基于改进PSO的C-RAN载波迁移资源需求预测方法与流程

本发明属于通信技术领域，尤其涉及一种基于改进PSO的C-RAN载波迁移资源需求预测方法。

背景技术：

随着人们对通信质量和通信形式要求越来越高，传统的网络架构已无法应对，为了解决传统网络架构的不足，中国移动提出了一种新型网络架构—C-RAN，它是基于集中化处理，协作式无线电和实时云架构的绿色无线接入网络构架。其优势主要体现在以下几个方面：1、较低的网络功耗；2、较低的运营商资本支出和运维成本；3、通过载波迁移技术实现了基带处理资源动态共享，提高了资源利用率。C-RAN中的载波迁移技术是实现基带处理资源动态共享，提高资源利用率，解决小区间潮汐效应问题的关键技术。载波迁移是指通过虚拟机迁移的方式实现将BBU基带池中低负载小区所对应的载波虚拟机的空闲处理资源分配给高负载小区所对应的载波虚拟机使用，从而实现了对低负载小区处理资源的高效利用，有效的解决了小区间潮汐效应问题。

现有的C-RAN载波迁移技术只是根据待迁移载波虚拟机当前时刻的负载情况来为其进行资源分配，由于待迁移载波虚拟机上处理的是蜂窝小区的通信业务，其资源需求量是动态变化的，只根据当前时刻而不考虑未来一段时间的负载情况来分配资源将可能导致分配的资源过多或不够，进而导致资源浪费或因资源不足造成短时间内需要二次迁移的问题。而每一次的载波迁移操作都将可能导致载波虚拟机上的通信业务中断的风险，因资源分配不够而导致频繁迁移，这是C-RAN网络所无法接受的。

由于载波虚拟机中处理的是蜂窝小区的通信业务，而蜂窝小区的通信负载状态从时间上看具有较强的自相似性和长相关性，即体现为一种表面看似随机实则内部存在一定发展规律的混沌特性，所以与之对应的基带池载波虚拟机的资源需求量变化也具有这种特性，从而能够通过挖掘这种规律实现对载波虚拟机未来一段时间的资源需求量进行预测，进而指导资源的分配。目前国内外的预测方法主要为基于智能模型自主训练学习类的预测方法，此类方法由于采用人工智能技术通过利用某种训练算法对预测模型进行大量的训练学习，从而能够使预测模型自动挖掘出数据内在的发展规律，实现较高准确度的预测。

但是此类预测方法的缺点便是由于其使用的训练算法在预测模型的训练寻优过程中要么收敛速度较慢，要么因为陷入局部极小点而无法收敛，导致预测时间过长。由于C-RAN载波虚拟机中处理的是对实时性要求高的通信业务，过长时间的预测方法在此将无法适用。

技术实现要素：

本发明的目的在于提供一种基于改进PSO的C-RAN载波迁移资源需求预测方法，旨在解决目前载波迁移技术中仅根据当前时刻负载情况来确定资源分配量导致资源浪费或者资源不足造成短时间二次迁移的问题。并且针对现有的预测方法由于预测时间过长无法适用于C-RAN这种高实时性要求场景的缺点，本发明提出了一种基于优秀解分布区间估计的改进PSO算法来进行预测模型训练。

为实现上述目的，一种基于改进PSO的C-RAN载波迁移资源需求预测方法，所述基于改进PSO的C-RAN载波迁移资源需求预测方法包括以下步骤：

步骤一，数据的获取与预处理，通过载波虚拟机的资源监视记录模块获取载波虚拟机的资源需求量历史数据，对获取的历史数据进行归一化处理得到归一化的时间序列，采用自相关函数法及Cao方法对得到的时间序列进行相空间重构处理，构造训练样本集，用于对预测模型进行训练；

步骤二，根据构造的训练样本集的样本长度及样本个数确定GRNN神经网络模型的结构，将该GRNN神经网络模型作为资源需求预测的预测模型；

步骤三，采用基于优秀解分布区间估计的改进PSO算法作为模型训练算法对构建的GRNN预测模型进行训练，获得预测模型所需的最优平滑参数集取值，将参数代入模型，获得训练好的GRNN预测模型；

步骤四，利用训练好的GRNN预测模型对载波虚拟机下一时刻的资源需求量进行预测，并将预测的结果发送给C-RAN载波迁移资源管理单元用于指导载波迁移过程中的资源分配。

进一步，所述步骤三中GRNN预测模型的训练算法采用的是基于优秀解分布区间估计的改进PSO算法，其训练过程具体包括如下步骤：

第一步，对所要训练的GRNN预测模型的模式层平滑参数集进行粒子位置坐标映射，即粒子位置坐标的维数D等于要优化的参数集的参数个数，粒子位置坐标中各维分量与所述GRNN预测模型中的平滑参数一一对应，粒子的位置坐标为：其中wd∈[minσd,maxσd]，minσd,maxσd为平滑参数集第d个平滑参数σd的取值上下限；

第二步，定义适应度函数为当前GRNN预测模型实际输出和预期输出之间的相对误差均值，即其中为训练样本集Xtrain中第n个训练样本的预期输出值，为将作为平滑参数集代入GRNN模型后，输入第n个训练样本所得到的预测结果，MX为训练样本集Xtrain的样本个数，同时也为平滑参数集的参数个数；

第三步，对改进的PSO算法进行初始化。

第四步，按下式更新各个粒子的速度和位置

其中i＝1,2,…,Nswarm，k为当前迭代次数，ω为惯性权重，c1,c2,c3分别为个体学习因子、群体学习因子、空间分布引导因子，为第i个粒子当前的个体极值，为粒子群当前的群体极值，为粒子群当前的空间分布引导向量，r1,r2为0到1之间的随机数；

第五步，更新个体极值和群体极值

第六步，判断当前迭代次数k是否为优秀解分布区间概率矩阵更新周期T的倍数，若是则转到第七步，不是则转到第十四步；

第七步，获得优秀解分布区间概率矩阵P；

第八步，更新优秀解分布区间概率矩阵P，更新的规则为：判断k是否等于T，若是，则第七步得到的矩阵P为初始矩阵不用更新，直接转到第九步，若否，则按下式更新矩阵P中的每一个元素：pd,u＝λ·newpd,u+(1-λ)·oldpd,u，其中oldpd,u为上一轮更新周期后的pd,u，newpd,u为第七步新获得的pd,u，λ为优秀解分布区间概率矩阵更新权重，λ为一个随着迭代次数的增加而逐渐减小的变量，其变化公式为：其中λmax、λmin为λ的变化上下限，k为当前迭代次数，Kmax为最大迭代次数；

第九步，建立搜索空间中每一维d＝1,2,…,D的所有子区间的优秀解分布区间高斯模型；

第十步，针对搜索空间的每一维d＝1,2,…,D，依据第八步中更新的优秀解分布区间概率矩阵P为每一维搜索空间选取三个优秀子区间Φd,A,Φd,B,Φd,C；

第十一步，针对搜索空间的每一维d＝1,2,…,D，利用第九步获得的子区间Φd,A,Φd,B,Φd,C的优秀解分布区间高斯模型χd,A～N(ξd,A,θd,A²)、χd,B～N(ξd,B,θd,B²)、χd,C～N(ξd,C,θd,C²)，对选取的三个优秀子区间Φd,A,Φd,B,Φd,C分别进行抽样取值，得到ad,bd,cd；

第十二步，针对搜索空间的每一维d＝1,2,…,D，利用第十一步中抽样获得的ad,bd,cd合成该维度的引导分量ed＝ρ·ad+(1-ρ)bd-(1-ρ)cd，其中ρ为引导分量合成系数，将每一维度的引导分量组成空间分布引导向量：

第十三步，空间分布引导向量的更新，更新的规则为：判断空间分布引导因子c3是否为0，若是，则将c3置为1，且令为第十二步获得的若否，则判断第十二步获得的是否优于当前的即判断是否成立，若成立则令更新为第十二步获得的若不成立则不更新

第十四步，令k＝k+1，判断算法是否达到最大迭代次数Kmax或预先设定的训练精度阀值FVIR；即k＞Kmax或两者是否有一个成立，如果两者有一个成立则转到第十五步，否则返回第四步；

第十五步，将的各维分量[g1,g2,…,gD]的取值作为GRNN预测模型的各个平滑参数[σ1,σ2,…,σD]的取值，从而获得训练完毕的GRNN预测模型。

进一步，所述第三步对改进的PSO训练算法进行初始化，具体包括：设定粒子群规模Nswarm，惯性权重ω，个体学习因子c1，群体学习因子c2，空间分布引导因子c3，最大迭代次数Kmax，训练精度阀值FVIR，优秀解分布区间概率矩阵更新周期T，优秀解分布区间概率矩阵更新权重上下限λmax、λmin，搜索空间划分粒度Npart，引导分量合成系数ρ；将当前迭代次数k置为1，空间分布引导因子c3置为0，随机初始化粒子群中各个粒子的初始位置和初始飞行速度令各个粒子的个体极值为该粒子的初始位置令群体极值为当前最优的个体极值。

进一步，所述第七步获得优秀解分布区间概率矩阵P，具体方法为：

(1)、将搜索空间中的每一维d＝1,2,…,D的搜索范围[minσd,maxσd]平均划分为Npart个子区间其中Φd,u表示为搜索空间第d维的第u个子区间。

(2)、将当前粒子群各个粒子的个体极值i＝1,2,…,Nswarm组合成一个个体极值矩阵Γ：

(3)、取出矩阵Γ的第d列，选出该列中取值属于子区间Φd,u的元素，将其对应的行号放入集合中，则第d维搜索空间的第u个子区间Φd,u的优秀解分布区间概率pd,u为：

(4)、利用获得的各个子区间的优秀解分布区间概率构造优秀解分布区间概率矩阵P：

进一步，所述第九步建立所有子区间的优秀解分布区间高斯模型，具体方法为：

(1)、第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型的均值ξd,u确定方法为：定义向量则向量的第d个元素即为ξd,u，其中集合为第七步中得到的集合；

(2)、第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型的方差θd,u确定方法为：其中为集合中元素个数，γi,d为的第d个元素；

(3)、则第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型为：χd,u～N(ξd,u,θd,u²)。

进一步，所述第十步选取三个优秀子区间Φd,A,Φd,B,Φd,C，具体方法为：首先产生一个0到1之间的随机数判断是否成立，如果成立则令A＝1，否则令A从2遍历到Npart并判断是否成立，找到令该式成立的A的取值，则由此确定了第一个优秀子区间Φd,A，将Φd,A从中排除，采用同样的方法确定第二个优秀子区间Φd,B，将Φd,A,Φd,B从中排除，采用同样的方法确定第三个优秀子区间Φd,C。

本发明提供了一种基于改进PSO的C-RAN载波迁移资源需求预测方法，本方法通过利用待迁移载波虚拟机的历史资源需求量数据来对其未来一段时间的资源需求量进行预测，使得载波迁移资源管理单元能够根据预测结果为其分配合适的资源以满足其未来一段时间的资源需求，解决了现有载波迁移技术中只根据待迁移载波虚拟机当前时刻负载情况进行资源分配可能出现资源分配过多或过少导致资源浪费或因资源不足造成需要重新迁移的问题。并且本发明采用了一种(如图5)收敛速度快、不易陷入局部极值、鲁棒性强的基于优秀解分布区间估计的改进PSO算法来进行预测模型训练，能够有效提高资源需求预测的预测准确度及预测速度。通过本发明，能够有效实现C-RAN载波迁移过程中高效准确的资源分配，提高了资源利用率，有效减少了重复迁移现象的发生(见表1)。

附图说明

图1是本发明实施例提供的基于改进PSO的C-RAN载波迁移资源需求预测方法流程图。

图2是本发明实施例提供的步骤S1的具体实施过程示意图。

图3是本发明实施例提供的GRNN预测模型的结构示意图。

图4是本发明实施例提供的基于优秀解分布区间估计的改进PSO算法流程图。

图5是本发明实施例提供的采用改进PSO算法与采用现有其他算法的预测模型训练迭代过程对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

参见图1所示，本发明实施例提供一种基于改进PSO的C-RAN载波迁移资源需求预测方法，包括以下实现步骤：

S1：数据的获取与预处理，通过载波虚拟机的资源监视记录模块获取载波虚拟机的资源需求量历史数据，对获取的历史数据进行归一化处理得到归一化的时间序列，采用自相关函数法及Cao方法对得到的时间序列进行相空间重构处理，构造训练样本集，用于对预测模型进行训练；

S2：根据构造的训练样本集的样本长度及样本个数确定GRNN神经网络模型的结构，将该GRNN神经网络模型作为资源需求预测的预测模型；

S3：采用基于优秀解分布区间估计的改进PSO算法作为模型训练算法对构建的GRNN预测模型进行训练，获得预测模型所需的最优平滑参数集取值，将参数代入模型，获得训练好的GRNN预测模型；

S4：利用训练好的GRNN预测模型对载波虚拟机下一时刻的资源需求量进行预测，并将预测的结果发送给C-RAN载波迁移资源管理单元用于指导载波迁移过程中的资源分配。

参见图2所示,在上述实现步骤的基础上，步骤S1中所述的数据获取与预处理操作具体包括如下步骤：

S101：通过载波虚拟机的资源监视记录模块获取载波虚拟机的600个资源需求量历史数据，具体包括200个历史CPU需求量数据、200个历史内存需求量数据、200个历史带宽需求量数据，其中每个数据表示5min时间间隔内载波虚拟机记录的最大资源需求量，三类数据的单位依次为MOPS、Mbytes、Mbps；

S102：对获取的200个历史CPU需求量数据进行归一化处理，得到一个归一化的时间序列：X＝{xt|t＝1,2,…,N}，其中xt为数据归一化后的值，N＝200表示获取的数据点数，则xN即为当前时刻的CPU资源需求量数据归一化后的值；

S103：采用自相关函数法计算时间序列的延迟时间τX，并采用Cao方法计算时间序列的嵌入维数mX，通过计算得到τX＝6，mX＝30，利用得到的延迟时间τX以及嵌入维数mX对时间序列X＝{xt|t＝1,2,…,N}进行相空间重构处理，得到MX个子序列

其中MX的计算方法为MX＝N-(mX-1)·τX，计算得到MX＝26，xt为时间序列X中的元素，t＝1,2,…,N；

S104:利用步骤S103得到的26个子序列构造训练样本集Xtrain，训练样本分为输入矢量和预期输出值两部分。将子序列的前mX-1即29个元素作为训练样本的输入矢量部分，第mX即第30个元素作为训练样本的预期输出值部分，如下所示：

S105：采用同样的步骤S102，S103，S104对200个历史内存需求量数据、200个历史带宽需求量数据进行数据预处理操作，分别构造各自的训练样本集Ytrain，Ztrain。且所述的针对历史CPU需求量数据、历史内存需求量数据、历史带宽需求量数据的数据预处理操作为同时进行、并行处理。

参见图3所示,在上述实现步骤的基础上，步骤S2中所述的GRNN神经网络模型具体有三个，分别用于载波虚拟机的CPU资源、内存资源、带宽资源的资源需求预测，且所述的确定三个GRNN神经网络模型的结构具体包括如下步骤：

S201：确定三个GRNN神经网络模型的输入层节点个数，分别为训练样本输入矢量部分Xⁱⁿ,Yⁱⁿ,Zⁱⁿ的长度mX-1,mY-1,mZ-1，其中mX,mY,mZ为步骤S103中获得的嵌入维数；

S202：确定三个GRNN神经网络模型的模式层节点个数，分别为训练样本集Xtrain,Ytrain,Ztrain的样本个数MX,MY,MZ；

S203：确定三个GRNN神经网络模型的求和层节点个数，求和层都固定为两个节点；

S204：确定三个GRNN神经网络模型的输出层节点个数，输出层都固定为一个节点，用于对外输出各自的预测结果。

参见图4所示,在上述实现步骤的基础上，步骤S3中所述的GRNN预测模型的训练采用的是基于优秀解分布区间估计的改进PSO训练算法，具体训练过程包括如下步骤：

S301：对所要训练的GRNN预测模型的模式层平滑参数集进行粒子位置坐标映射，即粒子位置坐标的维数D等于要优化的参数集的参数个数26，粒子位置坐标中各维分量与所述GRNN预测模型中的平滑参数一一对应，粒子的位置坐标为：其中wd∈[minσd,maxσd]，minσd,maxσd为平滑参数集第d个平滑参数σd的取值上下限；

S302：定义适应度函数为当前GRNN预测模型实际输出和预期输出之间的相对误差均值，即其中为训练样本集Xtrain中第n个训练样本的预期输出值，为将作为平滑参数集代入GRNN模型后，输入第n个训练样本所得到的预测结果，MX＝26为训练样本集Xtrain的样本个数，同时也为平滑参数集的参数个数；

S303：对改进的PSO算法进行初始化，包括设定Nswarm＝100，ω＝0.729，c1＝2，c2＝2，c3＝0，Kmax＝2000，FVIR＝0.05，T＝10，λmax＝0.4，λmin＝0，Npart＝100，ρ＝0.7，k＝1，以上各个参数的含义详见发明内容部分步骤S303中所述，并且随机初始化粒子群中各个粒子的初始位置和初始飞行速度i＝1,2,…,Nswarm，令各个粒子的个体极值为该粒子的初始位置令群体极值为当前最优的个体极值。

S304：按下式更新各个粒子的速度和位置

其中i＝1,2,…,Nswarm，k为当前迭代次数，ω为惯性权重，c1,c2,c3分别为个体学习因子、群体学习因子、空间分布引导因子，为第i个粒子当前的个体极值，为粒子群当前的群体极值，为粒子群当前的空间分布引导向量，r1,r2为0到1之间的随机数。

S305：更新个体极值和群体极值

S306：判断当前迭代次数k是否为优秀解分布区间概率矩阵更新周期T的倍数，若是则转到步骤S307，不是则转到步骤S314；

S307：将搜索空间中的每一维d＝1,2,…,D的搜索范围[minσd,maxσd]平均划分为Npart个子区间其中Φd,u表示为搜索空间第d维的第u个子区间，将当前粒子群各个粒子的个体极值i＝1,2,…,Nswarm组合成一个个体极值矩阵Γ：

取出矩阵Γ的第d列，选出该列中取值属于子区间Φd,u的元素，将其对应的行号放入集合中，则第d维搜索空间的第u个子区间Φd,u的优秀解分布区间概率pd,u为：利用获得的各个子区间的优秀解分布区间概率构造优秀解分布区间概率矩阵P：

S308：更新优秀解分布区间概率矩阵P，更新的规则为：判断k是否等于T，若是，则步骤S307得到的矩阵P为初始矩阵不用更新，直接转到步骤S309，若否，则按下式更新矩阵P中的每一个元素：pd,u＝λ·newpd,u+(1-λ)·oldpd,u，其中oldpd,u为上一轮更新周期后的pd,u，newpd,u为步骤S307新获得的pd,u，λ为优秀解分布区间概率矩阵更新权重，λ为一个随着迭代次数的增加而逐渐减小的变量，其变化公式为：其中λmax、λmin为λ的变化上下限，k为当前迭代次数，Kmax为最大迭代次数；

S309：建立搜索空间中每一维d＝1,2,…,D的所有子区间的优秀解分布区间高斯模型：

第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型的均值ξd,u确定方法为：定义向量则向量的第d个元素即为ξd,u，其中集合为步骤S307中得到的集合；

第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型的方差θd,u确定方法为：其中为集合中元素个数，γi,d为的第d个元素；

则第d维搜索空间的第u个子区间Φd,u的优秀解分布区间高斯模型为：χd,u～N(ξd,u,θd,u²)；

S310：针对搜索空间的每一维d＝1,2,…,D，依据步骤S308中更新的优秀解分布区间概率矩阵P为每一维搜索空间选取三个优秀子区间Φd,A,Φd,B,Φd,C：

产生一个0到1之间的随机数判断是否成立，如果成立则令A＝1，否则令A从2遍历到Npart并判断是否成立，找到令该式成立的A的取值，则由此确定了第一个优秀子区间Φd,A，将Φd,A从中排除，采用同样的方法确定第二个优秀子区间Φd,B，将Φd,A,Φd,B从中排除，采用同样的方法确定第三个优秀子区间Φd,C；

S311：针对搜索空间的每一维d＝1,2,…,D，利用步骤S309获得的子区间Φd,A,Φd,B,Φd,C的优秀解分布区间高斯模型χd,A～N(ξd,A,θd,A²)、χd,B～N(ξd,B,θd,B²)、χd,C～N(ξd,C,θd,C²)，对选取的三个优秀子区间Φd,A,Φd,B,Φd,C分别进行抽样取值，得到ad,bd,cd；

S312：针对搜索空间的每一维d＝1,2,…,D，利用步骤S311中抽样获得的ad,bd,cd合成该维度的引导分量ed＝ρ·ad+(1-ρ)bd-(1-ρ)cd，其中ρ为引导分量合成系数，将每一维度的引导分量组成空间分布引导向量：

S313：空间分布引导向量的更新，更新的规则为：判断空间分布引导因子c3是否为0，若是，则将c3置为1，且令为步骤S312获得的若否，则判断步骤S312获得的是否优于当前的即判断是否成立，若成立则令更新为步骤S312获得的若不成立则不更新

S314：令k＝k+1，判断算法是否达到最大迭代次数Kmax或预先设定的训练精度阀值FVIR；即k＞Kmax或两者是否有一个成立，如果两者有一个成立则转到步骤S315，否则返回步骤S304；

S315：将的各维分量[g1,g2,…,gD]的取值作为GRNN预测模型的各个平滑参数[σ1,σ2,…,σD]的取值，从而获得训练完毕的GRNN预测模型；

S316：采用同样的方法分别训练时间序列Yt，Zt的GRNN预测模型，且所述的训练三个GRNN预测模型的操作为同时进行、并行处理。

在上述实现步骤的基础上，步骤S4中所述的利用训练好的GRNN预测模型对载波虚拟机下一时刻的资源需求量进行预测，具体包括以下步骤：

S401：分别将时间序列X＝{xt|t＝1,2,…,N}，Y＝{yt|t＝1,2,…,N}，Z＝{zt|t＝1,2,…,N}中的元素：{x27,x33,x39,…,xN}，{y27,y33,y39,…,yN}，{z27,z33,z39,…,zN}，其中N＝200，作为模型输入数据输入步骤S3中获得的各自训练好的GRNN预测模型中，得到预测输出x^predict，y^predict，z^predict。

S402：将得到的预测输出x^predict，y^predict，z^predict进行反归一化处理，得到载波虚拟机三类资源需求量的预测值cpu^predict,mem^predict,band^predict，将预测的结果发送给C-RAN载波迁移资源管理单元用于指导载波迁移过程中的资源分配。

参见表1所示，分别为C-RAN载波迁移过程中采用本发明所提出的资源需求预测方法来指导资源分配与仅根据当前时刻负载情况来指导资源分配的C-RAN网络架构的一天内每6小时的资源利用率与发生的载波迁移次数统计。

表1：资源利用率统计与载波迁移次数对比图

由表1可见采用本发明所述方法来指导载波迁移过程中的资源分配有效提高了C-RAN网络的资源利用率，并减少了二次迁移的情况发生。

参见图5所示,为采用本发明提出的基于优秀解分布区间估计的改进PSO算法与采用现有其他算法对上述实施例中步骤S2构建的GRNN预测模型进行训练的训练迭代过程对比图，图中横坐标为迭代次数，纵坐标为用百分比形式表示的适应度函数值

所选用的对比算法有：原有PSO算法、遗传算法、模拟退火算法。如图所示，粗实线为改进PSO算法的训练迭代曲线，算法在第324次迭代达到精度阀值FVIR＝0.05要求。虚线为原有PSO算法的训练迭代曲线，算法在第536次迭代达到精度阀值FVIR＝0.05要求。点划线为遗传算法的训练迭代曲线，算法在第1088次迭代达到精度阀值FVIR＝0.05要求。加号标注的曲线为模拟退火算法的训练迭代曲线，算法陷入了局部极小点无法达到精度阀值FVIR＝0.05要求。由此对比可知，本发明所提出的改进PSO算法能够有效提高资源需求预测的预测准确度及预测速度，实现载波迁移过程中高效准确的资源分配。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。