一种近红外光谱龙胆鉴别方法和系统与流程

本发明涉及光谱检测领域，特别是涉及一种近红外光谱龙胆鉴别方法和系统。

背景技术：

龙胆属(gentiana)植物多生长在高山或高原，其生长环境气候条件极端、多变。由于滇龙胆生长环境和生长年限的差异，家种品和野生品在某些方面都存在明显的差别，外观上，家种的肥硕松泡，野生的瘦弱紧实。并且，野生的生长年限一般较长，成分均衡丰富，疗效较好，家种的药材存在种植技术不规范，激素滥用等问题，所以，中药材龙胆的野生判别显得尤为重要。

传统技术手段方面，主要通过化学方法测量龙胆中各种营养成分的组成比例和含量值来确定龙胆的品质，这种方法具有重复性好、准确率高等优点，但是存在劳动成本高、操作复杂等缺点，且从采样到结果输出有很长时间，不能适应市场实时、快速检测的需求。

因此，提供一种能够在保证准确率的同时，能够实时、快速对龙胆进行鉴别的方法或系统是本领域亟待解决的一个技术难题。

技术实现要素：

本发明的目的是提供一种近红外光谱龙胆鉴别方法和系统，以在保证准确率的同时，能够实时、快速对龙胆进行鉴别。

为实现上述目的，本发明提供了如下方案：

一种近红外光谱龙胆鉴别方法，包括：

获取龙胆植株的压片样本集；所述压片样本集包括多个龙胆植株的样本压片；

采用光谱仪采集所述样本压片的光谱数据；

根据所述光谱数据确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中光谱与平均光谱间的夹角；

对所述光谱角数据中的光谱角进行排序，得到排序结果；

获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

获取所述建模集中各光谱的波长，并确定所述波长对应的第一光谱强度；

根据所述第一光谱强度确定所述建模集的第一光谱向量，并根据所述第一光谱向量确定第一光谱矩阵；

采用主成分分析法根据所述第一光谱矩阵确定投影向量；

采用所述投影向量对所述第一光谱矩阵进行更新，得到第二光谱矩阵；

以所述第二光谱矩阵为输入，以判别程度值为输出构建偏最小二乘法鉴别模型；

获取待测龙胆植株的光谱数据；

根据所述待测龙胆植株的光谱数据确定所述待测龙胆的光谱矩阵；

采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定鉴别结果；所述鉴别结果为：所述待测龙胆为野生龙胆或所述待测龙胆为家种龙胆。

优选的，所述将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集，之后还包括：

判断所述建模集与所述测试集中光谱条数的比例是否为2:1，得到判断结果；

若所述判断结果为是，则对所述区间的个数不作调整；

若所述判断结果为否，则调整所述区间的个数，并返回“将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集”的步骤。

优选的，所述采用所述投影向量对所述第一光谱矩阵进行更新，得到第二光谱矩阵，具体包括：

获取所述投影向量中贡献率排名前三的投影子向量；

根据所述投影子向量确定特征波长，并获取建模集中各光谱的波长与所述特征波长相等的光谱波长，确定所述光谱波长的光谱强度，得到第二光谱强度；

根据所述第二光谱强度确定所述建模集的第二光谱向量，并根据所述第二光谱向量确定第二光谱矩阵。

优选的，所述偏最小二乘法鉴别模型为：

其中，y为判别程度值，α0…αm为系数，为不同特征波长的光谱强度，m＝23。

优选的，所述采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定鉴别结果，具体包括：

采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定所述判别程度值；

确定所述判别程度值与1的差值，得到第一差值；若所述第一差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为家种滇龙胆；

确定所述判别程度值与2的差值，得到第二差值；若所述第二差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为野生滇龙胆。

一种近红外光谱龙胆鉴别系统，包括：

样本集获取模块，用于获取龙胆植株的压片样本集；所述压片样本集包括多个龙胆植株的样本压片；

光谱数据采集模块，用于采用光谱仪采集所述样本压片的光谱数据；

光谱角数据确定模块，用于根据所述光谱数据确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中光谱与平均光谱间的夹角；

排序模块，用于对所述光谱角数据中的光谱角进行排序，得到排序结果；

建模集构建模块，用于获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

预测集构建模块，用于将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

第一光谱强度确定模块，用于获取所述建模集中各光谱的波长，并确定所述波长对应的第一光谱强度；

第一光谱矩阵确定模块，用于根据所述第一光谱强度确定所述建模集的第一光谱向量，并根据所述第一光谱向量确定第一光谱矩阵；

投影向量确定模块，用于采用主成分分析法根据所述第一光谱矩阵确定投影向量；

第二光谱矩阵确定模块，用于采用所述投影向量对所述第一光谱矩阵进行更新，得到第二光谱矩阵；

偏最小二乘法鉴别模型构建模块，用于以所述第二光谱矩阵为输入，以判别程度值为输出构建偏最小二乘法鉴别模型；

光谱数据获取模块，用于获取待测龙胆植株的光谱数据；

待测龙胆的光谱矩阵确定模块，用于根据所述待测龙胆植株的光谱数据确定所述待测龙胆的光谱矩阵；

鉴别模块，用于采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定鉴别结果；所述鉴别结果为：所述待测龙胆为野生龙胆或所述待测龙胆为家种龙胆。

优选的，还包括：

判断模块，用于判断所述建模集与所述测试集中光谱条数的比例是否为2:1，得到判断结果；

若所述判断结果为是，则对所述区间的个数不作调整；

若所述判断结果为否，则调整所述区间的个数，并返回“将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集”。

优选的，所述第二光谱矩阵确定模块，具体包括：

投影子向量确定单元，用于获取所述投影向量中贡献率排名前三的投影子向量；

第二光谱强度确定单元，用于根据所述投影子向量确定特征波长，并获取建模集中各光谱的波长与所述特征波长相等的光谱波长，确定所述光谱波长的光谱强度，得到第二光谱强度；

第二光谱矩阵确定单元，用于根据所述第二光谱强度确定所述建模集的第二光谱向量，并根据所述第二光谱向量确定第二光谱矩阵。

优选的，所述鉴别模块，具体包括：

判别程度值确定单元，用于采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定所述判别程度值；

第一鉴别单元，用于确定所述判别程度值与1的差值，得到第一差值；若所述第一差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为家种滇龙胆；

第二鉴别单元，用于确定所述判别程度值与2的差值，得到第二差值；若所述第二差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为野生滇龙胆。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的近红外光谱龙胆鉴别方法和系统，通过获取待测龙胆的光谱数据，利用构建得到的偏最小二乘法鉴别模型就可以能够对待测龙胆进行快速、无损、高效、精确的检测，以鉴别得到待测龙胆的具体种类。进而使得本发明提供近红外光谱龙胆鉴别方法和系统具有成本低、操作简单、检测速度快、所需样品少、无污染、检测精度高、可靠性强等特点。

附图说明

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的近红外光谱龙胆鉴别方法的流程图；

图2为本发明实施例13种滇龙胆产地的平均光谱图；

图3为本发明实施例中pca分析的第一条投影向量图；

图4为本发明实施例中pca分析的第二条投影向量图；

图5为本发明实施例中pca分析的第三条投影向量图；

图6为本发明提供的近红外光谱龙胆鉴别系统的结构示意图。

具体实施方式

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。

本发明的目的是提供一种近红外光谱龙胆鉴别方法和系统，以在保证准确率的同时，能够实时、快速对龙胆进行鉴别。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的近红外光谱龙胆鉴别方法的流程图，如图1所示，本发明提供的近红外光谱龙胆鉴别方法包括：

步骤100：获取龙胆植株的压片样本集；所述压片样本集包括多个龙胆植株的样本压片。

步骤101：采用光谱仪采集所述样本压片的光谱数据。

步骤102：根据所述光谱数据确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中光谱与平均光谱间的夹角。

步骤103：对所述光谱角数据中的光谱角进行排序，得到排序结果。

步骤104：获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集。

步骤105：将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集。

步骤106：获取所述建模集中各光谱的波长，并确定所述波长对应的第一光谱强度。

步骤107：根据所述第一光谱强度确定所述建模集的第一光谱向量，并根据所述第一光谱向量确定第一光谱矩阵。

步骤108：采用主成分分析法根据所述第一光谱矩阵确定投影向量。

步骤109：采用所述投影向量对所述第一光谱矩阵进行更新，得到第二光谱矩阵；步骤109具体包括：

获取所述投影向量中贡献率排名前三的投影子向量。

根据所述投影子向量确定特征波长，并获取建模集中各光谱的波长与所述特征波长相等的光谱波长，确定所述光谱波长的光谱强度得到第二光谱强度。

根据所述第二光谱强度确定所述建模集的第二光谱向量，并根据所述第二光谱向量确定第二光谱矩阵。

步骤110：以所述第二光谱矩阵为输入，以判别程度值为输出构建偏最小二乘法鉴别模型；所述偏最小二乘法鉴别模型为：

其中，y为判别程度值，α0…αm为系数，y为判别程度值，为不同特征波长的光谱强度，m＝23。

步骤111：获取待测龙胆植株的光谱数据。

步骤112：根据所述待测龙胆植株的光谱数据确定所述待测龙胆的光谱矩阵。

步骤113：采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定鉴别结果；所述鉴别结果为：所述待测龙胆为野生龙胆或所述待测龙胆为家种龙胆。

步骤113具体包括：

采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定所述判别程度值。

确定所述判别程度值与1的差值，得到第一差值；若所述第一差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为家种滇龙胆；

确定所述判别程度值与2的差值，得到第二差值；若所述第二差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为野生滇龙胆。

为了进一步提高鉴别的精确度，在步骤105之后还可以进一步包括：

判断所述建模集与所述测试集中光谱条数的比例是否为2:1，得到判断结果。

若所述判断结果为是，则对所述区间的个数不作调整。

若所述判断结果为否，则调整所述区间的个数，并返回步骤105。

下面提供一个具体实施案例进一步说明本发明的方案，本发明具体实施案例中以滇龙胆的鉴别为例进行阐述，在具体应用时，本发明的方案也适用于其他种类龙胆的鉴别。

步骤1：采集样本，加压成片。

收集云南省内不同产地的滇龙胆植株，洗净根部，烘干研磨，每株样本取0.15g加压成片，压片表面相对平整，有利于减少粉末状表面不均匀带来的实验误差，野生样本取自后岩山头，共十株，其余是家种，样本种类和数量如表1所示：

表1

步骤2：采集光谱

光源和光谱信号接收探头分别安装在两个三脚架上，光源采用50w卤素灯，连接探头的光谱仪采用asdfieldspec4高分辨光谱仪(analyticalspectraldevices，inc.，boulder，colorado，usa)，可采集光谱范围为350-2500nm，压片样本离探头距离2cm，光源照射到压片样本表面，表面反射光再由探头搜集，经过光谱仪变成光谱信号，一个压片采集三条光谱，共采集384条光谱，每条光谱波长范围是350-2500nm，有2151个波长。

步骤3：根据光谱角划分建模集和预测集

以野生滇龙胆压片的光谱为例，计算光谱与其平均光谱(13种滇龙胆的平均光谱如图2所示)的夹角，此夹角称为光谱角，计算方式如下：

其中，a为野生滇龙胆压片的一条光谱，b为野生滇龙胆压片的平均光谱，θ为光谱角。

根据光谱角θ按升序排序，光谱角最大值和最小值对应的光谱放入建模集，对于剩下的光谱角，先人为任意划分出若干个区间，取区间中间的光谱角对应的光谱放入预测集，其他光谱角对应的光谱放入建模集。

因为若区间数量过大，则预测集光谱数量较多，若区间数量过少，则建模集光谱数量较多，在人为任意划分的若干个区间下，若建模集与预测集的光谱数量比不满足2:1，再调整区间个数，以保证建模集和预测集的比列大约是2:1即可，充分保证建模集和预测集的光谱均匀性。

对滇龙胆的384条光谱按照光谱角划分建模集和预测集，结果是建模集有260条光谱，预测集有124条光谱。

光谱角的本质是两条光谱向量的夹角，能有效表示光谱的偏离程度，夹角越大，两条光谱差别越大，对于每一产地的滇龙胆光谱，求出每一条光谱与其平均光谱的光谱角，将光谱角划分为若干区间，每个区间中间光谱角对应的光谱放入预测集，能有效保证建模集和预测集的均匀性，模型代表性能有所提高，且大大提高了建模效果。

步骤4：特征波长筛选

为了减少输入信息，提高模型效率，基于主成分分析(pca,principalcomponentanalysis)筛选特征波长。

pca是一种非监督方法，对光谱变量进行线性组合形成新的能有效代表滇龙胆信息的线性无关的得分变量，线性组合的方式是向量投影，目标是使光谱变量投影后的得分变量方差越大越好，依据方差大小，pca能产生贡献率不同的投影向量。

对建模集的光谱矩阵进行pca分析，记录谱线的波长为λ1,λ2,……,λp，其中，p＝2151。一条光谱有2151个波长，其对应谱线强度为iλ1,iλ2,……iλp，建模集的光谱向量可表示为xi，(i＝1,2……260)，建模集的光谱矩阵可表示为假设投影向量v＝[a1,a2……ap]。则得分变量可表示为：x×v，计算投影向量的方法如下：

得分变量的方差σ²为：

其中，令则

则v′＝argmax(σ²)＝argmaxv^tcv，通过构造拉格朗日函数的方法可以求得不同的投影子向量v′，由公示知不同的投影子向量v′可以求得不同的方差，方差越大代表对应的投影子向量v′的贡献率越大。

采用上述计算过程，找到贡献率前三的投影子向量v1,v2,v3，其投影子向量v1,v2,v3的结果图如图3-图5所示。

对于三条投影向量，人为选择拐点处的波长作为特征波长p，特征波长的筛选一方面可以降低背景噪声另一方面可以减少模型的输入，提高模型运行速度和精度。从三条投影子向量轴上共筛选出23个特征波长整理如下表2所示。

表2

步骤5:判别模型公式

通过特征波长的筛选，谱线波长从2151个减少到23个，记录为p1,p2,…,pm，(m＝23)，其对应谱线强度为ip1,ip2,……ipm。此时，建模集的新光谱向量可表示为x′i，(i＝1,2……260)，建模集的新光谱矩阵可表示为

以判别程度值作为输出，以建模集的新光谱矩阵x′作为输入，建立偏最小二乘法鉴别模型，该模型为

其中，y为判别程度值，α0…αm为系数，y为判别程度值，为不同特征波长的光谱强度，m＝23。

集合上述滇龙胆的采样数据，通过求解，得到偏最小二乘法鉴别模型的方程如下：

y＝2.41+8.36ip1+42.93ip2-188.78ip3+186.77ip4-164.82ip5+224.7ip6-339.9ip7-14.73ip8+209.39ip9+30.62ip10+66.5ip11-256.48ip12-538ip13+536.23ip14+274.76ip15-183ip16+19.93ip17-16.8ip18+376.19ip19-477.6ip20-35.73ip21+808.57ip22-568.97ip23

其中，ipm代表特征波长的光谱强度，共23个。

若输出的判别程度y值与1的绝对值之差小于0.5，则被鉴别为家种滇龙胆，若y值与2的绝对值之差小于0.5，则被鉴别为野生滇龙胆，其他情况则被判别为既不属于家种滇龙胆也不属于野生滇龙胆。

通过采用偏最小二乘法鉴别模型的方程求得建模集和预测集的准确率分别为97.69％和97.79％。

此外，针对于上述近红外光谱龙胆鉴别方法，本发明还对应提供了一种近红外光谱龙胆鉴别系统，如图6所示，该系统包括：样本集获取模块200、光谱数据采集模块201、光谱角数据确定模块202、排序模块203、建模集构建模块204、预测集构建模块205、第一光谱强度确定模块206、第一光谱矩阵确定模块207、投影向量确定模块208、第二光谱矩阵确定模块209、偏最小二乘法鉴别模型构建模块210、光谱数据获取模块211、待测龙胆的光谱矩阵确定模块212和鉴别模块213。

其中，样本集获取模块200用于获取龙胆植株的压片样本集；所述压片样本集包括多个龙胆植株的样本压片。

光谱数据采集模块201用于采用光谱仪采集所述样本压片的光谱数据。

光谱角数据确定模块202用于根据所述光谱数据确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中光谱与平均光谱间的夹角。

排序模块203用于对所述光谱角数据中的光谱角进行排序，得到排序结果。

建模集构建模块204用于获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集。

预测集构建模块205用于将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集。

第一光谱强度确定模块206用于获取所述建模集中各光谱的波长，并确定所述波长对应的第一光谱强度。

第一光谱矩阵确定模块207用于根据所述第一光谱强度确定所述建模集的第一光谱向量，并根据所述第一光谱向量确定第一光谱矩阵。

投影向量确定模块208用于采用主成分分析法根据所述第一光谱矩阵确定投影向量。

第二光谱矩阵确定模块209用于采用所述投影向量对所述第一光谱矩阵进行更新，得到第二光谱矩阵。

偏最小二乘法鉴别模型构建模块210用于以所述第二光谱矩阵为输入，以判别程度值为输出构建偏最小二乘法鉴别模型。

光谱数据获取模块211用于获取待测龙胆植株的光谱数据。

待测龙胆的光谱矩阵确定模块212用于根据所述待测龙胆植株的光谱数据确定所述待测龙胆的光谱矩阵。

鉴别模块213用于采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定鉴别结果；所述鉴别结果为：所述待测龙胆为野生龙胆或所述待测龙胆为家种龙胆。

作为本发明提供的近红外光谱龙胆鉴别系统的另一实施例，该系统还包括：判断模块。

判断模块用于判断所述建模集与所述测试集中光谱条数的比例是否为2:1，得到判断结果。

若所述判断结果为是，则对所述区间的个数不作调整。

若所述判断结果为否，则调整所述区间的个数，并返回预测集模块执行“将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建预测集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集”的步骤。

作为本发明的另一实施例，上述第二光谱矩阵确定模块209具体包括：投影子向量确定单元、第二光谱强度确定单元和第二光谱矩阵确定单元。

其中，投影子向量确定单元用于获取所述投影向量中贡献率排名前三的投影子向量。

第二光谱强度确定单元用于根据所述投影子向量确定特征波长，并获取建模集中各光谱的波长与所述特征波长相等的光谱波长，确定所述光谱波长的光谱强度得到第二光谱强度。

第二光谱矩阵确定单元用于根据所述第二光谱强度确定所述建模集的第二光谱向量，并根据所述第二光谱向量确定第二光谱矩阵。

作为本发明的另一实施例上述鉴别模块213具体包括：判别程度值确定单元、第一鉴别单元和第二鉴别单元。

其中，判别程度值确定单元用于采用所述偏最小二乘法鉴别模型，根据所述待测龙胆的光谱矩阵确定所述判别程度值。

第一鉴别单元用于确定所述判别程度值与1的差值，得到第一差值；若所述第一差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为家种滇龙胆；

第二鉴别单元用于确定所述判别程度值与2的差值，得到第二差值；若所述第二差值的绝对值小于0.5，则所述鉴别结果为：所述待测龙胆为野生滇龙胆。

相对于现有技术中的龙胆鉴别方法，本发明所提供的技术方案具有以下优点：

1、近红外光谱光谱能够对样品进行快速、无损、高效地检测，且成本较低，无需使用化学试剂或过多的样品前处理过程，模型的预测效果优良，具有检测速度快、所需样品少、无污染、检测精度高、可靠性强等特点。

2、筛选出特征波长能减少模型的输入变量，提高模型效率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。