利用线性麦克风阵列的语音识别方法及系统与流程

本发明涉及人机语音识别领域，尤指一种利用线性麦克风阵列的语音识别方法及系统。

背景技术：

在语音识别系统中，通常要对麦克风获取到的音频信号进行降噪处理，从而抑制音频信号中的环境噪声成分，从而提高语音识别系统的识别准确率。根据系统中使用的麦克风个数的不同，采用的降噪算法大致可以分为单麦克风降噪、双麦克风降噪以及麦克风阵列降噪算法等。

随着硬件系统的快速发展，麦克风阵列正得到越来越广泛的应用。根据阵元的拓扑结构不同，麦克风阵列通常可以分为线性阵列和环形阵列。无论是线性阵列还是环形阵列，在进行降噪处理时，一般都需要通过声源定位算法获取期望信号的空间方位，再通过固定波束成形算法形成一个具有特定形状的接收波束，并将波束主瓣中心指向期望信号所在的方向。

然而，同时进行声源定位和自适应波束成形的计算量很大，而且当声源定位出现偏差时，很容易对期望信号造成抑制或引入失真，进而影响到语音识别系统性能。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提出一种利用线性麦克风阵列的语音识别方法及系统，解决现有的麦克风阵列的设置方式存在计算量大，计算复杂和实现成本较高的问题，目的在于利用麦克风阵列达到很好的降噪效果，以获得高质量的音频数据并提高语音识别的准确率。

为了实现上述目的，本发明提供了一种利用线性麦克风阵列的语音识别方法，所述方法包括：

利用线性麦克风阵列录制环境的声音以形成音频数据；针对所述线性麦克风阵列前方的声音获取区域设置波束形成器，利用所述波束形成器于所述声音获取区域形成位于中部的主波束区域和位于两侧部的第一噪声波束区域和第二噪声波束区域；将所述音频数据输入到所述波束形成器中以获得对应所述主波束区域的主波束、对应所述第一噪声波束区域的第一噪声波束、以及对应所述第二噪声波束区域的第二噪声波束；从所述主波束中滤除所述第一噪声波束和所述第二噪声波束以得到待识别的语音数据；对所述待识别的语音数据进行语音识别以得到对应的文本数据并输出。

本发明的有益效果为：本发明通过将声音获取区域内设计形成三个波束区域，其中的两个波束用于获取噪声，另一个波束用于获取期望信号，并通过波束形成器输出对应的噪声波束和主波束，而后通过自适应滤波器模块从主波束中进一步滤除噪声波束。该方法不需要实时跟踪声源方位，避免了传统算法可能因为声源位置估计偏差带来的对期望信号的抑制或失真；同时算法计算量小，实现过程简单方便，成本较低，获取的语音数据质量高，能够提高语音识别的准确率。另外结合了语音数据对语音识别器的自适应，能够进一步提高语音识别的准确率。

本发明的进一步改进为：针对所述线性麦克风阵列前方的声音获取区域设置波束形成器，包括：所述声音获取区域包括角度0°至180°的平面区域；设置用于形成所述第一噪声波区域的第一波束形成器，将所述第一波束形成器所形成的波束的中心指向所述声音获取区域的20°方向；设置用于形成所述主波束区域的第二波束形成器，将所述第二波束形成器所形成的波束的中心指向所述声音获取区域的90°方向；设置用于形成所述第二噪声波束区域的第三波束形成器，将所述第三波束形成器所形成的波束的中心指向所述声音获取区域的160°方向。

本发明的进一步改进为：设置波束形成器时，每一波束形成器中设置有与所述线性麦克风阵列中的每一麦克风对应连接的滤波器，采用固定波束成形算法为每一波束形成器中的滤波器计算滤波器系数；

所述固定波束成形算法包括：

y_n(k)＝x_n(k)+v_n(k)，n＝1，2，...，N (式一)

在式一中，y_n(k)是第n个麦克风采集到的音频数据，x_n(k)和v_n(k)分别是采集到的期望信号和加性噪声；式二中，是波束形成器的输出，将波束形成器的输出逼近线性麦克风阵列中某个麦克风接收到的期望信号，是第n个麦克风对应的滤波器系数；

在式三中，e_m(k)表示波束形成器的输出信号与采集到的期望信号的误差，它等于期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)的和；而期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)可以用式四和式五来表示；

基于最小化均方误差得到式六和式七，通过最小化以令加性噪声最小，结合约束e_x，m(k)＝0以得出最佳滤波器系数h_m，o，其中的h_m为波束形成器中所有滤波器对应的滤波器系数矩阵，h_m，o为波束形成器中所有滤波器对应的最佳的滤波器系数值。

本发明的进一步改进为：对所述待识别的语音数据进行语音识别，包括：先利用所述待识别的语音数据对声学模型进行自适应操作；而后利用经自适应操作的声学模型对所述待识别的语音数据进行语音识别。

本发明的进一步改进为：利用所述待识别的语音数据对声学模型进行自适应操作，包括：提取设定数量的待识别的语音数据，并对所提取的待识别的语音数据进行文本标注；

提取所述设定数量的待识别的语音数据对应的声学特征，并将对应的文本标注与所述声学特征组合形成自适应训练数据；

利用所述自适应训练数据对所述声学模型进行自适应训练。

本发明还提供了一种线性麦克风阵列语音识别系统，所述系统包括：与所述线性麦克风阵列通信连接的波束形成器，所述波束形成器于所述线性麦克风阵列前方的声音获取区域形成位于中部的主波束区域和位于两侧部的第一噪声波束区域和第二噪声波束区域，用于对所接收到的所述音频数据进行处理并获得对应所述主波束区域的主波束、对应所述第一噪声波束区域的第一噪声波束、以及对应所述第二噪声波束区域的第二噪声波束；

自适应滤波器模块，与所述波束形成器通信连接，接收所述主波束、所述第一噪声波束以及第二噪声波束，并用于从所述主波束中滤除所述第一噪声波束和所述第二噪声波束以得到待识别的语音数据；

语音识别器，与所述自适应滤波器模块通信连接，接收所述待识别的语音数据，并用于对所述待识别的语音数据进行语音识别以得到对应的文本数据并输出。

本发明的进一步改进为：所述声音获取区域包括角度从0°至180°的平面区域；所述波束形成器包括：用于形成所述第一噪声波区域的第一波束形成器，所述第一波束形成器所形成的波束的中心指向所述声音获取区域的20°方向；

用于形成所述主波束区域的第二波束形成器，所述第二波束形成器所形成的波束的中心指向所述声音获取区域的90°方向；

用于形成所述第二噪声波束区域的第三波束形成器，所述第三波束形成器所形成的波束的中心指向所述声音获取区域的160°方向。

本发明的进一步改进为：每一波束形成器中设有与所述线性麦克风阵列中的每一麦克风对应连接的滤波器，每一波束形成器中的滤波器设置有对应的滤波器系数；所述滤波器系数通过固定波束成形算法计算得到；

所述固定波束成形算法包括：

y_n(k)＝x_n(k)+v_n(k)，n＝1，2，...，N (式一)

在式一中，y_n(k)是第n个麦克风采集到的音频数据，x_n(k)和v_n(k)分别是采集到的期望信号和加性噪声；式二中，是波束形成器的输出，将波束形成器的输出逼近线性麦克风阵列中某个麦克风接收到的期望信号，是第n个麦克风对应的滤波器系数；

在式三中，e_m(k)表示波束形成器的输出信号与采集到的期望信号的误差，它等于期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)的和；而期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)可以用式四和式五来表示；

基于最小化均方误差得到式六和式七，通过最小化以令加性噪声最小，结合约束e_x，m(k)＝0以得出最佳滤波器系数h_m，o，其中的h_m为波束形成器中所有滤波器对应的滤波器系数矩阵，h_m，o为波束形成器中所有滤波器对应的最佳的滤波器系数值。

本发明的进一步改进为：所述语音识别器包括一声学模型，所述声学模型经所述待识别的语音数据进行自适应训练后再用于识别待识别的语音数据。

本发明的进一步改进为：所述语音识别器还包括有特征提取模块、文本输入模块、训练数据存储模块以及训练模块；

所述特征提取模块与所述自适应滤波器模块通信连接，接收所述待识别的语音数据，用于从所接收的待识别的语音数据中提取声学特征；

所述文本输入模块用于输入与所述待识别的语音数据对应的文本标注；

所述训练数据存储模块与所述特征提取模块和所述文本输入模块通信连接，用于存储所述声学特征和对应的文本标注，所述声学特征和对应的文本标注组合形成自适应训练数据；

所述训练模块与所述训练数据存储模块通信连接，读取所述训练数据存储模块内存储自适应训练数据并利用所读取的自适应训练数据对所述声学模型进行自适应训练。

附图说明

图1为声音获取区域的示意图；

图2为线性麦克风阵列语音识别的方法流程图；

图3为多通道自适应滤波器的示意图。

具体实施方式

下面结合附图，对本发明作进一步详细说明。随着硬件系统的快速发展，麦克风阵列正得到越来越广泛的应用。特别是在人机语音交互场景，传统技术对同时进行声源定位和自适应波束成形的计算量很大，而且当声源定位出现偏差时，很容易对期望信号造成抑制或引入失真，进而影响到语音识别系统性能。本发明适用于该线性麦克风阵列前方的180°的平面区域，其适用的场景为人机语音交互。说话人在通过语音控制机器时，该说话人会站在机器的面前，所以线性麦克风阵列在获取说话人的语音时，只需要考虑机器前方的语音即可，无需考虑机器后方的语音。本发明将麦克风前方的平面区域进行了划分，利用中部的较宽的波束尽可能多地获取说话人的语音，同时尽可能地抑制环境噪声；利用两侧较窄的波束尽可能多地获取环境噪音，同时抑制期望的人声信号。再通过自适应滤波算法，从主波束的输出中进一步地消除环境噪声成分。下面，结合附图对本发明线性麦克风阵列语音识别的方法及系统进行说明。

如图2所示，本发明公开了一种线性麦克风阵列语音识别系统，该系统包括线性麦克风阵列1、波束形成器、自适应滤波器模块3以及语音识别器4。

其中，线性麦克风阵列用来录制外部环境的声音并通过数字化将声音信号转化成音频数据。在线性麦克风阵列的前方形成录制的声音获取区域，波束形成器于声音获取区域形成有位于中部的主波束区域，以及在主波束区域两侧的第一噪声波束区域和第二噪声波束区域，波束形成器与线性麦克风阵列通信连接，接收主波束区域、第一噪声波束区域和第二噪声波束区域内的音频数据并进行处理后获得对应所述主波束区域的主波束、对应所述第一噪声波束区域的第一噪声波束、以及对应所述第二噪声波束区域的第二噪声波束。

如图3所示，自适应滤波器模块3为一多通道滤波器，与波束形成器通信连接，接收波束形成器中发出的主波束、第一噪声波束以及第二噪声波束，将第一噪声波束通过第一自适应滤波器31进行自适应，将第二噪声波束通过第二自适应滤波器32进行自适应，然后将进行自适应后的第一噪声波束和第二噪声波束主波束中滤除并输出，输出后的结果通过反馈机制传递到自适应滤波器31和32，并根据归一化最小均方(Normalized LeastMean Square，NLMS)算法不断更新自适应滤波器系数，最后的结果从自适应滤波器模块3中输出，得到待识别的语音数据。

语音识别器4，与自适应滤波器模块通信连接，语音识别器4接收自适应滤波器模块输出的待识别的语音数据，并对待识别的语音数据进行语音识别得到对应的文本数据并输出。

在线性麦克风阵列1的前面包括了一个角度从0°到180°的声音获取区域，波束形成器的个数为3个，分别为第一波束形成器21、第二波束形成器22以及第三波束形成器23，第一波束形成器21用于形成第一噪声波束区域，第一波束形成器21所形成的波束的中心指向声音获取区域的20°的方向；第二波束形成器22用于形成主波束区域，第二波束形成器22所形成的波束的中心指向声音获取区域的90°的方向；第三波束形成器23用于形成第二噪声波束区域，第三波束形成器23形成的波束的中心指向声音获取区域的160°的方向。其中，第二波束形成器22所形成的波束的主瓣的宽度要大于第一波束形成器和第三波束形成器所形成的波束的主瓣的宽度，较佳地，第二波束形成器22形成的波束的主瓣的宽度小于等于90°，第一波束形成器和第三波束形成器所形成的波束的主瓣的宽度小于等于40°。

作为本发明的较佳实施例，在第一波束形成器21、第二波束形成器22以及第三波束形成器23中都设有与线性麦克风阵列中的每一个麦克风都对应连接的滤波器，并且每一个滤波器都通过与自身对应的滤波器系数进行滤波，而滤波器系数是通过固定波束成形算法计算得出，该固定波束成形算法包括：

y_n(k)＝x_n(k)+v_n(k)，n＝1，2，...，N (式一)

在式一中，y_n(k)是第n个麦克风采集到的音频数据，x_n(k)和v_n(k)分别是采集到的期望信号和加性噪声，式二中，是波束形成器的估计输出，将音频数据进行滤波使得波束形成器的输出逼近线性麦克风阵列中某个麦克风接收到的期望信号后再输出，是第n个麦克风对应的滤波器系数；

在式三中，e_m(k)表示波束形成器的输出信号与采集到的期望信号的误差，它等于期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)的和；而期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)可以用式四和式五来表示，期望信号的误差等于波束形成器的输出与波束形成器的输入之差，加性噪声的误差等于所有加性噪声的和。

基于最小化均方误差得到式六和式七，通过最小化以令加性噪声最小，结合约束e_x，m(k)＝0以得出最佳滤波器系数h_m，o，其中的h_m为波束形成器中所有滤波器对应的滤波器系数矩阵，h_m，o为波束形成器中所有滤波器对应的最佳的滤波器系数值。

因为最后波束形成器期望输出的加性噪声尽可能的小，所以利用基于误差准则得出如式六所示的最小化均方误差当最小时，输出滤波器的最佳滤波器系数h_m，o，如式七所示，而为了保证期望信号的失真最小，所以加上约束条件，e_x，m(k)＝0估计出最佳滤波器系数h_m，o。

其中的语音识别器4内设有声学模型，利用声学模型对输入的待识别的语音数据进行语音识别，以识别出对应的语音文本。由于麦克风阵列的滤波处理不可避免地会对主波束造成失真，在声学模型对语音数据进行语音识别时会影响识别的准确率，为降低该失真对语音识别准确率的影响，在声学模型进行语音识别前，利用经过该麦克风阵列处理过的语音数据对该声学模型做自适应训练，而后的语音识别器4在进行语音识别时均是通过该经自适应训练的声学模型进行的识别，从而提高了语音识别器对语音数据的识别准确率，减小了失真对语音识别准确率的影响。

作为本发明的较佳实施例，在语音识别器中还设有特征提取模块、文本输入模块、训练数据存储模块以及训练模块。其中，特征提取模块与所述自适应滤波器模块通信连接，用于接收波束形成器输出的待识别的语音数据，然后从所接收的待识别的语音数据中提取声学特征；文本输入模块用于接收人工输入的与待识别的语音数据对应的文本标注；训练数据存储模块与特征提取模块和文本输入模块都通信连接，它存储特征提取模块提取的声学特征和文本输入模块中输出的对应的文本标注，并将声学特征和对应的文本标注组合形成自适应训练数据；训练模块与训练数据存储模块通信连接，它读取训练数据存储模块内存储的自适应训练数据并利用所读取的自适应训练数据对声学模型进行自适应训练。

以语音操控柜员机为例，在柜员机上横向设置多个麦克风，该麦克风至少设置三个，且以一定的间距进行设置，该麦克风用于获取柜员机前方的声音以形成声音信号。横向设置的麦克风在柜员机的前方形成了180°的声音获取区域，该180°的声音获取区域内的声音包括有说话人的控制指令声音和环境噪声。在该声音获取区域内由三个波束形成器形成了三个波束，主波束、第一噪声波束和第二噪声波束。多个麦克风获取的声音信号经数字化形成声音数据后输入到波束形成器内，通过第一波束形成器输出第一噪声波束，通过第二波束形成器输出主波束，通过第三波束形成器输出第二噪声波束。将主波束、第一噪声波束和第二噪声波束一起输入到自适应滤波模块进行滤波，从主波束中滤除第一噪声波束和第二噪声波束，从而输出待识别的语音数据，该待识别的语音数据为麦克风阵列输出。将待识别的语音数据输入到语音识别器中进行自适应操作，以提高语音识别器对该待识别的语音数据的识别准确率，而后再对该待识别的语音数据进行识别并形成对应的文本数据输出。该文本数据会被发送给柜员机以令柜员机执行相应的动作。

本发明还提供了一种线性麦克风阵列语音识别方法，该方法首先将麦克风按照线性阵列进行设置，麦克风并将人说出的音频信号转化为音频数据；然后将音频数据送入波束形成器经过滤形成主波束和噪声波束并输出给自适应滤波器模块，接着由自适应滤波器模块采集噪声波束和主波束的信息并将噪声波束从主波束中剔除，形成待识别的语音数据，最后将形成的待识别的语音数据输入到语音识别器中进行识别并形成文本数据输出。具体地，

第一步骤，选择三个及以上的麦克风，将其横向间隔设置成一线性麦克风阵列1，在线性麦克风阵列的前面形成有一个0°至180°的声音获取区域，如图1所示。该声音获取区域获取的声音既包括人说话的声音以及来自周围环境的噪声。麦克风接收该声音获取区域获取的声音，并将获取的音频信号进行数字化处理形成一音频数据，并输出。

第二步骤，结合图2，针对线性麦克风阵列1前方的声音获取区域设置波束形成器，波束形成器于声音获取区域形成有位于中部的主波束区域，以及在主波束区域两侧的第一噪声波束区域和第二噪声波束区域，；然后将音频数据输入到波束形成器中，并输出与主波束区域对应的主波束，与第一噪音波束区域对应的第一噪声波束，以及与第二噪声波束区域对应的第二噪声波束。

第三步骤，将波束形成器输出的第一噪声波束、主波束以及第二噪声波束进行滤波处理，根据输入的第一噪声波束以及第二噪声波束噪声信息将第一噪声波束以及第二噪声波束从主波束中剔除，形成一个待识别的语音数据。具体地，接收波束形成器中发出的主波束、第一噪声波束以及第二噪声波束，将第一噪声波束通过第一自适应滤波器31进行自适应，将第二噪声波束通过第二自适应滤波器32进行自适应，然后将进行自适应后的第一噪声波束和第二噪声波束从主波束中滤除并输出，输出后的结果通过一判断模块与人为设定的标准进行比较，若自适应滤波后的波束质量达不到标准，则将输出的结果返回到第一自适应滤波器31和第二自适应滤波器32中重新自适应，循环往复，直至输出的结果达到认为设定的标准，最后的结果从自适应滤波器模块3中输出，得到待识别的语音数据。

第四步骤，识别待识别的语音数据，并形成一文本数据输出在机器上。

作为本发明的较佳实施例，在线性麦克风阵列的前面包括了一个角度为0°至180°的声音获取区域，麦克风将形成的音频数据输入到波束形成器中，波束形成器的个数为3个，分为第一波束形成器21、第二波束形成器22以及第三波束形成器23，将第一波束形成器用于形成第一噪声波束区域，将该第一波束形成器的波束的中心指向180°声音获取区域的20°的方向，第一波束形成器21获取位于线性麦克风阵列第一噪声波束区域的音频数据，并输出第一噪声波束；第二波束形成器22用于形成主波束区域，将该第二波束形成器的波束的中心指向180°声音获取区域的90°的方向，第二波束形成器22获取位于线性麦克风阵列的主波束区域的音频数据，输出主波束；第三波束形成器23用于形成第二噪声波束区域，将该第三波束形成器的波束的中心指向180°声音获取区域的160°的方向，第三波束形成器23获取位于线性麦克风阵列的第二噪声波束区域的噪声，输出第二噪声波束。其中，第二波束形成器22所形成的波束的主瓣的宽度要大于第一波束形成器和第三波束形成器所形成的波束的主瓣的宽度，较佳地，第二波束形成器22形成的波束的主瓣的宽度小于等于90°，第一波束形成器和第三波束形成器所形成的波束的主瓣的宽度小于等于40°。

作为本发明的较佳实施例，在第一波束形成器21、第二波束形成器22以及第三波束形成器23中都设有与线性麦克风阵列中的每一个麦克风都对应连接的滤波器，并且每一个滤波器都通过与自身对应的滤波器系数进行滤波，而滤波器系数是通过固定波束成形算法计算得出，该固定波束成形算法包括：

y_n(k)＝x_n(k)+v_n(k)，n＝1，2，...，N (式一)

在式一中，y_n(k)是第n个麦克风采集到的音频数据，x_n(k)和v_n(k)分别是采集到的期望信号和加性噪声，式二中，是波束形成器的估计输出，将音频数据进行滤波使得波束形成器的输出逼近线性麦克风阵列中某个麦克风接收到的期望信号后再输出，是第n个麦克风对应的滤波器系数；

在式三中，e_m(k)表示波束形成器的输出信号与采集到的期望信号的误差，它等于期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)的和；而期望信号的误差e_x，m(k)与加性噪声的误差e_v，m(k)可以用式四和式五来表示，期望信号的误差等于波束形成器的输出与波束形成器的输入之差，加性噪声的误差等于所有加性噪声的和。

因为最后波束形成器期望输出的加性噪声尽可能的小，所以利用基于误差准则得出如式六所示的最小化均方误差当最小时，输出滤波器的最佳滤波器系数h_m，o，如式七所示，而为了保证期望信号的失真最小，所以加上约束条件，e_x，m(k)＝0估计出最佳滤波器系数h_m，o。

其中的语音识别器4内设有声学模型，利用声学模型对输入的待识别的语音数据进行语音识别，以识别出对应的语音文本。由于麦克风阵列的滤波处理不可避免地会对主波束造成失真，在声学模型对语音数据进行语音识别时会影响识别的准确率，为降低该失真对语音识别准确率的影响，在声学模型进行语音识别前，利用经过该麦克风阵列处理过的语音数据对该声学模型做自适应训练，而后的语音识别器4在进行语音识别时均是通过该经自适应训练的声学模型进行的识别，从而提高了语音识别器对语音数据的识别准确率，减小了失真对语音识别准确率的影响。

作为本发明的较佳实施例，利用所述待识别的语音数据对声学模型进行自适应操作，还包括以下步骤：语音识别器首先提取设定数量的待识别的语音数据，并对提取的待识别的语音数据进行文本标注；然后再提取设定数量的待识别的语音数据对应的声学特征，并将对应的文本标注与声学特征组合形成自适应训练数据；最后利用自适应训练数据对声学模型进行自适应训练。自适应训练结束后经自适应操作的声学模型对待识别的语音数据进行语音识别。

以语音操控柜员机为例，在柜员机上横向设置多个麦克风，该麦克风至少设置三个，且以一定的间距进行设置，该麦克风用于获取柜员机前方的声音以形成声音信号。横向设置的麦克风在柜员机的前方形成了180°的声音获取区域，该180°的声音获取区域内的声音包括有说话人的控制指令声音和环境噪声。在该声音获取区域内由三个波束形成器形成了三个波束，主波束、第一噪声波束和第二噪声波束。多个麦克风获取的声音信号经数字化形成声音数据后输入到波束形成器内，通过第一波束形成器输出第一噪声波束，通过第二波束形成器输出主波束，通过第三波束形成器输出第二噪声波束。将主波束、第一噪声波束和第二噪声波束一起输入到自适应滤波模块进行滤波，从主波束中滤除第一噪声波束和第二噪声波束，从而输出待识别的语音数据，该待识别的语音数据为麦克风阵列输出。将待识别的语音数据输入到语音识别器中进行自适应操作，以提高语音识别器对该待识别的语音数据的识别准确率，而后再对该待识别的语音数据进行识别并形成对应的文本数据输出。该文本数据会被发送给柜员机以令柜员机执行相应的动作。

本发明针对特定人机语音交互，不需要实时跟踪声源方位，避免了传统算法可能因为声源位置估计偏差带来的对期望信号的抑制或失真；同时算法计算量小，实现过程简单方便，成本较低，获取的语音数据质量高，能够提高语音识别的准确率。

以上结合附图及实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。