基于特征编码的文本特征提取方法、系统、装置.pdf

《基于特征编码的文本特征提取方法、系统、装置.pdf》由会员分享，可在线阅读，更多相关《基于特征编码的文本特征提取方法、系统、装置.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910205999.6 (22)申请日 2019.03.19 (71)申请人 中国科学院自动化研究所 地址 100190 北京市海淀区中关村东路95 号 申请人 国家计算机网络与信息安全管理中 心 (72)发明人 张旭熊彦钧何赛克刘春阳 郑晓龙陈志鹏曾大军彭鑫 (74)专利代理机构 北京市恒有知识产权代理事 务所(普通合伙) 11576 代理人 郭文浩尹文会 (51)Int.Cl. G06F 16/35(2019.01) G06F 17/27(2006.01) G06F 1。

2、7/22(2006.01) G06N 3/00(2006.01) G06N 3/12(2006.01) (54)发明名称 基于特征编码的文本特征提取方法、 系统、 装置 (57)摘要 本发明属于信息分类领域， 具体涉及了一种 基于特征编码的文本特征提取方法、 系统、 装置， 旨在解决文本特征提取中运算复杂度高、 分类效 率和精度低的问题。 本发明方法包括： 对获取的 文本预处理， 获得词候选特征序列； 基于词候选 特征序列， 生成多个二进制编码； 采用基因遗传 算法筛选二进制编码， 获得最优二进制编码； 解 码最优二进制编码获得最优词特征序列并输出。 本发明将一系列候选特征转化为易处理的编码 。

3、序列， 并使用基因遗传算法的自动筛选功能， 对 特征进行最大化的全局最优挑选， 能够有效地筛 选出最小有效特征集。 权利要求书2页 说明书7页 附图3页 CN 109977227 A 2019.07.05 CN 109977227 A 1.一种基于特征编码的文本特征提取方法， 其特征在于， 包括： 步骤S10， 获取输入文本的词候选特征序列； 步骤S20， 基于所述词候选特征序列， 生成M个二进制编码， M为正整数； 步骤S30， 对所述M个二进制编码， 采用基因遗传算法筛选， 获得最优二进制编码； 步骤S40， 将所述最优二进制编码解码， 获得对应的最优词特征序列作为提取的文本特 征并输出。。

4、 2.根据权利要求1所述的基于特征编码的文本特征提取方法， 其特征在于， 步骤S10中 “获取输入文本的词候选特征序列” ， 其步骤为： 步骤S11， 采用文本分词算法将输入的文本划分为词， 构成文本词集； 步骤S12， 对所述文本词集中每一个词进行权重计算， 获得文本词集对应的权重； 步骤S13， 按照权重从大到小的顺序选取预设数量的词作为词候选特征序列。 3.根据权利要求1所述的基于特征编码的文本特征提取方法， 其特征在于， 步骤S20中 “基于所述词候选特征序列， 生成M个二进制编码” ， 其步骤为： 步骤S21， 对所述词候选特征序列中的词进行随机排列， 获得M个随机特征序列； 步骤S。

5、22， 将所述M个随机特征序列生成M个长度与所述词候选特征序列相同的二进制 编码。 4.根据权利要求1所述的基于特征编码的文本特征提取方法， 其特征在于， 步骤S30中 “对所述M个二进制编码， 采用基因遗传算法筛选， 获得最优二进制编码” ， 其步骤为： 步骤S31， 以所述M个二进制编码作为M组基因种群， 并计算所述M组基因种群中每个个 体的适应度； 步骤S32， 基于所述M组基因种群中每个个体的适应度， 采用基因遗传算法， 获得最优二 进制编码。 5.根据权利要求4所述的基于特征编码的文本特征提取方法， 其特征在于， 步骤S32中 “基于所述M组基因种群中每个个体的适应度， 采用轮盘赌选。

6、择方法， 获得最优二进制编 码” ， 其步骤为： 步骤S321， 计算所述M组基因种群中每个个体被遗传到下一代群体中的概率： 其中， f(xi)为第i个基因种群个体的适应度函数， f(xj)为第j个基因种群个体的适应度 函数； ； 步骤S322， 依据所述每个个体被遗传到下一代群体中的概率， 计算每个个体的累计概 率： 步骤S323， 在0， 1区间内产生一个均匀分布的伪随机数r， 若rqi， 则选择个体1， 否 则， 选择个体k， 使得： qk-1rqk成立； 权利要求书 1/2 页 2 CN 109977227 A 2 步骤S324， 重复执行步骤S333共2M次， 选出M组个体， 对所述。

7、M组中每组两个个体以交叉 率 触发单点交叉交换得到一个子代二进制编码； 步骤S325， 以变异率 m触发所述子代二进制编码中的某一位， 发生二进制0-1置换， 获得 最优二进制编码。 6.根据权利要求4所述的基于特征编码的文本特征提取方法， 其特征在于， 步骤S31中 “计算所述M组基因种群中每个个体的适应度” 之后， 还可以计算基因变异率， 提高基因遗传 算法效率： 其中， m为群体中适应度不同分布提供动态变化的基因变异率， 为个体适应度， max是 群体中最大的适应度， avg是群体的平均适应度， k1、 k2为常数。 7.一种基于特征编码的文本特征提取系统， 其特征在于， 包括获取模块、。

8、 预处理模块、 特征编码模块、 特征筛选模块、 解码模块、 输出模块； 所述获取模块， 配置为获取文本并输入； 所述预处理模块， 配置为对获取的文本预处理， 获得词候选特征序列； 所述特征编码模块， 配置为基于所述词候选特征序列， 生成M个二进制编码， M为正整 数； 所述特征筛选模块， 配置为对所述M个二进制编码， 采用基因遗传算法筛选， 获得最优 二进制编码； 所述解码模块， 配置为将所述最优二进制编码解码， 获得对应的最优词特征序列； 所述输出模块， 配置为将最优词特征序列作为提取的文本特征并输出。 8.一种存储装置， 其中存储有多条程序， 其特征在于， 所述程序适于由处理器加载并执 行。

9、以实现权利要求1-6任一项所述的基于特征编码的文本特征提取方法。 9.一种处理装置， 包括 处理器， 适于执行各条程序； 以及 存储装置， 适于存储多条程序； 其特征在于， 所述程序适于由处理器加载并执行以实现： 权利要求1-6任一项所述的基于特征编码的文本特征提取方法。 权利要求书 2/2 页 3 CN 109977227 A 3 基于特征编码的文本特征提取方法、 系统、 装置 技术领域 0001 本发明属于信息分类领域， 具体涉及了一种基于特征编码的文本特征提取方法、 系统、 装置。 背景技术 0002 随着互联网技术的飞速发展与普及， 面对着日益增长的海量数据， 如何充分有效 的利用已经。

10、成为各大互联网公司和相关科研机构的当务之急。 在这些数据当中， 文本类的 数据又是数量最为庞大的一类。 在对文本数据的使用中， 分类占据了半壁江山， 其指代的是 在给定的分类体系下， 根据文本内容自动确定文本类别的过程。 现如今的文本分类有着极 为广泛的应用场景， 例如， 对新闻网站中包含的大量报道文章， 基于文章内容， 将这些文章 按题材进行自动分类； 对电子商务网站中， 用户交易行为后对商品的做出的评价进行分类； 对电子邮箱频繁接收到的垃圾广告信息， 通过文本分类技术从众多的邮件中识别垃圾邮件 并过滤； 对媒体每日收到的大量投稿， 依靠文本分类技术对文章进行自动审核， 从而实现对 投稿中的。

11、垃圾广告、 涉黄、 暴力等违规内容的标记。 0003 在20世纪90年代以前， 占主导地位的文本分类方法一直是启发式方法： 借助专业 人员的帮助， 为每个类别定义大量的推理规则， 如果一篇文档能满足这些推理规则， 则可以 判定属于该类别。 但是， 这种方法存在明显的缺点： 分类的质量很大程度上依赖于规则的好 坏； 需要大量的专业人员进行规则的制定； 不具备可推广性， 不同的领域需要构建完全不同 的分类系统， 造成开发资源和资金资源的巨大浪费。 0004 现今流行的机器学习技术能很好地解决上述问题。 机器学习以统计理论为基础， 利用算法让机器具有类似人类般的自动 “学习” 能力， 即对已知的训练。

12、数据做统计分析从而 获得规律， 再运用规律对未知数据做预测分析。 机器学习方法运用在文本分类上的基本过 程为： 标注， 利用人工对一批文档进行了准确分类， 以作为训练集(进行机器学习的材料)； 训练， 计算机从这些文档中挖掘出一些能够有效分类的规则， 生成分类器； 分类， 将生成的 分类器应用在有待分类的文档集合中， 获取文档的分类结果。 0005 特征抽取是使用机器学习做文本分类时的重要一环。 目前大多数中文文本分类系 统都采用词作为特征项， 称作特征词。 这些特征词作为文档的中间表示形式， 用来实现文档 与文档、 文档与用户目标之间的相似度计算。 如果把所有的词都作为特征项， 那么特征向量。

13、 的维数将过高， 会对分类系统的运算性能造成极大的压力， 导致文本分类的时效性降低。 因 而， 寻求一种有效的特征降维方法， 来降低运算复杂度、 提高分类的效率和精度， 是目前这 个领域迫切需要的。 发明内容 0006 为了解决现有技术中的上述问题， 即在文本特征提取中运算复杂度高、 分类效率 和精度低的问题， 本发明提供了一种基于特征编码的文本特征提取方法， 包括： 0007 步骤S10， 获取输入文本的词候选特征序列； 说明书 1/7 页 4 CN 109977227 A 4 0008 步骤S20， 基于所述词候选特征序列， 生成M个二进制编码， M为正整数； 0009 步骤S30， 对所。

14、述M个二进制编码， 采用基因遗传算法筛选， 获得最优二进制编码； 0010 步骤S40， 将所述最优二进制编码解码， 获得对应的最优词特征序列作为提取的文 本特征并输出。 0011 在一些优选的实施例中， 步骤S10中 “获取输入文本的词候选特征序列” ， 其步骤 为： 0012 步骤S11， 采用文本分词算法将输入的文本划分为词， 构成文本词集； 0013 步骤S12， 对所述文本词集中每一个词进行权重计算， 获得文本词集对应的权重； 0014 步骤S13， 按照权重从大到小的顺序选取预设数量的词作为词候选特征序列。 0015 在一些优选的实施例中， 步骤S20中 “基于所述词候选特征序列，。

15、 生成M个二进制编 码” ， 其步骤为： 0016 步骤S21， 对所述词候选特征序列中的词进行随机排列， 获得M个随机特征序列； 0017 步骤S22， 将所述M个随机特征序列生成M个长度与所述词候选特征序列相同的二 进制编码。 0018 在一些优选的实施例中， 步骤S30中 “对所述M个二进制编码， 采用基因遗传算法筛 选， 获得最优二进制编码” ， 其步骤为： 0019 步骤S31， 以所述M个二进制编码作为M组基因种群， 并计算所述M组基因种群中每 个个体的适应度； 0020 步骤S32， 基于所述M组基因种群中每个个体的适应度， 采用基因遗传算法方法， 获 得最优二进制编码。 002。

16、1 在一些优选的实施例中， 步骤S32中 “基于所述M组基因种群中每个个体的适应度， 采用基因遗传算法， 获得最优二进制编码” ， 其步骤为： 0022 步骤S321， 计算所述M组基因种群中每个个体被遗传到下一代群体中的概率： 0023 0024 其中， f(xi)为第i个基因种群个体的适应度函数， f(xj)为第j个基因种群个体的适 应度函数； 0025 步骤S322， 依据所述每个个体被遗传到下一代群体中的概率， 计算每个个体的累 计概率： 0026 0027 步骤S323， 在0， 1区间内产生一个均匀分布的伪随机数r， 若rqi， 则选择个体 1， 否则， 选择个体k， 使得： qk。

17、-1rqk成立； 0028 步骤S324， 重复执行步骤S333共2M次， 选出M组个体， 对所述M组中每组两个个体以 交叉率 触发单点交叉交换得到一个子代二进制编码； 0029 步骤S325， 以变异率m触发所述子代二进制编码中的某一位， 发生二进制0-1置 换， 获得最优二进制编码。 说明书 2/7 页 5 CN 109977227 A 5 0030 在一些优选的实施例中， 步骤S31中 “计算所述M组基因种群中每个个体的适应度” 之后， 还可以计算基因变异率， 提高基因遗传算法效率： 0031 0032 其中， m为群体中适应度不同分布提供动态变化的基因变异率， 为个体适应度， max是。

18、群体中最大的适应度， avg是群体的平均适应度， k1、 k2为常数。 0033 本发明的另一方面， 提出了一种基于特征编码的文本特征提取系统， 包括获取模 块、 预处理模块、 特征编码模块、 特征筛选模块、 解码模块、 输出模块； 0034 所述获取模块， 配置为获取文本并输入； 0035 所述预处理模块， 配置为对获取的文本预处理， 获得词候选特征序列； 0036 所述特征编码模块， 配置为基于所述词候选特征序列， 生成M个二进制编码， M为正 整数； 0037 所述特征筛选模块， 配置为对所述M个二进制编码， 采用基因遗传算法筛选， 获得 最优二进制编码； 0038 所述解码模块， 配置。

19、为将所述最优二进制编码解码， 获得对应的最优词特征序列； 0039 所述输出模块， 配置为将最优词特征序列作为提取的文本特征并输出。 0040 本发明的第三方面， 提出了一种存储装置， 其中存储有多条程序， 所述程序适于由 处理器加载并执行以实现上述的基于特征编码的文本特征提取方法。 0041 本发明的第四方面， 提出了一种处理装置， 包括处理器、 存储装置； 所述处理器， 适 于执行各条程序； 所述存储装置， 适于存储多条程序； 所述程序适于由处理器加载并执行以 实现上述的基于特征编码的文本特征提取方法。 0042 本发明的有益效果： 0043 (1)本发明基于特征编码的文本特征提取方法， 。

20、结合基因遗传算法， 实现对文本特 征的选取， 能有效克服传统文本特征选取中所面临的局限性， 在可控的范围内， 尽可能的提 高文本特征的准确性， 同时最大限度实现了特征降维， 有效提升了特征使用效率。 0044 (2)本发明针对现有文本特征提取方法所得特征的高冗余和低精度的缺点， 提出 了基于特征编码和基因遗传算法的特征筛选方法， 该方法将一系列候选特征转化为易处理 的编码序列， 并使用基因遗传算法进行自动筛选， 对特征进行最大化的全局最优挑选， 可以 有效地筛选出最小有效特征集。 附图说明 0045 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述， 本申请的其它 特征、 目的和优点将。

21、会变得更明显： 0046 图1是本发明基于特征编码的文本特征提取方法的流程示意图； 0047 图2是本发明基于特征编码的文本特征提取方法的文本预处理获得候选序列的流 程示意图； 0048 图3是本发明基于特征编码的文本特征提取方法的特征编码流程示意图； 说明书 3/7 页 6 CN 109977227 A 6 0049 图4是本发明基于特征编码的文本特征提取方法的基因遗传算法流程示意图； 0050 图5是本发明基于特征编码的文本特征提取方法一种实施例的二进制编码交叉交 换过程示例图； 0051 图6是本发明基于特征编码的文本特征提取方法一种实施例的二进制编码突变示 例图。 具体实施方式 005。

22、2 下面结合附图和实施例对本申请作进一步的详细说明。 可以理解的是， 此处所描 述的具体实施例仅用于解释相关发明， 而非对该发明的限定。 另外还需要说明的是， 为了便 于描述， 附图中仅示出了与有关发明相关的部分。 0053 需要说明的是， 在不冲突的情况下， 本申请中的实施例及实施例中的特征可以相 互组合。 下面将参考附图并结合实施例来详细说明本申请。 0054 本发明提供一种基于特征编码的文本特征提取方法， 基于二进制的文本特征编码 方法， 并结合基因遗传算法， 实现对文本特征的选取， 能有效克服传统文本特征选取中所面 临的局限性， 在可控的范围内， 尽可能的提高文本特征的准确性， 同时最。

23、大限度实现了特征 降维， 有效提升了特征使用效率。 0055 本发明的一种基于特征编码的文本特征提取方法， 包括： 0056 步骤S10， 获取输入文本的词候选特征序列； 0057 步骤S20， 基于所述词候选特征序列， 生成M个二进制编码， M为正整数； 0058 步骤S30， 对所述M个二进制编码， 采用基因遗传算法筛选， 获得最优二进制编码； 0059 步骤S40， 将所述最优二进制编码解码， 获得对应的最优词特征序列作为提取的文 本特征并输出。 0060 为了更清晰地对本发明基于特征编码的文本特征提取方法进行说明， 下面结合图 1对本发明方法实施例中各步骤展开详述。 0061 本发明一。

24、种实施例的基于特征编码的文本特征提取方法， 包括步骤S10-步骤S40， 各步骤详细描述如下： 0062 步骤S10， 获取输入文本的词候选特征序列。 如图2所示， 为本发明基于特征编码的 文本特征提取方法的文本预处理获得候选序列的流程示意图， 首先对文本分词， 然后进行 词权重计算， 最后生成候选特征序列， 具体如下： 0063 步骤S11， 采用文本分词算法将输入的文本划分为词， 构成文本词集。 0064 文本分词是文本处理的一个基础步骤， 也是人机自然语言交互的基础模块。 中文 文本与英文文本不同之处在于， 中文句子中没有词的界限， 因此在进行中文自然语言处理 时， 通常需要先进行分词，。

25、 分词效果将直接影响词性、 句法树等模块的效果。 当然分词只是 一个工具， 场景不同， 要求也不同。 在人机自然语言交互中， 成熟的中文分词算法能够达到 更好的自然语言处理效果， 帮助计算机理解复杂的中文语言。 0065 文本分词算法有： 基于词典的分词算法， 例如正向最大匹配法、 逆向最大匹配法和 双向匹配分词法等； 基于统计的机器学习算法， 例如隐马尔科夫模型算法(HMM,Hidden Markov Model)、 条件随机场算法(CRF,Conditional Random Field algorithm)、 深度学习 算法等； 还有基于神经网络的分词法， 在此不再一一介绍。 说明书 4。

26、/7 页 7 CN 109977227 A 7 0066 步骤S12， 对所述文本词集中每一个词进行权重计算， 获得文本词集对应的权重。 0067 词权重计算已经有成熟的方法， 本发明实施例采用的是常用的TF-IDF(Term FrequencyInverse Document Frequency)方法进行权重计算。 TF-IDF是一种统计方法， 用 以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度。 字词的重要 性随着它在文件中出现的次数成正比增加， 但同时会随着它在语料库中出现的频率成反比 下降。 0068 步骤S13， 按照权重从大到小的顺序选取预设数量的词作为词候选特。

27、征序列。 0069 步骤S20， 基于所述词候选特征序列， 生成M个二进制编码， M为正整数。 如图3所示， 为本发明基于特征编码的文本特征提取方法的特征编码流程示意图， 首先生成随机特征顺 序排列， 然后根据排序生成多组随机二进制编码， 具体如下： 0070 步骤S21， 对所述词候选特征序列中的词进行随机排列， 获得M个随机特征序列。 0071 步骤S22， 将所述M个随机特征序列生成M个长度与所述词候选特征序列相同的二 进制编码。 0072 步骤S30， 对所述M个二进制编码， 采用基因遗传算法筛选， 获得最优二进制编码， 如图4所示， 为本发明基于特征编码的文本特征提取方法的基因遗传算。

28、法流程示意图， 具体 如下： 0073 步骤S31， 以所述M个二进制编码作为M组基因种群， 并计算所述M组基因种群中每 个个体的适应度； 0074 步骤S32， 基于所述M组基因种群中每个个体的适应度， 采用基因遗传算法方法， 获 得最优二进制编码。 0075 本发明优选的实施例中， 采用轮盘赌选择法筛选最优二进制编码。 0076 步骤S321， 计算所述M组基因种群中每个个体被遗传到下一代群体中的概率， 如式 (1)所示： 0077 0078 其中， f(xi)为第i个基因种群个体的适应度函数， f(xj)为第j个基因种群个体的适 应度函数； 0079 步骤S322， 依据所述每个个体被遗。

29、传到下一代群体中的概率， 计算每个个体的累 计概率， 如式(2)所示： 0080 0081 步骤S323， 在0， 1区间内产生一个均匀分布的伪随机数r， 若rqi， 则选择个体 1， 否则， 选择个体k， 使得： qk-1rqk成立； 0082 步骤S324， 重复执行步骤S333共2M次， 选出M组个体， 对所述M组中每组两个个体以 交叉率 触发单点交叉交换得到一个子代二进制编码。 如图5所示， 为本发明基于特征编码 的文本特征提取方法一种实施例的二进制编码交叉交换过程示例图， 首先对一组二进制编 码进行复制， 然后对得到的二进制编码进行交叉交换， 随机保存一个交换后的二进制编码。 说明书。

30、 5/7 页 8 CN 109977227 A 8 0083 步骤S325， 以变异率m触发所述子代二进制编码中的某一位， 发生二进制0-1置 换， 获得最优二进制编码。 如图6所示， 为本发明基于特征编码的文本特征提取方法一种实 施例的二进制编码突变示例图， 变异前和变异后的二进制编码仅在编译点为相反表示， 其 余相同。 0084 步骤S31中 “计算所述M组基因种群中每个个体的适应度” 之后， 还可以计算基因变 异率， 提高基因遗传算法效率， 如式(3)所示： 0085 0086 其中， m为群体中适应度不同分布提供动态变化的基因变异率， 为个体适应度， max是群体中最大的适应度， av。

31、g是群体的平均适应度， k1、 k2为常数。 0087 步骤S40， 将所述最优二进制编码解码， 获得对应的最优词特征序列， 作为提取的 文本特征并输出。 0088 本发明第二实施例的基于特征编码的文本特征提取系统， 包括获取模块、 预处理 模块、 特征编码模块、 特征筛选模块、 解码模块、 输出模块； 0089 所述获取模块， 配置为获取文本并输入； 0090 所述预处理模块， 配置为对获取的文本预处理， 获得词候选特征序列； 0091 所述特征编码模块， 配置为基于所述词候选特征序列， 生成M个二进制编码， M为正 整数； 0092 所述特征筛选模块， 配置为对所述M个二进制编码， 采用基。

32、因遗传算法筛选， 获得 最优二进制编码； 0093 所述解码模块， 配置为将所述最优二进制编码解码， 获得对应的最优词特征序列； 0094 所述输出模块， 配置为将最优词特征序列作为提取的文本特征并输出。 0095 所属技术领域的技术人员可以清楚地了解到， 为描述的方便和简洁， 上述描述的 系统的具体工作过程及有关说明， 可以参考前述方法实施例中的对应过程， 在此不再赘述。 0096 需要说明的是， 上述实施例提供的基于特征编码的文本特征提取系统， 仅以上述 各功能模块的划分进行举例说明， 在实际应用中， 可以根据需要而将上述功能分配由不同 的功能模块来完成， 即将本发明实施例中的模块或者步骤。

33、再分解或者组合， 例如， 上述实施 例的模块可以合并为一个模块， 也可以进一步拆分成多个子模块， 以完成以上描述的全部 或者部分功能。 对于本发明实施例中涉及的模块、 步骤的名称， 仅仅是为了区分各个模块或 者步骤， 不视为对本发明的不当限定。 0097 本发明第三实施例的一种存储装置， 其中存储有多条程序， 所述程序适于由处理 器加载并执行以实现上述的基于特征编码的文本特征提取方法。 0098 本发明第四实施例的一种处理装置， 包括处理器、 存储装置； 处理器， 适于执行各 条程序； 存储装置， 适于存储多条程序； 所述程序适于由处理器加载并执行以实现上述的基 于特征编码的文本特征提取方法。。

34、 0099 所属技术领域的技术人员可以清楚地了解到， 为描述的方便和简洁， 上述描述的 存储装置、 处理装置的具体工作过程及有关说明， 可以参考前述方法实施例中的对应过程， 说明书 6/7 页 9 CN 109977227 A 9 在此不再赘述。 0100 本领域技术人员应该能够意识到， 结合本文中所公开的实施例描述的各示例的模 块、 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， 软件模块、 方法步骤对 应的程序可以置于随机存储器(RAM)、 内存、 只读存储器(ROM)、 电可编程ROM、 电可擦除可编 程ROM、 寄存器、 硬盘、 可移动磁盘、 CD-ROM、 或技术领域。

35、内所公知的任意其它形式的存储介 质中。 为了清楚地说明电子硬件和软件的可互换性， 在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。 这些功能究竟以电子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， 但是这种实现不应认为超出本发明的范围。 0101 术语 “包括” 或者任何其它类似用语旨在涵盖非排他性的包含， 从而使得包括一系 列要素的过程、 方法、 物品或者设备/装置不仅包括那些要素， 而且还包括没有明确列出的 其它要素， 或者还包括这些过程、 方法、 物品或者设备/装置所固有的要素。 0。

36、102 至此， 已经结合附图所示的优选实施方式描述了本发明的技术方案， 但是， 本领域 技术人员容易理解的是， 本发明的保护范围显然不局限于这些具体实施方式。 在不偏离本 发明的原理的前提下， 本领域技术人员可以对相关技术特征作出等同的更改或替换， 这些 更改或替换之后的技术方案都将落入本发明的保护范围之内。 说明书 7/7 页 10 CN 109977227 A 10 图1 图2 说明书附图 1/3 页 11 CN 109977227 A 11 图3 图4 说明书附图 2/3 页 12 CN 109977227 A 12 图5 图6 说明书附图 3/3 页 13 CN 109977227 A 13 。