一种基于加强深度神经网络的WiFi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：
，尤其涉及一种基于加强深度神经网络的WiFi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。通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的信号强度定位技术。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，主要分成两类：三角形强度算法以及位置指纹识别算法。其中三角形强度算法精度低，难以满足室内定位要求；而普通指纹识别算法又存在接收设备不同而使得接收信号存在误差的缺陷。技术实现要素：为解决上述技术问题，本发明提供一种基于加强深度神经网络的WiFi定位方法及服务器，通过对采集的待检测客户端所在位置的网络数据进行1*1卷积计算，实现多维的网络数据更好地融合，提高基于深度神经网络的WiFi定位的精度。本发明提供的技术方案如下：本发明公开了一种基于加强深度神经网络的WiFi定位方法，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据；所述网络数据为多维数据；S200、将所述网络数据输入训练后的定位模型的输入数据层，经过定位模型的1*1卷积层计算后进入定位模型的网络层；S300、基于训练后的定位模型的网络层计算待检测客户端所在位置的所述网络数据，并通过输出层输出的输出结果确定待检测客户端的位置。进一步优选的，所述网络数据包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率。进一步优选的，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S000进一步包括步骤：S001、预先设置训练位置标签；S002、依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所发出的信号的网络数据；所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率；S003、分别将每个所述训练位置标签以及其对应的信号强度数据、信道号以及对应无线接入点的输入功率作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；S004、将深度神经网络的输入数据层定义为三通道数据层，所述三通道数据层的节点与各个无线接入点相对应，按照三通道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三个通道；所述训练样本数据经过1*1卷积层计算后进入所述深度神经网络的网络层，最后经由所述深度神经网络的输出层输出与所述训练位置标签相对应的训练结果；S005、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S003与所述步骤S004之间还包括步骤：S035、分别对每个所述训练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理；所述步骤S100和步骤S200之间还包括步骤：S150、将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。本发明还公开了一种基于加强深度神经网络的WiFi定位服务器，包括：数据采集模块，用于获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据；所述网络数据为多维数据；所述网络数据包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率；定位模块，用于将采集到的所述网络数据输入定位模型的多通道数据层，经过定位模型的1*1卷积层计算后进入定位模型的网络层，基于定位模型的网络层计算所述网络数据，并通过输出层的输出结果确定待检测客户端的位置。进一步优选的，还包括：训练模块，用于预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述训练模块进一步包括：标签预设子模块，用于预先设置用于训练的训练位置标签；训练数据集生成子模块，用于依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所发出的信号的网络数据，分别将每个所述训练位置标签以及其对应的网络数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率；输入数据层定义子模块，用于将深度神经网络的输入数据层定义为三通道数据层，所述三通道数据层的节点与各个无线接入点相对应；卷积层定义子模块，用于在深度神经网络的输入数据层与网络层之间定义1*1卷积层；训练预测子模块，用于按照三通道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三个通道，经过1*1卷积层计算后进入所述深度神经网络的网络层，最后经由所述深度神经网络的输出层输出与所述训练位置标签相对应的训练结果，依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，还包括：数据处理模块，用于分别对每个所述训练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理，以及用于将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。与现有技术相比，本发明提供的一种基于加强深度神经网络的WiFi定位方法及服务器，通过收集待测客户端所在位置的网络数据，并对采集的待检测客户端所在位置的网络数据进行1*1卷积计算，输入训练好的定位模型，即可确定待测客户端所在位置。本发明对深度神经网络改进，增加1*1卷积层，对多维的网络数据中相关度较高的三种数据进行卷积，能够使数据更好地融合，提高WiFi定位的精度。同时，通过利用含有大量训练样本数据的训练数据集对深度神经网络训练，采用改进后的深度神经网络作为定位模型，不仅提升定位精度的提升，同时能够在不影响定位速度的情况下提升定位结果的准确性，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为本发明一种基于加强深度神经网络的WiFi定位方法的主要步骤示意图；图2为本发明一种基于加强深度神经网络的WiFi定位方法的训练深度神经网络的步骤示意图；图3为本发明一种基于加强深度神经网络的WiFi定位服务器的主要组成示意图；图4为本发明一种基于加强深度神经网络的WiFi定位服务器的完整组成示意图。附图标记：100、数据采集模块，200、定位模块，300、训练模块，311、标签预设子模块，312、训练数据集生成子模块，313、输入数据层定义子模块，314、训练预测子模块，315、卷积层定义子模块，400、数据处理模块。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为本发明一种基于加强深度神经网络的WiFi定位方法的主要步骤示意图，如图1所示，一种基于加强深度神经网络的WiFi定位方法，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据；所述网络数据为多维数据；S200、将所述网络数据输入训练后的定位模型的输入数据层，经过定位模型的1*1卷积层计算后进入定位模型的网络层；S300、基于训练后的定位模型的网络层计算待检测客户端所在位置的所述网络数据，并通过输出层输出的输出结果确定待检测客户端的位置。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。本实施例中所述网络数据为多维数据，其中具体包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率。因为信道号和频率点正相关，而频段和空间衰减相关，信道号越大，在空间传播时衰减越大，同时AP的输入功率的采集也会影响进度，因为不同型号的AP输出功率设计指标可以不一样，即使相同AP在2.4G频段和5G频段的输出指标也完全可能不一样，因此本发明在不同信道不同频段上采集RSSI，把信道号、AP在频段上的输入功率与信号强度数据一并采集输入深度神经网络进行训练，大大提高定位的准确率。具体的，各个无线接入点接收待检测客户端在检测区域内所在位置上所发出的信号的信号强度数据通过以下方式获取：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。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。以实际数据为例，本发明采集待检测客户端的网络数据的格式如下，<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23)>，其中具体含义如下：RSSI1＝-30dBm,信道6，输出20dBmRSSI2＝-12dBm,信道11，输出18dBmRSSI3＝-14dBm,信道1，输出20dBmRSSI4＝-67dBm,信道36，输出18dBmRSSI5＝-54dBm,信道149，输出23dBm具体的，由于上述网络数据实际上是三维数据，通过深度神经网络的三通道数据层输入虽然能解决输入数据的精度，但三通道的数据是完全不同维度的数据，并没有融化。同时，本实施例中网络数据包括信号强度数据、信道号以及对应无线接入点的输入功率，三者具有极大得相关性，因此为了使多维网络数据在输入数据层就产生更好的融合，本发明在输入数据层和网络层直接插入一个1x1卷积核的3通道卷积层。原有网络：三通道数据层---->网络层---->输出层本发明网络：三通道数据层---->1x1卷积核的3通道卷积层---->网络层---->输出层原有输入数据层的三通道数据为：x，y，z1x1卷积核的3通道卷积层输出数据为：X1＝w11*x+w12*y+w13*zX2＝w21*x+w22*y+w23*zX3＝w31*x+w32*y+w33*z这样1x1卷积核的3通道卷积层每个通道上的数据都是原有三通道数据层三通道上数据的线性组合，更有利于后面深度神经网络的训练。本发明通过收集待测客户端所在位置的网络数据，并对采集的待检测客户端所在位置的网络数据进行1*1卷积计算，输入训练好的定位模型，即可确定待测客户端所在位置。本发明对深度神经网络改进，增加1*1卷积层，对多维的网络数据中相关度较高的三种数据进行卷积，能够使数据更好地融合，提高WiFi定位的精度。优选的，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。具体的，本发明中根据定位得到的输出结果不同，可以包含两种具体实现方式，方式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值，方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置的预设位置坐标。本发明对具体训练方式不作限定。本发明采用有监督的全局参数训练的方法：已知接收到的网络数据的实际位置，通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。图2为本发明一种基于加强深度神经网络的WiFi定位方法的一个实施例的步骤示意图。优选的，如图2所示，所述步骤S000进一步包括步骤：S001、预先设置训练位置标签；S002、依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所发出的信号的网络数据；所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率；S003、分别将每个所述训练位置标签以及其对应的信号强度数据、信道号以及对应无线接入点的输入功率作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；S004、将深度神经网络的输入数据层定义为三通道数据层，所述三通道数据层的节点与各个无线接入点相对应，按照三通道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三个通道；所述训练样本数据经过1*1卷积层计算后进入所述深度神经网络的网络层，最后经由所述深度神经网络的输出层输出与所述训练位置标签相对应的训练结果；S005、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。具体的，因为本实施例中网络数据为多维数据，且具体为信号数据强度、信道号以及对应无线接入点的输入功率，因此定义用作定位模型的深度神经网络的输入数据层也为三通道数据层。下面以方式一通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值为例，具体介绍本发明对深度神经网络训练的过程。1、在训练时，首先采集各个无线接入点接收到训练终端在预设训练位置标签在检测区域内对应位置上的网络数据。本实施例中预设训练位置标签为自行定义，具体可通过网格划分检测区域，将检测区域划分为预设数量的网格分类，将每个网格分类分配对应的预设训练位置标签，也可通过在检测区域建立平面直角坐标系，分别在坐标系中设置对应的位置坐标为预设训练位置标签。本实施例中以方式一进行举例，下面以实际数据解释本发明中采集的每个预设训练位置标签对应位置的网络数据。假设在其中一个预设训练位置标签所采集到的网络数据如下：<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23),34>代表：RSSI1＝-30dBm,信道6，输出20dBmRSSI2＝-12dBm,信道11，输出18dBmRSSI3＝-14dBm,信道1，输出20dBmRSSI4＝-67dBm,信道36，输出18dBmRSSI5＝-54dBm,信道149，输出23dBmlabel＝34，表示此预设训练位置标签的标识为34，代表监测区域中标识为34的网格所在位置。2、依次通过训练样本数据训练深度神经网络的输入数据层。采集的原始的网络数据是三维数据，因此，定义用作定位模型的深度神经网络的输入数据层也为三通道数据层，三通道数据层的节点与各个无线接入点相对应。按照三通道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三个通道。表一通道1通道2通道3-30620-121118-14120-673618-5414923如表一所示，表一中通道1表示采集的与各个无线接入点对应的信号强度数据，通道2表示对应的信道号，通道3表示对应各个无线接入点的输入频率。依次将每个预设训练位置标签对应的训练样本数据送入深度神经网络的三通道数据层的三个通道。3、1*1卷积计算本发明中在三通道数据层和网络层之间还增加一个1*1卷积核的三通道卷积层，从三通道数据层输入的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率进行1*1卷积计算，计算后输入网络层；4、训练深度神经网络最后通过输出层输出训练结果与训练位置标签的误差，最后通过调整深度神经网络中的参数使得整个网络的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。优选的，所述步骤S003与所述步骤S004之间还包括步骤：S035、分别对每个所述训练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理；所述步骤S100和步骤S200之间还包括步骤：S150、将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。具体的，为了使采集的多维的网络数据能有效进入深度神经网络处理，需要把每个原始数据都归一化。本实施例中采用以下归一化公式处理：X’＝(X-u)/σ，u为均值，σ为标准差本实施例中归一化只在各自通道内归一化。图3为本发明一种基于加强深度神经网络的WiFi定位服务器的主要组成示意图。如图3所示，一种基于加强深度神经网络的WiFi定位服务器，包括：数据采集模块100，用于获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据；所述网络数据为多维数据；所述网络数据包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率；定位模块200，用于将采集到的所述网络数据输入定位模型的多通道数据层，经过定位模型的1*1卷积层计算后进入定位模型的网络层，基于定位模型的网络层计算所述网络数据，并通过输出层的输出结果确定待检测客户端的位置。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。本实施例中所述网络数据为多维数据，其中具体包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率。因为信道号和频率点正相关，而频段和空间衰减相关，信道号越大，在空间传播时衰减越大，同时AP的输入功率的采集也会影响进度，因为不同型号的AP输出功率设计指标可以不一样，即使相同AP在2.4G频段和5G频段的输出指标也完全可能不一样，因此本发明在不同信道不同频段上采集RSSI，把信道号、AP在频段上的输入功率与信号强度数据一并采集输入深度神经网络进行训练，大大提高定位的准确率。具体的，各个无线接入点接收待检测客户端在检测区域内所发出的信号的的信号强度数据通过以下方式获取：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。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。以实际数据为例，本发明采集待检测客户端的网络数据的格式如下，<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23)>，其中具体含义如下：RSSI1＝-30dBm,信道6，输出20dBmRSSI2＝-12dBm,信道11，输出18dBmRSSI3＝-14dBm,信道1，输出20dBmRSSI4＝-67dBm,信道36，输出18dBmRSSI5＝-54dBm,信道149，输出23dBm具体的，由于上述网络数据实际上是三维数据，通过深度神经网络的三通道数据层输入虽然能解决输入数据的精度，但三通道的数据是完全不同维度的数据，并没有融化。同时，本实施例中网络数据包括信号强度数据、信道号以及对应无线接入点的输入功率，三者具有极大得相关性，因此为了使多维网络数据在输入数据层就产生更好的融合，本发明在输入数据层和网络层直接插入一个1x1卷积核的3通道卷积层。原有网络：三通道数据层---->网络层---->输出层本发明网络：三通道数据层---->1x1卷积核的3通道卷积层---->网络层---->输出层原有输入数据层的三通道数据为：x，y，z1x1卷积核的3通道卷积层输出数据为：X1＝w11*x+w12*y+w13*zX2＝w21*x+w22*y+w23*zX3＝w31*x+w32*y+w33*z这样1x1卷积核的3通道卷积层每个通道上的数据都是原有三通道数据层三通道上数据的线性组合，更有利于后面深度神经网络的训练。本发明通过收集待测客户端所在位置的网络数据，并对采集的待检测客户端所在位置的网络数据进行1*1卷积计算，输入训练好的定位模型，即可确定待测客户端所在位置。本发明对深度神经网络改进，增加1*1卷积层，对多维的网络数据中相关度较高的三种数据进行卷积，能够使数据更好地融合，提高WiFi定位的精度。图4为本发明一种基于加强深度神经网络的WiFi定位服务器的完整组成示意图。如图4所示，优选的，还包括：训练模块300，用于预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。具体的，本发明中根据定位得到的输出结果不同，可以包含两种具体实现方式，方式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值，方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置的预设位置坐标。本发明对具体训练方式不作限定。本发明采用有监督的全局参数训练的方法：已知与各个无线接入点对应的信号强度数据的实际位置属于某个网格，通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。优选的，所述训练模块进一步包括：标签预设子模块311，用于预先设置用于训练的训练位置标签；训练数据集生成子模块312，用于依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所发出的信号的网络数据，分别将每个所述训练位置标签以及其对应的网络数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率；输入数据层定义子模块313，用于将深度神经网络的输入数据层定义为三通道数据层，所述三通道数据层的节点与各个无线接入点相对应；卷积层定义子模块315，用于在深度神经网络的输入数据层与网络层之间定义1*1卷积层；训练预测子模块314，用于按照三通道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三个通道，经过1*1卷积层计算后进入所述深度神经网络的网络层，最后经由所述深度神经网络的输出层输出与所述训练位置标签相对应的训练结果，依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。需要说明的是，对于上述训练模块300的训练过程详见本发明对于基于网络数据的WiFi定位方法中训练深度神经网络的解释，此处不再复述。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。优选的，还包括：数据处理模块400，用于分别对每个所述训练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理，以及用于将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。具体的，为了使采集的多维的网络数据能有效进入深度神经网络处理，需要把每个原始数据都归一化。本实施例中采用以下归一化公式处理：X’＝(X-u)/σ，u为均值，σ为标准差本实施例中归一化只在各自通道内归一化。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。当前第1页1 2 3