本發(fā)明涉及通信
技術(shù)領(lǐng)域：
，特別是涉及一種陣列天線的波束賦形方法和裝置。
背景技術(shù)：
：在雷達、無線通信等眾多領(lǐng)域中，波束賦形是一種基于天線陣列的信號預(yù)處理技術(shù)，波束賦形通過調(diào)整天線陣列中每個陣元的加權(quán)系數(shù)產(chǎn)生具有指向性的波束，從而能夠獲得明顯的陣列增益。通過波束賦形器控制各陣元的相位和信號幅度，得到所需的波束。這是個多維非線性優(yōu)化問題?；谌后w智慧的演化算法很適合于解決此類復(fù)雜的非線性優(yōu)化問題，并且這些算法具有概念清晰、程序簡單等特點。常用的群體智慧的演化算法有粒子群算法。粒子群算法中，每個優(yōu)化問題的潛在解都是搜索空間中一個“粒子”，而粒子的位置就是所求問題的解。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)度值，并且每個粒子還有一個速度決定它們飛翔的方向和距離。粒子群算法首先初始化一群隨機粒子(隨機解)，在搜索空間中以一定的速度飛行，然后通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己，第一個就是粒子本身所找到的最優(yōu)解，另一個極值是整個種群目前找到的最優(yōu)解。粒子群算法具有算法簡單、容易實現(xiàn)、搜索速度快、所含參數(shù)較少的特點。但基本的粒子群算法有著收斂過快、早熟收斂、搜索范圍不大、容易收斂到局部極值等問題，因此，采用粒子群算法確定陣列天線的波束的相位和信號幅度等參數(shù)所需的時間長，效率低。技術(shù)實現(xiàn)要素：基于此，有必要提供一種陣列天線的波束賦形方法和裝置，能夠快速確定陣列天線的波束的相位和信號幅度。一種陣列天線的波束賦形方法，包括：根據(jù)預(yù)先設(shè)置種群規(guī)模產(chǎn)生粒子群，并初始化粒子群的各參數(shù)；所述參數(shù)包括：粒子的起始位置和初始速度；根據(jù)預(yù)先設(shè)置的根據(jù)所需波束確定的適應(yīng)度函數(shù)計算所述粒子群中各粒子的適應(yīng)度值；所述適應(yīng)度函數(shù)的問題的最優(yōu)解為合成目標(biāo)波束所需的幅度和相位值；將所述粒子群作為父代粒子群，根據(jù)所述粒子的適應(yīng)度值，對所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高頻變異和選擇操作；根據(jù)預(yù)設(shè)規(guī)則更新粒子的最優(yōu)值和問題的最優(yōu)解，其中，粒子的最優(yōu)值和問題的最優(yōu)解根據(jù)粒子的位置確定，所述預(yù)設(shè)規(guī)則為：若則令若則其中，fi(t)為粒子的適應(yīng)度值；為粒子的最優(yōu)值，即粒子群中第i個粒子經(jīng)歷的最好位置，為其對應(yīng)的適應(yīng)值度；為問題的最優(yōu)解，即粒子群中所有粒子經(jīng)歷過的最好位置，為其對應(yīng)的適應(yīng)度值；xi(t)為第i個粒子在第t次迭代時的位置，t為迭代次數(shù)；判斷是否到達預(yù)設(shè)的最大迭代次數(shù)；若是，則根據(jù)問題的最優(yōu)解確定各陣元的相位和信號幅度，賦形得到所需陣列天線的波束。在一個實施例中，所述將所述粒子群作為父代粒子群，根據(jù)所述粒子的適應(yīng)度值，對所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群的步驟包括：根據(jù)所述粒子的適應(yīng)度值，對粒子進行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的數(shù)目與所述粒子的適應(yīng)度值呈正相關(guān)；對所述子代粒子進行高頻變異操作得到變異子代粒子；根據(jù)所述適應(yīng)度函數(shù)計算所述變異粒子的適應(yīng)度值，并從父代和變異子代組成的集合中選擇n1個適應(yīng)值較大的粒子，與隨機產(chǎn)生的n-n1個新粒子組成下一代粒子群。在一個實施例中，若判斷未到達預(yù)設(shè)的最大迭代次數(shù)，則更新粒子的速度和位置；并根據(jù)適應(yīng)度函數(shù)和更新的粒子的速度、位置計算下一代粒子群中各粒子的適應(yīng)度值。在一個實施例中，對所述粒子進行克隆操作得到粒子的子代粒子的數(shù)目為：mi=[fi(t)Σi=1nfi(t)*n]]]>其中，mi為第i個粒子被克隆的數(shù)目；n是種群中粒子總數(shù)；fi(t)為粒子的適應(yīng)度值。在一個實施例中，更新粒子的速度的公式為：vid(t+1)=wvid(t)+c1r1(pbest,di(t)-xid(t))+c2r2(pbest,dg(t)-xid(t));]]>更新粒子的位置的公式為：xid(t+1)＝xid(t)+vid(t+1)；其中，i＝1，2，…，m表示第i個粒子，d＝1，2，…，n表示粒子的第d維，w為慣性權(quán)重，c1和c2為加速常數(shù)，r1、r2是均勻分布在(0，1)區(qū)間中的隨機函數(shù)，t為迭代次數(shù)的步長。一種陣列天線的波束賦形裝置，包括：初始化模塊、適應(yīng)度計算模塊、免疫計算模塊、更新模塊、判斷模塊和賦形模塊；所述初始化模塊，用于根據(jù)預(yù)先設(shè)置種群規(guī)模產(chǎn)生粒子群，并初始化粒子群的各參數(shù)；所述參數(shù)包括：粒子的起始位置和初始速度；所述適應(yīng)度計算模塊，用于根據(jù)預(yù)先設(shè)置的根據(jù)所需波束確定的適應(yīng)度函數(shù)計算所述粒子群中各粒子的適應(yīng)度值；所述適應(yīng)度函數(shù)的問題的最優(yōu)解為合成目標(biāo)波束所需的幅度和相位值；所述免疫計算模塊，用于將所述粒子群作為父代粒子群，根據(jù)所述粒子的適應(yīng)度值，對所述父代粒子群采用免疫算法，得到所述父代粒子群的下一代粒子群；所述免疫算法包括克隆、高頻變異和選擇操作；所述更新模塊，用于根據(jù)預(yù)設(shè)規(guī)則更新粒子的最優(yōu)值和種群的最優(yōu)值，其中，預(yù)設(shè)規(guī)則為：若則令若則其中，fi(t)為粒子的適應(yīng)度值；為粒子的最優(yōu)值，即粒子群中第i個粒子經(jīng)歷的最好位置，為其對應(yīng)的適應(yīng)值度；為問題的最優(yōu)解，即粒子群中所有粒子經(jīng)歷過的最好位置，為其對應(yīng)的適應(yīng)度值；xi(t)為第i個粒子在第t次迭代時的位置，t為迭代次數(shù)；所述判斷模塊，用于判斷是否到達預(yù)設(shè)的最大迭代次數(shù)；所述賦形模塊，用于在所述判斷模塊的判斷結(jié)果為是時，根據(jù)問題的最優(yōu)解確定各陣元的相位和信號幅度，賦形得到所需陣列天線的波束。在一個實施例中，所述免疫計算模塊包括：克隆操作模塊、變異操作模塊和選擇操作模塊；所述克隆操作模塊，用于根據(jù)所述粒子的適應(yīng)度值，對粒子進行克隆操作得到所述粒子的子代粒子；所述粒子被克隆的數(shù)目與所述粒子的適應(yīng)度值呈正相關(guān)；所述變異操作模塊，用于對所述子代粒子進行高頻變異操作得到變異子代粒子；所述選擇操作模塊，用于根據(jù)所述適應(yīng)度函數(shù)計算所述變異粒子的適應(yīng)度值，并從父代和變異子代組成的集合中選擇n1個適應(yīng)值較大的粒子，與隨機產(chǎn)生的n-n1個新粒子組成下一代粒子群。在一個實施例中，陣列天線的波束賦形裝置還包括參數(shù)更新模塊，所述參數(shù)更新模塊，用于在所述判斷模塊的判斷結(jié)果為否時，更新粒子的速度和位置，所述適應(yīng)度計算模塊根據(jù)適應(yīng)度函數(shù)和更新的粒子的速度、位置計算下一代粒子群中各粒子的適應(yīng)度值。在一個實施例中，對所述粒子進行克隆操作得到粒子的子代粒子的數(shù)目為：mi=[fi(t)Σi=1nfi(t)*n]]]>其中，mi為第i個粒子被克隆的數(shù)目；n是種群中粒子總數(shù)；fi(t)為粒子的適應(yīng)度值。在一個實施例中，更新粒子的速度的公式為：vid(t+1)=wvid(t)+c1r1(pbest,di(t)-xid(t))+c2r2(pbest,dg(t)-xid(t));]]>更新粒子的位置的公式為：xid(t+1)＝xid(t)+vid(t+1)；其中，i＝1，2，…，m表示第i個粒子，d＝1，2，…，n表示粒子的第d維，w為慣性權(quán)重，c1和c2為加速常數(shù)，r1、r2是均勻分布在(0，1)區(qū)間中的隨機函數(shù)，t為迭代次數(shù)的步長。上述的陣列天線的波束賦形方法，通過采用粒子群算法和免疫算法求解適應(yīng)度函數(shù)的問題的最優(yōu)解，以粒子群算法為基礎(chǔ)，在其中融入免疫算法，利用入免疫算法的克隆復(fù)制、高頻變異、克隆選擇等操作來改善粒子群多樣性和算法的收斂速度，有效提高了特征選擇效率，使天線賦形波束滿足要求。附圖說明圖1為一個實施例的陣列天線的波束賦形方法的流程圖；圖2為一個實施例的陣列天線示意圖；圖3為圖2所示的陣列天線采用本發(fā)明的陣列天線的波束賦形方法得到的波束的方向圖；圖4為表1所示的波束的幅相激勵數(shù)據(jù)添加到仿真軟件中得到波束的仿真方向圖；圖5為一個實施例的陣列天線的波束賦形裝置的功能模塊示意圖。具體實施方式如圖1所示，一種陣列天線的波束賦形方法，包括以下步驟：S102：根據(jù)預(yù)先設(shè)置種群規(guī)模產(chǎn)生粒子群，并初始化粒子群的各參數(shù)。粒子群的種群規(guī)模預(yù)先設(shè)置，產(chǎn)生對應(yīng)規(guī)模的粒子群，并初始化粒子群的各參數(shù)。粒子群的各參數(shù)包括：粒子的起始位置xi(t)＝(xi1，xi2，……，xid)、初始速度vi(t)＝(vi1，vi2，……，vid)。其中，每一個xi(t)都代表了一種可能的解，在本發(fā)明中，將優(yōu)化變量抽象為粒子的位置向量。S104：根據(jù)預(yù)先設(shè)置的根據(jù)所需波束確定的適應(yīng)度函數(shù)計算粒子群中各粒子的適應(yīng)度值。預(yù)先根據(jù)所需的波束確定適應(yīng)度函數(shù)。適應(yīng)度函數(shù)與賦形波束的參數(shù)相關(guān)。不同波束要求的適應(yīng)度函數(shù)可以有所不同。根據(jù)適應(yīng)度函數(shù)計算粒子群中各粒子的適應(yīng)度值。適應(yīng)度函數(shù)的問題的最優(yōu)解為合成目標(biāo)波束所需的幅度和相位值。映射到粒子群算法中是粒子的最好位置。S106：將粒子群作為父代粒子群，根據(jù)粒子的適應(yīng)度值，對父代粒子群采用免疫算法，得到父代粒子群的下一代粒子群；免疫算法包括克隆、高頻變異和選擇操作。本實施例的陣列天線的波束賦形方法將免疫算法與粒子群算法進行融合，將粒子群算法中引入免疫算法的克隆、高頻變異和選擇操作。其中，克隆操作使種群中的優(yōu)秀粒子得以保存，高頻變異操作產(chǎn)生新的個體，有效的增加種群多樣性，選擇操作選出最優(yōu)個體，避免算法退化。S108：根據(jù)預(yù)設(shè)規(guī)則更新粒子的最優(yōu)值和問題的最優(yōu)解，其中，粒子的最優(yōu)值和問題的最優(yōu)解根據(jù)粒子的位置確定，預(yù)設(shè)規(guī)則為：若則令若則其中，fi(t)為粒子的適應(yīng)度值；為粒子的最優(yōu)值，即粒子群中第i個粒子經(jīng)歷的最好位置，為其對應(yīng)的適應(yīng)值度；為問題的最優(yōu)解，即粒子群中所有粒子經(jīng)歷過的最好位置，為其對應(yīng)的適應(yīng)度值；xi(t)為第i個粒子在第t次迭代時的位置，t為迭代次數(shù)。其中，問題的最優(yōu)解和粒子的最優(yōu)值根據(jù)位置計算得到。S110：判斷是否到達預(yù)設(shè)的最大迭代次數(shù)。若是，則執(zhí)行步驟S112，若否，則執(zhí)行步驟S113。S112：根據(jù)問題的最優(yōu)解確定各陣元的相位和信號幅度，賦形得到所需陣列天線的波束。上述的陣列天線的波束賦形方法，通過采用粒子群算法和免疫算法求解適應(yīng)度函數(shù)的問題的最優(yōu)解，以粒子群算法為基礎(chǔ)，在其中融入免疫算法，利用入免疫算法的克隆復(fù)制、高頻變異、克隆選擇等操作來改善粒子群多樣性和算法的收斂速度，有效提高了特征選擇效率，使天線賦形波束滿足要求。在另一個實施例中，步驟S106包括以下步驟1至步驟3：步驟1：根據(jù)粒子的適應(yīng)度值，對粒子進行克隆操作得到粒子的子代粒子；粒子被克隆的數(shù)目與粒子的適應(yīng)度值呈正相關(guān)。具體的，對粒子進行克隆操作得到粒子的子代粒子的數(shù)目為：mi=[fi(t)Σi=1nfi(t)*n]]]>其中，mi為第i個粒子被克隆的數(shù)目；n是種群中粒子總數(shù)；fi(t)為粒子的適應(yīng)度值。通過對粒子進行克隆操作使父代粒子群中優(yōu)秀粒子得到保存。步驟2：對子代粒子進行高頻變異操作得到變異子代粒子。其中，變異概率滿足高斯分布N(0，1)。通過變異操作產(chǎn)生新的個體，有效的增加種群多樣性。步驟3：根據(jù)適應(yīng)度函數(shù)計算變異粒子的適應(yīng)度值，并從父代和變異子代組成的集合中選擇n1個適應(yīng)值較大的粒子，與隨機產(chǎn)生的n-n1個新粒子組成下一代粒子群。通過選擇操作，選擇出最優(yōu)個體，避免算法退化。在另一個實施例中，若步驟S110的判斷結(jié)果為否，即未達到預(yù)設(shè)的最大迭代次數(shù)，則執(zhí)行步驟：S113：更新粒子的速度和位置。并在步驟S113的步驟之后，返回步驟S114，根據(jù)適應(yīng)度函數(shù)和更新的粒子的速度、位置計算下一代粒子群中各粒子的適應(yīng)度值。更新粒子的速度的公式為：vid(t+1)=wvid(t)+c1r1(pbest,di(t)-xid(t))+c2r2(pbest,dg(t)-xid(t));]]>更新粒子的位置的公式為：xid(t+1)＝xid(t)+vid(t+1)；其中，i＝1，2，…，m表示第i個粒子，d＝1，2，…，n表示粒子的第d維，w為慣性權(quán)重，c1和c2為加速常數(shù)，r1、r2是均勻分布在(0，1)區(qū)間中的隨機函數(shù)，t為迭代次數(shù)的步長。上述的陣列天線的波束賦形方法，通過采用粒子群算法和免疫算法求解適應(yīng)度函數(shù)的問題的最優(yōu)解，免疫算法包括克隆、高頻變異和選擇操作，克隆操作使種群中的優(yōu)秀粒子得以保存，高頻變異操作產(chǎn)生新的個體，有效的增加種群多樣性，選擇操作選出最優(yōu)個體，避免算法退化。適應(yīng)度函數(shù)的問題的最優(yōu)解為波束所需的幅度和相位值，結(jié)合粒子群算法和免疫算法能夠克服現(xiàn)有技術(shù)中陣列天線波束綜合時擬合度低，不易找到全局最優(yōu)解的問題，能夠有效提高搜索速度，效率高，使天線賦形波束滿足要求。下面，結(jié)合具體的案例對本發(fā)明的陣列天線的波束賦形方法進行說明。本實施例中，一個十單元移動通信基站的天線示意圖如圖2所示，十個半波振子組成一個等間距線陣結(jié)構(gòu)，振子間距為0.8λ，振子距反射板高度0.25λ，其中λ為工作頻率的波長。通過改變每個振子饋電電流的幅度和相位，使得垂直面方向圖上副瓣抑制小于-20dB，下第一零點填充大于-15dB，以抑制鄰區(qū)干擾及避免塔下黑的狀況。采用陣列天線的波束賦形方法，對2.2GHz中心頻點的方向圖進行綜合，計算出陣列天線賦形成目標(biāo)波束所需的幅度和相位值。本實例中，設(shè)置粒子群大小為40，迭代次數(shù)30，慣性權(quán)重w為0.5，加速常數(shù)c1和c2取為2。適應(yīng)度函數(shù)定義為：Fitness＝α∣USL-G1SL∣+β∣DNF-GNF∣+γ∣DSL-G2SL∣其中：USL為上副瓣最大電平，DNF為下第一零陷深度，DSL為下副瓣最大電平，G1SL及G2SL是期望副瓣電平，GNF是期望零陷深度，α、β、γ為權(quán)重因子。賦形得到的陣列天線的波束的方向圖如圖3所示，從圖中可以看到，在形成主瓣的同時，抑制了天線陣的上副瓣電平至-20dB以下，同時在覆蓋區(qū)域形成了一個-15dB的零點填充區(qū)域，綜合后的方向圖與目標(biāo)波束的方向圖一致，賦形的波束的幅相激勵數(shù)據(jù)如表1所示。表1賦形的波束的幅相激勵數(shù)據(jù)單元12345678910幅度(w)11.11.41.41.82.7331.51.6相位(°)254.65.314.8242523.818.600將幅相激勵代入到高頻結(jié)構(gòu)仿真軟件三維高頻電磁場仿真工具中進行確認(rèn)，得到天線陣的輻射方向圖如圖4所示。比較圖3及圖4可以看出，仿真結(jié)果與算法得到的結(jié)果吻合度非常高，從而驗證了本發(fā)明的陣列天線的波束賦形方法的有效性。一種陣列天線的波束賦形裝置，如圖5所示，包括：初始化模塊501、適應(yīng)度計算模塊502、免疫計算模塊503、更新模塊504、判斷模塊505和賦形模塊506。初始化模塊501，用于根據(jù)預(yù)先設(shè)置種群規(guī)模產(chǎn)生粒子群，并初始化粒子群的各參數(shù)；參數(shù)包括：粒子的起始位置和初始速度。適應(yīng)度計算模塊502，用于根據(jù)預(yù)先設(shè)置的根據(jù)所需波束確定的適應(yīng)度函數(shù)計算粒子群中各粒子的適應(yīng)度值；適應(yīng)度函數(shù)的問題的最優(yōu)解為合成目標(biāo)波束所需的幅度和相位值；免疫計算模塊503，用于將粒子群作為父代粒子群，根據(jù)粒子的適應(yīng)度值，對父代粒子群采用免疫算法，得到父代粒子群的下一代粒子群；免疫算法包括克隆、高頻變異和選擇操作。更新模塊504，用于根據(jù)預(yù)設(shè)規(guī)則更新粒子的最優(yōu)值和種群的最優(yōu)值，其中，預(yù)設(shè)規(guī)則為：若則令若則其中，fi(t)為粒子的適應(yīng)度值；為粒子的最優(yōu)值，即粒子群中第i個粒子經(jīng)歷的最好位置，為其對應(yīng)的適應(yīng)值度；為問題的最優(yōu)解，即粒子群中所有粒子經(jīng)歷過的最好位置，為其對應(yīng)的適應(yīng)度值；xi(t)為第i個粒子在第t次迭代時的位置，t為迭代次數(shù)。判斷模塊505，用于判斷是否到達預(yù)設(shè)的最大迭代次數(shù)。賦形模塊506，用于在判斷模塊的判斷結(jié)果為是時，根據(jù)問題的最優(yōu)解確定各陣元的相位和信號幅度，賦形得到所需陣列天線的波束。本實施例的陣列天線的波束賦形裝置將免疫算法與粒子群算法進行融合，將粒子群算法中引入免疫算法的克隆、高頻變異和選擇操作。其中，克隆操作使種群中的優(yōu)秀粒子得以保存，高頻變異操作產(chǎn)生新的個體，有效的增加種群多樣性，選擇操作選出最優(yōu)個體，避免算法退化。在另一個實施例中，免疫計算模塊503包括：克隆操作模塊、變異操作模塊和選擇操作模塊；克隆操作模塊，用于根據(jù)粒子的適應(yīng)度值，對粒子進行克隆操作得到粒子的子代粒子；粒子被克隆的數(shù)目與粒子的適應(yīng)度值呈正相關(guān)。具體的，對粒子進行克隆操作得到粒子的子代粒子的數(shù)目為：mi=[fi(t)Σi=1nfi(t)*n]]]>其中，mi為第i個粒子被克隆的數(shù)目；n是種群中粒子總數(shù)；fi(t)為粒子的適應(yīng)度值。變異操作模塊，用于對子代粒子進行高頻變異操作得到變異子代粒子；選擇操作模塊，用于根據(jù)適應(yīng)度函數(shù)計算變異粒子的適應(yīng)度值，并從父代和變異子代組成的集合中選擇n1個適應(yīng)值較大的粒子，與隨機產(chǎn)生的n-n1個新粒子組成下一代粒子群。上述的陣列天線的波束賦形裝置，通過采用粒子群算法和免疫算法求解適應(yīng)度函數(shù)的問題的最優(yōu)解，以粒子群算法為基礎(chǔ)，在其中融入免疫算法，利用入免疫算法的克隆復(fù)制、高頻變異、克隆選擇等操作來改善粒子群多樣性和算法的收斂速度，有效提高了特征選擇效率，使天線賦形波束滿足要求。在又一個實施例中，陣列天線的波束賦形裝置，還包括參數(shù)更新模塊，參數(shù)更新模塊，用于在判斷模塊的判斷結(jié)果為否時，更新粒子的速度和位置，適應(yīng)度計算模塊根據(jù)適應(yīng)度函數(shù)和更新的粒子的速度、位置計算下一代粒子群中各粒子的適應(yīng)度值。更新粒子的速度的公式為：vid(t+1)=wvid(t)+c1r1(pbest,di(t)-xid(t))+c2r2(pbest,dg(t)-xid(t));]]>更新粒子的位置的公式為：xid(t+1)＝xid(t)+vid(t+1)；其中，i＝1，2，…，m表示第i個粒子，d＝1，2，…，n表示粒子的第d維，w為慣性權(quán)重，c1和c2為加速常數(shù)，r1、r2是均勻分布在(0，1)區(qū)間中的隨機函數(shù)，t為迭代次數(shù)的步長。上述的陣列天線的波束賦形裝置，通過采用粒子群算法和免疫算法求解適應(yīng)度函數(shù)的問題的最優(yōu)解，免疫算法包括克隆、高頻變異和選擇操作，克隆操作使種群中的優(yōu)秀粒子得以保存，高頻變異操作產(chǎn)生新的個體，有效的增加種群多樣性，選擇操作選出最優(yōu)個體，避免算法退化。適應(yīng)度函數(shù)的問題的最優(yōu)解為波束所需的幅度和相位值，結(jié)合粒子群算法和免疫算法能夠克服現(xiàn)有技術(shù)中陣列天線波束綜合時擬合度低，不易找到全局最優(yōu)解的問題，能夠有效提高搜索速度，效率高，使天線賦形波束滿足要求。以上所述實施例的各技術(shù)特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁1 2 3