[0001] 本发明涉及无线通信技术领域，更具体的，涉及一种基于多策略差分进化的导频功率控制方法及系统。

[0002] 对于移动网络架构，蜂窝网络自提出以来，就以实现简单，频带资源利用率高的优势逐渐成为了商业通信的核心架构。在5G之后，为了满足更高速率需求，通信系统中的基站部署可能更加密集，由此带来的小区间干扰也会更加严重，边缘效应可能成为限制未来网络性能的瓶颈。

[0003] 基于此，去蜂窝大规模MIMO架构被提出，在该系统中所有终端共享时频资源，同时发送导频信号，这些导频信号会相互叠加干扰，从而导致导频污染。导频污染会严重影响信道估计的精度，进而影响数据传输的可靠性。尽管合理的导频分配可以改善此情况，但是随着用户终端数量的持续增加，终端分布变得愈加密集，从而形成海量连接场景。此时，采用同一导频的终端距离仍可能较近，导频分配效果被削弱，从而引起严重的导频污染。因此，引入导频功率控制机制可以进一步抑制导频污染，通过控制复用相同导频用户的导频发射功率，来减少彼此间干扰，从而提高系统吞吐量。差分进化算法作为发展成熟的经典进化算法，具有控制参数少、实现简单和鲁棒性强的特点，且利于求解多维问题。但传统差分进化算法在求解时容易面临收敛早熟、陷入局部最优的问题。因此，不能直接解决所有终端导频功率系数控制的问题。

[0004] 现有技术有一种去蜂窝大规模MIMO上行频谱效率优化方法，包括：建立瑞利平坦衰落信道下去蜂窝大规模MIMO系统上行链路信道模型，引入AQNM对导频训练和数据传输阶段的低分辨率ADC量化输出进行建模，计算MT可达频谱效率，并以前传链路容量上限和MT数据发射功率上限为约束条件，建立系统总频谱效率最优化问题，进行资源分配；然后根据优化参数的不同将所述非凸问题转化为ADC量化比特设计和最佳MT功率分配两个子问题进行求解，得到一个次优的ADC量化比特和功率控制因子组合，最终达到优化系统总频谱效率的目的。

[0005] 然而现有技术存在在求解时容易面临收敛早熟、陷入局部最优的问题，因此如何发明一种基于多策略差分进化的导频功率控制方法，是本技术领域亟需解决的技术问题。

[0049] 下面结合附图和具体实施方式对本发明做详细描述。

[0050] 实施例1

[0051] 如图1所示，一种基于多策略差分进化的导频功率控制方法，包括以下具体步骤：

[0052] S1、构建去蜂窝大规模MIMO架构的上行训练阶段信号模型；

[0053] S2、初始化多策略差分进化算法；

[0054] S3、根据初始种群计算每个个体适应度值，找到初始最优个体；

[0055] S4、基于第一阶段多策略差分进化算法，对种群中的所有个体采用无偏变异进化策略，设置对应控制参数，通过交叉和选择更新个体元素并选择出最优个体，然后更新迭代次数；

[0056] S5、判断是否达到最大迭代次数，达到则根据个体适应度值将当前种群划分为三个子种群，否则重复步骤S4；

[0057] S6、基于第二阶段多策略差分进化算法，对三个子种群分别采用对应的变异策略，设置对应控制参数并通过交叉和选择更新每个个体，然后更新迭代次数；

[0058] S7、判断是否达到最大迭代次数，达到则选出当前全局最优个体作为此导频对应用户的系数组合，否则重复步骤S6；

[0059] S8、所有用户的导频功率系数计算完毕后，输出用户所用导频和其对应的导频功率系数。

[0060] 本实施例中，首先在大小为一个D*D的二维平面上模拟去蜂窝大规模MIMO系统中AP和用户终端的分布情况，其位置均随机产生，用环绕AP来模拟无限大的网络，即在AP正方形区域边界围绕8个邻居，整个系统中没有设置小区和小区边界，因此当终端在区域内移动时不会发生越区切换。设对于用户k只选择大尺度衰落最小的几个AP对其服务，以此来避免资源浪费，并将服务AP集合记为Ak。在本示例中利用AP和用户终端的位置信息来确定AP服务对象，并通过随机用户分组将用户分为τ组，每组用户分配正交导频，不同组用户进行导频复用，则每个导频被复用T＝K/τ次，若用户数K不是τ的整数倍，则将余数用户额外记作一组。使用相同导频的用户将其导频功率系数组合作为待求解，所提算法中每个个体都可以看作是一种可行解。本发明主要对τ个T维导频系数组合分别进行计算，信道模型主要由大尺度衰落和小尺度衰落组成，大尺度衰落由路径损耗和不相关对数正态阴影衰落建模，小尺度衰落其元素是服从CN(0,1)的独立同分布随机变量，其中路径损耗用Hata‑COST231的三斜率模型，以dB为单位的路径损耗PLmk由下式给出：

[0061]

[0062] L＝46.3+33.9lg(f)‑13.82lg(hAP)‑(1.1lg(f)‑0.7)hu+(1.56lg(f)‑0.8)[0063] 其中，dmk表示第m个AP和第k个终端之间的距离(m)；d0和d1是区别不同损耗类型的距离阈值(m)；f为载波功率(MHz)；hAP为AP天线高度(m)；hu为终端天线高度(m)；PLmk是dmk的连续函数，且当dmk≤d1时没有阴影衰落。为更加直观地描述信号传输模型，本方法采用归一化信噪比的方式来表达信号的功率。本文用ρp表示上行导频训练阶段UE发送导频时的归一化信噪比，用ρu表示上行数据传输阶段UE发送信号时的归一化信噪比。具体的表达式如下：

[0064]

[0065] 其中，pp和pu分别表示上行导频发送功率和上行数据发送功率(W)； 为噪声功率(W)，计算表达式如下：

[0066]

[0067] 其中，Bd为带宽(MHz)，kB＝1.381×10‑23为玻尔兹曼常数(Joule/Kelvin)，T0＝290为噪声温度(Kelvin)，Nf为噪声系数(dB)。

[0068] 上行导频训练阶段的主要目的是估计信道，基于信道互易性，估计出的信道可以用于上行数据传输的解码，因此算法性能可以通过用户上行吞吐量来反映。上行数据传输阶段的用户吞吐率闭合表达式为：

[0069]

[0070] 其中ρu为上行数据传输阶段UE发送信号时的归一化信噪比，γmk为第m个AP对第k个用户估计信道的均方值，可以表示为：

[0071]

[0072] 在一个具体实施例中，所述的步骤S1中，上行训练阶段信号模型表示为：

[0073]

[0074] 其中Yp,m表示第m个AP上行训练阶段接收到的导频信号，gmk表示第k个用户终端和第m个AP之间的信道向量， βmk为大尺度衰落，且被系统先验已知；hmk为小尺度衰落，其元素是独立同分布的随机变量且服从CN(0,1)，信道相干时间长度为τc，其中有长度τ用于上行训练，且τ满足τ<τc， 是终端k的导频序列，其中 是归一化导频序列，满足 每个终端所用的导频为正交导频集合Φ中的一个；ηk为导频功率系数，满足0<ηk≤1；K为单天线终端数，M为AP个数，每个AP配备L根天线，是上行训练阶段的归一化信噪比，pp为上行导频标准发送功率， 为噪声功率；Wp,m为L×τ加性噪声矩阵，其元素为服从CN(0,1)的独立同分布随机变量。

[0075] 本实施例中，具体的系统仿真参数如表1所示：

[0076] 表1系统仿真参数

[0077]

[0078] 在一个具体实施例中，所述的步骤S2中，初始化多策略差分进化算法，具体步骤为：

[0079] 初始化初代种群 对于个体 通过t＝0来表示初始种群,i＝1,2,...,B；B为种群中个体数量；D＝T为个体维度，即目标优化问题维度；迭代次数上限N；种群中的每个个体 都为复用相同导频用户的一种导频功
率系数组合，其中D＝T＝K/τ表示每个正交导频复用次数；对种群中每个个体的元素在(0,
1]上进行随机初始化，保证种群多样性。

[0080] 在一个具体实施例中，步骤S3中，计算每个个体适应度值，具体为：

[0081]

[0082] subject to 0<ηk≤1,k＝1,…,T

[0083] 其中Ak是为第k个用户服务的AP集合，通常基于先验已知的大尺度衰落来选取；表示最小化所有用户信道估计误差，通常用于提高
系统整体性能； 表示最小化最大用户信道估计误
差，通常用于保证系统公平性；对二者同时优化，该问题属于多目标高维优化问题，通常难度较大，不易求解。本方法提出的多策略差分进化算法则可以通过设置联合适应度函数来决定迭代方向，实现对二者的同时优化，从而可以在保证公平性的同时提高整体系统性能。
根据该适应度函数即可求出初始种群中的最优个体。

[0084] 在一个具体实施例中，所述的步骤S4中，基于第一阶段多策略差分进化算法，对种群中的所有个体采用无偏变异进化策略，设置对应控制参数，通过交叉和选择更新个体元素并选择出最优个体，具体步骤为：

[0085] 设置无偏变异进化策略DE/rand/2，通过利用变异策略的无偏性来改善随机初始化的不稳定性，同时为后续优化提供方向，设置对应控制参数F0＝0.8、CR0＝0.3来平衡全局搜索和局部开发，然后通过交叉和选择更新个体元素；DE/rand/2策略表示为为变异后个体，是在第t代种群中随机选出的互不相同且与目标个体 也不
相同的个体，因为该策略中没有最优个体作为导向而是随机选取个体进行变异，所以变异为无偏变异；F为缩放比例因子，用来控制差分值的缩放比例，其大小影响种群的收敛速度，常自取于[0,1]中的值；交叉是对目标个体 按照一定准则与变异后个
体 进行元素交换，得到交叉后的个体 交叉准则具
体为：

[0086]

[0087] 其中d＝1,2,...,D，CR为交叉率，r为(0,1)中的随机数，drand为[1,D]中的一个随t t机整数，用于保证交叉后个体Vi中至少有一维元素来自变异个体 进行交叉后的个体Vi为备选个体，在第一阶段，整个种群进行无偏变异进化，设置较大F0和较小CR0，有利于在全t
局中大致确定优化方向；在交叉后，首先对备选个体Vi的元素进行边界判断，本方法边界判t
断的操作为边界吸收，即对于超过边界的系数取边界值。然后将备选个体Vi 与原目标个体进行适应度值比较，择优选出下一代目标个体

[0088] 在一个具体实施中，所述的步骤S5中，根据个体适应度值将当前种群划分为三个子种群，具体为：根据帕累托准则，结合个体适应度值先将整个种群的前20％个体划为一个子种群，记为X1，再将后80％个体平均划分成两个子种群，记为X2和X3，帕累托法则指出对于任何一个群体，前20％的个体是最重要的，后80％个体为次要。通过划分子种群可以使适应度值较好的前20％个体进行精细化搜索以求得更优解，使后80％个体结合不同控制参数进行大尺度搜索，保证种群多样性的同时避免陷入局部最优。

[0089] 在一个具体实施中，所述的步骤S6中，基于第二阶段多策略差分进化算法，对三个子种群分别采用对应的变异策略，设置对应控制参数并通过交叉和选择更新每个个体，具体为：对三个子种群分别采用对应的变异策略、设置对应控制参数并通过交叉和选择更新个体；对于第一个子种群X1，其总体信道误差性能较好，且包含当前全局最优系数组合，使用DE/best/2变异策略提高其开采能力，进一步搜索最优解；对于子种群X2和X3，虽然其信道估计误差较大，但由于多峰问题有多个极值，其仍可能搜索到最优解，因此通过DE/rand/1策略进一步无偏全局搜索，并通过设置不同控制参数，平衡两个子种群的搜索和开采能力，DE/best/2策略表示为 DE/rand/1和DE/rand/2均属于无偏变异策略，DE/rand/1策略表示为 对于控制参数来说，F值
越大，意味着系数差分值影响越大，算法的搜索能力越强；F值越小，系数差分值的扰动程度t
就越小，算法开采能力越强。CR值越大，意味着在交叉操作时备选个体Vi继承变异个体的元素就越多，种群多样性越强。而较小的CR值，则可以提高收敛速度；对于子种群X1，为了使其在进一步开采最优解、实现细颗粒搜索的同时，避免开采过于细致而导致收敛速度慢，该文设置F1为0.7，CR1为较小值0.2；对子种群X2，为了使其在较大范围无偏搜索的同时具备较好的开采能力，该文设置F2为较大值0.8，CR2为较小值0.2；对子种群X3，由于其系数组合个体对应的总信道估计误差较大，所以设置F3为较大值0.8、CR3为0.9，来增强其搜索能力，扩大最优解搜索范围；交叉与选择操作和步骤S4相同；此外，在每次迭代开始前都要对当前种群再次进行子种群划分，以保证种群多样性和避免陷入局部最优。

[0090] 实施例2

[0091] 本实施例中，如图2所示，本发明的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法的具体过程包含步骤：

[0092] S1.构建上行训练阶段信号模型；

[0093] S12.上行训练阶段信号模型表示为：

[0094]

[0095] 其中Yp,m表示第m个AP上行训练阶段接收到的导频信号，gmk表示第k个用户终端和第m个AP之间的信道向量。 βmk为大尺度衰落，且被系统先验已知；hmk为小尺度衰落，其元素是独立同分布的随机变量且服从CN(0,1)。信道相干时间长度为τc(符号)，其中有长度τ用于上行训练，且τ满足τ<τc。 是终端k的导频序列，其中 是归一化导频序列，满足 每个终端所用的导频为正交导频集合Φ中的一个；ηk为导频功率系数，满足0<ηk≤1。K为单天线终端数，M为AP个数，每个AP配备L根天线。
是上行训练阶段的归一化信噪比，pp为上行导频标准发送功率， 为噪声
功率；Wp,m为L×τ加性噪声矩阵，其元素为服从CN(0,1)的独立同分布随机变量。

[0096] S2.初始化多策略差分进化算法相关参数；

[0097] S21.根据权利要求1所述的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法，步骤S2中，多策略差分进化算法初始化的内容包括初始化初代种群对于个体 通过t＝0来表示初始种群，i＝1,2,...,B；B为种群中个体数量；D＝T为个体维度，即目标优化问题维度；迭代次数上限N；种群中的每个个体都为复用相同导频用户的一种导频功率系数组合，其中
D＝T＝K/τ表示每个正交导频复用次数；对种群中每个个体的元素在(0,1]上进行随机初始化，保证种群多样性。

[0098] 多策略差分进化算法相关的初始化参数设置如表2所示：

[0099] 表2多策略差分进化算法相关的初始化参数

[0100]

[0101] S3.根据初始种群计算每个个体适应度值，找到初始最优个体；

[0102] S31.根据权利要求1所述的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法，步骤S3中，个体适应度值表示为

[0103]

[0104] subject to 0<ηk≤1,k＝1,…,T

[0105] 其中Ak是为第k个用户服务的AP集合，通常基于先验已知的大尺度衰落来选取；表示最小化所有用户信道估计误差，通常用于提高
系统整体性能； 表示最小化最大用户信道估计误
差，通常用于保证系统公平性；对二者同时优化，该问题属于多目标高维优化问题，通常难度较大，不易求解。本方法提出的多策略差分进化算法则可以通过设置联合适应度函数来决定迭代方向，实现对二者的同时优化，从而可以在保证公平性的同时提高整体系统性能。
根据该适应度函数即可求出初始种群中的最优个体。

[0106] S4.多策略差分进化算法第一阶段，对种群中的所有个体采用无偏变异进化策略，设置对应控制参数，通过交叉和选择更新个体元素并选择出最优个体，然后更新迭代次数；

[0107] S41.根据权利要求1所述的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法；步骤S4中，第一阶段设置无偏变异进化策略DE/rand/2，通过利用变异策略的无偏性来改善随机初始化的不稳定性，同时为算法第二阶段提供大致优化方向，设置对应控制参数F0＝0.8、CR0＝0.3来平衡全局搜索和局部开发，然后通过交叉和选择更新个体元素；DE/rand/2策略表示为为变异后个体， 是在第t代种群中随机选出的互不相同且与当
前目标个体 也不相同的个体，t＝1,2,...,N。因为该策略中没有最优个体作为导向而是随机选取个体进行变异，所以变异为无偏变异；F为缩放比例因子，用来控制差分值的缩放比例，其大小影响种群的收敛速度，常自取于[0,1]中的值；交叉是对目标个体按照一定准则与变异后个体 进行元素交换，得到
交叉后的个体 交叉准则如下：

[0108]

[0109] 其中d＝1,2,...,D，CR为交叉率，r为(0,1)中的随机数，drand为[1,D]中的一个随t t机整数，用于保证交叉后个体Vi中至少有一维元素来自变异个体 进行交叉后的个体Vi即为备选个体。在第一阶段，整个种群进行无偏变异进化，设置较大F0和较小CR0，有利于在t
全局中大致确定优化方向；在交叉后，首先对备选个体Vi的元素进行边界判断，本方法边界t
判断的操作为边界吸收，即对于超过边界的系数取边界值。然后将备选个体Vi与原目标个体 进行适应度值比较，择优选出下一代目标个体

[0110] S5.判断是否达到最大迭代次数，达到则根据个体适应度值将当前种群划分为三个子种群，否则重复步骤S4；

[0111] S51.根据权利要求1所述的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法；步骤S5中，根据帕累托准则，结合个体适应度值先将整个种群的前20％个体划为一个子种群，记为X1，再将后80％个体平均划分成两个子种群，记为X2和X3。帕累托法则指出对于任何一个群体，前20％的个体是最重要的，后80％个体为次要。通过划分子种群可以使适应度值较好的前20％个体进行精细化搜索以求得更优解，使后80％个体结合不同控制参数进行大尺度搜索，保证种群多样性的同时避免陷入局部最优。

[0112] S6.多策略差分进化算法第二阶段，对三个子种群分别采用对应的变异策略、设置对应控制参数并通过交叉和选择更新每个个体，然后更新迭代次数；

[0113] S61.根据权利要求1所述的去蜂窝大规模MIMO系统中基于多策略差分进化的导频功率控制方法；步骤S6中，第二阶段对三个子种群分别采用对应的变异策略、设置对应控制参数并通过交叉和选择更新个体；对于第一个子种群X1，其总体信道误差性能较好，且包含当前全局最优系数组合个体，使用DE/best/2变异策略提高其开采能力，利于进一步搜索最优解；对于子种群X2和X3，虽然其信道估计误差较大，但由于多峰问题有多个极值，其仍可能搜索到最优解，因此通过DE/rand/1策略进一步无偏全局搜索，并通过设置不同的控制参数，平 衡 两个 子 种 群的 搜 索 和开 采 能 力。D E/ b e st / 2策 略 表 示 为该策略由于包含全局最优系数组合个体 因此侧重于局部开采，使得搜索方向趋于当前最优解方向，虽然有较快的收敛速度但易导致早熟；DE/rand/1和DE/rand/2均属于无偏变异策略，由于所有参与变异个体均为随机选择，因此该类策略搜索方向具有无偏性，有利于全局搜索，即适合求解多峰函数；DE/rand/1策略表示为 对于控制参数来说，F值越大，意味着系数差分值影响越
大，算法的搜索能力越强；F值越小，系数差分值的扰动程度就越小，算法开采能力越强。CRt
值越大，意味着在交叉操作时备选个体Vi 继承变异个体 的元素就越多，种群多样性越强。而较小的CR值，则可以提高收敛速度；对于子种群X1，为了使其在进一步开采最优解、实现细颗粒搜索的同时，避免开采过于细致而导致收敛速度慢，该文设置F1为0.7，CR1为较小值0.2；对子种群X2，为了使其在较大范围无偏搜索的同时具备较好的开采能力，该文设置F2为较大值0.8，CR2为较小值0.2；对子种群X3，由于其系数组合个体对应的总信道估计误差较大，所以设置F3为较大值0.8、CR3为0.9，来增强其搜索能力，扩大最优解搜索范围；交叉与选择操作和步骤S4相同；此外，在每次迭代开始前都要对当前种群再次进行子种群划分，以保证种群多样性和避免陷入局部最优。

[0114] S7.判断是否达到最大迭代次数，达到则选出当前全局最优个体作为此导频对应用户的系数组合，否则重复步骤S6；

[0115] S8.所有用户的导频功率系数计算完毕后，输出用户所用导频和其对应的导频功率系数。

[0116] 图3是本发明实施例的系统吞吐量累计分布函数(CDF)对比图，描述了吞吐量的CDF在不同算法中实现的效果。在海量连接场景下(K＝300，τ＝10)，Graph方案相较于传统GPA方案对中低吞吐率的终端有较大提升，但却降低了高吞吐率终端的性能，并未实现系统整体性能的提升。本发明方法，虽然对中低吞吐率终端的提升和Graph方案接近，但整体性能优于Graph方案，主要原因在于本发明通过设定联合优化目标来同时优化所有用户信道估计误差和最大用户信道估计误差，从而没有发生牺牲高吞吐量用户性能来换取低吞吐量用户性能的情况。由图4可知，在用户数更为密集的场景(如K＝300、400、500，τ＝10)，正交导频数相对更少，该Graph方案会失效，而本发明算法则不受此影响。

[0117] 图5是本发明和现有导频功率控制算法的系统吞吐量累计分布函数(CDF)对比图，可以看出在海量连接场景下(K＝300，τ＝10)，现有PPC算法虽然有较明显提升，但并未保证整体性能的提高，高吞吐率终端性能甚至下降，这是因为PPC算法只优化了最大用户信道估计误差，而未考虑整体用户。本发明通过对所有用户信道估计误差和最大用户信道估计误差同时优化，既保证了系统公平性，也提高了整体性能。

[0118] 图6是本发明和现有导频功率控制算法以及全功率发送时的功耗对比图，可以看出在多用户场景下，相比于全功率发送导频，采用导频功率控制可以显著降低终端的发送功率，减少能耗。结合图5和图6可知，本发明在功耗相近条件下性能优于PPC算法。由此，也进一步验证本发明在多用户场景下的有效性。

[0119] 已知PPC算法每次迭代的复杂度为O((3K+1)3/2(K+1)2)。本发明的复杂度为O(NB(K22
+2Kτ+τlogB)/τ)，其中K为总用户数，τ为正交导频个数，N为算法迭代次数，B为自定种群个数。在多用户场景下，虽然本发明所需迭代次数远大于PPC算法，但整体复杂度则要低得多。
由图7可得，当K＝300时，本发明复杂度为PPC算法的39.1％；当K＝500时，本发明复杂度为PPC算法的29.6％。所以，在海量连接场景下，本发明可以在近似等功耗条件下以更低复杂度取得更好性能，且用户终端数越多，优势越明显。

[0120] 实施例3

[0121] 一种基于多策略差分进化的导频功率控制系统，包括模型构建模块、初始化模块、适应度值计算模块、多策略差分进化模块、数据输出模块；

[0122] 所述的模型构建模块用于构建去蜂窝大规模MIMO架构的上行训练阶段信号模型；

[0123] 所述的初始化模块用于初始化多策略差分进化算法；

[0124] 所述的适应度值计算模块用于根据初始种群计算每个个体适应度值，找到初始最优个体；

[0125] 所述的多策略差分进化模块用于基于第一阶段多策略差分进化算法，对种群中的所有个体采用无偏变异进化策略，设置对应控制参数，通过交叉和选择更新个体元素并选择出最优个体，然后更新迭代次数；判断是否达到最大迭代次数，达到则根据个体适应度值将当前种群划分为三个子种群，否则重复第一阶段多策略差分进化算法；基于第二阶段多策略差分进化算法，对三个子种群分别采用对应的变异策略，设置对应控制参数并通过交叉和选择更新每个个体，然后更新迭代次数；判断是否达到最大迭代次数，达到则选出当前全局最优个体作为此导频对应用户的系数组合，否则重复第二阶段多策略差分进化算法；

[0126] 所述的数据输出模块用于输出用户所用导频和其对应的导频功率系数。

[0127] 本发明构建了去蜂窝大规模MIMO架构的上行训练阶段信号模型，并采用多策略差分进化算法，基于种群适应度计算，迭代优化，得到最优的所有用户的导频功率系数，从而保证种群多样性的同时避免陷入局部最优，实现直接控制所有终端导频功率系数，并通过对差分进化算法的提升，有效地增加系统吞吐量。

[0128] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。