基于领域分类和热词前缀树集束搜索的语音识别方法及系统与流程

1.本发明属于语音识别技术领域，特别涉及一种基于领域分类和热词前缀树集束搜索的语音识别方法及系统。


背景技术：

2.随着人工智能技术的发展，语音识别技术已广泛应用于各类行业中，基于传统建模方法来实现语音识别技术相对成熟。近年来，随着端到端语音识别的发展，语音识别系统逐渐克服了传统的模块化设计和独立性假设，具备能够联合优化、易于部署等优点。当前端到端语音识别模型主要依赖于深度学习技术，利用一体化的神经网络进行建模，在语音识别的实际应用中，系统对通用领域的识别效果较好，但当涉及到特定于用户的信息或特定领域的专有名词时，效果总是不尽如人意。但往往这些词中包含用户所关注的重要信息，因此正确的识别这些稀有词汇对用户的使用体验至关重要。，


技术实现要素：

3.为此，本发明提供一种基于领域分类和热词前缀树集束搜索的语音识别方法及系统，利用领域热词前缀树对语音数据中热词进行适当增强，提升语音识别效果，便于实际场景应用。
4.按照本发明所提供的设计方案，提供一种基于领域分类和热词前缀树集束搜索的语音识别方法，包含如下内容：
5.利用已知领域中的热词列表构建对应领域类型的热词前缀树，并训练相应的热词语言模型；
6.针对目标语音数据，利用已训练的端到端模型进行一次解码，并利用已训练的领域分类模型来获取目标语音数据所属领域类型；
7.利用端到端模型对目标语音数据进行二次解码，使用集束搜索算法并利用已训练的热词语言模型来输出目标语音数据对应的文本，其中，集束搜索算法每个时间步搜索中，结合目标语音数据所属领域类型的热词前缀树增强热词概率。
8.作为本发明中基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，构建热词前缀树中，将各领域中已知热词列表数据存储为对应领域类型的热词前缀树树形结构，该树形结构中根节点不存储字符信息，除根节点外的每个节点存储一个字符信息，且从根节点到其他目标节点路径上的所有字符连接起来构成的字符串即为该目标节点对应的热词。
9.作为本发明中基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，端到端模型中，利用transformer模型将目标语音数据序列转换为文本序列，其中，transformer模型采用基于自注意力机制的编码器-解码器神经网络结构，该神经网络结构中的编码器和解码器分别由若干相同的自注意力模块堆叠而成，编码器的输入为语音数据特征序列，解码器的输入为文本标签嵌入向量序列。
10.作为本发明中基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，利用端到端模型进行一次解码中，首先使用贪心算法对语音数据进行解码，通过在每个时间步上选取概率最大的词作为预测文本中的序列元素，进而获取一条完整路径的预测文本序列；将预测文本序列输入至已训练的领域分类模型中，利用领域分类模型来获取语音数据所属领域类型。
11.作为本发明基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，领域分类模型采用textcnn网络结构，该网络结构包含：用于将文本序列中每个字符转换为对应词向量的输入层，用于提取词向量文本特征的卷积层，用于对提取的文本特征向量进行池化操作以获取全局特征向量的池化层，及用于通过softmax函数对全局特征向量进行分类以获取所属领域类型的全连接层。
12.作为本发明基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，利用端到端模型进行二次解码中，首先，设置集束宽度超参数b，利用集束搜索算法在每个时间步搜索中选取当前概率最大的b个候选字符，并依据上一个时间步中每个波束预测的候选字符结果及当前时间步中该波束候选字符的关系来判定当前时间步中该波束候选字符对应的前缀树状态和节点深度；然后，依据节点深度从根节点的子节点开始进行热词得分调整，使达到叶子节点之前热词获取额外分数奖励；接着，对前缀树进行剪枝操作，利用剪枝后的前缀树通过节点之间路径来获取语音数据对应的文本序列。
13.作为本发明基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，判定当前时间步中该波束候选字符对应的前缀树状态和节点深度中，如果当前时间步中该波束候选字符是上一个时间步预测候选字符前缀树的子节点，则将当前时间步候选字符前缀树状态设为当前时间步候选字符节点，并在上一个时间步预测候选字符前缀树的基础上增加当前时间步的节点深度；如果当前时间步中该波束候选字符不是上一个时间步预测候选字符前缀树的子节点，且也不是前缀树根节点的子节点，则将当前时间步候选字符前缀树状态设为根节点，并设置节点深度为0；若当前时间步中该波束候选字符是根节点的子节点，则将当前时间步候选字符前缀树状态设为该子节点，并设置节点深度为1。
14.作为本发明基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，依据节点深度进行热词得分调整的过程表示为：其中，ωk表示热词增强的偏置得分，在当前时间步t的第b各波束候选字符对应的前缀树状态的深度大于等于2时使用，i为候选字符的标号；αk表示热词预增强得分，在深度等于1时使用；βk表示短热词长度奖励分数，在深度小于等于3且到达叶节点时使用，n
t-1,b
表示时间步t-1的第b个波束的预测结果对应的前缀树状态。
15.作为本发明基于领域分类和热词前缀树集束搜索的语音识别方法，进一步地，目标语音数据对应的最终输出文本表示为：
16.其中，x表示给定一组声学序列(x1,x2,...,xm)，y表示e2e模型选择能够最大化后验概率p
e2e
(y|x)的文本序列(y1,y2,...,yn),y
*
表示总的序列得分,p
e2e
(y|x)表示端到端模型的得分，pc(y)表示语言模型的得分，λc为表示语言模型对整个模型得分影响程度的超参数，s
t,b
(y|h)表示前缀树得分，h表示热词前缀字符串,λk为前缀树得分的超参数。
17.进一步地，本发明还提供一种基于领域分类和热词前缀树集束搜索的语音识别系统，包含：前缀树构建模块、第一解码模块和第二解码模块，其中，
18.前缀树构建模块，用于利用已知领域中的热词列表构建对应领域类型的热词前缀树，并训练相应的热词语言模型；
19.第一解码模块，用于针对目标语音数据，利用已训练的端到端模型进行一次解码，并利用已训练的领域分类模型来获取目标语音数据所属领域类型；
20.第二解码模块，用于利用端到端模型对目标语音数据进行二次解码，使用集束搜索算法并利用已训练的热词语言模型来输出目标语音数据对应的文本，其中，集束搜索算法每个时间步搜索中，结合目标语音数据所属领域类型的热词前缀树增强热词概率。
21.本发明的有益效果：
22.本发明在集束搜索剪枝前使用热词前缀树，使用两边解码方式，在第一遍解码使用贪心算法判断语音内容领域，使用第二遍算法使用集束搜索，使用热词分数预增强和长度奖励，对短热词进行增强，提升语音识别准确率。在端到端语音识别解码推理时利用领域热词前缀树进行热词增强，通过将热词列表构建为热词前缀树，在集束搜索剪枝之前使用热词前缀树进行分数提升，有效保证热词字符串保留在集束中，避免被剪枝；并进一步，通过热词预增强和长度奖励，来有效改善中文中短热词的识别效果；在进行集束搜索时，如果热词前缀树始终处于活跃状态，会使得在识别不含热词的语音时，发生热词过度偏置，对通用领域识别性能造成影响，使用领域分类模型来判断是否需要使用热词前缀树进行增强，减小热词对通用领域识别效果的影响，便于实际场景中的应用。
附图说明：
23.图1为实施例中基于领域分类和热词前缀树集束搜索的语音识别流程示意；
24.图2为实施例中前缀树结构示意；
25.图3为实施例中模型结构示意。
具体实施方式：
26.为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
27.针对端到端语音识别系统对热词的识别效果不理想，本发明实施例，参见图1所示，提供一种基于领域分类和热词前缀树集束搜索的语音识别方法，包含：
28.s101、利用已知领域中的热词列表构建对应领域类型的热词前缀树，并训练相应的热词语言模型；
29.s102、针对目标语音数据，利用已训练的端到端模型进行一次解码，并利用已训练
的领域分类模型来获取目标语音数据所属领域类型；
30.s103、利用端到端模型对目标语音数据进行二次解码，使用集束搜索算法并利用已训练的热词语言模型来输出目标语音数据对应的文本，其中，集束搜索算法每个时间步搜索中，结合目标语音数据所属领域类型的热词前缀树增强热词概率。
31.本案实施例中，将热词列表构建为前缀树在解码推理期间进行分数增强；在第一遍解码时，通过端到端模型使用贪心算法对语音信号进行快速识别，然后将得到的预测文本，将预测文本输入到领域分类模型中，判断语音内容属于哪个领域；然后使用集束搜索算法进行第二遍解码，并且在剪枝之前使用相应领域的热词神经语言模型和热词前缀树进行分数提升，使得包含热词的路径保留在集束中，有效提高热词的识别率，同时针对中文短热词识别效果不好，对热词进行预增强和长度奖励。
32.作为优选实施例，进一步地，构建热词前缀树中，将各领域中已知热词列表数据存储为对应领域类型的热词前缀树树形结构，该树形结构中根节点不存储字符信息，除根节点外的每个节点存储一个字符信息，且从根节点到其他目标节点路径上的所有字符连接起来构成的字符串即为该目标节点对应的热词。
33.前缀树是一种树型结构，主要应用于统计和排序字符串，能最大限度地减少无效字符串的比较。为了构建热词前缀树，假设提前知道一组热词列表，将热词列表储存为树型结构。前缀树的根节点不存储字符信息，除根节点以外的每个节点都只能存储一个字符的信息，每一个节点都可以包含多个子节点，从根节点到某个节点路径上的所有字符连接起来构成的字符串为该节点对应的热词。如图2所示，构建一个热词前缀树，从根节点开始，选择其子节点“郑”，然后选择“郑”的子节点“州”，最后选择叶节点“市”，得到热词“郑州市”。从图中可以看出，某个节点的后代节点所代表的字符串都与该节点拥有着相同的前缀。灰色节点表示叶节点(lead node)，表示热词的结束标志。其中根节点深度为0，随着深度增加所得到的字符串越长。
34.进一步地，本案实施例中，利用transformer模型作为端到端模型，将目标语音数据序列转换为文本序列，其中，transformer模型采用基于自注意力机制的编码器-解码器神经网络结构，该神经网络结构中的编码器和解码器分别由若干相同的自注意力模块堆叠而成，编码器的输入为语音数据特征序列，解码器的输入为文本标签嵌入向量序列。
35.端到端语音识别模型可以直接将语音序列转换为文本序列。本案实施例中，使用transformer模型作为端到端语音识别模型。transformer是一种完全基于注意力机制的编码器-解码器神经网络结构，不依赖于任何循环和卷积操作。transformer的编码器和解码器分别由若干个相同的自注意力模块堆叠而成，编码器的输入为语音特征序列，解码器的输入为文本标签的嵌入向量序列。在语音特征输入编码前，会通过一个卷积网络进行降采样，以减少后续神经网络的计算量。每个编码器模块均由多头自注意力层和前馈神经层两个子网络构成，其中自注意力的输入q，k，v均来自前一个模块的输出；每个模块都对输入进行归一化操作，并且模块之间都添加了残差连接。解码器结构与编码器结构类似，但有两个区别：1、在自注意力中加入掩码操作，以保证训练时仅能看到当前及之前时刻的输入；2、在自注意力和前馈神经网络之间增加一个多头注意力子层，其输入q来自前一模块的输出，而k,v来自编码器的最后一层输出，从而形成编码器-解码器之间的注意力机制。
36.作为优选实施例，进一步地，利用端到端模型进行一次解码中，首先使用贪心算法
对语音数据进行解码，通过在每个时间步上选取概率最大的词作为预测文本中的序列元素，进而获取一条完整路径的预测文本序列；将预测文本序列输入至已训练的领域分类模型中，利用领域分类模型来获取语音数据所属领域类型。进一步地，领域分类模型采用textcnn网络结构，该网络结构包含：用于将文本序列中每个字符转换为对应词向量的输入层，用于提取词向量文本特征的卷积层，用于对提取的文本特征向量进行池化操作以获取全局特征向量的池化层，及用于通过softmax函数对全局特征向量进行分类以获取所属领域类型的全连接层。
37.根据语音内容所属的领域，可选择对应的热词语言模型和热词前缀树进行热词增强。可使用贪心算法对语音信号进行快速一遍解码。第一遍解码的结果虽然不能正确识别出热词信息，但对句子所属领域的影响较小，可以直接将其输入到领域分类器中，判断文本所属的领域。使用的文本分类模型是短文本分类性能较好的textcnn，其网络结构简单，主要有4层构成：第一层为输入层，给定一个长度为n的文本序列，将每个字符转换为相对应的k维词向量。第二层为卷积层，是实现对文本局部特征的提取来获取文本特征，采用h个大小不同的卷积核。在位置i处通过卷积核得到卷积特征值：
38.si＝f(w
·
t
i:i+h-1
+b),w∈rh×k39.其中，w表示权重矩阵，维度为h
×
k，t
i:i+h-1
表示由输入矩阵的第i行到第i+h-1行的滑动窗口。b表示偏置函数。第三层为池化层，可以在保留有用特征信息的条件下降低特征维度，得到全局特征向量：
40.s＝max(si)
41.最后使用全连接层，使用softmax函数进行领域分类。
42.由于热词数据稀疏，热词语言模型可以使用神经网络语言模型来有效缓解数据稀疏问题，通过神经网络对词学习向量表示，将词映射到连续的空间中。本案实施例中，可使用长短时记忆(long short-term memory，lstm)网络作为热词语言模型对热词进行训练，lstm网络是一种特殊的循环神经网络(recurrent neural network，rnn)，它的结构在rnn的基础上增加了输入门、遗忘门和输出门，分别控制输入、前一时刻节点的历史信息和输出信息。构建lstm语言模型时使用双层lstm网络结构，堆叠式lstm可以增加网络的深度，从而提高训练的效率。
43.作为优选实施例，进一步地，利用端到端模型进行二次解码中，首先，设置集束宽度超参数b，利用集束搜索算法在每个时间步搜索中选取当前概率最大的b个候选字符，并依据上一个时间步中每个波束预测的候选字符结果及当前时间步中该波束候选字符的关系来判定当前时间步中该波束候选字符对应的前缀树状态和节点深度；然后，依据节点深度从根节点的子节点开始进行热词得分调整，使达到叶子节点之前热词获取额外分数奖励；接着，对前缀树进行剪枝操作，利用剪枝后的前缀树通过节点之间路径来获取语音数据对应的文本序列。
44.贪心算法是在每个时间步t都取概率最大的词作为预测结果，最后获得一条完整路径。这种做法虽然计算效率很高，但只求当前最优路径并不能保证整条路径获得全局最优。集束搜索算法是在贪心搜索算法上进行改进，通过设置一个集束宽度超参数b，在每个时间步搜索时，选择保留当前概率最大的b个候选字符。具体做法是在第一个时间步中，选择条件概率最高的b个字符，它们将分别是b个候选输出序列的第一个字符，即找到y
11
,y12
,...,y
1b
。在下一个时间步中，基于前一个时间步的b个候选y
1b
，继续选择具有最高条件概率的b个候选字符，即找到y
21
,y
22
,...,y
2b
。这样就有b*b个候选序列，接着根据条概率选择最高的b个结果，依次类推，直到输出最后的结束字符。
45.本案实施例中，在每个时间步上对b*b个候选序列进行热词增强。假设用n
t-1,b
表示时间步t-1的第b个波束的预测结果y
t-1,b
对应的前缀树状态。在解码时间步t时，上一个时间步得到的第b个波束中会产生b个候选字符，通过判断候选字符与y
t-1,b
的关系来获得当前候选字符对应的前缀树状态其中i为候选字符的标号。一共会出现三种情况：如果候选字符是n
t-1,b
的子节点，则将状态设为同时令节点深度为如果候选字符不是n
t-1,b
的子节点，也不是前缀树根节点的子节点，则将状态设为根节点n0，同时令节点深度为0；若候选字符是根节点的子节点，则将状态设为该子节点，并令节点深度等于1。详细过程可如算法1所示。
46.得到时间步t每一个候选字符对应的前缀树状态和节点深度之后，在进行剪枝之前，需要对每一个候选字符都进行得分提升，即通过增加相应子节点的得分，避免热词因为声学模型的后验概率得分过低而被剪枝。因为中文没有明确的词边界，同时中文热词的长度较短(例如联系人姓名，通常在两个字符或三个字符组成)，从根节点n0的子节点就开始进行热词得分提升，使得在到达叶节点之前热词也能够获得额外的分数奖励，避免短热词被过早剪枝。根据的深度来进行得分提升操作，具体公式如下：
[0047][0048]
其中，ωk表示热词增强的偏置得分，在深度大于等于2时使用；αk表示热词预增强得分，在深度等于1时使用；βk表示短热词长度奖励分数，在深度小于等于3且到达叶节点时使用。当的深度小于等于n
t-1,b
的深度时表明热词匹配失败，分数增强需要中断，并采取回退的方式，将之前累计增强的分数减去。利用热词前缀树对相应输出的序列进行分数提升，得到公式：
[0049][0050]
其中，p
e2e
(y|x)表示e2e模型的得分，pc(y)表示语言模型的得分，λc是一个超参数，表示语言模型对整个模型得分的影响程度，s
t,b
(y|h)表示前缀树的得分，h表示热词前缀字符串,λk是前缀树得分的超参数。
[0051][0052]
进一步地，基于上述的方法，本发明实施例还提供一种基于领域分类和热词前缀树集束搜索的语音识别系统，包含：前缀树构建模块、第一解码模块和第二解码模块，其中，
[0053]
前缀树构建模块，用于利用已知领域中的热词列表构建对应领域类型的热词前缀树，并训练相应的热词语言模型；
[0054]
第一解码模块，用于针对目标语音数据，利用已训练的端到端模型进行一次解码，并利用已训练的领域分类模型来获取目标语音数据所属领域类型；
[0055]
第二解码模块，用于利用端到端模型对目标语音数据进行二次解码，使用集束搜索算法并利用已训练的语言模型来输出目标语音数据对应的文本，其中，集束搜索算法每个时间步搜索中，结合目标语音数据所属领域类型的热词前缀树增强热词概率。
[0056]
为验证本案方案有效性，下面结合实验数据做进一步解释说明：
[0057]
参见图2所示，使用已知的热词列表分别构建不同领域的热词前缀树；将语音信号输入到端到端语音识别模型中进行解码；使用端到端语音识别模型进行第一遍解码，使用贪心搜索算法进行快速解码，输出预测文本；将输出的预测文本输入到领域分类模型中，判断语音内容属于哪个领域；使用端到端语音识别模型进行第二遍解码，使用集束搜索算法，在解码过程中使用第一遍解码判定的领域使用语言模型和热词前缀树，输出增强后的文本。
[0058]
通过以上步骤来实现基于领域分类和热词前缀树集束搜索算法的语音识别方案。实验中，可使用真实音频数据集和语音合成(tts)的数据进行测试。aishell-2的测试集由一个包含5000个句子，将此测试集作为通用领域测试集，并且不包含有热词信息。同时，基
于magicdata普通话语料库的训练集构造热词测试集，该训练集主要是移动终端的录音数据，主要包含互动问答、音乐搜索、家庭控制等，使用清华大学中文词法分析包对训练集的转录文本筛选，得到关于音乐搜索领域的语料，包含丰富的歌手名、歌曲名和电视剧名(例如：播放xxx的歌曲)等，作为歌曲测试集。同时使用tts构建联系人测试集，包含有大量人名的通信请求(例如：打电话给xxx)。测试集中的热词在训练集中出现的次数少于10次。
[0059]
端到端语音识别模型由12个编码器和6个解码器块组成。各个编码器和解码器层中多头注意力的维度为256，头数为4，前馈神经网络维度为2048。在前端使用2d卷积层，使用relu激活函数，步长为2，卷积核为3。采用训练热身12000步的adam优化器，使用specaugment进行数据扩充。本实验使用80维fbank(filter banks)作为输入特征，其中帧长为25ms，帧移为10ms。在训练时使用adam优化器，并使用学习率自适应策略，其中热身步数为12k，最高学习率为0.001。textcnn模型使用网络层数为1，字向量维度300，激活函数选取relu，池化策略采用1_max pooling，且设置dropout比例为0.5，文本序列长度最大32，学习率为0.001。lstm语言模型使用两个隐藏层，每个隐藏层有1024个lstm单元,使用adam梯度更新策略。
[0060]
实验结果，如表1所示，显示原始前缀树方法和改进前缀树方法实验性能。实验e0表示基线系统，仅使用e2e模型进行解码。实验e1表示在集束搜索剪枝之后使用热词前缀树，在两个测试集上均表现出良好的性能。实验e2表示在剪枝之后使用热词前缀树，同时使用语言模型进行浅层融合能够进一步提升性能。实验e3和实验e4是我们对前缀树热词增强方法的改进，在不使用语言模型的情况下，已经优于之前方法的性能。在使用语言模型后，字错误率减少了1.3％～4.8％，热词召回率提升了6％～17％。
[0061]
表1前缀树方法改进前后对比
[0062][0063]
为了进一步研究各个因素对系统性能的影响，通过操作以下几组实验条件进行消融实验：实验e0表示为系统的基线系统，只使用e2e模型进行解码输出。实验e5表示只使用语言模型进行浅层融合，由表2可知，在两个测试集上，字错误率和热词召回率提升并不大；实验e6表示未进行短热词增强的前缀树方法，在两个测试集上，字错误率较基线系统有4.6％～6.4％的提升，同时热词召回率较基线系统有约30％的提升；针对中文热词中经常出现字符串长度小于3的热词，实验e7表示使用短热词增强的前缀树方法，在联系人测试集上有较大的提升，有效解决对短热词识别效果不好的情况。
[0064]
表2前缀树方法改进的性能
[0065][0066]
在集束搜索过程中，如果热词前缀树始终处于活跃状态，不仅会降低解码速度，还会造成误触发，导致通用领域性能下降。使用歌曲热词构建热词前缀树，来探究前缀树方法对通用领域性能的影响。由表3可知，在不使用领域模型时，通用领域测试的性能有明显下降；在使用领域分类模型后，热词前缀树对通用领域的性能影响很小。
[0067]
表3领域分类性能测试
[0068][0069]
实验结果展示，表4展示在有无热词前缀树增强条件下的示例，本案实施例中的语音识别方案能够解决大部分关于歌曲名和联系人姓名等稀有词识别困难的问题，能够有效解决因为同音词导致特定词的识别错误，但是由于中文汉字较多，稀有字的概率增加，对于特别稀有的字识别效果表现一般。
[0070]
表4测试集部分示例
[0071][0072]
通过以上实验进一步验证，本案方案在端到端语音识别解码推理时通过热词增强有效保证热词字符串保留在集束中，避免被剪枝；并通过热词预增强和长度奖励，能够改善中文中短热词的识别效果；使用领域分类模型来判断是否需要使用热词前缀树进行增强，能够减小热词对通用领域识别效果的影响。
[0073]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
[0074]
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0075]
结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。
[0076]
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
[0077]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻
易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。