一种微腔光频梳气体浓度传感测量方法

1.本发明属于回音壁光学微腔传感技术领域，尤其涉及一种微腔光频梳气体浓度传感测量方法。


背景技术：

2.光频梳技术已经给光谱学，特别是分子光谱学领域带来革命性的发展。一个光频梳能够以很高频率稳定性的宽带激光谱线照射样品，每根谱线可用低廉的探测器阵列技术获得，这种方法能够获得普通频谱仪不能获得的高测量精度。用这种方法，像分子振动谐波等过程在频谱上任何小的改变都能被探测到。对中红外的频梳源可获得更好的探测效果，因为此时分子振动特征更强烈。中红外光频梳已经被证实可探测到十亿分率的气体浓度。
3.最近，用两个片上微腔实现的dcs(dual-comb spectroscopy，双梳频谱)在频谱测量领域显示了重要应用(文献1：[24]i. coddington，n.newbury and w.swann，“dual-comb spectroscopy，”optica，2016，3(4)，pp.414-426.即i.coddington，n.newbury and w.swann，双频梳技术，光学，2011，78，pp.414-426.)。dcs是通过采用两个具有微小重复频率差的光梳，再由这两个光梳输出相干脉冲序列之间的异步光取样来实现光谱分析测量，其基本原理与傅里叶变换光谱方法类似，但是无需采用傅里叶变换光谱方法中的动镜来实现光谱扫描，使得dcs可将任何传统光谱分析方法都无法同时获得的宽光谱覆盖、高检测灵敏度、高分辨率、快速测量等指标集于一身，加上光梳本身所具有的高频率精度，dcs展现出了无与伦比的综合性能。dcs技术由两个具有略微不同重复频率的光频梳在光电探测器中混频，产生一个射频频梳，该频梳梳齿为相邻光频梳梳齿混频形成的拍频。该射频拍梳包含了光频梳的相关频谱信息，且很容易可被射频电子设备探测。
[0004]
然而dcs技术中的采样气体均设置在光频梳的照射光路中，光与物质相互作用不强。为继续提高光频梳测量技术的灵敏度，有研究者在探测人体呼吸气体成分时，由于需要大的频谱范围，高的频谱分辨率以及高灵敏度和快速的响应时间探测技术，将锁模激光形成的光频梳耦合进一个装有待测样品的fp腔，以增强光频梳与待测物质的相互作用(文献1：m.j.thorpe，k.d.moll，r.j.jones，b.safdi，j.ye，
″
broadband cavity ringdown spectroscopy for sensitive and rapic molecular detection，
″
science，2006，311，1595-1599即m.j.thorpe，k.d.moll，r.j.jones，b.safdi，j.ye，
″
灵敏和快速分子检测的宽带微腔振铃光谱，
″
科学杂志，2006，311，1595-1599)。只有当频梳频率与腔模完全匹配，持续的激光脉冲相干的增加到腔内，才能提高腔内的光强和增强光与待测物质相互作用。将外界光频梳耦合进一个微腔且确保数目庞大的梳齿与腔的模式完全匹配是一个非常困难的问题。频梳的频率结构可以表达为vn＝nf
rep
+fo，这里n指的是频梳的第n个模式，f
rep
是频梳重复频率，fo是载波频率。为了匹配腔模，频梳的这两个参量必须进行单独控制。前者用微电机和压电陶瓷分别粗调和细调fp腔的腔长实现，后者则通过倾斜fp腔的高反射镜实现。以上仅仅是实现模式匹配的一个方面。另一方面在于腔内的色散(气体)使得腔模并非等频率间隔从而使得腔模与频梳频率并非严格匹配。因此研究者根据腔内气体的正色散特
点，用低色散和宽带反射镜构造了一种振铃微腔来产生负色散有效补偿了腔内的色散。
[0005]
总之，微腔光频梳测量具有宽带和高频率分辨率的优点，但目前局限于测量气体样品的吸收谱，测量方式单调；而传统微腔传感中样品与微腔模场发生相互作用，具有较高敏度，但仅局限于单个或者有限几个模式进行探测。因此，为继续探索提高微腔光频梳测量的灵敏度，必须探索新的微腔光频梳气体浓度传感测量方法。
[0006]
针对上述技术问题，故需要进行改进。


技术实现要素：

[0007]
本发明的目的是实现一种基于机器学习算法的回音壁微腔光频梳气体浓度传感方法。
[0008]
为了达到以上目的，本发明所采用的技术方案是：一种微腔光频梳气体浓度传感测量方法，包括以下步骤：
[0009]
步骤(一)：训练数据采集；首先，采取多组训练数据用于深度神经网络传感数据检测模型训练；每组训练数据由光频梳梳齿能量值以及与其对应的气体传感浓度值构成；将其分别作为深度神经网络的输入和目标输出值，对深度神经网络进行训练，以使神经网络建立两者之间的映射关系；当用连续光激发微腔光频梳时，用光谱仪采集光频梳出射频谱，从中提取对应气体浓度下的光频梳传感测量值，并将其与对应的气体浓度值作为一组训练数据；采集足够多组训练数据后，将采集到的光频梳梳齿能量值以及与其对应的气体传感浓度值进行归一化处理，将处理以后的数据集作为最终训练数据集；
[0010]
步骤(二)：dnn神经网络传感数据检测模型训练；将经过步骤(一)处理以后的光频梳梳齿能量值作为输入数据，将经过步骤(一)归一化处理以后的气体浓度训练标签值作为输出数据；训练dnn神经网络传感数据检测模型，建立并保存光频梳梳齿能量值与其对应的训练标签值之间的映射关系；
[0011]
步骤(三)：测试数据采集；将整个探测系统放置在测量环境中，在回音壁光学微腔中通入待检测浓度的气体采样，当用连续光激发微腔光频梳时，用光谱仪采集光频梳出射频谱，可得到光频梳梳齿能量值；将采集到的光频梳梳齿能量值进行归一化处理，将其作为测试数据集；
[0012]
步骤(四)：dnn神经网络传感数据检测模型测试；将在步骤(三)中取得的测试数据，即光频梳梳齿能量值，输入到训练完成的dnn神经网络中，输出为对应待测气体浓度。
[0013]
作为本发明的一种优选方案，所述步骤(三)中，回音壁光学微腔包括微柱腔、微球腔、微瓶腔、微环芯腔和微盘腔。
[0014]
作为一种特殊的光学谐振腔，回音壁光学微腔是指通过边界连续的全反射，将光子长时间的局域在微腔内形成回音壁模式的一类介质谐振腔。由于其特有的回音壁模式，使其具有超高q值、极小的模式体积、超高的能量密度和极窄的线宽等优越特性，从而成为最典型的一类光子器件。与法布里-珀罗腔，光子晶体谐振腔相比除了具有超高的q值和极小的模式体积以外，回音壁模式谐振腔还具有容易制备，结构简单，能够通过光纤波导有效的激励和探测等优点。
[0015]
基于微腔光频梳的物理机制，在一个微腔中同时实现光频梳产生和传感，重点是一个微腔内两种相互作用的物理过程。在微腔内引入目标传感测量，针对频梳形成的非线
性效应和微腔传感微扰过程结合的复杂非线性过程，即传感导致腔模变化进而通过非线性效应改变光频梳谱线，利用光频梳谱线的变化进而反推传感待测量。其探测工作过程为：将探测气体充入回音壁光学微腔中，产生的光频梳会在微腔内吸收气体，实现腔增强探测。因此，对该微腔光频梳传感器，通过在光频梳频谱内提取多个有效梳齿的能量变化作为有效传感信息，建立人工神经网络传感数据检测模型实现传感测量。
[0016]
本发明提供了一种基于回音壁光学微腔光频梳的传感测量方法，包括：将检测光源输入回音壁微腔产生光频梳，同时通入一定检测浓度的采样气体，以获取所述被测物质的光频梳梳齿能量值，并获取与所述光频梳梳齿能量值对应的传感检测量；将所述光频梳梳齿能量值和与所述传输消光值对应的传感检测量作为训练数据，对预置的深度神经网络(deep neural networks，dnn)模型进行训练，得到训练好的深度神经网络模型；根据所述传感检测量优化所述神经网络模型中的各个参数，得到优化后的神经网络模型；利用所述优化后的神经网络模型，测量气体浓度传感检测量。
[0017]
本发明的有益效果是：
[0018]
本发明结合了微腔传感具有超高灵敏度的特点，又兼具光频梳谱宽带高频率分辨率的优点，提出研究微腔增强的光频梳传感方法；同时借助机器学习智能算法将多模传感信息进行有效融合，实现传感测量。该方法通过将气体采样通入微腔光频梳中增强光与物质相互作用，提高了传感灵敏度，针对其传感的复杂非线性机理，采用机器学习等方法进行传感测量，综合了多个频梳梳齿的传感信息，提高了传感灵敏度和容噪能力，又能提供丰富的传感维度以实现多参量传感。
附图说明
[0019]
图1是本发明提供的研究微腔光频梳的微环谐振腔示意图；
[0020]
图2是本发明提供的光频梳单个梳齿改变时光频梳局部梳齿能量值变化的示意图；
[0021]
图3是本发明提供的光频梳单个梳齿改变时dnn神经网络模型在设置不同模型参数时的测量性能的示意图；
[0022]
图4是本发明提供的光频梳单个梳齿改变时dnn神经网络模型预测结果与理论结果对比的示意图；
[0023]
图5是本发明提供的光频梳单个梳齿改变时dnn神经网络模型对测试数据在不同信噪比下的预测性能变化的示意图；
[0024]
图6是本发明提供的光频梳多个梳齿改变时dnn神经网络模型预测结果与理论结果对比的示意图；
[0025]
图7是本发明提供的光频梳多个梳齿改变时dnn神经网络模型对测试数据在不同信噪比下的预测性能变化的示意图；
[0026]
图8是本发明提供的仿真模拟甲烷气体浓度改变导致光频梳的改变时dnn神经网络模型预测结果与理论结果对比的示意图；
[0027]
图9是本发明提供的仿真模拟甲烷气体浓度改变导致光频梳的改变时dnn神经网络模型对测试数据在不同信噪比下的预测性能变化的示意图；
具体实施方式
[0028]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
[0029]
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”、“相连”、“连接”应做广义理解，例如，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。
[0030]
本发明涉及一种基于机器学习的微腔光频梳气体浓度传感测量方法，包括以下步骤：
[0031]
步骤(一)：训练数据采集：首先，采取多组训练数据用于深度神经网络传感数据检测模型训练。每组训练数据由光频梳梳齿能量值以及与其对应的气体传感浓度值构成。将其分别作为深度神经网络的输入和目标输出值，对深度神经网络进行训练，以使神经网络建立两者之间的映射关系。当用连续光激发微腔光频梳时，用光谱仪采集光频梳出射频谱，从中提取对应气体浓度下的光频梳传感测量值，并将其与对应的气体浓度值作为一组训练数据；类似的，通过改变待测气体的浓度，采集相应光频梳梳齿能量值，可获取多组训练数据。
[0032]
采集足够多组训练数据后，将采集到的光频梳梳齿能量值以及与其对应的气体传感浓度值进行归一化处理，将处理以后的数据集作为最终训练数据集。
[0033]
步骤(二)：dnn神经网络传感数据检测模型训练：将经过步骤(一)处理以后的光频梳梳齿能量值作为输入数据，将经过步骤(一)归一化处理以后的气体浓度训练标签值作为输出数据；训练dnn神经网络传感数据检测模型，建立并保存光频梳梳齿能量值与其对应的训练标签值之间的映射关系。
[0034]
步骤(三)：测试数据采集：将整个探测系统放置在测量环境中，在回音壁光学微腔中通入待检测浓度的气体采样，当用连续光激发微腔光频梳时，用光谱仪采集光频梳出射频谱，可得到光频梳梳齿能量值；将采集到的光频梳梳齿能量值进行归一化处理，将其作为测试数据集。
[0035]
步骤(四)：dnn神经网络传感数据检测模型测试：将在步骤(三)中取得的测试数据，即光频梳梳齿能量值，输入到训练完成的dnn神经网络中，输出为对应待测气体浓度。
[0036]
实施例：
[0037]
在本发明实施例中，拟采用硅衬底sio2上的si3n4薄膜来研究微腔光频梳，其参数设置如表1所示。
[0038]
表1：研究微腔光频梳的微环谐振腔参数
[0039][0040]
该研究微腔光频梳的微环谐振腔结构如图1所示，采用响应式倏逝场传感，光场局限在谐振腔内，但仍有部分能量通过倏逝场泄漏到环境中，当待测物质靠近回音壁光学微腔并进入到倏逝场后，与倏逝场相互作用，将会导致微环波导有效折射率变化，进而导致光频梳梳齿对应的耗散率κ
α
改变，引起光频梳梳齿能量值改变。光频梳谱变化和传感目标之间为复杂的非线性映射关系，应用机器学习算法实现两者之间解析，实现该传感机制。
[0041]
在本发明实施例中，建立了深度神经网络(dnn)传感数据检测模型，该模型采用三层结构，分为输入层、隐藏层以及输出层。使用训练数据对神经网络模型进行训练，其中，神经网络模型以训练数据中进行归一化的光频梳梳齿能量值作为输入，以谐振腔内气体浓度作为唯一的输出，使得神经网络模型学习并保存两者之间的映射规律。
[0042]
神经网络模型的基础参数设置如表2所示。
[0043]
dnn神经网络模型的主要参数包含输入层、隐藏层、输出层节点数、优化器、损失函数、评价指标、时期epoch、批尺寸batch_size。在用该dnn神经网络模型进行气体浓度测量时，选择优化的参数包含输出层节点数、时期epoch、批尺寸batch_size，以提高其测量精度。
[0044]
表2：dnn神经网络参数
[0045]
[0046][0047]
在本发明实施例中，光频梳在波长1310nm到1910nm范围内，一共有101个梳齿，因此将输入层节点数确定为101个。神经网络模型的输出为谐振腔内的气体浓度，因此输出层节点数为1。在训练之前，对数据集进行归一化处理并均分为十组，采用交叉验证法，得到十组不同训练数据与测试数据，以提高测量精度。
[0048]
在本发明实施例中，对以下三种不同光频梳变化情况使用上述dnn神经网络模型测试：
[0049]
(1)首先，假定谐振腔内气体浓度改变导致光频梳单个梳齿能量值发生改变。气体浓度改变时，光频梳梳齿对应的耗散率к
α
改变，因此通过改变光频梳单独某一梳齿的耗散率к
α
代入仿真程序获取光频梳单个梳齿变化的数据集。
[0050]
假定气体浓度改变导致光频梳第58根梳齿(对应波长1510nm)能量值改变，如图2所示，将光频梳第58个梳齿对应的耗散率к
α
分别设为-10、-100、-1000，得到光频梳第58个及附近梳齿的能量变化图。
[0051]
当通过理论仿真获取光频梳第58个梳齿变化的数据集时，光频梳第58根梳齿对应的耗散率к
α
初值为-9.9，最大取值为0，取值间隔为0.1，数量为100组。将耗散率к
α
代入仿真仿真程序，从而获得相应光频梳梳齿能量值，此时为简单起见，以光频梳第58个梳齿的耗散率к
α
代替气体浓度作为神经网络模型的输出。将光频梳梳齿能量值和对应的耗散率进行归一化处理并均分为十组，采用交叉验证法，得到十组不同的训练与测试数据。
[0052]
将神经网络模型的初始参数设置为：隐藏层节点数为50，epoch为1400，batch_size为15。如图3所示，表示了神经网络模型在重复评估次数、隐藏层节点数、epoch、batch_size变化时，神经网络模型测量的耗散率与理论仿真的耗散率的均方误差的变化。
[0053]
如图3(a)所示，神经网络模型重复评估次数变化时均方误差变化幅度较小，因此，将神经网络模型重复次数设值为1。在此基础上，进行神经网络参数优化。
[0054]
如图3(b)所示，将隐藏层节点数固定为50，batch_size固定为15时，当epoch为2000时，均方误差取得最小值，因此，将神经网络模型的epoch设置为2000。在此基础上，继续优化其他神经网络参数。如图3(c)和(d)所示，分别表示了batch_size和隐藏层神经元个数变化时均方误差的变化情况。最终确定各参数的取值如表3所示。
[0055]
表3
[0056][0057]
当网络训练好后，用测试数据进行测试，将神经网络模型的输出值进行反归一化处理，得到测试数据对应的耗散率к
α
的测量值，其均方误差达到了1.09
×
104。对仿真生成的数据加入不同强度的噪声，生成不同信噪比下的多组数据用于神经网络模型训练。为了提高神经网络模型的测试精度，将带噪声的数据集由100组扩充到400组(耗散率к
α
取值为[-39.9∶0.1∶0])，重复上述方法，得到不同信噪比情况下神经网络模型对测试数据的耗散率к
α
的测量值。
[0058]
如图4所示，分别表示了在无噪声、信噪比为70db、50db、30db情况下，神经网络模型预测的耗散率к
α
与理论仿真的耗散率к
α
的对比图。从图中可以看出，在无噪声以及信噪比为70db情况下，预测耗散率与理论耗散率的数据点基本吻合。在信噪比为30db情况下，受噪声影响，预测耗散率则与理论耗散率的数据点存在较大误差。
[0059]
如图5所示，表示了在不同信噪比情况下，神经网络模型预测的耗散率к
α
与理论仿真的耗散率к
α
的均方误差的变化，从图中可以看出，随着信噪比增大，神经网络模型的预测结果的均方误差逐渐变小。
[0060]
(2)其次，假定谐振腔内气体浓度改变导致光频梳多个梳齿能量值发生改变。气体浓度改变时，光频梳梳齿对应的耗散率κ
α
改变，除此之外，耗散率к
α
还与光频梳梳齿对应的波长有关，可知当气体浓度改变时，光频梳的每一个梳齿对应着一个不同的耗散率κa，且都发生改变。通过改变光频梳不同梳齿对应的耗散率κa代入仿真程序获取光频梳多个梳齿变化的数据集。
[0061]
假定气体浓度改变导致光频梳第34、35、36个梳齿(对应波长1642nm、1648nm、1655nm)能量值改变，将气体浓度和梳齿对应波长代入以下公式计算得到上述3个梳齿对应的耗散率κ
α
。
[0062]
利用下式获得波导损耗系数α
gas
：
[0063][0064]
其中c表示谐振腔内气体浓度(ppm)，λ表示光频梳梳齿对应波长(nm)，a＝0.8表示增益，λ0＝1650nm为泵浦波长，γ＝10nm为窗口宽度。
[0065]
利用波导损耗系数获得微腔品质因数q：
[0066][0067]
其中n
eff
＝2.45表示波导有效折射率。
[0068]
利用微腔品质因数获得光子寿命τ：
[0069][0070]
其中c＝3
×
108m/s表示真空中的光速。
[0071]
之后利用下式计算得到耗散率κ
α
：
[0072][0073]
当通过理论仿真获取光频梳第34、35、36个梳齿变化的数据集时，气体浓度初值为100ppm，最大取值为999900ppm，取值间隔为200，数量为5000组。将气体浓度和梳齿对应波长代入上述公式计算得到梳齿对应的耗散率к
α
代入仿真仿真程序，从而获得相应光频梳梳齿能量值，将光频梳梳齿能量值和对应的气体浓度进行归一化处理并均分为十组，采用交叉验证法，得到十组不同的训练与测试数据。
[0074]
通过上述方法对神经网络模型参数进行优化，当网络训练好后，用测试数据进行测试，将神经网络模型的输出值进行反归一化处理，得到测试数据对应的气体浓度的测量值，其均方误差达到了2.93
×
10-5
。对仿真生成的数据加入不同强度的噪声，生成不同信噪比下的多组数据用于神经网络模型训练，重复上述方法，得到不同信噪比情况下神经网络模型对测试数据的气体浓度的测量值。
[0075]
如图6所示，分别表示了在无噪声、信噪比为80db、70db、60db情况下，神经网络模型预测的气体浓度与理论仿真的气体浓度的对比图。从图中可以看出，在无噪声以及信噪比为80db情况下，预测气体浓度与理论气体浓度的数据点基本吻合。但在信噪比为60db情况下，预测气体浓度则与气体浓度耗散率的数据点存在较大误差。
[0076]
如图7所示，表示了在不同信噪比情况下，神经网络模型预测的气体浓度与理论仿真的气体浓度的均方误差的变化，从图中可以看出，随着信噪比增大，神经网络模型的预测结果的均方误差逐渐变小。
[0077]
(3)最后，假定谐振腔内填充气体为甲烷，仿真模拟甲烷气体浓度变化时，光频梳梳齿能量值的变化。为了仿真得到甲烷气体在不同浓度下的光频梳梳齿能量值，本发明实施例从hitran网站上下载得到甲烷分子在光频梳对应波段(1310nm-1910nm)范围内的吸收谱线。将气体浓度与吸收谱线代入以下公式计算得到光频梳梳齿对应的耗散率к
α
，代入仿真程序获取光频梳变化的数据集。
[0078]
当气体浓度发生改变时，等价于气体单位体积物质的量发生改变，利用理想气体状态方程：
[0079]
pv＝nrt
[0080]
其中p表示气压(pa)，v表示气体体积(m3)；t表示环境温度(k)；r＝8.3145j
·
mol-1
·
k-1
表示比例常数，称为摩尔气体常数或简称为气体常数；n表示气体物质的量(mol)。
[0081]
代入p，v，r即可获得每单位体积(m3)物质的量。
[0082][0083]
由乘以阿伏伽德罗常数na即可获得分子数密度：
[0084][0085]
假设单位路径长度(1m)的吸收分子数密度为u(分子/m2)。如果把离线中心(v＝0)距离为波数v处的吸收系数记为kv，则该处的透过率tv为：
[0086][0087]
式中kvu常被称为光学厚度τv，kv表示分子吸收系数。获得透过率之后利用下式就可以计算气体吸收系数(db/m)。
[0088][0089]
计算的得到的气体吸收系数α
gas
等价于上述(2)中的波导损耗系数，将其代入上述(2)中公式计算得到微腔品质因数q和光子寿命τ，进而得到在不同的气体浓度下光频梳梳齿对应的耗散率к
α
。
[0090]
当通过理论仿真获取光频梳梳齿能量值变化的数据集时，气体浓度初值为2.058mol/m3，最大取值为2058mol/m3，取值间隔为2.058mol/m3，数量为1000组。将气体浓度代入上述公式计算得到光频梳101个梳齿对应的耗散率κ
α
代入仿真程序，从而获得相应光频梳梳齿能量值，将光频梳梳齿能量值和对应的气体浓度进行归一化处理并均分为十组，采用交叉验证法，得到十组不同的训练与测试数据。
[0091]
通过上述方法对神经网络模型参数进行优化，当网络训练好后，用测试数据进行测试，将神经网络模型的输出值进行反归一化处理，得到测试数据对应的气体浓度的测量值，其均方误差达到了2.44
×
10-5
。对仿真生成的数据加入不同强度的噪声，生成不同信噪比下的多组数据用于神经网络模型训练，重复上述方法，得到不同信噪比情况下神经网络模型对测试数据的气体浓度的测量值。
[0092]
如图8所示，分别表示了在无噪声、信噪比为80db、70db、60db情况下，神经网络模型预测的气体浓度与理论仿真的气体浓度的对比图。从图中可以看出，在无噪声以及信噪比为80db、70db、60db情况下，预测气体浓度与理论气体浓度的数据点基本吻合，具有良好的抗噪声性能。
[0093]
如图9所示，表示了在不同信噪比情况下，神经网络模型预测的气体浓度与理论仿真的气体浓度的均方误差的变化，从图中可以看出，随着信噪比增大，神经网络模型的预测结果的均方误差逐渐变小。
[0094]
通过对以上三种光频梳的变化情况使用dnn神经网络模型测试，可知在无噪声及大信噪比的情况下，预测传感检测量与真实传感检测量的数据点基本重合。该实施例表明本发明提到的算法对光频梳传感具有良好的测量性能和抗噪声性能。
[0095]
以上对本发明论述的一种基于智能算法的微腔增强光频梳传感方法进行了详细地介绍，以上的实例说明只适用于帮助理解本发明的方法及其核心思想而非对其进行限制，其他的任何未背离本发明的精神实质与原理下所作改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。