本發(fā)明涉及測繪科學與技術(shù)領域，具體涉及一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法，主要應用于超大規(guī)模測區(qū)攝影測量等領域。

背景技術(shù)：
區(qū)域網(wǎng)平差技術(shù)經(jīng)過幾十年的發(fā)展，其方法和流程已經(jīng)相對成熟，并且在測繪領域得到了廣泛的應用。然而隨著科技的加速進步，新的傳感器不斷涌現(xiàn)，如航天領域的高分辨率衛(wèi)星，立體測繪衛(wèi)星，航空領域的規(guī)則航空攝影系統(tǒng)，傾斜航空攝影系統(tǒng)，無人機、飛艇攝影系統(tǒng)等。同時，全世界范圍內(nèi)三維建模應用需求不斷增加，也使得大量地面車載攝影系統(tǒng)，近景攝影系統(tǒng)，普通數(shù)碼相機，甚至是智能手機，網(wǎng)絡圖片庫等采集的影像被用于三維建模。影像數(shù)據(jù)源越來越豐富的同時，其分辨率也不斷提高，以前數(shù)十米的衛(wèi)星影像如今可以達到最高0.35米(WorldView-3)，航空影像的分辨率更是進入了厘米級時代。分辨率的增加必然會帶來數(shù)據(jù)量的增大，攝影時的航線設計也不再滿足傳統(tǒng)的條帶式規(guī)則分布，給相應的數(shù)據(jù)處理方法帶來了一定挑戰(zhàn)，受法方程大小的限制，傳統(tǒng)的區(qū)域網(wǎng)平差技術(shù)流程已經(jīng)不能滿足大規(guī)模數(shù)據(jù)處理需求。當測區(qū)數(shù)據(jù)大小超過1萬張影像時，傳統(tǒng)的區(qū)域網(wǎng)平差方法對內(nèi)存的需求急劇增大，即使有少部分圖形工作站內(nèi)存容量足夠大，但大量的內(nèi)存占用使得計算效率大幅降低，此時可采用GPU并行加速的辦法解決上述難題，但當測區(qū)進一步增大，例如對全省、全國乃至全世界衛(wèi)星影像的整體區(qū)域網(wǎng)平差，其影像數(shù)可能是幾十萬，上百萬量級，受GPU內(nèi)存的限制，GPU并行平差也已經(jīng)遠遠不能滿足要求。

技術(shù)實現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題是提供一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法及服務器集群網(wǎng)絡，能夠解決現(xiàn)有技術(shù)的不足。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一方面，本發(fā)明提供了一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法，包括：S1、導入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，且將導入的原始數(shù)據(jù)進行時空基準統(tǒng)一，所述原始數(shù)據(jù)至少包括初始內(nèi)外方位元素數(shù)據(jù)以及點位數(shù)據(jù)，并將點位數(shù)據(jù)保存于一個文件中，將初始內(nèi)外方位元素數(shù)據(jù)保存于另一個文件中；S2、搜索可用計算節(jié)點，獲得可用計算節(jié)點數(shù)目N，將保存點位數(shù)據(jù)的文件平均分割為N個子文件，為多任務并行計算做準備；S3、進入?yún)^(qū)域網(wǎng)平差迭代流程：每一個計算節(jié)點分別讀取對應的點位數(shù)據(jù)子文件以及所有的內(nèi)外方位元素數(shù)據(jù)，各節(jié)點并行計算得到對應的法方程常數(shù)項向量c的一個分量，由主程序?qū)⒏鱾€法方程常數(shù)項向量c的分量累加，得到完整的法方程常數(shù)項向量c作為S5中殘差向量s的初值；S4、每一個計算節(jié)點分別讀取點位數(shù)據(jù)子文件以及所有的初始內(nèi)外方位元素數(shù)據(jù)，計算預條件矩陣M對應的分量，并將該分量求逆乘以法方程常數(shù)項向量c得到矩陣-向量積M-1c的一個分量，由主程序?qū)⒏鱾€矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c作為S5中方向向量d的初值；S5、進入預條件共軛梯度法迭代流程：對未知數(shù)改正數(shù)向量u、殘差向量s以及方向向量d進行初始化；S6、每一個計算節(jié)點分別讀取點位數(shù)據(jù)子文件以及所有的初始內(nèi)外方位元素數(shù)據(jù)，并行計算得到對應的法方程系數(shù)矩陣B的分量，并將該分量乘以方向向量d，得到法方程系數(shù)矩陣B與方向向量d的矩陣-向量積Bd分量，由主程序?qū)⒏骶仃?向量積Bd分量累加，得到完整的矩陣-向量積Bd；S7、根據(jù)預條件共軛梯度算法，以及本次迭代中的未知數(shù)改正數(shù)向量u，殘差向量s，方向向量d，預條件矩陣M以及法方程系數(shù)矩陣B，計算新的未知數(shù)改正數(shù)向量u、新的殘差向量s以及新的方向向量d；S8、判斷此次預條件共軛梯度迭代是否符合預定收斂條件，若符合，則結(jié)束預條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9；否則，返回步驟S6；S9、判斷此次區(qū)域網(wǎng)平差迭代是否符合預定收斂條件，若符合，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S3；S10、根據(jù)步驟S8中輸出的新的未知數(shù)改正數(shù)向量u，更新所有的未知數(shù)數(shù)值，并輸出所有的未知數(shù)數(shù)值。本發(fā)明提供的一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法及服務器集群網(wǎng)絡，在傳統(tǒng)的區(qū)域網(wǎng)平差流程中引入了預條件共軛梯度法求解大規(guī)模法方程，避免了對法方程的存儲以及直接求逆運算，并使得區(qū)域網(wǎng)平差流程適用于并行化設計方案，同時采用服務器集群網(wǎng)絡并行計算框架，將超大規(guī)模測區(qū)數(shù)據(jù)的平差任務分解成若干個子任務，交由不同的計算節(jié)點進行計算，通過多機協(xié)同并行處理，最終匯總得到完整的區(qū)域網(wǎng)平差結(jié)果。本發(fā)明特別適用于超大規(guī)模測區(qū)(10萬張影像以上，如全省、全國乃至全球作為一整個測區(qū))的區(qū)域網(wǎng)平差計算。附圖說明圖1為本發(fā)明實施例一的一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法流程圖；圖2為本發(fā)明實施例二的服務器集群網(wǎng)絡示意圖。具體實施方式以下結(jié)合附圖對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。實施例一、一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法。下面結(jié)合圖1對本實施例提供的方法進行說明。參見圖1，S1、導入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，且將導入的原始數(shù)據(jù)進行時空基準統(tǒng)一，所述原始數(shù)據(jù)至少包括初始內(nèi)外方位元素數(shù)據(jù)以及點位數(shù)據(jù)，并將點位數(shù)據(jù)保存于一個文件中，將初始內(nèi)外方位元素數(shù)據(jù)保存于另一個文件中。具體的，首先導入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，原始數(shù)據(jù)主要包括初始內(nèi)外方位元素數(shù)據(jù)、連接點數(shù)據(jù)、控制點數(shù)據(jù)以及檢查點數(shù)據(jù)(有些時候不存在控制點數(shù)據(jù)和檢查點數(shù)據(jù))，其中，連接點數(shù)據(jù)、控制點數(shù)據(jù)以及檢查點數(shù)據(jù)統(tǒng)稱為點位數(shù)據(jù)。將初始內(nèi)外方位元素數(shù)據(jù)保存在一個文件中，將點位數(shù)據(jù)保存到另外一個文件中。對保存的原始數(shù)據(jù)進行預處理，具體包括對導入的原始數(shù)據(jù)進行時空基準統(tǒng)一，包括事件基準統(tǒng)一和空間基準統(tǒng)一，若原始數(shù)據(jù)中存在控制點數(shù)據(jù)，還應該將連接點物方坐標以及初始外方位元素數(shù)據(jù)的坐標轉(zhuǎn)換至控制點數(shù)據(jù)所在的坐標系內(nèi)，以及計算并統(tǒng)計區(qū)域網(wǎng)平差計算過程中未知數(shù)分組的情況，未知數(shù)的個數(shù)以及需要用到的預條件矩陣M的類型和大小等信息。本實施例中的預條件矩陣與法方程系數(shù)矩陣大小一致，但構(gòu)造簡單，更易于求逆，使用其逆矩陣左乘法方程系數(shù)矩陣后，使得法方程系數(shù)矩陣的條件數(shù)減少，從而加快共軛梯度法求解法方程的迭代收斂速度，并保持收斂的穩(wěn)健性，常用的預條件矩陣有Jacobi預條件矩陣。S2、搜索可用計算節(jié)點，獲得可用計算節(jié)點數(shù)目N，將保存點位數(shù)據(jù)的文件平均分割為N個子文件，為多任務并行計算做準備。S3、進入?yún)^(qū)域網(wǎng)平差迭代流程：每一個計算節(jié)點分別讀取對應的點位數(shù)據(jù)子文件以及所有的內(nèi)外方位元素數(shù)據(jù)，各節(jié)點并行計算得到對應的法方程常數(shù)項向量c的一個分量，由主程序?qū)⒏鱾€法方程常數(shù)項向量c的分量累加，得到完整的法方程常數(shù)項向量c作為S5中殘差向量s的初值。S4、每一個計算節(jié)點分別讀取點位數(shù)據(jù)子文件以及所有的初始內(nèi)外方位元素數(shù)據(jù)，計算預條件矩陣M對應的分量，并將該分量求逆乘以法方程常數(shù)項向量c得到矩陣-向量積M-1c的一個分量，由主程序?qū)⒏鱾€矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c作為S5中方向向量d的初值。具體的，由于進行區(qū)域網(wǎng)平差計算的原始數(shù)據(jù)的數(shù)據(jù)量非常大，因此本實施例對區(qū)域網(wǎng)平差計算過程中的計算量大的步驟采用多個計算節(jié)點進行并行計算，以加快整個區(qū)域網(wǎng)平差計算過程的速度和效率。因此，如S2所述，在整個流程開始之前，搜索可用的計算節(jié)點，獲得可用的計算節(jié)點的數(shù)目N，然后根據(jù)可用的計算節(jié)點的數(shù)目N，將原始的點位數(shù)據(jù)文件分為N個子文件。進入?yún)^(qū)域網(wǎng)平差迭代流程后：每一個計算節(jié)點分別讀取對應的點位數(shù)據(jù)子文件以及所有的內(nèi)外方位元素數(shù)據(jù)，各節(jié)點并行計算得到對應的法方程常數(shù)項向量c的一個分量，由主程序?qū)⒏鱾€法方程常數(shù)項向量c的分量累加，得到完整的法方程常數(shù)項向量c；以及每一個計算節(jié)點分別讀取點位數(shù)據(jù)子文件以及所有的初始內(nèi)外方位元素數(shù)據(jù)，計算預條件矩陣M對應的分量，并將該分量求逆乘以方程常數(shù)項向量c得到矩陣-向量積M-1c的一個分量，由主程序?qū)⒏鱾€矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c。S5、進入預條件共軛梯度法迭代流程：對未知數(shù)改正數(shù)向量u、殘差向量s以及方向向量d進行初始化。具體的，在本實施例中，將未知數(shù)改正數(shù)向量u的初始值設為0，將法方程常數(shù)項向量c作為預條件共軛梯度法迭代流程中的殘差向量s的初始值，以及將矩陣-向量積M-1c作為預條件共軛梯度法迭代流程中的殘差向量d的初始值，至此進入預條件共軛梯度法迭代流程。本實施例在區(qū)域網(wǎng)平差計算過程中引入預條件共軛梯度法，設置預條件矩陣，減少法方程系數(shù)矩陣的條件數(shù)，加快迭代收斂速度，共軛梯度法的特征是無需對法方程系數(shù)矩陣進行求逆，通過迭代搜索線性方程組的最優(yōu)解，且每次迭代搜索方向之間是相互共軛的，具有存儲量少，計算方便，收斂快等特點，同時也更加易于實現(xiàn)并行計算。S6、每一個計算節(jié)點分別讀取點位數(shù)據(jù)子文件以及所有的初始內(nèi)外方位元素數(shù)據(jù)，并行計算得到對應的法方程系數(shù)矩陣B的分量，并將該分量乘以方向向量d，得到法方程系數(shù)矩陣B與方向向量d的矩陣-向量積Bd分量，由主程序?qū)⒏骶仃?向量積Bd分量累加，得到完整的矩陣-向量積Bd。S7、根據(jù)預條件共軛梯度算法，以及本次迭代中的未知數(shù)改正數(shù)向量u，殘差向量s，方向向量d，預條件矩陣M以及法方程系數(shù)矩陣B，計算新的未知數(shù)改正數(shù)向量u、新的殘差向量s以及新的方向向量d。S8、判斷此次預條件共軛梯度迭代是否符合預定收斂條件，若符合，則結(jié)束預條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9；否則，返回步驟S6。具體的，根據(jù)步驟S7中計算得到的新的方向向量d中所有元素的絕對值最大值，若該絕對值最大值小于第一給定閾值或者預條件共軛梯度迭代迭代次數(shù)大于第二給定閾值，則結(jié)束預條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9，否則，返回步驟S6，繼續(xù)迭代。S9、判斷此次區(qū)域網(wǎng)平差迭代是否符合預定收斂條件，若符合，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S3。具體的，統(tǒng)計步驟S8中輸出的新的未知數(shù)改正數(shù)向量u中所有元素的絕對值最大值，若該絕對值最大值小于第三給定閾值或者區(qū)域網(wǎng)平差迭代次數(shù)大于第四給定閾值，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S3。S10、根據(jù)步驟S7中計算得到的新的未知數(shù)改正數(shù)向量u，更新所有的未知數(shù)數(shù)值，并輸出所有的未知數(shù)數(shù)值。本方法涉及的利用預條件共軛梯度法迭代的區(qū)域網(wǎng)平差計算方法如下所示，具體包括以下幾個方面：1)影像幾何在經(jīng)典攝影測量幾何中，共線條件方程是區(qū)域網(wǎng)平差求解的基本方程，如式(1)-(4)所示，共線條件方程將像點坐標，相機的內(nèi)部參數(shù)，相機的外部位置和姿態(tài)以及物方點坐標聯(lián)系起來，區(qū)域網(wǎng)平差過程就是以共線條件方程為基礎建立像點觀測值方程，然后建立法方程，通過求解法方程得到未知數(shù)的估計值。其中，(X,Y,Z)是地面點P的物方坐標，(x,y)是對應的像點坐標，(Xs,Ys,Zs,phi,omega,kappa)為相機的外方位元素，f為相機的焦距，(x0,y0)為相機的主點偏移,(k1,k2)為相機鏡頭的畸變參數(shù)。2)構(gòu)建誤差方程和法方程對每個像點觀測值根據(jù)上述共線方程列出誤差方程：v＝Ax-l(5)其中v為觀測值殘差向量，A為法方程系數(shù)矩陣，由觀測值方程對未知數(shù)求一階偏導得到，x為未知數(shù)改正數(shù)向量,l為誤差方程常數(shù)項向量，由像點坐標的計算值減去像點坐標觀測值得到。根據(jù)式(5)可以列出法方程：ATAx＝ATl(6)為了加強法方程求解的穩(wěn)定性，引入一個阻尼項(Dampingterm)λD，避免法方程的奇異性對求解造成不穩(wěn)定影響，新的法方程如下所示：(ATA+λD)x＝ATl(7)其中λ為阻尼系數(shù)，其取值范圍為(0,1)，矩陣D是一個對角矩陣，對角線上的元素與矩陣ATA的對角線上元素相等，根據(jù)每次迭代的結(jié)果可改變λ的取值，以增強法方程的穩(wěn)定性。3)改化法方程法方程系數(shù)矩陣A可以被分成兩個部分，相機參數(shù)(包括內(nèi)參數(shù)和外參數(shù))部分和地面點坐標部分，因而矩陣A可以寫作A＝[ACAP]，其中AC代表相機參數(shù)部分，AP代表地面點坐標部分。同理可以得到，D＝[DCDP]，x＝[xcxp]，此時，方程(7)可以表示為以下形式：令則可得到下式：其中，VC和VP都是塊對角矩陣，一般情況下，地面點坐標未知數(shù)遠遠大于相機參數(shù)未知數(shù)個數(shù)，因此可以采用基于塊狀矩陣的高斯消元法，將地面點坐標未知數(shù)消元，得到改化后的法方程：其中，既是改化后的法方程系數(shù)矩陣，此時，相機參數(shù)未知數(shù)xc可以通過求解改化法方程(10)得到，地面點未知數(shù)xp則可以根據(jù)回代方程(11)計算得到。由于VP是塊對角矩陣，因此其逆矩陣可以通過分塊求逆的方法快速計算得到。假設相機個數(shù)為m，地面點個數(shù)為n，則改化之前的法方程系數(shù)矩陣大小為(6m+3n)*(6m+3n)，改化后的法方程系數(shù)矩陣的大小為6m*6m，由于地面點個數(shù)n通常是一個較大的值，因此改化后的法方程大幅減少了法方程的大小，增加了數(shù)據(jù)處理容量，提高了求解效率。4)共軛梯度法共軛梯度法(ConjugateGradients)是求解大型線性方程組的有效方法，該方法是由Hestenes和Stiefel在1952提出，其主要優(yōu)點就是無需存儲大規(guī)模的法方程，而只需要多次計算矩陣與向量的乘積即可，通過迭代搜索的方法，獲取線性方程組的最優(yōu)解。本發(fā)明對改化的法方程采用共軛梯度法求解，將式(10)改寫為下式：Bu＝c(12)其中u＝xc(14)共軛梯度法的基本思想是采用迭代搜索的辦法求解線性方程組的最優(yōu)解。對于改化法方程(12)的求解，首先給定初始的未知數(shù)向量u0，然后利用線性方程組系數(shù)矩陣、常數(shù)項矩陣以及上述向量u0，采用共軛梯度算法計算新的未知數(shù)向量u1，如此反復循環(huán)迭代，當滿足迭代收斂條件之后退出，此時得到的未知數(shù)向量un即為線性方程組的最優(yōu)解，n為迭代收斂次數(shù)。采用上述方法進行迭代求解時，其理論迭代收斂次數(shù)為法方程系數(shù)矩陣B的條件數(shù)，為了進一步提高迭代收斂次數(shù)，可以通過引入預條件矩陣M的方法，降低法方程系數(shù)矩陣B的條件數(shù)，從而減少收斂所需的迭代次數(shù)。5)預條件共軛梯度法預條件共軛梯度法就是在共軛梯度法的基礎上，在線性方程組系數(shù)矩陣之前，左乘一個預條件矩陣的逆M-1，以達到降低線性方程組系數(shù)矩陣的條件數(shù)的目的，從而提高收斂速度，對改化的法方程(12)引入預條件矩陣后，法方程變?yōu)?M-1Bu＝M-1c(16)此時改化法方程系數(shù)矩陣的條件數(shù)變?yōu)榫仃嘙-1B的條件數(shù)，預條件矩陣M的選取原則是構(gòu)造簡單，易于求逆，且能夠有效減少改化法方程系數(shù)矩陣的條件數(shù)。本發(fā)明選取的預條件矩陣為Jacobi預條件矩陣，該矩陣由改化法方程對角線上的塊狀矩陣構(gòu)成，出對角線上的塊狀矩陣外，其余元素均為0，該矩陣構(gòu)造較為簡單，對其進行求逆運算時，采用分塊求逆的算法，可大幅提高求逆效率，且該矩陣能夠有效減少改化法方程系數(shù)矩陣的條件數(shù)，因此是一個較為理想的預條件矩陣。預條件共軛梯度法的具體流程和計算公式如下：給定一般線性方程組:Bu＝c；給定預條件矩陣：M；設定初始值:u0；s0＝c-Bu0＝c；d0＝M-1s0＝M-1c；k＝0；While|sk|＜Threshold1:2:xk+1＝xk+αkdk3:sk+1＝sk-αkBdk4:5:dk+1＝M-1sk+1+βkdk6:k＝k+1實施例二、一種服務器集群網(wǎng)絡。下面結(jié)合圖2對本實施例提供的服務器集群網(wǎng)絡進行描述。參見圖2，本實施例提供的服務器集群網(wǎng)絡包括多個服務器和共享存儲器，每一個服務器中包括多個CPU，在進行區(qū)域網(wǎng)平差計算時選取其中一個CPU運行主程序進行整個并行任務的分發(fā)、協(xié)調(diào)以及匯總工作，其它的CPU作為計算節(jié)點；所述共享存儲器用來存儲區(qū)域網(wǎng)平差計算過程中的原始數(shù)據(jù)、中間處理數(shù)據(jù)以及結(jié)果數(shù)據(jù)。其中，所述服務器集群網(wǎng)絡中的各個服務器之間通過高速以太網(wǎng)連接，共享存儲器由磁盤陣列組成，且所述共享存儲器能被所有服務器訪問。具體的，本實施例中提供的服務器集群網(wǎng)絡可結(jié)合上述的實施例一，其中，服務器集群中的一個CPU運行主程序?qū)ζ渌鄠€CPU(一個CPU座位一個計算節(jié)點)上的任務進行分發(fā)、協(xié)調(diào)，以及將其它每一個CPU中計算的結(jié)果數(shù)據(jù)進行匯總，得到完整的結(jié)果數(shù)據(jù)；而共享服務器主要用來存儲區(qū)域網(wǎng)平差計算過程中的所有數(shù)據(jù)，包括原始數(shù)據(jù)、計算過程中產(chǎn)生的中間處理數(shù)據(jù)以及最后得到的結(jié)果數(shù)據(jù)。本發(fā)明提供的一種基于服務器集群網(wǎng)絡的預條件共軛梯度區(qū)域網(wǎng)平差方法，在傳統(tǒng)的區(qū)域網(wǎng)平差計算流程中引入了預條件共軛梯度法求解大規(guī)模法方程，避免了對法方程的存儲以及直接求逆運算，并使得區(qū)域網(wǎng)平差流程適用于并行化設計方案，同時采用服務器集群網(wǎng)絡并行計算框架，將超大規(guī)模測區(qū)數(shù)據(jù)的平差任務分解成若干個子任務，交由不同的計算節(jié)點進行計算，通過多機協(xié)同并行處理，最終匯總得到完整的區(qū)域網(wǎng)平差結(jié)果。本發(fā)明特別適用于超大規(guī)模測區(qū)(10萬張影像以上，如全省、全國乃至全球作為一整個測區(qū))的區(qū)域網(wǎng)平差計算。在本說明書的描述中，參考術(shù)語“實施例一”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體方法、裝置或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、方法、裝置或者特點可以在任一個或多個實施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領域的技術(shù)人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結(jié)合和組合。以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。