一种回声消除方法及使用该方法的回声消除装置与流程

1.本发明涉及声音处理领域，尤其涉及一种回声消除方法及使用该方法的回声消除装置。


背景技术：

2.随着现代信息技术产业的迅猛发展，诸如电视会议系统、免提电话、移动通信和助听器等各种各样的语音通信设备不断出现，使得人们的交流沟通更加地便捷和舒适。但是在语音通信设备中，回声的存在严重降低了语音通信的质量，声学回声消除是极大的挑战。
3.回声现象是指系统的音频输入设备在进行音频录入时，录入的音频信号源可能有两个：一个是原本需要录入的音频信号，一个是本地音频输出设备输出的音频信号，在这种情况下，两个音频信号源的存在使得输出设备播放的音频存在回声。为了避免回声现象，需要将音频输出设备输出的音频信号在音频输入设备端消除，使音频输入设备录入的音频信号源只有原本需要录入的音频信号。例如，在用户a与用户b使用即时通信工具进行语音聊天时，用户a通过本地的音频输入设备录入的语音数据到达用户b所在终端的音频输出设备，此时，若不进行回音消除，该语音数据会被用户b所在终端的音频输入设备录入，那么此时用户a从本地的音频输出设备听到的不仅是用户b的说话内容，还听到刚才自己所说的话。同样，在用户a这一侧若不进行回音消除，用户b也会听到自己之前所说的话。所以，为了使用户a和用户b都只听到对方的语音内容而听不到自己之前所说的话，需要在用户a和用户b这两侧都实现回声消除。
4.声学回声信号具有以下几个特点：（1）由于回声信道受温度、压力、湿度和物体或物体的运动等因素的影响，呈现非线性、不稳定以及时变等特性；（2）回声路径具有多重路径特性，即回声不仅包括语音经扩音器播放后直接被麦克风拾取的直接回声，还包括语音经麦克风播放后经过一重或者多重反射后的间接回声；（3）声学回声具有延时长、增益高、容易产生啸叫等现象。基于声学回声信号的以上特点，研究高性能的声学回声消除算法仍是语音信号处理领域的一大难点。随着人们对语音通信质量的要求越来越高，研究收敛速度快、收敛精度高和计算复杂度低的回声消除算法是语音信号处理领域研究的一大热点。
5.在进行回声消除时，通常采用自适应滤波器以系统辨识的方式来跟踪和估计未知回声信道，这是最广泛使用的回声消除方法。自适应滤波器是以输入和输出信号的统计特性的估计为依据，采取特定的算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器对输入信号序列的每一个样值，按照特定的算法，更新、调整加权系数，使得输出信号序列与期望输出信号序列相比较的均方误差最小。当采用自适应滤波器进行回声消除时，需要满足以下两点：（1）自适应滤波器在收敛阶段，期望输出信号完全是回声，而不能混有近端的语音信号，因为近端的语音信号与远端的语音信号是不相关的。因此，为了达到该目的，需要较快的收敛速度，在近端还没有语音输入时，自适应滤波器已经收敛完成；（2）回声的路径可能是发生变化的，一旦出现变化，自适应滤波器需要及时判断处理，此时自适应滤波器需要一个新的收敛过程，以满足新的回声路径的需求。为了达
到上述两点要求，一方面需要自适应滤波器收敛后系数保持稳定，以保证不受近端语音输入信号的干扰；另一方面需要自适应滤波器随时保持更新状态，以保证能够追踪变化的回声路径。因此，采用传统的自适应滤波器算法需要根据系统具体性能要求，在收敛速度和稳态失调之间做出权衡。
6.因此，亟需一种回声消除方法，其能解决传统自适应滤波器收敛速度和稳态失调之间的问题，能达到收敛速度快、稳态误差低并且计算复杂度低的要求。


技术实现要素：

7.为了解决上述技术问题，本发明提供一种回声消除方法。该方法选择合适的网络训练模型与自适应滤波器相结合，既能够消除回声，同时能满足实时通信系统的要求，且对外界环境变化具有较强的抗干扰能力，具有收敛速度快、收敛精度高、计算复杂度低的优点。
8.为了实现上述发明目的，本发明提供一种回声消除方法，其包括以下步骤：（1）获取音频序列的第一帧音频信号；所述音频信号包括远端信号和近端信号；（2）将远端信号输出到滤波器系数调整模块；（3）判断音频信号是否为起始位置，若音频信号为起始位置，则执行步骤（4）；若音频信号不是起始位置，则执行步骤（5）；（4）将远端信号输出至已训练的卷积神经网络，卷积神经网络输出起始滤波器系数，并将起始滤波器系数及远端信号输出至自适应滤波器，执行步骤（6）；（5）将远端信号输入至自适应滤波器；（6）自适应滤波器根据远端信号得到合成回声；近端信号与合成回声计算出误差信号；（7）判断误差信号能量是否大于近端信号能量倍数的上限值，若误差信号能量大于近端信号能量倍数的上限值，则返回步骤（4）；若误差信号能量不大于近端信号能量倍数的上限值，将误差信号传输至滤波器系数调整模块，判断是否同时接收有远端信号和误差信号，若同时接收有远端信号和误差信号，则利用远端信号和误差信号更新滤波器系数，并执行步骤（8）；（8）将处理后的近端信号传输至远端设备；（9）判断音频序列是否为最后一帧，若不是最后一帧，则获取下一帧信号，并返回至步骤（2）；若音频序列为最后一帧，则结束回音消除。
9.采用本发明中的回声消除方法，采用卷积神经网络+自适应滤波器的方法，既能够加快回声路径的收敛速度，同时能保证更高的收敛精度。在开始阶段，卷积神经网络训练模型为自适应滤波器提供一组初始的滤波器系数，可以加快自适应滤波器在估计回声路径时的收敛速度。另一方面，当外界环境发生变化时，导致回声路径从收敛到二次发散，如果只依靠滤波器再次达到收敛状态，则耗时较长。在本发明中，如果回声路径二次发散，则调用卷积神经网络模型为自适应滤波器提供一组新的滤波器系数，可以加速二次收敛的速度，保证回声消除的连续性，避免某个时刻滤波器无法收敛，出现回声无法消除的情况。
10.优选地，所述已训练的神经网络包括输入层、卷积层、激活层、池化层、全连接层和输出层。
11.优选地，所述已训练的神经网络训练样本为远端信号频域信号，目标样本为近端信号频域信号。混合音频信号在频域中更容易区分近端信号和回声信号，有利于在训练中提取回声信号的特征信息。
12.优选地，所述步骤（1）中包括将音频信号从时域转换到频域；所述步骤（8）为将处理后的近端信号从频域转换到时域，并传输至远端设备。自适应滤波器对频域信号进行处理，可以使得滤波器的更新更为精细，回声残留低，且混合音频信号在频域中更容易区分近端信号和回声信号，更有利于在训练中提取回声信号的特征信息。
13.优选地，所述步骤（8）包括抑制残留回声，并将处理后的近端信号传输至远端设备。
14.优选地，在进行抑制残留回声时，根据信号之间的相关性进行抑制，所述信号之间的相关性至少包括以下信号相关性其中之一：近端信号和远端信号的相关性，近端信号和误差信号的相关性以及远端信号和误差信号的相关性。
15.优选地，在进行抑制残留回声时，通过维纳滤波器或者谱减法进行残留回声抑制。
16.优选地，所述自适应滤波器为以下滤波器其中之一：fir滤波器或iir滤波器。
17.优选地，所述自适应滤波器采用以下自适应算法之一：lms算法或nlms算法。
18.优选地，所述近端信号能量倍数的上限值为近端信号能量的15
‑
25倍。
19.本发明的另一方面，提供一种回声消除装置，所述回声消除装置包括：第一回声路径生成器、第二回声路径生成器和判决器，其中：第一回声路径生成器用于接收远端信号，采用已训练的卷积神经网络模型，在音频起始位置更新滤波器系数，输出估计的回声路径作为第二回声路径生成器的起始参考值；所述第一回声路径生成器还用于当判决器判定误差信号能量远大于近端信号能量倍数的上限值时，更新滤波器系数，为第二回声路径生成器重新配置滤波器系数；第二回声路径生成器用于接收远端信号和更新的滤波器系数，采用自适应滤波器模型，选取更新的滤波器系数作为其系数，输出合成回声；以及判决器，用于接收近端信号和误差信号，并判断误差信号能量与近端信号能量的大小，若误差信号能量大于近端信号能量倍数的上限时，调用第一回声路径生成器，为第二回声路径生成器重新配置滤波器系数；若误差信号能量不大于近端信号能量倍数的上限时，将输出的近端信号传输到远端设备，同时使用远端信号和误差信号更新第二回声路径生成器的滤波器系数。
20.优选地，该回声消除装置还包括残留回声抑制器，当判决器判定误差信号能量不大于近端信号能量倍数的上限时，对输出的近端信号进行残留回声抑制。
附图说明
21.图1为本发明提供的一种回声消除方法的流程图。
22.图2为本发明采用的卷积神经网络训练模型的流程图。
23.图3为本发明提供的一种回声消除装置的示意图。
具体实施方式
24.以下配合图式及本发明的较佳实施例，进一步阐述本发明为达成预定发明目的所
采取的技术手段。
25.如图1中所示，图1为本发明提供的一种回声消除方法的流程图。
26.步骤110，获取音频序列的第一帧音频信号，该音频序列包括近端信号和远端信号，其中近端信号中至少包括回声信号和噪声信号，远端信号为远端的语音信号。
27.可选的步骤120，将音频信号从时域转换到频域。该步骤主要是确定自适应滤波器的输入信号类型。时域自适应滤波器对回声的反应速度较快，可以迅速跟踪回声环境，但是会有较多的回声。频域自适应滤波器，可以使得滤波器的更新更为精细，回声残留低，且混合音频信号在频域中更容易区分近端信号和回声信号，更有利于在训练中提取回声信号的特征信息。因此，为了达到更好的回声消除效果，可以选择将音频信号从时域转换到频域。执行完可选步骤120之后，一方面继续执行步骤130，判断获取的音频信号是否为起始位置；另一方面，将音频信号中的远端信号输出到自适应滤波器系数调整模块，以便于后续对自适应滤波器系数进行调整。
28.在执行步骤130时，判断音频信号是否为起始位置，若音频信号为起始位置，则将远端信号输入已训练的卷积神经网络，执行步骤141；若音频信号不是起始位置，则执行步骤140。自适应滤波器的初始滤波器系数为0，使用多个时刻的近端信号和远端信号，估计回声路径，使得自适应滤波器的输出信号与回声信号的误差最小化，直至回声路径收敛。因为自适应滤波器在起始时刻回声路径没有收敛，容易出现回声无法消除的现象。为了加快自适应滤波器的收敛速度，避免起始时刻回声无法消除的现象，在本发明中，我们判断音频序列位于起始位置后，将远端信号输入已训练的卷积神经网络，得到估计的回声路径，作为自适应滤波器的起始滤波器系数。因此，在该实施例中，在开始阶段，卷积神经网络训练模型为自适应滤波器提供了一组初始的滤波器系数，可以加速自适应滤波器在估计回声路径的收敛速度。
29.步骤141，当音频信号为起始位置时，将远端信号输入已经训练的卷积神经网络。在本实施例中，采用卷积神经网络作为训练模型。传统的神经网络随着网络越来越深，训练变得越来越困难，网络的优化将变得越来越难。因为网络越深，网络需要学习的内容将越多，收敛速度也就越慢，梯度消失的现象会越来越明显，训练效果范围不如相对较浅的网络。卷积神经网络通过局部感受野、权重共享、降采样等策略，降低了网络模型的复杂度，减少了权值的数量。这种网络结构对平移、比例缩放或者其他形式的变形具有高度不变性。卷积神经网络采用原始序列作为输入，可以有效地从大量样本中学习到相应的特征，避免了复杂的提取过程。因此，卷积神经网络广泛地用于目标识别、语音识别等领域。常见的卷积神经网络由输入层、卷积层、激活层、池化层、全连接层和最后的输出层构成。
30.本发明提供一种采用卷积神经网络的训练方法，如图2中所示。将近端信号经过fft得到的频域数据作为目标样本（标签），以远端信号经过fft得到的频域数据作为训练样本，通过训练，获取一组n阶fir滤波器的系数，使得在初始时刻，估计的回声信号和近端信号的误差值最小化，提高自适应滤波器的收敛速度，有效抑制回声能量。在该实施例中，卷积神经网络的训练输入数据采用的是频域数据而不是时域数据，因为混合音频信号在频域中更容易区分近端信号和回声信号，有利于在训练中提取回声信号的特征信息，使得估计的回声路径模型的误差最小化。
31.在执行完步骤141之后，将卷积神经网络得到的起始滤波器系数和远端信号输入
到自适应滤波器，执行步骤140，将远端信号、起始滤波器系数（或者更新之后的滤波器系数）均输入自适应滤波器。执行完步骤140后，继续执行步骤150。
32.步骤150，远端信号输入自适应滤波器得到合成回声，近端信号与合成回声计算出误差信号。采用自适应滤波器进行回声消除的基本原理是采用自适应滤波器来模拟回声信道，通过相应的自适应算法调整滤波器的抽头系数，使其逐步地逼近真实的回声路径。利用自适应滤波器模拟的回声信道估计回声信号，并将麦克风采集到的信号减去此信号，从而实现回声消除。自适应滤波器的自适应过程是：用自适应算法调节fir滤波器（finite impulse response，有限长单位冲激响应滤波器）或者iir滤波器（infinite impulse response，无限脉冲响应滤波器）的系数，使误差信号接近于0。本发明中不限定滤波器的类型，只要能实现本发明中的目的即可，以下以fir滤波器为例。自适应算法可以包括lms算法（least mean square，最小均方自适应滤波）和nlms算法（normalized least mean square，归一化最小均方自适应滤波）。
33.具体地，近端信号的d(n)、远端信号x(n)和误差信号e(n)的关系如下所示：记第n时刻输入的远端语音信号为x(n)，用n*1的向量x(n)表示在第n时刻的语音信号输入向量：x(n) = [x(n),x(n
‑
1),
…
, x(n
‑
n+1)]
t
，其中，上标t表示矩阵转置。
[0034]
在回声消除系统中，回声系统的冲激响应序列，我们称为回声路径h，记作为：h = [h0,h1,
…
, h
n
‑1]
t
，其中，n表示向量的长度。因此，回声信号的产生可以简化为信号x(n) 经过冲激响应为h的fir滤波器的作用。
[0035]
近端信号d(n)中不仅包含了回声信号，还包括有噪声信号v(n)，因此近端信号d(n)可以表示为：d(n) = y(n) + v(n) = h
t
x(n) + v(n)。
[0036]
为了估计回声信号，以一个n阶fir滤波器w(n)模拟回声信道，记为：w(n) = [w0(n), w 1
(n),
…
, w n
‑1(n)]
t
，用来估计回声信道的fir滤波器的输出信号y’(n)，y’(n)为估计的回声信号，记为y’(n) = w
t
(n) x(n)。
[0037]
将近端信号d(n)与估计的回声信号y’(n)相减，得到的误差信号e(n) 即为去除回声的信号，e(n) = d(n)
ꢀ‑ꢀ
w
t
(n) x(n)。在有噪声的系统中，当回声消除系统经过一定次数的迭代后，使得模拟回声信道的fir滤波器w(n)等于或者约等于回声信道h时，有e(n) ≈ v(n)，回声能量得到有效抑制。
[0038]
执行完步骤150之后，进入步骤160，判断误差信号能量与近端信号能量的大小。误差信号表示近端信号与估计回声的差值，差值越小，表示估计的回声路径越准确；若回声路径估计准确，则误差信号的能量应该是一直小于近端信号，若误差信号的能量远大于近端信号的能量，则认为估计的回声路径不准确，估计的回声路径是不准确的，是发散的。在进行能量计算时，采用的方法是，用n个信号量，将其从时域信号转换为频域信号后，对n个频域信号进行累加。若误差信号能量大于近端信号能量倍数的上限值，此时回声路径已经无法消除回声，执行步骤141，重新计算自适应滤波器的起始滤波器系数。在判定过程中，若误差信号的能量大于近端信号能量的15
‑
25倍，则认为误差信号的能量远大于近端信号的能量，即误差信号能量大于近端信号能量倍数的上限值。在语音通信过程中，由于回声信道受外界温度、物体的运动等因素影响，麦克风播放后经过一重或者多重反射后的间接回声，受客观因素的影响，回声路径发生了显著的变化，导致误差信号能量大于近端信号能量倍数的上限值的情况。若误差信号能量不大于近端信号能量倍数的上限值时，则认为自适应滤
波器估计的回声路径满足语音通信的要求，回声可以消除。此时，执行步骤142，判断是否同时接收有远端信号和误差信号，若同时接收有远端信号和误差信号，则执行步骤143，利用远端信号和误差信号，更新自适应滤波器的系数，用当前时刻的近端信号和远端信号特征修正回声路径，为下一时刻提供更准确的回声路径估计。因为执行步骤143的操作比执行步骤141的操作耗时更小，因此，只有在判断步骤160中误差信号能量远大于近端信号能量时（即误差信号能量大于近端信号能量倍数的上限值时），才执行步骤141，使用一次卷积神经网络计算滤波器系数。采用本发明中提供的回声消除方法，既可以用卷积神经网络为自适应滤波器提供起始滤波器系数，加速回声路径的收敛；又可以减少卷积神经网络的使用次数，将耗时降低到最小，满足语音通信系统的实时性要求。
[0039]
在执行完步骤160后，执行步骤142时，同时执行可选步骤170，进行残留回声抑制。为了避免可能出现回声无法完全消除的情况，针对步骤160输出的近端信号，做残留回声抑制的处理，以提升近端信号质量。进行残留回声抑制时，可以首先计算信号之间的相关性，如近端信号和远端信号的相关性，近端信号和误差信号的相关性，远端信号和误差信号的相关性，根据以上信号之间相关性的强弱程度，对输出的近端信号进行残留回声抑制处理。可以通过维纳（wiener）滤波器或者谱减法来实现残留回声抑制的目的。
[0040]
执行完步骤170之后，执行步骤171和步骤172，将步骤170处理后的近端信号，从频域转换到时域，并传输到远端设备。同时执行步骤180，判断音频序列是否是最后一帧，若是，则回声消除结束；若不是，则执行步骤181，提取下一帧音频信号，并返回步骤120进行下一帧音频信号的回声消除操作。
[0041]
综上所述，本发明中提供的回声消除方法具有如下优点：（1）采用卷积神经网络+自适应滤波器的方法，既能够加快回声路径的收敛速度，同时能保证更高的收敛精度。在开始阶段，卷积神经网络训练模型为自适应滤波器提供一组初始的滤波器系数，可以加快自适应滤波器在估计回声路径时的收敛速度。另一方面，当外界环境发生变化时，导致回声路径从收敛到二次发散，如果只依靠滤波器再次达到收敛状态，则耗时较长。在本发明中，如果回声路径二次发散，则调用卷积神经网络模型为自适应滤波器提供一组新的滤波器系数，可以加速二次收敛的速度，保证回声消除的连续性，避免某个时刻滤波器无法收敛，出现回声无法消除的情况。（2）若仅采用卷积神经网络进行回声路径估计，目前的神经网络训练模型仍然无法达到100%准确检测和识别的能力，通过神经网络直接得到近端特征，难免出现估计的回声路径不准确的情况。当外界环境发生变化时，已训练的神经网络对新环境的修正能力和自适应能力较差，无法估计出回声路径。采用卷积神经网络+自适应滤波器的方法，能够有效克服上述缺点。当出现神经网络训练模型估计的回声路径不准确时，借助自适应滤波器修正回声路径，降低稳态失调量，有效地消除回声，提高回声消除方法对复杂环境变化的抗干扰能力。（3）若只使用自适应滤波器进行回声消除，需要研究一种收敛速度快、稳态误差低且计算复杂度低的自适应滤波算法。传统算法如lms（least mean square，最小均方自适应滤波），虽然计算复杂度低且易于实现，但是容易受梯度噪声放大的影响；传统算法如nlms（normalized least mean square，归一化最小均方自适应滤波），虽然稳定性高、计算复杂度低，但是步长固定，需要在收敛速度和稳态失调之间做出权衡。由于每一帧音频的回声路径受到温度、压力、湿度和物体或物体的运动等因素的影响，呈现非线性、不稳定、时变等特性，回声路径还具有多重路径特性。这样复杂的函数映射关系，仅仅依
靠传统的滤波算法很难达到最优解。本发明中采用卷积神经网络+自适应滤波器的方法，通过借助神经网络的训练，可以得到更加理想的训练模型，从而实现滤波器的输出等于或约等于回声信道的输出，为回声消除提供最佳的回声路径。（4）本发明中提供的卷积神经网络作为训练模型，网络结构简单，计算复杂度低。只有当回声路径处于发散状态时，才会调用卷积神经网络；若回声路径处于收敛状态，则使用自适应滤波器估计回声路径。相比于只采用卷积神经网络消除回声的方法，本发明提供的方法耗时更小，更加符合语音通信系统实时性的要求。且在本发明中，卷积神经网络的训练样本和目标样本不是采用音频时域数据，而是优选采用频域数据作为输入，因为混合音频信号在频域中更加容易区分近端信号和回声信号，有利于在训练中提取回声信号的特征信息。
[0042]
本发明的另一方面，还提供一种回声消除装置，如图3所示。该回声消除装置包括第一回声路径生成器、第二回声路径生成器、判决器和残留回声抑制器。
[0043]
第一回声路径生成器用于接收远端信号，采用已训练的卷积神经网络模型，在音频起始位置更新滤波器系数，输出估计的回声路径作为第二回声路径生成器的起始参考值。第一回声路径生成器还用于当判决器判定误差信号能量远大于近端信号能量时，更新滤波器系数，为第二回声路径生成器重新配置滤波器系数。
[0044]
第二回声路径生成器，用于接收远端信号和更新的滤波器系数，采用自适应滤波器模型，选取更新的滤波器系数作为其系数，输出合成回声。第二回声路径生成器中接收的更新的滤波器系数，在音频初始阶段以及判决器判定误差信号能量大于近端信号能量倍数的上限时，通过调用第一回声路径生成器更新滤波器系数；当判决器判定误差信号能量小于近端信号能量时，根据误差信号和远端信号，更新滤波器系数。
[0045]
判决器，用于接收近端信号和误差信号，并判断误差信号能量与近端信号能量的大小，若误差信号能量大于近端信号能量倍数的上限值时，调用第一回声路径生成器，为第二回声路径生成器重新配置滤波器系数；若误差信号能量不大于近端信号能量倍数的上限值时，输出的近端信号做残留回声抑制处理（此时输出的近端信号进行了回音消除操作），并将输出的近端信号传输到远端设备，同时使用远端信号和误差信号更新第二回声路径生成器的滤波器系数。
[0046]
残留回声抑制器，根据判决器输出的误差信号，进行残留回声抑制。进行残留回声抑制时，可以首先计算信号之间的相关性，如近端信号和远端信号的相关性，近端信号和误差信号的相关性，远端信号和误差信号的相关性，根据以上信号之间相关性的强弱程度，对输出的近端信号进行残留回声抑制处理。
[0047]
本发明中提供的回声消除装置配合回声消除方法一起使用，在工作时，首先将判断远端信号是否为第一帧，若为第一帧，则将该远端信号输入第一回声路径生成器和第二回声路径生成器，第一回声路径生成器采用已训练的卷积神经网络模型，输出估计的回声路径，更新滤波器系数，用作为第二回声路径生成器的起始参考值。第二回声路径生成器根据接收的起始信号参考值，对远端信号进行处理，输出合成回声y(n)。若判断输入的远端信号不是第一帧，则将该远端信号直接输入第二回声路径生成器，第二回声路径生成器对远端信号进行处理，输出合成回声y(n)。将近端信号d(n)减去合成回声y(n)得到误差信号e(n)，判决器同时接收误差信号e(n)和近端信号d(n)，并比较误差信号能量和近端信号能量。若误差信号能量大于近端信号能量倍数的上限值时，调用第一回声路径生成器，更新滤
波器系数，为第二回声路径生成器重新配置滤波器系数；若误差信号能量不大于近端信号能量倍数的上限值，则使用远端信号和误差信号更新第二回声路径生成器的滤波器系数，同时将输出的近端信号采用残留回声抑制器做残留回声抑制处理，然后将处理后的近端信号传输到远端设备。
[0048]
采用本发明中的回声消除装置，在进行第二回声路径生成器中的滤波器参数配置时，采用卷积神经网络+自适应滤波器的方法，既能够加快回声路径的收敛速度，同时能保证更高的收敛精度，能够达到较好的回声消除效果。
[0049]
以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。