基于模糊神经网络的出水总磷预测方法、电子设备及介质

本发明涉及水处理领域，更具体地，涉及一种基于模糊神经网络的出水总磷预测方法、电子设备及介质。
背景技术：
：在过去100年中，全球的用水量增长了6倍，并且由于人口、经济等因素，用水量仍以每年约1％的速度增长，这加剧了当前的缺水形势，使水资源使用面临着更严峻的压力。随着对水资源的需求量不断增加，污水产生量越来越大，对污水进行处理再利用成为近年来的重点；同时，做好污水处理工作是改善环境质量、推动绿色发展的重要步骤。因此，对城市污水处理过程进行研究有重要的意义，为进行污水处理提供科学支撑。污水中包含各种有机物和无机物污染物，其中氮、磷等营养物超标使水体污染仍然十分严重。生活中常用的洗衣粉、洗衣液，工业中各种合成车间进行的阳极氧化表面处理等都含有各种磷酸盐。据统计仅生活污水中，每人每天将产生0.7g～1.4g的含磷污染物，因此，总磷含量是一个重要的衡量指标，精准预测污水处理中出水总磷浓度是当前污水处理厂面临的关键问题。当前，污水处理厂主要通过采集水样，在实验室使用化学实验手段检测总磷浓度，实现较精确的检测精度。但由于污水处理是一个长流程工艺过程，同时总磷检测时间长，无法满足实时性检测的要求。当发现总磷超标时再进行除磷操作是存在问题的。因此，有必要开发一种基于模糊神经网络的出水总磷预测方法、电子设备及介质。公开于本发明
背景技术：
部分的信息仅仅旨在加深对本发明的一般
背景技术：
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。技术实现要素：本发明提出了一种基于模糊神经网络的出水总磷预测方法、电子设备及介质，建立基于模糊神经网络的预测模型对出水总磷进行预测，采用非对称隶属函数对变量数据的分布特性进行描述，利用多目标粒子群优化算法同时对模糊神经网络结构和参数进行动态调整，实现污水处理出水总磷浓度的实时预测。第一方面，本公开实施例提供了一种基于模糊神经网络的出水总磷预测方法，包括：确定出水总磷的特征变量作为输入变量；构建基于模糊神经网络的初始预测模型；获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型；将所述输入变量输入至所述最终预测模型，计算出水总磷。优选地，所述初始预测模型包括输入层、径向基层、规则层和输出层。优选地，所述输入层为：uq(n)＝xq(n)(1)其中，xq(n)为输入层第q个神经元的输入值，uq(n)为输入层第q个神经元的输出值。优选地，所述径向基层由m个神经元组成，表示为：其中，κqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数，m＝1,2,...,m，μqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数的中心，σlm(n)为径向基层第m个神经元非对称隶属函数左侧宽度，σrm(n)为径向基层第m个神经元非对称隶属函数右侧宽度，为径向基层第m个神经元的输出。优选地，所述规则层由k个神经元组成，表示为：其中，ηk(n)为规则层中第k个神经元的输出值，k＝1,2,...,k。优选地，所述输出层为：其中，wk(n)为规则层第k个神经元与输出层神经元的连接权值，y(n)为初始预测模型的预测输出值。优选地，获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型包括：设定当前迭代次数t＝1，多目标粒子群优化算法的最大迭代次数为tmax，种群中粒子数为l，计算种群中第i个粒子的有效位置和速度；计算第t次迭代时多目标粒子群优化算法的适应度值，进而计算第t次迭代时种群的全局最优粒子ai(t)；在第t次迭代时种群的全局最优粒子ai(t)的基础上更新粒子的速度和位置，计算第t+1次迭代时种群的全局最优粒子ai(t+1)；重复上述步骤，直至t≥tmax时停止计算，选出全局最优粒子并作为所述最终预测模型的最佳参数和结构，确定所述最终预测模型。优选地，计算第t+1次迭代时种群的全局最优粒子ai(t+1)包括：若ai,1(t+1)>ai,1(t)时，随机初始化一个9(ai,1(t+1)-ai,1(t))维新向量bi,new(t+1)，则新粒子ai(t+1)＝[ai(t+1),bi,new(t+1)]；若ai,1(t+1)<ai,1(t)时，新粒子ai(t+1)＝[ai,1(t+1),…,ai,o(t+1)]，o＝1,2,…,9ai,1(t+1)+1；若ai,1(t+1)＝ai,1(t)时，粒子ai(t+1)不发生变化，其中，ai,d(t)表示第i个粒子在第t次迭代时的第d维位置。作为本公开实施例的一种具体实现方式，第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的基于模糊神经网络的出水总磷预测方法。第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于模糊神经网络的出水总磷预测方法。其有益效果在于：(1)针对传统模糊神经网络泛化能力不足的问题，提出了一种具有非对称隶属函数的模糊神经网络结构，以更好的对输入数据的分布情况进行描述；(2)针对模糊神经网络的结构和参数同时优化的问题，采用改进的多目标粒子群优化算法解决离散-连续混合变量的优化问题，使构建的模型具有合适的训练精度和网络结构，解决了模糊神经网络预测精度低的问题，实现污水处理厂实时精准预测的需求。本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。附图说明通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。图1示出了根据本发明的一个实施例的基于模糊神经网络的出水总磷预测方法的步骤的流程图。图2示出了根据本发明的一个实施例的出水总磷训练效果的示意图。图3示出了根据图2的出水总磷训练输出误差的示意图。图4示出了根据本发明的一个实施例的出水总磷预测结果的示意图。图5示出了根据图4的出水总磷预测误差的示意图。具体实施方式下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。本发明提供一种基于模糊神经网络的出水总磷预测方法，包括：确定出水总磷的特征变量作为输入变量。具体地，污水处理中，出水总磷浓度是保证出水水质达标的一个关键指标，因此对出水总磷浓度进行检测是必要的；出水总磷的浓度主要由城市污水处理过程变量决定，主要包括：进水流量、厌氧区中段氧化还原电位、缺氧区前端氧化还原电位、缺氧区末端硝态氮、缺氧区末端液位、缺氧区末端混合液悬浮固体、第一好氧区前端溶解氧、第一好氧区中段溶解氧、好氧区溶解氧、第一好氧区前端氨氮、第一好氧区末端氨氮、好氧区末端正磷酸盐、进水小室酸碱度值、进水小室悬浮物、进水小室化学需氧量、进水小室氨氮、初沉池出水化学需氧量、外回流流量等。为了降低计算复杂度，使用偏最小二乘方法提取出水总磷浓度预测的特征变量；对污水处理中影响出水总磷浓度的多个过程变量进行分析，筛选确定进水小室酸碱度值、进水小室化学需氧量、厌氧区中段氧化还原电位、缺氧区前端氧化还原电位、缺氧区末端混合液悬浮固体和好氧区溶解氧为影响出水总磷浓度的6个特征变量，即为输入变量，出水总磷为输出变量；将获取的6个输入变量和输出变量分别归一化至[0,1]；将所有样本数据分为两组，一组包含n＝500个训练样本，另一组包含z＝300个测试样本。构建基于模糊神经网络的初始预测模型；在一个示例中，初始预测模型包括输入层、径向基层、规则层和输出层。在一个示例中，输入层为：uq(n)＝xq(n)(1)其中，xq(n)为输入层第q个神经元的输入值，uq(n)为输入层第q个神经元的输出值。在一个示例中，径向基层由m个神经元组成，表示为：其中，κqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数，m＝1,2,...,m，μqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数的中心，σlm(n)为径向基层第m个神经元非对称隶属函数左侧宽度，σrm(n)为径向基层第m个神经元非对称隶属函数右侧宽度，为径向基层第m个神经元的输出。在一个示例中，规则层由k个神经元组成，表示为：其中，ηk(n)为规则层中第k个神经元的输出值，k＝1,2,...,k。在一个示例中，输出层为：其中，wk(n)为规则层第k个神经元与输出层神经元的连接权值，y(n)为初始预测模型的预测输出值。具体地，基于模糊神经网络的初始预测模型结构共有四层，包括输入层、径向基层、规则层和输出层；确定用于预测出水总磷的神经网络输入层神经元个数为6，径向基层神经元个数为m，规则层神经元个数为k，m和k均为大于2的整数，且m＝k，输出层神经元数为1，使用n个训练样本训练初始预测模型，初始预测模型的输入向量为x(n)＝[x1(n),x2(n),x3(n),x4(n),x5(n),x6(n)]，n＝1,2,...,n，x1(n)为归一化后第n个样本中进水小室酸碱度值，x2(n)为归一化后第n个样本中进水小室化学需氧量，x3(n)为归一化后第n个样本中厌氧区中段氧化还原电位，x4(n)为归一化后第n个样本中缺氧区前端氧化还原电位，x5(n)为归一化后第n个样本中缺氧区末端混合液悬浮固体浓度，x6(n)为归一化后第n个样本中好氧区溶解氧浓度，基于模糊神经网络的初始预测模型中各层表示如下：输入层：输入层由6个神经元组成，每个神经元的输出为公式(1)；径向基层：径向基层由m个神经元组成，该层输出可以表示为公式(2)，其中，κqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数，表示为公式(3)，非对称隶属函数根据输入信息设计左右两侧不同的隶属函数进行模糊化操作，该方法利用公式(3)通过增加隶属函数的设计自由度以实现对输入数据分布情况的灵活描述；规则层：规则层由k个神经元组成，该层输出可以表示为公式(4)；输出层：该层由1个神经元组成，该层输出表示为公式(5)。获取训练样本并输入至初始预测模型，通过多目标粒子群优化算法确定最终预测模型；在一个示例中，获取训练样本并输入至初始预测模型，通过多目标粒子群优化算法确定最终预测模型包括：设定当前迭代次数t＝1，多目标粒子群优化算法的最大迭代次数为tmax，种群中粒子数为l，计算种群中第i个粒子的有效位置和速度；计算第t次迭代时多目标粒子群优化算法的适应度值，进而计算第t次迭代时种群的全局最优粒子ai(t)；在第t次迭代时种群的全局最优粒子ai(t)的基础上更新粒子的速度和位置，计算第t+1次迭代时种群的全局最优粒子ai(t+1)；重复上述步骤，直至t≥tmax时停止计算，选出全局最优粒子并作为最终预测模型的最佳参数和结构，确定最终预测模型。在一个示例中，计算第t+1次迭代时种群的全局最优粒子ai(t+1)包括：若ai,1(t+1)>ai,1(t)时，随机初始化一个9(ai,1(t+1)-ai,1(t))维新向量bi,new(t+1)，则新粒子ai(t+1)＝[ai(t+1),bi,new(t+1)]；若ai,1(t+1)<ai,1(t)时，新粒子ai(t+1)＝[ai,1(t+1),…,ai,o(t+1)]，o＝1,2,…,9ai,1(t+1)+1；若ai,1(t+1)＝ai,1(t)时，粒子ai(t+1)不发生变化，其中，ai,d(t)表示第i个粒子在第t次迭代时的第d维位置。具体地，设当前迭代次数t＝1，多目标粒子群优化算法的最大迭代次数为tmax＝300，种群中粒子数为l＝100；种群中第i个粒子的有效位置和速度可表示为：其中，i＝1,2,...,100，ai(1)表示第一次迭代时第i个粒子的位置向量，ki(1)为第一次迭代时第i个粒子对应的模糊神经网络规则层神经元个数，ki(1)取[2,10]之间的任意正整数；μi,k(1)表示第一次迭代时第i个粒子对应的模糊神经网络规则层第k个神经元的中心向量，每个变量的赋值区间为[-1,1]；σil,k(1)表示第一次迭代时第i个粒子对应的模糊神经网络规则层第k个神经元的左侧宽度，该变量的赋值区间为[-1,1]；σir,k(1)表示第一次迭代时第i个粒子对应的模糊神经网络规则层第k个神经元的右侧宽度，该变量的赋值区间为[-1,1]；wi,k(1)表示第一次迭代时第i个粒子对应的模糊神经网络规则层第k个神经元的连接权值，该变量的赋值区间为[-1.5,1.5]，k＝1,2,…,ki(1)；vi(1)表示第一次迭代时第i个粒子的速度向量，每个变量取[-1,1]内任意数；每个变量取[-1,1]内任意数；设定每一个粒子由一个91维行向量表示，该维度由每个神经元有的参数和规则层神经元个数的最大值综合决定，并多余粒子维数的位置和速度设定为0。多目标粒子群优化算法中基于模糊神经网络的适应度函数包括：模糊神经网络的准确性、复杂度以及输出平滑度；适应度函数分别为：f2(ai(t))＝ki(t)(9)f3(ai(t))＝||w(t)||2(10)其中，为第n个样本中出水总磷实际浓度，f1(ai(t))为算法的准确性适应度函数，f2(ai(t))为算法的复杂度适应度函数，f3(ai(t))为算法的输出平滑度适应度函数，w(t)＝[wi,1(t),…,wi,ki(t)(t)]为规则层与输出层神经元的连接权向量，||||2表示l2范数。粒子在目标空间的拥挤距离计算如下：其中，so(ai(t))为粒子ai(t)在第t次迭代时的拥挤距离，gr(ai(t))为基于粒子ai(t)的多样性和收敛性的综合排序值：其中，种群中具有最小gr(ai(t))值的粒子ai(t)为在第t次迭代时全局最优粒子。在第t次迭代时种群的全局最优粒子ai(t)的基础上更新粒子的速度和位置，计算第t+1次迭代时种群的全局最优粒子ai(t+1)，粒子i的第d维速度和位置更新公式：vi,d(t+1)＝ωvi,d(t)+c1r1(pi,d(t)-ai,d(t))+c2r2(gd(t)-ai,d(t))(13)其中，vi,d(t)表示第i个粒子在第t次迭代时的第d维速度，ai,d(t)表示第i个粒子在第t次迭代时的第d维位置，d＝1,2,...,91，多余粒子维数的位置和速度设定为0；ω是惯性权重，ω∈[0.4,0.9]，c1和c2分别为个体学习因子和全局学习因子，c1∈[1.5,2]，c2∈[1.5,2]，r1和r2分别表示在[0,1]之间均匀分布的随机值，pi,d(t)为第i个粒子第t次迭代时个体最优粒子的第d维值，gd(t)为第t次迭代时全局最优粒子的第d维值，round()表示四舍五入取整；若粒子位置和速度超出第一次迭代时参数设定的范围，则将超范围值赋值为边界值。若ai,1(t+1)>ai,1(t)时，随机初始化一个9(ai,1(t+1)-ai,1(t))维新向量bi,new(t+1)，则新粒子ai(t+1)＝[ai(t+1),bi,new(t+1)]；若ai,1(t+1)<ai,1(t)时，新粒子ai(t+1)＝[ai,1(t+1),…,ai,o(t+1)]，o＝1,2,…,9ai,1(t+1)；若ai,1(t+1)＝ai,1(t)时，粒子ai(t+1)不发生变化。若t<300时，迭代次数t增加1，重复上述步骤；若t≥300时停止计算，选出全局最优粒子并作为最终预测模型的最佳参数和结构，确定最终预测模型。将输入变量输入至最终预测模型，计算出水总磷。本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述的基于模糊神经网络的出水总磷预测方法。本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的基于模糊神经网络的出水总磷预测方法。为便于理解本发明实施例的方案及其效果，以下给出三个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。实施例1图1示出了根据本发明的一个实施例的基于模糊神经网络的出水总磷预测方法的步骤的流程图。如图1所示，该基于模糊神经网络的出水总磷预测方法包括：步骤101，确定出水总磷的特征变量作为输入变量；步骤102，构建基于模糊神经网络的初始预测模型；步骤103，获取训练样本并输入至初始预测模型，通过多目标粒子群优化算法确定最终预测模型；步骤104，将输入变量输入至最终预测模型，计算出水总磷。根据某污水处理厂2020年的实际数据，分别取进水流量、厌氧区中段氧化还原电位、缺氧区前端氧化还原电位、缺氧区末端硝态氮、缺氧区末端液位、缺氧区末端混合液悬浮固体、第一好氧区前端溶解氧、第一好氧区中段溶解氧、好氧区溶解氧、第一好氧区前端氨氮、第一好氧区末端氨氮、好氧区末端正磷酸盐、进水小室酸碱度值、进水小室悬浮物、进水小室化学需氧量、进水小室氨氮、初沉池出水化学需氧量、外回流流量的实际检测数据为过程样本数据，剔除异常实验样本后剩余800组可用数据，其中500组用作训练样本，其余300组作为测试样本。实际数据中进水小室酸碱度值如表1所示。表17.47.47.47.47.47.47.47.47.397.417.417.417.417.417.427.427.427.427.427.427.427.437.427.427.427.427.427.417.417.417.417.47.47.397.397.397.397.397.387.387.387.387.387.377.377.377.357.357.357.35……7.327.327.327.327.327.337.337.327.337.337.337.337.337.337.337.337.347.367.367.377.367.367.377.377.377.377.377.377.387.387.377.387.397.397.397.417.417.427.437.487.497.497.497.487.487.487.487.477.477.47实际数据中进水小室化学需氧量值如表2所示。表2实际数据中厌氧区中段氧化还原电位如表3所示。表3-269.38-269.29-269.73-269.31-269.1-269.17-269.64-269.17-269.83-269.76-269.03-269.62-269.12-269.33-269.24-269.24-269.08-269.15-269.48-269.57-269.45-269.41-269.97-269.45-270.11-269.99-269.81-269.88-270.18-269.71-269.9-270.21-269.73-269.64-269.43-269.48-269.66-269.5-269.33-269.64-269.52-269.17-269.55-269.81-270.14-269.55-270.63-270.35-270.54-270.44……-264.98-264.46-263.92-264.27-264.2-264.95-264.72-264.41-264.84-264.32-264.65-263.94-264.95-264.74-263.99-263.87-264.22-264.86-264.6-264.53-264.15-264.11-263.3-263.02-263.59-263.66-263.68-263.54-262.6-262.41-263-262.41-262.62-262.03-262.06-262.27-262.53-261.51-262.22-261.3-262.24-261.89-261.68-262.67-263.42-263.54-262.79-263.54-263.52-263.59实际数据中缺氧区前端氧化还原电位如表4所示。表4实际数据中缺氧区末端混合液悬浮固体浓度如表5所示，单位为mg/l。表53343.213338.9933443342.823339.393339.093342.533345.373345.083341.553345.573344.983339.193344.983341.153339.093345.573343.73345.673341.743345.573339.973339.783345.7733443345.673342.433337.723345.573345.773338.63345.183338.313344.493338.73338.313344.293338.113338.83344.593344.693339.583337.823340.173342.923342.533344.293338.313338.013341.25……3339.393339.293337.423344.883343.123344.593340.273342.043343.613340.663342.233342.233345.863337.623345.373337.523336.833337.033339.293337.333344.783338.993345.183338.113343.413336.443346.653344.23345.373339.393344.3933443345.573338.013345.473337.333342.923343.613337.723343.213345.273341.053341.553343.213336.643344.13343.413338.013340.563344.49实际数据中好氧区溶解氧浓度如表6所示，单位为mg/l。表6通过本方法预测的出水总磷浓度值如表7所示，单位为mg/l。表70.0430.0430.0430.0430.0440.0450.0460.0470.0470.0470.0480.0480.0480.0490.0490.0490.0490.0490.0490.0490.0450.0420.0400.0400.0400.0400.0390.0390.0430.0440.0430.0440.0440.0440.0440.0440.0460.0450.0460.0460.0460.0460.0460.0440.0440.0440.0410.0410.0410.041……0.0460.0470.0470.0470.0470.0470.0460.0470.0470.0470.0480.0470.0480.0470.0490.0480.0480.0450.0400.0380.0380.0330.0330.0330.0280.0280.0280.0270.0280.0270.0230.0230.0230.0230.0230.0230.0230.0230.0230.0420.0420.0420.0430.0460.0480.0490.0500.0500.0500.051图2示出了根据本发明的一个实施例的出水总磷训练效果的示意图。图3示出了根据图2的出水总磷训练输出误差的示意图。出水总磷浓度智能检测方法训练结果如图2所示，x轴为训练样本数，y轴为出水总磷训练输出值，实线为出水总磷实际输出值，虚线是出水总磷预测输出值；出水总磷训练输出误差如图3所示，x轴为训练样本数，y轴为出水总磷训练输出误差。图4示出了根据本发明的一个实施例的出水总磷预测结果的示意图。图5示出了根据图4的出水总磷预测误差的示意图。利用训练好的出水总磷预测模型，根据测试样本得到出水总磷浓度的预测值；出水总磷浓度预测方法测试结果如图4所示，x轴为测试样本数，y轴为出水总磷预测输出值，实线是出水总磷实际输出值，虚线为出水总磷预测输出值；出水总磷测试的输出误差如图5所示，x轴为测试样本数，y轴为出水总磷预测误差；实验结果表明了基于动态优化模糊神经网络出水总磷预测方法的有效性。实施例2本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述基于模糊神经网络的出水总磷预测方法。根据本公开实施例的电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。实施例3本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于模糊神经网络的出水总磷预测方法。根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。上述计算机可读存储介质包括但不限于：光存储介质(例如：cd－rom和dvd)、磁光存储介质(例如：mo)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置rom的媒体(例如：rom盒)。本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本
技术领域：
的普通技术人员来说许多修改和变更都是显而易见的。当前第1页12