一种基于供应链和BP神经网络的区域性食品安全评价模型的制作方法

本发明涉及食品安全评价领域，尤其涉及一种基于供应链和bp神经网络的区域性食品安全评价模型。

背景技术：

食品的来源广泛，有些原料可以直接用作食物，有些需要经过加工，从原料到消费者的餐桌经过生产、加工、经营消费等多个环节都会受到很多因素的影响，比如环境破坏、生态失衡、资源紧缺等。

食品安全问题与环境问题、社会因素、食品消费、政府监管等密切相关，食品的质量和安全要得到保障，必须从源头生产到餐桌，对可能损害人体健康的物质或因素进行有效的监督。

食品安全评价体系作为食品安全研究的重要内容，国内外研究者从食品安全管理技术角度、消费者行为、整体性食品安全评价等方面已有相关研究，评价方法主要依据食品安全分类、模糊聚类等技术，但都没有客观、全面、统一的评价区域性食品安全状况的指标体系，指标体系的筛选及构建是食品安全监督管理的第一步。

本发明综合德尔菲法、层次分析法(ahp法)及bp神经网络等方法，以食品供应链为主线，贯穿食品质量安全，深入剖析影响食品安全的深层因素，在此基础上借鉴国内外食品安全监管经验,建立区域性食品安全评价体系指标及模型，以准确预测和评价区域性食品安全状况，为各地食品监管部门的食品安全评价、预测预警和科学监管提供有力支撑。

本发明基于供应链建立区域性食品安全状况评价指标体系，计算其权重，采用bp神经网络方法优化其权重，bp神经网络是一种基于输入信号正向传播、误差反向传播过程迭代的前向型人工神经网络，也是是人工神经网络中应用最广泛的神经网络之一。

技术实现要素：

bp神经网络又称为误差反向传播神经网络，由输入层、隐藏层和输出层构成的阶层型学习算法，其隐藏层可扩展为多层，各层之间的神经元相互连接，而每层内部的各神经元之间无连接。神经网络在外监督指导的方式下进行学习，将相应的信息输入到网络后，网络会形成一定的学习模式并且各层神经元间会相互响应产生连接权值。网络会遵循减小实际输出与期望输出之间误差的方向，逐层修正从输出层到各隐藏层间的连接权值，最后反馈到输入层；经过这样的反复循环，使神经网络的实际输出与期望输出之间的误差平方和最小，最终评价模型建立。

sigmoidfunction，即sigmoid函数，是一个在生物学中常见的s型函数，也称为s型生长曲线，在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。

基于现有技术的不足，本发明提供一种基于供应链和bp神经网络的区域性食品安全评价模型，其特征在于其包括下列步骤：

第一步：建立基于供应链的区域性食品安全评价指标体系，具体步骤包括，首先利用两次德尔菲法构建9个一级指标和26个二级指标评估指标体系，其次利用层次分析法即ahp法确定上述指标权重；

第二步：构建基于bp即backpropagation神经网络的区域性食品安全评价模型，具体步骤包括，首先获取食品安全评价体系各指标样本数据，将所述各指标样本数据和地区得分输入初始化的bp神经网络，其次根据计算训练数据的准确性调整参数，再次训练bp神经网络，最后得到区域性食品安全评价模型。

作为本发明基于供应链和bp神经网络食品安全状况预测模型的改进，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述bp神经网络，也可以称之为误差与信号反向传播，其包括输入层、一个或一个以上隐含层和输出层，所述输入层即样本数据导入，所述输入层作为所述bp神经网络的输入变量，是一个待分析的样本数据库，所述输入层节点个数根据影响因子确定，所述输入层节点的输入变量共26个，所述输出层是食品安全状况评价总分。

作为本发明基于供应链和bp神经网络食品安全状况预测模型的改进，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述bp神经网络的所述输入层和所述输出层的确定的首要步骤是确定输入向量和期望响应，所述输入向量是所述26个二级指标，所述期望响应是评价预测结果，其次根据所述样本数据训练所述bp神经网络模型，最后是对网络的权值和偏差进行调整。

作为本发明基于供应链和bp神经网络食品安全状况预测模型的改进，本发明一种基于供应链和bp神经网络食品安全状况预测模型以所述26个指标和所述食品安全状况评价总分作为训练数据，设定所述bp神经网络的激活函数为logistic函数，损失函数为误差平方和即sse，损失阈值为1×10^-4，学习率为0.01，选用backrprop算法进行参数优化，初始设定隐藏层数为1层，初始神经元数为7。

作为本发明基于供应链和bp神经网络食品安全状况预测模型的改进，本发明一种基于供应链和bp神经网络食品安全状况预测模型以所述指标数据和所述评价总分作为测试数据，计算所述测试数据的准确性，经敏感性分析对比结果发现，隐藏层数为2，神经元数分别为12和7，此参数设定下准确率达98.29％，经所述参数调整后，训练所述bp神经网络，得到所述区域性食品安全评价模型。

作为本发明基于供应链和bp神经网络食品安全状况预测模型的改进，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述误差从后向传播，在所述反向传播过程中，逐层修改所述权值和所述偏差，所述反向传播和所述误差调整过程依次为：所述隐含层与所述输出层之间、所述隐含层与所述隐含层之间以及所述输入层与所述隐含层之间的权值调整，通常一个多层所述bp神经网络由l层所述神经元组成，其中：第1层称为所述输入层，最后一层即第l层被称为所述输出层，其它各层均被称为所述隐含层即第2层至第l-1层。

令所述输入向量为：

所述输出向量为：

第l所述隐含层各种所述神经元的输出为：

设为从l-1层第j个所述神经元与l层第i个所述神经元之间的连接权重；为第l个所述神经元的偏置，那么：

其中，为1层第i个所述神经元的输入，f(·)为所述神经元的激活函数。通常在多层所述bp神经网络中采用非线性激活函数。所述bp神经网络通常使用sigmod函数作为所述激活函数：

它的变化范围为(0,1)，其导数为f‘＝f(1-f)

假定我们有m个所述训练样本{(x(1)，y(1)，(x(2)，y(2)，...，(x(m)，y(m))}，其中d(i)为对应输入x(i)的期望输出。所述bp神经网络算法通过最优化各层所述神经元的所述输入权值以及所述偏置，使得神经网络的输出尽可能地接近期望输出，以达到训练(或者学习)的目的。

采用批量更新方法，对于给定的m个所述训练样本，定义误差函数为：

其中e(i)为单个样本的训练误差：

因此，

所述bp神经网络算法每一次迭代按照以下方式对权值以及偏置进行更新：

其中，α为学习速率，它的取值范围为(0,1)。bp算法的关键在于如何求解和的偏导数。

第l层(2≤1≤l-1)的权值和偏置的偏导数为

其中，

与现有技术相比较，本发明基于供应链和bp神经网络的区域性食品安全评价模型具有以下有益效果：

目前传统的食品供应链是从食品的初级供应商到消费者各环节的经济利益主体所组成的自上而下的供需网络，往往是基于供应链上以食品的数量安全、质量安全为基础构建食品安全评价指标体系，本发明中的指标体系一级指标包括社会基本情况、环境污染治理、食品监管、种养殖、食品生产经营、食品消费、应急处置及社会关注度等多个方面准确、科学、及时地从食品源头根本问题、食品消费、政府监管到社会关注来全面地反映食品安全状况。

本发明采用的delphi法与ahp法都是基于专家知识与经验的主观判断法，将复杂问题给予定量与定性相结合的分析，使专家对指标体系的主观判断以数学的形式表现出来，减少了主观判断的偏差，能充分发挥各位专家的经验和知识，集思广益，同时又能避免受到个别权威的意见的影响，二者结合运用的方法又称delphi-ahp法，是常用的群体决策方法。

本发明应用层次分析法即ahp法确定出指标权重并依据r软件工具包进行优化，从网络层数、各层神经元个数、神经元转换函数等方面设计了bp神经网络结构，然后通过r软件，对设计出的bp网络结构模型进行训练和测试，并对实验结果做了分析，解决了传统评价模型主观性强、缺乏自学习能力等缺点，充分利用了神经网络自适应性强、容错率高等优点，有效地提高了食品安全评价的准确性，采用delphi-ahp法和bp神经网络两者结合的方法对区域性食品安全状况进行评价，获得了较为准确可靠的评价结果，为食品安全状况合理评价开辟了一条新的途径，为区域性食品安全状态评价工作提供参考依据。

本发明以食品供应链为主线贯穿“从农田到餐桌”的食品质量安全，结合危害分析与关键控制点(hazardanalysiscriticalcontrolpoint，haccp)的食品安全管理体系理论，深入剖析影响食品安全的关键因素，基于所述bp神经网络建立区域性食品安全评价体系指标及模型，旨在准确测试区域性食品安全状况，为食品安全监管部门对食品安全状态进行动态预测，并以此建立食品安全监管与预警体系，有效实施区域食品安全评价、预警和监管提供科学支撑。

附图说明

图1为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的所述区域性食品安全状况评价指标体系初步框架表；

图2为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的所述区域性食品安全状况评价指标体系及所述权重系数表；

图3为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的初始所述bp神经网络图；

图4为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的所述bp神经网络敏感性分析对比表；

图5为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的调参后所述bp神经网络图；

图6为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的真实得分与所述bp神经网络预测对比图；

图7为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的多层所述bp神经网络图；

图8为本发明基于供应链和bp神经网络的区域性食品安全评价模型优选实施例的sigmoidfunction图；

具体实施方式

本发明基于供应链和bp神经网络的区域性食品安全评价模型主要适用于区域性食品安全状况的评价。

参考图1、图2、图3、图4、图5、图6、图7、图8，下文将详细描述本发明基于供应链和bp神经网络的区域性食品安全评价模型。

本实施例中的一种基于供应链和bp神经网络的区域性食品安全评价模型，其特征在于其包括下列步骤：

第一步：建立基于供应链的区域性食品安全评价指标体系，具体步骤包括，首先利用两次德尔菲法构建9个一级指标和26个二级指标评估指标体系，其次利用层次分析法即ahp法确定上述指标权重；

第二步：构建基于bp即backpropagation神经网络的区域性食品安全评价模型，具体步骤包括，首先获取食品安全评价体系各指标样本数据，将所述各指标样本数据和地区得分输入初始化的bp神经网络，其次根据计算训练数据的准确性调整参数，再次训练bp神经网络，最后得到区域性食品安全评价模型。

在本实施例中，本发明申请人进行了文献检索，查阅了大量国内外相关食品安全状况研究资料，收集了国家食品药品监督管理总局和广东省食品药品监督管局有关食品安全评价考核的相关文件资料，依据《食品安全法》、国家食药总局《2015年食品药品安全工作考核评价细则》、《2016年广东省食品安全风险监测实施方案》、《2015年度广东省食品安全工作考核评价方案》等文件资料为基础，同时参考原卫生厅课题《广东省食品安全状况评价指标体系》、幸福广东食品安全评价指标——食品安全指数，建立《基于供应链区域性食品安全状况评价指标体系》框架。

在本实施例中，通过两次德尔菲法即delphi法构建了9个一级指标、26个二级指标评估指标体系详见附图1，所述9个一级指标包括社会基本情况、环境污染、环境治理、食品监管、种殖和养殖、食品生产经营、食品消费、应急处置和社会关注度，所述社会基本情况包括常住人口数、人口增长率和人均地区生产总值，所述环境污染包括废水排放总量、废气排放总量和工业固体废物生产量，所述环境治理包括城镇污水处理率和城市生活垃圾无害化处理率，所述食品监管包括每万人口食品安全监管人员数、人均食品安全监管项目经费增长率、各地市(区)日常监督抽检合格率和各地市(区)年度食品安全工作考核评价得分，所述种殖和养殖包括各地市(区)粮食总产量、各地市(区)肉类产量、各地市(区)禽蛋产量、各地市(区)水产品产量和主要食用农产品质量安全监测合格得分，所述食品生产经营包括各地市(区)重点食品安全状况监测合格率和餐饮服务食品安全量化分级管理得分，所述食品消费包括居民人均消费收入和限额以上餐饮企业平均年收入，所述应急处置包括集体食堂食品中毒事故发生率、较大食品事故发生起数、感染性腹泻病发病率和食源性疾病发生率，所述社会关注度包括食品安全关注度，所述9个一级指标细分出来的26个指标构成26个二级指标，其次利用层次分析法确定上述指标权重详见附图2，所述一级指标的所述社会基本情况w1取值0.165，所述二级指标的所述常住人口数w11取值0.454，组合权重为0.0747，所述二级指标的所述人口增长率w12取值0.322，组合权重为0.0530，所述二级指标的所述人均地区生产总值w13取值0.225，组合权重为0.0370。所述一级指标的所述环境污染w2取值0.223，所述二级指标的所述废水排放总量w21取值0.563，组合权重为0.126，所述二级指标的所述废气排放总量w22取值0.223，组合权重为0.0498，所述二级指标的所述工业固体废物生产量w23取值0.214，组合权重为0.0478。所述一级指标的所述环境治理w3取值0.173，所述二级指标的所述城镇污水处理率w31取值0.591，组合权重为0.102，所述二级指标的所述城市生活垃圾无害化处理率w32取值0.409，组合权重为0.0707。所述一级指标的所述食品监管w4取值0.105，所述二级指标的所述每万人口食品安全监管人员数w41取值0.452，组合权重为0.0475，所述二级指标的所述人均食品安全监管项目经费增长率w42取值0.316，组合权重为0.0326，所述二级指标的所述各地市(区)日常监督抽检合格率w43取值0.141，组合权重为0.0148，所述二级指标的所述各地市(区)年度食品安全工作考核评价得分w44取值0.0905，组合权重为0.00951，所述一级指标的所述种、养殖w5取值0.103，所述二级指标的所述各地市(区)粮食总产量w51取值0.239，组合权重为0.0247，所述二级指标的所述各地市(区)肉类产量w52取值0.228，组合权重为0.0235，所述二级指标的所述各地市(区)禽蛋产量w53取值0.213，组合权重为0.0219，所述二级指标的所述各地市(区)水产品产量w54取值0.185，组合权重为0.0190，所述二级指标的所述主要食用农产品质量安全监测合格得分w55取值0.135，组合权重为0.0139。所述一级指标的所述食品生产经营w6取0.0852，所述二级指标的所述各地市(区)重点食品安全状况监测合格率w61取值0.703，组合权重为0.0599，所述二级指标的所述餐饮服务食品安全量化分级管理得分w62取值0.297，组合权重为0.0254。所述一级指标的所述食品消费w7取0.0560，所述二级指标的所述居民人均消费收入w71取值0.529，组合权重为0.0296，所述限额以上餐饮企业平均年收入w72取值0.471，组合权重为0.0264。所述一级指标的所述应急处置w8取0.0555，所述二级指标的所述集体食堂食品中毒事故发生率w81取值0.538，组合权重为0.0299，所述二级指标的所述较大食品事故发生起数w82取值0.232，组合权重为0.0129，所述二级指标的所述感染性腹泻病发病率w83取值0.12，组合权重为0.00668，所述二级指标的所述食源性疾病发生率w84取值0.11，组合权重为0.00611。所述一级指标的所述社会关注度w9取0.0343，所述二级指标的所述食品安全关注度w91取值1，组合权重为0.0343。

在本实施例中，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述bp神经网络，也可以称之为误差与信号反向传播，其包括输入层、一个或一个以上隐含层和输出层，所述输入层即样本数据导入，所述输入层作为所述bp神经网络的输入变量，是一个待分析的样本数据库，所述输入层节点个数根据影响因子确定，所述输入层节点的输入变量共26个，所述输出层是食品安全状况评价总分，详见附图7，第1层称为所述输入层x，最后一层即第l层被称为所述输出层y，其它各层均被称为所述隐含层即第2层至第l-1层h。

在本实施例中，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述bp神经网络的所述输入层和所述输出层的确定的首要步骤是确定输入向量和期望响应，所述输入向量是所述26个二级指标，所述期望响应是评价预测结果，其次根据所述样本数据训练所述bp神经网络模型，最后是对网络的权值和偏差进行调整。

在本实施例中，本发明一种基于供应链和bp神经网络食品安全状况预测模型以所述26个指标和所述食品安全状况评价总分作为训练数据，设定所述bp神经网络的激活函数为logistic函数，损失函数为误差平方和即sse，损失阈值为1×10^-4，学习率为0.01，选用backrprop算法进行参数优化，初始设定隐藏层数为1层，初始神经元数为7。

在本实施例中，bp网络作为监督学习算法，训练过程首要步骤即是确定输入向量和期望响应，区域性食品安全评价模型输入向量即区域性食品安全评价26个二级指标，期望响应即区域性食品安全状况评价预测结果；必要条件即样本量充足，且具有一定可靠性和权威性，本报告的样本数据来自历年广东统计年鉴(2013—2016),各地级市公告(2013—2016)以及食品药品等各监督检验部门日常检测数据，训练过程通过提供的输入向量和期望响应，对网络的权值和偏差进行调整，最终实现期望效果。

在本实施例中，bp神经网络结构通常具有数据输入层,一个或多个隐层以及输出层，输入层即样本数据导入，作为神经网络的输入变量，相当于一个待分析的样本数据库，输入层节点个数根据影响因子确定。

在本实施例中，对于本报告的食品安全状况有显著性影响的指标共有26个详见附图1，决定了输入节点的输入变量共26个；输出层即各地级市食品安全状况评价总分，后续可根据分数进行排名，以2013-2015年各个地级市的26个指标和食品安全状况评价总分作为训练数据，设定bp神经网络的激活函数为logistic函数，损失函数为误差平方和即sse，损失阈值为1×10-4，学习率为0.01，选用backrprop算法进行参数优化；初始设定隐藏层数为1层，所述神经元数为7，训练所得所述bp神经网络详见附图3。

在本实施例中，以2016年的指标数据和评价总分作为测试数据，计算测试数据的准确性，见附图4，通过调整所述隐含层层数和所述神经元数，判断测试数据的准确性，隐藏层数为1，神经元数分别为7，准确率达93.01％；隐藏层数为1，神经元数分别为8，准确率达97.47％；隐藏层数为1，神经元数分别为9，准确率达86.82％；隐藏层数为1，神经元数分别为10，准确率达86.81％；隐藏层数为1，神经元数分别为11，准确率达86.47％；隐藏层数为1，神经元数分别为12，准确率达97.68％；隐藏层数为1，神经元数分别为13，准确率达88.78％；隐藏层数为2，神经元数分别为(8,5)，准确率达92.11％；隐藏层数为2，神经元数分别为(8,6)，准确率达95.82％；隐藏层数为2，神经元数分别为(8,7)，准确率达98.19％；隐藏层数为2，神经元数分别为(8,8)，准确率达95.58％；隐藏层数为2，神经元数分别为(8,9)，准确率达94.03％；隐藏层数为2，神经元数分别为(12,6)，准确率达96.09％；隐藏层数为2，神经元数分别为(12,7)，准确率达98.49％；隐藏层数为2，神经元数分别为(12,8)，准确率达97.24％；隐藏层数为2，神经元数分别为(12,9)，准确率达97.14％，经敏感性分析对比结果发现，隐藏层数为2，神经元数分别为12和7，此参数设定下准确率达98.29％。经参数调整后，训练所得神经网络详见附图5。

在本实施例中，在上述经调参后的bp神经网络模型测试下，2016年各地级市的归一化得分(所以得分经标化处理，落在0-1之间)详见附图6所示，其中，横坐标表示真实的得分，纵坐标表示经bp神经网络的预测得分，可见，真实得分与预测得分具有相当高的一致性。

在本实施例中，本发明一种基于供应链和bp神经网络食品安全状况预测模型以所述指标数据和所述评价总分作为测试数据，计算所述测试数据的准确性，经敏感性分析对比结果发现，隐藏层数为2，神经元数分别为12和7，此参数设定下准确率达98.29％，经所述参数调整后，训练所述bp神经网络，得到所述区域性食品安全评价模型。

在本实施例中，本发明一种基于供应链和bp神经网络食品安全状况预测模型的所述误差从后向传播，在所述反向传播过程中，逐层修改所述权值和所述偏差，所述反向传播和所述误差调整过程依次为：所述隐含层与所述输出层之间、所述隐含层与所述隐含层之间以及所述输入层与所述隐含层之间的权值调整，通常一个多层所述bp神经网络由l层所述神经元组成，其中：第1层称为所述输入层，最后一层即第l层被称为所述输出层，其它各层均被称为所述隐含层即第2层至第l-1层。

令所述输入向量为：

所述输出向量为：

第l所述隐含层各种所述神经元的输出为：

设为从l-1层第j个所述神经元与l层第i个所述神经元之间的连接权重；为第l个所述神经元的偏置，那么：

其中，为1层第i个所述神经元的输入，f(·)为所述神经元的激活函数。通常在多层所述bp神经网络中采用非线性激活函数。所述bp神经网络通常使用sigmod函数作为所述激活函数：

它的变化范围为(0,1)，其导数为f′＝f(1-f)

假定我们有m个所述训练样本{(x(1)，y(1)，(x(2)，y(2)，...，(x(m)，y(m))}，其中d(i)为对应输入x(i)的期望输出，见附图8，通过图8可以得出所述bp神经网络算法通过最优化各层所述神经元的所述输入权值以及所述偏置，使得神经网络的输出尽可能地接近期望输出，以达到训练(或者学习)的目的。

采用批量更新方法，对于给定的m个所述训练样本，定义误差函数为：

其中e(i)为单个样本的训练误差：

因此，

所述bp神经网络算法每一次迭代按照以下方式对权值以及偏置进行更新：

其中，α为学习速率，它的取值范围为(0,1)。bp算法的关键在于如何求解和的偏导数。

第l层(2≤1≤l-1)的权值和偏置的偏导数为

其中，

与现有技术相比较，本发明基于供应链和bp神经网络的区域性食品安全评价模型具有以下有益效果：

目前传统的食品供应链是从食品的初级供应商到消费者各环节的经济利益主体所组成的自上而下的供需网络，往往是基于供应链上以食品的数量安全、质量安全为基础构建食品安全评价指标体系，本发明中的指标体系一级指标包括社会基本情况、环境污染治理、食品监管、种养殖、食品生产经营、食品消费、应急处置及社会关注度等多个方面准确、科学、及时地从食品源头根本问题、食品消费、政府监管到社会关注来全面地反映食品安全状况。

本发明采用的delphi法与ahp法都是基于专家知识与经验的主观判断法，将复杂问题给予定量与定性相结合的分析，使专家对指标体系的主观判断以数学的形式表现出来，减少了主观判断的偏差，能充分发挥各位专家的经验和知识，集思广益，同时又能避免受到个别权威的意见的影响，二者结合运用的方法又称delphi-ahp法，是常用的群体决策方法。

本发明应用层次分析法确定出指标权重并依据r软件工具包进行优化，从网络层数、各层神经元个数、神经元转换函数等方面设计了bp神经网络结构，然后通过r软件，对设计出的bp网络结构模型进行训练和测试，并对实验结果做了分析，解决了传统评价模型过度依赖主观性、自学习能力差等缺点，充分利用了神经网络推广性、容错性强等优点，有效地提高了食品安全评价的准确性，采用delphi-ahp法和bp神经网络两者结合的方法对区域性食品安全状况进行评价，获得了较为准确可靠的评价结果，为食品安全状况合理评价开辟了一条新的途径，为区域性食品安全状态评价工作提供参考依据。

本发明以食品供应链为主线贯穿“从农田到餐桌”的食品质量安全，结合危害分析与关键控制点(hazardanalysiscriticalcontrolpoint，haccp)的食品安全管理体系理论，深入剖析影响食品安全的关键因素，基于所述bp神经网络建立区域性食品安全评价体系指标及模型，旨在准确测试区域性食品安全状况，为食品安全监管部门对食品安全状态进行动态预测，并以此建立食品安全监管与预警体系，有效实施区域食品安全评价、预警和监管提供科学支撑。

以上所揭露的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。