一种基于活性群体集体运动中因果推断方法

1.一种基于活性群体集体运动中因果推断方法，其特征在于，包括：
获取活性群体集体运动的领导者时间序列及跟随者时间序列；
获取固定时滞，基于所述固定时滞，获取最佳固定时滞，基于所述领导者时间序列及所述跟随者时间序列，获取对齐时滞序列；对所述固定时滞进行放宽处理，基于放宽处理结果，对所述最佳固定时滞进行更新；基于所述对齐时滞序列及更新后的最佳固定时滞，获取最佳对齐时滞序列；
基于所述最佳对齐时滞序列对所述领导者时间序列及所述跟随者时间序列进行扭曲，对扭曲结果进行格兰杰因果推断，得到活性群体集体运动格兰杰因果推断结果，基于活性群体集体运动格兰杰因果推断结果，获取领导者运动轨迹，并通过释放机器鱼学习领导者运动轨迹，然后对机器鱼进行对步伐设置，以实现鱼群捕捞。
2.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
获取活性群体运动的领导者时间序列及跟随者时间序列的过程包括：
获取活性群体运动的若干个初始领导者时间序列及若干个初始跟随者时间序列，通过对初始领导者时间序列及跟随者时间序列分别进行聚合，得到领导者时间序列及跟随者时间序列；
其中初始领导者时间序列与初始跟随者时间序列包括，移动方向，加速度。
3.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
获取最佳固定时滞的具体步骤包括：
通过固定时滞对领导者时间序列进行扭曲，通过对扭曲后的领导者时间序列及跟随者时间序列进行互相关程度分析，基于互相关程度分析结果获取最佳固定时滞；
其中，最佳固定时滞为互相关程度分析结果中互相关程度最大对应的固定时滞。
4.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
获取对齐时滞序列的过程包括：
通过动态时间规整算法，将所述领导者时间序列进行归整，将归整后的领导者时间序列与所述跟随者时间序列进行对齐，基于对齐结果，对所述归整后的领导者时间序列与所述跟随者时间序列进行时滞计算，基于时滞计算结果，获取对齐时滞序列。
5.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
对所述固定时滞进行放宽处理之前包括：
通过固定时滞对领导者时间序列进行扭曲，对扭曲后的领导者时间序列及跟随者时间序列进行相似性度量，基于相似性度量结果及固定时滞，构建相关函数，基于相关函数进行数值判定，得到判定结果；
若判定结果为满足判定条件则对所述固定时滞进行放宽处理，否则，不进行放宽处理，直接基于所述对齐时滞序列及最佳固定时滞，获取最佳对齐时滞序列。
6.根据权利要求3所述基于活性群体集体运动中因果推断方法，其特征在于：
对所述最佳固定时滞进行更新的过程包括：
构建放宽系数，基于放宽系数，对固定时滞按照互相关程度分析结果的绝对值大小进行排序，得到放宽时滞序列，其中，放宽时滞序列包括若干个放宽时滞；
选取放宽时滞序列中正数范围内最小的放宽时滞对最佳固定时滞进行更新。
7.根据权利要求6所述基于活性群体集体运动中因果推断方法，其特征在于：
对所述最佳固定时滞进行更新之前还包括：
基于放宽时滞序列，进行放宽时滞判定，若放宽时滞中的正数数量大于放宽时滞中的负数数量，则对最佳固定时滞更新；
否则，最佳固定时滞不进行更新，直接基于对齐时滞序列及最佳固定时滞，获取最佳对齐时滞序列。
8.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
对扭曲结果进行格兰杰因果推断的过程包括：
基于扭曲结果进行残差方差比较进行格兰杰因果推断，得到活性群体集体运动格兰杰因果推断结果。
9.根据权利要求1所述基于活性群体集体运动中因果推断方法，其特征在于：
对扭曲结果进行格兰杰因果推断之后还包括：
通过对扭曲结果进行对其相似度计算，获取跟随者对领导者的跟随亲密程度，基于跟随亲密程度对活性群体集体运动格兰杰因果推断结果进行补充。

一种基于活性群体集体运动中因果推断方法\n技术领域\n[0001] 本发明涉及时间序列的因果推断技术领域，特别涉及一种基于活性群体集体运动中因果推断方法。\n背景技术\n[0002] 活性群体集体运动的领导现象虽然在微观行为层面上十分复杂，但在宏观行为层面上却表现出了简单性。因此一些研究采取了納维‑斯托克斯方程等类流体力学方法描述活性群体集体运动。类流体力学方法将运动群体看作随时间演化的包括速度场和个体数密度场在内的流体力学场，不但能够较好地描述活性群体领导现象的跟随关系，而且以微分方程为数学描述工具，容易得出简约的解析解。该方法以统计的方式平均化了个体行为，不能充分反映小范围的局部现象。上世纪40年代，由乌拉姆(Stanislaw Ulam)和冯诺依曼(John von Neumann)提出的元胞自动机(Cellular Automaton)方法将空间划分为棋盘状的方格，个体在网格上可以以一定概率向相近网格移动或不移动。该方法特点就是从微观层面将空间离散化，高度抽象，抓住模拟对象的主要特征，计算高效，解析方便，一直为研究者所钟爱。虽抽象巧妙，却无法充分考虑到个体的微观行为，使得元胞自动机方法不能对活性群体空间运动的领导现象进行逼真的刻画。1995年，赫尔宾(Dirk Helbing)等人提出了一种在连续空间中基于个体的活性群体空间运动系统描述方法，称为社会作用力方法，该方法的核心在于找到比较好的社会作用力的具体形式，以尽可能准确地描述活性群体空间运动系统各层次的行为。可是，一些不同的社会作用力往往能复现同样的宏观现象，使得在活性群体集体运动领导现象上的描述很粗略。\n[0003] 在活性群体集体运动中，我们能获取到大规模的时间序列数据。运用时间序列的因果推断方法探索活性群体领导现象背后的发生机制，不仅可以从微观层面出发理解活性个体对所处特定群体环境的领导性干预的反应力度，理解大规模集体行为的发生条件，更重要的是，它还可以为现实生活生产活动提供启示与指导，帮助制定相关问题的解决方案。\n比如，知道了鱼群觅食的从众行为的规律，就可以充分利用鱼群普遍的跟随时间延迟，在海域捕捞作业中释放机器鱼，以合适的步伐诱导鱼群进入陷阱，从而提高捕捞效率。1969年，著名诺贝尔经济学奖得主格兰杰(Clive Granger)最早把时间序列量化并引入到因果推断中，他提出的概念现被广泛地称为格兰杰因果关系。格兰杰因果推断的定义和方法是假设原因时间序列以固定时间延迟(“时间延迟”可简称“时滞”)影响着结果时间序列。2019年，Chainarong Amornbunchornvej等人提出的可变时滞格兰杰因果推断(Variable‑lag Granger Causality，简称VL格兰杰因果推断)方法通过把传统格兰杰因果推断的固定时滞假设拓宽为可变时滞，较好地解决了时间序列之间以任意时滞影响的因果发现问题。\n[0004] 在活性群体集体运动中，某个个体突如其来地改变方向、加速移动等可能是因为发现食物或遭遇敌人，从而使自己成为群体里的领导者并吸引到群体里的其他个体。VL格兰杰因果推断在活性群体领导现象的因果关系发现里虽充考虑到各个时间点可变时滞的对应关系，但推断精准度依旧较低。这是因为：VL格兰杰因果推断在对两组时间序列进行“对齐”之时经过了平均时间延迟(后称为最佳固定时滞)的矫正，而一些领导者和跟随者之间时滞不明显的领导关系会影响到整个群体最佳固定时滞的选择。具体而言(一)跟随者只是会在运动方向上与领导者趋向一致，并非在简单地在位置上位于领导者之后。正因为不少跟随者时常会走在领导者前面而依然是跟随领导者的，此时的时滞会与跟随者真的走在领导者后面的领导现象的时滞相互抵消，即总体时滞趋向中和。(二)领导信息只会在活性群体中逐渐扩散，逐渐吸引更多跟随者，并非简单到一开始领导者就能吸引到所有的跟随者。随着时间的推移，在后来察觉到领导现象的跟随者眼里，之前的领导者和跟随者已逐渐合并成领导集团，领导集团与新跟随者会继续加深时滞中和化。\n发明内容\n[0005] 为解决上述现有技术中所存在的活性群体在集体运动时总体时滞会趋向与中和导致最佳固定时滞的不明显性等问题，本发明提供一种基于活性群体集体运动中因果推断方法，能够十分有效地推断出活性群体集体运动中领导者，进而在海域捕捞作业中释放机器鱼，以合适的步伐诱导鱼群进入陷阱，从而提高捕捞效率。\n[0006] 为实现上述技术方案，本发明提供了如下技术方案：包括\n[0007] 获取活性群体集体运动的领导者时间序列及跟随者时间序列；\n[0008] 获取固定时滞，基于所述固定时滞，获取最佳固定时滞，基于所述领导者时间序列及所述跟随者时间序列，获取对齐时滞序列；对所述固定时滞进行放宽处理，基于放宽处理结果，对所述最佳固定时滞进行更新；基于所述对齐时滞序列及更新后的最佳固定时滞，获取最佳对齐时滞序列；\n[0009] 基于所述最佳对齐时滞序列对所述领导者时间序列及所述跟随者时间序列进行扭曲，对扭曲结果进行格兰杰因果推断，得到活性群体集体运动格兰杰因果推断结果；基于活性群体集体运动格兰杰因果推断结果，获取领导者运动轨迹，并通过释放机器鱼学习领导者运动轨迹，对机器鱼进行对步伐设置，以实现鱼群捕捞。\n[0010] 可选的，所述获取活性群体运动的领导者时间序列及跟随者时间序列的过程包括：\n[0011] 获取活性群体运动的若干个初始领导者时间序列及若干个初始跟随者时间序列，通过对初始领导者时间序列及跟随者时间序列分别进行聚合，得到领导者时间序列及跟随者时间序列；\n[0012] 其中初始领导者时间序列与初始跟随者时间序列包括，移动方向，加速度。\n[0013] 可选的，所述获取最佳固定时滞的具体步骤包括：\n[0014] 通过固定时滞对领导者时间序列进行扭曲，通过对扭曲后的领导者时间序列及跟随者时间序列进行互相关程度分析，基于互相关程度分析结果获取最佳固定时滞；\n[0015] 其中，最佳固定时滞为互相关程度分析结果中互相关程度最大对应的固定时滞。\n[0016] 可选的，所述获取对齐时滞序列的过程包括：\n[0017] 通过动态时间规整算法，将所述领导者时间序列进行归整，将归整后的领导者时间序列与所述跟随者时间序列进行对齐，基于对齐结果，对所述归整后的领导者时间序列与所述跟随者时间序列进行时滞计算，基于时滞计算结果，获取对齐时滞序列。\n[0018] 可选的，所述对所述固定时滞进行放宽处理之前包括：\n[0019] 通过固定时滞对领导者时间序列进行扭曲，对扭曲后的领导者时间序列及跟随者时间序列进行相似性度量，基于相似性度量结果及固定时滞，构建相关函数，基于相关函数进行数值判定，得到判定结果。\n[0020] 若判定结果为满足判定条件则对所述固定时滞进行放宽处理，否则，不进行放宽处理，直接基于所述对齐时滞序列及最佳固定时滞，获取最佳对齐时滞序列。\n[0021] 可选的，所述对所述最佳固定时滞进行更新的过程包括：\n[0022] 构建放宽系数，基于放宽系数，对固定时滞按照互相关程度分析结果的绝对值大小进行排序，得到放宽时滞序列，其中，放宽时滞序列包括若干个放宽时滞；\n[0023] 选取放宽时滞序列中正数范围内最小的放宽时滞对最佳固定时滞进行更新；\n[0024] 可选的，所述对所述最佳固定时滞进行更新之前还包括\n[0025] 基于放宽时滞序列，进行放宽时滞判定，若放宽时滞中的正数数量大于放宽时滞中的负数数量，则对最佳固定时滞更新。\n[0026] 否则，最佳固定时滞不进行更新，直接基于对齐时滞序列及最佳固定时滞，获取最佳对齐时滞序列；\n[0027] 可选的，所述对扭曲结果进行格兰杰因果推断的过程包括：\n[0028] 基于扭曲结果进行残差方差比较进行格兰杰因果推断，得到活性群体集体运动格兰杰因果推断结果。\n[0029] 可选的，所述对扭曲结果进行格兰杰因果推断之后还包括：\n[0030] 通过对扭曲结果进行对其相似度计算，获取跟随者对领导者的跟随亲密程度，基于跟随亲密程度对活性群体集体运动格兰杰因果推断结果进行补充。\n[0031] 本发明具有如下技术效果：\n[0032] 本发明所提供的技术方案中，通过对原始时间序列进行动态时间规整算法获取对齐时滞序列，并通过设置固定时滞，通过固定时滞对原始时间序列进行扭曲，对扭曲的时间序列及未扭曲的时间序列进行相关程度分析，获取最佳固定时滞，通过放宽系数对固定时滞进行处理，通过处理得到的放宽时滞，选取新的放宽时滞对最佳固定时滞进行更新，通过更新后的最佳固定时滞及对齐时滞序列进行整合，获取最佳对齐时滞序列，通过最佳对齐时滞序列对原始时间序列进行扭曲，将扭曲结果进行格兰杰因果推断，能够有效的获取活性群体集体运动的因果关系。本发明在最佳对齐时滞序列的选择上对最佳固定时滞的选择进行放宽，从而显著提高活性领导现象的发现能力。不仅可以从微观层面出发理解活性个体对所处特定群体环境的领导性干预的反应力度，理解大规模集体行为的发生条件，可以在海域捕捞作业中得到广泛应用。首先对鱼群进行训练，获得鱼群特征群体的运动轨迹，根据运动轨迹获得鱼群类活性群体领导特征；基于此特征释放训练好的机器鱼以模拟鱼群领袖的运动轨迹，以合适的步伐诱导鱼群进入陷阱，从而提高捕捞效率。这种方式可以为现实生活生产活动提供启示与指导，帮助制定相关问题的解决方案。\n附图说明\n[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。\n[0034] 图1为本发明实施例提供的方法流程示意图；\n[0035] 图2为本发明实施例提供的DTW算法对齐时间序列的示意图；\n[0036] 图3为本发明实施例提供的CCF图像和放宽最佳固定最佳时滞的示意图；\n[0037] 图4为本发明实施例提供的获取最佳对齐时滞序列的示意图；\n[0038] 图5为本发明实施例提供的获取最佳对齐时滞序列中最佳固定时滞矫正必要性的示意图。\n具体实施方式\n[0039] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。\n[0040] 为了解决在现有技术中存在的活性群体在集体运动时总体时滞会趋向与中和导致最佳固定时滞的不明显性等问题，本发明提供了如下方案：\n[0041] 如图1所述，本发明涉及一种基于活性群体集体运动中因果推断方法，通过把可变时滞格兰杰因果推断方法改进为可变放宽时滞格兰杰因果推断方法，专注于实现对活性群体集体运动中领导现象的因果推断。该推断方法主要包括时间序列的聚合、获取最佳对齐时滞序列、进行因果推断。考虑到活性群体在集体运动时总体时滞会趋向与中和导致最佳固定时滞的不明显性，据此，本发明在最佳对齐时滞序列的选择上对最佳固定时滞的选择进行放宽，从而显著提高活性领导现象的发现能力。不仅可以从微观层面出发理解活性个体对所处特定群体环境的领导性干预的反应力度，理解大规模集体行为的发生条件，更重要的是，它还可以为现实生活生产活动提供启示与指导，帮助制定相关问题的解决方案。\n[0042] 本发明通过以下算法流程构造出一种基于活性群体集体运动中因果推断方法——可变放宽时滞格兰杰因果推断方法。具体包括，\n[0043] 步骤(一)、把多个领导者时间序列和跟随者时间序列聚合成一个领导者时间序列和一个跟随者时间序列，把多个时间序列聚合成一个时间序列来简化后续因果推断的研究量。\n[0044] X(t)∈R是时间序列X＝(X(1)，...，X(t)，...)在t时刻的值，一组时间序列X＝{X1，...}，通过这些时间序列的每一步的平均值得到聚合时间序列\n[0045]\n[0046] 通过聚合时间序列，可以把多个时间序列聚合成一个时间序列来使研究更精简——研究两组时间序列之间的因果关系可简化为研究两个时间序列之间的因果关系。\n[0047] 步骤(二)、先获取领导者时间序列和跟随者时间序列的最佳固定时滞和DTW对齐时滞序列，若两时间序列CCF的图像呈现正峰负偏现象，则把最佳固定时滞放宽为新的最佳固定时滞，接着通过DTW对齐时滞序列和新的最佳固定时滞进行权衡，得到最佳对齐时滞序列。主要技术构思为：先获取两时间序列的DTW对齐时滞序列，鉴于两个时间序列有明显时滞，故使用最佳固定时滞对DTW对齐时滞序列进行矫正；在最佳固定时滞的获取中，考虑到不少跟随者时常会走在领导者前面而依然是跟随领导者的，此时的时滞会与跟随者真的走在领导者后面的领导现象的时滞相互抵消，即总体时滞趋向中和，故对满足CCF正峰负偏现象的两对时间序列进行放宽，选出新的最佳固定时滞；新的最佳固定时滞与DTW对齐时滞序列进行权衡，得到最佳对齐时滞序列，以下为步骤(二)具体过程：\n[0048] 1、获取最佳固定时滞\n[0049] 设时间序列X＝(X(1)，...，X(t)，...)，Y＝(Y(1)，...，Y(t)，...)，最大时滞δmax∈l\nN，固定时滞l满足‑δmax≤l≤δmax，l∈N。在固定时滞l下的时间序列X扭曲为X ＝(X(1‑l)，...，X(t‑l)，...)，则使得两时间序列互相关程度最大时的时滞，即最佳固定时滞为[0050]\n[0051] 其中，sim()是两个时间序列之间的相似性度量函数，通常用相关系数或协方差。\n[0052] 2、获取DTW对齐时滞序列\n[0053] 利用传统的欧式几何距离并不能有效得出“看似”相似的两时间序列的相似程度(图2a))所以在比较两时间序列的相似程度之前，应当使用动态时间规整算法(简称DTW算法)将其中的一个时间序列在时间轴下进行“扭曲”，来达到更好的对齐(图2b))。\n[0054] 设时间序列X，Y，通过DTW算法得到的两时间序列在各个时间点的时滞组成DTW对DTW DTW\n齐时滞序列P 。其中，Y在t时刻与X(t‑P (t))对应。\n[0055] 3、发现CCF正峰负偏现象\n[0056] 构造函数ACF(Lag)，Lag∈Z，其中Lag是X，Y的时滞l，ACF是sim(Xl，Y)。函数ACF(Lag)的Lag‑ACF(Lag)图像称为CCF图像(图3a))。\n[0057] 固定时滞Lag可正可负，当Lag为正时表示Y在Lag步后跟随X，当Lag为负时表示X在|Lag|步后跟随Y。\n[0058] 令最大时滞δmax∈N，若\n[0059]\n[0060] 则这对时间序列的具有CCF正峰负偏性/现象。\n[0061] 4、放宽最佳固定最佳时滞\n[0062] 当两时间序列具有CCF正峰负偏性时，给定放宽系数0≤θ＜1，在CCF图像中，在所有时滞Lag((2δmax+1)个时滞)按相关程度ACF的绝对值从大到小排序的前θ的时滞里，若\n[0063]\n[0064] 则确定的新的固定最佳时滞(图3b))\n[0065]\n[0066] 不然，L*依然为L。\n[0067] 6、最佳对齐时滞序列\n[0068] 已知时间序列X，Y的DTW对齐时滞序列PDTW，新最佳固定时滞L*，第t时刻的最佳对齐时滞(图4))\n[0069]\n[0070] 则P*＝(P*(1)，...，P*(t)，...}为最佳对齐时滞序列。其中，dist()为距离函数，在VL格兰杰因果推断里一般使用欧式距离。\n[0071] 在VL格兰杰因果推断里，讨论的两时间序列是有一定明显时滞的。因此，如果DTWDTW\n对齐时滞序列P 不经过最佳固定时滞L的矫正，就只会在局部呈现最佳对齐(图5a))。而经*\n过矫正，就能顾及全局得出两时间序列的最佳对齐时滞序列P(图5b))。\n[0072] 步骤(三)、使用最佳对齐时滞序列扭曲两个时间序列，并对这二者进行VL格兰杰因果推断，若领导者时间序列的以往信息比跟随者时间序列的以往信息更能拟合跟随者时间序列的当前信息，就认为领导者与跟随者存在可变放宽时滞格兰杰因果关系；此外还提出一个对齐相似度的方法来判断跟随者对领导者的跟随亲密程度。\n[0073] 方法1、比较残差的方差\n[0074] 在t时刻，在X过去上回归Y的当前与在X过去和Y过去上回归Y的当前产生的两个残差rY和rYX为\n[0075]\n[0076]\n[0077] 再定义一个回归的残差\n[0078]\n[0079] 其中，X按照时最佳对齐时滞序列P*进行“扭曲”之后得到X*，X*(t‑i)＝X(t‑i+1‑P*(t‑i+1))，ai，bi和ci分别是使得残差rY，rYX和 最小化的最优常数。bi和ci可以组合在一起，但是为了清楚地表示原始的格兰杰因果关系和VL格兰杰因果关系之间的差异，这里将它们分开。如果 的方差小于rY的方差和rYX的方差，则X VL格兰杰导致Y。又因为可证rYX的方差不大于rY的方差，所以XVL格兰杰导致Y的充分条件就简化成：仅需 的方差小于rY的方差。\n[0080] 方法2、对齐相似度\n[0081] 两个时间序列X，Y的对齐相似度\n[0082]\n[0083] 其中，sign()是符号函数。对齐相似度可以形象地理解为Y对X“跟随的亲密程度”。\n[0084] 通过上述技术方案获取活性群体集体运动格兰杰因果推断结果，并根据活性群体集体运动格兰杰因果推断结果，选取领导者，并根据领导者不同时间的位置变换，获取领导者运动轨迹，并通过释放机器鱼学习领导者运动轨迹，即通过控制机器鱼形成和领导者相同的运动轨迹，并模拟一定的时间，在一定的时间之后，通过对机器鱼进行对步伐设置，已合适的步伐诱导鱼群进入陷阱，其中合适的步伐基于陷阱的位置进行设定，以实现鱼群捕捞。\n[0085] 本发明涉及一种基于活性群体集体运动中因果推断方法，通过把可变时滞格兰杰因果推断方法改进为可变放宽时滞格兰杰因果推断方法，专注于实现对活性群体集体运动中领导现象的因果推断。该推断方法主要包括时间序列的聚合、获取最佳对齐时滞序列、进行因果推断。考虑到活性群体在集体运动时总体时滞会趋向与中和导致最佳固定时滞的不明显性，据此，本发明在最佳对齐时滞序列的选择上对最佳固定时滞的选择进行放宽，从而显著提高活性领导现象的发现能力。不仅可以从微观层面出发理解活性个体对所处特定群体环境的领导性干预的反应力度，理解大规模集体行为的发生条件，首先对鱼群进行训练，获得鱼群特征群体的运动轨迹，根据运动轨迹获得鱼群类活性群体领导特征；基于此特征释放训练好的机器鱼以模拟鱼群领袖的运动轨迹，以合适的步伐诱导鱼群进入陷阱，从而提高捕捞效率。这种方式可以为现实生活生产活动提供启示与指导，帮助制定相关问题的解决方案。更重要的是，它还可以为现实生活生产活动提供启示与指导，帮助制定相关问题的解决方案。\n[0086] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。