密度不均匀数据聚类方法、装置、电子设备及存储介质与流程

1.本发明涉及聚类技术领域，尤其涉及一种密度不均匀数据聚类方法、装置、电子设备及存储介质。


背景技术：

2.dbscan算法是基于密度的聚类算法中比较著名的一种算法，其具有较强的抗噪声能力，能够在有噪声的数据集中发现任意形状的簇。但是由于dbscan算法对输入参数十分敏感，没有实现参数自适应，需要人工来确定，这会让算法的适应能力大大降低。由于输入参数是全局的，所以在对密度分布不均匀的数据集进行聚类时，会严重的影响聚类效果。同时dbscan算法在聚类时需要消耗大量的内存和i/o，时间性能较低。
3.针对dbscan算法输入参数敏感的问题，已有的改进算法有有optics和dbscancc算法。optics算法为数据集中的每一个对象建立一个增强聚类顺序，并保存每一个对象的核距离和一个合适的可达距离，最后使用这些信息得到聚类结果；dbscancc算法通过标记类与类之间的公共对象和类间的连接信息屏蔽敏感参数。而为了能够有效地处理密度分布不均匀数据集，现有技术主要采用dmdbscan算法和vdbscan算法。它们是通过观察数据对象kdist值排序图上产生剧烈变化的点对数据集进行密度划分，以处理密度分布不均匀的问题。但是这两种算法无法自动对数据集进行提取和划分，需要人工参与。


技术实现要素：

4.本发明提供了一种密度不均匀数据聚类方法、装置、电子设备及存储介质，用于解决现有的聚类算法无法自适应选择最小聚类点数来进行聚类的技术问题。
5.本发明提供了一种密度不均匀数据聚类方法，包括：
6.获取包含多个数据对象的数据集；
7.计算所述数据集中两两数据对象之间的距离，并采用所有所述距离建立knn矩阵；
8.将所述数据集划分为多个密度集合，并根据所述密度集合计算所述knn矩阵中每一列的聚类效果指数；
9.将数值最大的聚类效果指数对应的列序号确定为最小聚类点数；
10.计算每个所述密度集合的邻域半径；
11.采用所述最小聚类点数和所述邻域半径对相应的密度集合进行局部聚类，得到聚类结果；
12.输出所有所述聚类结果。
13.可选地，所述计算所述数据集中两两数据对象之间的距离，并采用所有所述距离建立knn矩阵的步骤，包括：
14.计算所述数据集中两两数据对象之间的距离；
15.采用所有所述距离生成距离矩阵；
16.对所述距离矩阵中的每一列进行升序排列，得到调整距离矩阵；
17.将所述调整距离矩阵进行转置，生成knn矩阵。
18.可选地，所述将所述数据集划分为多个密度集合，并根据所述密度集合计算所述knn矩阵中每一列的聚类效果指数的步骤，包括：
19.计算所述knn矩阵中每一列的密度变化序列；
20.计算每个所述密度变化序列的跳变阈值；
21.根据所述跳变阈值将所述数据集划分为多个密度集合；
22.根据所述密度集合计算所述knn矩阵中每一列的聚类效果指数。
23.可选地，所述根据所述跳变阈值将所述数据集划分为多个密度集合的步骤，包括：
24.将跳变阈值处于同一区间范围的密度变化序列划分到同一个密度集合，得到多个密度集合。
25.可选地，所述根据所述密度集合计算所述knn矩阵中每一列的聚类效果指数的步骤，包括：
26.根据所述密度集合确定所述knn矩阵中每一列的断点；
27.分别计算所述knn矩阵中每一列的所有断点的断点曲线增长距离；
28.根据所述knn矩阵中每一列的所有断点的曲线增长距离，分别计算所述knn矩阵中每一列的总断点曲线增长距离；
29.计算所述knn矩阵中每一列的总曲线增长距离；
30.根据所述总断点曲线增长距离和所述总曲线增长距离，计算所述knn矩阵中每一列的聚类效果指数。
31.可选地，所述计算每个所述密度集合的邻域半径的步骤，包括：
32.分别计算每个所述密度集合中所有数据对象间的距离的平均值；
33.分别获取每个所述密度集合的所有数据对象间的距离的最大值和中位数；
34.采用所述平均值、所述最大值和所述中位数，计算对应的密度集合的邻域半径。
35.本发明还提供了一种密度不均匀数据聚类装置，包括：
36.数据集获取模块，用于获取包含多个数据对象的数据集；
37.knn矩阵建立模块，用于计算所述数据集中两两数据对象之间的距离，并采用所有所述距离建立knn矩阵；
38.聚类效果指数计算模块，用于将所述数据集划分为多个密度集合，并根据所述密度集合计算所述knn矩阵中每一列的聚类效果指数；
39.最小聚类点数确定模块，用于将数值最大的聚类效果指数对应的列序号确定为最小聚类点数；
40.邻域半径计算模块，用于计算每个所述密度集合的邻域半径；
41.局部聚类模块，用于采用所述最小聚类点数和所述邻域半径对相应的密度集合进行局部聚类，得到聚类结果；
42.聚类结果输出模块，用于输出所有所述聚类结果。
43.可选地，所述knn矩阵建立模块，包括：
44.距离计算子模块，用于计算所述数据集中两两数据对象之间的距离；
45.距离矩阵生成子模块，用于采用所有所述距离生成距离矩阵；
46.升序排列子模块，用于对所述距离矩阵中的每一列进行升序排列，得到调整距离
矩阵；
47.knn矩阵生成子模块，用于将所述调整距离矩阵进行转置，生成knn矩阵。
48.本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
49.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
50.所述处理器用于根据所述程序代码中的指令执行如上任一项所述的密度不均匀数据聚类方法。
51.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的密度不均匀数据聚类方法。
52.从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种密度不均匀数据聚类方法，包括：获取包含多个数据对象的数据集；计算数据集中两两数据对象之间的距离，并采用所有距离建立knn矩阵；将数据集划分为多个密度集合，并根据密度集合计算knn矩阵中每一列的聚类效果指数；将数值最大的聚类效果指数确定为最小聚类点数；计算每个密度集合的邻域半径；采用最小聚类点数和邻域半径对相应的密度集合进行局部聚类，得到聚类结果；输出所有聚类结果。
53.由上述步骤可知，本发明通过建立knn矩阵和聚类效果指数，来确定最小聚类点数，并计算不同数据密度的密度集合的邻域半径，以根据最小聚类点数和不同的邻域半径对数据集中不同密度的局部数据进行局部聚类，从而减少了人工干预。可实现自适应进行密度不均匀数据的聚类的效果。
附图说明
54.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，下面将对实施例或现有技术描述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它的附图。
55.图1为本发明实施例提供的一种密度不均匀数据聚类方法的步骤流程图；
56.图2为本发明另一实施例提供的一种密度不均匀数据聚类方法的步骤流程图；
57.图3为本发明实施例提供的一种密度不均匀数据聚类装置的结构框图。
具体实施方式
58.本发明实施例提供了一种密度不均匀数据聚类方法、装置、电子设备及存储介质，用于解决现有的聚类算法无法自适应选择最小聚类点数来进行聚类的技术问题。
59.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
60.请参阅图1，图1为本发明实施例提供的一种密度不均匀数据聚类方法的步骤流程图。
61.本发明提供的一种密度不均匀数据聚类方法，具体可以包括以下步骤：
62.步骤101，获取包含多个数据对象的数据集；
63.在本发明实施例中，包含多个数据对象的数据集为数据对象分布密度不均匀的数据集。
64.步骤102，计算数据集中两两数据对象之间的距离，并采用所有距离建立knn矩阵；
65.在本发明实施例中，在获取到包含多个数据对象的数据集后，可以计算每两个数据对象之间的距离。其中，该距离可以k-近邻距离，也可以为欧氏距离等。其中，k-近邻距离可以用来反映数据集中的数据密度，当k-近邻距离越大时，表征数据密度越小，当k-近邻距离越小，表征数据密度越大。
66.采用所采集得到的数据对象之间的距离，便可以建立knn矩阵(k-nearestneighbor，最近邻矩阵)。其中，knn矩阵中的每个因素均为数据对象间的距离。
67.步骤103，将数据集划分为多个密度集合，并根据密度集合计算knn矩阵中每一列的聚类效果指数；
68.聚类效果指数cei，可以用于表征噪声的区分水平，cei的取值在0到1之间，当cei的值接近于1时，表明分割出来的噪声点数目和数据集中实际的噪声点的数目接近，能够较好地区分噪声。
69.在本发明实施例中，本发明可以根据数据集中各数据对象间的距离将数据集划分为多个密度集合(如k-近邻距离相同或相近的数据对象划分在同一个密度集合中)，在获取到knn矩阵后，根据密度集合计算knn矩阵中每一列的聚类效果指数。
70.步骤104，将数值最大的聚类效果指数对应的列序号确定为最小聚类点数；
71.在获取到knn矩阵中每一列的聚类效果指数后，可以将数值最大的聚类效果指数对应的列序号确定为最小聚类点数minpts。minpts表示聚类中样本的最小个数。
72.步骤105，计算每个密度集合的邻域半径；
73.在将数据集划分为多个密度集合后，可以分别技术各个密度集合的邻域半径，以根据相应的邻域半径对不同的密度集合中数据对象进行聚类。
74.步骤106，采用最小聚类点数和邻域半径对相应的密度集合进行局部聚类，得到聚类结果；
75.在本发明实施例中，可以按照最小聚类点数和不同密度集合相应的邻域半径，对数据集中的数据对象进行局部聚类，得到不同密度的数据对象的聚类结果。
76.步骤107，输出所有聚类结果。
77.将所有的聚类结果进行输出，便可以得到整个数据密度不均匀的数据集的聚类结果。
78.本发明通过建立knn矩阵和聚类效果指数，来确定最小聚类点数，并计算不同数据密度的密度集合的邻域半径，以根据最小聚类点数和不同的邻域半径对数据集中不同密度的局部数据进行局部聚类，从而减少了人工干预。可实现自适应进行密度不均匀数据的聚类的效果。
79.请参阅图2，图2为本发明另一实施例提供的一种密度不均匀数据聚类方法的步骤流程图。具体可以包括以下步骤：
80.步骤201，获取包含多个数据对象的数据集；
81.步骤201与步骤101相同，具体可以参照步骤101的描述，此处不再赘述。
82.步骤202，计算数据集中两两数据对象之间的距离；
83.步骤203，采用所有距离生成距离矩阵；
84.步骤204，对距离矩阵中的每一列进行升序排列，得到调整距离矩阵；
85.步骤205，将调整距离矩阵进行转置，生成knn矩阵；
86.在本发明实施例中，在计算出数据集中两两数据对象之间的距离之后，可以采用所有距离生成距离矩阵，距离矩阵中每个因素均表征两个数据对象之间的距离。
87.在具体实现中，距离矩阵kdistn×n如下所示：
88.kdistn×n＝{dist(x,y)|1≤x≤n,1≤y≤n}
89.其中，n为数据集中数据对象的数目，且距离矩阵kdistn×n是实对称矩阵。
90.在生成距离矩阵后，接着可以对距离矩阵中的每一列进行升序排列，得到调整距离矩阵；最后将调整距离矩阵进行转置，可以生成knn矩阵。knn矩阵中的第i列的数据表示数据集中每一个数据对象到第i个最近邻距离的集合。
91.步骤206，将数据集划分为多个密度集合，并根据密度集合计算knn矩阵中每一列的聚类效果指数；
92.在本发明实施例中，本发明可以根据数据集中各数据对象间的距离将数据集划分为多个密度集合(如k-近邻距离相同或相近的数据对象划分在同一个密度集合中)，在获取到knn矩阵后，根据密度集合计算knn矩阵中每一列的聚类效果指数。
93.在一个示例中，将数据集划分为多个密度集合，并根据密度集合计算knn矩阵中每一列的聚类效果指数的步骤，可以包括以下子步骤：
94.s61，计算knn矩阵中每一列的密度变化序列；
95.s62，计算每个密度变化序列的跳变阈值；
96.s63，根据跳变阈值将数据集划分为多个密度集合；
97.s64，根据密度集合计算knn矩阵中每一列的聚类效果指数。
98.在具体实现中，knn矩阵中每一列的密度变化序列如下公式所示：
[0099][0100]
其中，为数据对象pi的近邻密度。
[0101]
在计算得到knn矩阵中每一列的密度变化序列后，可以通过以下公式计算密度变化序列的跳变阈值α：
[0102]
α＝ex(varlist)+β
·
sd(varlist)
[0103]
其中，ex为数学期望，sd为方差，β为一个可变的调节参数。
[0104]
然后根据跳变阈值α将数据集分割成不同的密度集合。如将跳变阈值处于同一区间范围的密度变化序列划分到同一个密度集合，得到多个密度集合。
[0105]
在完成对数据集的划分后，可以根据各个密度集合在knn矩阵中每一列的分布规律，计算knn矩阵中每一列的聚类效果指数cei。
[0106]
在一个示例中，根据密度集合计算knn矩阵中每一列的聚类效果指数的步骤，可以包括以下子步骤：
[0107]
s641，根据密度集合确定knn矩阵中每一列的断点；
[0108]
s642，分别计算knn矩阵中每一列的所有断点的断点曲线增长距离；
[0109]
s643，根据knn矩阵中每一列的所有断点的曲线增长距离，分别计算knn矩阵中每一列的总断点曲线增长距离；
[0110]
s644，计算knn矩阵中每一列的总曲线增长距离；
[0111]
s645，根据总断点曲线增长距离和总曲线增长距离，计算knn矩阵中每一列的聚类效果指数。
[0112]
在具体实现中，可以根据不同的密度集合在knn矩阵中每一列的分布规律，来确定knn矩阵中每一列的断点。可以理解的是，如果相邻的两个点p-1和p分别属于两个不同的密度集合，则可以认为点p为一个断点。
[0113]
在确定knn矩阵中每一列的断点后，可以以knn矩阵中每一列的数据生成拟合曲线s，然后分别计算拟合曲线s在每个断点的断点曲线增长距离和该拟合曲线s在所有断点上的总曲线增长距离，进而通过如下公式计算得到knn矩阵中每一列的聚类效果指数cei：
[0114][0115]
其中，msi代表通过knn矩阵中的某一列(如第i列)数据得到的曲线s上所有断点的总曲线增长距离之和；sj表示曲线s在断点j的断点曲线增长距离。ms
rn
是knn矩阵中该列的部分数据的曲线增长距离之和，表示断点r到断点n之间的断点曲线增长距离。
[0116]
步骤207，将数值最大的聚类效果指数对应的列序号确定为最小聚类点数；
[0117]
在本发明实施例中，在计算得到knn矩阵中每一列的聚类效果指数cei后，可以将cei最大的一列对应的列序号作为最小聚类点数minpts。
[0118]
步骤208，计算每个密度集合的邻域半径；
[0119]
在本发明实施例中，在将数据集划分为多个密度集合后，可以分别技术各个密度集合的邻域半径，以根据相应的邻域半径对不同的密度集合中数据对象进行聚类。
[0120]
在一个示例中，计算每个密度集合的邻域半径的步骤，可以包括以下子步骤：
[0121]
s81，分别计算每个密度集合中所有数据对象间的距离的平均值；
[0122]
s82，分别获取每个密度集合的所有数据对象间的距离的最大值和中位数；
[0123]
s83，采用平均值、最大值和中位数，计算对应的密度集合的邻域半径。
[0124]
在本发明实施例中，通过分割得到的密度集合中的数据密度分布均匀，因此在聚类的时候，可以分别对分割得到的不同密度集合使用与这些密度集合密度层次相对应的邻域半径进行聚类，以得到更好的聚类效果。
[0125]
在具体实现中，可以通过以下公式计算得到密度集合的邻域半径：
[0126][0127]
其中，di表示数据集划分的第i个密度集合，maxdist(di)表示数据集di中的数据对象间距离的最大值，meandist(di)表示数据集di中数据对象间距离的平均值，mediandist(di)表示数据集di中数据对象间距离的中位数。
[0128]
步骤209，采用最小聚类点数和邻域半径对相应的密度集合进行局部聚类，得到聚类结果；
[0129]
在本发明实施例中，可以按照最小聚类点数minpts和不同密度集合相应的邻域半径epsi，对数据集中的数据对象进行局部聚类，得到不同密度的数据对象的聚类结果。具体聚类过程可参考dbscan算法的聚类方式，本发明对此不作赘述。
[0130]
步骤210，输出所有聚类结果。
[0131]
将所有的聚类结果进行输出，便可以得到整个数据密度不均匀的数据集的聚类结果。
[0132]
本发明通过建立knn矩阵和聚类效果指数，来确定最小聚类点数，并计算不同数据密度的密度集合的邻域半径，以根据最小聚类点数和不同的邻域半径对数据集中不同密度的局部数据进行局部聚类，从而减少了人工干预。可实现自适应进行密度不均匀数据的聚类的效果。
[0133]
请参阅图3，图3为本发明实施例提供的一种密度不均匀数据聚类装置的结构框图。
[0134]
本发明实施例提供了一种密度不均匀数据聚类装置，包括：
[0135]
数据集获取模块301，用于获取包含多个数据对象的数据集；
[0136]
knn矩阵建立模块302，用于计算数据集中两两数据对象之间的距离，并采用所有距离建立knn矩阵；
[0137]
聚类效果指数计算模块303，用于将数据集划分为多个密度集合，并根据密度集合计算knn矩阵中每一列的聚类效果指数；
[0138]
最小聚类点数确定模块304，用于将数值最大的聚类效果指数对应的列序号确定为最小聚类点数；
[0139]
邻域半径计算模块305，用于计算每个密度集合的邻域半径；
[0140]
局部聚类模块306，用于采用最小聚类点数和邻域半径对相应的密度集合进行局部聚类，得到聚类结果；
[0141]
聚类结果输出模块307，用于输出所有聚类结果。
[0142]
在本发明实施例中，knn矩阵建立模块302，包括：
[0143]
距离计算子模块，用于计算数据集中两两数据对象之间的距离；
[0144]
距离矩阵生成子模块，用于采用所有距离生成距离矩阵；
[0145]
升序排列子模块，用于对距离矩阵中的每一列进行升序排列，得到调整距离矩阵；
[0146]
knn矩阵生成子模块，用于将调整距离矩阵进行转置，生成knn矩阵。
[0147]
在本发明实施例中，聚类效果指数计算模块303，包括：
[0148]
密度变化序列计算子模块，用于计算knn矩阵中每一列的密度变化序列；
[0149]
跳变阈值计算子模块，用于计算每个密度变化序列的跳变阈值；
[0150]
密度集合划分子模块，用于根据跳变阈值将数据集划分为多个密度集合；
[0151]
聚类效果指数计算子模块，用于根据密度集合计算knn矩阵中每一列的聚类效果指数。
[0152]
在本发明实施例中，密度集合划分子模块，包括：
[0153]
密度集合划分单元，用于将跳变阈值处于同一区间范围的密度变化序列划分到同
一个密度集合，得到多个密度集合。
[0154]
在本发明实施例中，聚类效果指数计算子模块，包括：
[0155]
断点确定单元，用于根据密度集合确定knn矩阵中每一列的断点；
[0156]
断点曲线增长距离计算单元，用于分别计算knn矩阵中每一列的所有断点的断点曲线增长距离；
[0157]
总断点曲线增长距离计算单元，用于根据knn矩阵中每一列的所有断点的曲线增长距离，分别计算knn矩阵中每一列的总断点曲线增长距离；
[0158]
总曲线增长距离计算单元，用于计算knn矩阵中每一列的总曲线增长距离；
[0159]
聚类效果指数计算单元，用于根据总断点曲线增长距离和总曲线增长距离，计算knn矩阵中每一列的聚类效果指数。
[0160]
在本发明实施例中，邻域半径计算模块305，包括：
[0161]
平均值计算子模块，用于分别计算每个密度集合中所有数据对象间的距离的平均值；
[0162]
最大值和中位数计算子模块，用于分别获取每个密度集合的所有数据对象间的距离的最大值和中位数；
[0163]
邻域半径计算子模块，用于采用平均值、最大值和中位数，计算对应的密度集合的邻域半径。
[0164]
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
[0165]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0166]
处理器用于根据程序代码中的指令执行本发明实施例的密度不均匀数据聚类方法。
[0167]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的密度不均匀数据聚类方法。
[0168]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0169]
本说明书中的各个实施例均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的部分互相参见即可。
[0170]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0171]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0172]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0173]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0174]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0175]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0176]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。