[0035] 结合附图1‑7，对本发明技术方案作进一步描述：
[0036] 一、总体功能设计
[0037] 本发明通过低功耗、远距离LoRa无线网络和GPRS网实现监控中心计算机与食品的储藏环境、运输环境和保鲜环境的检测节点和汇聚节点的通信，将LoRa通信技术应用到远距离无线食品安全监控中，实现对食品安全信息进行检测，LoRa远距离通信大大减少了中继的使用，节约了成本，实现对食品安全的检测和集中管理。食品环境参数采集平台包括管理中心计算机、3组多个检测节点、3个汇聚节点和GPRS网络，3组多个检测节点分别构成3个环境参数采集子网实现对食品的储藏环境、运输环境和保鲜环境参数进行检测，3个对应的汇聚节点通过GPRS网络把3个食品环境参数采集子网的储藏环境、运输环境和保鲜环境的信息传输给管理中心计算机实现对食品的新鲜度进行检测。管理中心计算机对食品的储藏环境、运输环境和保鲜环境的信息以及食品的储藏时间、运输时间和保鲜时间进行分析，预测食品的新鲜度进行分类。3组多个检测节点和汇聚节点之间采用LoRa无线一对多的通信方式分布在食品的储藏环境、运输环境和保鲜环境中，分别采集食品的储藏环境、运输环境和保鲜环境信息，汇聚节点负责收发检测节点的数据，并通过GPRS网络将数据上传到管理中心计算机，硬件设计中，SX1278射频模块是一种高度集成低功耗半双工小功率无线数据传输模块，具有传输距离远、信号的穿透性强、数据接收和发送稳定等特点。管理中心计算机提供食品安全信息的查询和管理的便捷，还能提供智能决策，提供食品新鲜度的预测。食品环境参数采集平台总体结构如图1所示。
[0038] 二、检测节点设计
[0039] 检测节点包括包括温度传感器、湿度传感器、光照度传感器和SX1278射频模块，3组多个检测节点借助LoRa网络的超长距离无线通信能力与汇聚节点通信，将采集的食品储藏环境、运输环境和保鲜环境的信息通过3个对应的汇聚节点传给管理中心计算机。检测节点结构如图5所示。
[0040] 三、汇聚节点设计
[0041] 汇聚节点通过SX1278射频模块接收检测节点的数据信息，通过GPRS模块将检测节点的信息上传上传管理中心计算机，汇聚节点包括温度传感器、湿度传感器、光照度传感器、GPRS模块和SX1278射频模块。汇聚节点结构如图6所示。
[0042] 四、管理中心计算机软件设计
[0043] 管理中心计算机是一台工业控制计算机，管理中心计算机主要实现对食品环境参数进行采集与食品质量进行预测，实现与检测节点和汇聚节点的信息交互，管理中心计算机主要功能为通信参数设置、数据分析与数据管理和食品新鲜度大数据处理子系统对食品的新鲜度进行预测，该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，管理中心计算机软件功能见图7。食品新鲜度大数据处理子系统包括3个温度检测模块和新鲜度等级分类器，3个温度检测模块输出食品的保鲜温度梯形模糊数、运输温度梯形模糊数和储藏温度梯形模糊数分别作为对应的新鲜度等级分类器的3个按拍延迟线TDL的输入，新鲜度等级分类器输出的梯形模糊数代表食品新鲜度等级值；3个温度检测模块分别温度检测模块1、温度检测模块2和温度检测模块3，它们实现对食品的保鲜温度、运输温度和储藏温度进行检测，每个温度检测模块包括多个温度检测模型和检测温度融合模型，多个温度检测模型输出的温度梯形模糊数作为检测温度融合模型的输入，检测温度融合模型输出的温度梯形模糊数的融合值作为温度检测模块的输出值；温度检测模型和检测温度融合模型的特征如下：
[0044] 1、温度检测模型设计
[0045] 温度检测模型见图3，温度检测模型由温度传感器、1个按拍延迟线TDL(Tapped Delay Line)、多个Adaline神经网络模型、多个微分回路和1个动态递归小波神经网络组成，由2个微分算子S相串联分别构成1个微分回路，每个微分回路的2个微分算子连接端和微分回路的输出分别作为动态递归小波神经网络模型的2个对应输入；温度传感器的输出作为按拍延迟线TDL的输入，按拍延迟线TDL输出的一段时间的温度传感器值分别作为多个Adaline神经网络模型的输入，每个Adaline神经网络模型输出作为对应的1个微分回路输入和动态递归小波神经网络的1个对应输入，动态递归小波神经网络模型输出的梯形模糊数分别代表一段时间温度传感器值大小的动态梯形模糊数为[a,b,c,d],a、b、c和d分别代表温度传感器输出的最小值、极小值、极大值和最大值，由[a,b,c,d]构成在一段时间内温度检测模型输出温度传感器值的动态梯形模糊数值，温度检测模型输出为一段时间的被测量温度的动态梯形模糊数预测值。动态递归小波神经网络模型输出的动态梯形模糊数为[a,b,c,d]，动态递归小波神经网络模型输出值[a,b,c,d]代表温度的动态梯形模糊数值，温度检测点的温度检测模型的动态梯形模糊数值可以描述为：
[0046] U(t)＝[a,b，c,d]＝F[X(t),X(t‑1)…,X(t‑n)] (1)
[0047] Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的T神经网络模型之一，该模型的输入信号可写成向量的形式:X(K)＝[x0(K),x1(K),…xn(K)] ，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：
[0048]
[0049] 在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。
[0050] 本专利的温度动态递归小波神经网络预测模型与普通静态小波神经网络的区别在于温度动态递归小波神经网络预测模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能,从而增强对食品的温度演化轨迹的跟踪精度以确保更好的预测精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响温度动态递归小波神经网络预测模型预测的动态处理能力，两个关联层都属于温度动态递归小波神经网络预测模型内部的状态反馈,形成温度动态递归小波神经网络预测模型的递归性所特有的动态记忆性能，提高温度动态递归小波神经网络预测模型的准确性和动态性能；在温度动态递归小波神经网络预测模型的第一关联层节点与输出层节点之间增加了一组连接权值增强温度动态递归小波神经网络预测模型的动态逼近能力和提高食品温度预测的精度。小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络预测模型输出层预测值的计算公式为：
[0051]
[0052] 公式中ωij输入层i节点和隐含层j节点间的连接权值， 为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的温度动态递归小波神经网络预测模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数温度，从而使温度动态递归小波神经网络预测模型输出不断逼近期望输出。
[0053] 2、检测温度融合模型设计
[0054] 检测温度融合模型结构见图2。
[0055] ①、构建温度测量传感器的时间序列温度梯形模糊数值阵列
[0056] 一段时间多个温度测量传感器的温度检测模型输出的梯形模糊数值构成温度测量传感器的时间序列温度梯形模糊数值阵列，设有n个温度测量传感器和m个时刻的nm个温度测量传感器的梯形模糊数值构成n行和m列的温度测量传感器的时间序列梯形模糊数阵列，设不同时刻同一温度测量传感器的梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m)，则所有温度测量传感器的时间序列梯形模糊数阵列为：
[0057]
[0058] ②、计算温度测量传感器的时间序列温度梯形模糊数值的距离融合权重[0059] 同一时刻所有温度测量传感器的温度梯形模糊数值的平均值构成时间序列温度测量传感器的梯形模糊数阵列的正理想值，时间序列温度测量传感器的梯形模糊数阵列的正理想值为：
[0060] 同一时刻所有温度测量传感器的温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值距离最大的梯形模糊数值构成时间序列温度测量传感器的梯形模糊数阵列的负理想值，时间序列温度测量传感器的梯形模糊数阵列的负理想值为：
[0061]
[0062] 温度测量传感器的时间序列温度梯形模糊数值的正理想值距离是每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值距离为：
[0063]
[0064] 每个温度测量传感器的时间序列温度梯形模糊数值的负理想值距离是每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的负理想值距离为：
[0065]
[0066] 每个温度测量传感器的时间序列温度梯形模糊数值的负理想值距离除以该温度测量传感器的时间序列温度梯形模糊数值的负理想值距离与该温度测量传感器的时间序列温度梯形模糊数值的正理想值距离的和得到的商为每个温度测量传感器的时间序列温度梯形模糊数值距离的相对贴近度，公式为：
[0067]
[0068] 通过(9)公式计算可以知道，每个温度测量传感器的时间序列温度梯形模糊数值距离的相对贴近度越大，则该温度测量传感器的时间序列温度梯形模糊数值离正理想值的相对距离就越接近，否则该温度测量传感器的时间序列温度梯形模糊数值离正理想值的相对距离就越远，根据这个原理确定每个温度测量传感器的时间序列温度梯形模糊数值距离的相对贴近度除以所有温度测量传感器的时间序列温度梯形模糊数值距离的相对贴近度的和得到的商为每个温度测量传感器的时间序列温度梯形模糊数值的距离融合权重为：
[0069]
[0070] ③、计算温度测量传感器的时间序列温度梯形模糊数值的灰色关联度融合权重[0071] 每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值的灰色关联度为：
[0072]
[0073] 通过计算每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值的灰色关联度，可以构建每个温度测量传感器的时间序列温度梯形模糊数值的灰色关联度矩阵：
[0074]
[0075] 根据公式(12)可以得到每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度，如下公式所示：
[0076]
[0077] 同理，每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的负理想值的灰色关联度为，定义如下公式：
[0078]
[0079] 同理，通过计算每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的负理想值的灰色关联度，可以构建每个温度测量传感器的时间序列温度梯形模糊数值的灰色关联度矩阵：
[0080]
[0081] 根据公式(15)可以得到每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度，如下公式所示：
[0082]
[0083] 每个温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度除以该温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值之间的灰色关联度相加该温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的负理想值之间的灰色关联度的和得到的商为该温度测量传感器的时间序列温度梯形模糊数值的灰色关联度相对贴近度为：
[0084]
[0085] 通过(17)公式计算可以知道，每个温度测量传感器的时间序列温度梯形模糊数值的灰色关联度相对贴近度越大，则该温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越小，否则该温度测量传感器的时间序列温度梯形模糊数值与时间序列温度测量传感器的梯形模糊数阵列的正理想值的形状相似度相差就越大，根据这个原理确定每个温度测量传感器的时间序列温度梯形模糊数值的灰色关联度相对贴近度除以所有温度测量传感器的时间序列温度梯形模糊数值的灰色关联度相对贴近度的和得到的商为该温度测量传感器的时间序列温度梯形模糊数值的灰色关联度融合权重为：
[0086]
[0087] ④、计算多个温度测量传感器的时间序列温度梯形模糊数值的融合值
[0088] 根据每个温度测量传感器的时间序列温度梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi，求取均方根组合权重γi，显然γi与αi、βi和都应尽可能接近，根据最小相对信息熵原理有：
[0089]
[0090] 用拉格朗日乘子法解上述优化问题得：
[0091]
[0092] 根据公式(20)可以知每个温度测量传感器的时间序列温度梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有温度测量传感器的时间序列温度梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该温度测量传感器的时间序列温度梯形模糊数值融合的均方根组合权重。
[0093] 单独运用一种方法得到温度测量传感器数据融合权重均会导致结果存在一定的局限性，本专利运用博弈论的方法将不同温度测量传感器的时间序列温度梯形模糊数值的距离融合权重和灰色关联度融合权重进行综合集成，该方法主要是为了缩小不同方法得到的各个基本权重与最终得到的组合权重之间的偏差，使得各个方法所确定的权重在相互竞争的关系中比较协调，进而寻求比较均衡的结果，保证所确定的指标组合权重更加科学合理。为了使得到的组合权重更具有科学性和客观性，可使用L种不同的方法对各指标进行赋权，这样可以构造一个基本的权重集，使用L种方法对指标进行赋权，由此构造一个基本的权重集ui＝{ui1,ui2,…,uin},i＝1,2,…,L，我们记这L个向量的任意线性组合为：
[0094]
[0095] 为了在可能的权重向量u中找到最满意的 我们将L个线性组合系数λk进行优化，使得u与各个uk的离差极小化。这样便导出了下面的对策模型：
[0096]
[0097] 根据矩阵的微分性质可知，式(22)的最优化一阶导数条件为可转化为线性方程组并运用Mathmatica计算，求得(λ1,λ2,…λL)后归一化处理，代入(24)式，得到博弈论组合权重：
[0098]
[0099] 根据温度测量传感器的时间序列温度梯形模糊数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该温度测量传感器的时间序列温度梯形模糊数值融合的线性组合权重θi，公式为：
[0100] θi＝ααi+ββi (24)
[0101] 根据每个温度测量传感器的时间序列温度梯形模糊数值的距离融合权重和灰色关联度融合权重乘积占所有温度测量传感器的时间序列温度梯形模糊数值的距离融合权重和灰色关联度融合权重乘积的和的比为该温度测量传感器的时间序列温度梯形模糊数值融合的乘积组合权重，公式为：
[0102]
[0103] 根据公式(20)、(23)、(24)和公式(25)得到该温度测量传感器的时间序列温度梯形模糊数值融合的梯形模糊数融合权重为wi：
[0104] wi＝[min(θi,γi,νi,σi),κi,οi,max(θi,γi,νi,σi)] (26)[0105] 其中κi，οi分别为4个组合权重θi，γi，νi，σi中从大到小排序的第3个数和第2个数。
[0106] 从公式(29)可以知每个温度测量传感器的时间序列温度梯形模糊数值的均方根组合权重、博弈论组合权重、线性组合权重和乘积组合权重按照从小到大排序组成该温度测量传感器的时间序列温度梯形模糊数值的梯形模糊数融合权重。根据同一时刻每个温度测量传感器的时间序列温度梯形模糊数值与该温度测量传感器的时间序列温度梯形模糊数值的梯形模糊数融合权重的积相加得到的和为所有温度测量传感器的时间序列梯形模糊数融合值为：
[0107]
[0108] 3、新鲜度等级分类器设计
[0109] 新鲜度等级分类器见图4，新鲜度等级分类器包括3个按拍延迟线TDL、3个自联想神经网络、3个Elman神经网络和最小二乘支持向量机LS‑SVM组成，3个温度检测模块输出食品的保鲜温度梯形模糊数、运输温度梯形模糊数和储藏温度梯形模糊数分别作为对应的新鲜度等级分类器的3个按拍延迟线的TDL3、TDL2和TDL1的输入，TDL3、TDL2和TDL1的输出温度梯形模糊数分别是对应的3个自联想神经网络的自联想神经网络3、自联想神经网络2和自联想神经网络1的输入，自联想神经网络3输出的梯形模糊数和食品的保鲜时间、自联想神经网络2输出的梯形模糊数和食品的运输时间以及自联想神经网络1输出的梯形模糊数和食品的储藏时间的输出分别是对应的3个Elman神经网络的Elman神经网络3、Elman神经网络2和Elman神经网络1的对应输入，Elman神经网络3输出梯形模糊数作为最小二乘支持向量机LS‑SVM的对应输入，Elman神经网络2输出梯形模糊数作为Elman神经网络3的对应输入和最小二乘支持向量机LS‑SVM的对应输入，Elman神经网络1输出梯形模糊数作为Elman神经网络2的对应输入和最小二乘支持向量机LS‑SVM的对应输入，最小二乘支持向量机LS‑SVM输出的梯形模糊数代表食品新鲜度等级值，最小二乘支持向量机LS‑SVM输出作为新鲜度等级分类器输出；自联想神经网络、Elman神经网络和最小二乘支持向量机LS‑SVM的设计过程如下：自联想神经网络(Auto‑associative neural networ,AANN)，一种特殊结构的前馈神经网络，自联想神经网络结构包括一个输入层,一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了食品的温度输入数据信息的压缩，从自联想神经网络输入的食品的温度的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了食品的温度输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现食品的温度数据的解压缩，将前面压缩的信息还原到各个食品的温度参数值，从而实现各食品的温度输入数据的重构。为了达到食品的温度信息压缩的目的，自联想神经网络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲,自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是自联想神经网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使自联想神经网络对食品的温度信号进行编码和压缩得到输入压力传感器预测数据的相关模型,并在瓶颈层后进行解码和解压缩以产生食品的温度预测值输入信号的估计值；隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数，自联想神经网用误差反向传播(back‑propagation,BP)算法来训练。
[0110] Elman神经网可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外,还有一个特别的关联层；关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决食品的温度预测中的逼近精度问题,增强关联层的作用。设Elman神经网络的输入层、输出层、隐层的个数分别为m,n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则Elman神经网络的隐含层、关联层和输出层的表达式分别为:
[0111]
[0112] cp(k)＝xp(k‑1) (29)
[0113]
[0114] 本技术方案Elman神经网络的输出为温度梯形模糊数。
[0115] 最小二乘支持向量机LS‑SVM具有较强的泛化能力和全局能力，克服了其他机器学习方法的泛化能力差、过拟合和容易陷入局部最优等缺点，它是一种对标准支持向量机的扩展，该模型采用平方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，最小二乘支持向量机(LS‑SVM)将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。最小二乘支持向量机LS‑SVM食品新鲜度的线性回归方程如下：
[0116]
[0117] 在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，最小二乘支持向量机LS‑SVM食品新鲜度的分类器为：
[0118]
[0119] 最小二乘支持向量机LS‑SVM分类器的输出代表被食品新鲜度等级的大小的梯形模糊数。根据食品的储藏温度、运输温度和保鲜温度控制的工程实践经验，通过新鲜度等级分类器将食品新鲜度量化为新鲜等级，通过梯形模糊数将食品新鲜度全分为一般新鲜、比较新鲜、很新鲜、不新鲜和很不新鲜五种等级5种新鲜等级分别为对应5个不同的梯形模糊数，计算新鲜度等级分类器输出的梯形模糊数与代表5种新鲜等级的5个梯形模糊数的相似度，其中相似度最大的梯形模糊数对应的新鲜等级确定为该基坑新鲜等级，实现对基坑新鲜等级分类的动态性能和科学分类。构建最小二乘支持向量机LS‑SVM输出的5种梯形模糊数与食品的5种新鲜程度等级的对应关系表，食品的新鲜程度等级与梯形模糊数的对应关系如下，见表1。
[0120] 表1食品新鲜程度等级与梯形模糊数对应关系表
[0121]序号 安全等级 梯形模糊数
1 一般新鲜 (0.0，0.05，0.15，0.3)
2 比较新鲜 (0.1，0.15，0.3,0.4)
3 很新鲜 (0.3，0.35，0.45，0.7)
4 不新鲜 (0.6，0.75，0.8,0.9)
5 很不新鲜 (0.8，0.85,0.9,1.0)
[0122] 五、一种食品安全检测系统的设计举例
[0123] 根据一种食品安全检测系统的实际状况，系统布置了食品环境参数采集平台的3组多个检测节点、3个汇聚节点和监控中心计算机的安装图，其中检测节点和汇聚节点根据检测的需要均衡布置在储藏、运输和保鲜的环境中的各个方位，通过该系统实现对食品新鲜度等级的分类。
[0124] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
