一种预测震后基站运行工况的方法及系统

1.本发明涉及震后基站是否运行的预测技术领域，特别是涉及一种预测震后基站运行工况的方法及系统。


背景技术：

2.基站即公用移动通信基站是无线电台站的一种形式。基站包括铁塔部分以及机房部分；基站的运行工况包括两种，即运行和不运行。如果发生较大地震，基站会遭到毁坏，导致通信服务大面积中断，形成孤岛效应，给震后抢险救援工作增添困难。因此，预测震后哪些基站还在运行，哪些基站无法运行，优先抢救主要地方基站，对于通信抢险和震后减灾有着非常重大的意义。
3.现有研究主要着眼于基站通信设备、建筑结构等方面与地震之间的关系。通过基站的易损性分析以及故障树模型来预测基站的失效概率。例如毛晨曦的《典型移动通信基站的地震易损性研究》，其本质上是研究基站铁塔、机房设备以及机房建筑物的抗震效果，根据抗震效果来预测基站在震后的失效概率。然而地震对基站的影响是一个复杂的过程，例如地震造成的泥石流也可能对基站造成影响。因此现有震后基站运行预测方法稍显片面，导致其预测准确率并不高。为了提高震后基站运行预测的准确率，本发明提供了一种预测震后基站运行工况的方法及系统。


技术实现要素：

4.本发明的目的是提供一种预测震后基站运行工况的方法及系统。用以提高预测震后基站运行工况的准确率。
5.为实现上述目的，本发明提供了如下方案：
6.一方面，本发明提供一种预测震后基站运行工况的方法，具体包括：
7.根据地震易发地区历史地震灾害统计数据，建立影响震后基站运行工况的变量参数数据库；所述变量参数数据包括：震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据；
8.对数据库中的变量参数数据进行预处理，得到用于预测震后基站运行工况的数据集；
9.将所述数据集按预设阈值分为测试集和训练集；
10.利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型；
11.利用测试集检验所述训练好的logistic回归分析模型，若检验不合格，则调整所述预设阈值后返回步骤“将所述数据集按预设阈值分为测试集和训练集”；若检验合格则得到最终预测模型；
12.利用所述最终预测模型预测震后基站运行工况。
13.可选的，本发明的预测震后基站运行工况的方法还包括将所述变量参数数据数据
库中的变量参数数据组成一维数据，用以提高预测速度。
14.可选的，所述基站所处位置的地质结构包括沉积岩、岩浆岩和变质岩；
15.基站所处位置的地理分布特征包括基站位置和基站性质；
16.所述基站位置包括山顶基站、半山坡基站和平地基站；
17.所述基站性质包括地面基站和楼面基站。
18.可选的，所述对数据库中的变量参数数据进行预处理，包括：
19.对所述变量参数数据进行共线性检测，得到不具有共线性的变量参数数据；
20.对所述不具有共线性的变量参数数据进行异常值处理，得到用于预测震后基站运行工况的数据集。
21.可选的，所述对所述变量参数数据进行共线性检测，包括：
22.计算各变量参数数据的方差膨胀因子，对所述方差膨胀因子与第一阈值进行比较，若所述方差膨胀因子大于或等于所述第一阈值，则剔除所述变量参数数据；若所述方差膨胀因子小于所述第一阈值，则保留所述变量参数数据，得到不具有共线性的变量参数数据。
23.可选的，所述利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型，包括：
24.利用所述训练集训练logistic回归分析模型，得到初始训练模型；
25.对所述初始训练模型的模型系数分别进行omnibus检验、模型摘要检验和霍斯默-莱梅肖检验，若上述三项检验均通过则得到训练好的logistic回归分析模；否则返回步骤“对数据库中的变量参数数据进行预处理”。
26.可选的，所述利用所述最终预测模型预测震后基站运行工况，包括：
27.将所述变量参数数据输入所述最终预测模型，得到预测概率；
28.将所述预测概率与预设临界值进行比较，若所述预测概率大于或等于所述预设临界值，则基站运行工况为运行；若所述预测概率小于所述预设临界值，则基站运行工况为不运行。
29.可选的，所述基站预设运行数据包括机房抗震性能是否合格和铁塔抗震性能是否合格；
30.根据震级设防数据、震级预设数据、地震烈度设防数据和地震烈度预设数据分别判断机房抗震性能是否合格以及铁塔抗震性能是否合格。
31.可选的，本发明提供的预测震后基站运行工况的方法，还包括：
32.对数据库中的变量参数数据进行分组，得到局地变量参数数据和全局变量参数数据；所述局地变量参数数据包括震级、地震烈度、基站相对震中方位以及基站预设运行数据；所述全局变量参数数据包括震级、地震烈度、基站所处位置的地质结构以及基站所处位置的地理分布特征；
33.对所述局地变量参数数据进行预处理，得到局地数据集；对所述全局变量参数数据进行预处理，得到全局数据集；
34.将所述局地数据集按预设阈值分为局地测试集和局地训练集；
35.利用局地训练集训练logistic回归分析模型，得到训练好的局地logistic回归分析模型；
36.利用局地测试集检验所述训练好的局地logistic回归分析模型，若检验不合格，则调整所述预设阈值并返回步骤“将所述局地数据集按预设阈值分为局地测试集和局地训练集”；若检验合格则得到局地最终预测模型；
37.利用所述局地最终预测模型预测震后基站运行工况，得到局地预测概率；
38.将所述全局数据集按预设阈值分为全局测试集和全局训练集；
39.利用全局训练集训练logistic回归分析模型，得到训练好的全局logistic回归分析模型；
40.利用全局测试集检验所述训练好的全局logistic回归分析模型，若检验不合格，则调整所述预设阈值并返回步骤“将所述全局数据集按预设阈值分为全局测试集和全局训练集”；若检验合格则得到全局最终预测模型；
41.利用所述全局最终预测模型预测震后基站运行工况，得到全局预测概率；
42.根据所述局地预测概率和所述全局预测概率预测震后基站运行工况。
43.可选的，所述根据所述局地预测概率和所述全局预测概率预测震后基站运行工况包括：
44.获取多组局地预测概率和全局预测概率；
45.对每组中的局地预测概率和全局预测概率加权，利用主值分析法计算权参数；
46.根据所述权参数、局地预测概率和全局预测概率得到震后基站运行工况的预测概率；
47.将所述预测概率与预设临界值进行比较，若所述预测概率大于或等于所述预设临界值，则基站运行工况为运行；若所述预测概率小于所述预设临界值，则基站运行工况为不运行。
48.另一方面，本发明还提供一种预测震后基站运行工况的系统，包括：
49.数据获取模块，用于根据地震易发地区历史地震灾害统计数据，建立影响震后基站运行工况的变量参数数据库；所述变量参数数据包括：震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据；
50.数据预处理模块，用于对数据库中的变量参数数据进行预处理，得到用于预测震后基站运行工况的数据集；
51.数据划分模块，用于将所述数据集按预设阈值分为测试集和训练集；
52.模型训练模块，用于利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型；
53.模型测试模块，用于利用测试集检验所述训练好的logistic回归分析模型，若检验不合格，则调整所述预设阈值后返回步骤“将所述数据集按预设阈值分为测试集和训练集”；若检验合格则得到最终预测模型；
54.数据预测模块，用于利用所述最终预测模型预测震后基站运行工况。
55.根据本发明提供的具体实施例，本发明公开了以下技术效果：
56.本发明公开了一种预测震后基站运行工况的方法及系统，其中，方法具体包括：根据地震易发地区历史地震灾害统计数据，建立影响震后基站运行工况的变量参数数据库；所述变量参数数据包括：震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据；对数据库中的变量参数数据进行预处
理，得到用于预测震后基站运行工况的数据集；将所述数据集按预设阈值分为测试集和训练集；利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型；利用测试集检验所述训练好的logistic回归分析模型，若检验不合格，则调整所述预设阈值后返回步骤“将所述数据集按预设阈值分为测试集和训练集”；若检验合格则得到最终预测模型；利用所述最终预测模型预测震后基站运行工况。
57.(1)、地震发生后，本发明对震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据等数据进行综合分析，进而预测震后基站运行工况的方法，避免了现有震后基站运行工况预测方法中，预测参数单一的弊端。利用多个影响震后基站运行工况的变量参数数据预测震后基站的运行工况，可提高预测的准确率。有助于震后的抢险救灾。
58.(2)、地震未发生，本发明可用来对基站的运行进行评估以及对基站建设的选址进行评估。
59.(3)、通过本发明的上述方法确定的最终预测模型，可用于对任何震源的基站运行进行评估。
附图说明
60.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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。
61.图1为本发明预测震后基站运行工况的方法流程示意图；
62.图2为本发明预测震后基站运行工况的方法数据预处理中的残差图；
63.图3为本发明预测震后基站运行工况的方法数据预处理中去除残差值的残差图；
64.图4为本发明预测震后基站运行工况的方法中以0.5为预设临界值的预测结果示意图；
65.图5为本发明预测震后基站运行工况的方法中以0.4为预设临界值的预测结果示意图；
66.图6为本发明预测震后基站运行工况的系统结构示意图。
具体实施方式
67.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
68.现有震后基站运行工况预测技术主要着眼于基站通信设备与地震之间的关系或机房建筑结构与地震之间的关系。即根据基站设备的易损性来预测震后基站的运行工况。其本质为研究基站铁塔、机房设备以及基站建筑物的抗震效果，根据其本身的抗震效果来预测基站在震后的失效概率。此种预测方法比较片面，并没有充分考虑对震后基站运行工况造成影响的因素。因此，其预测结果并不准确。基于此，本发明提供一种预测震后基站运
行工况的方法及系统。用以提高震后基站运行工况预测的准确率。
69.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
70.实施例1
71.如图1所示，本实施例提供一种预测震后基站运行工况的方法，具体步骤包括：
72.s1：根据地震易发地区历史地震灾害统计数据，建立影响震后基站运行工况的变量参数数据库；所述变量参数数据包括：震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据。
73.优选的，为了防止单一地区震后基站数据过于片面，地震灾害统计数据可采用来自四川省汶川8.0级大地震、芦山7.0级地震、长宁6.0级地震后的数据。
74.优选的，所述基站所处位置的地质结构包括沉积岩、岩浆岩和变质岩；基站所处位置的地理分布特征包括基站位置和基站性质；所述基站位置包括山顶基站、半山坡基站和平地基站；所述基站性质包括地面基站和楼面基站；所述基站预设运行数据包括机房抗震性能是否合格和铁塔抗震性能是否合格。
75.本领域技术人员可根据震级设防数据、震级预设数据、地震烈度设防数据和地震烈度预设数据分别判断机房抗震性能是否合格以及铁塔抗震性能是否合格。其中，设防数据是指基站建设中按国家的相关规定确定的设防值。预设数据是指在震后基站运行工况预测中按需求人为设定的参数值。在具体实施时，赋予机房抗震性能的逻辑为k，铁塔抗震性能的逻辑为h，机房的地震烈度和震级的权参数分别设置为m1和m2，铁塔的地震烈度和震级的权参数分别设置为n1和n2,地震烈度和震级分别设为α和β，e为常数。每个机房或铁塔分别对应一个二元一次方程，根据地震烈度、震级的设防数据和预设地震烈度、预设震级的数据建立一个二元一次方程组。
76.其中机房的二元一次方程组如下：
[0077][0078]
其中k
设防
表示机房的抗震设防值，k
预设
表示机房的抗震预设值，α
设防
表示地震烈度设防数据，m1表示地震烈度的权参数，β
设防
表示震级设防数据，m2表示震级的权参数，e1为常数，α
预设
示地震烈度预设数据，β
预设
表示震级预设数据，e2为常数。利用主值分析法可计算出m1、m2、e1、e2的值。
[0079]
在实际应用中，将机房抗震设防值与机房抗震预设值进行比较，若机房抗震设防值大于机房抗震预设值，则机房抗震性能合格，否则不合格。
[0080]
其中铁塔的二元一次方程组如下：
[0081][0082]
其中，h
设防
表示铁塔的抗震设防值，h
预设
表示铁塔的抗震预设值，α
设防
表示地震烈度设防数据，n1表示地震烈度的权参数，β
设防
表示震级设防数据，n2表示震级的权参数，e3为常
数，α
预设
示地震烈度预设数据，β
预设
表示震级预设数据，e4为常数。利用主值分析法可计算出n1、n2、e3、e4的值。
[0083]
在实际应用中，将铁塔抗震设防值与铁塔抗震预设值进行比较，若铁塔抗震设防值大于铁塔抗震预设值，则铁塔抗震性能合格，否则不合格。
[0084]
通过上述公式判断机房抗震性能是否合格和铁塔抗震性能是否合格可提高震后基站运行工况的预测准确率。
[0085]
在具体实施时，为了提高预测速度，还可以将所述变量参数数据数据库中的变量参数数据组成一维数据。一维数据的形式包括：东北(8级地震、10度烈度、地质为花岗岩、机房抗震性能不合格、基站处于半山坡、楼面基站、铁塔抗震性能合格)权重为g，其中权重g与震后基站运行工况相关。
[0086]
s2：对数据库中的变量参数数据进行预处理，得到用于预测震后基站运行工况的数据集。
[0087]
对数据库中的变量参数数据进行预处理的具体步骤包括：
[0088]
s21：对所述变量参数数据进行共线性检测，得到不具有共线性的变量参数数据。
[0089]
共线性是指变量参数数据中的每一个变量参数都可以由其余变量参数所确定，同时每一个变量参数也可以确定其余变量参数，如果数据中出现共线性现象会严重影响回归分析中推断和预测。因此需要对变量参数数据进行共线性检测。其具体检测方法为：
[0090]
计算各变量参数数据的方差膨胀因子，对所述方差膨胀因子与第一阈值进行比较，若所述方差膨胀因子大于或等于所述第一阈值，则剔除所述变量参数数据；若所述方差膨胀因子小于所述第一阈值，则保留所述变量参数数据，得到不具有共线性的变量参数数据。
[0091]
其中，方差膨胀因子(variance inflationfactor，vif)的计算公式为：
[0092][0093]
式中，r2为拟合优度指数又称决定系数，是回归平方和与总离差平方和的比值，i表示变量参数数据。具体的，当0《vif《10时，变量参数数据不存在共线性问题，当10≤vif时，变量参数数据存在共线性。可利用逐步回归法对具有共线性的变量参数数据进行剔出操作；也可以通过对输入的变量参数数据进行相关性分析，手动移除具有共线性的变量参数数据；还可以通过扩大变量参数数据数量的方法来降低共线性变量参数数据造成的影响。
[0094]
具体的，各变量参数的vif值见表1：
[0095]
表1 vif值
[0096][0097]
由上表可以看出本发明各变量参数之间的vif值根据公式计算结果都小于2，满足方差膨胀因子vif的共线性检测标准，因此本发明选取影响基站运行的因素作为的变量参数数据不存在共线性问题。
[0098]
s22：对所述不具有共线性的变量参数数据进行异常值处理，得到用于预测震后基站运行工况的数据集。异常值处理的方法包括：
[0099]
计算变量参数数据的标准化残差值，以变量参数数据的拟合值为二维坐标系的横坐标，以所述标准化残差值为二维坐标系的纵坐标，得到残差图，其中残差图如2所示。
[0100]
根据所述残差图判断变量参数数据是否为异常值，若所述变量参数数据的标准化残差值处于预设区间内，则变量参数数据不存在异常，否则其为异常值，需要对其进行剔出，用以得到用于预测震后基站运行工况的数据集。优选的，预设区间的取值范围为(-2,2)。
[0101]
具体的，标准化残差值的计算公式如下：
[0102][0103]
式中，ei为普通残差，是均方差，i表示变量参数数据，p
ii
是矩阵p对角线上的元素。
[0104]
由图2可以看出，其中存在两组异常值，需要对其进行剔出，剔出后的结果如图3所示。
[0105]
s3：将所述数据集按预设阈值分为测试集和训练集。
[0106]
在具体实施时，可将数据集中70％的数据分为训练集，剩余30％的数据作为测试集。
[0107]
s4：利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型。
[0108]
具体的，logistic回归分析模型为二元logistic模型，其表达式为：
[0109][0110]
其中，x1...xi为输入的变量参数数据，y为输出变量，其与震后基站是否运行相关，β0...βi为权参数，p为概率。
[0111]
获取训练好的logistic回归分析模型的具体步骤包括：
[0112]
s41：利用所述训练集训练logistic回归分析模型，得到初始训练模型。
[0113]
s42：对所述初始训练模型的模型系数分别进行omnibus检验、模型摘要检验和霍斯默-莱梅肖检验，若上述三项检验均通过则得到训练好的logistic回归分析模；否则返回步骤s2。
[0114]
具体的，在模型系数的omnibus检验中，判断模型的显著性(p值)是否小于0.05，若是则检验通过，若否则检验不通过；在模型摘要检验中，判断其中的-2对数似然值是否大于第一预设阈值，若是则检验通过，否则检验不通过；在霍斯默-莱梅肖检验中，判断模型系数中的显著性(p值)是否大于0.05，若是则检验通过，否则不通过。
[0115]
s5：利用测试集检验所述训练好的logistic回归分析模型，若检验不合格，则调整所述预设阈值后返回步骤s”；若检验合格则得到最终预测模型。
[0116]
s6：利用所述最终预测模型预测震后基站运行工况。
[0117]
优选的，所述利用所述最终预测模型预测震后基站运行工况，包括：
[0118]
s61：将所述变量参数数据输入所述最终预测模型，得到预测概率。
[0119]
s62：将所述预测概率与预设临界值进行比较，若所述预测概率大于或等于所述预设临界值，则基站运行工况为运行；若所述预测概率小于所述预设临界值，则基站运行工况为不运行。
[0120]
在具体实施时，预设临界值可调，用以提高震后基站运行工况的准确率。以图4为例，其中的预设临界值为0.5，模型训练集预测成功19个基站，预测失败2个基站，预测正确率为90.5％。模型测试集预测成功19个基站，预测失败2个基站，预测正确率为90.5％。为提高预测正确率，可将预设临界值调整为0.4，如图5所示，模型训练集预测成功56个基站，预测失败3个基站，预测成功率为94.9％，比原来提升1.7％。模型测试集预测成功20个基站，预测失败1个基站，预测成功率为95.2％，其预测正确率提升4.7％。
[0121]
因实际灾害统计数据往往少于变量参数的给定倍数标准，为提高预测准确性，还可以对数据库中的变量参数数据进行分组处理，对每组变量参数数据分别进行震后基站运行工况预测，得到多组预测概率，然后根据多组预测概率得到最终的预测结果。其具体处理过程如下：
[0122]
对数据库中的变量参数数据进行分组处理，可得到局地变量参数数据和全局变量参数数据；所述局地变量参数数据包括震级、地震烈度、基站相对震中方位以及基站预设运行数据；所述全局变量参数数据包括震级、地震烈度、基站所处位置的地质结构以及基站所处位置的地理分布特征。
[0123]
对所述局地变量参数数据进行预处理，得到局地数据集；对所述全局变量参数数据进行预处理，得到全局数据集。
[0124]
将所述局地数据集按预设阈值分为局地测试集和局地训练集。
[0125]
利用局地训练集训练logistic回归分析模型，得到训练好的局地logistic回归分析模型。
[0126]
利用局地测试集检验所述训练好的局地logistic回归分析模型，若检验不合格，则调整所述预设阈值并返回步骤“将所述局地数据集按预设阈值分为局地测试集和局地训练集”；若检验合格则得到局地最终预测模型。
[0127]
利用所述局地最终预测模型预测震后基站运行工况，得到局地预测概率。
[0128]
将所述全局数据集按预设阈值分为全局测试集和全局训练集。
[0129]
利用全局训练集训练logistic回归分析模型，得到训练好的全局logistic回归分析模型。
[0130]
利用全局测试集检验所述训练好的全局logistic回归分析模型，若检验不合格，则调整所述预设阈值并返回步骤“将所述全局数据集按预设阈值分为全局测试集和全局训练集”；若检验合格则得到全局最终预测模型。
[0131]
利用所述全局最终预测模型预测震后基站运行工况，得到全局预测概率。
[0132]
根据所述局地预测概率和所述全局预测概率预测震后基站运行工况。
[0133]
优选的，所述根据所述局地预测概率和所述全局预测概率预测震后基站运行工况包括：
[0134]
获取多组局地预测概率和全局预测概率。
[0135]
对每组中的局地预测概率和全局预测概率加权，利用主值分析法计算权参数。
[0136]
根据所述权参数、局地预测概率和全局预测概率得到震后基站运行工况的预测概率。
[0137]
将所述预测概率与预设临界值进行比较，若所述预测概率大于或等于所述预设临界值，则基站运行工况为运行；若所述预测概率小于所述预设临界值，则基站运行工况为不运行。
[0138]
本方法解决了现有震后基站运行工况预测方法中存在的预测因素单一的问题，能够较为准确的预测震后基站运行工况。同时现有震后基站运行工况预测方法利用故障树模型来对基站运行工况进行预测，故障树模型的数据来源与现场布置的传感器，而传感器有可能在地震发生时就被强烈的震波破坏。因此，其数据来源并不稳定。数据来源的不稳定会进一步影响预测结果的准确性。而本发明利用logistic回归分析模型来预测震后基站运行工况，其数据来源于地震易发地区历史地震灾害统计数据。其数据来源稳定，相较而言其预测结果也会更准确。本发明使用logistic回归分析模型处理变量参数数据来预测震后基站运行工况，可得到各变量参数数据的显著性。结果表明各变量参数数据的显著性均符合规定阈值，因此本发明利用上述变量参数数据预测震后基站运行工况具有合理性。对各变量参数数据的显著性按由大到小排序可得地震烈度、震级、机房抗震性能是否合格、铁塔抗震性能是否合格、地质结构、基站性质、基站位置和基站相对震中方位。
[0139]
在具体实施时，本发明还可以用来对基站建设的选址进行分析。
[0140]
实施例2
[0141]
如图6所示本实施例提供一种应用实施例1所提方法的预测震后基站运行工况的系统，具体包括：
[0142]
数据获取模块，用于根据地震易发地区历史地震灾害统计数据，建立影响震后基站运行工况的变量参数数据库；所述变量参数数据包括：震级、地震烈度、基站相对震中方位、基站所处位置的地质结构、基站所处位置的地理分布特征以及基站预设运行数据。
[0143]
数据预处理模块，用于对数据库中的变量参数数据进行预处理，得到用于预测震后基站运行工况的数据集。
[0144]
数据划分模块，用于将所述数据集按预设阈值分为测试集和训练集。
[0145]
模型训练模块，用于利用所述训练集训练logistic回归分析模型，得到训练好的logistic回归分析模型。
[0146]
模型测试模块，用于利用测试集检验所述训练好的logistic回归分析模型，若检验不合格，则调整所述预设阈值后返回步骤“将所述数据集按预设阈值分为测试集和训练集”；若检验合格则得到最终预测模型。
[0147]
数据预测模块，用于利用所述最终预测模型预测震后基站运行工况。
[0148]
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。对于实施例公开的系统而言，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。
[0149]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。