本發(fā)明涉及信用風險評估
技術(shù)領(lǐng)域：
，具體涉及一種基于機器學習的債券發(fā)行人違約分析方法。
背景技術(shù)：
：自從2014年以來，國內(nèi)債券市場已經(jīng)出現(xiàn)多家發(fā)行人債券違約的情況，并且在2016年上半年有愈演愈烈的跡象。出現(xiàn)信用風險的債券發(fā)行人的類型已經(jīng)擴散到了包含央企、國企、民企等各大類企業(yè)，并給債券投資人造成了經(jīng)濟上的損失以及情緒上的打擊。因此，急需一種能夠通過市場中的公開信息提前分析判斷出哪些發(fā)行人有可能會出現(xiàn)信用風險的方法，保護投資者利益、避免財產(chǎn)損失。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對現(xiàn)有技術(shù)中的不足，提供一種基于機器學習的債券發(fā)行人違約分析方法，保護投資者利益。為實現(xiàn)上述目的，本發(fā)明公開了如下技術(shù)方案：一種基于機器學習的債券發(fā)行人違約分析方法，包括如下步驟：S1獲取財務數(shù)據(jù)和評級數(shù)據(jù)：從公開渠道獲得企業(yè)的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，并進行儲存，如果存在空值，則也將其儲存為空值；其中，財務數(shù)據(jù)包括企業(yè)經(jīng)營情況、企業(yè)償債能力、企業(yè)負債情況，企業(yè)經(jīng)營情況進一步包括銷售毛利率、營業(yè)凈利率，企業(yè)償債能力進一步包括EBIT/短期負債、速動比率、經(jīng)營性現(xiàn)金流/有息負債，企業(yè)負債情況進一步包括資產(chǎn)負債率、合并報表經(jīng)調(diào)整的資產(chǎn)負債率、母公司經(jīng)調(diào)整的資產(chǎn)負債率；評級機構(gòu)數(shù)據(jù)包括評級機構(gòu)當期評級、評級機構(gòu)評級展望；合并報表經(jīng)調(diào)整的資產(chǎn)負債率＝合并報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計；母公司經(jīng)調(diào)整的資產(chǎn)負債率＝母公司報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計；S2模型訓練樣本的選取和清洗：選取已發(fā)生信用風險事件的企業(yè)，獲得該企業(yè)在違約事件發(fā)生之前最近一期直到該期向前推M期的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，其中，M≥3；選取已知截至某一時點還未出現(xiàn)信用風險事件的企業(yè)，獲得該企業(yè)距離該時點最近一期直到該期向前推N期的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，其中，N≥3；對于數(shù)據(jù)中存在空值的，保留空值，待所有輸入數(shù)據(jù)都處理準備完成，如果某家企業(yè)數(shù)據(jù)的某個唯獨的時間序列數(shù)據(jù)中出現(xiàn)全部為空或者有且僅有1個有效數(shù)值的情況，則去掉該企業(yè)，否則，運用插值或外推法填補空白數(shù)據(jù)位置；S3模型的建立和訓練：以支持向量機為基礎(chǔ)的模型：由于經(jīng)過S1、S2所形成的輸入數(shù)據(jù)為多維時間序列數(shù)據(jù)，無法用傳統(tǒng)的支持向量機訓練，本步驟中采用由Cuturi提出的GlobalAlignmentKernel核函數(shù)，將兩個多維時間序列數(shù)據(jù)進行相似性比較，并輸出一個數(shù)字結(jié)果，利用核函數(shù)的特性，將其作為支持向量機的核函數(shù)，進而針對多維時間序列數(shù)據(jù)進行訓練模型；以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型：將經(jīng)過S1、S2所形成的多維時間序列數(shù)據(jù)，輸入到以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的分析模型中，模型的設(shè)計參數(shù)為：隱藏層個數(shù)＝輸入數(shù)據(jù)維度；每個隱藏層中神經(jīng)元的個數(shù)＝輸入數(shù)據(jù)對應維度的樣本數(shù)；S4利用訓練好的模型進行分析預測：選取好待進行信用分析的企業(yè)，按照步驟S1、S2進行輸入數(shù)據(jù)的準備，然后輸入步驟S3中訓練好的分析模型，即可獲得企業(yè)或發(fā)行人是否會在近期內(nèi)出現(xiàn)信用風險事件的預測分析結(jié)果。進一步的，所述評級機構(gòu)評級數(shù)據(jù)來源為季報、半年報或年報數(shù)據(jù)中的一種或幾種。進一步的，銷售毛利率＝(主營業(yè)務收入-主營業(yè)務成本)/主營業(yè)務收入；營業(yè)凈利率＝凈利潤/營業(yè)總收入；EBIT/短期負債＝息稅前利潤/短期負債總額；速動比率＝速動資產(chǎn)/流動負債；經(jīng)營性現(xiàn)金流/有息負債＝經(jīng)營性現(xiàn)金流/有息負債總額；評級機構(gòu)當期評級＝在報表日當期評級機構(gòu)對該公司的評級情況，“AAA”為1，“AA+”為0.5，“AA”為0，其他為-1，如果有多個評級，則選取距離財務報表時點最近的一個；評級機構(gòu)評級展望＝在報表日當期評級機構(gòu)對該公司的評級展望情況，“正面”為1，“穩(wěn)定”為0，“負面”為-1，如果有多個評級展望，則選取距離財務報表時點最近的一個；資產(chǎn)負債率＝負債總額/資產(chǎn)總額。進一步的，所述步驟S2完成后，根據(jù)數(shù)據(jù)的特性，選擇是否將整理好的原始數(shù)據(jù)進行歸一化操作，如果歸一化后預測效果好，則采用歸一化，反之則不用。進一步的，所述步驟S3中，以支持向量機為基礎(chǔ)的模型，具體的預測模型的訓練步驟如下：S301采用由Cuturi提出的GlobalAlignmentKernel核函數(shù)；S302采用交叉驗證的方法，將輸入數(shù)據(jù)分為訓練樣本和交叉驗證樣本，輸入以GAK為核函數(shù)的支持向量機進行訓練；S303獲得訓練完成后的模型。進一步的，所述步驟S3中，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型，具體的預測模型的訓練步驟如下：S311初始化網(wǎng)絡(luò)權(quán)重和神經(jīng)元的閾值；S312前向傳播：將輸入數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)，按照公式一層一層的計算隱層神經(jīng)元的輸出層神經(jīng)元的輸入和輸出；S313后向傳播：根據(jù)誤差計算公式修正神經(jīng)網(wǎng)絡(luò)中的權(quán)重和閾值；S314一直持續(xù)S311-S313直到滿足訓練終止條件，獲得訓練完成后的模型。本發(fā)明公開的一種基于機器學習的債券發(fā)行人違約分析方法，具有以下有益效果：本發(fā)明利用市場中公開的財務數(shù)據(jù)和評級數(shù)據(jù)作為支撐，建立模型并進行訓練，能夠提前分析判斷出哪些發(fā)行人有可能會出現(xiàn)信用風險，保護投資者利益，避免財產(chǎn)出現(xiàn)損失。附圖說明圖1是本方法的整體流程示意圖。圖2是以支持向量機為基礎(chǔ)的預測分析方法流程示意圖。圖3是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的預測分析方法流程示意圖。圖4是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的分析模型結(jié)構(gòu)示意圖。具體實施方式下面將對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。本發(fā)明的核心是提供一種基于機器學習的債券發(fā)行人違約分析方法，保護投資者利益。見圖1，一種基于機器學習的債券發(fā)行人違約分析方法，包括如下步驟：S1獲取財務數(shù)據(jù)和評級數(shù)據(jù)：從公開渠道獲得企業(yè)的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，并進行儲存，如果存在空值，則也將其儲存為空值；其中，財務數(shù)據(jù)包括企業(yè)經(jīng)營情況、企業(yè)償債能力、企業(yè)負債情況，企業(yè)經(jīng)營情況進一步包括銷售毛利率、營業(yè)凈利率，企業(yè)償債能力進一步包括EBIT/短期負債、速動比率、經(jīng)營性現(xiàn)金流/有息負債，企業(yè)負債情況進一步包括資產(chǎn)負債率、合并報表經(jīng)調(diào)整的資產(chǎn)負債率、母公司經(jīng)調(diào)整的資產(chǎn)負債率；評級機構(gòu)數(shù)據(jù)包括評級機構(gòu)當期評級、評級機構(gòu)評級展望；合并報表經(jīng)調(diào)整的資產(chǎn)負債率(合并報表)＝合并報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計；母公司經(jīng)調(diào)整的資產(chǎn)負債率(母公司)＝母公司報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計；計算經(jīng)調(diào)整的資產(chǎn)負債率的是為了盡量去除企業(yè)財務報表中的水分信息，考慮到有些企業(yè)會在某些會計科目中虛報數(shù)額以達到美化財務報表的目的；S2模型訓練樣本的選取和清洗：選取已發(fā)生信用風險事件的企業(yè)，獲得該企業(yè)在違約事件發(fā)生之前最近一期直到該期向前推M期的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，其中，M≥3；選取已知截至某一時點還未出現(xiàn)信用風險事件的企業(yè)，獲得該企業(yè)距離該時點最近一期直到該期向前推N期的財務數(shù)據(jù)和評級機構(gòu)評級數(shù)據(jù)，其中，N≥3；對于數(shù)據(jù)中存在空值的，保留空值，待所有輸入數(shù)據(jù)都處理準備完成，如果某家企業(yè)數(shù)據(jù)的某個唯獨的時間序列數(shù)據(jù)中出現(xiàn)全部為空或者有且僅有1個有效數(shù)值的情況，則去掉該企業(yè)，否則，運用插值或外推法填補空白數(shù)據(jù)位置；S3模型的建立和訓練：見圖2，以支持向量機為基礎(chǔ)的模型：由于經(jīng)過S1、S2所形成的輸入數(shù)據(jù)為多維時間序列數(shù)據(jù)，無法用傳統(tǒng)的支持向量機訓練，本步驟中采用由Cuturi(2011)提出的GlobalAlignmentKernel核函數(shù)，將兩個多維時間序列數(shù)據(jù)進行相似性比較，并輸出一個數(shù)字結(jié)果，利用核函數(shù)的特性，將其作為支持向量機的核函數(shù)，進而針對多維時間序列數(shù)據(jù)進行訓練模型；見圖3、圖4，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型：將經(jīng)過S1、S2所形成的多維時間序列數(shù)據(jù)，輸入到以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的分析模型中，模型的設(shè)計參數(shù)為：隱藏層個數(shù)＝輸入數(shù)據(jù)維度；每個隱藏層中神經(jīng)元的個數(shù)＝輸入數(shù)據(jù)對應維度的樣本數(shù)；S4利用訓練好的模型進行分析預測：選取好待進行信用分析的企業(yè)，按照步驟S1、S2進行輸入數(shù)據(jù)的準備，然后輸入步驟S3中訓練好的分析模型，即可獲得企業(yè)或發(fā)行人是否會在近期內(nèi)出現(xiàn)信用風險事件的預測分析結(jié)果。在本發(fā)明的一種實施例中，所述評級機構(gòu)評級數(shù)據(jù)來源為季報、半年報或年報數(shù)據(jù)中的一種或幾種。在本發(fā)明的一種實施例中，銷售毛利率＝(主營業(yè)務收入-主營業(yè)務成本)/主營業(yè)務收入；營業(yè)凈利率＝凈利潤/營業(yè)總收入；EBIT/短期負債＝息稅前利潤/短期負債總額；速動比率＝速動資產(chǎn)/流動負債；經(jīng)營性現(xiàn)金流/有息負債＝經(jīng)營性現(xiàn)金流/有息負債總額；評級機構(gòu)當期評級＝在報表日當期評級機構(gòu)對該公司的評級情況，“AAA”為1，“AA+”為0.5，“AA”為0，其他為-1，如果有多個評級，則選取距離現(xiàn)在時間最近的一個；評級機構(gòu)評級展望＝在報表日當期評級機構(gòu)對該公司的評級展望情況，“正面”為1，“穩(wěn)定”為0，“負面”為-1，如果有多個評級展望，則選取距離現(xiàn)在時間最近的一個；資產(chǎn)負債率＝負債總額/資產(chǎn)總額。進一步的，本發(fā)明創(chuàng)設(shè)了一套對公司財務報表相關(guān)科目進行調(diào)整后重新計算基于合并報表及母公司報表的資產(chǎn)負債率的方法，用以增加違約預測的準確率。其中：經(jīng)調(diào)整的資產(chǎn)負債率(合并報表)＝合并報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計(具體會計科目調(diào)整方法如下表所示)；經(jīng)調(diào)整的資產(chǎn)負債率(母公司)＝母公司報表中的經(jīng)調(diào)整的負債合計/經(jīng)調(diào)整的資產(chǎn)合計(具體會計科目調(diào)整方法如下表所示)。表一：資產(chǎn)負債表會計科目的權(quán)重調(diào)整說明表請參見表一，表一為資產(chǎn)負債表會計科目的權(quán)重調(diào)整說明表，表一中，無形資產(chǎn)科目權(quán)重X的調(diào)整方法依照表二，表二為不同行業(yè)的無形資產(chǎn)科目權(quán)重調(diào)整說明表。這是考慮企業(yè)所在行業(yè)不同，其無形資產(chǎn)的價值也千差萬別，因此需要差別調(diào)整。表二：不同行業(yè)的無形資產(chǎn)科目權(quán)重調(diào)整說明表在本發(fā)明的一種實施例中，所述步驟S2完成后，根據(jù)數(shù)據(jù)的特性，選擇是否將整理好的原始數(shù)據(jù)進行歸一化操作，如果歸一化后預測效果好，則采用歸一化，反之則不用。在本發(fā)明的一種實施例中，所述步驟S3中，以支持向量機為基礎(chǔ)的模型，具體的預測模型的訓練步驟如下：S301采用由Cuturi提出的GlobalAlignmentKernel核函數(shù)；S302采用交叉驗證的方法，將輸入數(shù)據(jù)分為訓練樣本和交叉驗證樣本，輸入以GAK為核函數(shù)的支持向量機進行訓練；S303獲得訓練完成后的模型。在本發(fā)明的一種實施例中，所述步驟S3中，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型，具體的預測模型的訓練步驟如下：S311初始化網(wǎng)絡(luò)權(quán)重和神經(jīng)元的閾值；S312前向傳播：將輸入數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)，按照公式一層一層的計算隱層神經(jīng)元的輸出層神經(jīng)元的輸入和輸出；S313后向傳播：根據(jù)誤差計算公式修正神經(jīng)網(wǎng)絡(luò)中的權(quán)重和閾值；S314一直持續(xù)S311-S313直到滿足訓練終止條件，獲得訓練完成后的模型。本發(fā)明提供的方法在具體執(zhí)行過程中：一、讀取數(shù)據(jù)：a)讀取過去已發(fā)生信用風險事件的發(fā)行人的數(shù)據(jù)；b)讀取截至上一個報表期時未發(fā)生信用風險事件的發(fā)行人的數(shù)據(jù)；c)讀取待預測分析的發(fā)行人的數(shù)據(jù)，數(shù)據(jù)結(jié)構(gòu)要與a)、b)中的保持一致。二、對數(shù)據(jù)進行清洗、預處理：a)對于數(shù)據(jù)中存在空值的，保留空值，待所有輸入數(shù)據(jù)都處理準備完成，如果某家企業(yè)數(shù)據(jù)的某個唯獨的時間序列數(shù)據(jù)中出現(xiàn)全部為空或者有且僅有1個有效數(shù)值的情況，則去掉該企業(yè)，否則，運用插值或外推法填補空白數(shù)據(jù)位置；b)根據(jù)用戶的實際需要，可選擇是否將清洗好的數(shù)據(jù)進行歸一化操作。三、預測模型的訓練：a)如果建立以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的模型，則模型結(jié)構(gòu)如圖4所示。然后進行以下步驟：1.初始化網(wǎng)絡(luò)權(quán)重和神經(jīng)元的閾值；2.前向傳播：將輸入數(shù)據(jù)帶入神經(jīng)網(wǎng)絡(luò)，按照神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一層一層的計算隱層神經(jīng)元和輸出層神經(jīng)元的輸入和輸出；3.后向傳播：根據(jù)誤差計算公式修正神經(jīng)網(wǎng)絡(luò)中的權(quán)重和閾值。4.一直持續(xù)1-3直到滿足訓練終止條件，獲得訓練完成后的模型。b)如果建立以支持向量機為基礎(chǔ)的模型，則進行以下步驟：1.采用由Cuturi(2011)提出的GlobalAlignmentKernel(GAK)核函數(shù)；2.采用交叉驗證(Cross-Validation)的方法，將輸入數(shù)據(jù)分為訓練樣本和交叉驗證樣本，輸入以GAK為核函數(shù)的支持向量機進行訓練；3.獲得訓練完成后的模型。四、使用預測好的模型進行預測：將待預測分析的發(fā)行人的數(shù)據(jù)輸入第三步中獲得的訓練好的模型，即可獲得該發(fā)行人是否會在近期內(nèi)出現(xiàn)信用風險事件的預測結(jié)果。本發(fā)明通過公開渠道獲得企業(yè)的財務信息和評級機構(gòu)評級信息，形成多維時間序列數(shù)據(jù)，采用機器學習的方法，設(shè)計以支持向量機或人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的信用分析模型，通過訓練，即可用于分析預測企業(yè)是否會出現(xiàn)信用風險事件。以下是本發(fā)明的一種具體實例：2016年8月31日，利用本方法進行發(fā)行人信用風險預測分析。首先，選取在2016年8月31日前，已經(jīng)發(fā)生實質(zhì)性違約或信用風險事件的發(fā)行人，從公開渠道獲得他們的財務報表。本實例共選取了27家出現(xiàn)信用風險的發(fā)行人，按照本發(fā)明中所示的數(shù)據(jù)處理方法進行處理，形成模型的輸入數(shù)據(jù)。其中較有代表性的兩家公司的輸入數(shù)據(jù)如以下兩表所示。表三：已出現(xiàn)信用風險事件的發(fā)行人的輸入數(shù)據(jù)示例1(江蘇舜天)表四：已出現(xiàn)信用風險事件的發(fā)行人的輸入數(shù)據(jù)示例2(中城建)之后，選取截至2016年8月31日，尚未發(fā)生實質(zhì)性違約或信用風險事件的發(fā)行人，從公開渠道獲得他們的財務報表。本實例共選取了85家未出現(xiàn)信用風險的發(fā)行人，按照本發(fā)明中所示的數(shù)據(jù)處理方法進行處理，形成模型的輸入數(shù)據(jù)。其中較有代表性的兩家公司的輸入數(shù)據(jù)如以下兩表所示。表五：未出現(xiàn)信用風險事件的發(fā)行人的輸入數(shù)據(jù)示例1(鐵龍物流)表六：未出現(xiàn)信用風險事件的發(fā)行人的輸入數(shù)據(jù)示例2(南方報業(yè))從以上4個示例可以看出，出現(xiàn)信用風險事件的企業(yè)一般經(jīng)營情況較差(利潤率較低)、償債能力較低(經(jīng)營利潤/現(xiàn)金流無法補償企業(yè)負債成本)、負債情況較嚴重(資產(chǎn)負債率較高，經(jīng)調(diào)整的資產(chǎn)負債率更高)，或者以上多個指標出現(xiàn)了惡化的趨勢；而未出現(xiàn)信用風險事件的企業(yè)一般經(jīng)營情況正常(利潤率正常)、償債能力正常(經(jīng)營利潤/現(xiàn)金流可以補償企業(yè)負債成本)、負債情況正常(資產(chǎn)負債率適中、經(jīng)調(diào)整的資產(chǎn)負債率適中)。此外，外部評級機構(gòu)的評級往往難以對哪些發(fā)行人將很快出現(xiàn)信用風險進行預示。比如，中國城市建設(shè)控股集團有限公司在2016年4月份發(fā)生信用風險事件之前，外部信用評級機構(gòu)對其的信用評級保持在較高的AA+，評級展望也為穩(wěn)定，未能提前預警該公司的信用風險。單純依靠外部評級機構(gòu)的評級信息而進行債券投資的投資人面臨著相當高的本金損失風險。但由于輸入數(shù)據(jù)維度較多，數(shù)據(jù)量也較大，傳統(tǒng)的線性模型很難捕捉到輸入數(shù)據(jù)與最終結(jié)果之間的對應關(guān)系，故采用機器學習的方法對以上輸入數(shù)據(jù)進行模型的訓練，并運用訓練好的模型，代入新的輸入數(shù)據(jù)進行預測分析。訓練完成的模型參數(shù)如下兩表所示。表七：訓練完成的基于支持向量機的預測模型模型指標參數(shù)輸入數(shù)據(jù)維數(shù)10是否歸一化否總支持向量個數(shù)20違約類支持向量個數(shù)9非違約類支持向量個數(shù)11表八：訓練完成的基于神經(jīng)網(wǎng)絡(luò)的預測模型模型指標參數(shù)輸入數(shù)據(jù)維數(shù)10是否歸一化否隱藏層個數(shù)10單個隱藏層神經(jīng)元個數(shù)6誤差函數(shù)均方誤差(MSE)選取待預測分析的發(fā)行人，從公開渠道獲得他們的財務報表。本實例共選取了151家待預測發(fā)行人，按照本發(fā)明中所示的數(shù)據(jù)處理方法進行處理，形成模型的輸入數(shù)據(jù)。其中較有代表性的兩家公司的輸入數(shù)據(jù)如以下兩表所示。表九：待預測發(fā)行人的輸入數(shù)據(jù)示例1(博源控股)表十：待預測發(fā)行人的輸入數(shù)據(jù)示例2(山西焦煤)表十一：待預測發(fā)行人的輸入數(shù)據(jù)示例3(大連機床)將待預測發(fā)行人的輸入數(shù)據(jù)代入到在上一步已經(jīng)訓練完成的預測模型中，就可以得到待預測發(fā)行人是否會出現(xiàn)信用風險的預測結(jié)果。表十二：待預測發(fā)行人示例1、2、3的預測結(jié)果待預測發(fā)行人是否會出現(xiàn)信用風險預測是否準確示例1(博源控股)是準確示例2(山西焦煤)否準確示例3(大連機床)是準確其中，博源控股和大連機床分別已于2016/12/5和2016/11/21發(fā)生實質(zhì)性違約，而山西焦煤截至本說明書完成時還未出現(xiàn)信用風險事件。以上所述僅是本發(fā)明的優(yōu)選實施方式，而非對其限制；應當指出，盡管參照上述各實施例對本發(fā)明進行了詳細說明，本領(lǐng)域的普通技術(shù)人員應當理解，其依然可以對上述各實施例所記載的技術(shù)方案進行修改，或?qū)ζ渲胁糠只蛘呷考夹g(shù)特征進行等同替換；而這些修改和替換，并不使相應的技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。當前第1頁1 2 3