一种基于联邦学习的建筑物楼层室内定位方法

摘要

本发明提供的一种基于联邦学习的建筑物楼层室内定位方法，利用由一个边缘服务器以及多个移动客户端共同参与的分布式深度学习技术来构建射频指纹定位模型。服务器首先进行模型初始化并利用其少量指纹数据进行集中式预训练，各个客户端使用其本地指纹数据进行进一步的模型训练，随后将训练好的本地模型传输至服务器，服务器对从各个客户端收集来的本地模型进行聚合，得到用于射频指纹定位的全局模型。本发明采用了含预训练的联邦学习训练方法结合基于卷积神经网络的射频指纹定位方法，将数据采集和模型训练任务分配至各个客户端，分散了模型训练开销、降低了数据采集及存储成本、并保护了客户端的位置数据隐私，同时还保证了训练效率和定位效果。

说明书

技术领域

本发明涉及热电联燃气轮机技术领域，尤其涉及一种基于联邦学习的建筑物楼层室内定位方法。

背景技术

室内定位需求随着移动和物联网设备的普及而日益增加。室内定位方法按照定位技术可以大致分为：基于射频指纹的方法(Fingerprint)，基于到达角的方法(Angle ofArrival,AOA)，基于到达时间的方法(Time of Arrival,TOA)，基于到达时间差的方法(Time Difference of Arrival,TDoA)，基于往返时间的方法(Return Time of Flight，RToF)以及基于到达相位的方法(Phase of Arrival,PoA)。实现这些方法可利用的无线射频信号包括：WiFi信号、Bluetooth信号、UWB信号、ZigBee信号、RFID信号、光电信号、磁信号等。

在这几类方法中，有一些需要额外的复杂硬件支持，有一些需要严格的时间同步，从而极大地增加了室内定位成本。基于射频指纹的室内定位方法首先在离线构建阶段，要求收集足量带位置标签的射频指纹数据(如WiFi接收信号强度组)并据此构建指纹地图数据库或训练深度学习定位模型；进而在在线使用阶段，要求用户提交其当前的射频指纹样本以用于输入指纹数据库进行对比或输入定位模型进行预测，从而得到其所在位置。近年来，随着人工智能时代的到来，深度学习技术已在射频指纹室内定位领域中占据了主导地位。

但是，在动态多变的较大室内环境中利用传统的集中式深度学习技术实现精确的室内定位依然面临着挑战，主要概括为如下几方面问题：

(1)模型训练开销大问题：室内环境往往动态多变，如家具移动、人员走动、信号源增减等，这会使无线射频信号的路径衰减、环境反射、多径传播等产生显著变化，进而导致原始指纹训练数据和现有定位模型不再准确描述相关区域。为了应对室内环境变化，需要频繁地进行深度学习模型重复训练，由此会产生较大模型训练开销。

(2)数据采集成本高问题：由于室内环境动态多变，保持室内定位的高精度不得不要求频繁地更新用于模型训练校准的射频指纹数据，这会产生较大的数据采集成本。尤其对于较大型的三维室内环境来讲，如校园、厂区等多建筑物多楼层综合体，频繁大量地更新指纹训练数据所产生的数据采集成本往往过大。除了人工成本之外，将大量原始指纹数据更新不断上传汇总至训练服务器所产生的通信成本也往往较大。

(3)数据存储成本及隐私成本高问题：近年来提出的移动群智感知方法可以有效地降低较大室内环境中的数据采集成本，但参与感知的客户端将本地采集到的射频指纹数据复制到训练服务器会同时在服务器和客户端产生一定的数据存储成本。此外，带位置标签的射频指纹数据包含采集者的位置隐私信息，因此相应的较大数据隐私成本会使客户端降低与服务器分享其本地指纹数据的意愿。

发明内容

本发明的实施例提供了一种基于联邦学习的建筑物楼层室内定位方法，用于解决现有技术中存在的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于联邦学习的建筑物楼层室内定位方法，包括：

S1服务器建立具有自身位置标签的服务器本地射频指纹数据集；

S2服务器基于该服务器本地射频指纹数据集，建立深度学习网络模型；深度学习网络模型包括编码解码模型和卷积神经网络模型；

S3服务器基于服务器本地射频指纹数据集对该编码解码模型进行集中预训练，并将该集中预训练后的编码解码模型发送到各个客户端，使得每个客户端基于自建的具有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的集中预训练后的编码解码模型进行联邦训练，获得第一局部模型；

S4服务器接收到每个客户端发送的第一局部模型，对该多个第一局部模型进行聚合，获得编码解码模型的全局模型；

S5服务器将该编码解码模型的全局模型发送到各个客户端，使得每个客户端基于自建的有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的编码解码模型的全局模型进行联邦训练，获得更新的第一局部模型，并将该更新的第一局部模型发送到服务器；服务器对接收到的更新的第一局部模型进行聚合，获得更新的编码解码模型的全局模型；重复本步骤的过程，直至编码解码模型的全局模型收敛；

S6服务器基于服务器本地射频指纹数据集对卷积神经网络模型进行集中预训练，并将该集中预训练后的卷积神经网络模型发送到各个客户端，使得每个客户端基于自建的具有该个客户端自身位置标签的客户端本地射频指纹数据集，共同对服务器发送的集中预训练后的卷积神经网络模型进行联邦训练，获得第二局部模型；

S7服务器接收到每个客户端发送的第二局部模型，对该多个第二局部模型进行聚合，获得卷积神经网络模型的全局模型；

S8服务器将该卷积神经网络模型的全局模型发送到各个客户端，使得每个客户端基于自建的有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的卷积神经网络模型的全局模型进行联邦训练，获得更新的第二局部模型，并将该更新的第二局部模型发送到服务器；服务器对接收到的更新的第二局部模型进行聚合，获得更新的卷积神经网络模型的全局模型；重复本步骤的过程，直至卷积神经网络模型的全局模型收敛；

收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型用于预测用户所处建筑物编号以及楼层编号。

优选地，服务器本地射频指纹数据集包括服务器使用的集中式预训练数据；客户端本地射频指纹数据集包括每个客户端独自使用的本地训练数据。

优选地，步骤S1中还包括对服务器本地射频指纹数据集中的数据进行预处理，具体包括：

服务器获得接收的射频指纹本地数据的最小RSS值；

服务器基于接收的射频指纹本地数据的最小RSS值，获得全局最小RSS值；

服务器通过式

对射频指纹数据集的RSS值进行幂处理；式中，Min为全局最小RSS值；α>1为一个常数，如自然对数e。

优选地，对编码解码模型和卷积神经网络模型进行集中式预训练和联邦训练的过程中，学习率为0.001。

优选地，卷积神经网络模型具有一维卷积的卷积核架构，该卷积核架构包括三次卷积操作，第一次卷积操作卷积核大小为22，共99个卷积核，第二次卷积操作卷积核大小为22，共66个卷积核，第三次卷积操作卷积核大小为22，共33个卷积核；每次卷积操作的步长为1。

优选地，还包括：

S7服务器向一个或多个客户端发送收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型，使得该一个或多个客户端能通过收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型进行建筑物编号以及楼层编号的预测。

第二方面，本发明提供一种基于联邦学习的建筑物楼层室内定位方法，包括：

E1各个客户端建立具有自身位置标签的客户端本地射频指纹数据集；

E2各个客户端接收到服务器发送的集中预训练后的编码解码模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的集中预训练后的编码解码模型进行联邦训练，获得第一局部模型，并发送到服务器，使得服务器能够对各个客户端发送的第一局部模型进行聚合获得编码解码模型的全局模型；

E3各个客户端接收到服务器发送的编码解码模型的全局模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的编码解码模型的全局模型进行联邦训练，获得更新的第一局部模型，并发送到服务器，使得服务器能够对各个客户端发送的更新的第一局部模型进行聚合获得更新的编码解码模型的全局模型；重复本步骤的过程，直至编码解码模型的全局模型收敛；

E4各个客户端接收到服务器发送的集中预训练后的卷积神经网络模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的集中预训练后的卷积神经网络模型进行联邦训练，获得第二局部模型，并发送到服务器，使得服务器能够对各个客户端发送的第二局部模型进行聚合获得卷积神经网络模型的全局模型；

E5各个客户端接收到服务器发送的卷积神经网络模型的全局模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的卷积神经网络模型的全局模型进行联邦训练，获得更新的第二局部模型，并发送到服务器，使得服务器能够对各个客户端发送的更新的第二局部模型进行聚合获得更新的卷积神经网络模型的全局模型；重复本步骤的过程，直至卷积神经网络模型的全局模型收敛；

收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型用于预测用户所处建筑物编号以及楼层编号。

由上述本发明的实施例提供的技术方案可以看出，本法明提供的一种基于联邦学习的建筑物楼层室内定位方法，通过含集中式预训练的联邦学习训练方法对建筑物楼层定位模型进行训练，随后通过此定位模型对用户所处建筑物编号以及楼层编号进行预测，既可以有效地降低数据采集及存储成本，又可以保证客户端的位置隐私不被泄露。同时，该方法中采用了首先通过自编码器进行特征提取再通过一维卷积神经网络进行多标签分类的定位方式，在使用联邦学习的基础上有效地保证了建筑物楼层定位的准确率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的处理流程图；

图2为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的一种优选实施例的流程图；

图3为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法中的用于建筑物以及楼层分类的卷积神经网络模型；

图4为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的获取全局最小接收信号强度值(RSS)的通信流程示意图；

图5为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的定位模型的集中式预训练及联邦训练总体流程示意图；

图6为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的单轮联邦训练流程示意图；

图7为本发明提供的一种基于联邦学习的建筑物楼层室内定位方法的显示服务器与客户端完整交互过程的示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

参见图1，本发明提供一种基于联邦学习的建筑物楼层室内定位方法，显示服务器一侧的处理过程，其包括如下步骤：

S1服务器建立具有自身位置标签的服务器本地射频指纹数据集；

S2服务器基于该服务器本地射频指纹数据集，建立深度学习网络模型；深度学习网络模型包括编码解码模型和卷积神经网络模型；

S3服务器基于服务器本地射频指纹数据集对该编码解码模型进行集中预训练，并将该集中预训练后的编码解码模型发送到各个客户端，使得每个客户端基于自建的具有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的集中预训练后的编码解码模型进行联邦训练，获得第一局部模型；

S4服务器接收到每个客户端发送的第一局部模型，对该多个第一局部模型进行聚合，获得编码解码模型的全局模型；

S5服务器将该编码解码模型的全局模型发送到各个客户端，使得每个客户端基于自建的有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的编码解码模型的全局模型进行联邦训练，获得更新的第一局部模型，并将该更新的第一局部模型发送到服务器；服务器对接收到的更新的第一局部模型进行聚合，获得更新的编码解码模型的全局模型；多次地重复本步骤的过程进行迭代，直至所述编码解码模型的全局模型收敛；

S6服务器基于服务器本地射频指纹数据集对所述卷积神经网络模型进行集中预训练，并将该集中预训练后的卷积神经网络模型发送到各个客户端，使得每个客户端基于自建的具有该个客户端自身位置标签的客户端本地射频指纹数据集，共同对服务器发送的集中预训练后的卷积神经网络模型进行联邦训练，获得第二局部模型；

S7服务器接收到每个客户端发送的第二局部模型，对该多个第二局部模型进行聚合，获得卷积神经网络模型的全局模型；

S8服务器将该卷积神经网络模型的全局模型发送到各个客户端，使得每个客户端基于自建的有该个客户端自身位置标签的客户端本地射频指纹数据集，同时对各自接收的卷积神经网络模型的全局模型进行联邦训练，获得更新的第二局部模型，并将该更新的第二局部模型发送到服务器；服务器对接收到的更新的第二局部模型进行聚合，获得更新的卷积神经网络模型的全局模型；多次地重复本步骤的过程进行迭代，直至所述卷积神经网络模型的全局模型收敛。

上述的迭代过程的次数可以适当设置。

收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型用于预测用户所处建筑物编号以及楼层编号。

应当理解的是，上述的联邦训练过程，是指每个客户端相对独自地对接收到的局部模型、全局模型、上轮聚合后的全局模型进行训练，并且所有客户端同时执行训练过程。

在本发明提供的优选实施例中，服务器和客户端自建的具有位置标签的射频指纹数据集分为两大部分：一部分为边缘服务器使用的集中式预训练数据；另一部分为每个客户端独自使用的本地训练数据。客户端之间的数据分布可能有独立同分布或非独立同分布两种情况：独立同分布反映了每个客户端均在整个区域内进行均匀采样的情况；非独立同分布反映了每个客户端基于各自位置偏好进行非均匀采样的情况。

进一步的，在步骤S2中，建立了基于多标签分类的卷积神经网络模型，网络模型图如图3所示。其中，前一部分为自编码器部分，后一部分为卷积核。

在一些改进实施例中，减少随环境波动的RSS值对弱指纹信号的影响，步骤S1中还具有对自建的射频指纹数据集的数据进行预处理的过程，其为服务器以及各个客户端相互通信以找出射频指纹数据中的全局最小RSS值，其通信过程如图4所示。具体包括：

服务器和每个客户端找出各自所接收的射频指纹本地数据的最小RSS值，客户端再将其发送给服务器；

服务器基于每个客户端接收的射频指纹本地数据的最小RSS值，获得全局最小RSS值；

服务器通过式

对射频指纹数据集的RSS值进行统一幂处理；式中，Min为全局最小RSS值；α>1为一个常数，如自然对数e。

在本发明提供的优选实施例中，步骤S3和S6的模型训练阶段，分为集中式预训练和联邦训练过程。首先对FedCNN-BFC方法模型的自编码器进行训练。为此首先构造编码解码模型，随后对编码解码模型先后进行集中式预训练和联邦训练。训练完成后，使用训练得到的编码器部分参数来初始化FedCNN-BFC模型的编码部分，对模型其余部分进行随机初始化。最后对FedCNN-BFC模型进行集中式预训练以及联邦训练。本步骤描述的流程如图5所示。

完成上述步骤之后，服务器将聚合好的全局模型分发至各个客户端，供用户进行建筑物编号以及楼层编号定位使用。

第二方面，本发明提供一种基于联邦学习的建筑物楼层室内定位方法，显示客户端一侧的处理过程，具体包括如下步骤：

E1各个客户端建立具有自身位置标签的客户端本地射频指纹数据集；

E2各个客户端接收到服务器发送的集中预训练后的编码解码模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的集中预训练后的编码解码模型进行联邦训练，获得第一局部模型，并发送到服务器，使得服务器能够对各个客户端发送的第一局部模型进行聚合获得编码解码模型的全局模型；

E3各个客户端接收到服务器发送的编码解码模型的全局模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的编码解码模型的全局模型进行联邦训练，获得更新的第一局部模型，并发送到服务器，使得服务器能够对各个客户端发送的更新的第一局部模型进行聚合获得更新的编码解码模型的全局模型；重复本步骤的过程，直至编码解码模型的全局模型收敛；

E4各个客户端接收到服务器发送的集中预训练后的卷积神经网络模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的集中预训练后的卷积神经网络模型进行联邦训练，获得第二局部模型，并发送到服务器，使得服务器能够对各个客户端发送的第二局部模型进行聚合获得卷积神经网络模型的全局模型；

E5各个客户端接收到服务器发送的卷积神经网络模型的全局模型，各个客户端基于各自的客户端本地射频指纹数据集，同时对各自接收到的卷积神经网络模型的全局模型进行联邦训练，获得更新的第二局部模型，并发送到服务器，使得服务器能够对各个客户端发送的更新的第二局部模型进行聚合获得更新的卷积神经网络模型的全局模型；重复本步骤的过程，直至卷积神经网络模型的全局模型收敛。

应当理解的是，上述的联邦训练过程，是指每个客户端相对独自地对接收到的局部模型、全局模型、上轮聚合后的全局模型进行训练，并且所有客户端同时执行训练过程。

收敛的编码解码模型的全局模型和卷积神经网络模型的全局模型用于预测用户所处建筑物编号以及楼层编号。

图6显示了服务器和客户端的完整的交互过程。

本发明还提供一个实施例，用于显示执行了本发明提供的定位方法进行定位的效果。

进行实验时选择了利用UJIIndoorLoc数据集来模拟进行定位模型的集中式预训练和联邦训练。将训练数据集分为两部分：小部分数据用于服务器的集中式预训练；其他大部分数据用于客户端的联邦训练，实验中将这部分数据分配给15个客户端，每个客户端900条数据。客户端数据分配分别模拟了独立同分布和非独立同分布情况：独立同分布分配方式假设各个客户端均在整个区域内进行均匀随机采样；非独立同分布分配方式假设各个客户端基于各自位置偏好进行非均匀采样。

在步骤二中，FedCNN-BFC模型自编码器部分将每条数据的520个特征压缩提取为64个，随后输入卷积部分。卷积部分的卷积核使用的是一维卷积，共分为三次一维卷积过程。第一次一维卷积的核大小为22，共99个卷积核；第二次一维卷积的核大小为22，共66个卷积核；第三次一维卷积的核大小为22，共33个卷积核，每次卷积操作的步长均为1。

训练编码解码模型时使用的损失函数为MSELoss，在训练FedCNN-BFC整体模型时使用的损失函数为BCELoss。

为了验证提出方法的定位效果，将提出的基于联邦学习的建筑物楼层分类方法FedCNN-BFC与现有的基于集中式深度学习的建筑物楼层分类方法进行了比较，将此方法记为CenDNN-BFC(Centralized DNN for Building and Floor Classification)。分别在客户端持有独立同分布以及非独立同分布数据情况下，通过比较可以看出本发明提出的分布式联邦学习方法的定位精度均十分接近现有集中式深度学习方法的定位精度。考虑到本方法可降低数据采集和存储成本并且保护客户端位置隐私，因此在解决射频指纹室内定位的建筑物楼层分类问题上，本方法更具有优越性。

表1客户端数据独立同分布时的定位准确率

表2客户端非独立同分布时的定位准确率

表1为各个客户端持有独立同分布数据时对模型训练完成后定位模型的测试效果，共有15个客户端参与整体训练，每一轮训练选择10个客户端参与，并分为了四种客户端训练掉队情况，掉队0％-30％。掉队情况具体描述如图5。表2为各个客户端持有非独立同分布数据时对模型训练完成后定位模型的测试效果，同样分为了四种客户端训练掉队情况。由上表可以看出，基于联邦学习的建筑物楼层分类方法在降低数据采集及存储成本并且保护客户端位置隐私的前提下，其测试准确率十分接近集中式方法的准确率。这体现出了本发明提出方法的优越性。

综上所述，本发明提供的一种基于联邦学习的建筑物楼层室内定位方法，针对含多建筑物多楼层的三维室内环境，利用由一个边缘服务器以及多个移动客户端共同参与的分布式深度学习技术来构建射频指纹定位模型。在位置指纹数据采集过程中，服务器一方只需要提供极少量训练数据，而绝大多数训练数据来自客户端一方的参与贡献。在定位模型训练过程中，服务器首先进行模型初始化并利用其少量指纹数据进行集中式预训练。集中式预训练完成后，服务器将所得模型分配给各个客户端。基于收到的预训练模型，各个客户端使用其本地指纹数据进行进一步的模型训练，随后将训练好的本地模型传输至服务器。在本轮训练最后，服务器对从各个客户端收集来的本地模型进行聚合，得到用于射频指纹定位的全局模型。为了保证训练质量，服务器再次将所得模型发送给各个客户端以进行下一轮的模型训练，更新本地模型，直至达到一定的训练轮数为止。本发明采用了含预训练的联邦学习训练方法结合基于卷积神经网络的射频指纹定位方法，将数据采集和模型训练任务分配至各个客户端，分散了模型训练开销、降低了数据采集及存储成本、并保护了客户端的位置数据隐私，同时还保证了训练效率和定位效果。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。