本发明涉及无线通信技术领域， 特别涉及一种蜂窝移动通信系统网 络自组织中的小区中断探测定位方法， 确切地说， 涉及一种蜂窝移动通 信系统网络自组织 SON ( Self-Organizing Networks ) 中自治愈部分的小 区中断探测和中断小区定位方法。 发明背景

在下一代宽带移动通信网络 IMT-Advanced 系统中， 引入了家庭基 站和中继站，并采用增强型的多输入多输出（ MIMO )、多点协作（CoMP ) 和载波聚合等先进技术， 从而引入了大量的参数和数据处理， 增加了网 络配置和优化以及中断小区的探测和补偿的技 术复杂度与人工运维成 本。 在这种背景下， 网络自组织技术作为一种先进的无线通信技术 ， 获 得了学术界和产业界的共同关注。

IMT-Advanced系统的网络自组织（ SON )技术具有自配置、 自优化、 自治愈的三大功能。 其中， 自治愈功能是指网络能够自动、 快速、 准确 地检测和定位影响网络性能的故障， 并实现自动恢复正常运行， 以确保 用户设备连续、 高质量的通信过程。 为了实现网络自治愈， 要求移动蜂 窝网络具有小区中断探测定位和中断小区性能 补偿的两方面功能， 其中 的小区中断探测定位是网络自治愈的基础和前 提。

目前， 造成小区中断的部分故障由运维管理 OAM ( Operation Administration and Maintenance )设备通过警报或性能监视器来发现的， 这样， 某些小区中断往往需要很长时间 （长达数小时或数天） 才能被探 测到， 或者是通过长时间的性能分析或用户反馈才能 被发现。 而且， 现 在的故障发现和识别需要进行大量的人工分析 ， 并且需要 OAM设备对 基站进行不断的访问， 这就使得小区中断探测既费时又低效。 因此， 网 络自组织技术中的中断探测因为其能够提高网 络运维的效率， 减少人为 干预， 并降^ 网络维护的成本， 而成为业内关注的焦点。

网络自组织技术中的小区中断探测机制在实施 过程中， 首先需要收 集来自用户设备（UE )、 基站 （eNodeB )、 运维管理（ OAM )设备等的 测量信息， 并提取可以准确判断小区是否中断的数据信息 。 然而， 可探 测和提取的数据信息并不是完整齐全的， 而无线网络的性能又是时变 的， 所以需要提供一种高效的小区中断探测和中断 小区定位方法， 以便 利用有限的探测信息实现准确的小区中断探测 和中断小区定位。 发明内容

有鉴于此， 本发明实施例的目的是提供一种蜂窝移动通信 系统网络 自组织中的小区中断探测定位方法， 从而保证网络故障的及时发现， 给 用户提供高质量的服务。

一种蜂窝移动通信系统网络自组织 SON ( Self-Organizing Networks ) 中的小区中断探测定位方法， 包括： 在包含多个小区的侦听区域中， 用 户设备在触发表示邻小区的服务质量优于服务 小区的设定偏移量的 A3 事件时， 将用户设备的关键性能指标 KPI参数和位置信息上报给基站； 在每个侦听周期内， 基站将接收到的 KPI参数和位置信息上报给运维管 理 OAM设备， OAM设备采用聚类分析方法并根据所述 KPI参数对用 户设备进行分类； 根据聚类分析结果， OAM设备判断侦听区域中是否 有小区发生中断， 如果有小区发生中断， 统计中断小区的数量， 并确定 中断小区的中断类型； 根据各类用户设备在网络中的分布定位中断小 区， 并根据中断小区的中断类型， 触发中断小区的补偿措施。 在本发明实施例提供的方法中， 运用数据挖掘中的聚类分析技术自 动探测小区中断并定位中断小区。 聚类分析可以在没有任何先验知识的 情况下， 自动将数据基于各种具体的聚类算法进行分类 。 有些算法需要 提前设定分类个数， 例如 K均值（K-means ) 算法。 另一些算法不需要 预先设定分类个数， 只需要在运算中根据设定标准找出适合成为聚 类中 心（每类分别对应一个聚类中心） 的点， 再根据这些点的个数来确定聚 类结果输出的分类个数， 如仿射传播（AP, affinity propagation )算法。 对于中断情况未知的通信网络， 因无法预知中断小区的个数， 此时需要 一种动态聚类算法对所收集的用户设备的数据 进行分类， 以便将处于不 同中断程度的中断小区区分开来。

因此， 在本发明实施例提供的方法中， 利用数据挖掘中的动态聚类 算法， 对触发 A3事件的用户设备进行动态分类。 传统的聚类算法需要 提前设定分类个数， 或者不能保证输出的分类个数为最优分类个数 ， 而 本发明实施例提供的动态 AP聚类算法通过比较不同分类个数下的聚类 质量， 来保证以最优的分类个数输出分类结果。 这样， 在中断小区的个 数与中断类型未知的情况下， 该动态 AP聚类算法能够将正常的用户设 备和处于不同中断程度的用户设备区分开来。 进而， 在侦听区域发生多 个小区不同类型中断的时候， 不仅探测是否存在小区中断， 若存在， 还 将定位并区分不同中断类型的中断小区， 以便针对不同中断类型的中断 小区触发不同的中断补偿措施。

此外， 本发明实施例提供的方法不需要提前为每个小 区设定用于衡 量小区是否正常运营的 KPI参数值的模型， 只需利用网络收集到的用户 设备上报的各种 KPI 参数和位置信息， 对每个侦听区域中的所有触发 A3 事件的用户设备进行分类， 从而定位中断小区。 整个操作过程中， 步骤筒单， 计算复杂度低， 无需人工干预， 降低了因专设收集参数的功 能模块而造成的能量损耗和运维成本， 而且， 避免了因 KPI参数值模型 设置不准确而带来的错误判断的可能性。 因此， 本发明实施例提供的方 法具有 4艮好的推广应用前景。 附图简要说明 图 1是本发明实施例的网络自组织中的小区中断� �测定位方法的流 程图。

图 2是本发明实施例的在仿真场景中设置的两种� �同小区中断程度 的示意图。

图 3是在图 2所示的仿真场景中本发明实施例的方法流程� �。 图 4是本发明实施例的聚类质量评价指标的值随� �类分类个数的变 化而动态变化的示意图。

图 5是本发明实施例的方法仿真结果的聚类示意� �。

图 6是本发明实施例的通过将数据点映射到无线� �络小区拓朴而定 位中断小区的示意图。 实施本发明的方式 为使本发明的目的、 技术方案和优点更加清楚， 下面结合附图对本 发明实施例的作进一步的详细描述。

本发明实施例针对由于海量信息而无法高效地 进行无线网络性能 判决和故障诊断的问题， 提出了一种蜂窝移动通信系统网络自组织中的 小区中断探测定位方法。 该方法包括： 在一个包含多个小区的侦听区域 中，用户设备在触发表示邻小区的服务质量优 于服务小区的设定偏移 量的 A3事件时， 将其关键性能指标 KPI参数和位置信息上报给基站； 在每个侦听周期内，基站将接收到的 KPI参数和位置信息上报给运维管 理 OAM设备， OAM设备采用聚类分析方法并根据 KPI参数对用户进 行分类； 根据聚类分析结果， OAM设备判断侦听区域中是否有小区发 生中断； 若有小区发生中断， 统计中断小区的数量， 确定中断小区的中 断的类型， 根据各类用户在网络中的位置信息定位中断小 区， 并根据中 断小区的中断类型， 触发中断小区的补偿措施。 通过本发明实施例提供 的方法， 能够保证及时发现网络故障， 并触发相应补偿措施。

本发明实施例提出的聚类分析方法是一种动态 仿射传播 AP算法。 众所周知， 传统的 AP算法不用预先确定分类个数， 运算前设置的偏向 参数 P能决定每个数据点成为最终聚类中心的可能� �， p值越大， 可能 的聚类中心越多，表示算法输出的分类个数越 多。通常在无先验知识时， 将 P设定为各数据点间相似度的中间值 _Pm , 使得输出的分类个数适中。 但在许多情况下， 偏向参数设置为 _Pm 不能使 AP算法产生最优的聚类结 果。 另一方面， 当 AP算法的输出结果发生震荡 （迭代过程中产生的聚 类结果不断发生摆动） 时， 摆脱震荡的一种方法是逐步调整 直到震 荡消失。

为了避免上述两个缺陷， 本发明实施例提出的动态 AP算法包括： 先确定偏向参数 p的调整范围， 再设置两种分别用于动态调整偏向参数

P的步长， 以便快速摆脱震荡和产生多个具有不同分类个 数的聚类结果， 再根据聚类质量评价指标从这些聚类结果中选 出最优的聚类结果。 因该 算法中增设了偏向参数 P的动态调整范围和用两种用于动态调整偏向� � 数 P的步长， 故被称为动态仿射传播 AP算法。

图 1是本发明实施例的自组织网络中的小区中断� �测定位方法的流 程图。 如图 1所示， 该方法包括如下步骤：

步骤 1 , 用户设备在触发表示邻小区的服务质量优于服 务小区的 设定偏移量的 A3事件时，将用户设备的 KPI参数及其位置坐标 上报给基站； 在每个侦听周期内，基站再将这些 KPI 参数和位置坐标 上报给 OAM设备。 其中， KPI参数包括服务小区和邻小区的最 大参考信号接收功率 和 RSRP _n ( Reference Signal Receiving Power ), 以及服务小区和邻小区的最大参考信号接收质 量 WR2 _s 和 RSRQ„ ( Reference Signal Receiving Quality )。下标 >和《分另 ll为月良务小区 serving cell和邻小区 neighboring cell的首字母。

步骤 2, OAM设备接收触发 A3事件的各个用户设备的 KPI参数 ( RSRP _s . RSRP _n 、 WR2 «R2„ )及其位置坐标（t/pt/y)， 才艮据各个用户 设备的 KPI参数并利用本发明实施例提出的动态仿射传 播 AP算法对触发 A3事件的用户设备进行分类，并根据聚类质量� ��价指标选出最优的聚类 结果。 其中， 用动态 AP算法对触发 A3事件的用户设备进行分类是本发 明实施例的重要步骤。在本实施例中， 步骤 2包括下述步骤（21) ~ (23)。

步骤 （21)， OAM设备将步骤 1中收集的触发 A3事件的各个用户 设备及其 KPI参数组成用户设备集合^{ ,Χ ,···,^···,^} , 其中， 下 标 为自然数， 用于表示用户设备的序号， 其最大值为 N, 故 ^为触发

A3事件的第 个用户设备， 每个用户设备携带 4个 KPI参数组成该用户 设备的 KPI参数向量 Xi = (RSRP _si , RSRP _ni , RSRQ. , RSRQ _ni ) , 该参数向量作为参 与聚类算法的一个数据点。

步骤 （22)， 采用动态 ΑΡ聚类算法对集合 ^ ,χ^.,χ,ν,χ^中 的所有用户设备进行分类， 故集合 D中的 , , …，^共 个数据 点参与动态 ΑΡ聚类算法。

步骤（22) 中的动态 ΑΡ聚类算法包括下述步骤（221) ~ (227)。 步骤（221 ), 当 ≠fc时， 选用欧式距离为相似度的测度指标， 计算 其中任意两个不同数据点 X _t 和 X _k 之间的相似度 ， 其中， s(i,k) = , 式中， 下标 为自然数， 用于表示用户设备的序号， 其最大值为 Ν',

当 = 时， 定义数据点 的偏向参数 _Λ , 此时， 先假设所有 数据点成为聚类中心的可能性相同， 即 _s ^, = _P = p, 再根据任意两个 不同数据点的相似度 和上述 N个数据点的偏向参数 Ρ = /\ = ^)构 成行数和列数均为 N的矩阵 =「匕 ΊNxN； 进而引入偏向参数 ρ的动态 调整范围 p _e [ _Pmm ,p皿],使得偏向参数 p的动态调整范围对应的聚类分类 个数的范围为 [2,「/i^]; 然后， 设置初始偏向参数 _P = _Pmax 。 在本发明实 施例中， 的大小决定了数据点 ^成为聚类中心的可能性的大小。 越 大， 则数据点 ^成为聚类中心的可能性越大。

步骤（222) , 按照任意两个不同数据点 X,和 ^之间的响应度 r( ) 和效应度 的下述三个计算公式，进行传统 ΑΡ聚类算法的迭代运算， 且每一次迭代运算都要更新下述两种参数： 响应度 r( )和效应度 ( ) . v^ Jk r(i, k) = s(i, k) - max {a(i, k') + s(i, k } ,

k ¹ ') ' 式中， 序号 k'≠k , k'≠ 响应度 r(i,k)是数据点 X _k 适宜作为数据点 X _t 的聚类中心的程度； 当 ≠fc时， ax{0,r(i',k

}

当 i' = fc时， 效应度"¾^) = 1^ {0, ( ^)}, 式中， 序号 '≠ 且'≠ ， i'≠k

效应度 ( )是数据点 选择数据点 作为其聚类中心的适合程度。

步骤（223 ), 在每次循环迭代计算过程中， 引入阻尼系数 Ae[0,l], 使得每次迭代的响应度 r(i, k)和效应度 a(i, fc)都根据下述两个公式 r(i, k)' =(1- A)r(i, k) ¹ ' ¹ + Ar(i,k)' ^ a(i, k)' = (1 - A)a(i, k) ¹ ' ¹ + λα(ϊ, k)'中的上次迭代 运算获得的响应度和效应度， 以及本次迭代运算的步骤（222) 中的响 应度和效应度进行加权更新； 其中， 为迭代次数。 这样， 就可以避免 迭代运算算过程中因震荡造成聚类结果的来回 摆动。

步骤 （ 224 ) , 每次迭代运 算结 束后 ， 依据公 式 cente^ = arg max {r (/， ) + (, )}判断数据点 X.的聚类中心， 式中， center]为 k

数据点 X,的聚类中心， 迭代运算结束后产生的所有聚类中心的个数等 于 所有用户设备 = { ,Χ ₂ , ,^}被聚类分类的总类别个数。

步骤（225 ), 在迭代算法执行过程中， 实时判断聚类结果是否保持 稳定； 若是， 则表明算法收敛， 并产生聚类结果， 跳转执行步骤（227); 如果算法迭代达到最大迭代次数时， 聚类结果仍存在摆动， 则表示算法 无法收敛， 即执行后续步骤（226)。

步骤（226), 将当前设置的偏向参数 Ρ的数值降低设定的第一步长 ^ρ , 并返回到步骤（222)。

步骤（227), 在获得一个聚类结果后， 将偏向参数 Ρ的数值下降设 定的第二步长 ² , 并返回到步骤（222), 直到偏向参数 Ρ的数值降至 初始设定的偏向参数 Ρ的动态调整范围的下限 Ρ皿 ,以便获得多个聚类分 类个数下的不同分类结果。 该步骤的执行能够获得不同聚类分类个数下 的分类结果， 以便对不同聚类分类个数对应的分类结果进行 聚类质量的 比较， 实现最优分类。 步骤（23), 采用聚类质量评价指标 ( =^3¾¾评价每个 数据点 的聚类质量，进而评价不同聚类分类个数下的 聚类质量；其中， 下标 为自然数，用于表示用户设备的序号，其最大 值为 N。该步骤（23) 包括下列操作内容：

假设聚类分类个数 _c = { _Cl , 总共有 类， 属于其中的一 类 _Ci ， 上式中， 为数据点 ^与它所属的类 中的其他数据点间的平 均距离；若 d^'cj为数据点 Xj到另一类 _Cotker 中的所有数据点的平均距 离， 则 b ( = min{J(X. , c _other ) }是该数据点 X』到其他所有各类 c _other 中的其他 数据点之间的最小平均距离， _Cother ^w ,c _k }且^ _≠Ci ； 类 的平均聚 类质量为 ^^^；)=丄 1^；), 式中， m为该类 c,所包含的数据点的总数； m j=i

并从^：类^^^…，^^的^^中获得最小值 匪^^！！！！！^^ 作 为本次分类的 类中包括类内紧凑度或类间可分度的聚类质量 最差的 类； 再从偏向参数 /^[/^,ρ ]所确定的从 2到「 ]的多个聚类分类个 数的分类结果所对应的多个聚类质量评价指标 { 皿 (Κ) }中寻找最大值， 则该最大值对应的 就是最优聚类的分类个数， 即最优分类个数为 opti _ cluster = arg maxj.'L^ (K) }。

κ

步骤 3 , ΟΑΜ设备判断该最优分类个数对应的聚类质量 评价指标的 值是否小于门限值， 若是， 则说明触发 A3事件的用户设备对应的数据点 的聚类可分性差， 也就是所有触发 A3事件的用户设备的性能没有差异， 故确定该侦听区域内没有发生小区中断； 若该最优分类个数的聚类质量 评价指标的值大于门限值， 则说明数据点的聚类可分性好， 即触发 A3 事件的所有用户设备的性能存在差异，故确定 该侦听区域内存在小区中 断。

步骤 4, OAM设备提取所有触发 A3 事件的用户设备的位置坐标 (U _x ,U _Y 根据最优分类个数， 将各类中的用户设备对应的数据点都映射 到侦听区域的网络小区拓朴中； 判断是否某个分类中有超过设定门限比 例值的数据点集中于同一小区， 若是， 则判断该小区为中断小区， 并统 计中断小区的数量和确定中断小区的中断类型 ； 若否， 则判断没有小区 发生中断。

发明人已经根据本发明实施例所述的方法进行 了多次仿真试验， 下 面筒要介绍仿真场景和评估结果。

图 2是本发明实施例的在仿真场景中设置的两种� �区中断程度的示 意图。 参见图 2, 以 LTE系统有 19小区并采用表 1设置的系统参数为 例，具体说明本发明实施例提供的方法的各个 操作步骤：设置扇区 0 ( 1 ) 的天线增益对比正常天线增益下降 50dBi, 扇区 4 ( 1 ) 的天线增益对比 正常天线增益下降 lOOdBi, 即小区 201及 202被设定为不同中断程度的 中断小区， 其他小区 203为正常小区。

下表 1是在图 2所示的仿真场景的侦听区域中的系统仿真参� �， 小 区 201和小区 202根据不同的天线增益下降程度设定为具有不 同中断程 度的中断小区： 系统仿真参数 参数设置 仿真场景 市区宏小区

小区布局 19个小区， 3扇区 /小区 用户分布 均匀分布

路损模型 L = 128.1 + 37.61og ₁₀ R 扇区 0(1)与正常小区天线增益之差 50dBi

扇区 4(1)与正常小区天线增益之差 lOOdBi 阴影衰落标准差 8dB 最初小区选择标准 按位置接入 基站端总发射功率 46dBm 终端用户数 40个用户 /扇区

业务类型 Full Buffer

切换门限 0.5dB

切换触发时间 80ms

表 1

图 3是在图 2所示的仿真场景中本发明实施例的方法流程� �。 参见 图 3, 在图 2所述的中断场景下， 本发明实施例提供的方法包括如下步 骤：

步骤 01 , 基站进入侦听周期。基站对图 2中的 19个小区进行侦听。 在实际系统中， 应选择相邻的、 且地形和业务特征相似的几个小区作为 一个侦听单位。

步骤 02, 用户设备在触发 A3 事件时， 将其 KPI参数及位置坐标 上报给基站，在每个侦听周期内，基站将上述 KPI参数和位置坐 标 φ _χ , υ _γ )上报给 ΟΑΜ设备， ΟΑΜ设备接收触发 A3事件的各用户设备 的 ΚΡΙ参数及位置坐标 ([/ _x ,[/ _y )。 用户设备上报的 KPI参数包含用户设 备接收到的服务小区和邻小区的最大参考信号 接收功率 （ RSRP _s 和 RSRP ) , 以及接收到的服务小区和邻小区的最大参考信 号接收质量 ( RSRQ _s ^ RSRQ _n )。

步骤 03, 为便于分析数据， OAM设备对数据进行预处理。 OAM设 备通常采用数据归一化对数据进行处理。

步骤 04, OAM设备根据触发 A3 事件的各用户设备的四个参数 ( RSRP , RSRP _n , RSRQ _s ， RSRQ _n ), 利用动态 AP算法对触发 A3事件的 用户设备进行分类， 设置偏向参数 p的初始值和两种用于动态调整偏向 参数 p的步长， 使得算法在调整偏向参数 p的过程中将数据点分类成不 同的类别个数。 利用聚类质量评价指标， 评价最终应把数据点分为多少 类为最优， 使得所有数据点， 即所有触发 A3事件的用户设备， 依据聚 类质量评价指标值分成最优分类个数。

步骤 05 , 当最优分类个数对应的聚类质量评价指标小于 设定门限值 E时， 则说明触发 A3事件的用户设备对应的数据点的聚类可分性� ��差， 即所有触发 A3事件的用户设备的性能没有差异， 故确定该侦听区域内 没有发生小区中断； 若最优分类个数对应的聚类质量评价指标大于 门限 值 E时， 则表示触发 A3事件的用户设备对应的数据点的聚类可分性� �� 好， 即触发 A3事件的用户设备存在差异， 故确定该侦听区域内存在小 区中断， 执行步骤 06。

在图 2所示的仿真场景中， 设定门限值 E为 0.5 , 按照步骤 04所述 的动态 AP算法对步骤 02获得的数据点进行步骤 03中的数据预处理后， 进行最优聚类， 得到的最优分类个数为 3 , 即分类个数为 3时对应的聚 类质量评价指标的值最大。此时对应的聚类质 量评价指标的值为 0.6226, 大于门限值 E=0.5 ,说明数据点的聚类可分性好， 即触发 A3事件的用户 设备的性能存在差异， 这就表明存在小区中断。 图 4是本发明实施例的 聚类质量评价指标的值随聚类分类个数的变化 而动态变化的示意图。 如 图 4所示， 在不同分类个数下对应的聚类质量评价指标的 值是变化的， 在分类个数为 3时， 该聚类质量评价指标的值最大， 说明最优分类个数 为 3类， 而且聚类质量评价指标的值大于 0.5说明该侦听区域在此侦听 周期内存在小区中断。

步骤 06, OAM设备提取所有触发 A3事件的用户设备的位置坐标 根据最优分类个数（图 2所示的实施例的最优分类个数为 3类）， 将各类中的用户设备对应的数据点映射到侦听 区域的网络小区拓朴中。

步骤 07 , 若某类中有超过设定门限比例值的数据点集中 于同一小 区， 则判断该小区为中断小区。 在图 2所示的仿真场景中， 如果设定门 限比例值为 50% , 第 1类中 95% (大于门限比例值 50% )的数据点集中 在小区 201中， 第 2类中 100% (大于门限比例值 50% ) 的数据点集中 在小区 202中， 故判断小区 201及 202为中断小区， 且中断类型或中断 程度不同。

步骤 08, 确定中断小区的中断类型， 并根据中断类型触发中断小区 的补偿措施。

图 4是将步骤 02中收集的用户设备的数据经过步骤 03中的数据预 处理后， 再利用步骤 04中的动态 AP算法对触发 A3事件的用户设备进 行分类， 并将用户设备对应的数据点分类成不同的类别 个数， 并依据聚 类质量评价指标的值， 获得最优分类个数。 从图 4中可以看出， 该聚类 质量评价指标的最大值出现在分类个数为 3时， 所以最优分类个数为 3 类， 对应的聚类质量评价指标的值为 0.6226, 大于设定门限值 E=0.5 , 说明触发 A3事件的用户设备对应的数据点的聚类可分性� ��， 也就是说 该侦听区域在这次侦听周期内存在小区中断。

图 5是本发明实施例的方法仿真结果的聚类示意� �。 在图 5中， 是 将步骤 02中收集的用户设备的数据和经过步骤 03中的数据预处理后， 再利用步骤 04中的动态 AP算法对触发 A3事件的用户设备进行分类， 并将用户设备对应的数据点分类成不同的类别 个数， 并依据聚类质量评 价指标将数据点分类成最优分类个数， 即分为 3类， 其中第 1簇 A及第 2簇 B为包含数据点较少的类， 属于异常点类； 第 3簇 C为包含数据点 较多的类， 属于正常点类。

图 6是本发明实施例的数据点映射到无线网络小� �拓朴中所得到的 结果示意图。 在图 6中， 是将簇 A、 B和 C中的数据点映射于无线网络 小区拓朴中所得到的结果。 其中， 类 A中 95% (大于门限比例值 50% ) 的数据点集中在区域 601 , 类 B中 100% (大于门限比例值 50% ) 的数 据点集中在区域 602,说明区域 601和 602都为中断区域， 图中区域 603 为正常区域。将图 6与图 2比较，可以发现异常点集中的区域 601及 602 对应图 2的小区 201及 202, 即仿真场景预先设置的中断小区内。 这说 明， 按照本发明实施例提供的方法能够准确的判断 出侦听区域中是否存 在小区中断， 并能成功定位中断小区。

以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明， 凡 在本发明的精神和原则之内， 所做的任何修改、 等同替换、 改进等， 均 应包含在本发明保护的范围之内。