啸叫抑制方法、装置、芯片及电子设备与流程

电子通信装置的制造及其应用技术1.本发明涉及声音处理技术领域，尤其涉及一种啸叫抑制方法、装置、芯片及电子设备。背景技术：2.在扩声系统中，音频信号由扬声器扩大放出，被麦克风采集到，形成闭环的反馈系统。当系统的闭环增益大于等于1，且满足相位是2π的整数倍时，会产生啸叫。随着移动终端技术的发展，线上多人会议、游戏团战等场景越来越普及，啸叫会严重影响语音质量，同时过大的系统增益可能会损坏器件。因此，啸叫抑制在扩声系统中十分重要。3.针对啸叫抑制技术的研究已有较长历史，主要是通过破坏啸叫产生的幅值和相位条件，传统的抑制方法包括陷波法、移频法、自适应声反馈抑制法等。其中，移频法直接改变输入信号的频率成分以破坏啸叫产生的条件，但同时也会对正常语音造成损伤。自适应声反馈抑制法通过滤波器来估计声反馈路径，但受声场环境、信号有色性等影响，对滤波器长度、收敛性能都有较高要求，且在移动终端通信下，无法同时获取参考信号和期望信号。陷波法应用最广，需要先进行啸叫检测，再进行陷波处理，实际场景下产生的啸叫往往具有多频、宽带等特点，对检测的准确率和陷波器设计要求都较高，容易造成残留或语音失真。4.近年来，机器学习技术的发展迅猛，并在语音增强、语音识别等领域取得了可观的成果，业界已有芯片平台和移动终端搭载机器学习语音处理方案。基于机器学习的啸叫抑制技术研究尚处于发展阶段，已有的方案往往是通过机器学习模型来标记啸叫点，实现啸叫检测，进一步地再通过陷波法等传统方法抑制，这种方法用机器学习技术代替了传统的啸叫检测方法，提高了啸叫检测的准确性，但抑制的效果仍然依赖于后续抑制方法的设计，导致啸叫抑制效果无法达到要求。5.因此，有必要提供一种新型的啸叫抑制方法、装置、芯片及电子设备以解决现有技术中存在的上述问题。技术实现要素：6.本发明的目的在于提供一种啸叫抑制方法、装置、芯片及电子设备，提高了啸叫抑制效果和准确性，并提高了抑制效率。7.第一方面，为实现上述目的，本发明的所述的一种啸叫抑制方法，所述方法包括：8.对输入的音频信号进行预处理以得到音频分析数据；9.将所述音频分析数据输入至训练后的机器学习模型进行机器啸叫抑制，以得到初始抑制音频数据；10.对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果；11.根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据。12.本发明所述啸叫抑制方法的有益效果在于：通过对输入的音频信号进行预处理以得到音频分析数据，之后通过训练后的机器学习模型进行机器啸叫处理，从而实现对多频、宽带、变化的啸叫频点的快速处理，提高了啸叫处理效率，也避免了陷波器抑制或其他啸叫抑制方法的限制，能够对音频信号实现实时抑制啸叫，同时对机器学习模型处理后的初始抑制音频数据进行啸叫残留检测，以便于根据啸叫残留检测结果进一步抑制潜在的啸叫频点，有效减小了啸叫残留，提高啸叫抑制效果。13.可选的，所述对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果，包括：14.计算所述初始抑制音频数据和所述音频分析数据的信号抑制比；15.在确定所述信号抑制比低于第一阈值后，计算所述初始抑制音频数据中频点的峰值临近功率比值；16.在确定所述初始抑制音频数据中所述频点的峰值临近功率比值大于第二阈值后，确定所述频点为啸叫残留点，并确定所述初始抑制音频数据中存在啸叫残留。17.可选的，所述频点的峰值临近功率比值为所述频点的峰值功率与第m个相邻频率功率的比值，m为整数。18.可选的，m的绝对值大于2，且m的绝对值不超过预设阈值。其有益效果在于：便于宽带的啸叫残留被检测到。19.可选的，所述根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据，包括：20.将所述初始抑制音频数据中确定为啸叫残留点的所述频点作为目标抑制频点；21.获取所述目标抑制频点的抑制系数，根据所述抑制系数对所述初始抑制音频数据中的目标抑制频点进行抑制，以得到所述目标抑制音频数据。22.可选的，所述抑制系数为信号抑制比或者所述峰值临近功率比值。23.可选的，对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果，还包括：24.在确定所述信号抑制比大于或等于所述第一阈值后，确定所述初始抑制音频数据中不存在啸叫残留；25.所述根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据，包括：26.在确定所述初始抑制音频数据中不存在啸叫残留后，将所述初始抑制音频数据作为所述目标抑制音频数据。27.可选的，所述方法还包括在确定所述初始抑制音频数据中所述频点的峰值临近功率比值小于或等于第二阈值后，确定所述初始抑制音频数据中没有啸叫残留，将所述初始抑制音频数据作为所述目标抑制音频数据。28.可选的，所述对输入的音频信号进行预处理以得到音频分析数据，包括：29.对所述音频信号进行时域分析或者频域分析，以得到时域特征或者频域特征，将所述时域特征或者所述频域特征的所述音频信号作为所述音频分析数据。30.可选的，在对所述音频信号进行时域分析或者频域分析之前，所述方法还包括：31.按照所述音频信号的的频域高低，对所述音频信号进行子带划分。其有益效果在于：减小后续机器学习模型的计算量。32.第二方面，本发明还提供了一种啸叫抑制装置，包括：33.预处理模块，用于对输入的音频信号进行预处理以得到音频分析数据；34.机器学习模型处理模块，用于将所述音频分析数据输入至训练后机器学习模型进行机器啸叫抑制，以得到初始抑制音频数据；35.啸叫残留检测模块，用于对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果；36.残留抑制模块，用于根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据。37.本发明所述啸叫抑制装置的有益效果在于：通过预处理模块对输入的音频信号进行预处理以得到音频分析数据，之后机器学习模型处理模块通过训练后的机器学习模型进行机器啸叫处理，从而实现对多频、宽带、变化的啸叫频点的快速处理，提高了啸叫处理效率，也避免了陷波器抑制或其他啸叫抑制方法的限制，同时啸叫残留检测模块对机器学习模型处理后的初始抑制音频数据进行啸叫残留检测，以便于残留抑制模块根据啸叫残留检测结果进一步抑制潜在的啸叫频点，有效减小了啸叫残留，提高啸叫抑制效果。38.可选的，所述啸叫残留检测模块还用于：39.计算所述初始抑制音频数据和所述音频分析数据的信号抑制比；40.在确定所述信号抑制比低于第一阈值后，计算所述初始抑制音频数据中频点的峰值临近功率比值；41.在确定所述初始抑制音频数据中所述频点的峰值临近功率比值大于第二阈值后，确定所述频点为啸叫残留点，并确定所述初始抑制音频数据中存在啸叫残留。42.可选的，所述残留抑制模块还用于：43.将所述初始抑制音频数据中确定为啸叫残留点的所述频点作为目标抑制频点；44.获取所述目标抑制频点的抑制系数，根据所述抑制系数对所述初始抑制音频数据中的目标抑制频点进行抑制，以得到所述目标抑制音频数据。45.可选的，所述啸叫残留检测模块还用于：46.在确定所述信号抑制比大于或等于所述第一阈值后，确定所述初始抑制音频数据中不存在啸叫残留；47.所述残留抑制模块还用于：48.在确定所述初始抑制音频数据中不存在啸叫残留后，将所述初始抑制音频数据作为所述目标抑制音频数据。49.可选的，所述预处理模块还用于：50.对所述音频信号进行时域分析或者频域分析，以得到时域特征或者频域特征，将所述时域特征或者所述频域特征的所述音频信号作为所述音频分析数据。51.第三方面，本发明还公开了一种芯片，所述芯片包括处理器和通信接口，所述处理器被配置用于上述的啸叫抑制方法。52.第四方面，本发明还提供了一种电子设备，包括：处理器及存储器；53.所述存储器用于存储计算机程序；54.所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的啸叫抑制方法。55.本发明所述芯片和所述电子设备的有益效果与前述啸叫抑制方法的有益效果相似，此处不再赘述。附图说明56.图1为本发明实施例的所述啸叫抑制方法的整体流程示意图；57.图2为本发明实施例的所述啸叫抑制方法中啸叫残留检测的过程示意图；58.图3为本发明实施例的所述啸叫抑制装置的结构框图；59.图4为本发明实施例的所述电子设备的结构框图；60.图5为本发明实施例的所述啸叫抑制方法对啸叫语音信号的抑制过程对比示意图。具体实施方式61.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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作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。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。62.针对现有技术存在的问题，本发明的实施例提供了一种啸叫抑制方法，参考图1，所述方法包括如下步骤：63.s101、对输入的音频信号进行预处理以得到音频分析数据。64.在一些实施例中，所述对输入的音频信号进行预处理以得到音频分析数据，包括：65.对所述音频信号进行时域分析或者频域分析，以得到时域特征或者频域特征，将所述时域特征或者所述频域特征的所述音频信号作为所述音频分析数据。66.在一些实施例中，在对所述音频信号进行时域分析或者频域分析之前，按照所述音频信号的的频域高低，对所述音频信号进行子带划分。67.示例性的，首先对输入的音频信号进行分帧处理，然后按照音频信号的频域高低，对音频信号进行子带划分，以便于在后续对音频信号进行处理的时候，降低计算量，从而提高啸叫抑制处理的效率。68.在又一些实施例中，由于在音频信号中，啸叫一般是出现在中高频的位置，因此按照音频信号的频域高低，对于低频子带进行粗略划分，对于中高频子带进行精细划分。具体的，中高频子带的划分精度是低频子带划分精度的3倍，以便于对精细化划分的中高频子带进行啸叫抑制处理。69.而在将音频信号进行分帧处理之后，对划分后的子带进行特征提取和分析，包括时域分析和频域分析。70.当进行时域分析时，获取音频信号中的短时能量、自相关函数等时域特征；而当进行频域分析时，获取分析频谱、功率谱、倒频谱等频域特征。以便于将得到的时域特征或者频域特征作为音频分析数据，便于后续进行音频信号的啸叫抑制处理。71.s102、将所述音频分析数据输入至训练后的机器学习模型进行机器啸叫抑制，以得到初始抑制音频数据。72.在本实施例中，所述机器学习模型是经过训练后的神经网络，所述机器学习模型的训练数据包括不含啸叫的第一音频信号和含啸叫的第二音频信号，且该音频信号包括多种采样率的第一音频信号，以及多种啸叫频点的第二音频信号。73.具体地，包含啸叫的第二音频信号可以在不同的声场环境和终端设备场景下采集，使之覆盖各种频段。通过将包含啸叫的第二音频信号输入到机器学习模型进行训练，使得机器学习模型输出对应的不含啸叫的干净音频信号特征。具体地，特征可以是数据预处理时提取出的时域或频域信息。通过训练之后得到能够对音频信号中的啸叫进行处理的机器学习模型。74.通过训练后的机器学习模型对音频分析数据进行机器啸叫抑制，从而得到初始抑制音频数据，能够有效避免传统的陷波器或者其它啸叫抑制方法的限制，同时提高了啸叫抑制处理的效率，而且神经网络的机器学习模型能够对音频信号实现实时抑制啸叫，能够有效提高音频信号的质量。75.s103、对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果。76.在一些实施例中，所述对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果，包括：77.计算所述初始抑制音频数据和所述音频分析数据的信号抑制比；78.在确定所述信号抑制比低于第一阈值后，计算所述初始抑制音频数据中频点的峰值临近功率比值；79.在确定所述初始抑制音频数据中所述频点的峰值临近功率比值大于第二阈值后，确定所述频点为啸叫残留点，并确定所述初始抑制音频数据中存在啸叫残留。80.在本实施例中，在机器学习模型进行机器啸叫处理得到初始抑制音频数据之后，对所述初始抑制音频数据进行啸叫残留检测，以便于检测出没有抑制完全的存在啸叫的频点，以减小后续出现啸叫的概率。81.示例性的，通过计算初始抑制音频数据和所述音频分析数据之间的信号抑制比，以便于获取机器学习模型对音频分析数据的啸叫抑制情况。在一些实施例中，所述信号抑制比的计算既可以是在时域计算，又可以是在频域计算。82.具体的，当在时域计算以计算信号抑制比时，所述信号抑制比为所述初始抑制音频数据与所述音频分析数据之间的时域短时能量的比值；而当在频域计算以计算信号抑制比时，所述信号抑制比为所述初始抑制音频数据与所述音频分析数据之间的频域子带功率的比值。83.参考图2，将计算得到的信号抑制比记为g，在计算得到信号抑制比g之后，比较所述信号抑制比g与所述第一阈值t1的大小，并在确定信号抑制比g小于所述第一阈值t1之后，计算所述初始抑制音频数据中频点的峰值临近功率比值，以便于后续根据频点的峰值临近功率比值pnpr进一步判断是否存在啸叫残留。84.而在确定所述初始抑制音频数据中所述频点的峰值临近功率比值pnpr大于第二阈值t2后，确定所述频点为啸叫残留点，并确定所述初始抑制音频数据中存在啸叫残留。85.在上述过程中，通过计算初始抑制音频数据的信号抑制比和其中频点的峰值临近功率比值pnpr，以便于根据第一阈值t1和第二阈值t2判断初始抑制音频数据中是否存在啸叫残留，并将同时满足信号抑制比g小于第一阈值t1，且峰值临近功率比值pnpr大于第二阈值t2的频点作为啸叫残留点，并确定初始抑制音频数据中存在未完全抑制的潜在啸叫频点。86.在又一些实施例中，所述频点的峰值临近功率比值pnpr为所述频点的峰值功率与第m个相邻频率功率的比值，m为整数。87.示例性的，所述频点的峰值临近功率比值pnpr满足如下公式：[0088][0089]其中，表示峰值所在频点，k为分帧标识，δf为频谱的频率分辨率，m为整数。[0090]在另外一些实施例中，在计算频点的峰值临近功率比值pnpr的过程中，考虑到啸叫可能存在宽带特性，取m的绝对值大于2，且不超过预设阈值，也就是取相邻频点时跳过最相邻的相隔一位和两位的频点，同时根据啸叫的带宽和频谱分辨率在一定的间隔内选择附近的频点，以使得宽带的啸叫残留也能被检测到，提高检测结果的准确性。[0091]示例性的，所述预设阈值等于5，即在计算频点的峰值临近功率比值pnpr的过程中，所述m的绝对值大于2且小于或等于5。[0092]s104、根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据。[0093]在一些实施例中，所述根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据，包括：[0094]将所述初始抑制音频数据中确定为啸叫残留点的所述频点作为目标抑制频点；[0095]获取所述目标抑制频点的抑制系数，根据所述抑制系数对所述初始抑制音频数据中的目标抑制频点进行抑制，以得到所述目标抑制音频数据。[0096]在本实施例中，在通过啸叫残留检测后检测出初始抑制音频数据中存在啸叫残留点的频点后，将啸叫残留点作为目标抑制频点，并根据目标抑制频点的抑制系数对初始抑制音频数据中的目标抑制频点进行抑制，从而完成啸叫的最终抑制处理过程，以便于得到所述目标抑制音频数据，完成啸叫抑制，从而有效避免机器学习模型对音频信号啸叫抑制残留的问题。[0097]示例性的，所述抑制系数为信号抑制比g或者所述峰值临近功率比值pnpr，根据所述抑制系数对目标抑制频点进行啸叫抑制，由于经过机器学习模型抑制后输出的初始抑制音频数据中的啸叫残留已经很少，因此只需要通过抑制系数进行简单的啸叫抑制，就可以将其中残留的啸叫抑制干净。[0098]需要说明的是，对目标抑制频点中残留的啸叫抑制过程可以采用现有技术中的啸叫抑制方法，此处不作特别限定。[0099]在另外一些实施例中，在确定所述信号抑制比g大于或等于所述第一阈值t1后，即可确定经过机器学习模型抑制后的初始抑制音频数据满足要求，也就是确定所述初始抑制音频数据中不存在啸叫残留；之后在确定所述初始抑制音频数据中不存在啸叫残留后，将所述初始抑制音频数据作为所述目标抑制音频数据，从而就可以完成对音频信号的啸叫抑制过程。[0100]示例性的，参考图5，利用本发明的啸叫处理方法一段啸叫语音信号作处理，图5的上半部分为处理之前的语音信号频率示意图，下半部分为处理之后的语音信号频率示意图，处理前的啸叫语音信号采样率为16khz，语音中啸叫持续，且啸叫成分呈多频、宽带、变化的特点；而经过本发明的啸叫处理方法处理之后的语音信号，啸叫成分基本抑制干净，且对语音几乎无损伤，从而有效提高了对音频信号中啸叫的抑制效果。[0101]在又一些实施例中，当确定所述初始抑制音频数据中所述频点的峰值临近功率比值pnpr小于或等于第二阈值t2后，确定所述初始抑制音频数据中没有啸叫残留，将所述初始抑制音频数据作为所述目标抑制音频数据，从而完成啸叫抑制过程。[0102]本发明提供了一种啸叫抑制装置，参考图3，包括：[0103]预处理模块301，用于对输入的音频信号进行预处理以得到音频分析数据；[0104]机器学习模型处理模块302，用于将所述音频分析数据输入至训练后机器学习模型进行机器啸叫抑制，以得到初始抑制音频数据；[0105]啸叫残留检测模块303，用于对所述初始抑制音频数据进行啸叫残留检测以得到啸叫残留检测结果；[0106]残留抑制模块304，用于根据所述啸叫残留检测结果，对所述初始抑制音频数据进行处理以得到目标抑制音频数据。[0107]在一些实施例中，所述啸叫残留检测模块303还用于：[0108]计算所述初始抑制音频数据和所述音频分析数据的信号抑制比；[0109]在确定所述信号抑制比低于第一阈值后，计算所述初始抑制音频数据中频点的峰值临近功率比值；[0110]在确定所述初始抑制音频数据中所述频点的峰值临近功率比值大于第二阈值后，确定所述频点为啸叫残留点，并确定所述初始抑制音频数据中存在啸叫残留。[0111]在一些实施例中，所述残留抑制模块304还用于：[0112]将所述初始抑制音频数据中确定为啸叫残留点的所述频点作为目标抑制频点；[0113]获取所述目标抑制频点的抑制系数，根据所述抑制系数对所述初始抑制音频数据中的目标抑制频点进行抑制，以得到所述目标抑制音频数据。[0114]在一些实施例中，所述啸叫残留检测模块303还用于：[0115]在确定所述信号抑制比大于或等于所述第一阈值后，确定所述初始抑制音频数据中不存在啸叫残留；[0116]所述残留抑制模块304还用于：[0117]在确定所述初始抑制音频数据中不存在啸叫残留后，将所述初始抑制音频数据作为所述目标抑制音频数据。[0118]在一些实施例中，所述预处理模块301还用于：[0119]对所述音频信号进行时域分析或者频域分析，以得到时域特征或者频域特征，将所述时域特征或者所述频域特征的所述音频信号作为所述音频分析数据。[0120]需要说明的是，上述啸叫抑制装置的结构及原理与上述啸叫抑制方法中的步骤一一对应，故在此不再赘述。[0121]需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，选择模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。[0122]例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个数字信号处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gatearray，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。[0123]本发明还公开了一种芯片，其特征在于，所述芯片包括处理器和通信接口，所述处理器被配置用于执行上述的啸叫抑制方法。[0124]在本技术的另一些实施例中，本技术实施例公开了一种电子设备，如图4所示，该电子设备400可以包括：一个或多个处理器401；存储器402；显示器403；一个或多个应用程序(未示出)；以及一个或多个计算机程序404，上述各器件可以通过一个或多个通信总线405连接。其中该一个或多个计算机程序404被存储在上述存储器402中并被配置为被该一个或多个处理器401执行，以实现上述的啸叫抑制方法。[0125]通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0126]在本技术实施例各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。[0127]所述集成的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。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。[0128]以上所述，仅为本技术实施例的具体实施方式，但本技术实施例的保护范围并不局限于此，任何在本技术实施例揭露的技术范围内的变化或替换，都应涵盖在本技术实施例的保护范围之内。因此，本技术实施例的保护范围应以所述权利要求的保护范围为准。[0129]虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!