一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质

摘要

本发明公开一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质，涉及神经网络技术领域，以解决设备的多个工艺参数之间关联性较大的技术问题。上述基于神经网络的工艺参数分析的方法包括：根据多个工艺过程产生的工艺参数的时序数据创建测试数据集，其中，每个工艺过程均包括多个工艺参数。将测试数据集输入至神经网络分类模型中，提取出各个工艺参数相应的特征向量，其中，神经网络分类模型包括多个门控循环网络，每个门控循环网络用于对一个工艺参数的时序数据进行特征提取。根据特征向量与神经网络分类模型中全连接层的权值，确定相应工艺参数的贡献度向量。根据每个工艺参数相应的贡献度向量，确定相应工艺参数对工艺过程的影响度。

说明书

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质。

背景技术

在工业生产制造中，看似运作良好的产线，实际上可能并没有以最优的设备工艺参数运作。因此，设备工艺参数的优化显得尤为重要，其决定了产线的产量和良品率。

目前，对设备工艺参数的优化，大多采用逐一多次调整参数的方法，但该方法费时费力，投入成本较大导致工作效率不高。且设备的多个工艺参数之间关联性较大，仅通过调整单一工艺参数难以使设备的工作效率达到最优。

发明内容

本发明的目的在于提供一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质，以解决设备的多个工艺参数之间关联性较大，仅通过调整单一工艺参数难以使设备的工作效率达到最优的技术问题。

第一方面，本发明提供一种基于神经网络的工艺参数分析的方法，包括：

根据多个工艺过程产生的工艺参数的时序数据，创建测试数据集；其中，每个工艺过程均包括多个工艺参数。

将测试数据集输入至神经网络分类模型中，提取出各个工艺参数相应的特征向量；其中，神经网络分类模型包括多个门控循环网络，每个门控循环网络用于对一个工艺参数的时序数据进行特征提取。

根据特征向量与神经网络分类模型提中全连接层的权值，确定相应工艺参数的贡献度向量。

根据每个工艺参数相应的贡献度向量，确定相应工艺参数对工艺过程的影响度。

在采用上述方案的情况下，本发明提供的基于神经网络的工艺参数分析方法，将根据多个工艺过程产生的工艺参数的时序数据创建的测试数据集，输入至神经网络分类模型中，提取出各个工艺参数相应的特征向量。本发明的神经网络分类模型包括多个门控循环网络，每个门控循环网络用于对一个工艺参数的时序数据进行特征提取。基于此，由于每个工艺参数单独对应一个门控循环网络，故各个工艺参数之间的门控循环网络参数不共享，避免了在特征提取阶段，各个工艺参数之间相互干扰，有助于更准确的分析各个工艺参数对设备的工作效率的影响程度。

再者，本发明根据上述特征向量与神经网络分类模型中全连接层的权值，确定相应工艺参数的贡献度向量。根据每个工艺参数相应的贡献度向量，确定相应工艺参数对工艺过程的影响度。基于各个工艺参数对设备效率的影响度，可以准确的分析哪个工艺参数对设备效率的影响最大，从而可以通过调整该工艺参数，来提高设备的工作效率。也就是说，基于各个工艺参数对设备效率的影响度，使设备的工作效率的提高有了方向。

最后，本发明相对于现有技术避免人的主观干预，使得工艺参数的优化有了方向，解决技术员不知从何入手的困境，该方法与人工逐一多次寻找影响因素的方法相比，其准确度及效率更高，且该方法可以节省人力物力财力，并且有助于提高产品成品率及产线产量。

在一种可能的实现方式中，神经网络分类模型的训练过程包括：创建训练数据集，所述训练数据集包括多个样本。基于所述训练数据集，对神经网络进行训练，得到所述神经网络分类模型。

进一步的，在创建训练数据集之前，基于神经网络的工艺参数分析方法还包括：获取所述多个样本的时序数据。基于样本标签，对所述多个样本的时序数据进行分组；其中，同一所述样本的时序数据对应同一样本标签。对分组的所述多个样本的时序数据进行归一化处理，得到归一化后的分组样本时序数据。

所述创建训练数据集包括：基于所述归一化后分组样本时序数据，创建训练数据集。

在采用上述方案的情况下，根据样本标签，对多个样本的时序数据进行分组，并对分组的多个样本的时序数据进行归一化处理。基于此，可以加快模型处理数据的收敛速度，减小震荡。

在一种可能的实现方式中，所述多个样本具有多个属性。在所述神经网络中，每个所述属性对应一个所述门控循环网络。

进一步的，所述基于所述训练数据集，对神经网络进行训练，得到所述神经网络分类模型包括：

将所述训练数据集输入至神经网络中，得到预测结果。

将所述预测结果输入至损失函数中，使用Adam优化器最小化分类损失，以更新所述神经网络中隐藏层的权值和全连接层的权值，直至所述神经网络的损失变化量小于预设值，得到所述神经网络分类模型。

将所述训练数据集输入至神经网络中，得到预测结果包括：

在隐藏层，利用各个所述门控循环网络对相应所述属性进行特征提取，得到多个属性特征；其中，各个所述门控循环网络的参数均不同；

将所述多个属性特征输入所述神经网络的全连接层及分类层中，得到所述神经网络的预测结果；其中，各个所述属性特征均对应不同的全连接层权值。

每个所述门控循环网络包括多个隐藏单元，每个所述属性特征的特征数与相应所述门控循环网络中的隐藏单元数相同。

更进一步的，上述每个门控循环网络包括128个隐藏单元。

在采用上述方案的情况下，本发明的每个门控循环网络均包括多个隐藏单元，例如：每个门控循环网络包括128个隐藏单元。在实际中，隐藏单元数目与输入、输出单元的数目有直接关系，隐藏单元数目太少，无法提取数据之间的特征，出现欠拟合。隐藏单元数目太多，增加训练时间，容易出现过拟合，泛化能力差。本发明通过多次实验，设定隐藏单元的数目为128个，可以很好的平衡过拟合和欠拟合的问题。

再者，本发明使用Adam优化器以及预测结果，更新神经网络分类模型中的隐藏层权值和全连接层权值，直至神经网络分类模型的损失变化量小于预设值，得到训练完成的神经网络分类模型。由于Adam优化器为不同的参数设定独立的自适应学习率，使用梯度一阶矩估计和二阶矩估计动态调整学习率，每次迭代训练，学习率都有一个明确的范围，使得参数变化平稳，加快了模型学习特征的速度。故本发明中训练的神经网络分类模型具有学习速度快的特点。

在一种可能的实现方式中，根据特征向量与神经网络分类模型提取出的全连接层权值，确定相应工艺参数的贡献度向量包括：

将多个特征向量拼接后，与神经网络分类模型提取出的全连接层权值相乘，得到贡献度总向量；

根据工艺参数的个数，将贡献度总向量进行均分，得到每个所述工艺参数的贡献度向量。

在一种可能的实现方式中，根据每个所述工艺参数相应的贡献度向量，确定相应工艺参数的影响度包括：

分别获取各个所述工艺过程中每个所述工艺参数相应的贡献度向量中数值的最大值，得到每个工艺参数对应的多个所述最大值；

求取每个工艺参数对应的多个所述最大值的平均值，将所述平均值作为相应所述工艺参数的影响度。

在一种可能的实现方式中，在根据每个工艺参数相应的贡献度向量，确定相应工艺参数的影响度后，基于神经网络的工艺参数分析方法还包括：

将多个影响度按照大小进行降序排列，得到多个工艺参数的影响度向量。

在采用上述方案的情况下，本发明将多个影响度按照大小进行降序排列，得到多个工艺参数的影响度向量。因此，该影响度向量中影响度顺序越靠前，则表明相应的工艺参数对设备效率的影响越大，从而使得工艺参数的优化有了方向，不仅可以提高设备的工作效率，而且有助于提高产品成品率及产线产量。

第二方面，本发明还公开了一种基于神经网络的工艺参数分析设备，包括：处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现上述基于神经网络的工艺参数分析方法。

第三方面，本发明还公开了一种计算机存储介质，计算机存储介质中存储有指令，当所述指令被运行时，实现上述基于神经网络的工艺参数分析方法。

本发明中第二方面、第三方面及其各种实现方式的有益效果与第一方面或第一方面任一可能的实现方式的有益效果相同，此处不再赘述。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本发明实施例提供的一种基于神经网络的工艺参数分析方法的步骤流程图；

图2示出了本发明实施例提供的一种神经网络分类模型的结构图；

图3示出了本发明实施例提供的一种隐藏层单元内部结构图；

图4示出了本发明实施例提供的另一种基于神经网络的工艺参数分析方法的步骤流程图；

图5示出了本发明实施例提供的一种各个属性对工艺过程的影响示意图；

图6示出了本发明实施例提供的一种基于神经网络的工艺参数分析设备的硬件结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。“若干”的含义是一个或一个以上，除非另有明确具体的限定。

工业生产制造中，看似良好运作的产线，实际上并没有以最好的状态运作，设备参数的优化存在较大的空间，其决定产线的产量及良品率。以下以光伏行业举例，降低度电成本一直是光伏行业努力的方向，是企业提升竞争力的重要利器。拉晶作为光伏产品生产的重要环节，降低其断线率，有助于提升拉晶效率，从而降低度电成本。目前，放肩及等径是决定拉晶成功与否的关键，而拉晶参数的设置又决定放肩及等径的成败，因此，优化拉晶工艺参数显得尤为重要。在参数优化方面，现场人员通过经验修改拉晶参数，由于参数数量较大，很难分析出影响拉晶失败的主要因素，因而造成不知从何入手困境，目前往往通过逐一多次调参的方法，此方法费时费力，且投入成本较大，工作效率不高，并且参数之间关联性较大，不仅仅是调整单一参数可以解决拉晶失败的问题。因而，分析影响断线因素成为拉晶工厂的难题。

基于此，图1示出了本发明实施例提供了一种基于神经网络的工艺参数分析的方法。该方法包括：

S101，根据多个工艺过程产生的工艺参数的时序数据，创建测试数据集；其中，每个工艺过程均包括多个工艺参数。

其中，上述工艺参数的时序数据为同一工艺参数在多个工艺过程中产生的一组时序数据。

作为一种具体的示例，光伏行业的拉晶工艺中包括提拉速度、加热器加热功率、埚转等多个工艺参数。基于此，上述根据多个工艺过程产生的工艺参数的时序数据，创建测试数据集可以为获取多个工艺过程中的提拉速度的时序数据，加热器加热功率的时序数据以及埚转的时序数据，并根据上述多个工艺参数的时序数据，创建测试数据集。

S102，将测试数据集输入至神经网络分类模型中，提取出各个工艺参数相应的特征向量；其中，神经网络分类模型包括多个门控循环网络，每个门控循环网络用于对一个工艺参数的时序数据进行特征提取。

将创建好的测试数据集输入至训练完成的神经网络分类模型中，提取出各个工艺参数相应的特征向量。也就是说，每个工艺参数对应一个特征向量。

本发明实施例提供的神经网络分类模型包括多个门控循环网络，每个门控网络用于对一个工艺参数的时序数据进行特征提取。基于此，由于每个工艺参数单独对应一个门控循环网络，故各个工艺参数之间的网络参数不共享，避免了在特征提取阶段，各个工艺参数之间相互干扰，有助于更准确的分析各个工艺参数对设备的工作效率的影响程度。

本发明实施例中神经网络分类模型的训练过程包括：

创建训练数据集，所述训练数据集包括多个样本。

在本发明实施例中，多个样本可以由工艺过程中产生的历史数据创建。

例如：在拉晶工艺中，每个样本包括拉制一个单晶硅棒产生的历史数据。

进一步的，在创建训练数据集之前，基于神经网络的工艺参数分析方法还包括：

获取所述多个样本的时序数据。

基于样本标签，对所述多个样本的时序数据进行分组；其中，同一所述样本的时序数据对应同一样本标签。每个样本具有多个属性。

具体的，在对多个样本的时序数据进行分组时，增加索引字段对多个样本的时序数据进行分组，同一样本的时序数据代表同一工艺过程产生的时序数据，对应同一样本标签。

例如，同一拉晶工艺过程用于产生一个晶棒，拉制同一晶棒的过程中产生的提拉速度的时序数据，加热器加热功率的时序数据以及埚转的时序数据均对应有同一标签。

对于拉晶工艺来说，上述样本具有的属性可以包括提拉速度、加热功率以及埚转。

进一步的，在本发明实施例中，为了增加模型处理数据的收敛速度，减小震荡，对分组的所述多个样本的时序数据进行归一化处理，得到归一化后的分组样本时序数据。

具体的，归一化处理的表达式为：

其中，x

在一个具体的实施方式中，以光伏行业的拉晶工艺为例，原始时序数据即为上述拉制多根晶棒的过程中产生的提拉速度的时序数据，加热器加热功率的时序数据以及埚转的时序数据形成的一组拉晶时序数据，min(x)可以为提拉速度时序数据中的最小值，或加热器加热功率的时序数据中的最小值，或埚转的时序数据中的最小值，max(x)可以为提拉速度时序数据中的最大值，或加热器加热功率的时序数据中的最大值，或埚转的时序数据中的最大值。x

所述创建训练数据集包括：基于所述归一化后分组样本时序数据，创建训练数据集。

基于所述训练数据集，对神经网络进行训练，得到所述神经网络分类模型。

在本发明实施例对神经网络的训练过程中，每个属性对应一个所述门控循环网络。具体的，上述基于训练数据集，对神经网络进行训练，得到神经网络分类模型包括：

将训练数据集输入至神经网络中，得到预测结果。

其中，每个门控循环网络包括多个隐藏单元，多个隐藏单元依次对输入的训练数据集中的数据进行处理。

在将上述训练数据集输入至神经网络分类模型之前，为了提高神经网络分类模型预测结果的准确性，使用随机下采样使得训练数据集中的正负样本达到均衡。且为了使得训练集、测试集数据具有代表性，同时避免神经网络分类模型过拟合，采用按标签比例打乱全量数据。

进一步的，上述根据将训练数据集输入至神经网络分类模型中，得到所述神经网络分类模型的预测结果包括：

在隐藏层，利用各个门控循环网络对相应所述属性进行特征提取，得到多个属性特征；其中，各个门控循环网络的参数均不同。

基于多个属性特征与所述神经网络分类模型的全连接层权值，计算神经网络分类模型的预测结果。其中，各个属性特征均对应不同的全连接层权值。

每个属性均包括一组时序数据，每个属性特征的特征数与相应门控循环网络中的隐藏单元数相同。

具体的，上述每个门控循环网络中包括128个隐藏单元。

作为一种具体的示例，参照图2，本发明实施例基于门控循环网络搭建分析影响拉晶因素的神经网络分类模型，其中，使用隐藏层(Hidden)提取各属性的特征，通过全连接层(Fully Connected，FC)汇总提取到的特征，然后使用分类层(Classification Layer，CL)对训练数据集的时序数据进行分类。在隐藏层中，图2中x

示例性的，该模型含有128个隐藏单元，

图3为图2隐藏单元的结构，参照图3，x

u

式中，σ为sigmoid激活函数，ω

r

r

式中，σ为sigmoid激活函数，ω

h

式中，

t时刻的最终记忆内容为h

式中，(1-u

将预测结果输入至损失函数中，使用Adam优化器最小化分类损失，以更新神经网络中隐藏层的权值和全连接层的权值，直至神经网络的损失变化量小于预设值，得到神经网络分类模型。

参照图4，首先，获取工艺过程中的各个参数的时序数据，并对获取的各个参数的时序数据按照标签进行分组。然后对分组后的时序数据进行预处理，具体为，对分组后的时序数据进行归一化处理。其次，将预处理后的数据输入神经网络分裂模型中，进行GRU特征学习。最后在神经网络分类模型训练过程中，利用Adam优化器最小分类损失，使得隐藏层中的权值ω

式中，m

本发明实施例中，交叉熵作为断线因素分析神经网络分类模型的损失函数，用来评估当前训练得到的概率分布与真实分布的差异情况，也就是说熵值越小，神经网络分类模型预测的准确率越高，其函数表达式如下：

式中，ω表示神经元之间的权重，b表示神经元的偏置，N表示样本数据中的样本总数，i表示第i个样本，y

基于此，本发明实施例的每个门控循环网络均包括多个隐藏单元，例如：每个门控循环网络包括128个隐藏单元。在实际中，隐含单元数目与问题的要求、输入、输出单元的数目都有直接关系，数目太少，所获取的信息太少，出现欠拟合。数目太多，增加训练时间，容易出现过拟合，泛化能力差。本发明通过多次实现，设定隐藏单元的数目为128个，可以很好的平衡过拟合和欠拟合的问题。

再者，本发明实施例使用Adam优化器，更新神经网络分类模型中的隐藏层权值和全连接层权值，直至神经网络分类模型的损失变化量小于预设值，得到训练完成的神经网络分类模型。

Adam优化器为不同的参数设定独立的自适应学习率，使用梯度一阶矩估计和二阶矩估计动态调整学习率，每次迭代训练，学习率都有一个明确的范围，使得参数变化平稳，加快了模型学习特征的速度。故本发明实施例中训练的神经网络分类模型具有学习速度快的特点。

S103，根据特征向量与神经网络分类模型提取出的全连接层权值，确定相应工艺参数的贡献度向量。

具体的，通过上述训练好的神经网络分类模型提取全连接层的权值，也就是图2中FC层的权值。

在全连接层，将多个特征向量拼接后，与神经网络分类模型提取出的全连接层权值相乘，得到贡献度总向量。根据工艺参数的个数，将贡献度总向量进行均分，得到每个工艺参数的贡献度向量。

S104，根据每个工艺参数相应的贡献度向量，确定相应工艺参数对工艺过程的影响度。

具体的，分别获取各个工艺过程中每个工艺参数相应的贡献度向量中数值的最大值，得到每个工艺参数对应的多个最大值；

求取每个工艺参数对应的多个最大值的平均值，将平均值作为相应所述工艺参数的影响度。

在实际中，还可以将多个影响度按照大小进行降序排列，得到多个工艺参数的影响度向量。可以理解，在影响度向量中，顺序越靠前的影响度表示与之对应的工艺参数对工艺过程的影响程度越大。

作为一种具体的示例，若分析的样本数据有N个样本，则一个属性有N个贡献度向量，N个最大值，对N个最大值求均值，对其均值进行降序排列。设FC层的权值[w

式中，C′表示影响度，N表示样本数据有N个样本。本发明实施例中，神经网络分类模型中构建了128个隐藏单元，每个属性的每个样本输出128个特征值，则FC层中有128个权值与上述特征对应，对应特征乘以对应权值得到1*128维的贡献度向量；然后对该贡献度向量求最大值；最后对1300个样本的最大值求均值，得到该属性的影响度度C′。

本发明实施例将1300个样本输入神经网络模型，得到1300*768维的贡献度向量，通过plt.plot()方法将其可视化。参照图5，图中横坐标表示特征节点数，纵坐标表示特征。可以看出，贡献值在0附近波动的工艺参数对工艺过程的影响非常小，反之影响较大。图5中6个参数分别表示为f

基于上述描述，本发明实施例根据上述特征向量与神经网络分类模型提取出的全连接层权值，确定相应工艺参数的贡献度向量。根据每个工艺参数相应的贡献度向量，确定相应工艺参数对工艺过程的影响度。基于各个工艺参数对设备效率的影响度，可以准确的分析哪个工艺参数对设备效率的影响最大，从而可以通过调整该工艺参数，来提高设备的工作效率。也就是说，基于各个工艺参数对设备效率的影响度，使设备的工作效率的提高有了方向。

最后，本发明实施例相对于现有技术避免人的主观干预，使得工艺参数的优化有了方向，解决技术员不知从何入手的困境，该方法与人工逐一多次寻找影响因素的方法相比，其准确度及效率更高，且该方法可以节省人力物力财力，并且有助于提高产品成品率及产线产量。

参照图6，上述基于神经网络的工艺参数分析设备执行的动作可以作为计算机指令存储在基于神经网络的工艺参数分析设备的存储器220中，存储器220中存储的计算机指令由处理器210来执行。

基于神经网络的工艺参数分析设备200包括：处理器210和通信接口230，通信接口230和处理器210耦合，处理器210用于运行计算机程序或指令。基于神经网络的工艺参数分析设备200可以通过通信接口230与切片设备、脱胶设备、插片分选设备以及分选设备的驱动组件进行通信。

如图6所示，上述处理器210可以是一个通用中央处理器(central processingunit，CPU)，微处理器，专用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。上述通信接口230可以为一个或多个。通信接口230可使用任何收发器一类的装置，用于与其他设备或通信网络通信。

如图6所示，上述基于神经网络的工艺参数分析设备200还可以包括通信线路240。通信线路240可包括一通路，在上述组件之间传送信息。

可选的，如图6所示，基于神经网络的工艺参数分析设备200还可以包括存储器220。存储器220用于存储执行本发明方案的计算机指令，并由处理器210来控制执行。处理器210用于执行存储器220中存储的计算机指令。

如图6示，存储器220可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器220可以是独立存在，通过通信线路240与处理器210相连接。存储器220也可以和处理器210集成在一起。

可选的，本发明实施例中的计算机指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。

在具体实现中，作为一种实施例，如图6所示，处理器210可以包括一个或多个CPU，如图6中的CPU0和CPU1。

在具体实现中，作为一种实施例，如图6所示，基于神经网络的工艺参数分析设备200可以包括多个处理器210，如图6中的处理器210和处理器250。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。

本发明实施例还提供一种计算机可读存储介质。该计算机可读存储介质中存储有指令，当指令被运行时，实现上述实施例中由基于神经网络的工艺参数分析设备执行的功能。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行计算机程序或指令时，全部或部分地执行本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。