提高空调舒适性的控制方法、装置及空调与流程

本发明涉及空调智能控制
技术领域：
，具体涉及一种提高空调舒适性的控制方法、装置及空调。
背景技术：
：空调作为改善人们生活质量的一种工业制品，正渗透到生活的各个角落。空气调节又称空气调理，简称空调。用人为的方法处理室内空气的温度、湿度、洁净度和气流分布的技术。可使某些场所获得具有一定温度和一定湿度的空气，以满足使用者及生产过程的要求和改善劳动卫生和室内气候条件。空调舒适性的好坏直接影响用户对产品评价的好坏。市场上大部分空调都声称具备提高舒适性功能，但实际使用的过程中，效果不佳。相关技术中，在提高空调舒适性体验方面，一般采用实时检测室内环境温度和设置阈值的方式，将实时检测的室内环境温度与设置的阈值比较，根据比较结果进行相应调整，调整方案一般是根据专家经验设定的，或者，舒适性模式由用户本身反馈。但是，当室内出现多个用户时，由于用户个体存在差异，上述方法并不能区分多用户使用需求，在多用户的整体满意度上并不理想。技术实现要素：为至少在一定程度上克服相关技术中存在的问题，本发明提供一种提高空调舒适性的控制方法、装置及空调。根据本发明实施例的第一方面，提供一种提高空调舒适性的控制方法，包括：获取用户个性化数据及环境数据；根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；根据所述一次修正后的舒适性参数确定最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。优选地，所述根据所述一次修正后的舒适性参数确定最终的舒适性参数，包括：将所述一次修正后的舒适性参数确定为最终的舒适性参数；或者，获取用户对环境的实时反馈数据，并根据所述实时反馈数据和所述一次修正后的舒适性参数得到二次修正后的舒适性参数，将所述二次修正后的舒适性参数确定为最终的舒适性参数。优选地，所述根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数，包括：根据所述优先级信息计算每个用户的舒适性相对于所有用户的舒适性的比重值；根据所述每个用户的舒适性所对应的比重值和每个用户的初步的舒适性参数，以及待计算的舒适性参数构建目标函数；对所述目标函数进行最优化求解，将目标函数最优时所对应的舒适性参数确定为一次修正后的舒适性参数。优选地，所述根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，包括：根据预存的用户分级模型，在各个层级上对用户进行分组并对各个分组进行排序；根据排序结果确定每个用户的优先级信息。优选地，所述控制方法，还包括：在当前室内为单目标用户时，将单目标用户的初步的舒适性参数确定为一次修正后的舒适性参数。优选地，所述实时反馈数据为用户反馈的舒适性参数，所述根据所述实时反馈数据和所述一次修正后的舒适性参数得到二次修正后的舒适性参数，包括：计算记录的上一时刻采用的最终的舒适性参数与所述实时反馈数据之间的差值；对所述差值与所述一次修正后的舒适性参数进行加权求和，将加权求和值确定为二次修正后的舒适性参数。优选地，所述加权求和时采用的权重值为预先设置的固定值，且所述差值所对应的权重值大于所述一次修正后的舒适性参数所对应的权重值。优选地，所述舒适性参数包括如下项中的至少一项：压缩机转速、风速、膨胀阀开度调节值。根据本发明实施例的第二方面，提供一种提高空调舒适性的控制装置，包括：获取模块，用于获取用户个性化数据及环境数据；舒适性参数初步获取模块，用于根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；舒适性参数修正模块，用于在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；控制模块，用于根据所述一次修正后的舒适性参数确定最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。优选地，所述控制模块具体用于：将所述一次修正后的舒适性参数确定为最终的舒适性参数；或者，获取用户对环境的实时反馈数据，并根据所述实时反馈数据和所述一次修正后的舒适性参数得到二次修正后的舒适性参数，将所述二次修正后的舒适性参数确定为最终的舒适性参数。根据本发明实施例的第三方面，提供一种空调，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取用户个性化数据及环境数据；根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；根据所述一次修正后的舒适性参数确定最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。本发明的实施例提供的技术方案可以包括以下有益效果：本发明提供的技术方案，根据获取到的用户个性化数据，通过用户分级模型对室内多目标用户进行分级，并根据分级得到的优先级信息对多目标用户的初步的舒适性参数进行修正，使得多目标用户的舒适性需求以优先级信息为依据得到不同比重的考虑，从而兼顾了室内多目标用户在使用空调的过程中的差异化需求。本发明兼顾考虑了不同用户的利益，在用户分级的基础上，能够使多目标用户舒适性需求得到兼顾和平衡。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。图1是根据一示例性实施例示出的一种提高空调舒适性的控制方法的流程图；图2是根据另一示例性实施例示出的一种提高空调舒适性的控制方法的流程图；图3是根据另一示例性实施例示出的一种提高空调舒适性的控制方法的流程步骤框图；图4是根据一示例性实施例示出的一种提高空调舒适性的控制设备的示意框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种提高空调舒适性的控制方法的流程图，如图1所示，该方法包括以下步骤：步骤s11、获取用户个性化数据及环境数据；步骤s12、根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；步骤s13、在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；步骤s14、将所述一次修正后的舒适性参数确定为最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。优选地，所述舒适性参数包括如下项中的至少一项：压缩机转速、风速、膨胀阀开度调节值。需要说明的是，所述环境数据数据包括但不限于：室内环境数据和室外环境数据，例如室内室外的温度、湿度、风速、空气质量等；所述环境数据数据可以从安装在室内室外的温湿度传感器、风速传感器、空气质量检测仪等设备获取。所述用户个性化数据包括但不限于用户属性数据和用户实时数据，其中，用户属性数据包括但不限于：用户身高、体重、性别、年龄、体质(如是否为孕妇、是否属于怕冷体质)、健康状况、职业等；用户实时数据包括但不限于：实时运动量、用户舒适度实时反馈数据等。所述用户个性化数据可以通过智能终端、用户个人数据api接口、公众信息平台、智能穿戴终端或智能家居系统等获取。以智能终端为例，用户通过智能终端输入自己的用户个性化数据，或者用户给智能终端授权，智能终端从联网的微信系统、qq系统、社保系统、派出所的户籍管理系统等社交平台或用户信息管理平台获取用户个性化数据。其中，所述智能终端包括但不限于手机、平板电脑、笔记本电脑、空调的智能遥控器和空调上的嵌入式智能控制电脑。优选地，所述步骤s11获取的数据还包括互联网辅助数据，所述互联网辅助数据包括但不限于：从互联网获取的哪些用户个性化数据对用户舒适性影响程度大，从互联网获取的不同人群的舒适性参数推荐数据，舒适性预测模型数据等。所述互联网辅助数据主要用于帮助用户建立舒适性预测模型和用户分级模型。所述步骤s12中，预存的舒适性预测模型是预先建立完成的。舒适性预测模型可以由训练模块通过训练建立完成，训练模块可部署在云端服务器或本地高性能计算智能终端上。模型训练的主要方法包括但不限于：bp(backpropagation，反相传播)神经网络、残差网络、rnn神经网络(recurrentneuralnetworks，循环神经网络)、强化学习等。舒适性预测模块的输入主要为用户个性化数据和环境数据，输出为舒适性参数，在训练阶段，可以收集大量的用户个性化数据和环境数据以及对应的舒适性参数，通过上述的神经网络等训练方法训练得到舒适性预测模型。收集数据时，用户个性化数据和环境数据以及对应的舒适性参数可以是已有的经验数据，或者，也可以通过互联网辅助数据确定。模型训练稳定后，可以将模型训练的相关数据进行异地备份并定期同步更新，防止模型训练出现异常，导致模型预测崩溃。可以理解的是，舒适性预测模型的具体训练方式可以参见已有技术，在此不再详述。在模型训练完成后，可以将该模型应用到预测阶段，预测阶段可以由预测模块完成，即，预测模块中存储有舒适性预测模型，模型预测的输入数据主要为实时的用户个性化数据和环境数据，输出为舒适性参数，该输出的舒适性参数可以称为用户的初步的舒适性参数。所述步骤s13中，室内为多目标用户还是单目标用户，可以根据现有技术进行判断，例如可以通过在室内安装红外人体探测装置或者图像采集装置，再结合运动目标跟踪技术判断出当前室内是单目标用户还是多目标用户。由于该技术为现有技术，不在本发明的保护范围内，故在此不再赘述。另外，由于步骤s11中获取的用户个性化数据都是有用户属性的，也可以根据获取到的用户个性化数据所属的用户数量进行判断当前室内是单目标用户还是多目标用户。在步骤s13中，若当前室内为单目标用户，将单目标用户的初步的舒适性参数直接确定为一次修正后的舒适性参数，无需先确定该单目标用户的优先级信息，再根据所述优先级信息对该单目标用户的初步的舒适性参数进行修正。在步骤s13中，若当前室内是多目标用户，先根据以下步骤确定每个用户的优先级信息：根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，包括：根据预存的用户分级模型，在各个层级上对用户进行分组并对各个分组进行排序；根据排序结果确定每个用户的优先级信息。比如，室内共有6个用户，分别用a、b、c、d、e、f表示，各个用户的用户个性化数据如表1所示：表1用户用户个性化数据a年龄67，性别男，有风湿病，怕冷，常设制冷温度:27～29℃......b年龄60，性别女，怕冷，常设制冷温度：26～29℃…….c年龄38，性别男，怕热，常设制冷温度：24～26℃……d年龄36，性别女，怀孕，怕热，常设制冷温度：26～27℃……e年龄15，性别女，怕热，常设制冷温度：22～25℃f年龄12，性别男，怕热，常设制冷温度：23～27℃表2其中，用户分级模型可以定义各个层级上的分组依据和排序依据，因此，根据用户分级模型可以对用户进行分组和排序。比如，用户分级模型中已定义第一层级上的分组依据是依据体质和身体状态相关的参数进行分组，具体参数包括表1的年龄、是否特殊体质(如怕冷，空调多数情况下使用制冷模式)、是否有病(如有风湿病)、是否怀孕(如怀孕)这三个参数，在第一层级上将年龄较大的怕冷的、有病和怀孕的人划分为一组，其余人划分为另一组，则如表2所示的，在第一层级上将用户划分为特殊人群和普通人群，特殊人群包括a、b、d，普通人群包括c、e、f。另外，用户分级模型中还可以定义按照优先级从高到低的顺序，将特殊人群排列在普通人群的前面，则在第一层级上，a、b、d这一分组排序在c、e、f这一分组之前。可以理解的是，各个层级上各个分组内部的人不进行排序，比如，在第一层级上a、b、d不排序。类似的，假设依据用户分级模型确定特殊人群这一用户组所对应的第二层级上的分组依据和排序依据是：将有病和怀孕和人分为一组，其余人分为另一组，且有病和怀孕的人排序在其余人之前，则参见表2，特殊人群这一用户组所对应的第二层级上用户可以分为a、d一组，b一组，且a、d排序在b之前。依此类推，如果一个分组的用户多于一个，则继续对该分组进行分组，直至每组只有一个用户。比如，对应a、d这一分组，假设根据用户分级模型得到这一分组的下一层级是将有病分为一组，其余分为一组，且有病排序在前，那么参见表2，对应a、d这一分组的下一层级是分为a一组，d一组，且a排序在d之前。类似的，对应c、e、f，假设依据用户分级模型，c、e、f的下一层级是将年龄小的分为一组，其余另一种，且年龄小的排序在前，则参见表2，c、e、f的下一层级是e、f一组、c一组，且e、f排序在c之前。类似的，假设依据用户分级模型，e、f的下一层级是按性别划分，且女性排序在男性之前，那么参见表2，e、f的下一层级是e一组，f一组，且e排序在f之前。在排序之后，可以根据整体的排序结果确定每个用户的优先级信息，比如，根据排序结果确定每个用户的优先级，再根据优先级进行升序排列，将升序排列后的序列号确定为每个用户的优先级信息。比如，经过上述排序，整体的排序结果是按照优先级从高到低的顺序是：a>d>b>e>f>c，则根据优先级进行升序排列时是：c、f、e、b、d、a，相应的序列号是：c是1，f是2，e是3，b是4，d是5，a是6，即，a、b、c、d、e、f这6个用户的优先级信息分别是：6、4、1、5、3、2。在步骤s13中，若当前室内是多目标用户，根据以下步骤得到多目标用户一次修正后的舒适性参数：根据所述优先级信息计算每个用户的舒适性相对于所有用户的舒适性的比重值；根据所述每个用户的舒适性所对应的比重值和每个用户的初步的舒适性参数，以及待计算的舒适性参数构建目标函数；对所述目标函数进行最优化求解，将目标函数最优时所对应的舒适性参数确定为一次修正后的舒适性参数。根据所述优先级信息计算每个用户的舒适性相对于所有用户的舒适性的比重值，具体公式为：其中，ranku为用户u的优先级排序的序列号，m是用户总数。比如若当前室内还是前述的a、b、c、d、e、f这个六个目标用户，则m＝6。根据公式构建目标函数r，其中，g(datau)为用户u初步的舒适性参数，为待计算的舒适性参数；对所述目标函数r进行最优化求解，比如对r进行最小化求解，即进行argminr运算，将目标函数r最优时所对应的舒适性参数确定为一次修正后的舒适性参数。需要说明的是，对目标函数r进行最优化求解，可以按预设的群体智能启发式算法进行求解，所述预设群体智能启发式算法包括但不限于：遗传算法、粒子群算法、模拟退火算法和蛙跳算等。因为如何对目标函数r进行最优化求解是现有技术，不属于本发明保护的范围，所以在此不再赘述。图2是根据另一示例性实施例示出的一种提高空调舒适性的控制方法的流程图，图3是图2所示控制方法的流程步骤框架图；如图2和图3所示，该方法包括以下步骤：步骤s21、获取用户个性化数据及环境数据；步骤s22、根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；步骤s23，判断当前室内是单目标用户还是多目标用户，若是单目标用户执行步骤s24，否则执行步骤s25；步骤s24：将单目标用户的初步的舒适性参数作为单目标用户的一次修正后的舒适性参数，之后执行s26；步骤s25、根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数，之后执行s26；步骤s26、获取用户对环境的实时反馈数据，并根据所述实时反馈数据和所述一次修正后的舒适性参数得到二次修正后的舒适性参数，将所述二次修正后的舒适性参数确定为最终的舒适性参数。可以理解的是，图2相比图1所示的一种提高空调舒适性的控制方法，主要区别在于：图2所示的控制方法，增加了对舒适性参数二次修正的过程。因此，图2所示的控制方法除了具有图1所述控制方法的有益效果外，还能够实现空调舒适性参数的闭环调节，能够及时响应用户反馈，更精准地满足多目标用户的舒适性需求，贴合用户真实体验。需要说明的是，所述用户对环境的实时反馈数据，包括但不限于：风速、温度、湿度、风速朝向等数据；获取用户对环境的实时反馈数据的方式，包括但不限于：通过空调遥控器、空调上的嵌入式智能电脑、空调上的舒适性参数调整按钮、与空调联网的电脑、手机等。获取用户对环境的实时反馈数据后，可以将实时反馈数据转换为压缩机转速、风速、膨胀阀开度调节值等数据对一次修正后的舒适性参数进行二次修正，得到二次修正后的舒适性参数。为了便于理解，现用公式举例解释如下：假设当前时刻为t，在t时刻获取的一次修正后的舒适性参数为在t时刻用户对环境的实时反馈数据为因空调在运行的过程中存在一个延迟滞后的特性，从一个状态改变到另一个状态存在时间的延迟，故用户的实时反馈数据的是上一个状态下用户的对环境的反馈数据。因为上一个状态下的数据对当前状态存在一个短暂的“记忆干扰”，用户的实时反馈数据是对上一个状态的反馈。假设当前实际执行的舒适性参数为则实际执行的舒适性参数表达式可以写成以下形式：当λ＝0时，即为开机时，当前无用户的实时反馈数据，空调按照上一状态一次修正后的舒适性参数运行；当λ＝1时，空调按照上一个状态进行一个短暂的时延后输出，随后进行停机。优选地，所述加权求和时采用的权重值λ和1-λ为预先设置的固定值，且所述差值所对应的权重值λ大于所述一次修正后的舒适性参数所对应的权重值1-λ。一般情况下，λ设为固定参数，为了避免空调输出在短时间内出现阶跃性的跳动，对人体造成不适应，λ应取一个较大的固定值。从上述公式可以看出，当λ取一个较大的值时，公式能保持一定的记忆效应。当λ取固定为一个小余1的数，在每个状态下空调都能以固定方式保持上一个状态运行的某些特性，但也可将这种固定方式改成弹性的可变动的，随时自适应当前具体的环境。例如：其中，rand(0,0.5)表示[0，0.5]中随机生成的一个数；1-max(0.25,rand(0,0.5))相当于上式中的λ，max(0.25,rand(0,0.5))相当于上式中的1-λ。通过随机生成的方式，将λ从一个较大的固定值变成范围为[0.5，0.75]的数。图4是根据一示例性实施例示出的一种提高空调舒适性的控制装置100的示意框图。参照图4，该装置100包括：获取模块101，用于获取用户个性化数据及环境数据；舒适性参数初步获取模块102，用于根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；舒适性参数修正模块103，用于在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；控制模块104，用于根据所述一次修正后的舒适性参数确定最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。优选地，所述控制模块104具体用于：将所述一次修正后的舒适性参数确定为最终的舒适性参数；或者，获取用户对环境的实时反馈数据，并根据所述实时反馈数据和所述一次修正后的舒适性参数得到二次修正后的舒适性参数，将所述二次修正后的舒适性参数确定为最终的舒适性参数。需要说明的是，本实施例给出的这种提高空调舒适性的控制装置，各个模块在实现方式上可以参照前述对图1或图2所示的提高空调舒适性的控制方法中各个流程步骤的具体说明，在此不再赘述。可以理解的是，本实施例提供的这种提高空调舒适性的控制装置，根据获取到的用户个性化数据，通过用户分级模型对室内多目标用户进行分级，并根据分级得到的优先级信息对多目标用户的初步的舒适性参数进行修正，使得多目标用户的舒适性需求以优先级信息为依据得到不同比重的考虑，从而兼顾了室内多目标用户在使用空调的过程中的差异化需求。本发明兼顾考虑了不同用户的利益，在用户分级的基础上，能够使多目标用户舒适性需求得到兼顾和平衡。另外，根据一示例性实施例示出的一种空调，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取用户个性化数据及环境数据；根据预存的舒适性预测模型和所述用户个性化数据以及所述环境数据，得到每个用户的初步的舒适性参数；在当前室内为多目标用户时，根据预存的用户分级模型和所述用户个性化数据确定每个用户的优先级信息，以及，根据所述优先级信息对所述初步的舒适性参数进行修正，得到一次修正后的舒适性参数；根据所述一次修正后的舒适性参数确定最终的舒适性参数，并根据所述最终的舒适性参数对空调运行进行控制。可以理解的是，本实施例提供的这种空调，能够根据获取到的用户个性化数据，通过用户分级模型对室内多目标用户进行分级，并根据分级得到的优先级信息对多目标用户的初步的舒适性参数进行修正，使得多目标用户的舒适性需求以优先级信息为依据得到不同比重的考虑，从而兼顾了室内多目标用户在使用空调的过程中的差异化需求。本发明兼顾考虑了不同用户的利益，在用户分级的基础上，能够使多目标用户舒适性需求得到兼顾和平衡。可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属
技术领域：
的技术人员所理解。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。本
技术领域：
的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。当前第1页12