pn的取得。記xin和yin為第n個子樣本中的測量值和實際轉(zhuǎn)角，n取值為1～n；m為個子樣本的維數(shù)，m＝m/n，m為樣本總數(shù)；令v2n＝v12，v4n＝v2n/m，在進行大量實驗的基礎(chǔ)上，將xin和yin代入到單輸入單輸出傅里葉神經(jīng)網(wǎng)絡(luò)模型和上述公式中，采用試錯法確定最佳隱含層節(jié)點數(shù)p，并記錄相應(yīng)的m，v1n，v2n，v3n，v4n與v5n的值，根據(jù)隱含層節(jié)點數(shù)與m，v1，v2，v3，v4，v5相關(guān)性分析可知，v2、v3與v1的相關(guān)度較高，v4與v5的值對隱含層節(jié)點數(shù)影響較小，故忽略，利用最佳隱含層節(jié)點數(shù)p、m、v1、v2，通過線性回歸方法可獲得隱含層節(jié)點數(shù)的估計公式為a、b、c為其系數(shù)。根據(jù)隱含層節(jié)點數(shù)的估計公式，記由第n個子樣本的數(shù)據(jù)計算得到的隱含層節(jié)點數(shù)為pn(n＝1,2,…n；n為樣本劃分?jǐn)?shù))，令并將h作為誤差補償模型的神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)，同時作為后續(xù)步驟中每個子神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)，以保證各個子神經(jīng)網(wǎng)絡(luò)具有相同的結(jié)構(gòu)，并采用與原大量實驗不同的樣本集驗證了公式的準(zhǔn)確性。實驗證明，經(jīng)由上式確定的隱含層節(jié)點數(shù)加快了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立，確保了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度。神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)p與子樣本維數(shù)m，v1，v2，v3，v4，v5的實驗數(shù)據(jù)結(jié)果以及相關(guān)性分析分別如表1和表2所示。其中，試錯法為通過大量實驗確定隱含層節(jié)點數(shù)，當(dāng)神經(jīng)網(wǎng)絡(luò)輸出與輸入的誤差不滿足精度閾值時，增加隱含層節(jié)點數(shù)，若誤差增大則減小隱含層節(jié)點數(shù)，通過多次嘗試得到準(zhǔn)確的隱含層節(jié)點數(shù)。隱層節(jié)點數(shù)樣本數(shù)mv1v2v3v4v51740962.636.8978.400.0016.0427163844.9924.88283.090.00160.041210241.321.7319.690.0016.04208192.3.5212.41141.300.00160.04表1隱含層節(jié)點數(shù)與各數(shù)值間的關(guān)系(注：表1只列出了部分?jǐn)?shù)據(jù)結(jié)果)表2隱含層節(jié)點數(shù)與各數(shù)值間的相關(guān)性分析(2)子樣本劃分：本發(fā)明將訓(xùn)練樣本劃分成n個子樣本，每個子樣本對應(yīng)一個神經(jīng)網(wǎng)絡(luò)，子神經(jīng)網(wǎng)絡(luò)采用子樣本進行訓(xùn)練，訓(xùn)練出的權(quán)值通過加權(quán)平均作為誤差補償模型神經(jīng)網(wǎng)絡(luò)的權(quán)值。其中，子樣本的個數(shù)n可以采用預(yù)先設(shè)定的值，或者是一個經(jīng)驗值。實際上，n越少，分組越多，計算復(fù)雜度或者說時間復(fù)雜度越小，但是會增加通信時間。這個通信時間是指子樣本數(shù)據(jù)集間的數(shù)據(jù)通信時間，由于本發(fā)明采用并行處理方式，因此，會由主節(jié)點向各個計算節(jié)點分發(fā)數(shù)據(jù)，計算節(jié)點計算完成后，會將計算結(jié)果傳遞回主節(jié)點，因此，該數(shù)據(jù)通信時間包括主節(jié)點向n個計算節(jié)點分發(fā)數(shù)據(jù)的時間以及各個計算節(jié)點向主節(jié)點傳遞權(quán)值向量的時間。為了權(quán)衡時間復(fù)雜度t1和各子樣本并行運算時子樣本數(shù)據(jù)集間的數(shù)據(jù)通信時間t2，在確定n時，需要考慮t1和t2這兩個因素。本實施例給出了一種具體確定方案：設(shè)本發(fā)明采用權(quán)值直接確定法訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值，權(quán)值直接確定法訓(xùn)練的時間復(fù)雜度為o(h3)。將下面隱含層節(jié)點數(shù)h的表達式代入o(h3)中，由于可得時間復(fù)雜度為round()為取整函數(shù)。又令tp為承擔(dān)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的軟件的一次浮點數(shù)運算時間，因此訓(xùn)練神經(jīng)網(wǎng)絡(luò)時的時間復(fù)雜度每個子樣本數(shù)據(jù)集間的數(shù)據(jù)通信時間t2包括主節(jié)點向n個計算節(jié)點分發(fā)數(shù)據(jù)的時間以及各個計算節(jié)點向主節(jié)點傳遞權(quán)值向量的時間?；诓⑿杏嬎愕奶卣鳎瑪?shù)據(jù)分發(fā)時間為權(quán)值向量的傳遞時間總計為n，因此每個子樣本數(shù)據(jù)集間的數(shù)據(jù)通信時間其中，tc為移動一個數(shù)據(jù)字的時間，m為總樣本數(shù)，n為樣本劃分?jǐn)?shù)；其中，o(·)為等階無窮小一次浮點數(shù)運算時間；由t1和t2公式可知，隨著n的增大，t1減小的越來越慢，當(dāng)n超過數(shù)值s時，數(shù)據(jù)通信時間t2的時間復(fù)雜度增加，t2成為整個算法執(zhí)行時間的主要部分；算法的整體時間復(fù)雜度為t＝t1+t2，將t1＝t2時n的取值作為樣本劃分?jǐn)?shù)的估計值。令t1＝t2，可得由此可得為便于計算令(其中k為常數(shù)，)。由于樣本劃分?jǐn)?shù)應(yīng)為整數(shù)，因此在同等訓(xùn)練精度要求下和終止條件相同時，n為較佳地，當(dāng)m位于104至106之間，取k＝15。步驟3：將步驟2所確定的隱含層節(jié)點數(shù)h，代入所有子神經(jīng)網(wǎng)絡(luò)。本發(fā)明采用單輸入單輸出傅里葉神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中每個子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)均為輸入層、隱含層和輸出層構(gòu)成的前向神經(jīng)網(wǎng)絡(luò)。步驟4、利用子樣本訓(xùn)練對應(yīng)的子神經(jīng)網(wǎng)絡(luò)中，采用權(quán)值直接確定法獲得隱含層與輸出層間的連接權(quán)值向量αn；n個子神經(jīng)網(wǎng)絡(luò)并行訓(xùn)練。本步驟對每個子神經(jīng)網(wǎng)絡(luò)進行權(quán)值訓(xùn)練時，基于傅里葉神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)步驟2獲得的隱含層節(jié)點數(shù)h和神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法，利用并行svd方法計算傅里葉神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層與輸出層間的連接權(quán)值向量αn。采用神經(jīng)網(wǎng)絡(luò)權(quán)值直接確定法，則由x*α＝γ其中，γ＝[y1y2…ym]t，x為激勵矩陣，γ為目標(biāo)輸出向量。為傅里葉神經(jīng)網(wǎng)絡(luò)中的激勵函數(shù)?？傻忙粒絧inv(x)*γ(pinv(x)表示x的偽逆)采用并行svd算法計算x的偽逆，從而得到權(quán)值向量α。應(yīng)用并行svd算法計算偽逆前，對矩陣x進行qr分解，不僅確保了計算精度，還能有效地提高大型稀疏矩陣的計算速度。該算法利用jocabi旋轉(zhuǎn)變換和數(shù)據(jù)間的傳遞通信，并行實現(xiàn)了偽逆的求解過程。將步驟2劃分得到的樣本塊作為訓(xùn)練樣本分別去訓(xùn)練相應(yīng)的子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。具體算法如下：對矩陣x做qr分解即x＝qr(其中q為正交矩陣，r為上三角矩陣)，然后應(yīng)用并行jocabi方法計算r的svd分解形式。將r按列進行分塊r＝[r1，r2，…，rr]，其中，r＝2p，p為計算節(jié)點數(shù)。對單位矩陣i按照相同的方法也將其劃分成塊i＝[i1，i2，…，ir]。為jacobi變換矩陣(r*j(i，j，θ)僅改變r的i，j兩列的值，其余各列的值均不變,選取適當(dāng)?shù)摩瓤墒沟胕，j兩列正交)。(1)獲取樣本數(shù)據(jù)以及樣本量m，確定隱含層節(jié)點數(shù)h以及目標(biāo)輸出向量γ。(2)計算激勵矩陣x，得到權(quán)值計算公式為α＝pinv(x)*γ。確定計算節(jié)點數(shù)p。(3)對x進行qr分解，即x＝qr，則α＝pinv(x)*γ＝pinv(r)*qtγ。(4)由h和p的值，確定r和i中每個列塊的列數(shù)。設(shè)置松弛系數(shù)λ(λ位于0.01至0.1之間)，對各個節(jié)點自身包含的列塊ri，rj做單邊jocabi旋轉(zhuǎn)變換使得(ai，aj與bi，bj分別為矩陣r做一次jocabi旋轉(zhuǎn)變換前與變換后的第i，j列)并相應(yīng)地更新ii，ij。(5)所有節(jié)點按照指環(huán)序列傳遞列塊，繼續(xù)下一輪變換。(6)重復(fù)(4)，直到滿足各自的收斂條件，r變換成正交矩陣。(7)將i變換后的矩陣記為v，對r變換后的矩陣做歸一化處理使得r＝uσ(u為正交矩陣)，得到矩陣r的svd分解式r＝uσvt。(8)計算權(quán)值α＝v*pinv(∑)*(qu)t*γ。步驟5、加權(quán)針對每個子神經(jīng)網(wǎng)絡(luò)，將步驟4獲得的連接權(quán)值向量αn代入子神經(jīng)網(wǎng)絡(luò)，利用子樣本輸入子神經(jīng)網(wǎng)絡(luò)進行計算，獲得子神經(jīng)網(wǎng)絡(luò)輸出與子樣本期望輸出的誤差均值en。步驟6、建立誤差補償模型：將n個子神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向量αn進行加權(quán)平均，獲得最終的連接權(quán)值向量其中，加權(quán)平均所用權(quán)值wn根據(jù)步驟5的誤差均值en計算獲得，誤差均值en越大，對應(yīng)的權(quán)值wn越小。然后，將最終的連接權(quán)值向量代入神經(jīng)網(wǎng)絡(luò)，獲得角度傳感器的誤差補償模型。假設(shè)n個子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)步驟4訓(xùn)練得到的權(quán)值向量分別為(n＝1,2，…,n)，相應(yīng)的神經(jīng)網(wǎng)絡(luò)的激勵矩陣分別為xn，則神經(jīng)網(wǎng)絡(luò)輸出為on＝xn*αn。定義每個子神經(jīng)網(wǎng)絡(luò)的誤差均值為其中m為子樣本維數(shù)，oi為神經(jīng)網(wǎng)絡(luò)輸出值，yi為期望值。令其中一種加權(quán)權(quán)值的實現(xiàn)方式為將代入誤差補償模型的神經(jīng)網(wǎng)絡(luò)，得到角度傳感器的誤差補償模型。步驟7，誤差補償：進行實際測量時，將角度傳感器輸出的測量值作為神經(jīng)網(wǎng)絡(luò)的輸入，采用步驟6獲得的誤差補償模型，獲得誤差補償后的角度值。至此，本流程結(jié)束。綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。當(dāng)前第1頁12