一种基于联合网络的多楼层室内定位方法及服务器与流程

本发明涉及无线局域网技术领域，尤其涉及一种基于联合网络的多楼层室内定位方法及服务器。

背景技术：

目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个WiFi信号覆盖，而且这些路由器在向四周传播WiFi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。基于信号强度的定位技术基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，但由于室内楼层上下有钢筋混凝土的隔离层，导致上下楼层的信号有明显差异，因此，对于多个楼层内进行定位时采用传统方法显然精度不高。

技术实现要素：

为解决上述技术问题，本发明提供一种基于联合网络的多楼层室内定位方法及服务器，通过采集各个无线接入点对应的信号强度数据来确定待检测客户端所在楼层的位置坐标，实现基于深度神经网络的WiFi定位。

本发明提供的技术方案如下：

本发明公开了一种基于联合网络的多楼层室内定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；S200、将所述信号强度数据输入同时利用分类算法定位楼层和利用拟合算法定位坐标的联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。

进一步优选的，所述步骤S200进一步包括步骤：S210、分别将所述信号强度数据输入所述联合网络的分类子网络和拟合子网络；S220、所述分类子网络计算所述信号强度数据，输出待检测客户端所在位置所属楼层的楼层标签，所述拟合子网络计算所述信号强度数据，输出待检测客户端所在位置的预测位置坐标；S230、根据所述楼层标签和所述预测位置坐标确定待检测客户端所在位置的位置坐标及所属楼层。

进一步优选的，所述步骤S100之前还包括步骤：S000、预先训练所述分类子网络和所述拟合子网络。

进一步优选的，所述步骤S000中预先训练所述分类子网络进一步包括步骤：S011、对检测区域内多个楼层进行分类，为每个楼层分配对应的楼层标签；S012、分别采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的楼层标签形成每个楼层的训练数据样本，将所有楼层的训练数据样本生成第一训练数据集输入分类子网络；S013、依次将每个楼层的训练样本数据输入所述分类子网络，经过所述深度神经网络输出相对应的训练结果；S014、依次将输出的训练结果与其对应的所述预设训练位置所属楼层的楼层标签进行比较，得到第一误差；S021、在多个楼层中的任意一个楼层所在区域建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；S022、将楼层中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成第二训练数据集，并送入所述拟合子网络中；S023、依次将每一组训练样本数据中的信号强度数据输入所述拟合子网络，经过所述拟合子网络输出相对应的训练结果；S024、依次将输出的训练结果与其对应的训练位置坐标进行比较，得到第二误差；S030、计算所述第一误差和所述第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练。

进一步优选的，所述步骤S030进一步包括步骤：按照下述公式计算所述第一误差和所述第二误差：Total Loss＝SoftMaxLoss+p*Euclidean Loss；其中，SoftMaxLoss表示输出的所述第一误差；Euclidean Loss表示输出的所述第二误差；Total Loss表示计算后的总误差；p表示预设权重；分别对所述分类子网络和所述拟合子网络的网络参数进行训练，使得每次训练输出的总误差Total Loss收敛于预设范围内。

本发明还公开了一种基于联合网络的多楼层室内定位服务器，包括：数据采集模块，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；定位模块，用于将所述信号强度数据输入同时利用分类算法定位楼层和利用拟合算法定位坐标的联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。

进一步优选的，所述定位模块进一步包括：楼层定位子模块，用于将所述信号强度数据输入所述分类子网络，经过所述分类子网络计算输出待检测客户端所在位置所属楼层的楼层标签；坐标定位子定位模块，用于将所述信号强度数据输入拟合子网络；经所述拟合子网络计算得到待检测客户端所在位置的预测位置坐标。

进一步优选的，还包括：训练模块，用于预先训练所述分类子网络和所述拟合子网络。

进一步优选的，所述训练模块进一步包括：楼层分类子模块，用于将检测区域内的多个楼层进行分类，为每个楼层分配对应的楼层标签；第一训练数据集生成子模块，用于分别采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的楼层标签形成每个楼层的训练数据样本，将所有楼层的训练数据样本生成第一训练数据集输入分类子网络；第一训练预测子模块，用于依次将每个楼层的训练样本数据输入所述分类子网络，经过所述分类子网络输出相对应的训练结果，依次将输出的训练结果与其对应的所述预设训练位置所属楼层的楼层标签进行比较，得到第一误差；坐标系建立子模块，用于在多个楼层中的任意一个楼层所在区域建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；第二训练数据集生成子模块，用于将楼层中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成第二训练数据集，并送入所述拟合子网络中；第二训练预测子模块，用于依次将每一组训练样本数据中的信号强度数据输入所述拟合子网络，经过所述拟合子网络输出相对应的训练结果，依次将输出的训练结果与其对应的训练位置坐标进行比较，得到第二误差根据比较结果对所述拟合子网络进行训练；调整子模块，用于计算所述第一误差和所述第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练。

进一步优选的，所述调整模块进一步用于：按照下述公式计算所述第一误差和所述第二误差；Total Loss＝SoftMaxLoss+p*Euclidean Loss；其中，SoftMaxLoss表示输出的所述第一误差；Euclidean Loss表示输出的所述第二误差；Total Loss表示计算后的总误差；p表示预设权重；分别对所述分类子网络和所述拟合子网络的网络参数进行训练，使得每次训练输出的总误差Total Loss收敛于预设范围内。

与现有技术相比，本发明提供的基于联合网络的多楼层室内定位方法及服务器，通过收集待测客户端的与各个无线接入点相对应的信号强度数据输入训练好的联合网络，即可确定待测客户端所属楼层及位置。本发明通过利用含有大量训练样本数据的训练数据集对联合网络进行训练，将两个子网络联合成一个网络，不仅节省了时间，同时提高了定位效率，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位服务器的性能。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明予以进一步说明。

图1为本发明一种基于联合网络的多楼层室内定位方法的主要步骤示意图；

图2为本发明一种基于联合网络的多楼层室内定位方法的完整步骤示意图；

图3为本发明一种基于联合网络的多楼层室内定位方法的联合网络的训练步骤示意图；

图4为本发明一种基于联合网络的多楼层室内定位服务器的主要组成示意图；

图5为本发明一种基于联合网络的多楼层室内定位服务器的完整组成示意图；

图6为本发明一种基于联合网络的多楼层室内定位服务器的一个实施例的组成示意图。

附图标记：

100、数据采集模块，200、定位模块，210、楼层定位子模块，220、坐标定位子定位模块，300、训练模块，310、楼层分类子模块，311、第一训练数据集生成子模块，312、第一训练预测子模块，313、坐标系建立子模块，314、第二训练数据集生成子模块，315、第二训练预测子模块，316、调整子模块。

具体实施方式

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，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

图1为本发明一种基于联合网络的多楼层室内定位方法的主要步骤示意图，如图1所示，一种基于联合网络的多楼层室内定位方法，所述方法包括步骤：S100、采集检测区域中待检测客户端所在位置接收各个无线接入点的与各个无线接入点对应的信号强度数据；S200、将所述信号强度数据输入联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。

具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。

STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI场强报文生成信号强度数据。本发明通过将各个无线接入点获得的与各个无线接入点对应的信号强度数据作为输入定位模型的原始数据，例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。

具体的，本发明中联合网络为经训练后的同时利用分类算法定位楼层和利用拟合算法定位坐标的深度神经网络，其包括并列的分类子网络和拟合子网络。将所述信号强度数据输入联合网络的分类子网络，经计算后输出楼层标签的概率值，选取概率值最大的楼层标签确定当前待检测客户端所在位置所属楼层，同时将所述信号强度数据输入联合网络的拟合子网络，经计算后输出待检测客户端的预测位置坐标。本发明通过联合网络同时输出待检测客户端所在位置所属楼层及具体的位置坐标，与分别采用两个网络模型进行定位的方法相比，本发明能够节约时间，简化网络，提高定位效率。

图2为本发明一种基于联合网络的多楼层室内定位方法的完整步骤示意图。优选的，如图2所示，所述步骤S200进一步包括步骤：S210、分别将所述信号强度数据输入所述联合网络的分类子网络和拟合子网络；S220、所述分类子网络计算所述信号强度数据，输出待检测客户端所在位置所属楼层的楼层标签，所述拟合子网络计算所述信号强度数据，输出待检测客户端所在位置的预测位置坐标；S230、根据所述楼层标签和所述预测位置坐标确定待检测客户端所在位置的位置坐标及所属楼层。

优选的，所述步骤S100之前还包括步骤：S010、预先训练所述分类子网络和所述拟合子网络。

具体的，本发明中对分类子网络和拟合子网络进行训练，其中分类子网络的训练网络的结构如下：

数据层->卷积层1->卷积层2->ReLU层->Max Pooling层->全连接层1->全连接层2->SoftMaxLoss层

拟合型深度神经网络的训练网络的结构如下：

数据层->全连接层1->ReLU层->全连接层2->Euclidean Loss层

通过训练样本数据分别输入分类子网络和拟合子网络，在SoftMaxLoss层输出第一误差，在Euclidean Loss层输出第二误差，通过对分类子网络和拟合子网络的网络参数进行调整，使得第一误差和第二误差经计算后趋于预设范围，则将当前训练完成后的网络参数更新为分类子网络和拟合子网络原有的网络参数，同时将分类子网络的训练网络最后一层SoftMaxLoss层更为SoftMax层，形成分类实施网络，将拟合子网路的训练网络最后一层去除，形成拟合实施网络，分别将分类实施网络和拟合实施网络用于作为训练后的分类子网络和拟合子网络参与实际定位过程。其中SoftMaxLoss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而SoftMax层用于在实施网络在定位时，输出待检测客户端所在位置所属楼层标签的概率值。Euclidean Loss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而实施网络在定位时，直接在网络层输出待检测客户端所在位置的预测位置坐标。

训练网络和实施网络除了最后一层不一样，其他层都一样，训练网络所得到的网络参数可以直接用在实施网络中。

图3为本发明一种基于联合网络的多楼层室内定位方法的联合网络的训练步骤示意图。优选的，如图3所示，所述步骤S000中预先训练所述分类子网络和所述拟合子网络进一步包括步骤：S011、对检测区域内多个楼层进行分类，为每个楼层分配对应的楼层标签；S012、分别采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的楼层标签形成每个楼层的训练数据样本，将所有楼层的训练数据样本生成第一训练数据集输入分类子网络；S013、依次将每个楼层的训练样本数据输入所述分类子网络，经过所述分类子网络输出相对应的训练结果；S014、依次将输出的训练结果与其对应的所述预设训练位置所属楼层的楼层标签进行比较，得到第一误差；S021、在多个楼层中的任意一个楼层所在区域建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；S022、将楼层中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成第二训练数据集，并送入所述拟合子网络中；S023、依次将每一组训练样本数据中的信号强度数据输入所述拟合子网络，经过所述拟合子网络输出相对应的训练结果；S024、依次将输出的训练结果与其对应的训练位置坐标进行比较，得到第二误差；S030、计算所述第一误差和所述第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练。

下面以具体实例介绍本发明对联合网络的训练的过程。

1、首先是对检测区域内的楼层进行分类。

对检测区域内的楼层进行分类，依次为每个楼层分配楼层标签，比如某办公区域一共有6个楼层，因此定义6类，并为每个楼层分配一个对应的楼层标签。

2、第一训练样本数据的采集

采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，本发明中每个楼层的预设训练位置是用户自行定义，应用于实际定位时可根据WIFI精度进行设置，预设训练位置可以是多个。在上述6个楼层中楼层标签为1的楼层中的预设训练位置上通过训练终端发出探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器。通过本地或云服务器采集各个AP的RSSI获得与各个AP对应的信号强度数据，同时，将楼层标签为1的楼层内的预设训练位置结合信号强度数据生成一组第一训练样本数据，假设检测区域中有4个AP，则一组第一训练样本数据表示为：(RSSI1，RSSI2，RSSI3，RSSI4，1)，以实例表示为<-30，-12，-14，-67，1>，其中，前四个数值的单位可以为dBm，最后一个数值可以无量纲。该第一训练样本数据可以表示编号为1的接入点对应的RSSI为-30dBm，编号为2的接入点对应的RSSI为-12dBm，编号为3的接入点对应的RSSI为-14dBm，编号为4的接入点对应的RSSI为-67dBm，该STA位于楼层标签为1的楼层中。

3、将第一训练样本数据中的信号强度数据输入分类子网络进行计算，最后输出训练结果与训练位置标签的第一误差。

具体的，将第一训练样本数据中的RSSI1到RSSI4从输入数据层输入，在SoftMaxLoss层用label进行回归，通过训练在SoftMaxLoss层输出Loss。

4、对检测区域内多个楼层中的任意一个楼层所在区域建立平面直角坐标系。

在楼层内建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标，X轴和Y轴的单位长度设为预设值。比如楼层内部空间为一个长方向，假设长为M，宽为N，面积为M*N。根据WIFI的精度特性以3米作为X轴和Y轴的单位长度，确定左下角为原点，则X轴的单位刻度为3米一单位，最大刻度为M/3，Y轴的单位刻度为3米一单位，最大刻度为N/3。依次在建立好坐标系的检测区域标出用于训练的预设训练位置坐标，比如label＝<1.4，5.3>，表示此位置在该楼层内的坐标为：X＝1.4，Y＝5.3。

5、第二训练样本数据的采集

在上述楼层中训练位置坐标对应的位置上通过训练终端发出探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器。通过本地或云服务器采集各个AP的RSSI获得与各个AP对应的信号强度数据，同时，将预设训练位置坐标结合信号强度数据生成一组第二训练样本数据，假设检测区域中有4个AP，则一组第二训练样本数据表示为：(RSSI1，RSSI2，RSSI3，RSSI4，label)，以实例表示为<-30，-12，-14，-67，1.4，5.3>，其中，前四个数值的单位可以为dBm，最后一个数值可以无量纲。该第二训练样本数据可以表示编号为1的接入点对应的RSSI为-30dBm，编号为2的接入点对应的RSSI为-12dBm，编号为3的接入点对应的RSSI为-14dBm，编号为4的接入点对应的RSSI为-67dBm，该STA位于楼层中坐标为X＝1.4，Y＝5.3的位置。

6、将楼层的每一组第二训练样本数据中的信号强度数据输入拟合子网络，经过拟合子网络输出相对应的训练结果与训练位置坐标的第二误差。

具体的，将第二训练样本数据中的RSSI1到RSSI4从数据层输入，在Euclidean Loss层用label进行回归，通过训练在Euclidean Loss层输出Loss。

7、计算第一误差和第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练，最后通过调整网络参数使得整个联合网络的Loss即误差最小。

需要说明的是，整个深度神经网络中没有标明具体参数，因为这些参数和具体的空间以及AP的个数有关，不在本专利的范围内。

下面以实例介绍基于联合网络对待检测客户端所在位置进行预测，具体如下：

在检测区域内任意一个位置放置待检测STA。该STA向外广播探测请求帧，检测区域内的各个AP收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据所有AP上报的RSSI获得与各个AP对应的信号强度数据，结合上述实例可表示为，(RSSI1，RSSI2，RSSI3，RSSI4)。

同时将各个AP接收到的待预测STA位置训练终端所发信号的信号强度数据的RSSI1到RSSI4输入分类子网络的输入数据层以及拟合子网络的输入数据层，分别在SoftMax层输出6类楼层标签的预测概率，在Euclidean层输出该STA在楼层内的预测位置坐标。

假设SoftMax层输出6类楼层标签的概率值从大到小排列为：

Label 1：0.7

Label 2：0.2

Label 3：0.1

Label 4：0.04

Labe l5：0.01

…

…

假设Euclidean层输出的预测位置坐标为(1.4，5.6)

则选取Label1作为最后的预测，即预测此STA在楼层标签为1的楼层内，位置坐标为(1.4，5.6)。

图4为本发明一种基于联合网络的多楼层室内定位服务器的主要组成示意图，如图4所示，一种基于联合网络的多楼层室内定位服务器，包括：数据采集模块100，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；定位模块200，用于将所述信号强度数据输入同时利用分类算法定位楼层和利用拟合算法定位坐标的联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。

具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。

STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI场强报文生成信号强度数据。本发明通过将各个无线接入点获得的与各个无线接入点对应的信号强度数据作为输入定位模型的原始数据，例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。

图5为本发明一种基于联合网络的多楼层室内定位服务器的完整组成示意图，如图5所示，优选的，所述定位模块200进一步包括：楼层定位子模块210，用于将所述信号强度数据输入所述分类子网络，经过所述分类子网络计算输出待检测客户端所在位置所属楼层的楼层标签；坐标定位子定位模块220，用于将所述信号强度数据输入拟合子网络；经所述拟合子网络计算得到待检测客户端所在位置的预测位置坐标。

具体的，本发明中联合网络为经训练后的深度神经网络，其包括并列的分类子网络和拟合子网络。将所述信号强度数据输入联合网络的分类子网络，经计算后输出楼层标签的概率值，选取概率值最大的楼层标签确定当前待检测客户端所在位置所属楼层，同时将所述信号强度数据输入联合网络的拟合子网络，经计算后输出待检测客户端的预测位置坐标。本发明通过联合网络同时输出待检测客户端所在位置所属楼层及具体的位置坐标，与分别采用两个网络模型进行定位的方法相比，本发明能够节约时间，简化网络，提高定位效率。

图6为本发明一种基于联合网络的多楼层室内定位服务器的一个实施例的组成示意图，如图6所示，优选的，还包括：训练模块300，用于预先训练所述分类子网络和所述拟合子网络。

优选的，如图6所示，所述训练模块300进一步包括：楼层分类子模块310，用于将检测区域内的多个楼层进行分类，为每个楼层分配对应的楼层标签；第一训练数据集生成子模块311，用于分别采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的楼层标签形成每个楼层的训练数据样本，将所有楼层的训练数据样本生成第一训练数据集输入分类子网络；第一训练预测子模块312，用于依次将每个楼层的训练样本数据输入所述分类子网络，经过所述分类子网络输出相对应的训练结果，依次将输出的训练结果与其对应的所述预设训练位置所属楼层的楼层标签进行比较，得到第一误差；坐标系建立子模块313，用于在多个楼层中的任意一个楼层所在区域建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；第二训练数据集生成子模块314，用于将楼层中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成第二训练数据集，并送入所述拟合子网络中；第二训练预测子模块315，用于依次将每一组训练样本数据中的信号强度数据输入所述拟合子网络，经过所述拟合子网络输出相对应的训练结果，依次将输出的训练结果与其对应的训练位置坐标进行比较，得到第二误差根据比较结果对所述拟合子网络进行训练；调整子模块316，用于计算所述第一误差和所述第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练。

对于上述训练模块300对联合网络的的训练过程详见本发明对于方法部分训练分类子网络和拟合子网络的解释，此处不再复述。

优选的，所述调整模块316进一步用于：按照下述公式计算所述第一误差和所述第二误差；Total Loss＝SoftMaxLoss+p*Euclidean Loss；其中，SoftMaxLoss表示输出的所述第一误差；Euclidean Loss表示输出的所述第二误差；Total Loss表示计算后的总误差；p表示预设权重；分别对所述分类子网络和所述拟合子网络的网络参数进行训练，使得每次训练输出的总误差Total Loss收敛于预设范围内。

本服务器中各模块之间的信息交互、执行过程等内容与上述方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。