1.本发明涉及人工智能技术，尤其涉及一种特定领域语音识别方法、装置、电子设备及存储介质。


背景技术：

2.语音识别基于语言模型实现，目前的语音识别方案大多为基于通用语言模型的识别方案。
3.但是，基于通用语言模型的识别方案能够对通用词汇进行准确识别，但对于特定领域的待识别语音（如：专业的医学领域会议录音）进行识别时，待识别语音中一些特定领域的专业词汇很容易被误识别为发音相近的通用词汇，即现有的基于通用语言模型的识别方案对特定领域专业词汇的识别准确率较低，从而导致语音识别的准确率低。


技术实现要素：

4.本发明提供一种特定领域语音识别方法、装置、电子设备及存储介质，其主要目的在于提高了语音识别的准确率。
5.为实现上述目的，本发明提供的一种特定领域语音识别方法，包括：获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息；获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型；利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
6.可选地，所述从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型，包括：分别将所述第一领域信息进行向量化，得到对应的第一领域向量，并将所述第二领域信息进行向量化，得到第二领域向量；分别计算所述第二领域向量与各个所述第一领域向量的相似度；选择最大的相似度所对应的第一领域信息，获取该第一领域信息对应的领域语言模型作为所述目标领域语言模型。
7.可选地，所述将所述第二领域信息进行向量化，得到第二领域向量，包括：将所述第二领域信息中的每个字符转化为向量，得到对应的字符向量；将所述字符向量按照对应的字符在所述第二领域信息中的先后顺序进行向量拼接，得到所述第二领域向量。
8.可选地，所述将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型，包括：获取所述目标领域语言模型出现但所述通用语言模型中未出现的n
‑
gram条目，并
对获取的n
‑
gram条目进行概率插值；将概率插值后的n
‑
gram条目转换为加权有限状态机，得到领域解码网络；将所述通用语言模型转换为加权有限状态机，得到通用解码网络；将所述领域解码网络与所述通用解码网络进行拼接，得到所述目标识别模型。
9.可选地，所述将所述领域解码网络与所述通用解码网络进行拼接，得到所述目标识别模型，包括：分别在所述通用解码网络和所述领域解码网络中添加虚拟节点，其中，所述虚拟节点包括起始节点和结束节点；利用所述起始节点及所述结束节点将通用解码网络与领域解码网络进行串联，得到所述目标识别模型。
10.可选地，所述利用所述起始节点及所述结束节点将通用解码网络与领域解码网络进行串联，得到所述目标识别模型，包括：将在所述通用解码网络中添加的结束节点与在所述领域解码网络中添加的起始节点按结束节点指向起始节点的方向进行有向连接；或将在所述领域解码网络中添加的结束节点与在所述通用解码网络中添加的起始节点按结束节点指向起始节点的方向进行有向连接。
11.可选地，所述利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果，包括：将所述待识别语音进行分帧，得到多个语音帧；将所有所述语音帧按照时间先后依次输入所述目标识别模型，得到所述识别结果。
12.为了解决上述问题，本发明还提供一种特定领域语音识别装置，所述装置包括：模型筛选模块，用于获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息；获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；模型组合模块，用于将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型；语音识别模块，用于利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
13.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：存储器，存储至少一个计算机程序；及处理器，执行所述存储器中存储的计算机程序以实现上述所述的特定领域语音识别方法。
14.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的特定领域语音识别方法。
15.本发明实施例提供的特定领域语音识别方法中，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；
将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型，通过将通用词汇进行识别的通用语言模型与待识别语音相同领域的领域语言模型相结合，既能对通用词汇进行识别，又能对包含特定领域专业词汇识别，提高了语音识别的准确率。
附图说明
16.图1为本发明一实施例提供的特定领域语音识别方法的流程示意图；图2为本发明一实施例提供的特定领域语音识别装置的模块示意图；图3为本发明一实施例提供的实现特定领域语音识别方法的电子设备的内部结构示意图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
17.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
18.本发明实施例提供一种特定领域语音识别方法。所述特定领域语音识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述特定领域语音识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
19.参照图1所示的本发明一实施例提供的特定领域语音识别方法的流程示意图，在本发明实施例中，所述特定领域语音识别方法包括：s1、获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息。
20.详细地，本发明实施例中所述通用语言模型为利用正常语料训练得到的语音识别模型，所述领域语言模型采用特定领域的语料训练得到的语音识别模型。例如，领域语言模型对应的第一领域信息为医学领域信息，那么该领域语言模型为医学领域的语料训练得到的。
21.其中，所述第一领域信息为训练得到所述领域语音模型所用语料的语言背景信息，如：医学领域。
22.本发明实施例中所述语言模型集中有多个领域语言模型，每个所述领域语言模型对应唯一的第一领域信息。
23.本发明另一实施例中所述语言模型集中还可以只有一个领域语言模型及对应的第一领域信息。
24.可选地，本发明实施例中所述通用语言模型和所述目标领域语言模型可以为n
‑
gram模型。
25.s2、获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型。
26.本发明实施例中所述待识别语音为需要进行语音识别的语音，所述第二领域信息为待识别语音对应的领域背景的文本，如：所述待识别语音为医学研讨会上的讨论语音，那么所述第二领域信息为医学领域。
27.进一步地，由于所述第一领域信息与所述第二领域信息存在语义相同文字不相同的情况，因此为了更准确的寻找与所述第二领域信息相似的所述第一领域信息，分别将所述第一领域信息进行向量化，得到第一领域向量，并将所述第二领域信息进行向量化，得到第二领域向量。
28.进一步地，本发明实施例中分别计算所述第二领域向量与各个所述第一领域向量的相似度；选择最大的相似度所对应的第一领域信息，获取该第一领域信息对应的领域语言模型，得到目标领域语言模型。
29.详细地，本发明实施例中将所述第二领域信息进行向量化，得到所述第二领域向量，包括：将所述第二领域信息中的每个字符转化为向量，得到对应的字符向量；将所述字符向量按照对应的字符在所述第二领域信息中的先后顺序进行向量拼接，得到所述第二领域向量。
30.本发明另一实施例中，将所有所述字符向量进行向量平均计算，得到所述语音领域向量。
31.例如：共有两个字符向量分别为、，那么对应的第二领域向量为。
32.本发明另一实施例中，将所述字符向量中的所有元素进行平均计算，得到向量特征值；将所述字符向量按照对应的字符在所述第二领域信息中的先后顺序进行排序；将所有所述向量特征值按照对应的所述字符向量排序后的先后顺序进行组合进行组合，得到所述第二领域向量。
33.本发明另一实施例中还可以选取所述字符向量中所有元素的50%分值、最大值、众数等作为所述向量特征值。
34.s3、将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型。
35.本技术实施例将所述通用语言模型与目标领域语言模型进行模型组合，使得最终获得的目标识别模型除了能够对通用词汇进行准确识别外，还能够对特定领域的专业词汇进行准确识别。本技术实施例构建的目标识别模型相比于通用语言模型，能够提高特定领域专业词汇的语音识别准确率。
36.详细地，本发明实施例将所述通用语言模型与目标领域语言模型进行模型组合，包括：步骤a、获取所述目标领域语言模型出现但所述通用语言模型中未出现的n
‑
gram条目，并对获取的n
‑
gram条目进行概率插值。
37.可选的，通用语言模型和目标领域语言模型可以为n
‑
gram模型，基于此，本实施例对目标领域语言模型和通用语言模型进行插值时，插值部分为目标领域语言模型和通用语
言模型中、只在目标领域语言模型中出现的n
‑
gram条目，也就是说，插值部分只包含目标领域语言模型中出现的n
‑
gram条目，不包含目标领域语言模型中未出现过的n
‑
gram条目进行概率插值。其中，所述n
‑
gram条目为模型语料库中的词语或词语组合。
38.详细地，本发明实施例中对所述n
‑
gram条目进行概率插值为更改所述n
‑
gram条目对应的概率。
39.可选地，本发明实施例利用预设的权重系数与所述n
‑
gram条目对应的概率进行加权计算，得到更改后的概率。
40.例如：将所述n
‑
gram条目加入所述通用语言模型中后在所述通用语言模型中出现的概率为p1，所述n
‑
gram条目在所述领域语言模型中出现的概率为p2，那么插值后的概率为a*p1+(1+a)p2，其中，a为预设的插值系数。
41.本发明实施例中通过插值使得所述n
‑
gram条目与所述通用语言模型处于同一概率框架，便于后续对模型进行组合。
42.步骤b、将概率插值后的所述n
‑
gram条目转换为加权有限状态机，得到领域解码网络。
43.由于插值部分的n
‑
gram条目(即只在目标领域语言模型中出现的n
‑
gram条目)数量很少，因此，根据插值部分生成领域解码网络耗费的时间和占用的存储资源很少。
44.详细地，本发明实施例中将每条所述n
‑
gram条目转换为加权有限状态机，从而得到对应的解码路径，将所有所述解码路径汇总，得到所述领域解码网络。
45.步骤c、将所述通用语言模型转换为加权有限状态机，得到通用解码网络。
46.步骤d、将所述领域解码网络与所述通用解码网络进行拼接，得到所述目标识别模型。
47.可选地，本发明实施例通过将领域解码网络与通用语言网络串联得到的目标识别网络能够对同时包含通用词汇和专业词汇的语音进行准确识别，适用于包括大量词汇的连续语音识别。
48.详细地，本发明实施例将所述领域解码网络与所述通用解码网络进行拼接，得到所述目标识别模型，包括：步骤i：分别针对所述通用解码网络和所述领域解码网络添加虚拟节点。
49.其中，虚拟节点包括起始节点和结束节点。
50.可选地，本发明实施例中将所述通用解码网络和所述领域解码网络中每个解码路径开始处添加起始节点，在每个所述解码路径结束处添加结束节点。
51.步骤ii：利用起始节点和结束节点将通用解码网络与领域解码网络进行串联，得到所述目标识别模型。
52.可选地，本发明实施例中将所述通用解码网络与所述领域解码网络进行串联的方式共有两种，一种为所述通用解码网络在前所述领域解码网络在后，另一种为所述领域解码网络在前所述通用解码网络在后。
53.具体的，本发明实施例中所述通用解码网络在前所述领域解码网络在后进行串联时，所述利用起始节点和结束节点将通用解码网络与领域解码网络进行串联的过程包括：将在通用解码网络中添加的结束节点与在所述领域解码网络添加的起始节点按结束节点指向起始节点的方向进行有向连接。
54.例如：所述通用解码网络中包含起始节点a及结束节点b，所述领域解码网络中包含起始节点c及结束节点d，那么将所述通用解码网络的结束节点b与所述领域解码网络的所述领域解码网络c按照b至c的方向进行有向连接，即得到的目标识别模型中的节点依次为a至b至c至d。
55.本发明另一实施例中，所述领域解码网络在前所述通用解码网络在后进行串联时，所述利用起始节点和结束节点将通用解码网络与领域解码网络进行串联的过程包括：将在所述领域解码网络中添加的结束节点与在所述通用解码网络添加的起始节点按结束节点指向起始节点的方向进行有向连接。
56.例如：所述通用解码网络中包含起始节点a及结束节点b，所述领域解码网络中包含起始节点c及结束节点d，那么将所述通用解码网络的起始节点a与所述领域解码网络的结束节点d，按照d至a的方向进行有向连接，即得到的目标识别模型中的节点依次为c至d至a至b。
57.在利用领域解码网络与通用解码网络串联得到的目标识别模型对待识别语音进行解码时，若待识别语音中既包括通用词汇，又包括专业词汇，则最终的解码路径将由通用解码网络的解码路径和领域解码网络的解码路径组成，比如，待识别语音为“我们开始进行语音识别”，“我们开始进行”对应的解码路径存在于通用解码网络中，“语音识别”对应的解码路径存在于领域解码网络中，最终的解码路径由“我们开始进行”对应的解码路径与“语音识别”对应的解码路径组成。
58.s4、利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
59.详细地，本发明实施例目标识别模型的解码路径可以通过lattice呈现，需要说明的是，lattice为带权无向图，lattice中的每个节点代表一个声学单元，每条弧包含两个权重，即声学权重和语言权重，在lattice上从左向右的任何一条解码路径，就构成一个语音识别结果，解码路径上每条边的声学权重相加，再加上解码路径对应的语言权重，就是整条解码路径的得分，将得分最高的路径作为识别结果。
60.具体的，利用目标识别模型对待识别语音进行解码，获得待识别语音的解码路径的过程可以包括：将所述待识别语音进行分帧，得到多个语音帧；将所有所述语音帧按照时间先后依次输入所述目标识别模型进行解码，得到所述识别结果，即获得所述目标识别模型中得分最高的解码路径。
61.例如：当所述目标识别模型为所述通用解码网络在前所述领域解码网络在后进行串联得到的，那么将所述待识别语音的各个语音帧经过通用解码网络起始节点进入通用解码网络进行解码，当通用解码网络中解码路径结束后，利用与通用网络的结束节点连接的领域解码网络的起始节点进入领域解码网络继续解码，以此类推，直至语音帧结束。进一步地，本发明实施例根据待识别语音的解码路径，确定待识别语音的语音识别结果。
62.可选地，本发明实施例中所述目标识别模型中所述待识别语音对应的解码路径多种，获取所述目标识别模型中所述待识别语音对应的每条解码路径及每条解码路径对应的权重得分，选取权重得分最高的解码路径确定为所述待识别语音对应的语音识别结果。
63.本发明实施例提供的特定领域语音识别方法中，从所述领域语言模型集中选取与所述语言领域信息相似模型领域信息对应的领域语言模型，得到目标领域语言模型；将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型，通过将通用
词汇进行识别的通用语言模型与待识别语音相同领域的领域语言模型相结合，既能对通用词汇进行识别，又能对包含特定领域专业词汇识别，提高了语音识别的准确性。
64.如图2所示，是本发明特定领域语音识别装置的功能模块图。
65.本发明所述特定领域语音识别装置100可以安装于电子设备中。根据实现的功能，所述特定领域语音识别装置可以包括模型筛选模块101、模型组合模块102、语音识别模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
66.在本实施例中，关于各模块/单元的功能如下：所述模型筛选模块101用于获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息；获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；所述模型组合模块102用于将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型；所述语音识别模块103用于利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
67.详细地，本发明实施例中所述特定领域语音识别装置100中所述的各模块在使用时采用与上述图1中所述的特定领域语音识别方法一样的技术手段，并能产生相同的技术效果，这里不在赘述。
68.如图3所示，是本发明实现特定领域语音识别方法的电子设备的结构示意图。
69.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如特定领域语音识别程序。
70.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：sd或dx存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（smart media card， smc）、安全数字（secure digital， sd）卡、闪存卡（flash card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如语音识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
71.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如语音识别程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
72.所述通信总线12可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
73.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
74.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
75.可选地，所述通信接口13可以包括有线接口和/或无线接口（如wi
‑
fi接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
76.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light
‑
emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
77.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
78.所述电子设备中的所述存储器11存储的语音识别程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息；获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型；利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
79.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
80.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read
‑
only memory）。
81.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计
算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：获取通用语言模型及包括多个领域语言模型的语言模型集，其中，所述语言模型集还包括与所述领域语言模型一一对应的第一领域信息；获取待识别语音及对应的第二领域信息，从所述语言模型集中选取与所述第二领域信息相似的第一领域信息，并获取对应的领域语言模型作为目标领域语言模型；将所述通用语言模型与所述目标领域语言模型进行模型组合，得到目标识别模型；利用所述目标识别模型对所述待识别语音进行语音识别，得到识别结果。
82.进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
83.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
84.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
85.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
86.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
87.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
88.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
89.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
90.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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。