本發(fā)明涉及通信系統(tǒng)導(dǎo)頻輔助的信道估計(jì)和導(dǎo)頻設(shè)計(jì)技術(shù)領(lǐng)域，尤其涉及一種大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法。

背景技術(shù)：

現(xiàn)代無線通信中，大規(guī)模mimo系統(tǒng)自由度增加，多天線帶來的分集和復(fù)用增益，能夠顯著提高頻譜效率和能量效率?；緸榱双@取空間復(fù)用增益和陣列增益，基站發(fā)送端或用戶接收端需已知信道狀態(tài)信息(csi,channelstateinformation)，這就需要通過信道估計(jì)獲取。fdd大規(guī)模mimo系統(tǒng)的一個(gè)挑戰(zhàn)就是導(dǎo)頻數(shù)目隨著發(fā)射天線數(shù)目增長而線性增長，導(dǎo)致導(dǎo)頻開銷巨大，降低通信系統(tǒng)效率，而且精確估計(jì)下行鏈路的csi不是很容易。由于fdd對于延遲敏感型系統(tǒng)更有效率且目前大多數(shù)蜂窩網(wǎng)都在使用采用了fdd，因此研究fdd下更為有效的信道估計(jì)很有必要。

基站大量的發(fā)射天線造成有限局部散射。隨著發(fā)射天線的增加，信道呈現(xiàn)稀疏性質(zhì)。利用信道隱含的稀疏性質(zhì)進(jìn)行信道估計(jì)，可以減少導(dǎo)頻的數(shù)目，從而提高系統(tǒng)的有效性。

壓縮感知理論與傳統(tǒng)奈奎斯特理論不同，它是將稀疏信號(hào)采樣和壓縮同時(shí)進(jìn)行。它指出，只要信號(hào)是可壓縮的或在某個(gè)變換域是稀疏的，那么可以用一個(gè)與變換基不相關(guān)的觀測矩陣將變換所得的高維信號(hào)投影到一個(gè)低維空間上，然后通過求解一個(gè)優(yōu)化問題從這些少量的投影中以高概率重構(gòu)出原信號(hào)。在大規(guī)模mimo系統(tǒng)中，可以利用壓縮感知重建算法進(jìn)行信道估計(jì)，從而減少導(dǎo)頻的數(shù)量。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對背景技術(shù)中所涉及到的缺陷，提供一種大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法，使得獲取的最優(yōu)導(dǎo)頻矩陣顯著降低信道估計(jì)的mse，提高信道估計(jì)的性能。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法，包括如下步驟：

步驟1)，將部分傅里葉矩陣作為導(dǎo)頻矩陣：

記為m×m的傅里葉矩陣，其第(a,b)項(xiàng)表示為1≤a,b≤m，a、b分別為傅里葉矩陣的行序號(hào)、列序號(hào)，m是發(fā)射天線數(shù)目；

從m×m的傅里葉矩陣中抽取t行構(gòu)造虛擬角域變換后的導(dǎo)頻矩陣c為復(fù)數(shù)集，t為導(dǎo)頻數(shù)目；

以最小化互相關(guān)準(zhǔn)則為出發(fā)點(diǎn)，根據(jù)以下優(yōu)化公式確定抽取哪t行構(gòu)成最優(yōu)導(dǎo)頻矩陣

其中，為從中抽取的t行相應(yīng)行索引構(gòu)成的集合，其元素個(gè)數(shù)為t，集合中的元素以大小升序排列；ka為集合λ中的第a個(gè)元素，a＝1,2,...,t；n(λ)＝t表示集合λ中元素的個(gè)數(shù)為t；

步驟2)，初始化遺傳算法參數(shù)：

令種群尺寸為ps，個(gè)體長度len＝t-1，遺傳代數(shù)g＝1，最大遺傳代數(shù)mg，定義個(gè)體φ為行索引集合λ對應(yīng)的行索引間隔集合：

其中個(gè)體元素滿足1≤i≤t-1；

φ與行索引集合λ＝{k1,k2,...,kt}中元素的對應(yīng)關(guān)系是k1為預(yù)設(shè)的第一個(gè)行索引值；

隨機(jī)生成一個(gè)初始種群{φi,i＝1,2,...,ps}；

步驟3)，對每個(gè)個(gè)體φi，根據(jù)下式計(jì)算其適應(yīng)值：

其中，

步驟4)，在當(dāng)前種群{φi,i＝1,2,...,ps}中以預(yù)設(shè)的概率s采用隨機(jī)通用采樣選出適應(yīng)值最高的ps×s個(gè)個(gè)體；

步驟5)，對步驟4)得到的ps×s個(gè)個(gè)體以預(yù)設(shè)的概率r進(jìn)行離散重組操作，從而產(chǎn)生新的ps×s個(gè)個(gè)體；

步驟6)，對步驟5)得到的ps×s個(gè)個(gè)體以預(yù)設(shè)的概率v進(jìn)行基因變異操作，基因的邊界為

步驟7)，根據(jù)步驟2)中的遺傳算法參數(shù)和步驟3)中個(gè)體適應(yīng)值的計(jì)算公式計(jì)算步驟6)得到的種群數(shù)量為ps×s的新一代個(gè)體的適應(yīng)值，并用他們?nèi)〈蟹N群中適應(yīng)值最低的ps×s個(gè)個(gè)體，從而獲得新的種群；

步驟8)，對步驟7)獲得的種群執(zhí)行完善操作，以獲取具有更高適應(yīng)度值的個(gè)體；

步驟9)，遺傳代數(shù)g增加1；

步驟10)，重復(fù)執(zhí)行步驟4)至步驟9)，直到遺傳代數(shù)g達(dá)到最大遺傳代數(shù)mg；

步驟11)，根據(jù)現(xiàn)有種群中具有最大適應(yīng)值的個(gè)體φopt計(jì)算出最優(yōu)的行索引集合λopt，行索引集合λopt中的元素通過如下公式計(jì)算：

步驟12)，根據(jù)最優(yōu)的行索引集合λopt得到傅里葉矩陣在虛擬角域變換后的導(dǎo)頻矩陣

步驟13)，根據(jù)公式從而得到優(yōu)化的導(dǎo)頻矩陣xopt，其中p為每導(dǎo)頻時(shí)隙信噪比，at∈c^m×m為酉矩陣，h為共軛轉(zhuǎn)置符號(hào)。

作為本發(fā)明大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法進(jìn)一步的優(yōu)化方案，步驟8)的詳細(xì)步驟如下：

步驟8.1)，從現(xiàn)有群體里選擇出具有最大適應(yīng)值的10個(gè)個(gè)體；

步驟8.2)，針對步驟8.1)中選擇出的每個(gè)個(gè)體，隨機(jī)選擇出4個(gè)基因，對這4個(gè)基因分別進(jìn)行同時(shí)增加1、2、3和同時(shí)減小1、2、3的操作，以獲得6個(gè)新的個(gè)體；

步驟8.3)，針對步驟8.1)中選擇出的每個(gè)個(gè)體以及其對應(yīng)的6個(gè)新的個(gè)體，選擇其中適應(yīng)值最大的個(gè)體取代原先個(gè)體。

作為本發(fā)明大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法進(jìn)一步的優(yōu)化方案，步驟4)中個(gè)體被選擇的概率s＝0.9。

作為本發(fā)明大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法進(jìn)一步的優(yōu)化方案，步驟5)中執(zhí)行概率r＝0.7。

作為本發(fā)明大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法進(jìn)一步的優(yōu)化方案，步驟6)中進(jìn)行概率v＝0.6。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

在fdd大規(guī)模mimo系統(tǒng)的基于壓縮感知信道估計(jì)中，與使用隨機(jī)生成的導(dǎo)頻矩陣相比，使用本發(fā)明獲得的局部傅里葉矩陣能夠顯著地降低信道估計(jì)的均方誤差(meansquareerror，mse)，提高信道估計(jì)的性能。

附圖說明

圖1是不同發(fā)射天線數(shù)目的導(dǎo)頻矩陣優(yōu)化與非優(yōu)化對重建性能的影響；

圖2是不同導(dǎo)頻數(shù)目的導(dǎo)頻矩陣優(yōu)化與非優(yōu)化對重建性能的影響。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：

本發(fā)明大規(guī)模mimo系統(tǒng)壓縮感知信道估計(jì)的導(dǎo)頻優(yōu)化方法包含兩個(gè)主要技術(shù)問題，一個(gè)是將信道估計(jì)問題轉(zhuǎn)化為壓縮感知問題，從而將導(dǎo)頻優(yōu)化問題建模為一壓縮感知中恢復(fù)矩陣優(yōu)化問題；另一個(gè)是提出導(dǎo)頻優(yōu)化算法，求解該恢復(fù)矩陣優(yōu)化問題，從而獲得最優(yōu)的導(dǎo)頻矩陣。下面分別介紹這兩個(gè)部分的實(shí)施方式，并通過仿真說明本導(dǎo)頻分配方法對提高基于壓縮感知信道估計(jì)性能的有益效果。

(一)導(dǎo)頻優(yōu)化準(zhǔn)則的獲取

考慮fdd模式下一個(gè)大規(guī)模mimo系統(tǒng)，其信道為平坦衰落信道，基站有m個(gè)間隔半波長的均勻發(fā)射天線，小區(qū)內(nèi)每個(gè)用戶只有一根天線?；景l(fā)射長度為t的導(dǎo)頻訓(xùn)練序列。記第i個(gè)時(shí)隙的導(dǎo)頻信號(hào)為xi∈c^m×1,i＝1,2,...,t,c為復(fù)數(shù)集，則n根天線上接收到的信號(hào)yi為：

yi＝hxi+ni,i＝1,2,...,t(1)

信道矩陣hi∈c^1×m為準(zhǔn)靜態(tài)信道,ni∈c^n×1為加性高斯噪聲。記x＝[x1,x2,...,xt]∈c^m×t，y＝[y1,y2,..,yt]∈c^1×t，n＝[n1,n2,...,nt]∈c^1×t有：

y＝hx+n(2)

每導(dǎo)頻時(shí)隙信噪比記為p，t個(gè)導(dǎo)頻時(shí)隙總的信噪比為tr(x^hx)＝pt。

實(shí)際使用中，虛擬角域表示能夠使非線性的信道模型參數(shù)近似線性，對信道進(jìn)行虛擬表示處理以便于進(jìn)行分析和估計(jì)。非選擇性mimo信道的虛擬表示為：

其中，ar∈c^n×n，at∈c^m×m是酉矩陣，m是發(fā)射天線數(shù)目，n是接收天線數(shù)目，t為導(dǎo)頻數(shù)目，h^ω∈c^n×m是角度域信道矩陣。h^ω是稀疏的，h為共軛轉(zhuǎn)置符號(hào)。

將式(2)轉(zhuǎn)換為壓縮感知模型，將

和代入式(8),得到：

式(6)與有噪的壓縮感知模型(7)相對應(yīng)：

y＝ds+n(7)

其中m×1的s是稀疏信號(hào)，d∈c^t×m為恢復(fù)矩陣，n∈c^t×1為加性高斯噪聲，y∈c^t×1為有噪的觀測向量。稀疏信號(hào)s求解問題可轉(zhuǎn)化為：

ε為接近零的正常數(shù)。

可以得到：虛擬角域變換后的導(dǎo)頻矩陣對應(yīng)于恢復(fù)矩陣d，是稀疏信號(hào),對應(yīng)于s。由此，估計(jì)信道參數(shù)的問題可轉(zhuǎn)化為壓縮感知理論中稀疏信號(hào)重建問題。同時(shí)，導(dǎo)頻矩陣的優(yōu)化問題也可轉(zhuǎn)化為壓縮感知的測量矩陣優(yōu)化問題。

為了對壓縮感知問題求解，若恢復(fù)矩陣d滿足互相關(guān)性，此時(shí)就能以很大的概率準(zhǔn)確重建稀疏信號(hào)。因此，測量矩陣優(yōu)化問題能夠以互相關(guān)性為依據(jù)。部分傅里葉矩陣滿足互相關(guān)特性，可以將其作為虛擬角域變換后的導(dǎo)頻矩陣我們需要對基于部分傅里葉矩陣的導(dǎo)頻矩陣進(jìn)行優(yōu)化設(shè)計(jì)。記為m×m的傅里葉矩陣，其第(a,b)項(xiàng)表示：

a為傅里葉矩陣的行序號(hào)，b為傅里葉矩陣的列序號(hào)。從的m行中抽取t行構(gòu)造在虛擬角域變換后的導(dǎo)頻矩陣從中抽取的行的索引構(gòu)成的集合其勢為t。導(dǎo)頻矩陣中的第(a,b)項(xiàng)表示為：

按列將導(dǎo)頻矩陣歸一化得到矩陣γ，其中，ka為集合λ中的第a個(gè)元素且a＝1,2,...,t，b為傅里葉矩陣的列序號(hào)。第(a,b)項(xiàng)為1≤a≤t,ka∈λ,1≤b≤m。得到gamma矩陣γ^hγ，其第(i,j)項(xiàng)為：

則gamma矩陣的最小的互相關(guān)值可表示為：

根據(jù)互相關(guān)的定義，矩陣γ不同兩列內(nèi)積的最大值即為因此，設(shè)計(jì)使其具有最小的問題就轉(zhuǎn)化為確定傅里葉矩陣中哪t行被選出作為導(dǎo)頻矩陣的問題，我們以最小化互相關(guān)準(zhǔn)則為出發(fā)點(diǎn)將該導(dǎo)頻矩陣的優(yōu)化問題建模為以下的組合優(yōu)化問題：

其中，ka為集合λ中的第a個(gè)元素且a＝1,2,...,t，i,j為傅里葉矩陣的列索引，n(λ)＝t表示集合λ中元素的個(gè)數(shù)為t，集合中的元素以大小升序排列。為了求解這個(gè)組合優(yōu)化問題，提出了遺傳算法來優(yōu)化。

(二)導(dǎo)頻矩陣優(yōu)化算法

由于遺傳算法(geneticalgorithm,ga)中的離散性，ga非常適合解決組合優(yōu)化問題。下面我們就提出一種ga算法去獲得最優(yōu)的行索引集合。

選擇來自所有發(fā)射天線的行索引的方法如下：確定核心行索引集合λ＝{k1,k2,...,kt},使其具有盡可能小的互相關(guān)值。

在遺傳算法中，定義的個(gè)體不是行索引集合本身λ＝{k1,k2,...,kt}，而是λ對應(yīng)的行索引間隔集合：其中因?yàn)樵趃a中很難保證λ中的元素是不同的。在ga中，決定λ互相關(guān)值的不是行索引，而是行索引的間隔。k1為第一個(gè)行索引值，它為預(yù)設(shè)的閾值，為簡單起見，令k1＝1，那么個(gè)體φ將唯一確定行索引集合λ，最后一個(gè)行索引間隔為我們限定使其滿足通過觀察發(fā)現(xiàn)，使選取大小合適的值。為簡單起見，個(gè)體的適應(yīng)度值可定義為：

其中

我們提出的ga算法中采用的隨機(jī)通用采樣選擇操作、離散重組操作和基因變異操作與傳統(tǒng)的ga算法中操作類似。在隨機(jī)通用采樣選擇操作中，當(dāng)前種群中的適應(yīng)值最高的ps×s個(gè)個(gè)體被選擇出來，其中s為個(gè)體被選擇的概率，ps為種群尺寸。對選擇出來的ps×s個(gè)個(gè)體，再進(jìn)行下面的離散重組操作和基因變異操作。離散重組操作又稱為交叉操作，即以概率r從群體中選擇個(gè)體，每兩個(gè)一組，交換兩個(gè)個(gè)體的某些位(序列間隔隨機(jī)生成)從而產(chǎn)生兩個(gè)新的個(gè)體；基因變異操作是以較小的概率v對個(gè)體編碼串上的多個(gè)基因的值進(jìn)行改變，其中概率v定義為(改變數(shù)值的基因個(gè)數(shù))/(ps×s×len)。進(jìn)行完離散重組和基因變異操作后，得到了新的ps×s個(gè)個(gè)體，這些個(gè)體將取代當(dāng)前種群中適應(yīng)值最低的ps×s個(gè)個(gè)體，從而獲得下一代新的種群。

與傳統(tǒng)的ga算法相比，我們的ga算法引入了完善操作，它能夠改進(jìn)ga算法的局部搜索能力并加速算法收斂的速率。其過程為從現(xiàn)有群體里選擇出具有最大適應(yīng)值的10個(gè)個(gè)體，并對每個(gè)個(gè)體進(jìn)行如下的操作：1)每個(gè)個(gè)體中隨機(jī)選擇出4個(gè)元素，對這4個(gè)元素同時(shí)增加1、2、3，或者同時(shí)減小1、2、3，從而獲得6個(gè)新的個(gè)體；2)在原個(gè)體和新的6個(gè)個(gè)體中，選擇出適應(yīng)值最大的個(gè)體取代原先選擇出來的個(gè)體。詳細(xì)的解決式(13)的ga算法如下述的算法1所示。

算法1使用ga算法搜索優(yōu)化的行索引λopt

(a)初始化，設(shè)置參數(shù)：種群尺寸ps,個(gè)體長度len＝t-1，遺傳代數(shù)g＝1，最大遺傳代數(shù)mg＝10000,定義個(gè)體φ為行索引λ對應(yīng)的行索引間隔集合：其中個(gè)體元素滿足它與行索引集合λ＝{k1,k2,...,kt}中元素的對應(yīng)關(guān)系是為簡單起見，假定k1＝1,此時(shí)個(gè)體φ跟行索引λ具有一一對應(yīng)關(guān)系。隨機(jī)生成一個(gè)初始種群{φi,i＝1,2,...,ps}隨機(jī)生成一個(gè)初始種群{φi,i＝1,2,...,ps}，并計(jì)算其中每個(gè)個(gè)體的適應(yīng)值。

(b)執(zhí)行隨機(jī)通用采樣選擇操作，個(gè)體被選擇的概率為s＝0.9；執(zhí)行離散重組操作，個(gè)體對間重組的概率為r＝0.7；進(jìn)行概率為v＝0.6的基因變異操作，基因的邊界為

(c)計(jì)算步驟(b)產(chǎn)生的種群數(shù)量為ps×s的新一代個(gè)體的適應(yīng)值，并用他們?nèi)〈蟹N群中適應(yīng)值最低的ps×s個(gè)個(gè)體，從而獲得新的種群。

(d)對步驟(c)獲得的種群執(zhí)行完善操作去獲取具有更高適應(yīng)值的個(gè)體。

(e)如果目前的遺傳代數(shù)g達(dá)到了預(yù)先定義的最大遺傳代數(shù)mg，則停止此算法；否則進(jìn)入步驟(b)。

(f)輸出：根據(jù)現(xiàn)有種群中具有最大適應(yīng)值的個(gè)體(行索引間隔)φopt計(jì)算出最優(yōu)的行索引集合λopt，行索引集合λopt中的元素通過i＝1,2,...,t-1得到。根據(jù)最優(yōu)的行索引集合λopt得到傅里葉矩陣在虛擬角域變換后的導(dǎo)頻矩陣根據(jù)公式從而得到優(yōu)化的導(dǎo)頻矩陣xopt，其中p為每導(dǎo)頻時(shí)隙信噪比，at∈c^m×m為酉矩陣，h為共軛轉(zhuǎn)置符號(hào)。

(三)仿真結(jié)果

基于仿真需要，仿真中使用的虛擬角域信道矩陣h^ω采用3gpp的空間信道模型(spatialchannelmodelscm)并基于城市微蜂窩場景生成。導(dǎo)頻長度為t，基站發(fā)射天線數(shù)目為m，信號(hào)稀疏度k。仿真中，導(dǎo)頻序列采用時(shí)分方式發(fā)送。信道矩陣h^ω是稀疏的，令稀疏度k為6。如式(2)所示，基站發(fā)射信號(hào)y至用戶，根據(jù)式(4)將信號(hào)轉(zhuǎn)換為符合壓縮感知模型形式的由于接收端已知導(dǎo)頻x，根據(jù)式(5)轉(zhuǎn)換為針對式(6)我們根據(jù)壓縮感知重建算法omp來恢復(fù)信道矩陣經(jīng)過轉(zhuǎn)換得到信道矩陣h，完成信道估計(jì)。我們采用歸一化mse來衡量稀疏信號(hào)恢復(fù)性能的優(yōu)劣。

mse定義為：

其中代表稀疏信號(hào)中第k個(gè)元素，代表重建的中第k個(gè)元素。我們從不同導(dǎo)頻數(shù)目和不同發(fā)射天線數(shù)目兩個(gè)方面進(jìn)行仿真分析。

1)我們研究基站發(fā)射天線數(shù)目不同時(shí)，導(dǎo)頻矩陣優(yōu)化對信道估計(jì)mse的改善情況。將通過ga算法優(yōu)化得到的導(dǎo)頻和用隨機(jī)生成方式獲得的未優(yōu)化導(dǎo)頻分別用于系統(tǒng)中來比較起信道估計(jì)mse性能?？紤]導(dǎo)頻數(shù)目t＝30，基站發(fā)射天線數(shù)目m分別為100，200。由圖1可以看出，隨著基站發(fā)射天線數(shù)目的增加，信道矩陣的估計(jì)性能變差，即m＝100時(shí)的信道估計(jì)性能比m＝200好。由圖1可知，優(yōu)化導(dǎo)頻能大大改善mse性能，如：在snr為25db-30db時(shí)，當(dāng)發(fā)送天線數(shù)m＝200時(shí)，與使用未優(yōu)化導(dǎo)頻相比，使用ga優(yōu)化的導(dǎo)頻能夠降低信道估計(jì)的mse約2db-3db；在snr為25db-30db時(shí)，當(dāng)發(fā)送天線數(shù)m＝100時(shí)，與未優(yōu)化隨機(jī)生成的導(dǎo)頻相比，使用ga優(yōu)化的導(dǎo)頻能夠降低信道估計(jì)的mse約4.5db-6db。因此，用ga優(yōu)化的導(dǎo)頻比未優(yōu)化隨機(jī)生成的導(dǎo)頻對信道估計(jì)mse的改善更明顯，效果更好。

2)研究不同導(dǎo)頻數(shù)目情況下的優(yōu)化導(dǎo)頻矩陣對信道估計(jì)性能的影響?；景l(fā)射天線數(shù)目m選為100，選取導(dǎo)頻數(shù)t目分別為20，30。由圖2可以看出，隨著導(dǎo)頻數(shù)目的增加，信道矩陣的性能得到改善，即t＝30時(shí)的信道估計(jì)性能比t＝20好。圖2結(jié)果還表明，不同導(dǎo)頻符號(hào)數(shù)目下，導(dǎo)頻的優(yōu)化與不優(yōu)化之間的性能均存在很明顯的差異。在snr為25db時(shí)，當(dāng)導(dǎo)頻t＝20時(shí)，與未優(yōu)化的隨機(jī)生成導(dǎo)頻相比，使用ga優(yōu)化的導(dǎo)頻可以使得mse降低約4.5db；當(dāng)t＝30時(shí)，與未優(yōu)化的隨機(jī)生成導(dǎo)頻相比，使用ga優(yōu)化的導(dǎo)頻可以使得mse降低6.5db。

從仿真中可以看出，在高信噪比時(shí)，即snr大于15db時(shí)，無論是導(dǎo)頻數(shù)目變化還是基站發(fā)射天線變化，使用優(yōu)化的導(dǎo)頻矩陣都能有效的降低信道估計(jì)的mse。

本技術(shù)領(lǐng)域技術(shù)人員可以理解的是，除非另外定義，這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣定義，不會(huì)用理想化或過于正式的含義來解釋。

以上所述的具體實(shí)施方式，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施方式而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。