基于协同过滤的指挥要素自适应推送方法与流程
本发明涉及个性化推荐技术领域，是一种基于协同过滤的指挥要素自适应推送方法。
背景技术：
目前，针对反恐怖行动任务多样化、指挥要素海量化、指挥层级网络化的特点，导致直接构建指挥员与指挥要素间的协同过滤关系不得不面临数据稀疏和冷启动等困境，不仅效率低下，准确性也难以保证。反恐指控平台是各指挥节点实施反恐怖行动的数据交互枢纽，研究指控平台的信息交互方式，对于提高数据流转速率，进而提高反恐行动辅助决策能力意义重大。当前，随着全球数据量的激增，信息超载问题愈演愈烈，大量冗余信息导致指挥员无法及时获取有效的指挥要素信息，从而影响行动决策效率。
协同过滤作为推荐系统的代表性技术之一，应用领域十分广泛。其基本原理是根据“邻居用户”的兴趣来预测“目标用户”的兴趣，进而将相应的“商品”推荐给“目标用户”。从其分类来看，目前常用的协同过滤推荐技术主要包括：基于用户的协同过滤推荐，基于项目的协同过滤推荐，基于模型的协同过滤推荐，基于时间加权的协同过滤推荐以及混合协同过滤推荐等。从推荐效果上看，协同过滤推荐普遍存在着数据的稀疏性、冷启动、实时性等问题，直接影响数据推荐的效率和准确性，许多国内外学者就此展开研究，提出了一些改进和优化策略。这些方法从相似性判定、初始数据的降为处理、改进评分方法等方面进行改进，从而提高了推荐精度。反恐指控系统作为特殊的“推荐系统”，具有数据类型多样、信息编组复杂、实时性要求高等特点。因此，针对反恐行动的多战斗任务、多信息要素、多指挥层级等特点，开展协同过滤算法研究对于指控系统开发的工程实践具有一定的指导意义。
技术实现要素：
本发明提供了基于协同过滤的指挥要素自适应推送方法，克服了上述现有技术之不足，其能有效解决传统推荐算法中面临的数据稀疏和冷启动的问题。
本发明的技术方案是通过以下措施来实现的：基于协同过滤的指挥要素自适应推送方法，包括以下步骤：
第一步，构建反恐资源池，存储记录反恐怖行动的综合实时更新数据；
第二步，构建基于战斗类型-指挥要素的预协同过滤并将计算结果发送至指挥员；
第三步，构建基于指挥员-指挥要素的二阶段协同过滤的评分矩阵，包括以下过程：
(1)采用“指挥员-指挥要素”构建二维m×n评分矩阵，其结构如下：
其中，T表示战斗任务，I表示指挥要素，m表示战斗任务T的数量，n表示指挥要素I的数量；
(2)根据指挥要素在战斗任务中的历史运用概率和反恐专家的重要性评分加权计算得到评分Rij，计算方法如以下公式所示：
xij为战斗任务Ti对指挥要素Ij的历史点击次数，∑xij为战斗任务Ti的总次数，xij/∑xij为战斗任务Ti运用指挥要素Ij的概率，yij为反恐专家对战斗任务Ti运用指挥要素Ij的重要性评分，分值yij∈(0,1)；ε1、ε2分别为指挥要素Ij在战斗任务Ti中的历史运用概率和反恐专家重要性评分的权值；
第四步，计算基于凝聚子集的指挥员之间的相似性，包括以下步骤：
(1)确定指挥员间的相似性并定义相关约束条件，具体定义如下：
a.定义指挥员间的相似关系：
Csim＝κHie(u,v)+δArea(u,v)+ξTime(u,v) (2)
其中u、v分别表示指挥员u和v，变量κ、δ、ξ为权重系数，满足0≤κ、ξ、δ＜1且κ+ξ+δ＝1；
b.对指挥层级、指挥地域和战斗时间的约束条件定义如下：
①指挥层级Hie(u，v)设置7级，分别对应总部、总队、支队、大队、中队、排、班，不同指挥层级的指挥关系公式如下：
其中，(0.1,0.2,0.3，0.4,0.6,0.8，1)表征7级隶属度的权重；
②指挥地域Area(u，v)表示指挥员u、v所处的战斗地域关系，公式如下：
其中，1表示处于同一战斗地域，0表示处于不同战斗地域，Areau表示指挥员u所处的战斗地域，Areav表示指挥员v所处的战斗地域；
③战斗时间Time(u，v)表示指挥员u、v发出请求的战斗时间关系，公式如下：
其中，1表示发出请求时处于同一战斗时段，0表示处于不同战斗时段；Timeu表示指挥员u的请求时段，Timev表示指挥员v的请求时段；
(2)根据公式(2)构建指挥员的相似性矩阵UUA，指挥员间的相似性关系传递采用相似性矩阵乘法进行度量，即UUA×UUA表示二步可达间接相似性关系，将矩阵运算后的二步可达间接相似性矩阵记做UU′，其中各元素UU′ij表示指挥员i与指挥员j的二步可达相似性，指挥员间的相似性为直接相似性与二步可达相似性之和，记为UUA，对相似性矩阵进行去量纲化，即
其中：UUA′ij表示经过标准差变换后的相似性，其均值为0，标准差为1；
(3)为确保UUA′ij在区间[0,1]内波动，进行标准差变换，公式如下：
其中，URij表示指挥员i与指挥员j的最终相似性，UR为最终相似性矩阵；
第五步，基于改进修正余弦相似性的计算公式如下：
其中Ri,c和Rj,c分别表示指挥员i与指挥员j对于指挥要素信息C的评分，xi,c表示该类指挥要素的历史请求次数，yi,c为专家打分值，ε1、ε2为权重值；URij表示指挥员i与指挥员j的最终相似性；表示指挥员i与指挥员j对于指挥要素信息的评分均值；
第六步，计算二阶段推荐过滤预测评分，给定阈值β，当指挥员间的相似性大于β时，确定指挥员为目标指挥员的邻居，其预测评分方法公式如下：
根据相似性计算公式(8)推导出β∈(0,1)，根据公式(10)给出指挥员对于未使用指挥要素信息的评分，将评分靠前的M个指挥要素信息推送给该指挥员，之后结束；
下面是对上述发明技术方案的进一步优化或/和改进：
上述在第二步中，基于战斗类型-指挥要素的预协同过滤包括以下步骤：
(1)构建战斗类型-指挥要素信息评分矩阵方法同上述第三步；
(2)计算修正余弦相似性，战斗任务对所有指挥要素的评分用一个n维的向量表示，向量中的第i个分量表示该战斗任务对第i个指挥要素的重要性评分，设目标战斗任务u的评分向量为战斗任务v的评分向量为则两个战斗类型之间的余弦相似性如下：
其中，Rui为目标战斗任务u对指挥要素i的重要性评分，Rvi为战斗任务v对指挥要素i的重要性评分，i∈(0,1－n)，战斗任务u和v之间的相似性等于它们评分向量之间的夹角余弦值，取值范围为[0,1]。选择相似性最大的K个战斗任务构成目标战斗任务的最近邻居集合。对于目标战斗任务u，最近邻居集合Nu＝{v1,v2,……,vK}，其中vi按照相似性sim(u,vi)(1≤i≤K)从大到小的顺序排列；
(3)“战斗类型-指挥要素”推荐预测计算，在与协同过滤中已经根据战斗类型相似性找到了目标战斗类型u的最近邻居集合Nu，则对于目标战斗类型u，将其最近邻居v对目标指挥要素i的重要性评分进行加权求和，得到了u对i的重要性预测评分Pui，计算公式如下：
其中，sim(u,v)为战斗类型u和v根据前一阶段使用的余弦相似性度量方法计算出来的战斗类型相似性，Rvi为相似战斗任务v对指挥要素i的评分；
(4)产生过滤推荐，取前N个预测评分的指挥要素推荐给目标战斗类型，则构成新的目标战斗类型向量：
其中，为经过第一次协同过滤的目标战斗类型向量，M为目标战斗类型已运用的指挥要素数量，N为经过过滤推荐的指挥要素数量，两者相加为下一步过滤的基础指挥要素数量y，向量中任意I为一重过滤后的指挥要素。
上述还包括第七步，误差分析计算，其计算公式如下：
其中，通过预测得到的评分集合表示为{p1,p2,…,pn}，实际评分集合为{q1,q2,…,qn}；根据评分结果产生数据发送至反恐资源池，对预协同过滤和二阶段协同过滤进行修正，结束。
本发明通过面向反恐任务的多重协同过滤算法MCFM，算法首先通过预协同过滤P-CFA挖掘战斗类型与指挥信息要素的协同关系；而后将社会网络分析SNA的凝聚子群分析方法融入传统协同过滤算法中，用于改进相似性计算方法，有效解决了数据稀疏和冷启动问题，实现了反恐行动指挥要素信息精准、实时推送，提高了基于信息系统的在反恐作战能力。多重协同过滤算法能够较好的适应指控系统中指挥要素信息推送要求，能够一定程度上提高系统自主推荐效率和推荐准确性。本发明为不同类型的反恐战斗任务过滤出其可能需求的指挥要素数据，便于指挥员根据担负的战斗任务查找相关信息，解决了指挥员面对大量数据无从下手的问题，提高了反恐数据推送的效率；在反恐战斗中根据指挥员角色分别推送最需要的数据，解决了不同层级指挥员在同一场反恐战斗中对数据需求的差异性，提高了反恐数据推送的准确性。
附图说明
附图1为本发明的方法流程图。
附图2为本发明的相似性关系传递示意图。
附图3.1为本发明实施例2的目标指挥员副支队长的二阶可达关系网络示意图。
附图3.2为本发明实施例2的目标指挥员中队长的二阶可达关系网络示意图。
附图3.3为本发明实施例2的目标指挥员排长的二阶可达关系网络示意图。
附图4为本发明实施例2的参数β的影响示意图。
附图5为本发明实施例2的MCFM和IBCF算法比较示意图。
附图6为本发明实施例2的MCFM和IBCF算法效率比较示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1、2所示，该基于协同过滤的指挥要素自适应推送方法，包括以下步骤：
第一步，构建反恐资源池，存储记录反恐怖行动的综合实时更新数据；
第二步，构建基于战斗类型-指挥要素的预协同过滤并将计算结果发送至指挥员；
第三步，构建基于指挥员-指挥要素的二阶段协同过滤的评分矩阵，包括以下过程：
(1)采用“指挥员-指挥要素”构建二维m×n评分矩阵，其结构如下：
其中，T表示战斗任务，I表示指挥要素，m表示战斗任务T的数量，n表示指挥要素I的数量；
(2)根据指挥要素在战斗任务中的历史运用概率和反恐专家的重要性评分加权计算得到评分Rij，计算方法如以下公式所示：
xij为战斗任务Ti对指挥要素Ij的历史点击次数，∑xij为战斗任务Ti的总次数，xij/∑xij为战斗任务Ti运用指挥要素Ij的概率，yij为反恐专家对战斗任务Ti运用指挥要素Ij的重要性评分，分值yij∈(0,1)；ε1、ε2分别为指挥要素Ij在战斗任务Ti中的历史运用概率和反恐专家重要性评分的权值；
这里的ε1、ε2依据现阶段反恐作战现状和规律，利用AHP方法求解得到，∑εk为权值之和。评分矩阵中战斗任务Ti对指挥要素Ij的评分Rij∈(0,1)，分值越高代表在战斗任务Ti中指挥要素Ij的重要程度越高。
第四步，计算基于凝聚子集的指挥员之间的相似性，包括以下步骤：
(2)确定指挥员间的相似性并定义相关约束条件，具体定义如下：
a.定义指挥员间的相似关系
Csim＝κHie(u,v)+δArea(u,v)+ξTime(u,v) (2)
其中u、v分别表示指挥员u和v，变量κ、δ、ξ为权重系数，满足0≤κ、ξ、δ＜1且κ+ξ+δ＝1；这里的变量κ、δ、ξ分别影响指挥层级Hie(u，v)、指挥地域Area(u，v)、战斗时间Time(u,v)在相似性计算中的比重，本发明取κ＝ξ＝δ＝1/3；
b.对指挥层级、指挥地域和战斗时间的约束条件定义如下：
①指挥层级Hie(u，v)设置7级，分别对应总部、总队、支队、大队、中队、排、班，不同指挥层级的指挥关系公式如下：
其中，(0.1,0.2,0.3，0.4,0.6,0.8，1)表征7级隶属度的权重；
②指挥地域Area(u，v)表示指挥员u、v所处的战斗地域关系，公式如下：
其中，1表示处于同一战斗地域，0表示处于不同战斗地域，Areau表示指挥员u所处的战斗地域，Areav表示指挥员v所处的战斗地域；
③战斗时间Time(u,v)表示指挥员u、v发出请求的战斗时间关系，公式如下：
其中，1表示发出请求时处于同一战斗时段，0表示处于不同战斗时段；Timeu表示指挥员u的请求时段，Timev表示指挥员v的请求时段；
(2)根据公式(2)构建指挥员的相似性矩阵UUA，指挥员间的相似性关系传递采用相似性矩阵乘法进行度量，即UUA×UUA表示二步可达间接相似性关系，将矩阵运算后的二步可达间接相似性矩阵记做UU′，其中各元素UU′ij表示指挥员i与指挥员j的二步可达相似性，指挥员间的相似性为直接相似性与二步可达相似性之和，记为UUA，对相似性矩阵进行去量纲化，即
其中：UUA′ij表示经过标准差变换后的相似性，其均值为0，标准差为1；
(3)为确保UUA′ij在区间[0,1]内波动，进行标准差变换，公式如下：
其中，URij表示指挥员i与指挥员j的最终相似性，UR为最终相似性矩阵；
通过式(2)，可以构建起指挥员的相似性矩阵UUA。在附图2中，节点间的可达性一般采用矩阵乘法表示，由指挥员见得相似关系可知，目标指挥员与其他指挥员间的相似性由多条可达路径，即存在相似性传递关系，包括直接相似性与间接相似性，即在反恐怖行动中存在层级指挥与越级指挥关系，如附图2所示，在基于凝聚子群分析的相似性计算中，指挥员间的相似性关系传递可以用相似性矩阵乘法进行度量，即UUA×UUA表示二步可达间接相似性关系，基于SNA的2-派系间接关系研究理论，本发明只考虑指挥员间的二步可达间接相似性关系，二步可达间接相似性在这里表示越级指挥关系。将矩阵运算后的二步可达间接相似性矩阵记做UU′，其中各元素UU′ij表示指挥员i与指挥员j的二步可达相似性。因此，指挥员间的相似性应为直接相似性与二步可达相似性之和，记为UUA。
社会网络分析(SNA，Social Network Analysis)方法，是一种结构化分析方法，它通过提取社会成员中的关系模式，来挖掘社会网络的内在结构。凝聚子群分析是社会网络分析的重要研究方向。反恐怖行动的主体是指挥员，不同指挥员间指挥关系明确，指挥流程清晰，呈现出明显的层级化结构，随着战斗类型的日趋多样，指挥关系扁平化、网络化的结构趋势日趋明显。本发明利用具有较大理论价值和应用价值的凝聚子群对指挥员进行分类，其目的在于构建基于用户相似关系的凝聚子群。
第五步，基于改进修正余弦相似性的计算公式如下：
其中Ri,c和Rj,c分别表示指挥员i与指挥员j对于指挥要素信息C的评分，xi,c表示该类指挥要素的历史请求次数，yi,c为专家打分值，ε1、ε2为权重值，为了便于计算本发明取ε1＝ε2＝1/2；URij表示指挥员i与指挥员j的最终相似性；表示指挥员i与指挥员j对于指挥要素信息的评分均值；
这里相似性计算在协同过滤算法中至关重要，它决定推荐结果的准确性。通常用余弦相似性、Pearson相关系数和修正余弦相似性来表征。考虑到余弦相似性对评分尺度的一致性考虑存在缺陷，Pearson相关系数需要考虑样本间的相关系数等因素，本发明在预协同过滤中采用修正余弦相似性进行计算。
第六步，计算二阶段推荐过滤预测评分，给定阈值β，当指挥员间的相似性大于β时，确定指挥员为目标指挥员的邻居，其预测评分方法公式如下：
根据相似性计算公式(8)推导得出β∈(0,1)，根据公式(10)给出指挥员对于未使用指挥要素信息的评分，进而将评分靠前的M个指挥要素信息推送给该指挥员。这里的公式(8)是基于改进修正余弦相似性的计算，因此可以确定阈值β的取值范围。
本发明通过面向反恐任务的多重协同过滤算法MCFM，算法首先通过预协同过滤P-CFA挖掘战斗类型与指挥信息要素的协同关系；而后将社会网络分析SNA的凝聚子群分析方法融入传统协同过滤算法中，用于改进相似性计算方法，有效解决了数据稀疏和冷启动问题，实现了反恐行动指挥要素信息精准、实时的推送，提高了基于信息系统的反恐作战能力。多重协同过滤算法能够较好的适应指控系统中指挥要素信息推送要求，能够一定程度上提高系统自主推荐效率和推荐准确性。本发明为不同类型的反恐战斗任务过滤出其可能需求的指挥要素数据，便于指挥员根据担负的战斗任务查找相关信息，解决了指挥员面对大量数据无从下手的问题，提高了反恐数据推送的效率；在反恐战斗中根据指挥员角色分别推送最需要的数据，解决了不同层级指挥员在同一场反恐战斗中对数据需求的差异性，提高了反恐数据推送的准确性。
可根据实际需要，对上述基于协同过滤的指挥要素自适应推送方法作进一步优化或/和改进：
如附图1所示，在第二步中，基于战斗任务-指挥要素的预协同过滤包括以下步骤：
(1)构建战斗类型-指挥要素信息评分矩阵方法同上述第三步；
(2)计算修正余弦相似性，战斗任务对所有指挥要素的评分用一个n维的向量表示，向量中的第i个分量表示该战斗任务对第i个指挥要素的重要性评分，设目标战斗任务u的评分向量为战斗任务v的评分向量为则两个战斗类型之间的余弦相似性如下：
其中，Rui为目标战斗任务u对指挥要素i的重要性评分，Rvi为战斗任务v对指挥要素i的重要性评分，i∈(0,1－n)，战斗任务u和v之间的相似性等于它们评分向量之间的夹角余弦值，取值范围为[0,1]。选择相似性最大的K个战斗任务构成目标战斗任务的最近邻居集合。对于目标战斗任务u，最近邻居集合Nu＝{v1,v2,……,vK}，其中vi按照相似性sim(u,vi)(1≤i≤K)从大到小的顺序排列；
通过相似性计算，得到n×n阶的战斗任务相似性矩阵P，该矩阵是一个对称矩阵，矩阵中每个元素表示两个对应战斗任务之间的相似程度。由于每个任务与自身不计算相似性，所以矩阵对角线上的元素全部为0，将P中每行的相似性值进行降序排列。
根据“战斗类型-指挥要素”评分矩阵，计算战斗任务之间的相关性。在评分矩阵中，每一行代表每个战斗任务的评分向量，此处使用余弦相似度作为计算目标战斗任务与其他战斗任务之间相似性的度量方法。余弦相似度通过计算两个向量之间的夹角来描述两者之间的相关程度，夹角越小，代表两个向量越相似，夹角越大代表越不相似。
(3)“战斗类型-指挥要素”推荐预测计算，在与协同过滤中已经根据战斗类型相似性找到了目标战斗类型u的最近邻居集合Nu，则对于目标战斗类型u，将其最近邻居v对目标指挥要素i的重要性评分进行加权求和，得到了u对i的重要性预测评分Pui，计算公式如下：
其中，sim(u,v)为战斗类型u和v根据前一阶段使用的余弦相似性度量方法计算出来的战斗类型相似性，Rvi为相似战斗任务v对指挥要素i的评分；
(4)产生过滤推荐，取前N个预测评分的指挥要素推荐给目标战斗类型，则构成新的目标战斗类型向量：
其中，为经过第一次协同过滤的目标战斗类型向量，M为目标战斗类型已运用的指挥要素数量，N为经过过滤推荐的指挥要素数量，两者相加为下一步过滤的基础指挥要素数量y，向量中任意I为一重过滤后的指挥要素。
根据需要还包括第七步，误差分析计算，其计算公式如下：
其中，通过预测得到的评分集合表示为{p1,p2,…,pn}，实际评分集合为{q1,q2,…,qn}；根据评分结果产生数据发送至反恐资源池，对预协同过滤和二阶段协同过滤进行修正，结束。
实施例2：如附图3.1、3.2、3.3、4、5、6所示，两名恐怖分子在W市持枪劫持3名人质，驾驶一辆面包车企图冲撞ZS路临时检查路障，造成市区部分路段瘫痪，市民极度恐慌。该伙恐怖分子在受到交警围堵后逃窜至纺织厂大桥处，弃车进入附近居民楼，企图借助地形优势与警方对峙，情况十分危急。联指命令武警W市支队迅速向任务地区开进，并完成封控部署、现场处置和人质解救任务；支队根据情况通报，拟定由1、3中队各派出20名官兵处置此次任务，由副支队长担任总指挥。到达任务地域后，副支队长C、1中队长E和3中队排长F分别通过指挥终端向指挥中心请求任务相关数据，以便进一步拟定详尽作战计划；武警部队遂行任务中的基于协同过滤的指挥要素自适应推送方法，包括以下步骤：
第一步，从反恐数据资源池提取数据，数据包括记录了劫持人质、个体袭击、暴(骚)乱等15个反恐战斗样式，恐怖分子数量、装备、社情、天候、地形等的120个指挥要素，2300个指挥员对各指挥要素的请求12000次，以及专家根据请求次数和相关关系对指挥要素给出的评分记录20000条，评分分布在[0,5]的区间之内，评分越高说明指挥员在某种战斗样式下对特定指挥要素的需求越强。以上数据按照总部A、总队B、支队C、大队D、中队E、排F、班G，7个指挥层级分级存储。本发明所述算例中建立协同过滤矩阵、相关关系确定等数据均以此为基础计算，相关数据均经过脱密处理；
第二步，实验设计与结果分析，基于凝聚子集分析构建的指挥层级间的相似性关系网络如附图3.1、3.2、3.3所示；
其中Agent1-Agent7分别表示总部A、总队B、支队C、大队D、中队E、排F、班G7个指挥层级，各层级间采用双向箭头连接，表示其信息流是交互性的，其相似性指标Csim通过公式(2)进行计算，相似关系的二阶可达关系则通过矩阵相乘得到，最后根据公式(6)(7)进行去量纲化处理得到；
第三步，参数β影响试验，改变二阶段协同过滤中相似性判定参数β，取N1＝3，N2分别取10，20，30，通过仿真计算结果如附图4所示；由附图4可得出以下结论：
(a)在不同邻居个数N2下，随着β值的增大，推荐误差MAE的变化趋势基本一致；
(b)β＝0.3为最佳阈值，当β＜0.3时，误差随β值增大而减小，当β＞0.3时，误差与β正相关；
(c)相同β值下，误差与N2负相关，当N2大于20时增幅减小。为此，我们在实际应用中可取β＜0.3，N2＝20，从而保证在满足作战需求的条件下达到最高的推荐精度和推荐效率；通过观察该参数β对于本发明算法的影响，从而找到参数β的最佳值。
第四步，MCFM与IBCF推荐准确性比较试验
在第三步试验基础上(所涉及参数取最佳试验参数)，以传统基于项目的协同过滤算法(Item Based-CF)作为对照组进行对比试验，结果如附图5所示；
由附图5可知，本发明所提出的面向任务的多重协同过滤算法相较于传统基于项目的协同过滤算法，在不同指挥信息要素数目下，其推荐误差MAE都较小，可见本发明所提算法有效提高推荐精度，能够提高指控系统的信息传输和推送质量；
第五步，MCFM与IBCF推荐效率比较试验
选取不同指挥要素数目，以传统基于项目的协同过滤算法(Item Based-CF)作为对照组进行对比试验，结果如附图6所示；
由附图6可知，随着“邻居项目”即指挥信息数量的增加，传统基于项目的协同过滤算法平均运行时间急剧增加，而本发明所述面向任务的多重协同过滤算法运行时间相对稳定，且远低于传统算法；本发明提出的多重协同过滤算法高效稳定，能够适应不同规模数据下的检索、过滤、推荐，对于提高指控系统推荐效率作用显著。
第六步，推荐结果给指挥员，算法推荐结果为：
I副支队长＝{道路交通,地形,当地群众对事件反应情况}
I1中队长＝{地形,道路交通,可利用资源}
I3中队排长＝{地形,可利用资源,道路交通}
通过验证表明，本发明提出的多重协同过滤算法能够为不同级别指挥员指挥反恐战斗个性化推荐所需指挥要素的相关数据。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
- 还没有人留言评论。精彩留言会获得点赞！