一种基于机器学习的身份验证的方法和系统

1.本发明涉及信号处理技术领域，尤其涉及一种基于机器学习的身份验证的方法和系统。


背景技术：

2.在当今的信息社会中，移动设备存储的个人隐私相关的数据无论从数量还是对用户的影响都越来越大，如存储在电子银行中的账户信息和社交网络软件中的私人聊天，这使得设备上的用户身份验证至关重要。身份验证往往要求用户输入文本密码或由字母、数字、符号等组成的手势。在移动认证方面，密码越来越常见，并且生物特征的用户认证方法作为密码的替代品正变得越来越有吸引力。
3.生物特征的用户认证方法是指基于人类生理特征，包括虹膜、声纹、指纹和人脸等。基于指纹的解锁方案是使用最广泛的身份验证方法之一，其中指纹通过嵌入设备中的指纹传感器来采集。虽然每个人的指纹不同，但这一特征可以通过特定的手段成功欺骗认证系统。此外，如果手指被水或其他液体覆盖，指纹验证的有效性会显著降低。近年来，基于人脸的解锁方法已经变得非常流行。然而，这种方法对周围环境光的强度很敏感，并且对人脸也会有要求，例如，面部必须没有任何明显的障碍物，否则验证的准确率会大幅度下降。此外，虽然语音身份验证通常比较安全，但基于声纹的身份验证方法存在受环境噪声、长口令和大量训练样本影响的缺点，并且通常需要采用多音节语言进行身份验证。
4.综上，在现有技术中，虽然新兴的在线平台和移动应用程序可依赖于多音节来产生独特的声音特征，但验证的准确性还有待提高，并且还没有切实可行的方法仅用单音节来进行有效的身份认证。


技术实现要素：

5.本发明的目的是克服上述现有技术的缺陷，提供一种基于机器学习的身份验证的方法和系统，通过智能设备发射超声波，并同时检测语音和反射的超声波来提取其中的发音特征，以建立基于个体发音特征进行身份验证的新技术方案
6.根据本发明的第一方面，提供一种基于机器学习的身份验证的方法。该方法包括以下步骤：
7.利用智能设备内置的扬声器产生超声波；
8.在用户说出预设的身份验证密码时，利用智能设备的内置麦克风作为信号接收端，采集用户发音过程中的语音信号以及来自反射用户唇部的超声波信号；
9.对所述语音信号和所述超声波信号进行归一化处理，并提取所述语音信号的特征以及所述超声波信号的包络信息特征，其中所述语音信号的特征反映用户发音的生理特征；
10.将所提取的语音信号的特征和超声波信号的包络信息特征输入到经训练的分类模型，以识别用户身份的合法性。
11.根据本发明的第二方面，提供一种基于机器学习的身份验证的系统。该系统包括：
12.数据采集单元：用于利用智能设备内置的扬声器产生超声波，在用户说出预设的身份验证密码时，利用智能设备的内置麦克风作为信号接收端，采集用户发音过程中的语音信号以及来自反射用户唇部的超声波信号；
13.特征提取模块：用于对所述语音信号和所述超声波信号进行归一化处理，并提取所述语音信号的特征以及所述超声波信号的包络信息特征，其中所述语音信号的特征反映用户发音的生理特征；
14.用户识别模块：用于将所提取的语音信号的特征和超声波信号的包络信息特征输入到经训练的分类模型，以识别用户身份的合法性。
15.与现有技术相比，本发明的优点在于，提出了一种创新的结合生理行为和语音特征进行身份验证的方法，该方法仅仅使用单个音节即可实现进行智能设备的身份验证。
16.通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
17.被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
18.图1是根据本发明一个实施例的基于机器学习的身份验证方法的流程图；
19.图2是根据本发明一个实施例的基于机器学习的身份验证方法的过程示意图；
20.图3是根据本发明一个实施例的基于机器学习的身份验证系统的结构示意图。
具体实施方式
21.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
22.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
23.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
24.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
25.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
26.结合图1和图2所示，所提供的基于机器学习的身份验证的方法包括以下步骤：
27.步骤s100，将智能手机的麦克风对准用户的嘴部，通过其内置的扬声器发生超声波，将智能手机的麦克风作为信号接收端，采集用户发音的语音信号以及来自反射用户嘴部的超声波信号。
28.在一个实施例中，步骤s100包括以下子步骤：
29.步骤s101，设置智能手机的扬声器发射超声波信号，并将智能手机麦克风对准用
户的嘴巴前方，并保持适当的距离。
30.步骤s102，用户对着智能手机麦克风说出预设的单音节的身份验证密码。此时，智能手机的麦克风对用户的声音信号以及反射的超声波信号进行采集。
31.需说明的是，智能手机也可替换为其他智能设备，例如车载设备、智能穿戴设备等，只要智能设备的芯片能发出近超声波频段或者超声波频段即可。
32.步骤s200，对所采集语音信号和超声波信号进行归一化处理，以消除信号传播过程中因距离造成的干扰。
33.在一个实施例中，步骤s200包括以下子步骤：
34.步骤s201，对所采集的数据使用滤波器去除环境噪声，保留目标频段的信号，去除声音信号中的高频和低频信号。
35.滤波处理可采用巴特沃斯滤波器，小波变换等。
36.步骤s202，使用最小均方滤波器来去除声音信号中噪声。
37.步骤s203，所滤波后的数据进行归一化处理。
38.通过归一化处理，可消除信号传播过程中因距离而造成的干扰，进而提高后续身份验证的准确性。
39.具体地，对采集的信号进行噪音去除预处理。例如，通过判断阈值对音频信号进行切割，以提取信号的有效部。具体地，当信号持续超过阈值并且维持了一段时间t时(t应大于1s)，则认为该信号不是噪声信号，而是需要提取的有效信号，并对这个信号进行切割，将切割起点和切割终点之间的信号提取出来。首先，判断信号的起点，起点选择一般是在超过阈值的第一个点之前，取m1个采样点(m1的大小约为采样率与一次发音时间的乘积)。然后，判断该次发音信号的终点，是在信号连续m1个采样点后低于阈值的第一个点之后的数据点。
40.需说明的是，噪声去除处理包括使用滤波器或者其他技术手段进行去噪，仅保留在近超声波段频率，还包括消除由于用户拿着智能手机采集信号中，由于手抖动造成的干扰，可以使用例如最小均方误差算法等进行处理。
41.步骤s300，对归一化后的超声波信号进行希尔伯特变换，计算超声波信号的功率谱并提取其包络信息特征。
42.例如，提取超声波信号对应的包络信息特征包括：使用快速傅里叶变换算法将音频信号从时域空间转换到频域空间，得到频谱并获取信号的包络信息特征；截取发射频率左右各40hz的频谱进行分析，即如果麦克风发射20khz的超声波信号，则截取19960hz到20040hz的频段进行进一步分析，并提取包络信息中的频率平均值，功率带宽，占用带宽，频率中值作为超声波的特征。
43.在一个实施例中，步骤s300包括以下子步骤：
44.步骤s301，对超声波信号进行希尔伯特变换，并计算信号的功率谱；并对超声波信号的包络信息进行降采样，以减少希尔伯特变换计算的工作量。
45.步骤s302，将下采样包络信号估计为信号的占用带宽、中值频率和平均频率以及超声频带中包含的功率带宽等包络信息特征。
46.例如，以分配的信道频率为中心，包含传输频谱总集成功率99％的带宽称为占用带宽。占用带宽算法使用矩形窗口估计周期图功率谱密度，然后使用中点规则对其进行积
分。占用带宽是频谱中积分功率超过总功率0.5％和99.5％的点之间的频率差。
47.综上，超声波信号对应的信息包络特征可采用频率平均值、功率带宽、占用带宽和频率中值等进行表征。
48.步骤s400，对归一化后的语音信号进行特征提取，获得语音信号特征。
49.在该步骤s400中，对归一化后的语音信号进行特征提取，切割时间窗，得到其共振频率和在发音时共振频率和声道大小以及语音的音调等，例如包括以下子步骤：
50.步骤s401，利用线性预测编码(lpc)计算语音音频信号的每个阶的自相关函数，然后使用第i阶的预测系数递归求解i+1阶的预测系数。
51.具体地，假设输入的语音信号序列中，第n时刻采样信号值为s(n)，其线性预测的值为由于线性预测值可由过去的若干个采样值线性组合得到，因此有：
[0052][0053]
其中，a1，a2，a3，...a
p
为预测系数，此时该式也被称为p阶预测器。
[0054]
由于预测值和实际值之间存在着误差，故将信号值s(n)与预测值之间的差值称为预测误差，定义为ε(n)，且误差可以表示为：
[0055][0056]
对式3-3-2进行z变换，可得其传递函数为：
[0057][0058]
a(z)被称为预测误差滤波器，因此ε(n)可以看作是语音输入s(n)经过预测误差滤波器后得到的输出值。
[0059]
为了较精确地估计出信号值，则需要使上述误差值最小，一般采用使其均方误差值最小的准则，均方误差值表示为：
[0060][0061]
为了使e最小，需要满足e对各预测系数ai的偏导为0，即：
[0062][0063]
求解该式，可以得到：
[0064][0065]
如果定义：
[0066][0067]
则3-3-6式可以表示成：
[0068][0069]
结合式3-3-6和式3-3-7，代入到式3-3-4中，最小均方误差可表示为：
[0070][0071]
此时，使用莱文逊-杜宾(levinson-durbin)的自相关法来求解该方程。
[0072]
一般来说，s(n)的自相关函数定义为：
[0073][0074]
代入j-i可得：
[0075][0076]
令变量t＝n+i，则有n＝t-i，代入到3-3-11式中可得：
[0077][0078]
通过比较式3-3-7和式3-3-12，可得：
[0079]
r(j-i)＝φ(j，i)
ꢀꢀ
(3-3-13)
[0080]
由于自相关函数r(j)为偶函数，因此有：
[0081]
r(|j-i|)＝φ(j，i)
ꢀꢀ
(3-3-14)
[0082]
代入到3-3-8式中，可得：
[0083][0084]
上式可变换为：
[0085][0086]
将上式展开写成矩阵形式：
[0087][0088]
其中，预测系数ai用来表示，指的是p阶预测系数。
[0089]
将3-3-14式代入到3-3-9式中可得最小均方误差为：
[0090][0091]
展开写成矩阵的形式:
[0092][0093]
将3-3-17与3-3-19两个矩阵相结合，可得:
[0094][0095]
levinson-durbin(莱文逊-杜宾)递推算法的基本思想是递归求解，即用(i-1)阶的系数来求解i阶的系数，以此类推。对于任意阶数i，式3-3-20的方程组可以用矩阵的形式来表示：
[0096]riai
＝eiꢀꢀ
(3-3-21)
[0097]
首先需要找出第i阶方程和第i-1阶方程的关系，即在求解出方程r
i-1ai-1
＝e
i-1
之后，就可以求解出r
iai
＝ei方程的解。将r
i-1ai-1
＝e
i-1
展开：
[0098][0099]
此时，将0添加到向量a
i-1
中，并与ri相乘，会得到一个新的方程：
[0100][0101]
若想要上述方程成立，则要满足：
[0102][0103]
由于托普利兹矩阵具有对称性，因此将3-3-23方程后面的两个列向量倒置：
[0104][0105]
合并式3-3-23和式3-3-25可得：
[0106][0107]
为了使式3-3-26逼近r
iai
＝ei，可知方程右边只有一个非零值，因此有：
[0108][0109]
将式3-3-27代入回式3-3-26中，可得：
[0110][0111]
因此，第i阶的预测系数为：
[0112][0113]
则有：
[0114][0115]
对于一个p阶的预测器，从第0阶开始，递推地求解出各阶乃至第p阶预测器的系数。
[0116]
对于a(z)预测误差滤波器，在求解出线性预测系数后，可对a(z)进行多项式系数分解，得到其多项式复根。
[0117]
设为其中一对复根，设与zi对应的共振峰的频率值为fi，3db带宽为bi，则有：
[0118][0119]
由此可以求得共振峰的频率和带宽。
[0120]
对每一阶都计算自相关函数，接着通过第i阶的预测系数来递推地求解出第i+1阶的预测系数。该递推算法的第一步是初始化第0阶和第1阶的预测系数和误差，然后通过遍历一个循环，在给定第k阶的系数的情况下，根据公式3-3-27求解出第k阶的λ值，再根据公式3-3-30得到第k+1阶的预测系数。
[0121]
在获得预测系数ai后，需要对线性预测滤波器a(z)进行多项式系数分解，求得其多项式复根。接着利用atan2方法得到每一个复根的θ，最后便可以根据公式3-3-31来计算共振峰的频率和带宽。此时返回存放共振峰频率的数组的第一和第二个元素即可获得第一个共振峰频率和第二共振峰频率的值。
[0122]
步骤s402，在获得共振峰后，在中性配置(从喉到嘴唇形成无障碍管的发声器官位置)下进行声道长度估计，计算平均频率用于提取声道长度特征：
[0123][0124]
其中，fn表示共振峰频率的值，即f1表示第一个共振峰频率，f2表示第二共振峰频率的值，n是共振峰，l是声道长度(声音的位置从喉部到嘴唇形成无障碍管的器官)，c是声速。
[0125]
步骤s403，根据语音推算声道大小以及语音的音调。
[0126]
例如，根据语音信号估计舌头位置的共振频率和声道大小以及语音的音调包括：使用线性预测编码(lpc)处理音频信号，计算第一和第二共振峰频率。具体地说，对信号使用傅里叶变换进行处理，并只取得所得频率谱中100-5500hz的频率幅值信息，通过对其最大幅值的频率取出，认为是共振频率；将所分割的数据进行时间窗分割，并对此时的数据进行多次上述求共振频率操作，得到每个时间窗内的共振频率。通过声谱图的规则，即可推断舌头的相对的高度以及前后位置和声道大小以及语音的音调。
[0127]
综上，语音信号对应的特征可采用声道、音调和声道长度特征等进行表征，这些特征与用户的个体生理特征相关，从而能够有效提升了用户身份验证的准确性，并且针对单音节语音同样有效。
[0128]
步骤s500，利用语音信号特征和超声波信号的包络信息特征训练分类模型。
[0129]
分类模型(或称分类器)可采用多种类型，如支持向量机、决策树或其他的神经网络模型。
[0130]
在一个实施例中，采用随机森林模型构建分类模型进行预训练。具体地，将步骤s300和步骤s400的特征组成特征组g(v)的m个子组，v＝{f1，f2，f3，f4，声道，音调，频率平均值，功率带宽，占用带宽，频率中值}；将上述特征划分为m个未知类，并分别使用分类器dm，m＝1,2，
…
，m进行j个训练周期。训练样本中以有放回抽样的方式，多次取样，形成一个训练集，并用未抽到的用例(样本)作预测，评估其误差。基于以上训练样本，袋装树会产生一系列预测函数u1、u2、
…
、um。随后，使用直接投票过程预测最终u值。此外，可应用网格搜索算法优化适当的超参数。
[0131]
步骤s600，将用户录制的语音信号进行输出和反馈，并通过智能手机告知用户。
[0132]
在完成分类模型训练后，即可用于实时的身份验证，进而可通过视觉展示反馈给用户，界面显示身份验证通过与否。若身份验证失败，用户可通过重新录制验证语音进行再次验证，也可以返回退出身份验证。
[0133]
相应地，本发明还提供一种基于机器学习的身份验证系统，用于实现上述方法的一个方面或多个方面。例如，该系统包括：数据采集单元，其用于利用智能设备内置的扬声器产生超声波，在用户说出预设的身份验证密码时，利用智能设备的内置麦克风作为信号接收端，采集用户发音过程中的语音信号以及来自反射用户唇部的超声波信号；特征提取
模块，其用于对所述语音信号和所述超声波信号进行归一化处理，并提取所述语音信号的特征以及所述超声波信号的包络信息特征，其中所述语音信号的特征反映用户发音的生理特征；用户识别模块，其用于将所提取的语音信号的特征和超声波信号的包络信息特征输入到经训练的分类模型，以识别用户身份的合法性。
[0134]
需说明的是，所提供的基于机器学习的身份验证系统可采用多种形式的功能模块实现。例如，参见图3所示，在另一实施例中，所提供的系统包括：消除干扰模块，用于对智能手机麦克风采集的语音信号以及智能手机麦克风发射的超声波的反射信号去除噪声，如环境噪声，来自其他静态物品的反射信号以及由于硬件失真引起的信号干扰；语音特征提取模块，将经过消除干扰模块的语音信号提取特征，计算出舌头位置，声道大小以及语音的音调；超声特征提取模块，将经过消除干扰模块的超声波信号提取信号的包络特征；用户识别模块，基于由训练数据训练的分类模型，对于输入的用户信息，输出是否为合法用户。
[0135]
在一个实施例中，消除干扰模块包括以下单元：
[0136]
语音发射单元，使用扬声器发送频率规律呈正弦波震荡的超声波。
[0137]
语音采集单元，使用麦克风对反射用户面部(发声器官)的声音信号进行采集，并通过对阈值的判断采集时间片信号；
[0138]
归一化单元，用于消除用户发声大小带来的影响；
[0139]
滤波单元，利用滤波器对声音信号数据进行过滤；
[0140]
模数单元，用于将模拟的声音信号转化成数字信号；
[0141]
时间片切割单元，用于对信号时间片信号的切割；
[0142]
在一个实施例中，语音特征提取模块包括以下单元：
[0143]
共振特征单元，提取声音信号中的共振特征；
[0144]
语音单元，用于计算出声道大小以及语音的音调；
[0145]
在一个实施例中，超声特征提取模块包括以下单元：
[0146]
超声单元，用于从经过消除干扰模块的超声波信号提取信号的包络特征；
[0147]
在一个实施例中，用户识别模块包括以下单元：
[0148]
成功模块：用户输入与预录制的特征相匹配，用户验证成功；
[0149]
失败模块：用户输入与预录制的特征相不匹配，用户验证失败。用户可重新录制或者退出应用；
[0150]
综上所述，本发明提供基于生理特征的身份验证方法，通过同时检测可听(语音)信号和不可听(超声波)信号来提取用户的声音特征。通过这种设计，其他人无法复制发音密码并且用户只需发出一个单音节即可进行身份认证；与现有的基于行为特征的身份认证方法相比，本发明具有更高的识别准确率，并且更适应环境的变化；本发明相对步态或指纹数据采集过程更容易使用；同时，特征提取过程中进行降采样，可以减少特征的计算量，并有效抵抗来自外界的环境噪声和其他的外来攻击。此外，本发明只要求用户在注册阶段提供少量训练样本(如5个训练样本)即能够训练出有效的身份识别分类模型，改善了用户体验。经验证，本发明通过少量的训练样本即能够构建单个发音特征的用户识别模型，并且在真实场景下的实验结果表明，对于多种不同环境抗干扰能力都很强，身份验证的准确率可达到99％。
[0151]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机
可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
[0152]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0153]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0154]
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如smalltalk、c++、python等，以及常规的过程式编程语言-诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络-包括局域网(lan)或广域网(wan)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
[0155]
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0156]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0157]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0158]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
[0159]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。