一种金融信贷风险识别方法、装置及设备

摘要

本申请公开了一种金融信贷风险识别方法、装置及设备，可应用于人工智能领域以及金融领域，能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。该方法包括：首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。

说明书

技术领域

本申请涉及人工智能技术领域，尤其涉及一种金融信贷风险识别方法、装置及设备。

背景技术

随着社会经济的高速发展，各大银行作为金融服务的中心，越来越多的客户通过银行办理各种金融信贷业务，以满足客户的日常生活需求。其中，主要办理的金融信贷业务就是贷款业务，而贷款业务是基于贷款当事人的信用为基础进行的金融业务。由于是以信用为基础，因此对于银行等金融机构来说，这笔贷款存在一定的逾期风险。能够提高对于此类金融风险的防范能力，对于银行等金融机构的长足发展有着至关重要的作用。

但是目前银行等金融机构用于识别与预测信用违约类金融风险的模型一般为单一的算法，比如决策树模型。决策树模型容易产生一种过于复杂的模型，这种模型对样本的泛化能力较弱，同时决策树模型不稳定，对于样本数据较为敏感，样本数据的微小变化可能会导致生成一种截然不同的决策树模型，导致金融信贷风险的识别结果不够准确、效率较低。因此，如何提高金融信贷风险识别结果的准确率和识别效率是目前亟待解决的问题。

发明内容

本申请实施例的主要目的在于提供一种金融信贷风险识别方法、装置及设备，能够有效提高金融信贷风险识别结果的准确率和识别效率。

第一方面，本申请实施例提供了一种金融信贷风险识别方法，所述方法包括：

获取待识别的目标用户的信贷数据；所述信贷数据包含所述目标用户的基础信息数据和信贷信息数据；

对所述目标用户的基础信息数据和信贷信息数据进行特征提取，得到所述目标用户对应的特征向量；

将所述目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到所述目标用户对应的金融信贷风险识别结果；所述金融信贷风险识别模型是基于主成分分析PCA特征选择和随机森林算法构建的。

可选的，所述金融信贷风险识别模型的构建方式如下：

获取样本用户的样本信贷数据；所述样本数据包含所述样本用户的基础信息数据和样本信贷信息数据；

对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到所述样本用户的对应的样本特征向量；

利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量；

利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型。

可选的，当所述样本特征向量为N维时，N为大于1的正整数；所述利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的综合特征变量，包括：

利用PCA方法将对具有所述N维的样本特征向量的样本信贷数据进行正交变换，转换成为具有互不相关的M维的样本综合特征变量的样本信贷数据；所述M为大于1的正整数，且N的取值大于M的取值。

可选的，所述利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型，包括：

S1：对所述具有互不相关的M维的样本综合特征变量的样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份训练样本数据，直至抽取出K份训练样本数据；所述K为大于1的正整数，且K的取值远大于M的取值；

S2：利用所述K份训练样本数据训练得到一颗决策树模型；所述决策树模型为初始金融信贷风险识别模型；

S3：重复执行步骤S1-S2，直至训练得到预设数量的决策树模型；

S4：利用所述预设数量的决策树模型，通过对预设参数进行调优，生成随机森林模型，作为金融信贷风险识别模型。

第二方面，本申请实施例还提供了一种金融信贷风险识别装置，所述装置包括：

第一获取单元，用于获取待识别的目标用户的信贷数据；所述信贷数据包含所述目标用户的基础信息数据和信贷信息数据；

第一提取单元，用于对所述目标用户的基础信息数据和信贷信息数据进行特征提取，得到所述目标用户对应的特征向量；

识别单元，用于将所述目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到所述目标用户对应的金融信贷风险识别结果；所述金融信贷风险识别模型是基于主成分分析PCA特征选择和随机森林算法构建的。

可选的，所述装置还包括：

第二获取单元，用于获取样本用户的样本信贷数据；所述样本数据包含所述样本用户的基础信息数据和样本信贷信息数据；

第二提取单元，用于对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到所述样本用户的对应的样本特征向量；

降维单元，用于利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量；

训练单元，用于利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型。

可选的，当所述样本特征向量为N维时，N为大于1的正整数；所述降维单元具体用于：

利用PCA方法将对具有所述N维的样本特征向量的样本信贷数据进行正交变换，转换成为具有互不相关的M维的样本综合特征变量的样本信贷数据；所述M为大于1的正整数，且N的取值大于M的取值。

可选的，所述训练单元包括：

抽取子单元，用于对所述具有互不相关的M维的样本综合特征变量的样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份训练样本数据，直至抽取出K份训练样本数据；所述K为大于1的正整数，且K的取值远大于M的取值；

第一训练子单元，用于利用所述K份训练样本数据训练得到一颗决策树模型；所述决策树模型为初始金融信贷风险识别模型；

第一训练子单元，用于重复调用执行抽取子单元和第一训练子单元，直至训练得到预设数量的决策树模型；

生成子单元，用于利用所述预设数量的决策树模型，通过对预设参数进行调优，生成随机森林模型，作为金融信贷风险识别模型。

本申请实施例还提供了一种金融信贷风险识别设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述金融信贷风险识别方法中的任意一种实现方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述金融信贷风险识别方法中的任意一种实现方式。

本申请实施例提供的一种金融信贷风险识别方法、装置及设备，首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后，对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着，将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。从而能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种金融信贷风险识别方法的流程示意图；

图2为本申请实施例提供的一种金融信贷风险识别装置的组成示意图。

具体实施方式

目前由于银行等金融机构用于识别与预测信用违约类金融风险的模型一般为单一的算法，比如决策树模型。决策树模型容易产生一种过于复杂的模型，这种模型对样本的泛化能力较弱，同时决策树模型不稳定，对于样本数据较为敏感，样本数据的微小变化可能会导致生成一种截然不同的决策树模型，导致金融信贷风险的识别结果不够准确、效率较低。因此，如何提高金融信贷风险识别结果的准确率和识别效率是目前亟待解决的问题。

为解决上述缺陷，本申请实施例提供了一种金融信贷风险识别方法，首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后，对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着，将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。从而能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，为本实施例提供的一种金融信贷风险识别方法的流程示意图，该方法包括以下步骤：

S101：获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据。

在本实施例中，将采用本实施例进行金融信贷风险识别的任一用户定义为目标用户。为了能够有效提高对目标用户的金融信贷风险识别结果的准确率和识别效率，本申请首先需要获取待识别的目标用户的信贷数据，用以执行后续步骤S102。其中，信贷数据包含但不限于目标用户的基础信息数据和信贷信息数据。

并且，在银行等金融机构获取到待识别的目标用户的基础信息数据和信贷信息等数据后，可以对这些数据进行预处理操作，如对一些无效数据或者缺省值进行删除或者补齐处理等，以保证数据的准确性。

S102：对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量。

在本实施例中，通过步骤S101获取到待识别的目标用户的信贷数据后，进一步的，可以对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量。具体的，可以在与金融机构的一线业务人员进行沟通交流后，利用现有或未来出现的特征提取方法，提取出用于后续进行模型识别的特征向量，用以执行后续步骤S103

S103：将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。

在本实施例中，通过步骤S102得到目标用户对应的特征向量后，进一步可以将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果，即识别出目标用户信用违约的概率或者其是否会信用违约等。

其中，金融信贷风险识别模型是基于主成分分析(Principal ComponentAnalysis，简称PCA)特征选择和随机森林算法构建的。这样，PCA特征选择方法，能够有效地将繁多的特征变量的维度降低到一定的程度，同时消除了特征之间的相关性，降低了样本空间的维度。同时随机森林算法是利用bagging思想将各种弱学习器(如决策树模型)集成起来，表现性能好，具有强泛化性，对于一些特征的缺失也不敏感，使得样本训练数据的一些变化不会对最终金融信贷风险识别模型的形成产生较大影响，模型较为稳定，识别的准确率更高。

需要说明的是，PCA是一种降维的统计方法，其原理为通过正交变换将一系列原本存在相关关系的变量，重新组合成几组不相关的综合变量。随机森林是一种机器学习算法，它是一种包含多个决策树的分类器，其最终的分类结果是由众多的决策树的结果综合而成。特征选择是指从已有特征中选择部分特征使得系统特定指标优化，即，是从原始特征中选择出一些最有效的特征以降低数据集维度的方法，也是本申请进行模型识别过程中较为关键的数据预处理步骤。

接下来，本实施例将对金融信贷风险识别模型的构建过程进行介绍，该流程包括以下步骤A-D：

步骤A：获取样本用户的样本信贷数据；其中，样本数据包含样本用户的基础信息数据和样本信贷信息数据。

在本实施例中，为了构建金融信贷风险识别模型，需要预先进行大量的准备工作，首先，需要收集获取相关贷款样本用户的样本信贷数据；其中，样本数据包含样本用户的基础信息数据和样本信贷信息数据，比如，可以预先收集100个用户的贷款请求数据信息，并对这些进行数据预处理操作，比如，对一些无效数据或者缺省值进行删除或者补齐处理等，再预先通过人工标注出这些样本用户的信用违约的概率或者是否会信用违约，用以训练金融信贷风险识别模型。

步骤B：对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到样本用户的对应的样本特征向量。

通过步骤A获取到样本用户的样本信贷数据后，并不能直接用于训练生成金融信贷风险识别模型，而是需要对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到样本用户的对应的样本特征向量，在特征提取过程中，可以与一线业务人员进行沟通交流，选择出现训练识别模型所需要的特征为哪些变量，进而可以利用提取出的样本特征向量，训练得到金融信贷风险识别模型。

步骤C：利用PCA方法对样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量。

通过步骤B对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到样本用户的对应的样本特征向量后，进一步可以通过PCA方法，对样本特征向量进行降维，并从中提取出若干相关性较低的综合特征，再通过后续步骤D利用随机森林算法建立金融信贷风险识别模型。

具体来讲，一种可选的实现方式是，当样本特征向量为N维时，可以利用PCA方法，对具有N维特征的数据集进行正交变换，转换成为具有互不相关的M维的样本综合特征变量的样本信贷数据。特征变量也将从N维具有一定相关关系的变量降维成M维互不相关的综合特征属性。其中，M为大于1的正整数，N为大于1的正整数，且N的取值大于M的取值

其中，PCA方法的降维原理如下：

输入：n维样本集D＝(x

输出：降维后的样本集D′。

(1)对所有样本进行中心化：

(2)计算样本的协方差矩阵XX′。

(3)对矩阵XX′进行特征值分解。

(4)取出最大n′个特征值对应的特征向量(ω

(5)对样本集中的每个样本x

(6)得到输出样本D′＝(z

其中，

这样，通过PCA方法能够有效降低特征维度，减少了特征矩阵过大、计算量多、模型训练时间较长的问题，提高了模型的训练速度，降维产生的若干不相关的特征对提高后续算法预测的准确性也存在重要作用。

步骤D：利用随机森林算法和样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型。

通过步骤C利用PCA方法对样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量后，进一步可以通过编写随机森林算法的代码，结合样本综合特征变量对初始金融信贷风险识别模型进行训练，并根据训练中的结果，调整模型深度等参数，生成随机森林模型，作为金融信贷风险识别模型。

具体来讲，一种可选的实现方式是，步骤D的实现过程具体可以包括下述步骤S1-S4：

步骤S1：对具有互不相关的M维的样本综合特征变量的样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份训练样本数据，直至抽取出K份训练样本数据；其中，K为大于1的正整数，且K的取值远大于M的取值。

在本实现方式中，在得到具有互不相关的M维的样本综合特征变量的样本信贷数据后，进一步可以对这些样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份模型训练所需要的训练样本数据，直至抽取出K份训练样本数据，用以执行后续步骤S2。其中，K为大于1的正整数，且K的取值远大于M的取值，即，特征维度远远小于抽取出来的样本数据数量。

步骤S2：利用K份训练样本数据训练得到一颗决策树模型；其中，决策树模型为初始金融信贷风险识别模型。

在通过步骤S1抽取出K份训练样本数据后，进一步可以利用这K份训练样本数据训练一颗决策树模型(初始金融信贷风险识别模型)，且在决策树的训练过程中，不需要进行剪枝处理。

步骤S3：重复执行步骤S1-S2，直至训练得到预设数量的决策树模型。

其中，预设数量的具体取值可根据实际情况进行设定，本申请对此不进行限定，比如可以将预设数量取值为50等。

步骤S4：利用预设数量的决策树模型，通过对预设参数进行调优，生成随机森林模型，作为金融信贷风险识别模型。

利用训练得到预设数量的决策树模型，通过对n_estimators、max_depth、min_sample_leaf、min_sample_split、max_features、criterion等参数的调优过程，最终可以形成一个泛化性好、预测准确性高的随机森林模型，作为金融信贷风险识别模型。

其中，随机森林算法原理如下：

(1)假设存在数据集D{x

(2)构建决策树：利用抽样样本d

(3)最终构建出一个强分类器：

这样，利用随机森林算法通过bagging多个弱学习器(即本申请中的决策树模型)，可以提高金融信贷风险识别模型的泛化能力和预测能力。同时，这种集成的算法可以处理很高维度的数据，特征子集经过随机抽取可以得到特征重要度，训练速度快，容易并行化，能够有效降低银行等金融机构对于贷款等信用违约金融风险识别所花费的成本。

综上，本实施例提供的一种金融信贷风险识别方法，首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后，对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着，将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。从而能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。

本实施例将对一种金融信贷风险识别装置进行介绍，相关内容请参见上述方法实施例。

参见图2，为本实施例提供的一种金融信贷风险识别装置的组成示意图，具体包括：

第一获取单元201，用于获取待识别的目标用户的信贷数据；所述信贷数据包含所述目标用户的基础信息数据和信贷信息数据；

第一提取单元202，用于对所述目标用户的基础信息数据和信贷信息数据进行特征提取，得到所述目标用户对应的特征向量；

识别单元203，用于将所述目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到所述目标用户对应的金融信贷风险识别结果；所述金融信贷风险识别模型是基于主成分分析PCA特征选择和随机森林算法构建的。

在本实施例的一种实现方式中，所述装置还包括：

第二获取单元，用于获取样本用户的样本信贷数据；所述样本数据包含所述样本用户的基础信息数据和样本信贷信息数据；

第二提取单元，用于对样本用户的基础信息数据和样本信贷信息数据进行特征提取，得到所述样本用户的对应的样本特征向量；

降维单元，用于利用PCA方法对所述样本特征向量进行特征选择，降维生成互不相关的样本综合特征变量；

训练单元，用于利用随机森林算法和所述样本综合特征变量对初始金融信贷风险识别模型进行训练，生成随机森林模型，作为金融信贷风险识别模型。

在本实施例的一种实现方式中，当所述样本特征向量为N维时，N为大于1的正整数；所述降维单元具体用于：

利用PCA方法将对具有所述N维的样本特征向量的样本信贷数据进行正交变换，转换成为具有互不相关的M维的样本综合特征变量的样本信贷数据；所述M为大于1的正整数，且N的取值大于M的取值。

在本实施例的一种实现方式中，所述训练单元包括：

抽取子单元，用于对所述具有互不相关的M维的样本综合特征变量的样本信贷数据进行有放回的随机抽样，每抽取出一个M维的样本综合特征变量所对应的样本信贷数据均作为一份训练样本数据，直至抽取出K份训练样本数据；所述K为大于1的正整数，且K的取值远大于M的取值；

第一训练子单元，用于利用所述K份训练样本数据训练得到一颗决策树模型；所述决策树模型为初始金融信贷风险识别模型；

第一训练子单元，用于重复调用执行抽取子单元和第一训练子单元，直至训练得到预设数量的决策树模型；

生成子单元，用于利用所述预设数量的决策树模型，通过对预设参数进行调优，生成随机森林模型，作为金融信贷风险识别模型。

综上，本实施例提供的一种金融信贷风险识别装置，首先获取待识别的目标用户的信贷数据；其中，信贷数据包含目标用户的基础信息数据和信贷信息数据，然后，对目标用户的基础信息数据和信贷信息数据进行特征提取，得到目标用户对应的特征向量，接着，将目标用户对应的特征向量输入至预先构建的金融信贷风险识别模型，得到目标用户对应的金融信贷风险识别结果；其中，金融信贷风险识别模型是基于PCA特征选择和随机森林算法构建的。从而能够利用基于PCA特征选择和随机森林算法构建的金融信贷风险识别模型，实现对金融信贷风险的快速、准确识别，大幅度提高了金融信贷风险识别结果的准确率和识别效率。

进一步地，本申请实施例还提供了一种金融信贷风险识别设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述金融信贷风险识别方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述金融信贷风险识别方法的任一种实现方法。

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上述实施例方法中的全部或部分步骤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，本申请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，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，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。对于实施例公开的装置而言，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。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

另外，需要说明的是，本发明提供的金融信贷风险识别方法、装置及设备可用于人工智能领域以及金融领域。上述仅为示例，并不对本发明提供的金融信贷风险识别方法、装置及设备的应用领域进行限定。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。