具体实施方式

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它实施例，都属于本申请保护的范围。

近年来，随着移动通信网络技术的发展和成熟，移动用户的数量飞速增加，对话务密度及网络覆盖度的要求也不断上升。室内分布系统(Distributed Antenna System，DAS)，也称为室分，是一种利用相关技术手段将移动通信基站的信号均匀地分布在室内每个角落，从而有效地改善建筑物内的信号覆盖环境的系统。

传统室分是一种采用基带处理单元(Building Base band Unit，BBU)连接射频拉远单元(Radio Remote Unit，RRU)，再以天馈系统为载体的射频信号传输系统。其中，天馈系统由馈线、功分器、耦合器、吸顶天线等无源器件组成，这些无源器件均为哑网元且监控手段处于缺失状态。室分系统在应用过程中可能会出现隐形故障，如无源器件发生损坏或性能下降等，这些隐形故障会影响移动通信网络质量且难以被发现，通常只能在被动地接收到用户投诉后才能进行排查处理。因此，需要在室分隐形故障出现之后，及时地发现和修复相关故障，保证室内通信流畅。

现有的室分隐形故障的判决方法主要依靠人工现场判决，工程师现场勘测室分系统的运行状态，通过比对无线资源控制(Radio Resource Control，RRC)连接构建成功次数、无线接入承载(Radio Acess Bearer，RAB)构建成功次数、掉话率等方面的数据是否发生明显突变，来判决室分系统是否发生隐形故障。

然而，在人工现场判决过程中，由于发生隐形故障的室分系统涉及到的用户数量较多，需要比对分析的数据的总量庞大，且易受节假日等因素干扰，从而使得工作人员的任务量繁重、维护效率低，难以对室分系统的隐形故障进行高效地分析判决。

为解决上述技术问题，本申请实施例提供一种室分隐形故障的判断方法、装置、存储介质及设备。本申请实施例中，可以将用户行为数据输入到决策树模型中进行分析，得到室分隐形故障的判断结果，无需通过人工方法现场检测故障，从而可以高效地判断室分系统在应用过程中是否出现了隐形故障。

本申请实施例提供的室分隐形故障的判断方法，不但可以适用于传统室分系统，例如无源室分系统(Passive Distributed Antenna System)、有源室分系统(ActiveDistributed Antenna System)等，还可以运用于其它室分系统，例如，远端无线单元(picoRRU，pRRU)下采用馈线进行延伸连接的新型数字化室分系统等。

下面对于本申请涉及的室分隐形故障的判断方法的应用场景进行说明。

图1为本申请实施例提供的一种室分隐形故障的判断方法的应用场景示意图。如图1所示，包括有服务器101及终端设备102，其中，服务器101具有生成用户行为数据及故障判断的作用。当用户在应用移动通信网络时，服务器101生成室分系统的用户行为数据，并通过指令对用户行为数据进行获取、处理及分析判决，确定室分系统是否产生隐形故障。若产生隐形故障，服务器101可以将告警信息发送给待告警的终端设备102。

其中，上述服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。

终端设备可以为手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、智慧家庭(smart home)中的无线终端等。本申请实施例中，用于实现终端的功能的装置可以是终端，也可以是能够支持终端实现该功能的装置，例如芯片系统，该装置可以被安装在终端中。本申请实施例中，芯片系统可以由芯片构成，也可以包括芯片和其它分立器件。

应理解，本申请技术方案的应用场景可以是图1中的室分隐形故障的判断场景，但不限于此，还可以应用于其它需要对室分隐形故障进行判断的场景中。

可以理解，上述室分隐形故障的判断方法可以通过本申请实施例提供的室分隐形故障的判断装置实现，室分隐形故障的判断装置可以是某个设备的部分或全部，例如服务器。

下面以集成或安装有相关执行代码的处理器为例，以具体的实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图2为本申请实施例提供的一种室分隐形故障的判断方法的流程示意图，本实施例涉及的是室分系统是否发生隐形故障的判断过程。如图2所示，该方法包括：

S201、获取室分系统的用户行为数据。

在本申请实施例中，服务器可以通过指令获取室分系统的用户行为数据，从而对室分系统是否发生隐形故障进行判断。

用户在应用某个室分系统下的移动通信网络时，服务器可以生成与室分系统运行情况有关的数据，这些数据被称为用户行为数据。应理解，用户行为数据可以包含多种类型，示例性地，可以包括RRC连接构建尝试次数、RRC连接构建成功次数、RAB构建尝试次数、RAB构建成功次数、切换出请求次数、切换出成功次数、小区流量、小区话务量、掉话率、工作日信息、周末信息、节假日信息等。

示例性地，室分系统的用户行为数据可以存储在用户行为数据列表中，表1为本申请实施例提供的一种用户行为数据列表。

表1

应理解，本申请实施例对于需要获取的用户行为数据的类型不做限制，可以为任意多种类型。在一些实施例中，需要获取的用户行为数据的类型，可以为决策树模型中所包含的用户行为数据的类型。示例性地，若决策树模型中包含RRC连接构建尝试次数、切换出成功次数、小区流量、小区话务量、是否节假日五种类型的用户行为数据，则只需要获取上述五种类型的用户行为数据。

本申请实施例对于用户行为数据的获取来源不做限制。在一些实施例中，用户行为数据的获取来源可以为任意服务器，在另一些实施例中，也可以为任意可以产生或存储用户行为数据的设备。

需要说明的是，本申请实施例对于用户行为数据的获取时间也不做限制，可以根据实际情况具体设置。在一些实施例中，可以定期获取用户行为数据，示例性地，每隔5天获取用户行为数据进行分析判断。

S202、将室分系统的用户行为数据输入决策树模型，并获取决策树模型输出的室分隐形故障的判断结果。

在本步骤中，当获取室分系统的用户行为数据后，服务器可以根据指令将室分系统的用户行为数据输入决策树模型，并获取决策树模型输出的室分隐形故障的判断结果。

其中，决策树(decision tree)是一种树形结构，每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。在本申请实施例中，决策树模型包含多个内部节点，每个内部节点均用于对不同类型的用户行为数据与室分隐形故障的关联性进行判断。需要说明的是，本申请实施例对于决策树模型的树结构不做限制，在一些实施例中，决策树模型的树结构可以为二叉树，在另一些实施例中，也可以为非二叉树。

在一些实施例中，在将室分系统的用户行为数据输入决策树模型之前，还可以对数据进行处理。本申请实施例对于如何将室分系统的用户行为数据进行处理不做限制，可以根据实际情况具体设置。在一些实施例中，服务器可以根据指令对用户行为数据中的空值进行数据填充，随后，对填充后的数据进行归一化处理。

应理解，服务器所获取的用户行为数据中可能存在部分数据值缺失，即显示为空值的情况。本申请实施例对空值所属类型不做限制，在一些实施例中，出现的空值可能属于节假日信息、周末信息、工作日信息这三种类型。示例性地，出现的空值属于是否节假日时，所缺失的数据值可能是“是”或“否”。

进一步地，本申请实施例对于如何对用户行为数据中的空值进行填充不做限制，可以根据实际情况具体设置。在一些实施例中，可以根据空值所属类型及所缺失的数据值进行填充。示例性地，当出现的空值属于是否节假日，所缺失的数据值是“否”时，可以用“否”对空值进行填充。

归一化处理用于消除不同数据类型之间的量纲影响，解决数据类型之间的可比性问题。本申请实施例对于如何对数据进行归一化处理不做限制，可以根据实际情况具体设置。在一些实施例中，可以将数据按比例缩放至目标区间内。示例性地，可以先将数据分别按25％、50％、75％的比例缩小，随后，根据缩小后的数据所落入的区间来确定最终缩小比例。本申请实施例对于将数据按比例缩放的目标区间的大小不做限制。

应理解，本申请实施例对于室分隐形故障判断结果的输出形式不做限制，可以根据实际情况具体设置。在一些实施例中，决策树模型可以通过“1”或“0”来输出判断结果，示例性地，决策树模型输出“1”可以代表“室分系统存在隐形故障”，输出“0”可以代表“室分系统不存在隐形故障”。

在另一些实施例中，对室分隐形故障进行判断，还包括若决策树模型输出的判断结果显示室分系统存在隐形故障，先根据存在故障的室分系统的相关信息，确定待告警的终端设备，随后，服务器再向待告警的终端设备发送告警信息。

本申请实施例提供的室分隐形故障的判断方法，首先获取室分系统的用户行为数据，随后，对室分系统的用户行为数据进行处理，最后，将处理后的用户行为数据输入决策树模型，并获取决策树模型输出的室分隐形故障的判断结果。通过该方式，由于可以定期获取、处理室分系统的用户行为数据，并输入决策树模型中进行判断，无需通过人工方法现场检测故障，从而可以高效地分析判断室分系统是否发生了隐形故障。

在上述实施例的基础上，下面对于如何构建决策树模型进行说明。图3为本申请实施例提供的一种决策树模型的构建方法的流程示意图，如图3所示，该方法包括：

S301、获取室分系统的历史用户行为数据。

在本步骤中，服务器可以通过指令获取室分系统的历史用户行为数据。

其中，历史用户行为数据为室分系统中已有的正常时段和存在隐形故障时段下的用户行为数据。历史用户行为数据中包含室分系统“是否存在隐形故障”的数据。

应理解，本申请实施例对于需要获取的历史用户行为数据的类型及数量不做限制，可以根据实际情况具体设置。在一些实施例中，需要获取的历史用户行为数据的类型，应尽量包含用户行为数据的全部类型，以提高所构建决策树模型的精度。

S302、确定历史用户行为数据中的标签数据并进行处理，保留其它数据作为特征数据。

在本步骤中，当获取历史用户行为数据后，服务器可以通过指令确定历史用户行为数据中的标签数据并进行处理，保留其它数据作为特征数据。

其中，标签数据是一种与决策树模型的输出结果有关的数据。示例性地，若决策树模型的输出结果为“是否存在隐形故障”，则标签数据确定为“是否存在隐形故障”。

进一步地，在本申请实施例中，根据决策树模型的输出结果，将“是否存在隐形故障”确定为标签数据，标签数据所包含的数据为“是”或“否”。进一步地，本申请实施例对于如何对标签数据进行处理不做限制。在一些实施例中，可以将“是”或“否”分别转换为“1”或“0”，以便于模型的训练及学习过程。

S303、确定历史用户行为数据中的特征数据与标签数据的关联性，根据关联性生成决策树模型的待训练数据。

在本步骤中，当确定标签数据并进行处理后，服务器可以通过指令确定历史用户行为数据中的特征数据与标签数据的关联性，根据关联性生成决策树模型的待训练数据。

应理解，本申请实施例对于如何确定特征数据与标签数据之间的关联性不做限制。在一些实施例中，服务器可以通过相关性分析方法确定历史用户行为数据中的特征数据与标签数据之间的关联性。

本申请实施例对于如何根据关联性生成待训练数据也不做限制，在一些实施例中，服务器可以将与室分隐形故障关联性低的特征数据确定为无用数据，将无用数据剔除后，生成决策树模型的待训练数据。

S304、对决策树模型的待训练数据进行处理。

在本步骤中，当根据关联性生成决策树模型的待训练数据后，服务器可以通过指令对数据进行处理。

本申请实施例对于如何将决策树模型的待训练数据进行处理不做限制，可以根据实际情况具体设置。在一些实施例中，服务器可以根据指令对待训练数据中的空值进行数据填充，随后，对填充后的数据进行随机化处理及归一化处理。

其中，空值填充及归一化处理方法可参照图2所示的S202理解，在此不再累述。随机化处理用于将数据的顺序打乱，本申请实施例对于如何对空值填充后的数据进行随机化处理不做限制，可以根据实际情况具体设置。在一些实施例中，当任意用户行为类型的相同数据值过于集中时，可以对数据进行随机化处理。示例性地，当“是”或“否”过于集中在列表某个区域时，可以将数据进行随机打乱。

应理解，本申请实施例对于将空值填充后的数据进行随机化处理及归一化处理的先后顺序也不做限制，可以根据实际情况具体设置。

在本申请中，通过对空值填充后的数据进行随机化处理及归一化处理，可以使数据分布更加随机化和均匀化，有利于提高室分隐形故障分析判断的准确度及所构建决策树模型的精度。

S305、按照预设额划分比例，将待训练数据划分为训练集数据和测试集数据。

在本步骤中，当对决策树模型的待训练数据进行处理后，服务器可以通过指令按照预设额划分比例，将待训练数据划分为训练集数据和测试集数据。

其中，预设额为将待训练数据划分为训练集数据和测试集数据所设置的比例。本申请实施例对于如何设置预设额不做限制，在一些实施例中，预设额可以设置为8-2、7-3、6-4、5-5。

在本申请实施例中，训练集数据用于生成决策树模型，测试集数据用于测试决策树模型的正确率和误差，验证模型的有效性。应理解，本申请实施例对于如何将待训练数据划分为训练集数据和测试集数据也不做限制。示例性地，当预设额设置8-2时，可以直接随机地将80％的待训练数据划分为训练集数据，其余作为测试集数据。

S306、构建决策树模型，并使用训练集数据对决策树模型进行训练。

在本步骤中，当将待训练数据划分为训练集数据和测试集数据后，服务器可以通过指令构建决策树模型，并使用训练集数据对决策树模型进行训练。

本申请实施例对于构建决策树模型所选取的机器学习库不做限制。在一些实施例中，服务器可以选取基于Python语言的机器学习库(Scikit-Learn，Sklearn)构建决策树模型。

本申请实施例对于构建决策树模型所选取的参数不做限制。在一些实施例中，服务器可以选取标准(criterion)、基尼不纯度(Gini impurity，gini)、拆分(splitter)及树的最大深度(max_depth)作为构建决策树模型的参数。其中，criterion用于衡量分类的质量，gini用于衡量一个随机选中的样本被分错的概率，splitter用于在每个节点处选择拆分的策略，策略可以分为“最佳”选择最佳分割和“随机”选择最佳随机分割，max_depth表示树的最大深度。

S307、使用测试集数据对决策树模型进行测试，根据测试结果的准确度生成决策树模型。

在本步骤中，当使用训练集数据对决策树模型进行训练后，服务器可以通过指令使用测试集数据对决策树模型进行测试，根据测试结果的准确度生成决策树模型。

其中，测试结果的准确度为测试值与真实值的比值。应理解，本申请实施例对于可以生成决策树模型的测试结果的准确度不做限制。在一些实施例中，当测试结果的准确度大于90％时，认为可以生成决策树模型。示例性地，当测试结果的准确度为92.08％时，认为模型得出的结果是准确的，可以生成决策树模型。

示例性地，表2为本申请实施例提供的一种测试结果表，其中“1”代表室分存在隐形故障，“0”代表室分不存在隐形故障，表2中，测试结果的准确度为90.91％。

表2

需要说明的是，本申请实施例对于决策树模型的输出方法不做限制。在一些实施例中，服务器可以通过决策树可视化工具，将生成的决策树模型进行输出。示例性地，可以通过决策树输出函数(tree.export_graphviz)输出决策树模型。

S301-S307的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的S201-S203理解，对于重复的内容，在此不再累述。

在上述实施例的基础上，下面对于如何根据历史用户行为数据生成决策树模型的待训练数据进行说明。图4为本申请实施例提供的一种待训练数据的生成方法的流程示意图，如图4所示，该方法包括：

S401、获取室分系统的历史用户行为数据。

S402、确定历史用户行为数据中的标签数据并进行处理，保留其它数据作为特征数据。

S403、确定历史用户行为数据中的特征数据与标签数据的关联性。

在本步骤中，当确定标签数据并进行处理后，服务器可以通过指令确定历史用户行为数据中的特征数据与标签数据的关联性。

应理解，本申请实施例对于如何确定特征数据与标签数据之间的关联性不做限制。在一些实施例中，服务器可以通过相关性分析方法，首先计算得到每种类型的特征数据与标签数据之间的相关性系数，随后，根据相关性系数确定每种类型的特征数据与标签数据之间的关联性。

S404、根据特征数据与标签数据的关联性，按照从高到低的顺序对特征数据进行排序。

在本步骤中，当确定特征数据与标签数据的关联性后，服务器可以通过指令，按照关联性从高到低的顺序对特征数据的类型进行排序。

本申请实施例对于根据关联性将特征数据的类型进行排序不做限制。在一些实施例中，可以按照相关性系数从高到低的顺序进行排序。示例性地，表3为本申请实施例提供的一种关联性排序表。

表3

S405、根据排序结果，确定排序在最后的预设数量的特征数据作为无用数据。

在本步骤中，当对特征数据进行排序后，服务器可以根据特征数据的排序结果，确定排序在最后的预设数量的特征数据作为无用数据。

其中，无用数据为与标签数据“是否存在隐形故障”关联性低的特征数据。本申请实施例对于无用数据的预设数量或确定方法不做限制，可以根据实际情况具体设置。在一些实施例中，可以根据相关性系数的绝对值进行确定。示例性地，可以将相关性系数的绝对值小于0.3的特征数据确定为无用数据。

S406、剔除特征数据中的无用数据，根据剔除无用数据后的特征数据，生成决策树模型的待训练数据。

在本步骤中，当确定无用数据后，服务器可以通过指令剔除特征数据中的无用数据，根据剔除无用数据后的特征数据，生成决策树模型的待训练数据。

应理解，本申请实施例对于无用数据的剔除方法不做限制。在一些实施例中，服务器可以将无用数据直接删除，将剔除无用数据后的特征数据作为待训练数据。

S401-S406的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的S201-S203理解，对于重复的内容，在此不再累述。

本申请实施例提供的室分隐形故障的判断方法，首先获取室分系统的用户行为数据，随后，对室分系统的用户行为数据进行处理，最后，将处理后的用户行为数据输入决策树模型，并获取决策树模型输出的室分隐形故障的判断结果。通过该方式，由于可以定期获取、处理室分系统的用户行为数据，并输入决策树模型中进行判断，无需通过人工方法现场检测故障，从而可以高效地分析判断室分系统是否发生了隐形故障。

本领域普通技术人员可以理解：实现上述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。

图5为本申请实施例提供的一种室分隐形故障的判断装置的结构示意图。该室分隐形故障的判断装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的服务器，以执行上述实施例中的室分隐形故障的判断方法。如图5所示，该室分隐形故障的判断装置500包括：

获取模块501，用于获取室分系统的用户行为数据；

处理模块502，用于将室分系统的用户行为数据输入决策树模型，并获取决策树模型输出的室分隐形故障的判断结果，决策树模型包含多个内部节点，每个内部节点均用于对不同类型的用户行为数据与室分隐形故障的关联性进行判断。

一种可选的实施方式中，处理模块502，还用于根据室分系统的历史用户行为数据，对决策树模型进行训练。

一种可选的实施方式中，处理模块502，具体用于剔除历史用户行为数据中的无用数据；根据剔除无用数据后的历史用户行为数据，生成决策树模型的待训练数据；使用待训练数据对决策树模型进行训练。

一种可选的实施方式中，处理模块502，还用于确定历史用户行为数据与室分隐形故障的关联性；根据历史用户行为数据与室分隐形故障的关联性，按照从高到低的顺序对历史用户行为数据进行排序；根据历史用户行为数据的排序结果，确定排序在最后的预设数量的历史用户行为数据作为无用数据。

一种可选的实施方式中，处理模块502，具体用于对剔除无用数据后的历史用户行为数据中的空值进行数据填充；确定历史用户行为数据中的标签数据，保留历史用户行为数据中的特征数据作为待训练数据；按照预设额划分比例，将待训练数据划分为训练集数据和测试集数据。

一种可选的实施方式中，处理模块502，还用于对待训练数据进行随机化处理和归一化处理。

需要说明的，图5所示实施例提供的室分隐形故障的判断装置，可用于执行上述任意实施例所提供的方法，具体实现方式和技术效果类似，这里不再进行赘述。

图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示，该电子设备可以包括：至少一个处理器601和存储器602。图6示出的是以一个处理器为例的电子设备。

存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器602可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器601用于执行存储器602存储的计算机执行指令，以实现上述室分隐形故障的判断方法；

其中，处理器601可能是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

可选的，在具体实现上，如果通信接口、存储器602和处理器601独立实现，则通信接口、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口、存储器602和处理器601集成在一块芯片上实现，则通信接口、存储器602和处理器601可以通过内部接口完成通信。

本申请实施例还提供了一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于室分隐形故障的判断装置中。

本申请实施例还提供一种程序，该程序在被处理器执行时用于执行以上方法实施例提供的室分隐形故障的判断方法。

本申请实施例还提供一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的室分隐形故障的判断方法。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。具体地，该计算机可读存储介质中存储有程序信息，程序信息用于上述室分隐形故障的判断方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。