基于无监督学习的地震速度谱自动拾取方法及装置与流程

1.本发明涉及油气勘探技术领域，尤其涉及一种基于无监督学习的地震速度谱自动拾取方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.众所周知，地震速度谱拾取是地震数据处理工作中一个非常重要的环节，拾取结果直接影响到地震成像的质量。地震速度谱人工拾取方法，一方面受处理员水平或人为主观影响，另一方面越来越不能满足用户对海量数据和高密度速度谱拾取处理周期的要求，近年来已经逐渐被地震速度谱自动拾取方法所替代。尤其是随着人工智能技术的不断发展，基于人工智能的地震速度谱自动拾取方法，引起了研究人员的广泛关注和油气服务公司的激烈竞争。
4.从广义上划分，地震速度谱自动拾取方法可分为两类：一类是早期的基于非线性反演的地震速度谱拾取方法，通过建立目标函数和约束条件，全局寻优求解最佳的t-v对位置；另一类是现代的基于人工智能的地震速度谱拾取方法。其中，基于人工智能的地震速度谱自动拾取方法又可分为两类：一类是基于有监督的深度学习，通过构建神经网络拓扑结构，利用采集的样本数据和制作的标签数据来训练神经网络模型，然后利用训练好的神经网络模型对地震速度谱进行自动拾取，这类方法存在的问题是人工制作标签数据仍会导致劳动密集，且容易受人为主观因素影响；另一类是基于无监督学习的聚类分析，通过设定聚类中心数量来自动确定速度能量团中心，这类方法存在的问题是无法准确设定随着空间变化的聚类中心数量。
5.针对上述问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例中提供了一种基于无监督学习的地震速度谱自动拾取方法，用以解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该方法包括：采集得到地震叠加速度谱；根据预设速度扫描走廊的最大参考叠加速度和最小参考叠加速度，对采集得到的地震叠加速度谱进行切除处理；对切除处理后的地震叠加速度谱进行归一化和阈值滤波处理，得到散点化后的地震叠加速度谱；沿时间方向，逐个时间采样点，执行如下步骤对散点化后的地震叠加速度谱进行叠加速度自动拾取：在每个时间采样点的主时空窗内构建具有重叠关系的第一子时空窗和第二子时空窗；采用带加权的k-mean算法，分别对第一子时空窗和第二子时空窗内的数据进行聚类，得到第一子时空窗和第二子时空窗的聚类中心；根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗的聚类中心。
7.本发明实施例中还提供了一种基于无监督学习的地震速度谱自动拾取装置，用以
解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该装置包括：叠加速度谱采集模块，用于采集得到地震叠加速度谱；数据切除处理模块，用于根据预设速度扫描走廊的最大参考叠加速度和最小参考叠加速度，对采集得到的地震叠加速度谱进行切除处理；数据散点化处理模块，用于对切除处理后的地震叠加速度谱进行归一化和阈值滤波处理，得到散点化后的地震叠加速度谱；叠加速度谱自动拾取模块，包括：子时空窗构建模块、子时空窗聚类中心确定模块和主时空窗聚类中心确定模块，用于沿时间方向，逐个时间采样点，执行子时空窗构建模块、子时空窗聚类中心确定模块和主时空窗聚类中心确定模块的功能，以对散点化后的地震叠加速度谱进行叠加速度自动拾取；其中，子时空窗构建模块，用于在每个时间采样点的主时空窗内构建具有重叠关系的第一子时空窗和第二子时空窗；子时空窗聚类中心确定模块，用于采用带加权的k-mean算法，分别对第一子时空窗和第二子时空窗内的数据进行聚类，得到第一子时空窗和第二子时空窗的聚类中心；主时空窗聚类中心确定模块，用于根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗的聚类中心。
8.本发明实施例中还提供了一种计算机设备，用以解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在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上述基于无监督学习的地震速度谱自动拾取方法。
9.本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该计算机可读存储介质存储有执行上述基于无监督学习的地震速度谱自动拾取方法的计算机程序。
10.本发明实施例中，将整个速度谱为基本数据单位的聚类分析改为沿时间方向滑动的主时空窗内的数据的聚类分析，对于某一时刻没有能量团、存在反射波和多次波两个能量团以及存在弥散的有效波能量团的客观现实，在主时空窗内再沿空间(速度)方向划分为两个重叠的子时空窗并对窗内数据聚类分析，通过对对速度谱(能量或相似系数)进行归一化和阈值滤波，使得速度谱散点化，并采用带加权的k-mean算法，分别对两个子时空窗内的数据进行聚类，估算每个子时空窗内散点的聚类中心，进而根据两个子时空窗内散点的聚集中心确定每一时刻是否存在聚聚中心以及聚集中心位置。
11.本发明实施例，能够自适应确定速度谱能量团中心，采用局部散点聚类分析，无需设定全局的聚集中心数量，且遵守了某一时刻没有能量团、存在反射波和多次波两个能量团以及存在弥散的有效波能量团的客观现实；采用能量权重的k-mean算法，能够使得速度谱自动拾取结果更可靠。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
13.图1为本发明实施例中提供的一种基于无监督学习的地震速度谱自动拾取方法流
程图；
14.图2为本发明实施例中提供的速度扫描走廊、主时空窗和子时空窗示意图；
15.图3为本发明实施例中提供的切除前的叠加速度能量谱(左)和相似系数谱(右)示意图；
16.图4为本发明实施例中提供的切除后的叠加速度能量谱(左)和相似系数谱(右)示意图；
17.图5为本发明实施例中提供的归一化和阈值滤波后的叠加速度能量谱(左)和相似系数谱(右)示意图；
18.图6为本发明实施例中提供的第一子时空窗(左)和第二子时空窗(右)的叠加速度自动拾取结果示意图；
19.图7为本发明实施例中提供的将第一子时空窗和第二子时空窗的叠加速度自动拾取结果进行叠合显示的示意图；
20.图8为本发明实施例中提供的叠合显示的最终的叠加速度自动拾取结果与叠加速度谱示意图；
21.图9为本发明实施例中提供的按80个cmp间隔连续显示的4个cmp道集的叠加速度自动拾取结果示意图；
22.图10为本发明实施例中提供的按80个cmp间隔连续叠合显示的4个cmp道集的叠加速度自动拾取结果与叠加速度谱示意图；
23.图11为本发明实施例中提供的一种基于无监督学习的地震速度谱自动拾取装置示意图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
25.本发明实施例中提供了一种基于无监督学习的地震速度谱自动拾取方法，不仅能够适用于2d和3d偏移前地震数据的cmp道集的叠加速度谱自动拾取，而且对2d和3d偏移后地震数据的crp道集的均方根速度谱自动拾取具有良好的应用前景。
26.图1为本发明实施例中提供的一种基于无监督学习的地震速度谱自动拾取方法流程图，如图1所示，该方法包括如下步骤：
27.s101，采集得到地震叠加速度谱；
28.s102，根据预设速度扫描走廊的最大参考叠加速度和最小参考叠加速度，对采集得到的地震叠加速度谱进行切除处理。
29.在一个实施例中，本发明实施例中提供的地震速度谱自动拾取方法，通过如下公式(1)，对采集得到的地震叠加速度谱进行切除处理：
[0030][0031]
其中，q表示切除后的地震叠加速度谱；p表示切除前的地震叠加速度谱；t
i
和v
j
分别表示反射波在零炮检距时的双程履行时和叠加速度；j表示沿地震速度谱速度方向的采
样点的序号；i表示沿地震速度谱时间方向的采样点的序号；v
max
表示速度扫描走廊的最大参考叠加速度；v
min
表示速度扫描走廊的最小参考叠加速度。
[0032]
s103，对切除处理后的地震叠加速度谱进行归一化和阈值滤波处理，得到散点化后的地震叠加速度谱；
[0033]
在一个实施例中，本发明实施例中提供的地震速度谱自动拾取方法，通过如下公式(2)和(3)，对切除处理后的地震叠加速度谱进行归一化处理：
[0034][0035]
其中，
[0036][0037]
其中，q
norm
表示归一化后的地震叠加速度谱；q
max
表示切除后的地震叠加速度的最大值；n和m分别表示沿时间方向和速度方向的总采样点数。
[0038]
进一步地，本发明实施例中提供的地震速度谱自动拾取方法，通过如下公式(4)和(5)，对归一化处理后的地震叠加速度谱进行阈值滤波处理：
[0039][0040]
其中，
[0041][0042]
其中，q
sc
表示阈值滤波后的地震叠加速度；q
av
表示归一化后地震叠加速度的均值；r
s
表示按均值百分比计量的阈值滤波的阈值点；k表示归一化后地震叠加速度的总采样点数。
[0043]
s104，沿时间方向，逐个时间采样点，执行s1041～s1043对散点化后的地震叠加速度谱进行叠加速度自动拾取：
[0044]
s1041，在每个时间采样点的主时空窗内构建具有重叠关系的第一子时空窗和第二子时空窗。
[0045]
在一个实施例中，本发明实施例中提供的地震速度谱自动拾取方法，可以通过如下公式(6)～(12)，在主时空窗ω内构建具有重叠关系的第一子时空窗ω1(v1,v2；t1,t2)和第二子时空窗ω2(v3,v4；t1,t2)：
[0046]
v1＝v
min
(t
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0047]
v4＝v
max
(t
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0048]
t1＝t
i-l
w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0049]
t2＝t
i
+l
w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0050][0051]
[0052][0053]
其中，t
i
表示时间采样点；t1表示第一子时空窗或第二子时空窗沿时间方向的起始点；t2表示第一子时空窗或第二子时空窗沿时间方向的终止点；v1表示第一子时空窗沿速度方向的起始点；v2表示第一子时空窗沿速度方向的终止点；v3表示第二子时空窗沿速度方向的起始点；v4表示第二子时空窗沿速度方向的终止点；v
m
表示主时空窗内沿速度方向的中点；r
w
表示第一子时空窗和第二子时空窗沿速度方向的重叠比例；l
w
表示主时空窗沿时间方向的半个时窗长度。
[0054]
s1042，采用带加权的k-mean算法，分别对第一子时空窗和第二子时空窗内的数据进行聚类，得到第一子时空窗和第二子时空窗的聚类中心。
[0055]
在具体实施时，通过如下公式(13)～(17)计算第一子时空窗的聚类中心：
[0056][0057][0058][0059][0060][0061]
在具体实施时，通过如下公式(18)～(22)计算第二子时空窗的聚类中心：
[0062][0063][0064][0065][0066][0067]
其中，t
c1
和v
c1
分别表示第一子时空窗内聚类中心的时间和速度坐标值；t
c2
和v
c2
分别表示第二子时空窗内聚类中心的时间和速度坐标值；s
o1
、s
t1
、s
v1
、s
o2
、s
t2
和s
v2
表示计算过程中的中间值；q
sc
表示阈值滤波后的地震叠加速度；t
k
和v
l
分别表示位于第一子时空窗或第二子时空窗内的点的时间和速度坐标值；k表示；l表示；c表示不存在聚类中心的正常数。
[0068]
需要说明的是，本发明实施例中采用带有能量权重的k-mean算法，能够使得速度谱自动拾取结果更可靠。
[0069]
s1043，根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗
的聚类中心。
[0070]
在一个实施例中，本发明实施例中提供的地震速度谱自动拾取方法，可以通过如下公式(23)和(24)根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗的聚类中心：
[0071]
t
c
＝t
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0072][0073]
其中，t
c
和v
c
分别表示主时空窗内聚类中心的时间和速度坐标值；t
i
表示沿时间方向的第i个采样点。
[0074]
本发明实施例中提供的基于无监督学习的地震速度谱自动拾取方法，在具体实施时，包括：
[0075]
1)采集得到地震叠加速度(能量或相似系数)谱p(t
i
,v
j
)i＝1,2,...,n；j＝1,2,...,m，图3示出了本发明实施例中提供的切除前的叠加速度能量谱(左)和相似系数谱(右)。
[0076]
2)采集得到用户給定的速度扫描走廊的最小参考叠加速度v
min
和最大参考叠加速度v
max
。速度扫描走廊、最小参考叠加速度和最大参考叠加速度如图2所示。
[0077]
3)采集得到用户给定的主时空窗在时间方向的半个时窗长度l
w
以及在主时空窗内的两个子时空窗在速度方向的重叠比例r
w
。半个时窗长度如图2所示。
[0078]
4)采集得到用户给定的按均值百分比计量的阈值滤波的阈值点r
s
。
[0079]
5)以cmp顺序，按步骤6)～13)逐个cmp完成叠加速度谱自动拾取。
[0080]
6)通过上述公式(1)对叠加速度谱进行切除。切除后的叠加速度谱如图4所示。
[0081]
7)通过上述公式(3)求取切除后的叠加速度的最大值，并通过上述公式(2)作归一化处理。
[0082]
8)通过上述公式(5)求取归一化的叠加速度的均值，并通过上述公式(4)作阈值滤波，使叠加速度谱散点化。归一化和阈值滤波后的叠加速度谱如图5所示。
[0083]
9)在时间方向，按10)～13)逐点进行叠加速度自动拾取。
[0084]
10)对时间采样点t
i
，通过上述公式(6)～(12)，在主时空窗ω内构建具有重叠关系的第一子时空窗ω1(v1,v2；t1,t2)和第二子时空窗ω2(v3,v4；t1,t2)。主时空窗ω和子时空窗ω1(v1,v2；t1,t2)和ω2(v3,v4；t1,t2)如图2所示。
[0085]
11)在第一子时空窗ω1(v1,v2；t1,t2)内，通过上述公式(13)～(17)采用带加权的k-mean算法计算ω1(v1,v2；t1,t2)的聚集中心。基于第一子时空窗的叠加速度自动拾取结果如图6中左图所示的曲线，以及图7中左图所示的左边曲线。
[0086]
12)在第二子时空窗ω2(v3,v4；t1,t2)内，通过上述公式如下公式(18)～(22)采用带加权的k-mean算法计算第二子时空窗ω2(v3,v4；t1,t2)的聚类中心。基于第二子时空窗的叠加速度自动拾取结果如图6中右图所示的曲线，以及图7中左图所示的右边曲线。
[0087]
13)忽略t
c1
和t
c2
的差异，通过上述公式(23)和(24)计算主时空窗的聚类中心。图7中右图所示为一叠加速度谱的自动拾取结果，图8所示该拾取结果与叠加速度谱的叠合显示。图9为间隔为80个cmp点的连续4个叠加速度谱的自动解释结果。图10为间隔为80个cmp点的连续4个叠加速度谱的自动解释结果与叠加速度谱的叠合显示。
[0088]
基于同一发明构思，本发明实施例中还提供了一种基于无监督学习的地震速度谱自动拾取装置，如下面的实施例所述。由于该装置解决问题的原理与基于无监督学习的地震速度谱自动拾取方法相似，因此该装置的实施可以参见基于无监督学习的地震速度谱自动拾取方法的实施，重复之处不再赘述。
[0089]
图11为本发明实施例中提供的一种基于无监督学习的地震速度谱自动拾取装置示意图，如图11所示，该装置包括：叠加速度谱采集模块11、数据切除处理模块12、数据散点化处理模块13和叠加速度谱自动拾取模块14，其中，叠加速度谱自动拾取模块14包括：子时空窗构建模块141、子时空窗聚类中心确定模块142和主时空窗聚类中心确定模块143。
[0090]
其中，叠加速度谱采集模块11，用于采集得到地震叠加速度谱；数据切除处理模块12，用于根据预设速度扫描走廊的最大参考叠加速度和最小参考叠加速度，对采集得到的地震叠加速度谱进行切除处理；数据散点化处理模块13，用于对切除处理后的地震叠加速度谱进行归一化和阈值滤波处理，得到散点化后的地震叠加速度谱；叠加速度谱自动拾取模块14，用于沿时间方向，逐个时间采样点，执行子时空窗构建模块141、子时空窗聚类中心确定模块142和主时空窗聚类中心确定模块143的功能，以对散点化后的地震叠加速度谱进行叠加速度自动拾取；
[0091]
其中，子时空窗构建模块141，用于在每个时间采样点的主时空窗内构建具有重叠关系的第一子时空窗和第二子时空窗；子时空窗聚类中心确定模块142，用于采用带加权的k-mean算法，分别对第一子时空窗和第二子时空窗内的数据进行聚类，得到第一子时空窗和第二子时空窗的聚类中心；主时空窗聚类中心确定模块143，用于根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗的聚类中心。
[0092]
在一个实施例中，本发明实施例中提供的基于无监督学习的地震速度谱自动拾取装置中，数据切除处理模块12用于通过上述公式(1)，对采集得到的地震叠加速度谱进行切除处理。
[0093]
在一个实施例中，本发明实施例中提供的基于无监督学习的地震速度谱自动拾取装置中，数据散点化处理模块13用于通过上述公式(2)和(3)对切除处理后的地震叠加速度谱进行归一化处理；并通过上述公式(4)和(5)对归一化处理后的地震叠加速度谱进行阈值滤波处理。
[0094]
在一个实施例中，本发明实施例中提供的基于无监督学习的地震速度谱自动拾取装置中，子时空窗构建模块141用于通过上述公式(6)～(12)，在主时空窗内构建具有重叠关系的第一子时空窗和第二子时空窗。
[0095]
在一个实施例中，本发明实施例中提供的基于无监督学习的地震速度谱自动拾取装置中，子时空窗聚类中心确定模块142用于通过上述公式(13)～(17)计算第一子时空窗的聚类中心；通过上述公式(18)～(22)计算第二子时空窗的聚类中心。
[0096]
在一个实施例中，本发明实施例中提供的基于无监督学习的地震速度谱自动拾取装置中，主时空窗聚类中心确定模块143用于通过上述公式(23)和(24)根据主时空窗内第一子时空窗和第二子时空窗的聚类中心，确定主时空窗的聚类中心。
[0097]
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计
算机程序，所述处理器执行所述计算机程序时实现上述基于无监督学习的地震速度谱自动拾取方法。
[0098]
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于无监督学习的地震速度谱自动拾取方法，无法准确设定随着空间变化的聚类中心数量的技术问题，该计算机可读存储介质存储有执行上述基于无监督学习的地震速度谱自动拾取方法的计算机程序。
[0099]
综上所述，本发明实施例中提供了一种基于无监督学习的地震速度谱自动拾取方法、装置、计算机设备及计算机可读存储介质，将整个速度谱为基本数据单位的聚类分析改为沿时间方向滑动的主时空窗内的数据的聚类分析，对于某一时刻没有能量团、存在反射波和多次波两个能量团以及存在弥散的有效波能量团的客观现实，在主时空窗内再沿空间(速度)方向划分为两个重叠的子时空窗并对窗内数据聚类分析，通过对对速度谱(能量或相似系数)进行归一化和阈值滤波，使得速度谱散点化，并采用带加权的k-mean算法，分别对两个子时空窗内的数据进行聚类，估算每个子时空窗内散点的聚类中心，进而根据两个子时空窗内散点的聚集中心确定每一时刻是否存在聚聚中心以及聚集中心位置。
[0100]
通过本发明实施例，能够自适应确定速度谱能量团中心，采用局部散点聚类分析，无需设定全局的聚集中心数量，且遵守了某一时刻没有能量团、存在反射波和多次波两个能量团以及存在弥散的有效波能量团的客观现实；采用能量权重的k-mean算法，能够使得速度谱自动拾取结果更可靠。
[0101]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0102]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0104]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0105]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保
护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。