混合气体识别方法、装置、计算机设备和存储介质与流程
本发明属于计算机技术领域，尤其涉及一种混合气体识别方法、装置、计算机设备和存储介质。
背景技术：
如今传感器技术不断完善，促进了人工嗅觉的发展。人工嗅觉是一种仿生检测技术，利用一系列电子设备模拟嗅觉系统，该系统广泛应用于气体定性识别与定量检测。
然而，目前的人工嗅觉系统对多元气体识别效率较低。现有的人工嗅觉系统常用的气体识别方法有两种：主成分分析与神经网络混合算法、独立成分分析与支持向量机混合算法。若利用主成分分析与神经网络混合算法进行气体识别时，在将最佳特征参数进行组合的过程中，需要大量学习过程，对样本数据集的数量要求高。若利用独立成分分析与支持向量机混合算法进行气体识别时，一方面提取的特征是线性的，对于非线性特征数据集结构不在同一平面，导致识别准确率不高，另一方面，随着训练样本数量的增长，支持向量的数量也逐渐增加，模型稀疏度降低，为了获取更好的识别率，需要对参数进行进一步优化，大大增加了计算量。
可见，现有的人工嗅觉系统所采用的气体识别方法还存在着无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。
技术实现要素：
本发明实施例的目的在于提供一种混合气体识别方法、装置、计算机设备和存储介质，旨在解决现有的人工嗅觉系统所采用的气体识别方法还存在的无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。
本发明实施例是这样实现的，一种混合气体识别方法，包括：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
本发明实施例的另一目的在于提供一种混合气体识别装置，包括：
相应信号强度获取单元，用于获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
初始向量确定单元，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
特征向量提取单元，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
混合气体种类确定单元，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器上述所述混合气体识别方法的步骤
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述所述混合气体识别方法的步骤。
本发明实施例提供的混合气体识别方法，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
附图说明
图1为本发明实施例提供的混合气体识别方法的应用环境图；
图2为本发明实施例提供的一种混合气体识别方法的步骤流程图；
图3为本发明实施例提供的另一种混合气体识别方法的步骤流程图；
图4为本发明实施例提供的一种基于核主成分分析算法提取特征向量方法的步骤流程图；
图5为本发明实施例提供的一种基于最近邻算法确定气体种类方法的步骤流程图；
图6为本发明实施例提供的一种训练生成基于多变量相关向量机算法的混合气体浓度识别模型方法的步骤流程图；
图7为本发明实施例提供的一种混合气体识别装置的结构框图；
图8为本发明实施例提供的另一种混合气体识别装置的结构框图；
图9为本发明实施例提供的混合气体识别装置中的特征向量提取单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施例提供的混合气体识别方法的应用环境图，如图1所示，提供了一种人工嗅觉系统，其中所述混合气体识别方法是作为程序安装在与pxi箱通过pxi总线连接的终端上。
在本发明实施例中，混合气体注入到箱内后，气体传感器阵列采集气体的响应信号强度并传输给pxi(pciextensionsforinstrumentation，面向仪器系统的pci扩展)箱，并进一步通过pxi总线传输给终端，终端采集到气体传感器阵列采集的气体的响应信号强度后，执行气体识别程序，即利用采集的气体的响应信号强度识别出混合气体的种类。
作为本发明的一个优选实施例，考虑到传感器的响应特性易受温度和湿度影响，采用风扇与加湿器保证了环境的恒湿与恒温条件，以进行信号采集，其中温度条件控制在15℃，湿度条件控制在20％。
如图2所示，在一个实施例中，提出了一种混合气体识别方法，本实施例主要以该方法应用于上述图1中的终端来举例说明，具体可以包括以下步骤：
步骤s202，获取传感器阵列中各传感器对混合气体的响应信号强度。
在本发明实施例中，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个。
作为本发明的一种优选实施例，所述传感器阵列由5种传感器构成，每种传感器设置4个，确保传感器阵列的容错力。
步骤s204，根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量。
在本发明实施例中，按照预设的规则将各传感器对混合气体的响应信号强度排列即可构成向量，需要注意的是，在规则设定后，后续每一次确定混合气体的初始向量均是按照同样的规则对混合气体的响应信号强度进行排序生成的。
步骤s206，基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量。
在本发明实施例中，由于混合气体的初始向量一般是高维的，在后续的处理过程中，计算量大，导致效率偏低，而核主成分分析算法能够将高维向量处理生成低维向量，并且能够最大限度的保留高维向量的特征信息，即在不损失过多特征信息的同时，降低了混合气体向量的维度，即降低了计算量，提高了效率。
在本发明实施例中，所述基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量的具体步骤请参阅图4及其解释说明。
步骤s208，根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在本发明实施例中，将混合气体的特征向量输入至基于最近邻算法训练生成的混合气体种类识别模型，能够自动根据混合气体的特征向量确定混合气体中各气体的种类，具体的步骤请参阅图5及其解释说明。
本发明实施例提供的混合气体识别方法，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
如图3所示，在一个实施例中，提出了另一种混合气体识别方法，与图2所示出的一种混合气体识别方法的不同之处在于，还包括以下步骤：
步骤s302，根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
在本发明实施例中，进一步，通过预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入混合气体的特征向量后，能够直接输出混合气体中各种类气体的浓度，其中，训练生成所述基于多变量相关向量机算法训练生成的混合气体浓度识别模型的步骤请参阅图6及其解释说明。
如图4所示，在一个实施例中，提出了一种基于核主成分分析算法提取特征向量的方法，具体包括以下步骤：
步骤s402，基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量。
在本发明实施例中，假设混合气体的初始向量x＝[x1,x2,…,xm]，核函数为φ(·)，则高维线性可分向量为φ(xi)。
步骤s404，对混合气体的高维线性可分向量进行中心化处理。
在本发明实施例中，经过中心化处理后得到的高维线性可分向量满足
步骤s406，计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵。
在本发明实施例中，协方差矩阵c＝φ(xi)·φ(xi)t
步骤s408，计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量。
在本发明实施例中，计算协方差矩阵c的特征值λ以及特征向量v本质上是对矩阵的分解，也就是计算λv＝cv的根(λ,v)，其中特征向量v可以由φ(x1)，φ(x2)，...，φ(xm)线性表示。
步骤s410，计算各特征值的核主成分贡献率。
在本发明实施例中，特征值除以全部特征值之和即为该特征值的核主成分贡献率。
步骤s412，将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值。
在本发明实施例中，假设求出的n个特征值从大至小依次为λ1＞λ2＞…＞λn，则需要求出值p，使得前p个特征值的核主成分贡献率的和大于预设的阈值，也就是满足
步骤s414，确定与参与累加的各核主成分贡献率所对应的多个特征值。
在本发明实施例中，分别确定与特征值λ1,λ2，…λp对应的特征向量v1,v2，…vp。
步骤s416，标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵。
在本发明实施例中，将各特征向量v1,v2，…vp标准化使得各特征向量的模为1后，特征向量矩阵
步骤s418，根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量。
在本发明实施例中，所述混合气体的低维线性可分向量即为混合气体的特征向量。
在本发明实施例中，所述混合气体的特征向量y＝wx。
本发明实施例提供了基于核主成分分析算法提取特征向量的方法，其中先通过核函数将初始向量映射到高维空间，在中心化处理后，求出高维空间中初始向量的特征值以及特征向量，将特征值从大至小依次排序后，选择前p个特征值使得核主成分贡献率的和大于预设的阈值，也就是最大限度保留初始向量的特征信息，利用与特征值对应特征向量构成特恒向量矩阵，对初始向量处理后就能够得到低纬度下(p)的特征向量。
如图5所示，在一个实施例中，提出了一种基于最近邻算法确定气体种类的方法，具体包括以下步骤：
步骤s502，计算所述混合气体的特征向量与所述混合气体种类识别模型中多个气体种类已知的混合气体样本的特征向量的欧氏距离。
在本发明实施例中，混合气体种类识别模型中包含大量气体种类已知且特征向量已知的混合气体样本。
在本发明实施例中，气体种类已知的混合气体样本的特征向量也是通过前述图4提供的基于核主成分分析算法提取特征向量的方法得到的。
在本发明实施例中，对于两个特征向量而言[x1,x2,…xn]和[y1,y2,…yn]而言，欧式距离
步骤s504，根据所述混合气体的特征向量与各个混合气体样本的特征向量的欧氏距离确定混合气体与各个混合气体样本的相似度。
在本发明实施例中，混合气体的特征向量之间的欧氏距离越小，表明两种混合气体的组分相似度越高。
步骤s506，根据所述相似度确定与所述混合气体最相似的至少一个混合气体样本。
在本发明实施例中，为了提高容错率，在选取最相似的混合气体样本时，可以选取多个最相似的混合气体样本，通过多个混合气体样本来判断，进一步提高了准确率。
步骤s508，根据所述至少一个混合气体样本的气体种类确定所述混合气体中各气体的种类。
在本发明实施例中，当选取多个混合气体样本时，将样本中气体种类出现次数最多的确定为混合气体中的气体种类。
如图6所示，在一个实施例中，提出了一种训练生成基于多变量相关向量机算法的混合气体浓度识别模型的方法，具体包括以下步骤：
步骤s602，获取多个已知气体浓度的混合气体训练样本。
在本发明实施例中，所述基于多变量相关向量机算法的混合气体浓度识别模型能够根据输入的混合气体的特征向量直接生成混合气体中各气体的浓度。
步骤s604，获取传感器阵列对各混合气体训练样本的响应信号强度。
在本发明实施例中，各混合气体训练样本和待检测浓度的混合气体应当在相同的传感器阵列下进行测试。
步骤s606，根据各混合气体训练样本的响应信号强度确定各混合气体训练样本的特征向量。
在本发明实施例中，所述根据响应信号强度确定特征向量的步骤具体请参阅图2、图4及其解释说明。
步骤s608，基于多变量相关向量机算法建立含有可变参数的初始化的混合气体浓度识别模型。
在本发明实施例中，由于混合气体浓度识别模型本质上可以理解为特征向量与气体浓度的函数关系，先建立一个初始模型，然后通过大量样本不断调整特征向量与气体浓度之间的函数关系，使之符合真实情况，则此时混合气体浓度识别模型已训练完成。
步骤s610，根据所述特征向量以及所述混合气体浓度识别模型确定各混合气体训练样本的响应气体浓度。
步骤s612，判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值是否满足预设的条件。当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件时，执行步骤s614；当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值满足预设的条件时，执行步骤s616。
在本发明实施例中，当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件，也就是表明此时混合气体浓度识别模型尚未完全拟合特征向量与气体浓度的函数关系，因此，需要进一步调整混合气体浓度识别模型的参数，当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件，也就是表明此时混合气体浓度识别模型已拟合了特征向量与气体浓度的函数关系，则此时的混合气体浓度识别模型就是基于基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入特征向量后能够输出各气体的浓度。
步骤s614，调整所述混合气体浓度识别模型中的可变参数，并返回至所述步骤s610。
步骤s616，将当前的混合气体浓度识别模型确定为预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型。
如图7所示，在一个实施例中，提出了一种混合气体识别装置，详述如下。
在本发明实施例中，所述混合气体识别装置包括响应信号强度获取单元710、初始向量确定单元720、特征向量提取单元730以及混合气体种类确定单元740。
所述响应信号强度获取单元710，用于获取传感器阵列中各传感器对混合气体的响应信号强度。
在本发明实施例中，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个。
作为本发明的一种优选实施例，所述传感器阵列由5种传感器构成，每种传感器设置4个，确保传感器阵列的容错力。
所述初始向量确定单元720，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量。
在本发明实施例中，按照预设的规则将各传感器对混合气体的响应信号强度排列即可构成向量，需要注意的是，在规则设定后，后续每一次确定混合气体的初始向量均是按照同样的规则对混合气体的响应信号强度进行排序生成的。
所述特征向量提取单元730，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量。
在本发明实施例中，由于混合气体的初始向量一般是高维的，在后续的处理过程中，计算量大，导致效率偏低，而核主成分分析算法能够将高维向量处理生成低维向量，并且能够最大限度的保留高维向量的特征信息，即在不损失过多特征信息的同时，降低了混合气体向量的维度，即降低了计算量，提高了效率。
在本发明实施例中，所述特征向量提取单元的具体结构请参阅图9及其解释说明。
所述混合气体种类确定单元740，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在本发明实施例中，将混合气体的特征向量输入至基于最近邻算法训练生成的混合气体种类识别模型，能够自动根据混合气体的特征向量确定混合气体中各气体的种类。
本发明实施例提供的混合气体识别装置，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
如图8所示，在一个实施例中，提出了另一种混合气体识别装置，详述如下。
在本发明实施例中，与图7示出的一种混合气体识别装置的不同之处在于，还包括混合气体浓度确定单元810。
所述混合气体浓度确定单元810，用于根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
在本发明实施例中，进一步，通过预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入混合气体的特征向量后，能够直接输出混合气体中各种类气体的浓度。
如图9所示，在一个实施例中，提出了一种特征向量提取单元的结构图，详述如下。
在本发明实施例中，所述特征向量提取单元包括：
高维映射处理模块901，用于基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量。
在本发明实施例中，假设混合气体的初始向量x＝[x1,x2,…,xm]，核函数为φ(·)，则高维线性可分向量为φ(xi)。
中心化处理模块902，用于对混合气体的高维线性可分向量进行中心化处理。
在本发明实施例中，经过中心化处理后得到的高维线性可分向量满足
协方差矩阵计算模块903，用于计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵。
在本发明实施例中，协方差矩阵c＝φ(xi)·φ(xi)t
特征值及特征向量计算模块904，用于计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量。
在本发明实施例中，计算协方差矩阵c的特征值λ以及特征向量v本质上是对矩阵的分解，也就是计算λv＝cv的根(λ,v)，其中特征向量v可以由φ(x1)，φ(x2)，...，φ(xm)线性表示。
核主成分贡献率计算模块905，用于计算各特征值的核主成分贡献率。
在本发明实施例中，特征值除以全部特征值之和即为该特征值的核主成分贡献率。
核主成分贡献率累加模块906，用于将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值。
在本发明实施例中，假设求出的n个特征值从大至小依次为λ1＞λ2＞…＞λn，则需要求出值p，使得前p个特征值的核主成分贡献率的和大于预设的阈值，也就是满足
贡献特征值计算模块907，用于确定与参与累加的各核主成分贡献率所对应的多个特征值。
在本发明实施例中，分别确定与特征值λ1,λ2，…λp对应的特征向量v1,v2，…vp。
特征向量矩阵生成模块908，用于标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵。
在本发明实施例中，将各特征向量v1,v2，…vp标准化使得各特征向量的模为1后，特征向量矩阵
降维处理模块909，用于根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量。
在本发明实施例中，所述混合气体的低维线性可分向量即为混合气体的特征向量。
在本发明实施例中，所述混合气体的特征向量y＝wx。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！