一种基于BP神经网络的参数自整定纵向控制方法及系统与流程

一种基于bp神经网络的参数自整定纵向控制方法及系统
技术领域
1.本发明涉及自动驾驶技术领域，特别是关于一种基于改进bp神经网络的参数自整定纵向控制方法及系统。


背景技术：

2.近年来，自动驾驶技术因其能有效提高行驶安全性、缓解交通拥堵和降低能耗，正逐渐成为国内外研究开发的热点。运动控制是智能汽车研究领域的核心技术之一，包括横向控制和纵向控制，其中纵向控制主要研究智能车辆的速度跟踪能力，控制车辆按照预定的速度巡航或与前方动态目标保持一定的距离。
3.目前的纵向控制方法多为基于模型和无模型两类，而由于车辆纵向动力学所涉及的油门、制动踏板、发动机和传动系统等车辆子系统均具有高度非线性及参数时变等特性，这些特性导致建立精确的车辆纵向动力学模型极其困难，很大程度上限制了基于模型的纵向控制方法。因此在没有精确车辆纵向模型的情况下，目前现有方法大多集中在如pid控制等无模型的纵向控制方法，但上述纵向控制方法的控制参数往往需要通过经验或现场试验来不断调整，不同工况下适应性差，因此高精度的纵向速度控制要求控制器具有一定的参数自整定能力。同时在多车场景下，例如随着自动驾驶车辆商业化进展加快，诸如港口、矿山都在进行规模化运营，由于不同车的纵向特性存在差别，若单独对每辆车进行调试，人力成本、时间成本极高。而采用具有一定参数自整定能力的纵向控制方法，可实现算法自行在线调参，大大节省调试时间。


技术实现要素：

4.本发明的目的在于提供一种基于bp神经网络的参数自整定纵向控制方法与系统来克服或至少减轻现有技术的上述缺陷中的至少一个。
5.为实现上述目的，本发明提供一种基于改进bp神经网络的参数自整定纵向控制方法，其包括：
6.步骤1，获取预瞄速度误差，输入至当前bp神经网络；
7.步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4；
8.步骤3，离线训练当前模式下bp神经网络的初始参数，获取最优的所述初始参数，对所述当前bp神经网络进行初始化；
9.步骤4，通过batch normalization处理的归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前bp神经网络输出当前模式对应的控制参数。
10.进一步地，所述步骤4中的“通过batch normalization处理归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数”具体包括：
11.步骤41a，基于当前时刻的预瞄速度误差，设置用于bp神经网络反向自学习的性能
指标函数；
12.步骤42a，基于梯度下降法，计算bp神经网络的当前隐含层到输出层的权重调整量；
13.步骤43a，计算batch normalization处理部分的当前学习参数γ
l
(k)、β
l
(k)的调整量δγ
l
(k)和δβ
l
(k)为下式(15)：
[0014][0015]
式中，δγ
l
(k-1)、δβ
l
(k-1)分别表示上一时刻k-1的学习参数γ
l
(k-1)、β
l
(k-1)的调整量,表示batch normalization处理归一化处理产生的变量，为简化公式设置的变量符号，表示为下式(18)：
[0016][0017]
其中，y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′
(*)表示bp神经网络输出层的激活函数的一阶导数，l表示bp神经网络输出层的节点数，表示k时刻bp神经网络输出层的第l个节点的输出；
[0018]
步骤44a，计算隐藏层权值调整量。
[0019]
进一步地，所述步骤4中的“通过所述当前bp神经网络输出当前模式对应的控制参数”具体包括：
[0020]
步骤41b，计算bp神经网络输入层的输入和输出；
[0021]
步骤42b，计算bp神经网络隐含层的输入和输出；
[0022]
步骤43b，利用下式(22)，计算bp神经网络输出层的输入和输出：
[0023][0024]
式中，上标(3)表示所述输出层，和分别表示k时刻所述输出层的第l个节点的输入和输出，表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1，...，s；
[0025]
步骤44b，使用输出层两个节点的输出gain1、gain2，作为两个增益，来满足pi控制的输出强度，且通过下式(23)，分别限制k
p
、ki在(0，gain1)、(0，gain2)之间变化，可得当前时刻k输出的pi控制参数：
[0026][0027]
进一步地，所述步骤3中的“离线训练当前模式下bp神经网络的初始参数，获取最优的所述初始参数”的方法具体包括：
[0028]
步骤31，建立驱/制动模式下基于改进bp神经网络的参数自整定pi控制器；
[0029]
步骤32，分别根据驱/制动bp神经网络结构，计算所包含的权重参数及batch normalization处理归一化参数数量，确定pso算法参数及粒子维度；
[0030]
步骤33，根据适应度函数，基于pso算法离线训练参数自整定pi控制器，获取较优的bp神经网络初始参数；
[0031]
步骤34，设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
[0032]
进一步地，所述bp神经网络的结构设置方法包括：
[0033]
步骤11，确定bp神经网络的输入层、隐含层及输出层的节点数：在输入层加入常数项1，则输入层节点数m＝4；在输出层节点对应所选纵向pi控制器的两个可调参数k
p
、ki，则输出层节点数n＝2；根据λ∈(1，10)，计算隐含层节点数s；
[0034]
步骤12，选取所述输入层的变量；
[0035]
步骤13，选择满足纵向pi控制器中k
p
、ki参数非负要求的sigmoid函数f2(x)作为所述输出层的激活函数，x表示输出层的输入值；
[0036]
步骤14，选择可防止“梯度消失”现象产生的梯度固定的线性整流函数作为所述隐含层的激活函数。
[0037]
本发明还提出一种基于改进bp神经网络的参数自整定纵向控制系统，其包括纵向控制模块，所述纵向控制模块根据如上所述的方法输出纵向控制指令；
[0038]
所述纵向控制模块具有：
[0039]
误差获取单元，其用于获取预瞄速度误差，输入至bp神经网络；
[0040]
误差判断单元，其用于在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值；
[0041]
初始化单元，其用于在所述预瞄速度误差大于预设阈值的情形下，离线训练当前模式下bp神经网络的初始参数，获取最优的所述初始参数，对所述当前bp神经网络进行初始化；
[0042]
控制参数计算单元，其用于在所述预瞄速度误差不大于预设阈值的情形下，通过batch normalization处理归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前bp神经网络输出当前模式对应的控制参数。
[0043]
进一步地，所述初始化单元包括：
[0044]
性能指标函数设置子单元，其用于基于当前时刻预瞄速度误差，将用于bp神经网络反向自学习的性能指标函数；
[0045]
输出层权值调整量计算子单元，其用于基于梯度下降法，计算输出层权值调整量；
[0046]
学习参数调整量计算子单元，其用于计算batch normalization处理部分的可学习参数γ
l
、β
l
的调整量为下式(15)：
[0047][0048]
式中，δγ
l
(k-1)、δβ
l
(k-1)分别表示上一时刻k-1的学习参数γ
l
(k-1)、β
l
(k-1)的调整量,表示batch normalization处理归一化处理产生的变量，为简化公式设置的变量符号，表示为下式(18)：
[0049][0050]
其中，y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′
(*)表示bp神经网络输出层的激活函数的一阶导数，l表示bp神经网络输出层的节点数，表示k时刻bp神经网络输出层的第l个节点的输出；
[0051]
隐藏层权值调整量计算子单元，其用于计算隐藏层权值调整量。
[0052]
进一步地，所述初始化单元还包括：
[0053]
网络输入层的输入和输出计算子单元，其用于计算bp神经网络输入层的输入和输出；
[0054]
网络隐含层的输入和输出计算子单元，其用于计算bp神经网络隐含层的输入和输出；
[0055]
网络输出层的输入和输出计算子单元，其用于利用下式(22)，计算bp神经网络输出层的输入和输出：
[0056][0057]
式中，上标(3)表示所述输出层，和分别表示k时刻所述输出层的第l个节点的输入和输出，表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1，...，s；
[0058]
pi控制参数计算子单元，其用于使用输出层两个节点的输出gain1、gain2，作为两个增益，来满足pi控制的输出强度，且通过下式(23)，分别限制k
p
、ki在(0，gain1)、(0，gain2)之间变化，可得当前时刻k输出的pi控制参数：
[0059]
[0060]
进一步地，所述初始化单元包括：
[0061]
pi控制器建立子单元，其用于建立驱/制动模式下基于改进bp神经网络的参数自整定pi控制器；
[0062]
pso算法参数及粒子维度计算子单元，其用于分别根据驱/制动bp神经网络结构，计算所包含的权重参数及batch normalization处理归一化参数数量，确定pso算法参数及粒子维度；
[0063]
网络初始参数计算子单元，其用于根据适应度函数，基于pso算法离线训练参数自整定pi控制器，获取较优的bp神经网络初始参数，实现离线优化；
[0064]
网络优化子单元，其用于设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
[0065]
进一步地，所述基于改进bp神经网络的参数自整定纵向控制系统还包括：
[0066]
环境感知模块，其用于获取环境信息；
[0067]
决策规划模块，其用于接收经由处理后的所述环境信息，并进行全局速度规划，并将参考速度信息输出给纵向控制模块元；
[0068]
底层执行模块，根据所述纵向控制指令，控制车辆。
[0069]
本发明由于采取以上技术方案，其具有以下优点：
[0070]
本发明通过将具备自学习能力的bp神经网络与纵向控制器相结合，设计出具有参数自整定能力的纵向控制器，在实现快速调整控制参数的同时提高车辆纵向控制精度，克服或减轻所述问题的影响。
附图说明
[0071]
图1为本发明实施例提供的基于改进bp神经网络的参数自整定纵向控制的框架图；
[0072]
图2为本发明所设计的用于参数自整定纵向控制器的改进bp神经网络结构图
[0073]
图3为本发明离线训练网络初始参数的算法流程图
[0074]
图4为本发明的系统平台图。
具体实施方式
[0075]
下面结合附图和实施例对本发明进行详细的描述。
[0076]
如图1所示，本发明实施例提供的基于改进bp神经网络的参数自整定纵向控制方法包括：
[0077]
步骤1，获取预瞄速度误差，输入至当前bp神经网络。
[0078]
如图2所示，步骤1中的bp神经网络的结构设置方法包括：
[0079]
步骤11，确定bp神经网络的输入层、隐含层及输出层的节点数。
[0080]
为保证网络的稳定性，在输入层加入常数项1，则输入层节点数m＝4；在输出层节点对应所选纵向pi控制器的两个可调参数k
p
、ki，则输出层节点数n＝2；根据计算隐含层节点数s＝10。因此，最终确定bp神经网络结构为4-10-2。
[0081]
bp神经网络输入层的相关参数通过下文参数的上标(1)进行表示，具体包括：
[0082]
k时刻输入层第j个节点的输入设置为xj(k)，k时刻输入层第j个节点的输出设置为那么有下式(1)：
[0083][0084]
bp神经网络隐含层的相关参数通过下文参数的上标(2)进行表示，具体包括：k时刻所述隐含层的第i个节点的输入设置为k时刻所述隐含层的第i个节点的输出设置为f1(*)表示所述隐含层的激活函数，表示k时刻所述输入层第j个节点到所述隐含层第i个节点的权重，i＝1，...，s，那么有下式(2)：
[0085][0086]
bp神经网络输出层的相关参数通过下文参数的上标(3)进行表示，具体包括：表示k时刻所述输出层的第1个节点的输入，表示k时刻所述输出层的第1个节点的输出，表示k时刻所述隐含层第i个节点到所述输出层第1个节点的权重，f2(*)表示所述输出层的激活函数，l＝1，...，s，那么有下式(3)：
[0087][0088]
其中，k表示第k个控制周期，时间离散化后，一般认为当前时刻为k时刻，相应地，k-1时刻表示上一时刻。
[0089]
步骤12，选取所述输入层的变量。
[0090]
本实施例中，选取与速度控制相关的预瞄速度误差ev(k)、期望速度v
des
(k)、当前速度v(k)作为输入层的变量。当然，输入层的变量，也可以在上述3项参数的基础之上，增加k-1时刻上述3项参数的值，还可以增加车辆与前车距离等。
[0091]
步骤13，选择满足纵向pi控制器使用的k
p
、ki参数非负要求的sigmoid函数f2(x)作为所述输出层的激活函数，x表示输出层的输入值，如下式(4)所示：
[0092][0093]
需要说明的是，一般的pi控制器使用的k
p
和ki在不同时刻均为定值，而本实施例结合bp神经网络，能够实时输出k
p
和ki的参数，使其随时间变化，因此带有(k)的标识，表示随时间变化，k
p
为pi控制器的比例项系数，ki为pi控制器的积分项系数，无量纲。
[0094]
步骤14，防止由于选用sigmoid函数导致bp神经网络反向自学习时发生梯度消失，选择可防止“梯度消失”现象产生的梯度固定的线性整流(rectified linear unit，relu)函数f1(x)作为所述隐含层的激活函数，如下式(5)所示：
[0095]
[0096]
作为步骤14的一种优选实施方式，利用batch normalization处理归一化方法使sigmoid函数的输入分布始终保持为正态分布，避免陷入梯度过小区域，其具体包括：
[0097]
步骤141，假设输出层的每个节点传入h个训练样本，为第j个输出层节点的第i个样本数据输入；
[0098]
步骤142，利用下式(6)，计算各节点处输入均值：
[0099][0100]
步骤143，利用下式(7)，计算每个节点处输入的方差：
[0101][0102]
步骤144，利用下式(8)，根据均值u和方差σ2，将输出层的输入分布更改为正态分布：
[0103][0104]
步骤145，引入可学习参数γ与β以恢复数据本身的表达能力，则第j个输出层节点输入如下式(9)和(10)所示：
[0105][0106][0107]
第二项和第三项均表示针对输出层的输入值进行batch normalization处理时产生的中间量，无特殊含义。
[0108]
上述实施例结合batch normalization处理的归一化方法，构建用于实时输出纵向控制器参数的改进bp神经网络，能够实现参数在线整定。
[0109]
步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4。其中，预设阈值根据算法所要求的纵向控制精度来设计，例如要求bp-pi控制的速度偏差小于0.3m/s，则该阈值可设置为0.3m/s。
[0110]
步骤3，离线训练当前模式下bp神经网络的初始参数，获取最优的所述初始参数，用以初始化所述当前bp神经网络。
[0111]
在一个实施例中，结合图1和图3，步骤3中的“离线训练当前模式下bp神经网络的初始参数，获取最优的所述初始参数”的方法具体包括：
[0112]
步骤31，建立驱/制动模式下基于改进bp神经网络的参数自整定pi控制器。
[0113]
步骤32，分别根据驱/制动bp神经网络结构，计算所包含的权重参数及batch normalization处理归一化参数数量，确定pso算法参数及粒子维度。
[0114]
步骤33，根据适应度函数，基于pso算法离线训练参数自整定pi控制器，获取较优的bp神经网络初始参数，实现离线优化。
[0115]
本实施例中采用的适应度函数如下式(11)所示，当然，也可以采用现有技术公开的其他形式的适应度函数。
[0116][0117]
本实施例中采用的pso算法如下式(9)所示：
[0118][0119]
式中，p
i，best
为第i个粒子个体历史最优值，g
best
为群体历史最优值，vi(k)为k时刻粒子速度，xi(k)为粒子位置，r1、r2为(0，1)范围内的随机数，t、t
max
分别表示当前迭代次数及允许最大迭代次数，c1、c2为的学习因子，具体数值大小根据训练效果在(0，1)范围内调整，ω为随迭代次数不断变化的惯性权重，如下式(13)所示，ω
max
、ω
min
分别为最小、最大惯性权重值。
[0120][0121]
步骤34，设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。其中的阈值可以根据车辆运行过程中，允许最大速度误差确定。
[0122]
步骤4，通过batch normalization处理归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前bp神经网络输出当前模式对应的控制参数。
[0123]
其中，bp神经网络的初始参数包括输入层与隐含层之间的权重系数隐含层与输出层之间的权重系数和batch normalization处理归一化方法中的γ
l
(k)、β
l
(k)。文中的k表示当前时刻，k-1表示k的上一时刻。
[0124]
在一个实施例中，步骤4中的“通过归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数”具体包括：
[0125]
步骤41a，基于当前时刻预瞄速度误差，将用于bp神经网络反向自学习的性能指标函数e(k)设置为下式(14)：
[0126][0127]
式中，v
des
(k)为参考速度，v(k)为当前车速，ev(k)为当前时刻预瞄速度误差。
[0128]
步骤42a，基于梯度下降法，计算bp神经网络的当前隐含层到输出层的权重调整量。
[0129]
其中：梯度下降法可以表示为下式(15)，bp神经网络的当前隐含层的第i个节点到输出层第l个节点的权重的调整量：
[0130][0131]
式中，η为学习速率，α为动量因子，二者数值影响bp神经网络自学习的快慢和效果，数值确定原则根据测试过程中神经网络学习效果确定，两个参数的取值范围均小于1。表示k-1时刻bp神经网络的隐含层第i个节点到输出层第l个节点的权重的调整量。
[0132]
根据式(16)：
[0133][0134]
式中，y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度。
[0135]
第一项：
[0136]
第二项：未知，用近似符号函数表示，由此带来的不精确的影响通过调整学习速率η来补偿。补偿原则可描述为：当bp神经网络学习速度过程速度误差收敛慢，则调大η的取值，反之调小η的取值。
[0137]
第三项：
[0138]
第四项：表示的一阶导数。
[0139]
第五项：
[0140]
第六项：σ
l
(k)表示k时刻输出层第l个输入节点对应的输入均方差。
[0141]
第七项：
[0142]
将上述7项代入权值调整量表达式，可得输出层权值调整量为下式(17)：
[0143][0144]
其中，为简化公式设置的变量符号，无特殊含义，表示为式(18)：
[0145][0146]
步骤43a，计算通过归一化，例如：batch normalization处理部分的可学习参数γ
l
、β
l
的调整量为下式(19)：
[0147][0148]
步骤44a，利用下式(20)，计算隐藏层权值调整量为：
[0149][0150]
式中，表示为下式(21)：
[0151][0152]
式中，f1(*)表示所述隐含层的激活函数，f1′
(*)表示f1(*)的一阶导数，表示k时刻所述隐含层的第i个节点的输出。
[0153]
在一个实施例中，所述步骤4中的“通过所述当前bp神经网络输出当前模式对应的控制参数”具体包括：
[0154]
步骤41b，利用下式(1)，计算bp神经网络输入层的输入和输出。
[0155]
步骤42b，利用下式(2)，计算bp神经网络隐含层的输入和输出。
[0156]
步骤43b，利用下式(22)，计算bp神经网络输出层的输入和输出：
[0157][0158]
步骤44b，使用输出层两个节点的输出gain1、gain2，作为两个增益，来满足pi控制的输出强度，且通过下式(23)，分别限制k
p
、ki在(0，gain1)、(0，gain2)之间变化，可得当前时刻k输出的pi控制参数：
[0159][0160]
需要说明的是，文中的pi控制器是本发明实施例所选用的一种纵向控制器当然，本发明实施例也可以应用为其他需要调参的纵向控制器。
[0161]
如图4所示，本发明实施例提供的基于改进bp神经网络的参数自整定纵向控制系统包括纵向控制模块，所述纵向控制模块根据如上述各实施例所述的方法输出纵向控制指令；
[0162]
所述纵向控制模块具有：
[0163]
误差获取单元，其用于获取预瞄速度误差，输入至当前bp神经网络；
[0164]
误差判断单元，其用于在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值；
[0165]
初始化单元，其用于在所述预瞄速度误差大于预设阈值的情形下，离线训练当前
模式下bp神经网络的初始参数，获取最优的所述初始参数，对所述当前bp神经网络进行初始化；
[0166]
控制参数计算单元，其用于在所述预瞄速度误差不大于预设阈值的情形下，通过batch normalization处理归一化方法，所述当前bp神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前bp神经网络输出当前模式对应的控制参数。
[0167]
在一个实施例中，所述初始化单元包括：
[0168]
性能指标函数设置子单元，其用于基于当前时刻预瞄速度误差，将用于bp神经网络反向自学习的性能指标函数e(k)设置为式(14)。
[0169]
输出层权值调整量计算子单元，其用于基于梯度下降法，利用式(15)，计算输出层权值调整量
[0170]
学习参数调整量计算子单元，其用于计算batch normalization处理部分的可学习参数γ
l
、β
l
的调整量为式(19)。
[0171]
隐藏层权值调整量计算子单元，其用于用式(20)，计算隐藏层权值调整量。
[0172]
在一个实施例中，所述初始化单元还包括：
[0173]
网络输入层的输入和输出计算子单元，其用于利用式(1)，计算bp神经网络输入层的输入和输出。
[0174]
网络隐含层的输入和输出计算子单元，其用于利用式(2)，计算bp神经网络隐含层的输入和输出。
[0175]
网络输出层的输入和输出计算子单元，其用于利用式(22)，计算bp神经网络输出层的输入和输出。
[0176]
pi控制参数计算子单元，其用于使用输出层两个节点的输出gain1、gain2，作为两个增益，来满足pi控制的输出强度，且通过式(23)，分别限制k
p
、ki在(0，gain1)、(0，gain2)之间变化，可得当前时刻k输出的pi控制参数。
[0177]
在一个实施例中，所述初始化单元包括：
[0178]
pi控制器建立子单元，其用于建立驱/制动模式下基于改进bp神经网络的参数自整定pi控制器；
[0179]
pso算法参数及粒子维度计算子单元，其用于分别根据驱/制动bp神经网络结构，计算所包含的权重参数及batch normalization处理归一化参数数量，确定pso算法参数及粒子维度；
[0180]
网络初始参数计算子单元，其用于根据适应度函数，基于pso算法离线训练参数自整定pi控制器，获取较优的bp神经网络初始参数，实现离线优化；
[0181]
网络优化子单元，其用于设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
[0182]
在一个实施例中，所述基于改进bp神经网络的参数自整定纵向控制系统还包括环境感知模块、决策规划模块以及底层执行模块。其中：
[0183]
环境感知模块，其用于获取环境信息；
[0184]
决策规划模块，其用于接收经由处理后的所述环境信息，并进行全局速度规划，并
将参考速度信息输出给纵向控制模块元；
[0185]
底层执行模块，根据所述纵向控制指令，控制车辆。
[0186]
本发明通过结合神经网络强大的自学习能力和数据处理能力实现参数在线整定，同时基于pso算法实现网络离线优化，解决传统纵向控制方法在车辆速度跟踪过程中参数固定且不易整定的问题。同时在多车调试场景下该方法只需给定适当的初始控制器参数，则可自行实现在线调参，大大节省调试时间。本发明适用于无人驾驶车辆的纵向运动控制。
[0187]
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：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；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。