具体实施方式

本发明提供一种基于深度学习和导模法的高阻型氧化镓晶体制备方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

下面结合附图，通过对实施例的描述，对发明内容作进一步说明。

本发明提供了一种导模法生长高阻型氧化镓晶体的晶体生长炉，如图1所示，其包括下保温罩11，所述下保温罩11内设置有坩埚12，所述坩埚内12设置有形成毛细虹吸效应的模具13、所述坩埚12的外部设置有加热环14，；所述下保温罩的上方设置有所述上保温罩15，所述上保温罩15内部设置有晶体生长通道16，所述上保温罩的侧边设置有晶体生长观察孔17，所述下保温罩10的外围还设置有感应线圈18。

基于所述晶体生长炉可制备高阻型氧化镓晶体，首先，安装好用于制备高阻型氧化镓晶体的晶体生长炉，其中包括上保温罩材料选择、上保温罩的轴向开孔大小、开口窗形状及大小，下保温罩材料选择、坩埚相对感应线圈的高度位置、加热环与感应线圈的相对高度等，这些都会影响装置内部的热场分布，从而影响高阻型氧化镓晶体的产品性能。

将特定取向的β-Ga₂O₃籽晶放入籽晶夹具内并捆绑固定，籽晶的取向可以是[010]、[001]方向等；

首先，依次开启机械泵、扩散泵对设备内进行抽真空，当抽至预定真空度时，关闭真空设备，按照混合气体积比缓慢充气至设备内部；

然后，通过设置加热功率，通过所述发热体对坩埚进行加热，使放置在坩埚内的氧化镓原料以及掺杂元素材料完全融化，熔融氧化镓及掺杂元素材料通过毛细虹吸作用被输运至模具顶部并在顶部展开直至全部覆盖；随后，缓慢下降籽晶杆，使籽晶距离铱制模具顶端上方3-5mm位置进行籽晶预热，5-10分钟后开始接种；待籽晶与熔体充分熔接后进行引晶缩颈操作，避免籽晶的原有缺陷延伸至晶体内部，保证晶体质量，接着，进行扩肩生长，使晶体横向扩满至整个模具；再接下来进行等径生长；在晶体生长结束后，缓慢降至室温，取出晶体，即获得高阻型氧化镓晶体。在制备高阻型氧化镓晶体的过程中，加热功率、冷却功率、气氛类型、腔内压力、气体流量以及籽晶杆提拉速度，均会影响高阻型氧化镓晶体的产品性能。

基于此，本实施例提供了一种基于深度学习和导模法的高阻型氧化镓质量预测方法，如图2所示，其包括以下步骤：

S100、获取导模法制备高阻型氧化镓单晶的制备数据，所述制备数据包括籽晶数据、环境数据以及控制数据，所述控制数据包括掺杂元素浓度、掺杂元素类型。

具体来讲，所述制备数据是指采用导模法制备高阻型氧化镓单晶的数据，所述制备数据是可以根据需要进行配置的数据，例如，需要预测某一制备数据下得到的高阻型氧化镓单晶的性能时，只需要确定该制备数据，并对制备数据进行预处理得到预处理制备数据，再将所述预处理制备数据输入到训练好的神经网络模型，通过训练好的神经网络模型得到预测质量数据，也就是说，不需要进行实验，确定好制备数据后，就可以通过训练好的神经网络模型预测高阻型氧化镓单晶的质量数据。

本实施例中，所述制备数据包括：籽晶数据、环境数据以及控制数据，所述籽晶数据是指采用导模法制备高阻型氧化镓单晶的过程中所采用的籽晶的数据，所述环境数据是指采用导模法制备高阻型氧化镓单晶的过程中晶体所处环境的数据，所述控制数据是指采用导模法制备高阻型氧化镓单晶的过程中控制晶体生长的数据。所述掺杂元素浓度是指高阻型氧化镓中掺杂元素的浓度，所述掺杂元素类型包括：Fe、Ca、Zn、Co、Ti、Ni、Mg、Al、Cu等。

S200、对所述制备数据进行预处理，得到预处理制备数据。

具体来讲，在得到制备数据后，先对所述制备数据进行预处理，得到预处理制备数据，从而可以将所述预处理制备数据输入训练好的神经网络模型中，以便通过训练好的神经网络模型对预处理制备数据进行处理。

在本申请实施例的一种实施方式中，步骤S200、对所述制备数据进行预处理，得到预处理制备数据的步骤包括：

S210、根据所述籽晶数据、环境数据以及控制数据，得到预处理制备数据，所述预处理制备数据为由所述籽晶数据、环境数据以及控制数据形成的矩阵。

具体来讲，在得到制备数据后，先对所述制备数据进行预处理，得到预处理制备数据。由于制备数据中各子数据(如籽晶数据、环境数据以及控制数据)之间是会相互影响的，但是目前无法明确各子数据之间相互影响的程度有多少，因此，需要对制备数据进行预处理，将制备数据中各子数据重新排列组合，形成预处理制备数据。

在本申请的另一实施方式中，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值、籽晶厚度以及籽晶宽度；所述环境数据还包括：上保温罩热阻值、上保温罩热阻值偏差值、晶体生长通道形状因子、晶体生长观察孔形状因子、下保温罩热阻值、下保温罩热阻值偏差值、坩埚与加热线圈的相对高度、加热环与加热线圈的相对高度、模具口缝隙的宽度、模具口缝隙的厚度；所述控制数据包括：加热功率、冷却功率、气氛类型、腔体压力、气体流量、籽晶杆提拉速度。

具体的，所述籽晶衍射峰半高宽可以采用X射线衍射仪对籽晶进行测试，籽晶衍射峰半高宽偏差值包括籽晶衍射峰半高宽径向偏差值以及籽晶衍射峰半高宽轴向偏差值，所述径向为位于水平面上的方向，轴向为垂直于水平面的方向，即竖直方向的轴线。所述籽晶衍射峰半高宽径向偏差值可以通过对籽晶径向测试籽晶衍射峰半高宽，并求得籽晶径向上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽径向偏差值。所述籽晶衍射峰半高宽轴向偏差值可以通过对籽晶轴向测试籽晶衍射峰半高宽，并求得籽晶轴向上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽轴向偏差值。所述籽晶的厚度和宽度可直接测量得到。

如上所述，在采用图1所示的晶体生长炉制备高阻型氧化镓单晶时，所述上保温罩与下保温罩均为高阻型氧化镓单晶的生长提供稳定的热场。所述上保温罩热阻值是指单位时间内单位热量通过上保温罩时，保温罩内外两侧的温度差。上保温罩热阻值越大，表明上保温罩抵抗传热的能力越强，上保温罩的保温效果越好。

所述上保温罩热阻值偏差值包括上保温罩热阻值径向偏差值和上保温罩热阻值轴向偏差值。上保温罩热阻值径向偏差值可以通过对上保温罩径向两侧测试上保温罩热阻值，并求得上保温罩径向两侧上保温罩热阻值之间的差值，即可得到上保温罩热阻值径向偏差值。上保温罩热阻值轴向偏差值可以通过对上保温罩轴向两侧测试上保温罩热阻值，并求得上保温罩轴向两侧上保温罩热阻值之间的差值，即可得到上保温罩热阻值轴向偏差值。

相同地，采用同样的方法可以得到下保温罩热阻值以及下保温罩热阻值偏差值，所述下保温罩热阻值偏差值包括下保温罩热阻值径向偏差值和下保温罩热阻值轴向偏差值。

所述晶体生长通道形状因子是指晶体生长通道形状尺寸的值，例如，所述晶体生长通道为圆柱形时，则晶体生长通道形状因子包括：晶体生长通道的直径和高度；当所述晶体生长通道为立方体时，则晶体生长通道形状因子包括晶体生长通道的长度、高度和宽度；所述晶体生长通道形状因子也会影响晶体生长环境的热场分布，从而影响晶体生长性能。

所述晶体生长观察孔形状因子同样是指晶体生长观察孔形状尺寸的值，所述晶体生长观察孔的形状同样也会影响晶体生长环境的热场分布，从而影响晶体生长性能。

由于所述坩埚是通过感应线圈和加热环对其进行加热的，因此所述坩埚与感应线圈的相对高度、加热环与感应线圈的相对高度会影响晶体生长环境的热场分布。

本实施例中，所述控制数据包括模具口缝隙的宽度以及模具口缝隙的厚度，熔融高阻型氧化镓主要通过所述模具口缝隙的毛细虹吸作用被输运至模具顶部，从而在籽晶上逐渐生长成高阻型氧化镓晶体。因此，所述模具口缝隙的宽度以及厚度对高阻型氧化镓单晶的质量影响较大。

随着生长高阻型氧化镓晶体的装置的使用，上保温罩热阻值、下保温罩热阻值、上保温罩热阻值偏差值、下保温罩热阻值偏差值会改变，但是短时间内不会改变，可以在进行一定次数的晶体生长后，再重新测试这些环境数据。

所述加热功率是指加热环对坩埚的加热功率，所述冷却功率是指采用液体对晶体生长炉内环境进行冷却的功率，所述气氛类型是指通入所述晶体生长炉内的气体类型，包括O₂，Ar，N₂，CO₂等，所述腔体压力是指所述晶体生长炉内的压力，所述气体流量是指通入所述晶体生长炉内的气体流量，所述籽晶杆提拉速度是指在晶体生长过程中籽晶杆向上提拉的速度，所述晶体转速是指在晶体生长过程中籽晶杆带动所述晶体旋转的速度，所述析晶率是指熔融高阻型氧化镓原料形成晶体的比例，所述晶体与坩埚直径比是指生成的晶体直径与坩埚直径的比例。这些参数都是影响导模法制备晶体的控制参数。

在本实施例的一种实施方式中，步骤S210、根据所述籽晶数据、环境数据以及控制数据，得到预处理制备数据的步骤包括：

S211、所述制备向量中第一元素为所述籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值、籽晶厚度以及籽晶宽度中的一个；所述制备向量中第二元素为所述上保温罩热阻值、上保温罩热阻值偏差值、晶体生长通道形状因子、晶体生长观察孔形状因子、下保温罩热阻值、下保温罩热阻值偏差值、坩埚与加热线圈的相对高度、加热环与加热线圈的相对高度、模具口缝隙的宽度、模具口缝隙的厚度、掺杂元素浓度以及掺杂元素类型中的一个，所述掺杂元素类型包括Fe、Ca、Zn、Co、Ti、Ni、Mg、Al和Cu；所述制备向量中第三元素为所述加热功率、冷却功率、气氛类型、腔体压力、气体流量、籽晶杆提拉速度中的一个；

S212、根据所述制备向量，确定所述预处理制备数据。

具体地，根据籽晶数据A、环境数据B以及控制数据C，确定制备向量(A，B，C)。籽晶数据A选自：籽晶衍射峰半高宽A1、籽晶衍射峰半高宽偏差值A2、籽晶厚度A3以及籽晶宽度A4。环境数据B选自：上保温罩热阻值B1、上保温罩热阻值偏差值B2、晶体生长通道形状因子B3、晶体生长观察孔形状因子B4、下保温罩热阻值B5、下保温罩热阻值偏差值B6，坩埚与感应线圈的相对高度B7，加热环与感应线圈的相对高度B8，模具口缝隙的宽度B9、模具口缝隙的厚度B10、掺杂元素浓度11以及掺杂元素类型12。控制数据C选自：加热功率C1、冷却功率C2、气氛类型C3、腔体压力C4、气体流量C5、籽晶杆提拉速度C6。也就是说，制备向量(A，B，C)中A可以是A1、A2、A3、A4中的一个，B可以是B1、B2、B3、B4、B5、B6、B7、B8、B9、B10、B11、B12中的一个，C可以是C1、C2、C3、C4、C5、C6中的一个。则可以形成288个制备向量。

将所有制备向量按照序号排列形成矩阵，则得到了预处理的制备数据。

具体地，预处理的制备数据如下：

当然，还采用其他的排列形式，得到预处理的制备数据。

S300、将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的预测质量数据。

具体地，所述预测质量数据包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽偏差值、预测高阻型氧化镓晶体放肩对称性、预测高阻型氧化镓晶体左边沿收放度、预测高阻型氧化镓晶体右边沿收放度、预测高阻型氧化镓晶体厚度、预测高阻型氧化镓晶体厚度偏差、预测电阻率径向偏差值以及预测电阻率轴向偏差值。其中，裂纹数据是指裂纹等级数据，预测裂纹数据是指预测的裂纹等级数据，例如，可以将裂纹分为多个等级，举例说明，裂纹分为3级，则裂纹数据分别为：1、2以及3。

杂晶数据是指杂晶等级数据，预测杂晶数据是指预测的杂晶等级数据，例如，可以将杂晶分为多个等级，举例说明，杂晶分为3级，则杂晶数据分别为：1、2以及3。

预测衍射峰半高宽是指预测的衍射峰半高宽，预测衍射峰半高宽径向偏差值是指在径向衍射峰半高宽的预测差值，预测衍射峰半高宽轴向偏差值是指在轴向衍射峰半高宽的预测差值。

在一些实施方式中，所述训练好的神经网络模型采用如下训练步骤训练得到：

S01、获取导模法制备高阻型氧化镓单晶的训练数据，以及对应的实际质量数据，其中，所述训练数据包括：籽晶训练数据、环境训练数据以及控制训练数据。

具体地，训练数据是指采用导模法制备高阻型氧化镓单晶并用于训练的数据，实际质量数据是指采用导模法制备得到的高阻型氧化镓单晶的实际质量的数据。通过训练数据、实际质量数据形成训练集，基于该训练集训练预设的神经网络模型，得到训练好的神经网络模型。

在采集数据得到训练集时，采用导模法制备高阻型氧化镓单晶，并记录制备高阻型氧化镓单晶的数据作为训练数据，在得到高阻型氧化镓单晶后，对高阻型氧化镓单晶的质量进行分析得到实际质量数据。为了便于神经网络模型的训练，可以采集尽量多的数据形成训练集。

S02、对所述训练数据进行预处理，得到预处理训练数据。

具体地，在得到训练数据后，对训练数据进行预处理，得到预处理训练数据。预处理过程可以参考步骤S200。

S03、将所述预处理训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到与所述预处理训练数据对应的预测训练生成质量数据。

具体地，将所述预处理训练数据输入预设的神经网络模型，通过预设的神经网络模型得到预测训练生成质量数据。所述预测训练生成质量数据包括：预测训练生成裂纹数据、预测训练生成杂晶数据、预测训练生成衍射峰半高宽、预测训练生成衍射峰半高宽径向偏差值以及预测训练生成衍射峰半高宽轴向偏差值。

S04、根据所述预测训练生成质量数据以及所述实际质量数据对所述预设的神经网络模型的模型参数进行调整修正，得到训练好的神经网络模型。

具体地，根据所述预测训练生成质量数据以及所述实际质量数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理训练数据对应的预测训练生成质量数据的步骤(即步骤S03)，直至满足预设训练条件，得到训练好的神经网络模型。

具体地，根据所述预测训练生成质量数据以及所述实际质量数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测训练生成质量数据的步骤，直至满足预设训练条件，得到训练好的神经网络模型。也就是说，若所述预设的神经网络模型满足预设训练条件，则得到训练好的神经网络模型。若所述预设的神经网络模型不满足预设训练条件，则返回步骤S03，直至所述预设的神经网络模型满足预设训练条件，得到训练好的神经网络模型。

在本发明实施例的一种实现方式中，根据所述预测训练生成质量数据以及所述实际质量数据确定预设的神经网络模型的损失函数值，根据所述损失函数值对所述预设的神经网络模型的模型参数进行修正。具体地，采用基于梯度的方法对所述预设的神经网络模型的参数进行修正，确定所述预设的神经网络模型的损失函数值后，根据所述损失函数值对所述预设的神经网络模型的参数的梯度、所述预设的神经网络模型的参数以及预设学习率，确定所述预设的神经网络模型的修正的参数。

所述预设训练条件包括：损失函数值满足预设要求和/或所述预设的神经网络模型的训练次数达到预设次数。

所述预设要求根据所述预设的神经网络模型的精度和效率确定，例如，所述预设的神经网络模型的损失函数值达到最小值或者不再变化。所述预设次数为所述预设的神经网络模型的最大训练次数，例如，4000次等。

预设的神经网络模型的损失函数包括：均方误差、均方根误差、平均绝对误差等。

在本申请实施例的一种实现方式中，所述预设的神经网络模型包括：特征提取模块和全连接模块。

举例说明，预设的神经网络模型包括：第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及全连接单元。具体地，第一卷积单元包括：两个卷积层和一个池化层。第二卷积单元、第三卷积单元以及第四卷积单元均包括三个卷积层和一个池化层。全连接单元包括三个全连接层。

卷积层和全连接层负责对输入数据进行映射变换，这个过程会用到权值和偏置等参数，也需要使用激活函数。池化层是一个固定不变的函数操作。具体地，卷积层起到提取特征的作用；池化层对输入特征进行池化操作，改变其空间尺寸；而全连接层是对前一次层中所有数据进行全部连接的。

在一些实施方式中，所述步骤S03、将所述预处理训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到与所述预处理训练数据对应的预测训练生成质量数据，包括：

S031将所述预处理训练数据输入所述特征提取模块，通过所述特征提取模块得到与所述预处理训练数据对应的特征向量；

S032、将所述特征向量输入到所述全连接模块，通过所述全连接模块得到与所述预处理训练数据对应的预测训练生成质量数据。

具体地，将所述预处理训练数据输入预设的神经网络模型，通过所述预设的神经网络模型中的所述特征提取模块输出所述预处理训练数据对应的特征向量，并将所述特征向量输入所述全连接模块，得到所述全连接模块输出的所述预处理训练数据对应的预测训练生成质量数据。

基于上述基于深度学习和导模法的高阻型氧化镓质量预测方法，本实施例提供了一种基于深度学习和导模法的高阻型氧化镓制备方法，如图3所示，所述制备方法包括：

S10、获取目标高阻型氧化镓单晶的目标质量数据，所述目标质量数据包括目标电阻率。

具体地，如果需要得到目标高阻型氧化镓单晶时，可以先确定目标高阻型氧化镓单晶的目标质量数据，也就是说，确定想要得到的高阻型氧化镓单晶的质量数据。所述目标质量数据还包括：目标裂纹数据、目标杂晶数据、目标衍射峰半高宽、目标衍射峰半高宽偏差值、目标高阻型氧化镓晶体放肩对称性、目标高阻型氧化镓晶体左边沿收放度、目标高阻型氧化镓晶体右边沿收放度、目标高阻型氧化镓晶体厚度、目标高阻型氧化镓晶体厚度偏差、目标电阻率径向偏差值以及目标电阻率轴向偏差值。

S20、根据所述目标质量数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据，其中，所述目标制备数据包括：目标籽晶数据、目标环境数据以及目标控制数据，所述目标环境数据包括目标掺杂元素浓度，目标掺杂元素类型。

具体地，根据所述目标质量数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据。需要说明的时，由于不同的制备数据可以得到相同的质量数据，因此，在根据所述目标质量数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据时，目标制备数据并不是唯一的，根据多个目标制备数据中各数据的控制难易程度确定一个目标制备数据，从而便于得到目标高阻型氧化镓单晶。

在一些实施方式中，所述步骤S20、根据所述目标质量数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据，包括：

S21、获取预设制备数据，对所述预设制备数据进行预处理，得到预处理预设制备数据；

S22、将所述预处理预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到与所述预处理预设制备数据对应的预测质量数据；

S23、根据所述预测质量数据以及所述目标质量数据，对所述预设制备数据进行修正，以得到所述目标高阻型氧化镓单晶对应的目标制备数据。

具体地，可以先预设制备数据，并对预设制备数据进行预处理，得到预处理预设制备数据，具体预处理过程可以参考步骤S200。将预处理预设制备数据输入训练好的神经网络模型，可以得到对预处理预设制备数据进行修正的预测质量数据，然后根据所述预测质量数据以及所述目标质量数据对所述预设制备数据进行修正，当所述预测质量数据与所述目标质量数据之间的差值小于预设阈值时，则可以将该修正后的预设制备数据作为目标制备数据。

S30、基于导模法，根据所述目标制备数据制备得到目标高阻型氧化镓单晶。

具体地，在得到目标制备数据后，则可以导模法，根据所述目标制备数据制备得到目标高阻型氧化镓单晶。

基于上述预测方法或上述制备方法，本发明提供了一种基于深度学习和导模法的高阻型氧化镓制备系统，该系统可以是计算机设备，内部结构如图4所示。该系统包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该系统的处理器用于提供计算和控制能力。该系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该系统的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习和导模法的高阻型氧化镓的预测方法或基于深度学习和导模法的高阻型氧化镓的制备方法。该系统的显示屏可以是液晶显示屏或者电子墨水显示屏，该系统的输入装置可以是显示屏上覆盖的触摸层，也可以是系统外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4所示的仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的系统的限定，具体的系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种基于深度学习和导模法的高阻型氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的预测方法的步骤，或所述的制备方法的步骤。

最后应说明的是：以上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精神和范围。