1.本发明涉及电网实时调度
技术领域：
：，具体为一种基于深度神经网络的电网实时调度智能语音交互系统。
背景技术：
：：2.电网调度是转换设备运行状态、调整电网运行参数乃至改变电网运行方式的重要手段，合理的调度操作是电网安全、经济运行的重要保障。各级调度人员在进行调度操作时，对电网当前运行状态的任何分析以及对调度操作的任何决策都将对电网的安全生产产生不同程度的影响。然而，随着电力工业的不断发展，电工技术的不断革新以及分布式能源不断接入电网，我国电网规模变得日益庞大，电网结构变得日益复杂，系统的随机性也变得日益明显，电网运行的不确定性也越来越强，这些都对调度人员进行安全有效的电网调度带来了越来越严峻的考验。3.电网实时调度时，调度人员直接面对大量的电网运行数据，其调度决策往往过分依赖其工作经验的数据分析能力，增加了调度人员的工作难度，且具有潜在的调度操作失误的风险因素。技术实现要素：4.本发明的目的在于提供一种基于深度神经网络的电网实时调度智能语音交互系统，以解决上述
背景技术：
：中提出的电网实时调度时，调度人员直接面对大量的电网运行数据，其调度决策往往过分依赖其工作经验的数据分析能力，增加了调度人员的工作难度，且具有潜在的调度操作失误的风险因素的问题。5.为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络的电网实时调度智能语音交互系统，包括应用层、平台层和数据层，所述应用层基于智能交互及语音技术，实现对调度指令及意图的识别、对各业务系统数据的查询、页面的调用以及自动生成相关报表，所述平台层根据业务应用需要，提供相关的服务支撑，所述应用层包括基础引擎、智能交互平台和智能语音平台，所述数据层根据业务应用需求，从外部系统接入业务数据或功能调用，为相关应用展示做支撑，同时存储相关应用产生的业务数据，所述数据层包括模型数据、运行数据、实时数据、报表数据、文档数据。6.优选的，所述应用层还包括调度助手，所述调度助手包括值班助手、智能搜索和智能报表。7.优选的，所述基础引擎包括工作流引擎、通用报表、数据交换引擎、系统安全引擎、系统消息中心，所述智能交互平台包括意图管理、会话管理、友好提示、自然语音引擎、操作代理引擎，所述智能语音平台包括语音识别、语音合成、语音训练、语音唤醒和调控语音知识库。8.优选的，所述语音识别将用户语音信息实时转换成文字，通过建立电力专业词汇库、特定声调库，基于深度神经网络的建模方法，采用基于wfst动静态结合的viterbi解码技术，搭建调控语音辨识模块。9.优选的，所述意图管理包括基于文本编辑距离的意图识别及基于文本向量模型的意图识别，所述意图管理一方面是在原有的关键字匹配方式基础完成语料配置功能，提高语料的覆盖率，达到提高意识识别的效果；另一方面是采用收集大量查询例句及业务知识进行训练，构建电力业务词典，在此基础上，分别基于前向和后向最长匹配分词算法构建分词网格，从网格中搜索出最佳分词路径，提升语义理解的准确率，从而实现了对调度用语意图的准确提取与解析，保障人机交互的顺畅性与高效性。10.优选的，所述基于文本编辑距离的意图识别是通过计算输入文本与语料文本的编辑距离大小来判断文本之间的相似度进而实现意图识别功能，并可以通过设置阀值的方式来设置识别的灵敏度，字符串的编辑距离，又称为levenshtein距离，是指利用字符操作，把字符串a转换成字符串b所需要的最少操作数，其中，字符操作包括：删除一个字符、插入一个字符和修改一个字符，算法过程如下：11.step1:str1或str2的长度为0返回另一个字符串的长度；12.step2:初始化(n+2)(m+2)的矩阵d，并让第2行和第2列的值从0开始增长，扫描两字符串(字符串长度分别为n、m)，如果：str1[i]＝str2[j]，用temp记录它为0，否则temp记为1，然后在矩阵d[i,j]赋于d[i‑1,j]+1、d[i,j‑1]+1、d[i‑1,j‑1]+temp三者的最小值；[0013]step3:扫描完后，返回矩阵的最后一个值d[n+1][m+1]即是它们的距离，该两个字符串之间的相似度为：[0014][0015]优选的，所述基于文本向量模型的意图识别根据文本向量模型对用户输入语句与语料例句进行语义相似度计算，获得用户输入语句在语义上最相似的语料例句，进而实现对用户输入语句的意图识别。[0016]与现有技术相比，本发明的有益效果是：[0017]1)通过智能交互平台实现对各种应用场景功能支撑，整合多场景语音交互所需的语料、意图，基于机器学习开发可扩展的多轮对话引擎，实现语义精准理解、意图精确识别、场景无缝切换的智能化对话管理，为多种应用场景提供支撑；[0018]2)通过意图管理将意图识别优化，从两个方面开展优化提升，一方面是在原有的关键字匹配方式基础完成语料配置功能，提高语料的覆盖率，达到提高意识识别的效果；另一方面是采用收集大量查询例句及业务知识进行训练，构建电力业务词典，在此基础上，分别基于前向和后向最长匹配分词算法构建分词网格，从网格中搜索出最佳分词路径，提升语义理解的准确率，从而实现了对调度用语意图的准确提取与解析，保障人机交互的顺畅性与高效性；[0019]3)通过本发明进行人机交互，降低了调度人员的工作难度，减小人为调度操作失误的机率。附图说明[0020]图1为本发明系统构架图；[0021]图2为本发明应用层构架图；[0022]图3为本发明平台层构架图；[0023]图4为本发明数据层构架图；[0024]图5为本发明系统功能模块图；[0025]图6为本发明系统硬件构架图；[0026]图7为本发明意图识别原理图；[0027]图8为本发明模型结构图；[0028]图9为本发明神经网络模型结构示意图；[0029]图10为本发明词向量模型图；[0030]图11为本发明多意图切换原理图；[0031]图12为本发明多轮对话原理图；[0032]图13为本发明入口节点对话流示意图；[0033]图14为本发明对话流示意图；[0034]图15为本发明交互友好提升原理图；[0035]图16为本发明逻辑处理功能过程示意图。具体实施方式[0036]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0037]在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。[0038]在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。[0039]实施例：[0040]请参阅图1‑16，本发明提供一种技术方案：一种基于深度神经网络的电网实时调度智能语音交互系统，包括应用层、平台层和数据层，所述应用层基于智能交互及语音技术，实现对调度指令及意图的识别、对各业务系统数据的查询、页面的调用以及自动生成相关报表，所述平台层根据业务应用需要，提供相关的服务支撑，所述应用层包括基础引擎、智能交互平台和智能语音平台，所述数据层根据业务应用需求，从外部系统接入业务数据或功能调用，为相关应用展示做支撑，同时存储相关应用产生的业务数据，所述数据层包括模型数据、运行数据、实时数据、报表数据、文档数据，系统硬件构架如图6所示，包括2台部署应用服务器、2台部署数据库服务器、2台数据语音识别服务器、2台部署语音合成服务器、1台部署语音训练服务器，系统外部接口支持业务数据查询和页面调阅的两种方式，业务数据查询是通过数据接口获取到相关业务数据，然后通过简单计算后将结果值进行展示，如：查询某地区电力电量、负荷等，页面调阅是通过页面调用接口来调用第三方业务系统页面进展展示，如：调控云服务卡片、oms系统页面等，在调用第三方页面时，第三方系统必须是在三区有相关wbe页面，同时具备权限统一认证功能。[0041]所述应用层还包括调度助手，调度助手包括值班助手、智能搜索和智能报表，所述智能报表基于d5000及oms系统。[0042]所述基础引擎包括工作流引擎、通用报表、数据交换引擎、系统安全引擎、系统消息中心，所述智能交互平台包括意图管理、会话管理、友好提示、自然语音引擎、操作代理引擎，所述智能语音平台包括语音识别、语音合成、语音训练、语音唤醒和调控语音知识库。[0043]工作流引擎的核心调度算法是fsm(有限状态机)，包含一组状态集(states)、一个起始状态(startstate)、一组输入符号集(alphabet)、一个映射输入符号和当前状态到下一状态的转换函数(transitionfunction)的计算模型。当输入符号串，模型随即进入起始状态。它要改变到新的状态，依赖于转换函数。在有限状态机中，会有许多变量，例如，状态机有很多与动作(actions)转换(mealy机)或状态(摩尔机)关联的动作，多重起始状态，基于没有输入符号的转换，或者指定符号和状态(非定有限状态机)的多个转换，指派给接收状态(识别者)的一个或多个状态。工作流引擎包括控制模型、参与者模型、资源模型、执行模型、完成模型五大模型。[0044]数据交换引擎完成跨平台异构应用系统的数据共享和集成，让已有的多种应用系统无缝的集成起来，在具备架构的可靠性的同时有足够的灵活性和可扩展性以满足不断增长的新需求，实现应用系统的快速构建迁移、伸缩和集成是满足不断变化的市场的迫切需求。[0045]用户的身份认证与权限管理是系统安全的重要一环，为确保系统访问的安全性，提供了一个统一的多层次的身份认证和权限管理机制，支持用户身份、用户属性、用户组、用户角色、用户策略、授权和权限委托等功能的管理，为统一权限管理系统提供底层支持，从而为应用系统建立一个高安全强度，易于维护管理，扩展能力强的访问控制环境。[0046]调控语音知识库通过对已获取的上万小时调控录音数据进行分析处理，对tb量级文本数据进行语音标注，结合日常调控使用下令用户及相关规定、规范形成一个完善的电力专业词汇语音知识库库，给下一步的语音辨识提供支撑，保证语音辨识的准确性。通过对已经获取的调控录音进行转写与聚类分析，对大量的已有文本数据进行聚类分析，分析出日常调控的常用专业术语等，再反向用大量的文本内容去训练语音识别的语言模型，在一定程度上再提高语音识别的准确率。[0047]意图管理具有多意图切换功能，如图11所示，在人机交互过程中，用户在一次对话中往往会现临时询问，该询问与本次对话无关的内容，然后结束后又回到第一次对话的内容中来，再次突然表达出多个意图询问的情况。该情况下，系统通过多意图切换功能，保障人机交互的顺畅性。[0048]所述语音识别将用户语音信息实时转换成文字，通过建立电力专业词汇库、特定声调库，基于深度神经网络的建模方法，采用基于wfst动静态结合的viterbi解码技术，搭建调控语音辨识模块。[0049]所述意图管理包括基于文本编辑距离的意图识别、基于文本向量模型的意图识别，所述意图管理一方面是在原有的关键字匹配方式基础完成语料配置功能，提高语料的覆盖率，达到提高意识识别的效果；另一方面是采用收集大量查询例句及业务知识进行训练，构建电力业务词典，在此基础上，分别基于前向和后向最长匹配分词算法构建分词网格，从网格中搜索出最佳分词路径，提升语义理解的准确率，从而实现了对调度用语意图的准确提取与解析，保障人机交互的顺畅性与高效性。[0050]用户通过对话的形式与系统进行交互过程中，系统能从复杂的文字中提取关键信息，记录用户已经输入的关键信息，当语音中包含的语料信息不全时，在后续的交互中可以提示用户输入余下的关键信息，使得人机对话过程更接近人与人的对话；从而实现了“上下文记忆能力,交互过程更为人性化”。当语音中包含的语料信息不全时，应提示残缺信息，对同一话题可以不少于三次的会话交互。[0051]单轮对话难以准确理解用户需求的时候，为了方便合理的设计多轮对话，推出了填槽对话的功能，通过设置语义槽是否必填。在实际的用户场景中，用户可能不会在一次交互中提供所有必须需要的信息。所以需要在后面的交互中向用户发起追问，让用户提供更多的信息，以完成后续的操作，如图12所示。对话流配置完成后引擎加载配置信息，通过入口节点启动一个对话流实例，按照预先配置的业务流程进行人机对话完成业务工作。整个过程包括入口节点、语义理解节点、线上条件、结束节点等处理。[0052]入口节点：仅仅起标识作用，是整个对话流的开始，如图13所示；[0053]语义理解节点：接收来自用户的文本输入请求，进行语义理解得到用户意图，并调用相应接口进行业务处理，返回处理结果用于后面的分支执行；[0054]线上条件：根据语义理解结节执行后的返回结果进行线上条件判断最终决定执行哪条分支；[0055]结束节点：对整个对话流实例进行归档将状态设置为完成，如图14所示。[0056]目前调度语音助手交互友好程度不够，在未查到内容或未命中语料或意图时，提示与太过单一，只会提示“我无法理解”，将从以下几个方面进行提升：[0057](1)查询数据或调用其他功能失败时，系统直接反馈失败原因，如：未找到对应数据或功能调用异常等；[0058](2)用户在使用过程中，如果出现无法识别意图或语料时，系统会推送相关例句的方式，引导用户完成本次使用，提高交互过程中的流畅性；[0059](3)提供查询全部功能清单功能，让用户了解助手已有功能，降低使用门槛；[0060](4)多技能适配。[0061]当需要满足不同场景的需求时可以通过配置技能的方式实现，如oms系统、供服系统、操作票系统都需要使用交互功能，就可以通过技能来隔离彼此的意图配置达到支撑多应用场景的需求，如图15所示。[0062]通过对用户输入的自然语言搜索语句经过一系列分词，语法分析，语法树生成，语义分析，错误诊断，歧义消解，语义转述等处理步骤，最后生成查询模型，对目标业务数据库进行查询，输出结果返回给用户。逻辑处理功能过程如图16所示。[0063]根据用户提供的报表需求及报表格式，通过帆软报表软件完成报表的新增和更新，并同时建立索引，支持快速搜索。基于智能交互及语音平台，用户可通过语音下达报表查询指令，系统识别并理解指令意图，从报表库中快速检索目标报表内容并向用户推送。[0064]所述基于文本编辑距离的意图识别是通过计算输入文本与语料文本的编辑距离大小来判断文本之间的相似度进而实现意图识别功能，并可以通过设置阀值的方式来设置识别的灵敏度，字符串的编辑距离，又称为levenshtein距离，是指利用字符操作，把字符串a转换成字符串b所需要的最少操作数，其中，字符操作包括：删除一个字符、插入一个字符和修改一个字符，算法过程如下：[0065]step1:str1或str2的长度为0返回另一个字符串的长度；[0066]step2:初始化(n+2)(m+2)的矩阵d，并让第2行和第2列的值从0开始增长，扫描两字符串(字符串长度分别为n、m)，如果：str1[i]＝str2[j]，用temp记录它为0，否则temp记为1，然后在矩阵d[i,j]赋于d[i‑1,j]+1、d[i,j‑1]+1、d[i‑1,j‑1]+temp三者的最小值；[0067]step3:扫描完后，返回矩阵的最后一个值d[n+1][m+1]即是它们的距离，该两个字符串之间的相似度为：[0068][0069]举例：计算“查询西南最大负荷”和“查询昨日最大负荷”的编辑距离。[0070]先创建一个10×10的表(两个字符串长度都为8，各加2),并在如下位置填入相应数字，如下表：[0071]ꢀꢀ查询西南最大负荷012345678查1ꢀꢀꢀꢀꢀꢀꢀꢀ询2ꢀꢀꢀꢀꢀꢀꢀꢀ昨3ꢀꢀꢀꢀꢀꢀꢀꢀ日4ꢀꢀꢀꢀꢀꢀꢀꢀ最5ꢀꢀꢀꢀꢀꢀꢀꢀ大6ꢀꢀꢀꢀꢀꢀꢀꢀ负7ꢀꢀꢀꢀꢀꢀꢀꢀ荷8ꢀꢀꢀꢀꢀꢀꢀꢀ[0072]从行3,列3格开始，开始计算。取以下三个值的最小值：[0073](1)如果最上方的字符等于最左方的字符，则为左上方的数字。否则为左上方的数字+1。(对于行3,列3格来说为0)[0074](2)左方数字+1(对于行3,列3格来说为2)[0075](3)上方数字+1(对于行3,列3格来说为2)[0076]循环以上操作，填充其他格中的数据，推出下表：[0077][0078][0079]取右下角d[9][9]的值，得编辑距离为2。即两个字符串之间的相似度为：[0080][0081]所述基于文本向量模型的意图识别根据文本向量模型对用户输入语句与语料例句进行语义相似度计算，获得用户输入语句在语义上最相似的语料例句，进而实现对用户输入语句的意图识别。[0082]基于关键字匹配的意图识别存在一定的局限性，当用户输入语句表述某一意图未包含相关意图的关键字时，通过关键字匹配将很难识别正确意图，为了进一步提高意图识别的准确率，使用基于文本向量模型的意图识别，文本向量模型是基于词向量，将一个文本转换成向量的模型(词袋模型)。该方法根据文本向量模型对用户输入语句与前面配置的语料例句进行语义相似度计算，获得用户输入语句在语义上最相似的语料例句，进而实现对用户输入语句的意图识别，如图7所示：[0083]词向量模型训练过程如下：[0084]传统的语言模型中词的表示是原始的、面向字符串的。两个语义相似的词的字符串可能完全不同，比如“番茄”和“西红柿”。这给所有nlp任务都带来了挑战：字符串本身无法储存语义信息。神经概率语言模型(neuralprobabilisticlanguagemodel)中词的表示是向量形式、面向语义的。两个语义相似的词对应的向量也是相似的，具体反映在夹角或距离上，甚至一些语义相似的二元词组中的词语对应的向量做线性减法之后得到的向量依然是相似的，词的向量表示可以显著提高传统nlp任务的性能。[0085]词向量具有良好的语义特性，是表示词语特征的常用方式。词向量的每一维的值代表一个具有一定的语义和语法上解释的特征。故可以将词向量的每一维称为一个词语特征。词向量用distributedrepresentation表示，一种低维实数向量。其特点是将词语的不同句法和语义特征分布到它的每一个维度上去表示，能够解决one‑hotrepresentation采用稀疏矩阵表示词的方式在解决某些任务时会造成维数灾难问题。即词向量的两个优点：[0086]1)降低输入的维度。词向量的维度一般取100‑200，对于大样本时的one‑hot向量甚至可能达到10000以上。[0087]2)增加语义信息。两个语义相近的单词的词向量也是很相似的，如“番茄”和“西红柿”。[0088]首先对收集到的通用语料集和专业意图语料集基于用户字典进行分词，得到分词后的语料文件。其中语料格式可以为txt文本文件，文件中每行一个句子，句子是分词后的单词列表，单词与单词之间用空格分割；用户字典为电网专业词库。[0089]然后利用word2vec算法对分词后的语料进行词向量模型训练，得到指定维数的词向量。word2vec作为神经概率语言模型的输入，其本身是神经概率模型的副产品，是为了通过神经网络学习某个语言模型而产生的中间结果。具体来说，“某个语言模型”指的是“cbow”和“skip‑gram”，模型的结构图如图8所示：[0090]cbow模型根据中心词w(t)周围的词来预测中心词；skip‑gram模型则根据中心词w(t)来预测周围的词。[0091]1)cbow模型的第一层是输入层，输入的值是周围每个词的one‑hot编码形式，隐藏层只是对输出值做了权值加法，没有激活函数进行非线性的转换，输出值的维度和输入值的维度是一致的；[0092]2)skip‑gram模型的第一层是输入层，输入值是中心词的one‑hot编码形式，隐藏层只是做线性转换，输出的是输出值的softmax转换后的概率。[0093]以cbow模型为例，其神经网络模型结构如图9所示：[0094](1)输入层(inputlayer)：上下文单词的onehot。(假设单词空间向量dim为v，v的值为词典中所有词的个数，上下文单词个数为c)；[0095](2)所有onehot分别乘以共享的输入权重矩阵w(v*n的矩阵，n为自己设定的数，权重矩阵w初始值为随机初始化的任意值)；[0096](3)n‑dim隐藏层向量的值为所有的c个onehot与w相乘，再相加取平均，size为1*n；[0097](4)再乘以输出权重矩阵w'(矩阵size为n*v)；[0098](5)得到向量(1*v)，激活函数(softmax)处理得到v‑dim概率分布(因为是onehot,每个一维都代表着一个单词)，概率最大的index所表示的单词为预测出的中间词(targetword)；[0099](6)与truelabel的onehot(模型的结构图cbow中的truelabel为w(t))作比较，误差越小越好。[0100]因此，需要定义损失函数(一般为交叉熵代价函数)，采用梯度下降算法更新w和w'。训练完毕后，输入层的每个单词与矩阵w相乘得到的向量就是我们想要的词向量(wordembedding)，这个w矩阵(所有单词的wordembedding)也叫做lookuptable。[0101]举例：[0102]假设当前语料是一个简单的只有四个词的文本：[今天成都天气怎么样]，选取“天气”作为中心词，windowsize为2；即我们需要根据词语：今天、成都、怎么样来预测一个词语，并且我们希望这个词语是天气。[0103]one‑hot编码所得模型输入数据向量为(inputlayer)：[0104]w今天＝[1,0,0,0]、w成都＝[0,1,0,0]、w怎么样＝[0,0,0,1]；[0105]预测目标词语为(即模型输出outputlayer)：w天气＝[0,0,1,0]。[0106]输入权重矩阵w为：[0107][0108]根据各输入层节点向量与上述输入权重矩阵w相乘累加求平均得到n‑dim隐藏层向量的值。[0109]如w成都＝[0,1,0,0]与输入权重矩阵w相乘，得到：[0110][0111]同理可得其他输入节点计算所得向量即为输入权重矩阵w的各列的值组成的向量。最终所得n‑dim隐藏层向量的值为：[0112][0113]输出权重矩阵w'为：[0114][0115]得到向量(1*v)为:[0116][0117]最后通过激活函数(softmax)处理得到v‑dim概率分布：[0118][0119]计算所得结果即为词语“天气”的预测概率。由于我们希望预测出的概率能够与truelable(即本例中的w天气＝[0,0,1,0])最接近，因此采用梯度下降算法更新w和w'。[0120]训练所得词向量模型文件如图10所示：[0121]训练后所得词都会获得指定维数(如图10，使用300维进行表示即300个数值)的向量来进行表示，格式如下：word_1[v_1...v_300]。[0122]意图识别过程：[0123]首先对用户输入语句和专业意图语料集基于词向量模型文件将文本数据转换为向量模型表示，由于每个词在词向量模型文件中都由指定维数的向量表示，每个文本数据则由所有组合词的词向量累加求平均获得，形成文本向量。[0124]然后根据用户输入语句生成的向量数据与专业意图语料集中各文本生成的向量数据进行余弦相似度计算，获得用户输入语句与专业意图语料集中所有文本的相似度，排序获得用户输入语句在语义上最相似的语料例句，进而实现对用户输入语句的意图识别。[0125]余弦相似度算法原理：[0126]一个向量空间中两个向量夹角间的余弦值作为衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越不相似，计算公式如下：[0127][0128]举例：[0129]计算如下两个短文本的相识度：[0130]文本一：今天成都天气怎么样？[0131]文本二：今天成都是否会下雨？[0132]分词后格式如下：[0133]文本一分词：[今天成都天气怎么样][0134]文本二分词：[今天成都是否会下雨][0135]词向量表示：[0136]文本一的词向量：[‑3.1857590.464310…‑1.4357951.3958080.238784][0137]文本二的词向量：[‑5.8577210.000148…‑5.113437‑1.6717260.675767][0138]余弦相似度计算：[0139]similarity＝0.83。[0140]以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。[0141]尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。当前第1页12当前第1页12