低复杂度的预编码调制矩阵生成方法及其预编码调制方法

摘要

本发明是一种低复杂度的预编码调制矩阵生成方法及其预编码调制方法，该预编码调制矩阵生成方法包括步骤：a.将调制约束互信息的下界替代难以计算的调制约束互信息；b.生成基于最大化下界的最优预编码调制矩阵。本发明能够为具有电磁环境认知能力的宽带无线通信系统提供高数据传输的能力，同时满足了低计算复杂度的需求。

说明书

技术领域

本发明属于无线通信技术领域，可以应用于具有电磁环境认知能力的宽带无线通信系统，特别涉及一种低复杂度的预编码调制矩阵生成方法及其预编码调制方法。 

背景技术

信息论的巨大贡献，在于其建立了通信信道中以任意低差错概率进行信息传输的速率极限，该极限被称为信道容量。对于一般的多输入多输出(MIMO)系统而言，其信道容量是在发射信号为高斯分布的条件下获得的。受到信息理论研究成果的影响，假设发射信号为高斯分布，研究如何利用预编码技术提升通信系统的传输速率成为一直以来的热点问题。 

尽管如此，实际系统中却难以实现基于高斯分布的发射信号，而更多的采用由各种形状的星座点组成的发射信号，例如，脉冲幅度调制(PAM)、相移键控调制(PSK)以及正交幅度调制(QAM)等。这些实际系统中用到的发射信号与高斯发射信号有很大的区别。首先，受限于通信系统的器件约束，实际发射信号都是幅度受限的，而高斯信号的幅度却可以从负无穷取到正无穷。其次，实际发射信号是取自于离散的星座点，而高斯信号是连续变化的。采用连续信号作为发射信号，受到噪声的影响后，在接收端恢复该发射信号的难度非常大。 

由于实际发射信号与高斯信号的显著差异，将已有研究中基于高斯发射信号的预编码技术应用到实际系统中，会导致性能的急剧恶化。沿用信息论中的概念，我们称实际调制约束下，系统最大的传输 速率为调制约束的互信息。设计能够提升调制约束下互信息的预编码调制方法对实际系统意义重大。 

然而，以预编码矩阵为变量优化调制约束的互信息难度很大。首先，优化过程需要多个迭代步骤，而每一个迭代步骤需要多次计算目标函数及其梯度(最小均方误差MMSE)矩阵。调制约束的互信息及其相对于预编码的梯度矩阵包含多重积分且没有闭合表达式，计算复杂。到目前为止，没有较好的方法能提供低复杂度，可供实用的最大化调制约束互信息的预编码调制方法。 

本发明给出一种低复杂度的预编码调制矩阵生成方法。它利用一个新的度量标准：调制约束互信息的下界。这个下界可以用来替代原度量标准，成为预编码设计的准则。它具有以下优点：1)新的设计准则不包含多重积分，计算复杂度低；2)新的准则在高信噪比和低信噪比下具有渐进最优性，即采用新的准则与原准则(调制约束下互信息)在高信噪比和低信噪比下设计出来的预编码是一样的；3)新的准则加上一个确定的常数后，能够在不同信道条件和调制信号下近似原准则，即在任意信噪比下，新准则都能够保证性能。经过大量实验验证，采用本发明生成的预编码调制矩阵在不降低系统性能的前提下，极大的降低了设计的计算复杂度。 

发明内容

(一)要解决的技术问题 

本发明的目的是提出一种低复杂度的预编码调制矩阵生成方法及其预编码调制方法，为具有电磁环境认知能力的宽带无线通信系统提供高数据传输的能力，同时满足低计算复杂度的需求。 

(二)技术方案 

为了解决上述技术问题，本发明提供一种低复杂度的预编码调制矩阵生成方法，包括步骤：a.将调制约束互信息的下界I_L(P)替代难以计算的调制约束互信息I(P)；b.生成基于最大化I_L(P)的最优预编 码调制矩阵 

优选地，所述基于最大化I_L(P)的最优预编码调制矩阵 的生成方法包括步骤： 

S0：将预编码调制矩阵P用奇异值分解表示， 其中U_P和V_P为酉矩阵，分别称为P的左奇异矩阵和右奇异矩阵， 为矩阵共轭转置，∑_P为对角矩阵，其平方称为功率分配矩阵； 为列向量，由 的对角元素组成，称为功率分配向量；同理，对N_r×N_t信道矩阵H亦进行奇异值分解 

S1：初始化；给定初始功率分配向量λ⁽⁰⁾，满足1^Tλ⁽⁰⁾＝N_t，其中1为全1的列向量， 为转置运算；给定初始右奇异矩阵 满足 其中I为单位矩阵， 为矩阵共轭转置；并令迭代次数n：＝1，给定最大迭代次数n_M； 

S2：确定预编码调制矩阵P的左奇异矩阵U_P；令U_P等于信道H的右奇异矩阵V_H； 

S3：更新功率分配向量；即求解如下以λ为变量，V_P等于常量 的优化问题： 

${\lambda }^{\left(n\right)}:=\arg \underset{\lambda \pm 0}{\underset{1^T\lambda =N_T}{\max }}{I}_L(\lambda ,V_P^{(n-1)}).$

其中 

$I_L(\lambda ,V_P)=N_t\log M-(\frac{1}{\ln 2}-1)N_r-\frac{1}{M^{N_t}}\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\log \underset{k=1}{\overset{M^{N_t}}{\Sigma }}\exp (-\frac{c_{\mathrm{mk}}^H{c}_{\mathrm{mk}}}{2{\sigma }^2})$

c_mk等于 表示非零元素为 的对角矩阵；e_mk表示第m个可能的输入信号x_m与第k个可能的输入信号x_k的差， log(·)表示以2为底的对数；M为调制星座点集合的势；高斯噪声满足CN(0，σ²I)分布； 

S4：更新P的右奇异矩阵V_P；即求解如下以V_P为变量，λ等于常量λ⁽ⁿ⁾的优化问题： 

$V_P^{\left(n\right)}:=\arg \underset{V_P^H{V}_P=I}{\max }{I}_L({\lambda }^{\left(n\right)},V_P).$

S5：迭代；令n：＝n+1；若n＜n_M，转至步骤S3，否则进行下一步； 

S6：输出最优的预编码矩阵 其中 表示非零元素为 的对角矩阵。 

优选地，所述步骤S3进一步包括步骤： 

S31：初始化；令λ＝λ⁽⁰⁾，t：＝t⁽⁰⁾＞0，α＞1，容差ε₁，ε₂＞0； 

S32：计算搜索方向；按下式计算f(λ)在λ的梯度 

${▿}_{\lambda }f\left(\lambda \right)=-{▿}_{\lambda }{I}_L\left(\lambda \right)-\left(\frac{1}{t}\right)q$

其中列向量q的第i个元素q_i＝1/λ_i； 表示I_L(λ)在λ的梯度： 

${▿}_{\lambda }{I}_L=-\mathrm{Diag}\left(\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\frac{\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}·W_{\mathrm{mk}}^T}{\ln \left(2\right)M^{N_t}·\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}}\right)$

上式中参数$w_{\mathrm{mk}}=\exp [-\mathrm{Tr}\left(W_{\mathrm{mk}}{\Sigma }_P^2\right)],$$W_{\mathrm{mk}}=V_P^H{e}_{\mathrm{mk}}{e}_{\mathrm{mk}}^H{V}_P;$这样，考虑等式约束后的搜索方向取为$\mathrm{\Delta \lambda }=-(I-\frac{{1·1}^T}{N_t}){▿}_{\lambda }f\left(\lambda \right);$计算PΔλP²，若满足PΔλP²＜ε₁，转至步骤S35； 

S33：计算搜索步长γ； 

S34：更新；令λ：＝λ+γ·Δλ，转至步骤S32； 

S35：迭代与停止；当1/t＜ε₂时，停止；否则，令t：＝αt，转至步骤S32。 

优选地，所述步骤S4进一步包括步骤： 

S41：初始化；令 选取容差ε＞0； 

S42：计算搜索方向；按下式计算I_L(V_P)在V_P的梯度 

${▿}_{V_P}{I}_L\left(V_P\right)=-\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\frac{\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}·Q_{\mathrm{mk}}}{\ln \left(2\right)M^{N_t}·\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}}$

其中参数$w_{\mathrm{mk}}=\exp [-\mathrm{Tr}\left(V_P^H{Q}_{\mathrm{mk}}\right)],$$Q_{\mathrm{mk}}=e_{\mathrm{mk}}{e}_{\mathrm{mk}}^H{V}_P{\Sigma }_P^2;$考虑正交约束后，令搜索方向取为$\Delta V_P={▿}_{V_P}{I}_L\left(V_P\right)-V_P{\left({▿}_{V_P}{I}_L\left(V_P\right)\right)}^H{V}_P;$计算PΔV_PP²＝Tr{(ΔV_P)^HΔV_P}，若满足PΔV_PP²＜ε，算法结束；否则，进行步骤S43； 

S43：计算搜索步长γ； 

S44：更新；令V_P：＝π(V_P+γ·ΔV_P)，转至步骤S42。 

本发明还提供一种预编码调制方法，包括：在发送端利用权利要求1-4中任意一项所述的低复杂度的预编码调制矩阵生成方法来生成预编码调制矩阵，然后用该矩阵对发送信号做预处理。 

(三)有益效果 

本发明给出了一种低复杂度的预编码调制矩阵生成方法及其预编码调制方法。利用一个新的度量标准：调制约束互信息的下界。这个下界可以用来替代调制约束互信息，成为预编码设计的准则。它具有以下优点：1)新的设计准则不包含多重积分，计算复杂度低；2)新的准则在高信噪比和低信噪比下具有渐进最优性，即采用新的准则与原准则(调制约束下互信息)在高信噪比和低信噪比下设计出来的预编码是一样的；3)新的准则加上一个确定的常数后，能够在不同信道条件和调制信号下近似原准则，即在任意信噪比下，新准则都能够保证性能。 

附图说明

图1是本发明预编码调制矩阵生成方法的流程图； 

图2是采用本发明预编码调制矩阵后系统的示意图； 

图3是本发明采用的新度量标准与原度量标准在不同的信道条件、天线配置及调制下的关系示意图。其中直线表示采用本发明的低复杂度的度量标准I_L(P)，圆圈标注表示调制约束的互信息I(P)。横轴表示信噪比(SNR)，单位为dB；纵轴表示互信息(MI)，单位为比特每秒每赫兹(bps/Hz)； 

图4是本发明预编码方法与已有方法相比的仿真曲线。横轴表示信噪比(SNR)，单位为dB；纵轴表示互信息(MI)，单位为比特每秒每赫兹(bps/Hz)；其中 表示不采用预编码方法； 表示以I(P)为度量标准的预编码方法； 表示以I_L(P)为度量标 准的低复杂度的预编码方法； 表示基于高斯信号的预编码方法。 

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不是限制本发明的范围。 

如图1所示，本发明所述的低复杂度的预编码调制矩阵生成方法包括步骤：a.将调制约束互信息的下界I_L(P)替代难以计算的调制约束互信息I(P)；b.生成基于最大化I_L(P)的最优预编码调制矩阵 

如图2所示，考虑具有N_t个发射天线，N_r个接收天线的MIMO系统。令x表示零均值单位协方差输入信号，H表示N_r×N_t信道矩阵，n表示满足CN(0，σ²I)分布的高斯噪声，则接收信号y可以表示为 

y＝HPx+n  (1) 

其中，P是本发明所涉及的预编码调制矩阵。 

当输入信号x以等概率的方式取自势为M的调制星座点集合，该系统的传输速率极限由调制约束下的互信息I(P)刻画： 

$I\left(P\right)=N_t\log M-\frac{1}{M^{N_t}}\underset{m=1}{\overset{M^{N_t}}{\Sigma }}{E}_n\log \underset{k=1}{\overset{M^{N_t}}{\Sigma }}\exp (-\frac{{\mathrm{PHPe}}_{\mathrm{mk}}+n{P}^2-{\mathrm{PnP}}^2}{{\sigma }^2})---\left(2\right)$

其中E_n表示对噪声n取期望。 

本发明所述的预编码调制方法即找到一个预编码调制矩阵P，使得能够在满足发射功率约束Tr(PP^H)≤N_t的前提下，最大化度量I(P)。因为I(P)是发射功率的增函数，功率约束中的不等式约束可以用等式约束Tr(PP^H)＝N_t代替。这样，系统传输速率的极限可以刻画为： 

$I=\underset{P:\mathrm{Tr}\left({\mathrm{PP}}^H\right)=N_t}{\max }I\left(P\right)---\left(3\right)$

然而，找到系统传输速率的极限I及其对应于的矩阵P却非常的困难。首先，I(P)没有闭合表达式，且包含2N_r次从-∞到+∞的积分运算。其次，对I(P)进行优化时如果能利用其梯度(MMSE矩阵)， 则可以加速收敛，但是MMSE矩阵计算代价却非常高。最后，虽然可以采用蒙特卡罗的方法对I(P)及其梯度MMSE矩阵进行估计，但是该方法计算量大且不精确。 

为了解决上述问题，本发明提出一个新的度量标准，调制约束互信息的下界I_L(P)，来替代难以计算的I(P)，并以此作为预编码设计的准则。新的准则I_L(P)通过利用Jensen不等式得到： 

$I\left(P\right)=N_t\log M-E_n\log \exp (\mathrm{Pn}{P}^2/{\sigma }^2)-\frac{1}{M^{N_t}}\underset{m=1}{\overset{M^{N_t}}{\Sigma }}{E}_n\log \underset{k=1}{\overset{M^{N_t}}{\Sigma }}\exp (-\frac{{\mathrm{Pc}}_{\mathrm{mk}}+{\mathrm{nP}}^2}{{\sigma }^2})$

$\ge N_t\log M-\frac{N_r}{\ln 2}-\frac{1}{M^{N_t}}\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\log \underset{k=1}{\overset{M^{N_t}}{\Sigma }}{E}_n\exp (-\frac{{\mathrm{Pc}}_{\mathrm{mk}}+n{P}^2}{{\sigma }^2})$

$=N_t\log M-(\frac{1}{\ln 2}-1)N_r-\frac{1}{M^{N_t}}\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\log \underset{k=1}{\overset{M^{N_t}}{\Sigma }}\exp (-\frac{c_{\mathrm{mk}}^H{c}_{\mathrm{mk}}}{2{\sigma }^2})=I_L\left(P\right)---\left(4\right)$

其中c_mk等于HPe_mk。 

下面重点讲述采用I_L(P)作为准则的设计方法。为便于说明，将预编码矩阵P进行奇异值分解 其中U_P和V_P为酉矩阵，分别称为P的左奇异矩阵和右奇异矩阵；∑_P为对角矩阵，其平方称为功率分配矩阵； 为列向量，即由 的对角元素组成，称为功率分配向量。同理，将信道矩阵H亦进行奇异值分解 这样，基于最大化I_L(P)的最优预编码调制矩阵 的设计方法包含以下步骤： 

步骤(1)：初始化。给定初始功率分配向量λ⁽⁰⁾，满足1^Tλ⁽⁰⁾＝N_t，其中1为全1的列向量， 为转置运算；给定初始右奇异矩阵 满足 其中I为单位矩阵；并令迭代次数n：＝1，给定最大迭代次数n_M。 

步骤(2)：确定P的左奇异矩阵。令U_P等于信道H的右奇异矩阵V_H。 

步骤(3)：更新功率分配向量。即求解如下以λ为变量，V_P等于常量 的优化问题： 

${\lambda }^{\left(n\right)}:=\arg \underset{\lambda \pm 0}{\underset{1^T\lambda =N_T}{\max }}{I}_L(\lambda ,V_P^{(n-1)}).---\left(5\right)$

步骤(4)：更新P的右奇异矩阵。即求解如下以V_P为变量，λ等于常量λ⁽ⁿ⁾的优化问题： 

$V_P^{\left(n\right)}:=\arg \underset{V_P^H{V}_P=I}{\max }{I}_L({\lambda }^{\left(n\right)},V_P).---\left(6\right)$

步骤(5)：迭代。令n：＝n+1；若n＜n_M，转至步骤(3)，否则进行下一步。 

步骤(6)：输出最优的预编码调制矩阵 其中 表示非零元素为 的对角矩阵。 

上述步骤(3)和步骤(4)求解两个优化子问题。下面先讲述实施步骤(3)的具体方法。 

问题(5)中的不等式约束可以通过惩罚函数转化至目标函数中： 

$\min \mathrm{imizef}\left(\lambda \right)=-I_L\left(\lambda \right)+\underset{i=1}{\overset{N_t}{\Sigma }}\phi (-{\lambda }_i)---\left(7\right)$

subject to 1^Tλ＝N_t

其中λ_i表示变量λ的第i个分量，函数φ(u)定义如下： 

$\phi \left(u\right)=\left(\begin{array}{cc}-(1/t)\ln (-u),& u<0\\ +\infty ,& u\ge 0.\end{array}\right)$

其中ln(·)表示以指数e为底的对数，参数t＞0设置采用惩罚函数后，问题(7)的解对式(5)的近似精度。可以验证，当t＝+∞时，问题(7)的解与式(5)完全等价。 

有了如上定义，步骤(3)可依如下步骤实施： 

步骤(3.1)：初始化。令λ＝λ⁽⁰⁾，t：＝t⁽⁰⁾＞0，α＞1，容差ε₁，ε₂＞0。 

步骤(3.2)：计算搜索方向。按下式计算f(λ)在λ的梯度 

${▿}_{\lambda }f\left(\lambda \right)=-{▿}_{\lambda }{I}_L\left(\lambda \right)-\left(\frac{1}{t}\right)q$

其中列向量q的第i个元素q_i＝1/λ_i； 表示I_L(λ)在λ的梯度： 

${▿}_{\lambda }{I}_L=-\mathrm{Diag}\left(\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\frac{\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}·W_{\mathrm{mk}}^T}{\ln \left(2\right)M^{N_t}·\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}}\right)$

上式中参数$w_{\mathrm{mk}}=\exp [-\mathrm{Tr}\left(W_{\mathrm{mk}}{\Sigma }_P^2\right)],$$W_{\mathrm{mk}}=V_P^H{e}_{\mathrm{mk}}{e}_{\mathrm{mk}}^H{V}_P.$这样，考虑等式约束后的搜索方向取为$\mathrm{\Delta \lambda }=-(I-\frac{{1·1}^T}{N_t}){▿}_{\lambda }f\left(\lambda \right).$计算PΔλP²，若满足PΔλP²＜ε₁，转至步骤(3.5)。 

步骤(3.3)：计算搜索步长。步长γ＝max{μ：f(λ+μ·Δλ)＜f(λ)}。 

步骤(3.4)：更新。令λ：＝λ+γ·Δλ，转至步骤(3.2)。 

步骤(3.5)：迭代与停止。当1/t＜ε₂时，停止；否则，令t：＝αt，转至步骤(3.2)。 

下面讲述实施步骤(4)的具体实施细节。 

步骤(4.1)：初始化。令 选取容差ε＞0。 

步骤(4.2)：计算搜索方向。按下式计算I_L(V_P)在V_P的梯度 

${▿}_{V_P}{I}_L\left(V_P\right)=-\underset{m=1}{\overset{M^{N_t}}{\Sigma }}\frac{\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}·Q_{\mathrm{mk}}}{\ln \left(2\right)M^{N_t}·\underset{k=1}{\overset{M^{N_t}}{\Sigma }}{w}_{\mathrm{mk}}}$

其中参数$w_{\mathrm{mk}}=\exp [-\mathrm{Tr}\left(V_P^H{Q}_{\mathrm{mk}}\right)],$$Q_{\mathrm{mk}}=e_{\mathrm{mk}}{e}_{\mathrm{mk}}^H{V}_P{\Sigma }_P^2.$考虑正交约束后，令搜索方向取为$\Delta V_P={▿}_{V_P}{I}_L\left(V_P\right)-V_P{\left({▿}_{V_P}{I}_L\left(V_P\right)\right)}^H{V}_P.$计算PΔV_PP²＝Tr{(ΔV_P)^HΔV_P}，若满足PΔV_PP²＜ε，算法结束；否则，进行步骤(4.3)。 

步骤(4.3)：计算搜索步长。定义投影函数π(W)。若 这样，步长γ＝max{μ：I_L(V_P)＞I_L(π(V_P+γ·ΔV_P))}。 

步骤(4.4)：更新。令V_P：＝π(V_P+γ·ΔV_P)，转至步骤(4.2)。 

下面举出一些设计实例，以便进一步说明本发明的新度量标准 I_L(P)与调制约束互信息I(P)的关系，以及采用本发明的方法系统性能的影响。 

首先分别考虑I(P)与I_L(P)在信噪比趋于0和趋于+∞是的极限。由式(2)可以得到： 

$\underset{\mathrm{SNR}\to 0}{\lim }I\left(P\right)=0\mathrm{and}\underset{\mathrm{SNR}\to +\infty }{\lim }I\left(P\right)=N_t\log M.$

与此同时，由式(4)可以得到： 

$\underset{\mathrm{SNR}\to 0}{\lim }{I}_L\left(P\right)=-(\frac{1}{\ln \left(2\right)}-1)N_r\mathrm{and}\underset{\mathrm{SNR}\to +\infty }{\lim }{I}_L\left(P\right)=N_t\log M-(\frac{1}{\ln \left(2\right)}-1)N_r.$

由此看出，I(P)与I_L(P)在极限情况下存在一个常数的差。因为加上一个常数不改变优化问题(5)和(6)的解，图2指出加上常数 后，新度量I_L(P)能够近似原计算复杂的度量I(P)。其中信道H的生成采用了指数模型 

[H(ρ)]_ij＝ρ^|i-j|，ρ∈[0，1)，i＝1，…，N_r，j＝1，…，N_t

其中[H(ρ)]_ij表示H的第i行j列的元素，ρ表示模型的参数。 

图3表明在不同的信道条件、天线配置及调制下，新度量I_L(P)皆能近似原度量I(P)。然而，度量I_L(P)与度量I(P)计算量之间的差别是巨大的。以BSPK和QPSK为例，其计算所耗得CPU时间(采用IntelCore i7-2600 3.40GHz处理器)如表1所示。 

表1 

其中，符号“-”表示计算时间在1小时以上。由表1可以看出，在同等条件下，计算度量I_L(P)的时间要远远小于计算度量I(P)。例如，对于4×4MIMO信道，QPSK输入信号来说，两者计算时间相差10⁵倍。 

参见图4，是采用本发明预编码方法后对互信息的影响。其中， $H=\left(\begin{array}{cc}2& 1\\ 1& 1\end{array}\right)$为2×2的多天线信道，输入信号为QPSK。初始向量取为 ${\lambda }^{\left(0\right)}=\left(\begin{array}{c}1\\ 1\end{array}\right),$$V_P^{\left(0\right)}=\left(\begin{array}{cc}\cos \left(\frac{\pi }{5}\right)& \sin \left(\frac{\pi }{5}\right)·\exp (-j\frac{\pi }{6})\\ -\sin \left(\frac{\pi }{5}\right)·\exp \left(j\frac{\pi }{6}\right)& \cos \left(\frac{\pi }{5}\right)\end{array}\right)$时本发明所讨论方法的性能。从该图可以看出，采用低计算复杂的度量I_L(P)得到的预编码性能与采用I(P)得到的性能完全一致，且均优于不采用预编码的方法和采用假设高斯信号的预编码方法。以SNR为2.5dB为例，此时采用本发明的预编码调制矩阵生成方法得到最优解为 此时，与不采用预编码的方法相比性能提升为30.5％，与采用高斯信号得到的预编码方法相比性能提升为44.8％。 

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，在不脱离本发明技术原理的前提下，还可以 做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。