无线通信的干扰感知方法、装置及系统与流程

本发明涉及通信技术领域，特别是涉及一种无线通信的干扰感知方法、装置及系统。

背景技术：

随着无线通信技术的飞速发展，大量的无线通信设备被广泛部署，同频干扰一直是降低网络性能的主要因素之一，如何解决频谱复用带来的干扰问题，一直是业界的研究重点。而在干扰环境下提高频谱利用率，前提是对工作带宽内的干扰情况及其带来的影响有准确的感知判断。

在目前的无线通信系统中，传统的对干扰感知判断的方法有：1、绝对门限法，即根据某一门限值，干扰能量大于该门限值，则认为该频段已经被干扰；2、相对门限法，按照子载波干扰能量的统计特征，将干扰最强的某一比列子载波认为是被干扰的。但绝对门限法很难选择合理的门限值，需要大量的实验来获得经验值，并且通信环境、用户的分布、调制解调方式、信道编码方法等因素的改变，会使得原有的有效经验值失效。而相对门限法容易造成误判，即在全频段干扰时，会判定只有部分频段受到了干扰；或者在无干扰环境，判定部分频段受到了干扰，从而造成资源的浪费和数据的无效传输。

在实现过程中，发明人发现传统技术中至少存在如下问题：传统的对干扰感知判断通常是只依据干扰测量值进行判断，反映干扰对系统的传输带来的实际效果，对干扰感知结果的准确度低，不能保障无线通信系统的传输性能。

技术实现要素：

基于此，有必要针对传统的技术方案中对干扰感知判断结果准确度低的问题，本发明提供了一种无线通信的干扰感知方法、装置及系统。

为了实现上述目的，一方面，本发明实施例提供了一种无线通信的干扰感知方法，包括以下步骤：

根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值；

根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率；

在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

在其中一个实施例中，并获取当前训练序列对应的似然概率的步骤包括：

通过机器学习处理当前训练系列，得到似然概率。

在其中一个实施例中，通过机器学习处理当前训练系列，得到似然概率的步骤包括：

对当前训练序列进行统计，得到对应当前训练序列的条件概率和对应通信状态标记值的先验概率；

通过贝叶斯法处理条件概率和先验概率，得到似然概率。

在其中一个实施例中，在生成待测无线通信系统的干扰感知量化数值的步骤之后包括：

根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

在其中一个实施例中，在根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值的步骤中：

在子频带组中的各子频带的成功通信比例值大于等于预设阈值时，将通信状态标记值标记为第一数值；

在子频带组中的各子频带的成功通信比例值小于预设阈值时，将通信状态标记值标记为第二数值。

在其中一个实施例中，干扰测量值包括干扰能量、干扰信号幅度和信干噪比；

子频带组包括若干子频带；子频带包括子载波、资源块和资源块组。

另一方面，本发明实施例还提供了一种无线通信的干扰感知装置，包括：

通信状态值获取单元，用于根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值；

似然概率获取单元，用于根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率；

干扰感知处理单元，用于在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

在其中一个实施例中，包括：

统计处理单元，用于对当前训练序列进行统计，得到对应当前训练序列的条件概率和对应通信状态标记值的先验概率；

贝叶斯处理单元，用于通过贝叶斯法处理条件概率和先验概率，得到似然概率。

另一方面，本发明实施例还提供了一种无线通信的干扰感知系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述无线通信的干扰感知方法的步骤。

另一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的无线通信的干扰感知方法的步骤。

上述技术方案中的一个技术方案具有如下优点和有益效果：

根据各子频带组的干扰测量值和通信状态标记值，生成当前训练序列；并得到对应当前训练序列的似然概率；在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值，提高了频谱的使用效率，进而保障无线通信系统的传输性能，提高了干扰感知判断结果的准确度。

附图说明

图1为一个实施例中无线通信的干扰感知方法的应用环境图；

图2为一个实施例中无线通信的干扰感知方法的流程示意图；

图3为一个实施例中似然概率获取步骤的流程示意图；

图4为另一个实施例中无线通信的干扰感知方法的流程示意图；

图5为又一个实施例中无线通信的干扰感知方法的流程示意图；

图6为一个实施例中无线通信的干扰感知方法的干扰测量示意图；

图7为一个实施例中无线通信的干扰感知装置的结构框图；

图8为另一个实施例中无线通信的干扰感知装置的结构框图；

图9为一个实施例中无线通信的干扰感知系统的内部结构图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请提供的无线通信的干扰感知方法，可以应用于如图1所示的应用环境中。其中，第一通信设备102通过网络与第二通信设备104通过网络进行通信。通过获取第二通信设备104通信的工作带宽内各子频带组的通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系统，并获取当前训练系列对应的似然概率；在获取到第一通信设备104的当前干扰测量值时，根据当前干扰测量值和似然概率，生成第一通信设备104的干扰感知量化数值。其中，第一通信设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，第二通信设备104可以用独立的基站或者是多个基站组成的基站集群来实现。

在一个实施例中，如图2所示，提供了一种无线通信的干扰感知方法，以该方法应用于图1中的第一通信设备为例进行说明，包括以下步骤：

步骤S210，根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值。

其中，待测无线通信系统指的是具有无线通信功能的终端设备。工作带宽指的是频带的频谱宽度。子频带组指的是将原始信号根据频域划分成若干组。通信状态指的是子频带组包含的若干子频带的数据传输状态，通信状态标记值指的是根据子频带组中的若干子频带的通信状态而确定的标记值。优选的，通信状态标记值可以是根据子频带组中的若干子频带成功通信或失败通信的比例而确定的标记值。

具体地，将待测无线通信系统工作带宽内的总频带划分为若干子频带组，根据子频带组的通信状态，例如根据子频带组中的各子频带是否成功传输数据，获取子频带组的通信状态标记值。优选的，可根据子频带组的数据传输的成功率，来确定子频带组的通信状态标记值。

步骤S220，根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率。

其中，初始干扰测量值指的是待测无线通信系统工作带宽内的频谱干扰测量值。当前训练系列可以是根据各子频带组的通信状态标记值和各子频带组的初始干扰测量值构成的训练系列。似然概率指的是根据输入参数而预测输出结果的概率函数。

具体地，获取待测无线通信系统工作带宽内各子频带组的初始干扰测量值，根据各子频带组的通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率。从而得到可对输入信号进行干扰感知的感知模型(似然概率)，为获取到的实时干扰测量值提高精确的干扰感知信息。

步骤S230，在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

其中，当前干扰测量值指的是实时测量的干扰测量值。干扰感知量化数值指的是当前干扰测量值通过似然概率运算，得到的干扰感知值。

具体地，对待测无线通信系统进行实时干扰测量，在获取到待测无线通信系统的当前干扰测量值时，将该当前干扰测量值通过似然概率运算，生成待测无线通信系统的干扰感知量化数值。从而得到对应该当前干扰测量值的子频带的干扰感知结果，并对该结果的准确度给出量化数值，为后续调度使用子频带的功能实体提供更精确的子频带质量信息。

上述无线通信的干扰感知方法实施例中，根据各子频带组的干扰测量值和通信状态标记值，生成当前训练序列；并得到对应当前训练序列的似然概率；在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值，提高了频谱的使用效率，进而保障无线通信系统的传输性能，提高了干扰感知判断结果的准确度。

在一个实施例中，并获取当前训练序列对应的似然概率的步骤包括：通过机器学习处理当前训练系列，得到似然概率。

具体地，对当前训练系列进行机器学习处理，得到似然概率，从而通过该似然概率可以对实时获取的干扰测量值进行干扰感知，并得到干扰感知对应的量化数值。

在一个实施例中，如图3所示，通过机器学习处理当前训练系列，得到似然概率的步骤包括：

步骤S310，对当前训练序列进行统计，得到对应当前训练序列的条件概率和对应通信状态标记值的先验概率。

其中，机器学习可以是贝叶斯法。

具体地，通过对当前训练系列(X,Y)进行统计，得到对应当前训练序列(X,Y)的条件概率P(X|Y)和对应通信状态标记值Y的先验概率P(Y)。其中初始干扰测量值为X。

步骤S320，通过贝叶斯法处理条件概率和先验概率，得到似然概率。

具体地，通过贝叶斯法处理条件概率P(X|Y)和先验概率P(Y)，得到似然概率P(Y|X)。

上述实施例中，通过对获取到当前训练系列进行贝叶斯法处理，得到似然概率，从而在实时获取的干扰测量值进行干扰感知时，可通过该似然概率运算，快速且精准的得到干扰感知结果的量化值。

在一个实施例中，在生成待测无线通信系统的干扰感知量化数值的步骤之后包括：根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

具体地，在进行实时干扰测量感知时，根据实时干扰测量获取当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，并根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。从而优化当前训练系统，使得通过似然概率的干扰感知的量化数值更加精准，提高了干扰感知判断结果的准确度。

在一个实施例中，在根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值的步骤中：在子频带组中的各子频带的成功通信比例值大于等于预设阈值时，将通信状态标记值标记为第一数值；在子频带组中的各子频带的成功通信比例值小于预设阈值时，将通信状态标记值标记为第二数值。

具体地，子频带组中的各子频带是否成功通信，可通过接收到反馈信息来判断。如在子频带组中接收到的成功通信的反馈信息比例值大于等于预设阈值，可将通信状态标记值标记为第一数值；在子频带组中接收到的成功通信的反馈信息比例值小于预设阈值，可将通信状态标记值标记为第二数值。其中，第一数值和第二数值可以任意选取。优选的，第一数值可以是1，第二数值可以是0。

在一个实施例中，干扰测量值包括干扰能量、干扰信号幅度和信干噪比；子频带组包括若干子频带；子频带包括子载波、资源块和资源块组。

在一个实施例中，如图4所示，为另一个实施例中无线通信的干扰感知方法的流程示意图。以该方法应用于图1中的第一通信为例进行说明，包括以下步骤：

步骤S410，根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值；

步骤S420，根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率；

步骤S430，在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

步骤S440，根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

具体地，通过实时测量，获得每个子频带组的初始干扰测量值，记为X＝(X⁰,…,X^L-1),其中L为子频带组总数。假定若干子频带组一起进行干扰感知，通信状态标记值为Y＝(Y⁰,…,Y^L-1)。Y∈{0,1}标记了这一组子频带是否可用。整个带宽内所有的子频带的干扰感知可逐组进行。通过测量获得X＝(X⁰,…,X^L-1)(X是量化的向量值)，在测量周期内，统计相应资源块上成功通信的比例值，给出一个标记Y＝0或者Y＝1；根据初始干扰测量值X＝(X⁰,…,X^L-1)和通信状态标记值为Y＝(Y⁰,…,Y^L-1)获得当前训练序列(Xi,Yi)；通过当前训练序列，计算条件概率P(X|Y)、Y的先验概率P(Y)；通过贝叶斯法处理条件概率P(Y|X)和先验概率P(Y)，得到似然概率P(Y|X)。在获取到某一子频带组的当前干扰测量值时，并选取标记值Y∈{0,1}，根据似然概率P(Y|X)得到干扰感知量化数值，来判断该子频带组的可信度。并将本次的当前干扰测量值与当前通信状态标记值，作为新的当前训练值加入当前训练序列，通过反复训练当前训练系列，优化似然概率，提高干扰感知判断结果的准确度。

上述实施例中，根据各子频带组的干扰测量值和通信状态标记值，生成当前训练序列；并得到对应当前训练序列的似然概率；在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值；并根据当前干扰测量值和当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。提高了频谱的使用效率，进而保障无线通信系统的传输性能，提高了干扰感知判断结果的准确度。

在一个实施例中，如图5所示，为又一个实施例中无线通信的干扰感知方法的流程示意图。该方法包括以下步骤：

步骤1，进行干扰测量，获得工作带宽内的频谱初始干扰测量值(初始干扰测量值包括但不限于：干扰能量、干扰信号幅度和信干噪比等)。

步骤2，根据干扰测量值以及在相应频段内的实际通信效果(实际通信效果是指在某一子载波上是否成功传输。可以通过接受端反馈信息来获取，例如在LTE(Long Term Evolution：通用移动通信技术的长期演进)中ACK(Acknowledgement：告知收到的确认字符)表示接收成功，NACK(Non-Acknowledgement：告知未收到的确认字符)表示接收失败)，生成训练序列。

步骤3，通过机器学习方法，获取似然概率。

步骤4，需要进行实时干扰感知时，测量实时干扰。

步骤5，获得实时的当前干扰测量值后，通过步骤3获得的似然概率，对判断子载波是否被干扰，并给出判断可信度。

步骤6，将当前干扰测量值与实际通信效果，作为新的训练样本加入训练序列，优化似然概率。

上述实施例中，能够结合干扰测量值与实际使用效果，给出子载波的干扰感知结果，并对该结果的准确度给出量化值，为后续调度使用子载波的功能实体提供更精确的子载波质量信息，提高频谱使用效率，保障无线通信系统的传输性能。

在一个实施例中，如图6所示，为一个实施例中无线通信的干扰感知方法的干扰测量示意图。以LTE/LTE-A(LTE-A：LTE-Advanced，长期演进技术升级版)为例，如干扰测量以资源块(RB：Resource Block)为单位，获得N个RB的干扰测量值。根据资源调度的颗粒度进行分组，对每组RB进行干扰感知。令X＝(X⁰,…X^L-1)为一组包含L个RB的干扰测量值向量，Y∈{0,1}为该组RB是否被干扰的标记值，其中0代表无干扰，1代表被干扰。

具体地，干扰测量可以根据现有LTE/LTE-A的干扰测量方法进行；在获得测量值X后，统计相应测量周期内的X对应的频带内的数据传输的成功率以确定Y，从而生成一组训练向量值(X,Y)，以此方法生成训练序列T＝{(Xi,Yi)}。通过机器学习处理该训练序列T＝{(Xi,Yi)}获取似然概率，通过训练序列，可以统计获得条件概P(Xi|Yi)、Y的先验概率P(Y)，通过贝叶斯法，可以获得似然概率P(Y|Xi)。需要进行干扰感知时，再一次进行干扰测量，获得新的干扰测量结果x′。利用公式(1)判断Y。根据公式(2)得到可信度Q。并将当前干扰测量值与实际通信效果，作为新的训练样本加入训练序列，继续优化似然概率。

Y＝argmaxy∈{0,1}P(y|x′) (1)

Q＝P(Y|x′) (2)

上述实施例中，能够结合干扰测量值与实际使用效果，给出子载波的干扰感知结果，并对该结果的准确度给出量化值，为后续调度使用子载波提供更精确的子载波质量信息，提高频谱使用效率，保障无线通信系统的传输性能，进而提高了干扰感知判断结果的准确度。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种无线通信的干扰感知装置，包括：通信状态值获取单元710、似然概率获取单元720和干扰感知处理单元730，其中：

通信状态值获取单元710，用于根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值。

似然概率获取单元720，用于根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率。

干扰感知处理单元730，用于在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

在一个实施例中，似然概率获取单元还可用于通过机器学习处理当前训练系列，得到似然概率。

在一个实施例中，如图8所示，似然概率获取单元包括：

统计处理单元810，用于对当前训练序列进行统计，得到对应当前训练序列的条件概率和对应通信状态标记值的先验概率；

贝叶斯处理单元820，用于通过贝叶斯法处理条件概率和先验概率，得到似然概率。

在一个实施例中，无线通信的干扰感知装置还包括：

训练系列更新单元，用于根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

关于无线通信的干扰感知装置的具体限定可以参见上文中对于无线通信的干扰感知方法的限定，在此不再赘述。上述无线通信的干扰感知装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种无线通信的干扰感知系统，该无线通信的干扰感知系统可以是通信设备，其内部结构图可以如图9所示。该无线通信的干扰感知系统包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该无线通信的干扰感知系统的处理器用于提供计算和控制能力。该无线通信的干扰感知系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该无线通信的干扰感知系统的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无线通信的干扰感知方法。该无线通信的干扰感知系统的显示屏可以是液晶显示屏或者电子墨水显示屏，该无线通信的干扰感知系统的输入装置可以是显示屏上覆盖的触摸层，也可以是无线通信的干扰感知系统的外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的无线通信的干扰感知系统的限定，具体的无线通信的干扰感知系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种无线通信的干扰感知系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值；

根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率；

在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据待测无线通信系统工作带宽内各子频带组的通信状态，获取各子频带组的通信状态标记值；

根据各通信状态标记值和各子频带组的初始干扰测量值，生成当前训练系列，并获取当前训练序列对应的似然概率；

在获取到待测无线通信系统的当前干扰测量值时，根据当前干扰测量值和似然概率，生成待测无线通信系统的干扰感知量化数值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据当前干扰测量值和当前干扰测量值对应的当前通信状态标记值，生成当前训练值，并将当前训练值添加在当前训练系列。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchronization Link)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。