本發(fā)明涉及信號(hào)處理領(lǐng)域，具體涉及一種基于高斯混合模型和變分貝葉斯的粒子濾波方法。

背景技術(shù)：

粒子濾波通過(guò)非參數(shù)化的蒙特卡洛模擬方法來(lái)實(shí)現(xiàn)遞推貝葉斯濾波，適用于任何能用狀態(tài)空間模型描述的非線性系統(tǒng)，精度可以逼近最優(yōu)估計(jì)。粒子濾波器具有簡(jiǎn)單、易于實(shí)現(xiàn)等特點(diǎn)，它為分析非線性動(dòng)態(tài)系統(tǒng)提供了一種有效的解決方法，從而引起目標(biāo)跟蹤、信號(hào)處理以及自動(dòng)控制等領(lǐng)域的廣泛關(guān)注。粒子濾波的狀態(tài)空間模型可描述為：

x_k＝f(x_k-1)+u_k

y_k＝h(x_k)+v_k

其中f(·),h(·)分別為狀態(tài)轉(zhuǎn)移方程與觀測(cè)方程，x_k為系統(tǒng)狀態(tài)，y_k為觀測(cè)值，u_k為過(guò)程噪聲，v_k為觀測(cè)噪聲。觀測(cè)噪聲v_k通常被假設(shè)為零均值高斯白噪聲信號(hào)，但是實(shí)際上v_k是非高斯特征的，在通信、導(dǎo)航、聲吶、雷達(dá)及生物醫(yī)學(xué)等領(lǐng)域中都存在著典型的非高斯噪聲環(huán)境，如低頻大氣噪聲、水聲信號(hào)、生物醫(yī)學(xué)中的心電信號(hào)?；诟咚乖肼暷Ｐ偷男盘?hào)處理方法在非高斯環(huán)境下工作性能會(huì)遭受很大損失，甚至無(wú)法工作。如果能夠辯識(shí)非高斯噪聲的統(tǒng)計(jì)特性并加以利用，則能大幅提高信號(hào)處理性能，基于以上缺點(diǎn)，本方法提出一種高斯混合模型(Gaussian Mixture Models，GMM)和變分貝葉斯(Variational Bayesian，VB)的改進(jìn)的粒子濾波方法，使用多個(gè)高斯分布的加權(quán)和來(lái)逼近真實(shí)的觀測(cè)噪聲，從而提高粒子濾波的精度和性能，高斯混合模型可描述為

其中J表示高斯混合模型的高斯項(xiàng)數(shù)，α_k,j表示在時(shí)刻k高斯項(xiàng)j的系數(shù)，表示均值為μ_k,j，協(xié)方差為的高斯分布。由于多個(gè)高斯分布帶來(lái)多個(gè)參數(shù)導(dǎo)致模型復(fù)雜且難以求解，本方法利用變分貝葉斯學(xué)習(xí)方法對(duì)含有隱變量的混合高斯模型進(jìn)行參數(shù)估計(jì)。變分貝葉斯是在平均場(chǎng)假設(shè)下，對(duì)每一個(gè)參數(shù)分布q，用帶超參數(shù)的先驗(yàn)分布改寫(xiě)參數(shù)分布p(x,z)，得到相同形式的后驗(yàn)分布，迭代循環(huán)求解，變分貝葉斯學(xué)習(xí)在較好估計(jì)精度的前提下有更快的估計(jì)速度，更適合于有實(shí)時(shí)性要求的工程應(yīng)用領(lǐng)域。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足，提供了一種基于高斯混合模型和變分貝葉斯的粒子濾波方法。

本發(fā)明的目的可以通過(guò)如下技術(shù)方案實(shí)現(xiàn)：

一種基于高斯混合模型和變分貝葉斯的粒子濾波方法，所述方法包括以下步驟：

1、對(duì)觀測(cè)噪聲使用高斯混合模型進(jìn)行建模，初始化初始狀態(tài)的概率密度函數(shù)p(x₀)，高斯混合模型公式為：

其中J表示高斯混合模型的高斯項(xiàng)數(shù)，α_k,j表示在時(shí)刻k高斯項(xiàng)j的權(quán)重系數(shù)，表示均值為μ_k,j，協(xié)方差為的高斯分布；

2、基于初始狀態(tài)的概率密度函數(shù)p(x₀)，隨機(jī)產(chǎn)生N個(gè)初始粒子，N作為計(jì)算量和估計(jì)精度之間的權(quán)衡；

3、初始化觀測(cè)噪聲的高斯混合模型中的未知參數(shù)Ψ_k的超參數(shù)λ₀，β₀，m₀，Σ₀以及v₀，下標(biāo)0表示初始化值；

4、對(duì)T個(gè)時(shí)刻進(jìn)行步驟5)至步驟8)的迭代操作；

5、從重要性參考函數(shù)生成N個(gè)采樣粒子選用是先驗(yàn)概率密度函數(shù)，從粒子濾波的狀態(tài)轉(zhuǎn)移方程x_k＝f(x_k-1)+u_k中得到；

6、量測(cè)更新，根據(jù)最新觀測(cè)值和權(quán)值公式計(jì)算每個(gè)粒子的權(quán)值

7、使用變分貝葉斯學(xué)習(xí)方法通過(guò)循環(huán)迭代的方法求出高斯混合模型中未知參數(shù)的分布，包括以下步驟：

變分貝葉斯期望步驟:隱變量β，m，Σ以及v分布的參數(shù)N_k,j、S_k,j參照下式進(jìn)行更新：

變分貝葉斯最大化步驟：隱變量β，m，Σ以及v按照下式進(jìn)行更新：

變分貝葉斯期望步驟和變分貝葉斯最大化步驟交替進(jìn)行，隨著迭代的不斷重復(fù)，變分下限L(q)逐漸增大，直到|L^(t+1)(q)-L^(t)(q)|<ε，迭代終止，ε是設(shè)置的誤差限；

8、對(duì)粒子權(quán)值進(jìn)行歸一化，并針對(duì)粒子退化的問(wèn)題，對(duì)粒子集進(jìn)行重采樣：重采樣對(duì)低權(quán)重粒子進(jìn)行剔除，同時(shí)保留高權(quán)重粒子。

優(yōu)選的，所述步驟1具體包括以下步驟：

1.1、預(yù)先設(shè)定觀測(cè)噪聲的動(dòng)態(tài)空間模型為：

x_k＝f(x_k-1)+u_k

y_k＝h(x_k)+v_k

其中f(·),h(·)分別為狀態(tài)轉(zhuǎn)移方程與觀測(cè)方程，x_k為系統(tǒng)狀態(tài)，y_k為觀測(cè)值，u_k為過(guò)程噪聲，過(guò)程噪聲u_k被假設(shè)為零均值、協(xié)方差為Q_k的高斯白噪聲信號(hào)，v_k為觀測(cè)噪聲，u_k和v_k是相互獨(dú)立的，在處理目標(biāo)跟蹤問(wèn)題時(shí)，假設(shè)目標(biāo)的狀態(tài)轉(zhuǎn)移過(guò)程服從一階馬爾可夫模型，即當(dāng)前時(shí)刻的狀態(tài)x_k只與上一時(shí)刻的狀態(tài)x_k-1有關(guān)，另外假設(shè)觀測(cè)值相互獨(dú)立，即觀測(cè)值y_k只與k時(shí)刻的狀態(tài)x_k有關(guān)；

1.2、假設(shè)已知k-1時(shí)刻的概率密度函數(shù)為p(x_k-1|Y_k-1)，其中p(.)指狀態(tài)的概率密度函數(shù)，p(·|·)是指狀態(tài)的后驗(yàn)概率密度函數(shù)，貝葉斯濾波的具體過(guò)程如下：

一、預(yù)測(cè)過(guò)程，由p(x_k-1|Y_k-1)得到p(x_k|Y_k-1)：

p(x_k,x_k-1|Y_k-1)＝p(x_k|x_k-1,Y_k-1)p(x_k-1|Y_k-1)

當(dāng)給定x_k-1時(shí)，狀態(tài)x_k與Y_k-1相互獨(dú)立，因此：

p(x_k,x_k-1|Y_k-1)＝p(x_k|x_k-1)p(x_k-1|Y_k-1)

上式兩端對(duì)x_k-1積分，可得：

p(x_k|Y_k-1)＝∫p(x_k|x_k-1)p(x_k-1|Y_k-1)dx_k-1

二、更新過(guò)程，由p(x_k|Y_k-1)得到p(x_k|Y_k)：獲取k時(shí)刻的測(cè)量y_k后，利用貝葉斯公式對(duì)先驗(yàn)概率密度進(jìn)行更新，得到后驗(yàn)概率密度函數(shù)：

假設(shè)y_k只由x_k決定，即：

p(y_k|x_k,Y_k-1)＝p(y_k|x_k)

因此：

其中，p(y_k|Y_k-1)為歸一化常數(shù)：

p(y_k|Y_k-1)＝∫p(y_k|x_k)p(x_k|Y_k-1)dx_k

1.3、根據(jù)極大后驗(yàn)準(zhǔn)則或最小均方誤差準(zhǔn)則，將具有極大后驗(yàn)概率密度的狀態(tài)或條件均值作為系統(tǒng)狀態(tài)的估計(jì)值。

優(yōu)選的，所述步驟3具體包括以下步驟：

3.1、根據(jù)觀測(cè)噪聲的高斯混合模型，對(duì)于每一個(gè)觀測(cè)值引入一個(gè)隱變量Z，定義Z＝{z₁,z₂,…,z_S}，z_s為S維變量，滿足z_s∈{0,1}而且即隱變量z_s中有且僅有一位為1，其他位置都為0，如果z_s,j＝1，表示第s個(gè)觀測(cè)噪聲是由第j個(gè)高斯混合模型產(chǎn)生的；

3.2、由隱變量Z的條件概率密度函數(shù)p(z_s|α_k)以及帶有隱變量且每個(gè)觀測(cè)樣本獨(dú)立同分布的混合高斯模型概率密度函數(shù)p(v_k|z_s,μ_k,Λ_k)表示為：

其中，α_k＝[α_k,1,α_k,2,…,α_k,J]，μ_k＝[μ_k,1,μ_k,2,…,μ_k,J]，Λ_k＝[Λ_k,1,Λ_k,2,…,Λ_k,J]，Ψ_k＝[α_k,μ_k,Λ_k,Z]。

優(yōu)選的，所述步驟6具體包括以下步驟：

6.1、對(duì)粒子重采樣后，有k-1時(shí)刻第i個(gè)粒子的權(quán)重并且由于權(quán)值更新公式簡(jiǎn)化成

6.2、表示在狀態(tài)x出現(xiàn)的條件下，測(cè)量y出現(xiàn)的概率；由系統(tǒng)狀態(tài)方可知，測(cè)量值就是在真實(shí)值附近添加觀測(cè)噪聲，觀測(cè)噪聲的分布通過(guò)變分貝葉斯學(xué)習(xí)得到。

優(yōu)選的，所述步驟7具體包括以下步驟：

7.1、根據(jù)平均場(chǎng)理論高斯混合模型參數(shù)的聯(lián)合概率密度函數(shù)q(Ψ_k)通過(guò)參數(shù)和潛在變量的劃分因式分解，如下所示：

上式中所有的未知的模型參數(shù)被假設(shè)為獨(dú)立的，將每一個(gè)隱變量劃分看成是一個(gè)單體，其他劃分對(duì)其的影響看作是其自身的作用，采用迭代的方法，當(dāng)變分自由能取得最大值的時(shí)候，Ψ_i與它的互斥集Ψ_-i具有如下關(guān)系：

每個(gè)因子q(Ψ_i)取決于剩余因子q(Ψ_j)，i≠j，因子初始化，每個(gè)因子迭代更新循環(huán)增加邊緣似然函數(shù)的下界直到收斂；

7.2、由于共軛指數(shù)模型的性質(zhì)，權(quán)重參數(shù)α以及均值μ和方差Λ的后驗(yàn)概率密度分布被定義為：

其中λ_k,j,β_k,j,m_k,j,Σ_k,j，ν_k,j是高斯混合模型的后驗(yàn)概率密度分布的超參數(shù)；Dir(·)表示狄里克利分布，表示高斯分布，表示威沙特分布；

7.3、根據(jù)固定分布的參數(shù)β_k,j,m_k,j,Σ_k,j，ν_k,j，計(jì)算得到隱變量的分布參數(shù)γ_s,j；最新得到的γ_s,j保持不變，根據(jù)下面的參數(shù)更新公式更新參數(shù)N_k,j，S_k,j：其中表示k時(shí)刻第s個(gè)樣本的觀測(cè)值，表示k時(shí)刻第s個(gè)樣本的真實(shí)值；

根據(jù)參數(shù)N_k,j，S_k,j按照下面的公式更新參數(shù)β_k,j,m_k,j,Σ_k,j，ν_k,j：

如此迭代計(jì)算，至變分自由能量F(Ψ_k)最大，即對(duì)數(shù)邊緣似然函數(shù)的下界最大，得到混合高斯模型的變分貝葉斯學(xué)習(xí)參數(shù)估計(jì)：每次迭代之后計(jì)算下界的變化值，記作ΔF，當(dāng)該值低于預(yù)先設(shè)定的近似小量時(shí)，認(rèn)定該算法已經(jīng)趨于收斂，得到足夠逼近原分布的近似分布。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

1、本發(fā)明使用高斯混合模型來(lái)對(duì)觀測(cè)噪聲進(jìn)行建模，使用多個(gè)高斯分布的加權(quán)和來(lái)逼近真實(shí)的觀測(cè)噪聲，提高了粒子濾波的精度和性能。

2、本發(fā)明使用了變分貝葉斯方法來(lái)估計(jì)未知的噪聲參數(shù)，用帶超參數(shù)的先驗(yàn)分布改寫(xiě)概率密度函數(shù)p(x)，得到相同形式的后驗(yàn)分布，迭代循環(huán)求解，變分貝葉斯方法提供了一種局部最優(yōu)，但具有確定解的近似后驗(yàn)方法。

3、本發(fā)明的改進(jìn)粒子濾波方法,能夠增強(qiáng)粒子權(quán)值的準(zhǔn)確性以及粒子的多樣性,有效提高了目標(biāo)狀態(tài)的估計(jì)性能,解決了非線性非高斯情況下目標(biāo)狀態(tài)的濾波問(wèn)題。

附圖說(shuō)明

圖1為本發(fā)明基于高斯混合模型和變分貝葉斯的粒子濾波方法的流程圖。

圖2為本發(fā)明高斯混合模型的變分貝葉斯學(xué)習(xí)算法流程圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例：

本實(shí)施例提供了一種基于高斯混合模型和變分貝葉斯的粒子濾波方法，如圖1的流程圖所示，所述方法包括以下步驟：

1、對(duì)觀測(cè)噪聲使用高斯混合模型進(jìn)行建模，初始化初始狀態(tài)的概率密度函數(shù)p(x₀)，高斯混合模型公式為：

其中J表示高斯混合模型的高斯項(xiàng)數(shù)，α_k,j表示在時(shí)刻k高斯項(xiàng)j的權(quán)重系數(shù)，表示均值為μ_k,j，協(xié)方差為的高斯分布；

2、基于初始狀態(tài)的概率密度函數(shù)p(x₀)，隨機(jī)產(chǎn)生N個(gè)初始粒子，N作為計(jì)算量和估計(jì)精度之間的權(quán)衡；

3、初始化觀測(cè)噪聲的高斯混合模型中的未知參數(shù)Ψ_k的超參數(shù)λ₀，β₀，m₀，Σ₀以及v₀，下標(biāo)0表示初始化值；

4、對(duì)T個(gè)時(shí)刻進(jìn)行步驟5)至步驟8)的迭代操作；

5、從重要性參考函數(shù)生成N個(gè)采樣粒子選用是先驗(yàn)概率，從粒子濾波的狀態(tài)轉(zhuǎn)移方程x_k＝f(x_k-1)+u_k中得到；

6、量測(cè)更新，根據(jù)最新觀測(cè)值和權(quán)值公式計(jì)算每個(gè)粒子的權(quán)值

7、使用變分貝葉斯學(xué)習(xí)方法通過(guò)循環(huán)迭代的方法求出高斯混合模型中未知參數(shù)的分布，如圖2所示，為本發(fā)明高斯混合模型的變分貝葉斯學(xué)習(xí)算法流程圖，包括以下步驟：

變分貝葉斯期望步驟:隱變量β，m，Σ以及v分布的參數(shù)N_k,j、S_k,j參照下式進(jìn)行更新：

變分貝葉斯最大化步驟：隱變量β，m，Σ以及v按照下式進(jìn)行更新：

變分貝葉斯期望步驟和變分貝葉斯最大化步驟交替進(jìn)行，隨著迭代的不斷重復(fù)，變分下限L(q)逐漸增大，直到|L^(t+1)(q)-L^(t)(q)|<ε，迭代終止，ε是設(shè)置的誤差限；

8、對(duì)粒子權(quán)值進(jìn)行歸一化，并針對(duì)粒子退化的問(wèn)題，對(duì)粒子集進(jìn)行重采樣：重采樣對(duì)低權(quán)重粒子進(jìn)行剔除，同時(shí)保留高權(quán)重粒子。

其中，所述步驟1具體包括以下步驟：

1.1、預(yù)先設(shè)定觀測(cè)噪聲的動(dòng)態(tài)空間模型為：

x_k＝f(x_k-1)+u_k

y_k＝h(x_k)+v_k

其中f(·),h(·)分別為狀態(tài)轉(zhuǎn)移方程與觀測(cè)方程，x_k為系統(tǒng)狀態(tài)，y_k為觀測(cè)值，u_k為過(guò)程噪聲，過(guò)程噪聲u_k被假設(shè)為零均值、協(xié)方差為Q_k的高斯白噪聲信號(hào)，v_k為觀測(cè)噪聲，u_k和v_k是相互獨(dú)立的，在處理目標(biāo)跟蹤問(wèn)題時(shí)，假設(shè)目標(biāo)的狀態(tài)轉(zhuǎn)移過(guò)程服從一階馬爾可夫模型，即當(dāng)前時(shí)刻的狀態(tài)x_k只與上一時(shí)刻的狀態(tài)x_k-1有關(guān)，另外假設(shè)觀測(cè)值相互獨(dú)立，即觀測(cè)值y_k只與k時(shí)刻的狀態(tài)x_k有關(guān)；

1.2、假設(shè)已知k-1時(shí)刻的概率密度函數(shù)為p(x_k-1|Y_k-1)，其中p(.)指狀態(tài)的概率密度函數(shù)，貝葉斯濾波的具體過(guò)程如下：

一、預(yù)測(cè)過(guò)程，由p(x_k-1|Y_k-1)得到p(x_k|Y_k-1)：

p(x_k,x_k-1|Y_k-1)＝p(x_k|x_k-1,Y_k-1)p(x_k-1|Y_k-1)

當(dāng)給定x_k-1時(shí)，狀態(tài)x_k與Y_k-1相互獨(dú)立，因此：

p(x_k,x_k-1|Y_k-1)＝p(x_k|x_k-1)p(x_k-1|Y_k-1)

上式兩端對(duì)x_k-1積分，可得：

p(x_k|Y_k-1)＝∫p(x_k|x_k-1)p(x_k-1|Y_k-1)dx_k-1

二、更新過(guò)程，由p(x_k|Y_k-1)得到p(x_k|Y_k)：獲取k時(shí)刻的測(cè)量y_k后，利用貝葉斯公式對(duì)先驗(yàn)概率密度進(jìn)行更新，得到后驗(yàn)概率密度函數(shù)：

假設(shè)y_k只由x_k決定，即：

p(y_k|x_k,Y_k-1)＝p(y_k|x_k)

因此：

其中，p(y_k|Y_k-1)為歸一化常數(shù)：

p(y_k|Y_k-1)＝∫p(y_k|x_k)p(x_k|Y_k-1)dx_k

1.3、根據(jù)極大后驗(yàn)準(zhǔn)則或最小均方誤差準(zhǔn)則，將具有極大后驗(yàn)概率密度的狀態(tài)或條件均值作為系統(tǒng)狀態(tài)的估計(jì)值。

其中，所述步驟3具體包括以下步驟：

3.1、根據(jù)觀測(cè)噪聲的高斯混合模型，對(duì)于每一個(gè)觀測(cè)值引入一個(gè)隱變量Z，定義Z＝{z₁,z₂,…,z_S}，z_s為S維變量，滿足z_s∈{0,1}而且即隱變量z_s中有且僅有一位為1，其他位置都為0，如果z_s,j＝1，表示第s個(gè)觀測(cè)噪聲是由第j個(gè)高斯混合模型產(chǎn)生的；

3.2、由隱變量Z的條件概率密度函數(shù)p(z_s|α_k)以及帶有隱變量且每個(gè)觀測(cè)樣本獨(dú)立同分布的混合高斯模型概率密度函數(shù)p(v_k|z_s,μ_k,Λ_k)表示為：

其中，α_k＝[α_k,1,α_k,2,…,α_k,J]，μ_k＝[μ_k,1,μ_k,2,…,μ_k,J]，Λ_k＝[Λ_k,1,Λ_k,2,…,Λ_k,J]，Ψ_k＝[α_k,μ_k,Λ_k,Z]。

其中，所述步驟6具體包括以下步驟：

6.1、對(duì)粒子重采樣后，有k-1時(shí)刻第i個(gè)粒子的權(quán)重并且由于權(quán)值更新公式簡(jiǎn)化成

6.2、表示在狀態(tài)x出現(xiàn)的條件下，測(cè)量y出現(xiàn)的概率；由系統(tǒng)狀態(tài)方可知，測(cè)量值就是在真實(shí)值附近添加觀測(cè)噪聲，觀測(cè)噪聲的分布通過(guò)變分貝葉斯學(xué)習(xí)得到。

其中，所述步驟7具體包括以下步驟：

7.1、根據(jù)平均場(chǎng)理論高斯混合模型參數(shù)的聯(lián)合概率密度函數(shù)q(Ψ_k)通過(guò)參數(shù)和潛在變量的劃分因式分解，如下所示：

上式中所有的未知的模型參數(shù)被假設(shè)為獨(dú)立的，將每一個(gè)隱變量劃分看成是一個(gè)單體，其他劃分對(duì)其的影響看作是其自身的作用，采用迭代的方法，當(dāng)變分自由能取得最大值的時(shí)候，Ψ_i與它的互斥集Ψ_-i具有如下關(guān)系：

每個(gè)因子q(Ψ_i)取決于剩余因子q(Ψ_j)，i≠j，因子初始化，每個(gè)因子迭代更新循環(huán)增加邊緣似然函數(shù)的下界直到收斂；

7.2、由于共軛指數(shù)模型的性質(zhì)，權(quán)重參數(shù)α以及均值μ和方差Λ的后驗(yàn)概率密度分布被定義為：

其中λ_k,j,β_k,j,m_k,j,Σ_k,j，ν_k,j是高斯混合模型的后驗(yàn)概率密度分布的超參數(shù)；Dir(·)表示狄里克利分布，表示高斯分布，表示威沙特分布；

7.3、根據(jù)固定分布的參數(shù)β_k,j,m_k,j,Σ_k,j，ν_k,j，計(jì)算得到隱變量的分布參數(shù)γ_s,j；最新得到的γ_s,j保持不變，根據(jù)下面的參數(shù)更新公式更新參數(shù)N_k,j，S_k,j：其中表示k時(shí)刻第s個(gè)樣本的觀測(cè)值，表示k時(shí)刻第s個(gè)樣本的真實(shí)值；

根據(jù)參數(shù)N_k,j，S_k,j按照下面的公式更新參數(shù)β_k,j,m_k,j,Σ_k,j，ν_k,j：

如此迭代計(jì)算，至變分自由能量F(Ψ_k)最大，即對(duì)數(shù)邊緣似然函數(shù)的下界最大，得到混合高斯模型的變分貝葉斯學(xué)習(xí)參數(shù)估計(jì)：每次迭代之后計(jì)算下界的變化值，記作ΔF，當(dāng)該值低于預(yù)先設(shè)定的近似小量時(shí)，認(rèn)定該算法已經(jīng)趨于收斂，得到足夠逼近原分布的近似分布。

以上所述，僅為本發(fā)明專(zhuān)利較佳的實(shí)施例，但本發(fā)明專(zhuān)利的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明專(zhuān)利所公開(kāi)的范圍內(nèi)，根據(jù)本發(fā)明專(zhuān)利的技術(shù)方案及其發(fā)明專(zhuān)利構(gòu)思加以等同替換或改變，都屬于本發(fā)明專(zhuān)利的保護(hù)范圍。