技术领域
[0001] 本申请涉及语音识别技术领域，尤其涉及一种声学模型优化方法、装置、服务器及存储介质。
相关背景技术
[0002] 语音识别，也称为自动语音识别技术。语音识别系统通过采集和分析语音信号的频率和时域特征，利用模型和算法进行模式匹配和识别，最终将语音转换为文字或命令。该技术广泛应用于智能助理、语音翻译、语音控制等多个领域。
[0003] 现有技术中，传统的声学模型的优化方法为基于神经网络的语音识别技术，对实际业务场景中用户的语音数据进行广泛随机的无差别挑选，并对挑选后的语音数据进行人工标注，以用于优化声学模型。
[0004] 然而，现有技术中，随着声学模型识别要求的提高，上述方法需要人工标注大量的语音数据，才能起到优化声学模型的作用，使得人工标注的效率降低，同时增加了人工标注的成本。
具体实施方式
[0040] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0041] 本申请的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。需要说明的是，在本申请实施例中，可能提及某些软件、组件、模型等业界已有方案，应当将它们认为是示范性的，其目的仅仅是为了说明本申请技术方案实施中的可行性，但并不意味着申请人已经或者必然用到了该方案。
[0042] 语音识别，也称为自动语音识别技术，其核心目标是将人类的语音内容转换为计算机可读的输入，如按键、二进制编码或字符序列。这一过程涉及信号处理、模式识别及机器学习等技术。语音识别系统通过采集和分析语音信号的频率和时域特征，利用模型和算法进行模式匹配和识别，最终将语音转换为文字或命令。该技术广泛应用于智能助理、语音翻译、语音控制等多个领域，为机器赋予了类似人类听觉系统的功能，使其能够理解和响应语音指令。现有技术中，传统的声学模型的优化方法为基于神经网络的语音识别技术，对实际业务场景中用户的语音数据进行广泛随机的无差别挑选，并对挑选后的语音数据进行人工标注，以用于优化声学模型。然而，现有技术中，随着声学模型识别要求的提高，上述方法需要人工标注大量的语音数据，才能起到优化声学模型的作用，使得人工标注的效率降低，同时增加了人工标注的成本。
[0043] 为了解决上述技术问题，本申请实施例提出以下技术构思：发明人考虑到现有技术需要人工标注大量的语音数据，基于任一语音信息识别到的识别文本信息和多个文本信息确定标注标识的标识数量，在标识数量大于预设标识阈值时，生成标注提示，利用标注提示指示操作人员对语音信息进行标注，并根据标注后的语音信息对基础声学模型进行优化，以得到优化的基础声学模型，使得减少了人工标注的次数，提升人工标注的效率，并降低了人标注的成本。
[0044] 图1是本申请实施例提供的声学模型优化方法的应用场景示意图。
[0045] 如图1所示，该场景中包括：显示终端101和服务器102。
[0046] 其中，显示终端101，可以是显示屏，也可以是个人电脑等终端。
[0047] 服务器102，可以是一台独立的服务器，也可以是多台服务器组成的集群。
[0048] 服务器102，对用户输入的语音信息进行识别，以得到语音信息对应的识别文本信息和多个文本信息；根据识别文本信息和多个文本信息确定语音信息的所有标注标识的标识数量；在标识数量大于预设标识阈值时，生成对应的标注提示，并将标注提示通过无线网络传输至显示终端101。显示终端101，响应于操作人员根据标注提示对语音信息的标注操作，对语音信息进行标注。服务器102，在检测到语音信息标注后，对基础声学模型进行优化，以得到优化的基础声学模型。下面采用详细的实施例进行详细说明。
[0049] 图2为本申请实施例提供的声学模型优化方法流程示意图一，本实施例的执行主体可以为图1所示实施例中的服务器，本实施例此处不做特别限制。如图2所示，该方法包括：
[0050] S201：在接收到用户输入的任一语音信息时，将语音信息输入至基础声学模型，以得到语音信息对应的识别文本信息。
[0051] 在本实施例中，基础声学模型为基于深度神经网络的语音识别技术。
[0052] 在本实施例中，基础声学模型可以识别多种语音的语音信息。
[0053] 示例性地，在接收到用户输入的任一语音信息时，将语音信息输入至基础声学模型，以得到识别文本信息为：c、e、r和y。
[0054] S202：将语音信息输入至各类型的语音识别模型中，以得到语音信息对应的多个文本信息。
[0055] 在本实施例中，各类型的语音识别模型为现有的多种类型语音识别模型。
[0056] 示例性地，多个文本信息为第一文本信息c、a、r、r和y，第二文本信息c、a、r、r、i和y，第三文本信息c、r、r和y，以及第四文本信息c、r、i和y。
[0057] S203：根据识别文本信息和多个文本信息，确定语音信息的所有标注标识。
[0058] 具体地，步骤S203具体为：
[0059] S2031：计算识别文本信息与多个文本信息中每个文本信息的差异值。
[0060] 在本实施例中，差异值为差异率或编辑距离。
[0061] 示例性地，差异值为差异率时，将识别文本信息、第一文本信息、第二文本信息、第三文本信息以及第四文本信息输入差异率处理模型中，以确定识别文本信息与第一文本信息的第一差异率为20％，识别文本信息与第二文本信息的第二差异率为33.33％，识别文本信息与第三文本信息的第三差异率为0，识别文本信息与第四文本信息的第四差异率为0。
[0062] S2032：判断差异值是否处于预设差异值范围。
[0063] 在本实施例中，预设差异值范围为差异值对应的预设差异率范围或预设编辑距离范围。
[0064] 在本实施例中，预设差异率范围可以是[0，10％]、[0，20％]或[10％，20％]中任一范围，也可以是其他范围。
[0065] 示例性地，判断第一差异率、第二差异率、第三差异率以及第四差异率是否处于预设差异率范围为[0，20％]。
[0066] 在本实施例中，预设编辑距离范围可以是[0，1]、[0，2]或[1，3]中任一范围，也可以是其他范围。
[0067] S2033：若差异值处于预设差异值范围，则生成语音信息对应的标注标识。
[0068] 示例性地，第一差异率处于预设差异率范围[0，20％]，生成语音信息对应的第一标注标识；第三差异率处于预设差异率范围[0，20％]，生成语音信息对应的第二标注标识；第四差异率处于预设差异率范围[0，20％]，生成语音信息对应的第三标注标识。
[0069] S2034：累计语音信息与所有的文本信息对应的所有标注标识。
[0070] 示例性地，累计的所有标注标识为第一标注标识、第二标注标识和第三标注标识。
[0071] S204：确定所有标注标识的标识数量，并判断标识数量是否大于预设标识阈值。
[0072] 在本实施例中，预设标识阈值可以是2、3或5中任一数值，也可以是其他数值。
[0073] 示例性地，累计的所有标注标识为3个，并判断标识数量3是否大于预设标识阈值2。
[0074] S205：若标识数量大于预设标识阈值，则生成语音信息对应的标注提示，其中标注提示用于指示操作人员对语音信息进行标注，以得到标注后的语音信息。
[0075] 在本实施例中，标注提示可以是提示音，屏幕闪烁或其他提示方式。
[0076] 示例性地，标识数量为3大于预设标识阈值2，生成语音信息对应的提示音，其中提示音用于指示操作人员对语音信息进行标注，以得到标注后的语音信息。
[0077] S206：在检测到标注后的语音信息后，根据标注后的语音信息对基础声学模型进行优化，以得到优化的基础声学模型。
[0078] 在本实施例中，标注后的语音信息为与基础声学模型最接近的语音。
[0079] 综上可知，本实施例提供的声学模型优化方法，通过将接收到的语音信息输入至基础声学模型，以得到识别文本信息；将语音信息输入至各类型的语音识别模型中，以得到多个文本信息；根据识别文本信息和多个文本信息，确定语音信息的所有标注标识；判断所有标注标识的数量是否大于预设标识阈值；若标识数量大于预设标识阈值，则生成语音信息对应的标注提示，其中标注提示用于指示操作人员对语音信息进行标注；根据标注后的语音信息对基础声学模型进行优化，以得到优化的基础声学模型，通过挑选与基础声学模型最接近的语音，使得减少了人工标注的次数，提升人工标注的效率，并降低了人标注的成本。
[0080] 另外，应根据不同需求制定不同的差异率范围或编辑距离范围，以及调控预设标注阈值，使得基础声学模型的优化效果更好。
[0081] 图3为本申请实施例提供的声学模型优化方法流程示意图二。在本申请实施例中，在图2提供的实施例的基础上，若差异值为差异率，则针对S2031中的计算识别文本信息与多个文本信息中每个文本信息的差异值的具体实现方法进行了详细说明。如图3所示，该方法包括：
[0082] S301：获取识别文本信息对应识别字符串的第一长度。
[0083] 示例性地，获取识别文本信息对应的识别字符串c、e、r和y的第一长度为LON1＝4。
[0084] S302：获取每个文本信息对应每个字符串的第二长度。
[0085] 示例性地，获取任一文本信息对应字符串c、a、r、r和y的第二长度为LON2＝5。
[0086] S303：根据第一长度和第二长度，计算识别文本信息与每个文本信息的差异率。
[0087] 在本实施例中，根据第一长度和第二长度，计算识别文本信息与每个文本信息的差异率，的计算公式为：
[0088]
[0089] 式中，DIF为识别文本信息与每个文本信息的差异率；LON1为识别字符串的第一长度；LON2为每个字符串的第二长度。
[0090] 示例性地，DIF＝1/5×100％＝20％，即识别文本信息与任一文本信息的差异率为20％。
[0091] 综上可知，本实施例提供的声学模型优化方法，通过获取识别文本信息对应识别字符串的第一长度；获取每个文本信息对应每个字符串的第二长度；根据第一长度和第二长度，计算识别文本信息与每个文本信息的差异率，通过计算差异率，使得挑选与基础声学模型最接近的语音更加准确，有利于减少人工标注的次数，并提升人工标注的效率。
[0092] 图4为本申请实施例提供的声学模型优化方法流程示意图三。在本申请实施例中，在图2提供的实施例的基础上，若差异值为编辑距离，则针对S2031中的计算识别文本信息与多个文本信息中每个文本信息的差异值的具体实现方法进行了详细说明。如图4所示，该方法包括：
[0093] S401：获取识别文本信息对应的识别字符串，以及识别字符串的第一长度。
[0094] 具体地，获取识别文本信息对应的识别字符串str1，以及识别字符串的第一长度n。
[0095] 示例性地，识别文本信息对应的识别字符串str1为c、e、r和y，识别字符串的第一长度n为4。
[0096] S402：获取任一文本信息对应的字符串，以及字符串的第二长度。
[0097] 具体地，获取任一文本信息对应的字符串str2，以及字符串的第二长度m。
[0098] 示例性地，任一文本信息对应的字符串str2为c、a、r、r和y，字符串的第二长度m为5。
[0099] S403：根据第一长度和第二长度构建预设阶数的字符串矩阵，并扫描识别字符串和字符串。
[0100] 具体地，根据第一长度n和第二长度m构建预设阶数为(m+1)*(n+1)的字符串矩阵D，并扫描识别字符串str1和字符串str2。
[0101] 示例性地，根据第一长度4和第二长度5构建预设阶数为(5+1)*(4+1)的字符串矩阵D为：
[0102]
[0103] S404：若扫描到字符串矩阵中识别字符串对应的任一元素与字符串对应的任一元素相等时，则记录为第一预设值；否则，记录为第二预设值。
[0104] 在本实施例中，识别字符串对应的任一元素为str1[i]，字符串对应的任一元素为str2[j]。
[0105] 具体地，若扫描到字符串矩阵中str1[i]＝str2[j]时，则记录第一预设值为temp＝0；否则，记录第二预设值为temp＝1。
[0106] 示例性地，若扫描到字符串矩阵中str1[1]＝str2[1]时，则记录第一预设值为temp＝0；若扫描到字符串矩阵中str1[1]≠str2[2]时，记录第一预设值为temp＝1。
[0107] S405：根据第一预设值、第二预设值以及多个预设计算式，计算字符串矩阵中每个待确定元素的多个待确定值。
[0108] 在本实施例中，多个预设计算式分别为D[i，j]1＝D[i‑1，j]+1，D[i，j]2＝D[i，j‑1]+1，D[i，j]3＝D[i‑1，j‑1]+temp。
[0109] 具体地，步骤S405具体包括步骤a～d：
[0110] 步骤a：根据字符串矩阵D中每个待确定元素的位置，按照预设顺序计算每个待确定元素的多个待确定值，以下以第一个待确定元素的计算为例。
[0111] 在本实施例中，预设顺序为按行计算。
[0112] 步骤b：根据字符串矩阵D中D[i‑1，j]对应的值代入D[i，j]1＝D[i‑1，j]+1中，以得到D[i，j]1对应的第一待确定值。
[0113] 示例性地，步骤a中计算第一个待确定元素D[2，2]时，D[1，2]对应的值为1，代入D[2，2]1＝D[1，2]+1中，以得到D[2，2]1对应的第一待确定值为2。
[0114] 步骤c：根据字符串矩阵D中D[i，j‑1]对应的值代入D[i，j]2＝D[i，j‑1]+1中，以得到D[i，j]2对应的第二待确定值。
[0115] 示例性地，D[2，1]对应的值为1，代入D[2，2]2＝D[2，1]+1中，以得到D[2，2]2对应的第二待确定值为2。
[0116] 步骤d：根据字符串矩阵D中的str1[i‑1]和str1[j‑1]确定temp值，并将temp值以及D[i‑1，j‑1]对应的值，代入D[i，j]3＝D[i‑1，j‑1]+temp中，以得到D[i，j]3对应的第三待确定值。
[0117] 示例性地，根据str1[1]和str1[1]确定temp＝0，D[1，1]对应的值为0，代入D[1，1]3＝D[1，1]+temp中，以得到D[1，1]3对应的第三待确定值为0。
[0118] S406：将多个待确定值中的最小值确定为每个待确定元素的确定值。
[0119] 示例性地，在步骤S405的基础上，将第一确定值1、第二确定值1以及第三确定值0中的最小值0，确定为第一待确定元素D[2，2]的确定值。
[0120]
[0121] S407：在扫描识别字符串和字符串完成后，将字符串矩阵中最后一个待确定元素的确定值确定为识别文本信息与文本信息的编辑距离。
[0122] 具体地，在扫描识别字符串str1和字符串str2完成，以及按照预设顺序计算得到字符串矩阵D中的每个待确定元素的确定值后，将最后一个待确定元素D[n，m]对应的确定值确定为识别文本信息与文本信息的编辑距离EdI。
[0123] 示例性地，在扫描识别字符串str1和字符串str2完成后，按照矩阵的列计算得到字符串矩阵D中的每个待确定元素的确定值为：
[0124]
[0125] 将最后一个待确定元素D[5，4]对应的确定值2，确定为识别文本信息与文本信息的编辑距离EdI，即EdI＝2。
[0126] 综上可知，本实施例提供的声学模型优化方法，通过获取识别文本信息的识别字符串及第一长度；获取任一文本信息的字符串及第二长度；根据第一长度和第二长度构建字符串矩阵；若扫描到矩阵中识别字符串对应的任一元素与字符串对应的任一元素相等时，则记录为第一预设值；否则，记录为第二预设值；根据第一预设值、第二预设值以及多个预设计算式，计算字符串矩阵中每个待确定元素的多个待确定值；将多个待确定值中的最小值确定为确定值；将字符串矩阵中最后一个待确定元素的确定值确定为识别文本信息与文本信息的编辑距离，通过计算编辑距离，使得挑选与基础声学模型最接近的语音更加准确，有利于减少人工标注的次数，并提升人工标注的效率。
[0127] 图5为本申请实施例提供的声学模型优化装置的结构示意图。如图5所示，该声学模型优化装置包括：第一输入模块501、第二输入模块502、确定模块503、判断模块504、生成模块505以及优化模块506。
[0128] 第一输入模块501，用于在接收到用户输入的任一语音信息时，将所述语音信息输入至基础声学模型，以得到所述语音信息对应的识别文本信息；
[0129] 第二输入模块502，用于将所述语音信息输入至各类型的语音识别模型中，以得到所述语音信息对应的多个文本信息；
[0130] 确定模块503，用于根据所述识别文本信息和所述多个文本信息，确定所述语音信息的所有标注标识；
[0131] 判断模块504，用于确定所述所有标注标识的标识数量，并判断所述标识数量是否大于预设标识阈值；
[0132] 生成模块505，用于若所述标识数量大于预设标识阈值，则生成所述语音信息对应的标注提示，其中所述标注提示用于指示操作人员对所述语音信息进行标注，以得到标注后的语音信息；
[0133] 优化模块506，用于在检测到所述标注后的语音信息后，根据所述标注后的语音信息对所述基础声学模型进行优化，以得到优化的基础声学模型。
[0134] 在一种可能的实现方式中，所述确定模块503，具体包括：
[0135] 计算单元5031，用于计算所述识别文本信息与所述多个文本信息中每个文本信息的差异值；
[0136] 判断单元5032，用于判断所述差异值是否处于预设差异值范围；
[0137] 生成单元5033，用于若所述差异值处于所述预设差异值范围，则生成所述语音信息对应的标注标识；
[0138] 累计单元5034，用于累计所述语音信息与所有的文本信息对应的所有标注标识。
[0139] 在一种可能的实现方式中，所述差异值为差异率或编辑距离；所述预设差异值范围为所述差异值对应的预设差异率范围或预设编辑距离范围。
[0140] 在一种可能的实现方式中，其中所述差异值为差异率；相应地，所述计算单元5031，具体包括：
[0141] 第一获取单元50311，用于获取所述识别文本信息对应识别字符串的第一长度；
[0142] 第二获取单元50312，用于获取所述每个文本信息对应每个字符串的第二长度；
[0143] 第一计算单元50313，用于根据所述第一长度和所述第二长度，计算所述识别文本信息与所述每个文本信息的差异率。
[0144] 在一种可能的实现方式中，所述根据所述第一长度和所述第二长度，计算所述识别文本信息与所述每个文本信息的差异率，的计算公式为：
[0145]
[0146] 式中，DIF为所述识别文本信息与所述每个文本信息的差异率；LON1为所述识别字符串的第一长度；LON2为所述每个字符串的第二长度。
[0147] 在一种可能的实现方式中，其中所述差异值为编辑距离；相应地，所述计算单元5031，具体包括：
[0148] 第三获取单元50314，用于获取所述识别文本信息对应的识别字符串，以及所述识别字符串的第一长度；
[0149] 第四获取单元50315，用于获取任一文本信息对应的字符串，以及所述字符串的第二长度；
[0150] 构建单元50316，用于根据所述第一长度和所述第二长度构建预设阶数的字符串矩阵，并扫描所述识别字符串和所述字符串；
[0151] 记录单元50317，用于若扫描到所述字符串矩阵中所述识别字符串对应的任一元素与所述字符串对应的任一元素相等时，则记录为第一预设值；否则，记录为第二预设值；
[0152] 第二计算单元50318，用于根据所述第一预设值、所述第二预设值以及多个预设计算式，计算所述字符串矩阵中每个待确定元素的多个待确定值；
[0153] 第一确定单元50319，用于将所述多个待确定值中的最小值确定为所述每个待确定元素的确定值；
[0154] 第二确定单元50320，用于在扫描所述识别字符串和所述字符串完成后，将所述字符串矩阵中最后一个待确定元素的确定值确定为所述识别文本信息与所述文本信息的编辑距离。
[0155] 本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
[0156] 图6为本申请实施例提供的服务器的硬件结构示意图。如图6所示，本实施例的服务器包括：处理器601以及存储器602；存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上的声学模型优化方法。
[0157] 可选地，存储器602既可以是独立的，也可以跟处理器601集成在一起。
[0158] 当存储器602独立设置时，该服务器还包括总线603，用于连接所述存储器602和处理器601。
[0159] 本申请实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的声学模型优化方法。
[0160] 本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的声学模型优化方法。
[0161] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0162] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
[0163] 另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0164] 上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
[0165] 应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0166] 存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
[0167] 总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
[0168] 上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random‑Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory，EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read‑only Memory，EPROM)，可编程只读存储器(Programmable Read‑Only Memory，PROM)，只读存储器(Read‑Only Memory，ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0169] 一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
[0170] 本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0171] 最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
