用于解码信号的方法、设备以及存储设备与流程
本公开涉及信号解码，具体地，涉及用于解码信号的方法、设备以及存储设备。
背景技术：
自从香农创立信息论以来，信道编解码领域取得了显著的进展。借助于恰当的编码设计以及高效的置信度传播解码(beliefpropagation，bp)算法，低密度奇偶校验(ldpc，low-densityparity-check)码可以获得接近香农限的性能。但是，传统的编解码设计主要是针对诸如高斯白噪声信道这样简单的信道设计的。然而这种编解码设计并未考虑到实际信道中因滤波、过采样、多用户干扰等因素的存在所导致的复杂信道的情况(这种噪声被称为有色噪声)。
因此，需要一种能够处理这种有色噪声的解码方案。
技术实现要素：
本公开实施例的一个方面提供了一种用于解码信号的方法。该方法包括：利用预定解码方案对接收信号进行解码，并基于解码结果获得对发送信号的估计；利用信道噪声的相关性来获得对信道噪声的估计；从所述接收信号中减去所获得的对信道噪声的估计，以获得修改的接收信号；以及利用所述预定解码方案对所述修改的接收信号进行解码，以获得解码信号。
可选地，利用信道噪声的相关性来获得对信道噪声的估计可包括：通过从所述接收信号中减去所述对发送信号的估计来获得对信道噪声的第一估计；以及利用信道噪声的相关性来对所获得的对信道噪声的第一估计进行处理来获得对信道噪声的第二估计，以作为所述对信道噪声的估计。
可选地，利用信道噪声的相关性来对所获得的对信道噪声的第一估计进行处理来获得对信道噪声的第二估计可包括：将所述对信道噪声的第一估计作为卷积神经网络的输入，以所述卷积神经网络的输出作为所述对信道噪声的第二估计。
可选地，该方法还可包括利用预定策略来训练所述卷积神经网络，其中，所述预定策略包括以下任一项：最小化余量噪声功率的训练策略，以及在最小化余量噪声功率的同时使余量噪声的分布接近高斯分布的训练策略。
可选地，该方法还可包括将所述修改的接收信号作为接收信号来迭代执行接收信号的解码、基于信道噪声的相关性对信道噪声的估计以及修改的接收信号的获得，直到系统状态符合预定要求。
本公开实施例的另一个方面提供了一种用于解码信号的设备。该设备包括解码器、发送信号估计器、噪声估计器和修改信号生成器。解码器用于利用预定解码方案对接收信号进行解码。发送信号估计器用于基于解码结果获得对发送信号的估计。噪声估计器用于利用信道噪声的相关性来获得对信道噪声的估计。修改信号生成器用于从所述接收信号中减去所获得的对信道噪声的估计，以获得修改的接收信号。所述解码器还利用所述预定解码方案对所述修改的接收信号进行解码，以获得解码信号。
可选地，所述噪声估计器可包括第一噪声估计模块和第二噪声估计模块。第一噪声估计模块可用于通过从所述接收信号中减去所述对发送信号的估计来获得对信道噪声的第一估计。第二噪声估计模块可用于利用信道噪声的相关性来对所获得的对信道噪声的第一估计进行处理来获得对信道噪声的第二估计，以作为所述对信道噪声的估计。
可选地，所述第二噪声估计模块是利用卷积神经网络实现的。在此情况下，所述第二噪声估计模块还可用于：将所述对信道噪声的第一估计作为所述卷积神经网络的输入，以所述卷积神经网络的输出作为所述对信道噪声的第二估计。
可选地，该设备还可包括网络训练器，用于利用预定策略来训练所述卷积神经网络，其中，所述预定策略包括以下各项中的任一项：最小化余量噪声功率的训练策略，以及在最小化余量噪声功率的同时使余量噪声的分布接近高斯分布的训练策略。
可选地，在该设备中，以所述修改的接收信号作为接收信号，迭代地执行所述解码器、所述发送信号估计器、所述噪声估计器和所述修改信号生成器的操作，直到系统状态符合预定要求。
本公开实施例的另一个方面提供了一种用于解码信号的设备。该设备包括存储器和处理器。存储器用于存储可执行指令。处理器用于执行存储器中存储的可执行指令，以执行上述方法。
本公开实施例的另一个方面提供了一种其上承载有计算机程序的存储器设备，当由处理器执行所述计算机程序时，所述计算机程序使所述处理器执行上述方法。
附图说明
为了更完整地理解本发明及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开实施例的用于解码信号的方法的简要流程图；
图2示意性示出了根据本公开实施例的用于解码信号的设备的简要框图；
图3示出了根据本公开实施例的解码方案的简要示意图；
图4中示出了根据本公开实施例所使用的cnn结构的示意图；
图5至图8分别示出了针对两个不同信道相关性模型的性能比较示意图；以及
图9示意性示出了根据本公开实施例的电子设备的简要框图。
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。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此，本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(hdd)；光存储装置，如光盘(cd-rom)；存储器，如随机存取存储器(ram)或闪存；和/或有线/无线通信链路。
图1示意性示出了根据本公开实施例的用于解码信号的方法的简要流程图。
如图1所示，该方法包括操作s110，利用预定解码方案对接收信号进行解码，并基于解码结果获得对发送信号的估计。
此处所称的预定解码方案可以是适用的任何解码方案，例如可以是置信度传播解码(beliefpropagation，bp)方案，当然，根据具体的应用场景，也可以是与发送侧所使用的编码方案相对应的任何解码方案。
在一些示例中，基于解码结果获得对发送信号的估计可以是利用与所使用的解码方案相对应的编码方案对解码结果进行重新编码，将重新编码所获得的编码信号作为对发送信号的估计。当然，在此也可以应用本领域中其他任何可用于在接收侧估计发送信号的技术方案，本公开实施例不受发送信号估计的具体实现的限制。
在操作s120中，利用信道噪声的相关性来获得对信道噪声的估计。
通过考虑到信道中因滤波、过采样、多用户干扰等因素所导致的噪声的相关性，在本公开实施例中可利用该相关性来更加准确地估计实际信道中的噪声。
在一些示例中，利用信道噪声的相关性来获得对信道噪声的估计可包括：通过从接收信号中减去对发送信号的估计来获得对信道噪声的第一估计；以及利用信道噪声的相关性来对所获得的对信道噪声的第一估计进行处理来获得对信道噪声的第二估计，以作为操作s120中所述的对信道噪声的估计。
在一些示例中，可使用卷积神经网络(cnn，convolutionalneuralnetwork)来实现对信道噪声的相关性的利用。在此情况下，可将对信道噪声的第一估计作为卷积神经网络的输入，以卷积神经网络的输出作为对信道噪声的第二估计。
在利用卷积神经网络来获得对信道噪声的第二估计之前，可利用预定策略对卷积神经网络进行训练，以使得卷积神经网络能够模拟现实信道的场景。在一些示例中，该预定策略可包括最小化余量噪声功率的训练策略，例如基线bp-cnn(baselinebp-cnn)策略。在另一些示例中，预定策略也可包括在最小化余量噪声功率的同时使余量噪声的分布接近高斯分布的训练策略，例如，增强bp-cnn(enhancedbp-cnn)策略。当然，本公开实施例中可用于训练卷积神经网络的策略不限于以上两种，而是可包括能够使训练后的卷积神经网络能够更准确地反映现实信道的任何其他策略。
在操作s120中利用信道噪声的相关性来获得对信道噪声的估计之后，在操作s130中，从接收信号中减去所获得的对信道噪声的估计，以获得修改的接收信号。
由于在操作s120中利用信道噪声的相关性获得了对信道噪声的良好估计，通过在接收信号中减去该良好估计，所获得的修改的接收信号可更好地接近于发送侧处发送的发送信号。
在一些情况下中，仅执行一次操作s120可能不能够获得对实际信道噪声(例如，有色噪声)的良好估计。在此情况下，可以将上述修改的接收信号作为接收信号来迭代执行接收信号的解码(s110)、基于信道噪声的相关性对信道噪声的估计(s120)以及修改的接收信号的获得(s130)，直到系统状态符合预定要求。此处所说的预定要求可以是系统迭代的次数达到预先设置的次数或解码信号不再变化，或者也可以是本领域技术人员通常用于噪声估计的其他任何要求。
然后，在操作s140中，利用与操作s110中相同的预定解码方案对该修改的接收信号进行解码来获得解码信号。
在图1所示的方法中，通过利用信道噪声的相关性来获得对信道噪声的良好估计并在接收信号中减去该良好估计，可以比较准确地获得对发送信号的估计，并进而实现了高质量的解码。
图2示意性示出了根据本公开实施例的用于解码信号的设备的简要框图。图2所示的框图对应于图1所示方法的流程图。需要注意的是，为了清楚和简洁，图2所示的框图仅示出了有助于理解本公开实施例的功能/模块。在具体的实现中，也可包括更多或更少的功能/模块。
如图2所示，该设备包括解码器210、发送信号估计器220，噪声估计器230和修改信号生成器240。
解码器210用于利用预定解码方案对接收信号进行解码。
此处所称的预定解码方案可以是适用的任何解码方案，例如可以是置信度传播解码(beliefpropagation，bp)方案，当然，根据具体的应用场景，也可以是与发送侧所使用的编码方案相对应的任何解码方案。
发送信号估计器220用于基于解码结果获得对发送信号的估计。
在一些示例中，基于解码结果获得对发送信号的估计可以是利用与所使用的解码方案相对应的编码方案对解码结果进行重新编码，将重新编码所获得的编码信号作为对发送信号的估计。在这种情况下，发送信号估计器可以是利用与所使用的解码方案相对应的编码方案的编码器，例如与发送侧相同的编码器。当然，在此也可以应用本领域中其他任何可用于在接收侧估计发送信号的技术方案，本公开实施例不受发送信号估计的具体实现的限制。
噪声估计器230用于利用信道噪声的相关性来获得对信道噪声的估计。
通过考虑到信道中因滤波、过采样、多用户干扰等因素所导致的噪声的相关性，在本公开实施例中可利用该相关性来更加准确地估计实际信道中的噪声。
在一些示例中，噪声估计器230可包括第一噪声估计模块232和第二噪声估计模块234。第一噪声估计模块232可以是加法器/减法器，可用于通过从接收信号中减去上述对发送信号的估计来获得对信道噪声的第一估计。第二噪声估计模块234可用于利用信道噪声的相关性来对所获得的对信道噪声的第一估计进行处理来获得对信道噪声的第二估计，以作为上述对信道噪声的估计。
在一些示例中，可使用卷积神经网络(cnn，convolutionalneuralnetwork)来实现对信道噪声的相关性的利用，亦即，将第二噪声估计模块234实现为卷积神经网络。在此情况下，可将对信道噪声的第一估计作为卷积神经网络的输入，以卷积神经网络的输出作为对信道噪声的第二估计。
在一些示例中，在利用卷积神经网络来获得对信道噪声的第二估计之前，可利用预定策略对卷积神经网络进行训练，以使得卷积神经网络能够模拟现实信道的场景。在此情况下，图2所示的设备还可包括用于利用预定策略来训练卷积神经网络的网络训练器250。在一些示例中，该预定策略可包括最小化余量噪声功率的训练策略，例如基线bp-cnn(baselinebp-cnn)策略。在另一些示例中，预定策略也可包括在最小化余量噪声功率的同时使余量噪声的分布接近高斯分布的训练策略，例如，增强bp-cnn(enhancedbp-cnn)策略。当然，本公开实施例中可用于训练卷积神经网络的策略不限于以上两种，而是可包括能够使训练后的卷积神经网络能够更准确地反映现实信道的任何其他策略。
由于噪声估计器230利用信道噪声的相关性获得了对信道噪声的良好估计，通过在接收信号中减去该良好估计，所获得的修改的接收信号可更好地接近于发送侧处发送的发送信号。
在噪声估计器230利用信道噪声的相关性来获得对信道噪声的估计之后，修改信号生成器230用于从接收信号中减去所获得的对信道噪声的估计，以获得修改的接收信号。
在一些情况下，噪声估计器230的一次操作可能不能够获得对实际信道噪声(例如，有色噪声)的良好估计。在此情况下，可以将上述修改的接收信号作为接收信号来迭代执行解码器210、发送信号估计器220、噪声估计器230和修改信号生成器240的操作，直到系统状态符合预定要求。此处所说的预定要求可以是系统迭代的次数达到预先设置的次数或解码信号不再变化，或者也可以是本领域技术人员通常用于噪声估计的其他任何要求。
当获得修改的接收信号时，解码器210还利用该预定解码方案对修改的接收信号进行解码，以获得解码信号。
在图2所示的设备中，通过利用信道噪声的相关性来获得对信道噪声的良好估计并在接收信号中减去该良好估计，可以比较准确地获得对发送信号的估计，并进而实现了高质量的解码。
以上通过图1所示的方法和图2所示的设备对本公开实施例的技术方案进行了描述。下面将通过具体的示例来详细说明根据本公开实施例的技术方案。需要注意的是，本公开实施例的技术方案不限于该具体示例，而是还可包含对该示例做出的落在本发明保护范围内的各种修改。
图3示出了根据本公开实施例的解码方案的简要示意图。需要注意的是，图3仅是用于说明本公开实施例的一个具体示例，不应被视为对本公开实施例的限制。例如，图3在发送侧使用了ldpc编码和二进制相移键控(bpsk)调制方案，且在接收侧使用了bp解码方案，然而本领域技术人员能够理解，本公开实施例的技术方案也可应用于不同的编解码和调制方式。
在图3的技术方案中，假设在发送端信息比特块x通过ldpc编码器得到码字u，在通过bpsk调制得到符号s。符号s经过有色噪声信道后，接收端将收到有噪信号y＝s+n，其中n表示有色信道噪声。接收端通过主要由bp解码器和卷积神经网络(cnn)组成的迭代结构对发送信息进行解码。一次迭代过程主要包含两步骤。第一步，有噪信号y先经过一个标准的bp解码器，根据解码结果可以得到对发送符号s的估计，记为
在图3的示例中，通过单刀双掷开关的形式示出了上述迭代过程的开始和结束。例如，当在上述第一步中通过标准bp解码器对有噪信号y进行解码时可使开关接通bp、cnn和加法器形成的循环，以开始估计噪声的迭代操作，而在系统状态符合预定要求(例如，系统迭代的次数达到预先设置的次数或解码信号不再变化)之后可断开该循环并接通有噪信号y与bp解码器，以结束该迭代操作。开关的控制信号可通过本领域当前所使用或将来会使用的任何方式产生，本发明保护范围不受控制信号的具体产生方式的限制。此外，本公开实施例中迭代循环的开始和结束不限于图3所示的单刀双掷开关的形式，而是可以使用本领域用于循环操作的任何具体实现形式。
图4中示出了根据本公开实施例所使用的cnn结构的示意图。在图4所示的结构中，输入为一个n×1的向量，即噪声估计
如上所述，在将cnn网络用于噪声估计之前可对cnn网络进行训练。网络的训练可包括两大步骤。首先，需要针对特定的信道产生训练数据。在这一步骤中，信源比特x可以随机产生，信道噪声可以在实际信道中采集，也可以使用预先已知的信道模型进行训练。在实际应用中，通常需要针对某些常见的通信场景(模型)进行训练，训练后的网络模型可以保存在接收端，以针对具体通信场景选用对应的信道模型。在实际使用中可以根据对信道的估计选择合适的模型使用。在有信道噪声数据的情况下，可以按照图3所示的流程得到cnn的输入数据
为了训练网络，需要定义损失函数。下面本公开实施例给出两种定义损失函数的方法，分别对应不同的网络训练策略。需要注意的是，下面的损失函数定义和/或网络训练策略仅是为说明本公开实施例的方案而提供的示例，其他在本领域中使用的损失函数定义和/或网络训练策略也可应用于本公开实施例。
网络训练策略1：基线bp-cnn(baselinebp-cnn)，该策略最小化余量噪声的功率，此时的损失函数可定义为
其中r表示余量噪声向量，n表示该向量的长度。
在该训练策略中，在训练结束后统计余量噪声的经验分布，并利用这个分布初始化下次bp解码的变量结点的对数似然比(llr，log-likelihoodratios)值。
网络训练策略2：增强bp-cnn(enhancedbp-cnn)，该策略在压缩余量噪声的同时，调整余量噪声的分布，使其跟接近于高斯分布。由于目前多数编码器都是针对高斯信道进行设计的，该策略可以更好地与编码器相适应。此时损失函数定义为
其中第一部分的定义同网络训练策略1，用于衡量余量噪声的功率。其中第二部分来源于jarque-bera测试，一种常用的正太性检验方法，具体地，
ri是余量噪声向量r的第i个元素，
为了进一步说明本公开实施例的技术方案的效果，图5至图8分别示出了针对两个不同信道相关性模型的性能比较示意图。其中，图5至图6示出了针对第一种信道相关性模型在不同程度相关性下的性能比较示意图，图7示出了针对第一种信道相关性模型的性能与迭代次数的关系示意图，图8示出了针对第二种信道相关性模型的性能比较示意图。
第一种信道相关性模型：
该模型的相关矩阵r中的元素定义为ri，j＝η|i-j|。ldpc编码码率为3/4，码长为576，编码矩阵来自于wimax标准。需要注意的是，上述参数仅是示例，本公开实施例的技术方案的应用场景不依赖于特定的编码码率和编码矩阵。在上述参数下，所采用的cnn网络结构可以是{4；9，3，3，15；64，32，16，1}。在图5和图6中分别给出了在表示相关性的参数η＝0.8(强相关性)以及η＝0.5(中度相关性)下仅进行一次bp-cnn迭代的测试结果。此时的解码结构可以简记为bp(x)-cnn-bp(x)，其中括号内的数字表示bp解码器的迭代次数。图5和图6中给出的bp(5)-cnn-bp(5)结构复杂度大致相当于12次标准bp迭代，由图中结果可以看出，不管是使用基线bp-cnn训练策略还是增强bp-cnn训练策略，本公开实施例的技术方案可以获得比标准bp算法更好的结果。同时，增加标准bp的迭代次数会进一步提高性能，但提高十分有限。这说明本公开实施例的技术方案可以用较低的复杂度获得较高的性能。图7给出了进行多次bp-cnn迭代的结果，由图可以看出，多次bp-cnn迭代可以进一步提升解码性能。
第二种信道相关性模型：
该信道相关模型的相关性可以使用功率谱密度来描述，即p(f)∝1/|f|α。特别地，当α＝1时，这种噪声称为粉色噪声。图8给出了在其余条件与第一种信道相关性模型相同的情况下，本公开实施例的技术方案和标准bp解码器的性能比较。从图8中可以看出，本公开实施例的技术方案在这种信道模型下仍能取得更好的解码性能。
图9示意性示出了根据本公开的实施例的设备的框图。图9示出的设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，根据该实施例的设备900包括中央处理单元(cpu)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有设备900操作所需的各种程序和数据。cpu901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘或鼠标等的输入部分906；包括诸如阴极射线管(crt)或液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡或调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘或半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(cpu)901执行时，执行本公开实施例的设备中限定的上述功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆或rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
根据本公开各实施例的方法、装置、单元和/或模块还可以使用例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)或可以以用于对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式的适当组合来实现。该系统可以包括存储设备，以实现上文所描述的存储。在以这些方式实现时，所使用的软件、硬件和/或固件被编程或设计为执行根据本公开的相应上述方法、步骤和/或功能。本领域技术人员可以根据实际需要来适当地将这些系统和模块中的一个或多个，或其中的一部分或多个部分使用不同的上述实现方式来实现。这些实现方式均落入本发明的保护范围。
如本领域技术人员将会理解的，为了任何的以及所有的目的，例如在提供书面说明书的方面，本申请中所公开的所有范围也涵盖任何的以及所有的可能的子范围以及其子范围的组合。任何所列出的范围均能够被容易地识别成充分的描述以及使同样的范围能够至少被分解成同等的两部分、三部分、四部分、五部分、十部分，等等。作为非限制性的例子，本申请中所讨论的每个范围均能够被容易地分解成下三分之一、中三分之一以及上三分之一等等。如本领域技术人员还将会理解的，诸如“直到”、“至少”、“大于”、“小于”等的所有语言均包括所表述的数量并且是指能够随之被分解成如以上所讨论的子范围的范围。最后，如本领域技术人员将会理解的，范围包括各个单独的成分。所以，例如，具有1-3个单元的组是指具有1、2或者3个单元的组。类似地，具有1-5个单元的组是指具有1、2、3、4或者5个单元的组，等等。
尽管已经参照本公开的特定示例性实施例示出并描述了本发明，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本发明的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本发明的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。
- 还没有人留言评论。精彩留言会获得点赞！