超密集异构无线网络中基于网络推荐的接入选择方法

摘要

本发明请求保护一种超密集异构无线网络中基于网络推荐的接入选择方法。包括以下步骤：首先，通过各用户的历史行为进行离线数据分析，采用协同过滤推荐算法，得到用户相似度评估并给出推荐网络。然后选择推荐的网络进行接入，若推荐网络不可用，则采用浣熊优化神经网络算法进行网络选择。其次,实时更新各候选网络的综合评分和接入网络的用户体验评分，构建一个在线反馈与评分机制以更新历史数据库，从而保证推荐算法的准确性。最后，通过三组实验表明，本文算法能够有效减少用户的切换时延和信令开销，并且由于在线反馈评分机制包括了阻塞率等评价指标，用户切换判决时会避免阻塞率较高的网络，从而减少了平均阻塞率。

说明书

技术领域

本发明属于5G宏基站和微基站密集组网的无线蜂窝网络与无线局域网异构而成的超密集异构无线网络中的网络选择算法，属于移动通信领域。特别是涉及一种利用协同过滤推荐系统进行网络选择的算法。

背景技术

随着5G的到来，逐渐形成新的多种无线网络接入技术共存的异构网络环境，且随着5G微基站的密集设立，超密集异构无线网络环境给低时延用户的网络选择带来更大的困难。于是在保证网络性能的同时，减少超密集异构无线网络带来的切换时延，成为了学术界的研究热点之一。

当前许多文献对关于异构无线网络的接入选择问题进行了研究。文献[马彬,李尚儒,谢显中.异构无线网络中基于人工神经网络的自适应垂直切换算法[J].电子与信息学报,2019,41(05):199-205]提出一种基于人工神经网络的自适应网络切换算法，根据不同业务类型,对参数进行自适应输入人工神经网络，判决出候选网络集中最佳的接入网络。文献[Zhu A,Guo S,Liu B,et al.Adaptive Multiservice Heterogeneous NetworkSelection Scheme in Mobile Edge Computing[J].IEEE Internet of Things Journal,2019,6(4):6862-6875]提出了一种移动边缘计算中的自适应多服务网络选择方案，该方案结合了模糊逻辑和多属性决策的优势，旨在解决网络中的最优选择问题。文献[Wang X,LiJ,Wang L,et al.Intelligent User-Centric Network Selection:A Model-DrivenReinforcement Learning Framework[J].IEEE Access,2019,7:21645-21661]提出了一种具有离线和在线联合方式的模型驱动框架，该框架能够通过机器学习和博弈论的联合来实现最佳的网络选择。文献[M.M.Hasan,S.Kwon and S.Oh.Frequent-Handover Mitigationin Ultra-Dense Heterogeneous Networks[J].IEEE Transactions on VehicularTechnology,vol.68,no.1,pp.1035-1040,Jan.2019]提出了一种用于超密集异构网络的频繁切换缓解算法，将频繁切换的用户分为快速移动用户或乒乓用户。然后将快速移动的用户切换到宏蜂窝，并通过调整切换参数来管理乒乓用户。文献[Yu H W,Zhang B.AHeterogeneous Network Selection Algorithm Based on Network Attribute and UserPreference[J].Ad Hoc Networks,2018,72:68-80]提出了一种基于网络属性和用户偏好相结合的异构网络选择算法。该算法充分考虑了每个候选网络的用户偏好和异构网络的实际情况，结合了层次分析法(Fuzzy Analytic Hierarchy Process，FAHP)、熵值法(Entropy)和逼近理想解排序法(Technique for Order Preference by Similarity toIdeal Solution，TOPSIS)三种典型的多属性决策(Multiple Attribute DecisionMaking，MADM)方法。文献[Bingtao Y,Xue W,Zhihong Q.A Multi-Armed Bandit ModelBased Vertical Handoff Algorithm for Heterogeneous Wireless Networks[J].IEEECommunications Letters,2018:1-1]提出了一种基于越区切换方法的多机械臂模型，将终端服务分为实时服务和非实时服务，并分别构建其奖励机制，通过状态消除算法计算出不同状态下网络的基廷斯(Gittins)指数。基于Gittins定理，获得了使系统收益最大化的切换策略。文献[Tian D,Wei J,Zhou J,et al.From Cellular Decision Making toAdaptive Handoff in Heterogeneous Wireless Networks[J].IEEE WirelessCommunications Letters,2017:1-1]提出了一种生物学启发的越区切换决策方法，方法是模仿时变环境中控制大肠杆菌细胞的适应行为。文献[G.Liang,H.Yu,X.Guo andY.Qin.Joint Access Selection and Bandwidth Allocation Algorithm SupportingUser Requirements and Preferences in Heterogeneous Wireless Networks[J].inIEEE Access,vol.7,pp.23914-23929,2019.doi:10.1109/ACCESS.2019.2899405]使用了接收信号强度、网络负载和用户速率作为输入决策参数，并通过监督学习调整五层模糊神经网络结构中隶属度函数的参数，以获得每个候选网络的得分和带宽分配值，从而使用户选择最合适的网络进行接入。文献[J.Chen,Y.Wang,Y.Li and E.Wang.QoE-AwareIntelligent Vertical Handoff Scheme Over Heterogeneous Wireless AccessNetworks[J].in IEEE Access,vol.6,pp.38285-38293,2018.doi:10.1109/ACCESS.2018.2853730]将用户体验质量(Quality of Experience，QoE)引入到网络选择的决策机制中，并提出了一种基于随机神经网络的QoE估计算法来确定异构网络中QoE和用户服务质量(Quality of Service，QoS)之间的相关性。此外，提出了一种基于强化学习的网络选择算法，使用户的QoE效用最大化。文献[Velmurugan T,SibaramKhara,Nandakumar S,et al.Seamless Vertical Handoff using Invasive Weed Optimization(IWO)algorithm for heterogeneous wireless networks[J].Ain Shams EngineeringJournal,2016]采用了入侵性杂草优化算法，以解决网络选择问题。文献[Bhatt,Mahesh,Singh,Harshpreet,Bhardwaj,Oshin.Travelling distance prediction based handoffoptimization in wireless networks[C].2017International Conference onIntelligent Computing and Control Systems(ICICCS).947-952.10.1109/ICCONS.2017.8250605]提出了一种移动距离预测算法，在移动终端感知网络时，该算法最大限度地减少了不必要的切换和切换失败。文献[马彬,李尚儒,谢显中.异构无线网络中基于模糊逻辑的分级垂直切换算法[J].电子与信息学报,2020,42(3):629-636.doi:10.11999/JEIT190190]提出了一种降低复杂度的基于模糊逻辑的分级网络选择算法，分别从筛选性能过低的网络、降低模糊逻辑规则数和减少部分模糊逻辑系统使用的角度来降低系统复杂度。

以上网络选择方案中，大多以人工智能算法为工具，带来更好的用户满意度和网络性能。但是在超密集异构无线网络环境中，异构无线网络带来的超密集分布使候选网络数量庞大，造成执行网络切换判决的算法时间开销大大增加，带来较大的切换时延和资源消耗。

为了解决上述问题，本文提出了一种基于网络推荐的选择接入算法，首次引入推荐算法辅助用户选网。在网络切换判决时，首先考虑相似用户推荐的网络进行接入，若推荐网络不可用，则采用浣熊优化神经网络算法进行网络选择。最后构建一个在线反馈与评分机制更新历史数据库，从而保证推荐算法的准确性。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种超密集异构无线网络中基于网络推荐的接入选择方法。本发明的技术方案如下：

一种超密集异构无线网络中基于网络推荐的接入选择方法，其包括以下步骤：

101、网络推荐步骤：当用户进行网络选择时，首先调用线下网络推荐模型中历史数据库中存储的相似用户推荐的网络进行接入，具体的线下网络推荐模型构建过程包括：首先根据浣熊优化神经网络算法得到历史选网中各用户对候选网络的综合值，从而建立用户相似评分矩阵；然后采用皮尔逊相关度的方法，得到用户之间的相似度评估；其次构建用户相似度表和候选推荐网络评分表，根据实时的用户选网需求确定对应的推荐网络；最后构建一个在线反馈与评分机制更新历史数据库；

102、基于浣熊优化神经网络的线上选网判决步骤：当用户的推荐网络相关参数不满足设定的最低阈值，则采用基于浣熊优化神经网络的选网算法，具体的线上浣熊优化神经网络的选网模型构建过程包括：首先构建一个神经网络基本模型；然后在神经网络权重分配方案的寻优过程中引入浣熊优化算法，最后根据神经网络的输出值的大小，选出最优网络进行接入。

进一步的，所述步骤101首先根据浣熊优化神经网络算法得到历史选网中各用户对候选网络的综合值，从而建立用户相似评分矩阵，具体包括：

根据历史行为数据中的接收信号强度、成本、带宽、负载率参数，代入浣熊优化神经网络模型得到历史数据中各候选网络的综合值，并以各候选网络的综合值作为用户对各网络的相似评分，把各用户对各网络的相似评分转化为相似评分矩阵S(m,n)，其中m代表用户，n代表网络。

进一步的，所述步骤101采用皮尔逊相关度的方法，得到用户之间的相似度评估，具体包括：通过相似评分矩阵找到相似用户，选择常用的皮尔逊相关系数来计算用户相似度，皮尔逊相关度评价是一种计算用户间相似关系的方法，通过皮尔逊相关度评价对用户进行分组，并推荐网络，皮尔逊相关系数的计算公式见公式(1)，其结果是一个在-1与1之间的系数，该系数用来说明两个用户间联系的强弱程度：

其中，N

进一步的，所述步骤101中，构建用户相似度表和候选推荐网络评分表，根据实时的用户选网需求确定对应的推荐网络，具体包括：

首先根据公式(1)，把相关程度为极强相关的用户关系组保留，并得到用户相似度表，然后以相似用户的选网结果及用户体验评分作为候选推荐网络评分表；当用户移动到一个新的地点时，调用该区域所有相似用户的候选推荐网络评分表，采用在线反馈与评分机制选取用户体验评分最高的网络作为预接入网络.

进一步的，所述在线反馈与评分机制即用户对上一次接入网络的体验评分，用户体验评分

用户体验评分需实时更新和修正存储在历史数据库中的候选推荐网络评分表。

6、进一步的，所述步骤102具体包括：构建一个人工神经网络模型；然后在神经网络权重分配方案的寻优过程中引入浣熊优化算法，最后根据神经网络的输出值的大小，选出最优网络进行接入。具体如下：

人工神经网络根据结构主要可以分为前向网络和反馈网络，本文采用三层前馈人工神经网络算法[13,14]，属于前向神经网络的一种，具有较强的自适应性。该神经网络由三层构成，分别是输入层、隐藏层和输出层。输入层由接收信号强度、成本、带宽、负载率作为四个神经元，隐藏层设为六个节点，节点采用双曲正切S型传递函数。

人工神经网络的传递函数必须可微，于是使用sigmoid函数，且sigmoid函数比线性函数更精确，容错性更好。函数的表达式为：

g(x)＝1/(1+e

其中x的范围包含整个实数域，函数值在0～1之间。

隐藏层节点输出参数Gr为：

w

其中E是指输入神经元的数量，g(x)表示传递函数，w

三层前馈型BP神经网络存在学习时间较长，容易陷入局部最优解等问题，因此对BP神经网络的优化极其重要。本文引入浣熊优化算法，可以很好的解决上述问题。本文采用的浣熊优化算法是一种最新的元启发式算法，是受到动物界浣熊寻找食物的行为启发,该算法既降低了陷入局部最优的风险，又节省了寻优期间的时间。相比于粒子群优化算法等传统元启发式算法[16,17]，浣熊优化算法能够更快的找到全局最优，收敛时间最快。

其主要思想为对权重分配方案进行迭代寻优，最终达到期望输出和实际输出误差最小化的目的。定义误差函数为期望输出Y

具体浣熊优化过程如下：

(1)神经网络权重初始化

首先，使用随机函数随机分配权重给神经网络中的神经元。在浣熊算法中，神经网络选择迭代中的初始权重分配方案k，k∈{0,1,…,MI}，表示为loc

如上文所说，浣熊的记忆力非常好，因此，在这个算法中，能记住它循环过程中找到的误差最小的权重分配方案。这个权重分配方案称之为全局最优G

G

(2)移动到最佳权重分配方案

loc

将神经网络重新分配到新的权重分配方案后，对loc

(3)迁移

在重新调整权重分配方案之后，若神经网络的全局最佳权重分配方案G

迁移神经网络权重意味着在它可达区域之外将它重新定位到一个新的随机权重，以期找到更好的解决方案。这个随机权重分配方案可以是新的可达区域中的任何权重分配方案。

步骤(2)和(3)为主循环，重复循环MI次后，G

判断推荐的预接入网络的接收信号强度RSS、成本c、带宽b、负载率h等是否满足接入网络的最低阈值，若满足则进行接入。

若不满足，则采用浣熊优化神经网络得到各候选网络的综合值，选择值最大的网络进行接入。并将用户对各候选网络的综合值更新到历史数据库中的用户相似度表。

其中NET表示用户的接入网络，j'表示相似用户提供的推荐网络，j”表示基于浣熊优化神经网络的选择过程得到的最优候选网络，cost

本发明的优点及有益效果如下：

1.对于5G的超密集异构无线网络环境而言，在执行切换判决过程中，现有的算法大都以人工智能算法为工具，虽然带来更好的用户满意度和网络性能，但是5G超密集异构网络新环境下候选网络的数量从几个变成了几十个乃至上百个，此时网络选择算法判决最优候选网络的时间开销急剧增加，带来的资源开销也随着急剧增大。现有的网络选择算法并没有考虑到5G超密集异构网络新环境所带来的这个问题，导致最后的用户满意度和网络性能并未得到有效提高。本发明为了解决5G超密集异构网络新环境带来的这个新问题，考虑引入协同过滤推荐算法辅助用户选网，在保证选网的准确性的同时，有效规避5G超密集异构网络新环境带来的时间开销和资源消耗急剧增加的问题。

2.现有5G超密集异构网络新环境中，为了更好的提高用户满意度和网络性能，大多采用人工智能算法对网络选进行择切换判决，本发明就基于神经网络的选择算法进行研究，基于神经网络的选择算法存在学习时间较长，容易陷入局部最优解等问题，于是本发明引入浣熊优化算法来加快神经网络算法的收敛速度。相比于粒子群优化算法等传统元启发式算法，浣熊优化算法能够更快的找到全局最优，收敛时间最快，有效降低了算法的时间开销。

附图说明

图1是本发明提供优选实施例超密集异构无线网络仿真场景图；

图2为垂直切换算法流程图；

图3为神经网络结构图；

图4为不同方法的时间开销分析对比图；

图5为不同方法的平均时间开销分析对比图；

图6为不同方法的信令开销占总资源消耗比值对比图；

图7为不同方法的平均阻塞率对比图；

具体实施方式

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明提出了一种基于网络推荐的选择接入算法，首次引入推荐算法辅助用户选网。在网络切换判决时，首先考虑相似用户推荐的网络进行接入，若推荐网络不可用，则采用浣熊优化神经网络算法进行网络选择。最后构建一个在线反馈与评分机制更新历史数据库，从而保证推荐算法的准确性。

本发明提出的垂直切换方法包括以下步骤：

步骤一、首先在第一阶段为网络推荐过程。当用户进行网络选择时，首先调用历史数据库中存储的相似用户推荐的网络进行接入，具体的线下网络推荐模型构建过程包括：首先根据浣熊优化神经网络算法得到历史选网中各用户对候选网络的综合值，从而建立用户相似评分矩阵；然后采用皮尔逊相关度的方法，得到用户之间的相似度评估；其次构建了用户相似度表和候选推荐网络评分表，根据实时的用户选网需求确定对应的推荐网络；最后构建一个在线反馈与评分机制更新历史数据库，从而保证网络推荐的准确性。

步骤二、其次第二阶段为基于浣熊优化神经网络的选网判决过程。当用户的推荐网络相关参数不满足设定的最低阈值，则采用基于浣熊优化神经网络的选网算法，具体的线上浣熊优化神经网络的选网模型构建过程包括：首先构建一个神经网络基本模型；然后在神经网络权重分配方案的寻优过程中引入了浣熊优化算法，从而加速了寻优的迭代速度；最后根据神经网络的输出值的大小，选出最优网络进行接入。

三层前馈型BP神经网络存在学习时间较长，容易陷入局部最优解等问题，因此对BP神经网络的优化极其重要。本文引入浣熊优化算法，可以很好的解决上述问题。本文采用的浣熊优化算法是一种最新的元启发式算法，是受到动物界浣熊寻找食物的行为启发,该算法既降低了陷入局部最优的风险，又节省了寻优期间的时间。相比于粒子群优化算法等传统元启发式算法，浣熊优化算法能够更快的找到全局最优，收敛时间最快；

其主要思想为对权重分配方案进行迭代寻优，最终达到期望输出和实际输出误差最小化的目的。定义误差函数为期望输出Y

具体浣熊优化过程如下：

(1)神经网络权重初始化

首先，使用随机函数随机分配权重给神经网络中的神经元。在浣熊算法中，神经网络选择迭代中的初始权重分配方案k，k∈{0,1,…,MI}，表示为loc

如上文所说，浣熊的记忆力非常好，因此，在这个算法中，能记住它循环过程中找到的误差最小的权重分配方案。这个权重分配方案称之为全局最优G

G

(2)移动到最佳权重分配方案

loc

将神经网络重新分配到新的权重分配方案后，对loc

(3)迁移

在重新调整权重分配方案之后，若神经网络的全局最佳权重分配方案G

迁移神经网络权重意味着在它可达区域之外将它重新定位到一个新的随机权重，以期找到更好的解决方案。这个随机权重分配方案可以是新的可达区域中的任何权重分配方案；

步骤(2)和(3)为主循环，重复循环MI次后，G

判断推荐的预接入网络的接收信号强度RSS、成本c、带宽b、负载率h等是否满足接入网络的最低阈值，若满足则进行接入。

若不满足，则采用浣熊优化神经网络得到各候选网络的综合值，选择值最大的网络进行接入。并将用户对各候选网络的综合值更新到历史数据库中的用户相似度表。

其中NET表示用户的接入网络，j'表示相似用户提供的推荐网络，j”表示基于浣熊优化神经网络的选择过程得到的最优候选网络，cost

下面给出具体的系统建模和网络选择参数设置：

随着各种基站的密集部署，异构无线网络变得越来越复杂。5G蜂窝网络的常规假设过于简单，随机性和不规则性也不准确。随机几何已被广泛用作分析方法，以对无线网络中的关键指标(中断概率，吞吐量，延迟等)进行建模和量化。为了有效分析超密集网络的性能，采用了泊松点过程(PPP)模型来描述5G蜂窝网络中基站和WiFi接入点部署的随机性。

在系统仿真中，考虑了两层5G蜂窝网络和wifi6的大异构场景，其中5G宏基站、5G微基站和WIFI6服从泊松点随机分布。5G宏基站的部署密度为λ1＝0.00001，5G微基站和WiFi6的部署密度为λ2＝λ3＝0.001。

为了进一步突出本发明的优越性，将本发明所提的基于网络推荐和浣熊优化神经网络的选择接入算法(A selective access algorithm based on networkrecommendation and raccoon optimization neural network，NR-ROA)、基于网络推荐的传统神经网络选择接入算法(Neural network selection access algorithm based onnetwork recommendation，NR-SAA)和基于神经网络的选择接入算法(Aselective accessalgorithm based on artificial neural network，ANN-SAA)[Subhedar M.Handoverdecision in wireless heterogeneous networks based on feedforward artificialneural network[M]//Advances in Intelligent Systems and Computing book series(AISC,volume 556).2017.]共三种算法。本文设计了三组实验分别从时间开销、资源消耗和网络性能的角度，分析出本文算法在保持能较好提高网络性能的同时，极大减少了切换时延，降低了资源消耗。

从图4可以看出，随着用户数量增加到100时，传统的人工神经网络算法ANN-SAA的时间开销逐渐增加到340秒；而使用了推荐算法与传统神经网络算法结合的NR-SAA和使用了推荐算法+浣熊优化神经网络算法结合的NR-ROA，其时间开销分别逐渐增加到52秒和20秒，缓慢递增的折线不规律是由于部分用户通过网络推荐接入网络，时间消耗极短，与神经网络选择算法带来的较长时间消耗相比有明显差异。三种算法相比说明了使用了推荐算法能有效降低时间消耗，再加上浣熊优化神经网络算法能进一步减少了时间消耗。

图5显示了随着仿真次数增加时，三种算法的平均时间开销的变化情况，如图5所示，分别采用ANN-SAA、NR-SAA和NR-ROA算法三种算法实验仿真50次，三种算法的平均时间开销，在传统的ANN-SAA算法中耗费了352秒，在NR-SAA算法中耗费了118秒，而本文提出的NR-ROA算法只耗费了36秒。这是由于ANN-SAA每次切换判决都要访问所有候选网络并进行神经网络训练，从而带来极大的时间开销，而NR-SAA和NR-ROA都使用了推荐算法，使用户大部分的选网判决都直接采用了相似用户推荐的网络接入，而没有逐个访问所有候选网络。NR-SAA比NR-ROA算法的时间开销大，是由于在选网判决时NR-ROA使用浣熊优化算法去减少神经网络的训练收敛时间。

图6显示了随着用户数量增加时，三种算法的信令开销占总资源消耗的比值对比，当用户数量增加时，三种算法的信令开销占总资源消耗的比值也在不断增加，但是本文的NR-SAA和NR-ROA算法均低于传统的神经网络选择算法ANN-SAA。这是由于ANN-SAA每次切换判决都要对所有候选网络训练决策，从而带来极大的信令开销，而NR-SAA和NR-ROA都使用了推荐算法，使用户大部分的切换判决都直接采用了相似用户推荐的网络接入，跳过了耗费大量资源消耗的神经网络算法。NR-SAA和NR-ROA算法随着用户数量的增加，信令开销占总资源消耗的比值递增轨迹几乎相同，是由于两者的区别在于NR-ROA使用浣熊优化算法去减少神经网络的训练收敛时间，并不能影响切换判决访问候选网络的次数。

平均阻塞率是计算了仿真环境中每个网络的阻塞率平均值。图7对比了ANN-SAA、NR-SAA和NR-ROA三种算法随着用户数量的增加，平均阻塞率的变化。图7中三种算法的平均阻塞率都低于0.1，这是由于仿真环境采用泊松分布，网络较为密集，网络总数量较多。图7中三种算法随着用户数量增加到100，ANN-SAA算法的平均阻塞率增加到0.048，NR-SAA算法的平均阻塞率增加到0.037，NR-ROA算法的平均阻塞率增加到0.031。说明了平均阻塞率ANN-SAA算法最高，NR-SAA算法次之，本文的NR-ROA算法最低。这是由于NR-SAA算法和NR-ROA算法的在线反馈评分机制包括了阻塞率等评价指标，用户切换判决时会避免阻塞率较高的网络，而NR-ROA算法的浣熊优化神经网络优化了负载率的权重，进一步降低了整体的平均阻塞率。

上述实施例阐明的方法，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。