一种用于机场终端区甚高频通信中的频谱数据清洗方法与流程

[0001]
本发明属于民航无线电话音通信频谱预测技术领域，具体地说是涉及一种用于机场终端区民航甚高频通信中的频谱数据清洗方法。


背景技术：

[0002]
为了确保无线电频率资源具备安全的用频环境，国际民航组织(icao)为航空移动通信业务划分了专用的民航甚高频通信工作频段，即频率范围为 118mhz～136.975mhz，信道带宽为25khz。各机场所使用的甚高频通信频点均预先固定分配，未经允许，不得变更。然而，随着机场终端区航班起降流量的日益增加，机场塔台和飞机之间的甚高频用频业务量也在不断加大，这将导致飞机与飞机之间、飞机与地面之间的用频冲突日益凸显，直接制约着民航机场的航班吞吐量。为了进一步提高频谱资源利用率，icao已推荐将甚高频话音通信信道带宽由25khz压缩成8.33khz。目前我国仍采用25khz作为民航甚高频话音通信的信道带宽。因此，如何利用已分配的有限频率资源扩大民航甚高频话音通信容量，以适应机场终端区甚高频通信业务越来越大的用频需求，成为了频谱预测技术关注的焦点。
[0003]
近年来，基于深度学习和人工智能技术的进步，智能频谱预测技术较之传统的基于模型的频谱预测技术可为上述问题提供更有效、更可靠的解决方案。需要强调的是，在所有的智能频谱预测中，均涉及一项共性关键支撑技术，即频谱数据清洗技术。不同的频谱数据清洗策略会直接影响频谱数据质量，而频谱数据质量又在很大程度上决定着智能频谱预测的可靠性和预测有效时长，并最终影响到智能频谱预测性能。因此，采取合理、有效的频谱数据清洗方法对于研究数据驱动的智能频谱预测技术至关重要。截至目前，数据清洗方法在物联网技术领域的研究较多，也较为成熟。例如，福州大学的林晓佳等人利用协同相关的异构传感器节点，对多源异构传感网络的数据清洗进行了研究。该数据清洗框架将数据时空相关性的算法设计思想应用于时空粒度转换传感器所收集的数据值和数据频率，实现了对数据精确度，能效和压缩率的较大提升。江苏大学的周金生等人以农业温室大棚的传感器数据为对象进行了数据清洗研究，针对相同和不同类型的传感器数据特点来设计模型，实现了对采集环境的空间相似性的预测。此外，人工智能技术的引入使得数据清洗技术达到了一定的研究高度。河海大学的蒋晨阳等人首先对感知数据的时间相关性、空间相关性和时空相关性进行了分析，其次根据感知数据的特点利用神经网络建立了数据清洗框架，在对感知缺失数据的实际清洗中取得了较好的结果。基于众多研究，清华大学的郝爽等人发表了一篇高质量的文献综述来介绍目前主流数据清洗方法及现状。从国内外对数据清洗的研究中发现，当前针对已有数据清洗技术的应用研究较多，而单纯针对数据清洗方法的研究较少。同时，由于处理的数据对象不同，导致数据清洗的解决方案和技术思路互不适用。因此，针对民航无线电话音通信业务的频谱数据清洗技术目前仍然没有一个规范化的处理方法。


技术实现要素：

[0004]
本发明的针对当前频谱数据清洗技术在民航无线电话音通信业务中的规范化研究空白，提出一种用于机场终端区民航甚高频通信中的频谱数据清洗方法。
[0005]
为了实现上述目的，本发明采用的技术方案如下所述：
[0006]
一种用于机场终端区甚高频通信中的频谱数据清洗方法，具体流程包括以下步骤：
[0007]
a.选取信号检测特征并设置滑窗宽度。
[0008]
a1：选取单频点数据。从甚高频通信频段118mhz～136.975mhz中确定实测频点集{f1,f2,...,f
n
},然后从中获取频点为f1的iq数据。
[0009]
a
11
：判别信号类型。利用频点f1的iq数据绘制二维时域图(横坐标为时间采样点，纵坐标为幅值)。通过二维时域图中的幅值差异来判别iq数据为含噪信号或纯噪声(含噪信号幅值参考范围为[12,600]，纯噪声幅值参考范围为 [0,200])。
[0010]
a
12
.：滑窗处理数据。设置滑窗宽度值w＝2
n
，其中n为正整数，推荐取值范围为[8，128]。依据所设置滑窗宽度值对步骤a
11
中的含噪信号数据和纯噪声数据进行滑窗处理，对滑窗提取数据段求平均值，得到滑窗处理后的含噪信号数据与纯噪声数据。s
min
为处理后含噪信号数据的最小值，n
max
为处理后纯噪声数据的最大值。若s
min
/n
max
＞1，则滑窗宽度设置合理，若s
min
/n
max
≤1，则增大滑窗宽度值直至满足要求。将满足要求的最小滑窗宽度作为频点f1的数据处理滑窗宽度值，记为w。
[0011]
a2：重复步骤a1，统计所有频点{f1,f2,...,f
n
}的滑窗宽度值并记为 {w1,w2,...,w
n
}，从中选取最大值作为处理所有数据的滑窗宽度，对所有数据进行滑窗处理。
[0012]
a3：确定信号检测特征。利用所有频点{f1,f2,...,f
n
}滑窗处理后的数据绘制二维时域图。依据二维时域图，若含噪信号幅值与纯噪声幅值的比值处于推荐范围[2,10]内，则可将幅值特征作为信号检测特征。
[0013]
b.设置数据归一化参数与统计门限值。
[0014]
b1：统计频点f1一分钟数据的归一化参数v
m
、门限值以trd
m
及信噪比snr
m
。对频点f1的实测数据进行滑窗处理后，信号幅值参考范围应为[400,600]，噪声幅值参考范围应为[0,50]。依据该判定条件，统计一分钟内的信号数据{s1,s2,...,s
p
} 与噪声数据{n1,n2,...,n
q
}。其中,p+q＝60。从s1到s
p
中找出每秒的幅值最大值 [s
1-max
,s
2-max
,...,s
p-max
]、最小值[s
1-min
,s
2-min
,...,s
p-min
]及平均值 [s
1-mea
,s
2-mea
,...,s
p-mea
]；从n1到n
q
中找出每秒的幅值最大值[n
1-max
,n
2-max
,...,n
q-max
]及平均值[n
1-mea
,n
2-mea
,...,n
q-mea
]。选取[s
1-max
,s
2-max
,...,s
q-max
]中的最小值作为一分钟单频点实测数据的归一化参数v
m
。对[s
1-min
,s
2-min
,...,s
n-min
]中的最小值以及 [n
1-max
,n
2-max
,...,n
m-max
]中的最大值进行归一化，其所得值记为s
n-min
与n
n-max
，则一分钟的门限值设为trd
m
＝n
n-max
+(s
n-min-n
n-max
)/2，信号功率为 p
s
＝mean(s
1-mea
,s
2-mea
,...,s
p-mea
)，噪声功率为 p
n
＝mean(s
1-mea
,s
2-mea
,...,s
p-mea
)，信噪比为snr
m
＝10log
10
((p
s-p
n
)2/p
n2
)。
[0015]
b2：统计频点f1一小时数据的归一化参数v
h
、门限值trd
h
、信噪比snr
h
。以5 分钟的时间间隔，分别提取频点f1的一小时数据，重复步骤b1，统计频点f1一小时数据的归一化参数、检测门限值以及信噪比。
[0016][0017]
将一小时的归一化参数集中的最小值记为v
h
；计算一小时的检测门限集均值，记为trd
h
；计算一小时的信噪比参数集均值，记为snr
h
。则该小时内的归一化参数、检测门限值以及信噪比分别记为[v
h
,trd
h
,snr
h
]。
[0018]
b3：统计频点f1一天数据的归一化参数v
d
、门限值trd
d
、信噪比snr
d
。选取 f1频点一天的实测数据，重复步骤b1～b2，统计频点f1一天数据的归一化参数、检测门限值与信噪比。
[0019][0020]
将一天的归一化参数集中的最小值记为v
d
；对一天的检测门限集求均值，记为trd
d
；对一天的信噪比参数集求均值，记为snr
d
。则该天内的归一化参数、检测门限值以及信噪比分别记为[v
d
,trd
d
,snr
d
]。
[0021]
b4：统计频点f1全部实测数据的归一化参数、门限值与信噪比。根据频点f1实测数据的采集天数，重复步骤b1～b3，统计频点f1全部数据的归一化参数、门限值与信噪比的。
[0022][0023]
将所得归一化参数集中的最小值记为v；对所得检测门限集求均值，记为trd；对所得信噪比参数集求均值，记为snr。则全部数据的归一化参数、检测门限值以及信噪比分别记为[v,trd,snr]。
[0024]
c.统计所有已测频点集{f1,f2,...,f
n
}的数据归一化参数、门限值与信噪比。重复步骤a～b，统计全部频点数据的归一化参数，记为{v1,v2,...,v
n
}、检测门限值，记为[trd1,trd2,...,trd
n
]、信噪比，记为[snr1,snr2,...,snr
n
]。
[0025][0026]
d.检测信号并形成标签。
[0027]
d1：利用步骤c中所得到频点f1对应的归一化参数v，对频点f1的每秒实测数据进行归一化，并提取归一化后数据的最大值，与频点f1的检测门限值trd进行比较。当该最大值大于等于检测门限值时，则判定为信号(标签为1)，否则判定为噪声(标签为0)。
[0028]
d2：统计频点f1在1天内的数据标签。重复步骤d1对频点f1在1天内的实测数据进行标签统计。
[0029][0030]
e.通信时长边界判定。
[0031]
e1：统计最大通信时长。依据步骤d中获得的标签，统计标签连续为1的时间长度，作为连续通信时间并记为[t1,t2,
…
,t
n
]，其中t
n
为单个连续通信的时长。t
max
为所有连续通信的时长中的最大值，并将t
max
作为频点f1数据预处理中的单位时间尺度。
[0032][0033]
e2：统计频点f1的1秒实测数据中连续的信号数据点。依据步骤c所获得的频点f1的归一化参数v对1秒数据进行归一化，将归一化后的数据与步骤c所得的频点f1的门限值trd进行对比。若大于门限值则判定为信号数据点，若小于门限值则判定为噪声数据点，统计1秒钟内所有连续的信号数据点长度。
[0034]
e3：重复步骤e2统计频点f1的1天实测数据中连续的信号数据点长度，并对得到的数据点长度进行累积分布函数(cdf)计算。
[0035][0036][0037]
选取累积分布概率为95％的连续信号数据点长度作为频点f1的1天实测数据中最小通信时长。
[0038]
e4：重复步骤e1～e3，根据频点f1的采集天数，统计频点f1实测数据中的最小通信时长。
[0039][0040]
最终，统计频点f1实测数据的最小通信时长中的最小值t
min
，并作为该频点数据的切片长度。
[0041]
f.计算已测频点集{f1,f2,...,f
n
}的最大通信时长、最小通信时长。重复步骤a～e 完成全部全部已测频点的最大、最小通信时长统计。
[0042][0043]
最终将已测频点集{f1,f2,
…
,f
n
}中各频点最大通信时长中的最大值作为所有频点数据预处理中的单位时间尺度，记为t
l
，将最小通信时长中的最大值作为所有频点数据预处理中的切片长度，记为l
c-s
(此最大值切片将所有频点的通信长度最小值统计出来后，再在这些最小值中选取他的最大值，作为所有频点的切片长度)。
[0044]
g.对频点f1实测数据进行切片、压缩并形成张量。
[0045]
g1：对频点f1单位时间尺度的实测数据进行切片。依据步骤f中所获得的最大单位时间尺度，计算其中所包含的数据点个数n＝[(t
l
×
n1)
×
1]。n1为频点f1的1 秒钟实测数据的数据点个数，切片长度为l
c-s
，对n进行切片处理，重构成大小为[(n/l
c-s
)
×
l
c-s
]的矩阵，完成频点f1在单位时间尺度的实测数据切片，并将切片后的数据进行重组，重构成“i+j*q”的形式，形成矩阵。
[0046]
g2：对频点f1单个切片数据进行压缩。对切片数据的实部和虚部分别进行求模、平均值处理，形成“i
c
+j*q
c”的数据点。
[0047]
g3：重复步骤g2，对频点f1单位时间尺度的所有切片数据进行压缩，形成大小为[(n/l
c-s
)
×
1]的矩阵。
[0048]
g4：对频点f1的一天的实测数据进行切片、压缩。重复步骤g1～g3，对频点 f1实测数据进行切片、压缩，重构成大小为[((n/l
c-s
)
×
(t/t
l
))
×
1]的矩阵，以此形成样本张量。
[0049]
g5：对频点f1所有的实测数据进行切片、压缩。重复步骤g1～g4，依据频点 f1数据的采集天数，完成频点f1所有实测数据的切片、压缩，形成大小为 [((n/l
c-s
)
×
(t/t
l
))
×1×
d]的张量(d为采集天数)。
[0050]
h.对所有已测频点集{f1,f2,...,f
n
}的实测数据进行数据预处理。重复步骤g 完成已测频点集{f1,f2,...,f
n
}实测数据的切片、压缩以及张量形成，最终重构成大小为[((n/l
c-s
)
×
(t/t
l
))
×
n
×
d]的三维张量数据样本。
[0051]
本发明与现有技术相比的有益效果在于：
[0052]
本发明提供了一种用于机场终端区甚高频通信中的频谱数据清洗方法，为后续训练智能频谱预测神经网络模型参数提供了高质量的频谱数据样本，提高了训练样本构造的灵活性和可实现性，保证了智能频谱预测的可靠性和预测有效时长需求。本发明为提升机
场终端区甚高频话音通信频率的利用率以及保障机场终端区的航空运行安全提供了重要技术支撑。
附图说明
[0053]
图1是本发明频谱数据三维张量训练样本生成流程图；
[0054]
图2是实施例中原始实测数据的二维时域图；
[0055]
图3是实施例中滑窗处理后数据的二维时域图；
[0056]
图4是实施例中129.45mhz的最小通信时长累积分布图。
具体实施方式
[0057]
下面将结合附图对本发明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。
[0058]
实施例
[0059]
本实施例利用广汉机场终端区甚高频通信频段的实测频谱数据，对本发明所提出的方法进行了验证，其结果证实了本发明内容的可行性和有效性。
[0060]
a.设置信号检测特征及滑窗宽度。
[0061]
a1：选取单频点数据。根据广汉机场终端区甚高频通信频率所确定的实测频点集为{120.3mhz,129.2mhz,129.45mhz}。从该频点集中选取129.45mhz的iq数据。
[0062]
a
11
：判别信号类型。利用频点129.45mhz的iq数据绘制二维时域图(横坐标为时间采样点，纵坐标为幅值)。通过二维时域图中的幅值差异来判别iq数据为含噪信号或纯噪声(含噪信号幅值参考范围为[12,600]，纯噪声幅值参考范围为[0,200])。
[0063]
a
12
.：滑窗处理数据。选定w＝16，其中n为正整数。依据所设置滑窗宽度值对步骤a
11
中的含噪信号数据和纯噪声数据进行滑窗处理，对滑窗提取数据段求平均值，得到滑窗处理后的含噪信号数据与纯噪声数据为
[0064][0065]
滑窗处理后含噪信号数据的最小值为与纯噪声数据的最大值为[124,42]。则 124/42＞1，所设置的滑窗宽度值满足要求。
[0066]
a2：重复步骤a1，统计所有频点的滑窗宽度值为[16,16,8]，选取所有频点滑窗宽度值中的最大值作为处理所有频点数据的滑窗宽度值，则w＝16。
[0067]
a3：确定信号检测特征。用步骤a2中得到的滑窗宽度对步骤a1中频点集 {120.3mhz；129.2mhz；129.45mhz}的重组数据进行滑窗处理，并对处理后的重组数据进行二维时域图绘制。依据二维时域图，含噪信号幅值特征与纯噪信号幅值特征的比值等于[3,5,3]，满足幅值特征作为信号的检测特征。
[0068]
b.设置数据归一化参数与统计门限值。
[0069]
b1：统计频点129.45mhz一分钟数据的归一化参数v
m
、门限值trd
m
以及信噪比snr
m
。
对频点129.45mhz的实测数据进行滑窗处理后，信号幅值参考范围应为(150,270)，噪声幅值参考范围应为(0,50)。依据该判定条件，统计一分钟内的信号数据与噪声数据。
[0070][0071]
其中,p+q＝60。从s1到s
p
中找出每秒的幅值最大值为[228,260,...,221]、最小值 [170,181,...,168]及平均值[202,223,...,194]；从n1到n
q
中找出每秒的幅值最大值[35,33,...,34] 及平均值[23,21,...,21]。选取[228,260,...,221]中的最小值作为一分钟单频点实测数据的归一化参数v
n-m
＝220。对[170,181,...,168]中的最小值以及[35,33,...,34]中的最大值进行归一化，其中s
n-min
＝0.76，n
n-max
＝0.17，则一分钟的门限值为0.465，信号功率为212，噪声功率为21，信噪比为18。
[0072]
b2：统计频点129.45mhz一小时数据的归一化参数v
h
、门限值trd
h
、信噪比 snr
h
。以5分钟的时间间隔，分别提取频点129.45mhz的一小时数据，重复步骤 b1，统计频点129.45mhz一小时数据的归一化参数、检测门限值以及信噪比。
[0073][0074]
将一小时的归一化参数集中的最小值为220；计算一小时的检测门限集均值，为0.46；计算一小时的信噪比参数集均值为18。则该小时内的归一化参数、检测门限值以及信噪比分别记为[0.46,220,18]。
[0075]
b3：统计频点129.45mhz一天数据的归一化参数v
d
、门限值trd
d
、信噪比snr
d
。选取129.45mhz频点一天的实测数据，重复步骤b1～b2，统计频点129.45mhz 一天数据的归一化参数、检测门限值与信噪比。
[0076][0077][0078]
一天的归一化参数集中的最小值为224；对一天的检测门限集求均值，其值为0.46；对一天的信噪比参数集求均值，其值为18。则该天内的归一化参数、检测门限值以及信噪比分别记为[0.46,224,18]。
[0079]
b4：统计频点129.45mhz全部实测数据的归一化参数、门限值与信噪比。根据频点129.45mhz实测数据的采集天数，重复步骤b1～b3，统计频点 129.45mhz全部数据的归一化参数、门限值与信噪比。
[0080][0081]
将所得归一化参数集中的最小值为221；对所得检测门限集求均值，其值为 0.46；对所得信噪比参数集求均值，其值为18。则全部数据的归一化参数、检测门限值以及信噪比分别记为[0.46,221,18]。
[0082]
c.统计所有已测频点集{120.3mhz、129.2mhz、129.45mhz}的数据归一化参数、门限值与信噪比。重复步骤a～b，统计全部频点数据的归一化参数、检测门限值、信噪比。
[0083][0084][0085]
d.检测信号并形成标签。
[0086]
d1：利用步骤c中所得到频点129.45mhz对应的归一化参数为221，对频点 129.45mhz的每秒实测数据进行归一化，并提取归一化后数据的最大值，与频点 129.45mhz的检测门限值进行比较。当该最大值大于等于检测门限值时，则判定为信号(标签为1)，否则判定为噪声(标签为0)。
[0087]
d2：统计频点129.45mhz在1天内的数据标签。重复步骤d1对频点129.45mhz 在1天内的实测数据进行标签统计。
[0088][0089]
e.通信时长边界判定。
[0090]
e1：统计最大通信时长。依据步骤d中获得的标签，统计标签连续为1的时间长度，作为连续通信时间，并将最大通信时长作为129.45mhz频点数据预处理中的单位时间尺度。
[0091]
[0092][0093]
e2：统计频点129.45mhz的1秒实测数据中连续的信号数据点。依据步骤c 所获得的129.45mhz频点的归一化参数对1秒数据进行归一化，将归一化后的数据与步骤c所得的129.45mhz频点的门限值进行对比。若大于门限值则判定为信号数据点，若小于门限值则判定为噪声数据点，统计1秒钟内所有连续的信号数据点长度。
[0094]
e3：重复步骤e2统计129.45mhz频点的1天实测数据中连续的信号数据点长度，并对得到的数据点长度进行累积分布函数(cdf)计算。
[0095][0096]
选取累积分布概率为95％的连续信号数据点长度作为129.45mhz频点的1 天实测数据中最小通信时长。
[0097]
e4：重复步骤e1～e3，根据129.45mhz频点的采集天数，统计频点129.45mhz 实测数据中的最小通信时长。
[0098]
[0099][0100]
最终，统计129.45mhz频点实测数据的最小通信时长中的最小值为128，并作为该频点数据的切片长度。
[0101]
f.计算已测频点集{120.3mhz；129.2mhz；129.45mhz}的最大通信时长、最小通信时长。重复步骤a～e完成全部全部已测频点的最大、最小通信时长统计。
[0102][0103]
最终将已测频点集{120.3mhz；129.2mhz；129.45mhz}中各频点最大通信时长中的最大值作为所有频点数据预处理中的单位时间尺度，其值为11s，将最小通信时长中的最大值作为所有频点数据预处理中的切片长度，其值为276。
[0104]
g.对129.45mhz频点实测数据进行切片、压缩并形成张量。
[0105]
g1：对频点129.45mhz单位时间尺度的实测数据进行切片。依据步骤f中所获得的最大单位时间尺度，计算其数据点个数n＝[(131072
×
11)
×
1]。切片长度为 276，对n进行切片处理，重构成大小为[5223
×
276]的矩阵，完成129.45mhz频点在单位时间尺度的实测数据切片，并将切片后的数据进行重组，重构成“i+j*q”的形式，形成[5223
×
138]矩阵。
[0106]
g2：对129.45mhz频点单个切片数据进行压缩。对切片数据的实部和虚部分别进行求模、平均值处理，形成
“-
0.734+0.254i”的数据点。
[0107]
g3：重复步骤g2，对129.45mhz频点的单位时间尺度的所有切片数据进行压缩，形成大小为[5223
×
1]的矩阵。
[0108]
g4：对129.45mhz频点的一天的实测数据进行切片、压缩。重复步骤g1～g3，对129.45mhz频点的实测数据进行切片、压缩，重构成大小为[20512145
×
1]的矩阵(采集小时数为12)，以此形成样本张量。
[0109]
g5：对129.45mhz频点的所有的实测数据进行切片、压缩。重复步骤g1～g4，依据129.45mhz频点的数据的采集天数，完成129.45mhz频点的所有实测数据的切片、压缩，形成大小为[20512145
×1×
30]的张量(采集天数为30)。
[0110]
h.对所有已测频点集{120.3mhz；129.2mhz；129.45mhz}的实测数据进行数据预处理。重复步骤g完成已测频点集{120.3mhz；129.2mhz；129.45mhz}实测数据的切片、压缩以及张量形成，最终重构成大小为[20512145
×3×
30]的三维张量数据样本。
[0111]
原始数据的二维时域图与进行滑窗处理后数据的二维时域图如图3、图4所示。图3显示了原始噪声数据与含噪信号数据的二维时域图，表明了噪声与含噪信号在幅值上具有可分性，但可分性效果不明显。图4显示了经过滑窗处理后数据的二维时域图，表明数据在进行滑窗处理后，在幅值上的可分性明显。说明可利用滑窗处理后数据的幅值可分性可以实现噪声与含噪信号的分类。
[0112]
通信频率129.45mhz的最小通信时长累积分布图如图4所示，表明最小通信时长的分布情况，选取cdf值为0.95所对应的时间采样点长度作为数据预处理的切片长度，更好地保证预测效果。
[0113]
综上所述，本发明通过智能频谱传感器对机场终端区甚高频通信实测数据进行采集，设置信号检测阈值来统计数据的最大、最小通信时长，并依据最小通信时长对数据样本进行压缩，依据最大通信时长对数据样本进行切片，最终生成适合智能频谱预测神经网络输入的三维张量训练样本。该方法可以获得更高质量的频谱预测数据，为后续训练智能频谱预测神经网络模型参数构建了高质量的频谱数据样本，提升了复杂电磁环境下智能频谱预测神经网络的预测能力，最终达到提升频谱预测准确度和可靠性的目的，为提升机场终端区的甚高频话音通信频率利用率以及保障机场终端区的航空运行安全提供了重要技术支撑。
[0114]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。