一种业务处理方法、模型训练方法、装置及设备

本说明书实施例涉及人工智能技术领域，特别涉及一种业务处理方法、模型训练方法、装置及设备。

随着互联网技术的发展，越来越多的机构、企业利用自身的服务系统实现线上业务处理。在进行线上业务处理时，系统对用户的身份进行验证，并在身份验证通过后对用户所提交的业务申请进行处理。

但是，目前在针对业务进行处理时，所接收的用户身份信息以及业务申请信息具有单一的数据形式，例如仅仅通过文本的方式对用户自身进行描述。这类具有单一数据形式的申请信息往往更易进行伪造。而在不法分子针对所述申请信息进行伪造时，由于所伪造的申请信息往往不能体现较为全面的特征信息，对于伪造信息的识别一般也具有较高的难度，进而造成数据或资金的泄漏。因此，目前亟需一种在处理业务时能够较为全面地实现对用户身份的验证的技术方案。

本说明书实施例的目的是提供一种业务处理方法、模型训练方法、装置及设备，以解决如何在处理业务时准确地对用户身份进行验证的技术问题。

为了解决上述技术问题，本说明书实施例提出一种业务处理方法，包括：

接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征；

在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据；

融合各个模态特征数据得到融合特征数据；

根据所述融合特征数据判断所述业务处理请求是否为异常请求；

在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

本说明书实施例还提出一种业务处理装置，包括：

请求接收模块，用于接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征；

模态特征数据提取模块，用于在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据；

模态特征数据融合模块，用于融合各个模态特征数据得到融合特征数据；

判断模块，用于根据所述融合特征数据判断所述业务处理请求是否为异常请求；

业务处理模块，用于在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

本说明书实施例还提出一种业务处理设备，包括存储器和处理器；所述存储器，用于存储计算机程序指令；所述处理器，用于执行所述计算机程序指令以实现以下步骤：接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征；在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据；融合各个模态特征数据得到融合特征数据；根据所述融合特征数据判断所述业务处理请求是否为异常请求；在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

为了解决上述技术问题，本说明书实施例还提出一种模型训练方法，包括：

获取业务申请样本数据；所述业务申请样本数据对应于至少两个模态特征；

在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据；

融合所述模态特征样本数据得到融合样本向量；

根据所述融合样本向量训练预先构建的异常业务识别模型。

本说明书实施例还提出一种模型训练装置，包括：

样本数据获取模块，用于获取业务申请样本数据；所述业务申请样本数据标注有异常状况；所述业务申请样本数据对应于至少两个模态特征；

模态特征样本数据提取模块，用于在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据；

样本向量融合模块，用于融合所述模态特征样本数据得到融合样本向量；

模型训练模块，用于根据所述融合样本向量和对应的异常状况训练异常业务识别模型。

本说明书实施例还提出一种模型训练设备，包括存储器和处理器；

所述存储器，用于存储计算机程序指令；

所述处理器，用于执行所述计算机程序指令以实现以下步骤：获取业务申请样本数据；所述业务申请样本数据标注有异常状况；所述业务申请样本数据对应于至少两个模态特征；在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据；融合所述模态特征样本数据得到融合样本向量；根据所述融合样本向量和对应的异常状况训练异常业务识别模型。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过获取对应于至少两种模态特征的业务申请信息，分别提取对应于这些模态特征的模态特征数据后，对这些模态特征数据进行融合，并利用融合后的融合特征数据判断业务处理请求是否为异常请求。通过上述方法，在对业务申请信息进行判断时，能够综合考虑多个模态特征，通过对融合多个模态特征后的数据进行识别能够避免数据类型较为单一的情况，使得融合后的数据具有较为丰富的特征，从而增加了伪造数据的难度，提高了对用户申请进行验证的准确性。

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例一种模型训练方法的流程图；

图2为本说明书实施例一种业务处理方法的流程图；

图3为本说明书实施例一种模型训练装置的模块图；

图4为本说明书实施例一种业务处理装置的模块图；

图5为本说明书实施例一种模型训练设备的结构图；

图6为本说明书实施例一种业务处理设备的结构图。

下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

为了解决上述技术问题，首先结合附图1对本说明书实施例一种模型训练方法的实施例进行说明。所述方法的执行主体可以为模型训练设备，所述模型训练设备包括但不限于服务器、工控机、PC机等。所述方法包括以下具体执行步骤。

S110：获取业务申请样本数据；所述业务申请样本数据对应于至少两个模态特征。

业务申请样本数据是用于对异常业务识别模型进行训练所获取的样本数据。所述业务申请样本数据可以是针对待识别的业务所提供的样本数据，例如当所述业务为信用卡申请业务时，可以采集历史记录中用户所提交的业务申请信息，将这些业务申请信息作为所述业务申请样本数据。

所述业务申请样本数据可以对应有异常状况标注，所述异常状态标注用于标注所述业务申请样本数据所对应的业务申请是否为异常申请。相应的，基于所述异常状况标注和业务申请样本数据可以是采用有监督学习的方法进行后续的模型训练。所述业务申请样本数据也可以不存在对应的标注，在后续训练时直接利用无监督学习的方法对预设分类器进行训练。具体的进行机器学习的方式可以根据实际情况的需求进行选取，在此不做赘述。

模态特征用于表示所述业务申请样本数据中所包含的数据所对应的类型。在一些实施方式中，所述模态特征可以包括图像模态特征、指纹模态特征、音频模态特征和文本模态特征中的至少两个。图像模态特征可以对应于图像数据，例如申请人的照片、证件图像等数据；指纹模态特征可以对应于申请人所提供的指纹数据，例如可以是通过终端设备所采集到的指纹；音频模态特征可以对应于申请人所发送的音频，例如申请人预先设置的语音指令，或是申请人自身所发出的声音信息；文本模态特征可以对应于申请人所提交的文本，例如申请材料信息，个人身份信息等文本信息。上述示例仅仅只是为了对所述模态特征进行一个介绍，实际应用中可以选取其他信息类型作为模态特征，在此不做赘述。

S120：在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据。

模态特征样本数据即为对应于所述模态特征的数据。例如，在所述模态特征为图像模态特征时，可以提取所述模态特征样本数据中的图像作为模态特征样本数据；在所述模态特征为音频模态特征时，可以提取所述模态特征样本数据中的音频文件作为模态特征样本数据。具体的提取模态特征样本数据的方法可以根据实际应用的需求进行调整，对此不做赘述。

在一些实施方式中，提取所述模态特征样本数据时可以针对业务含义较强的特征维度进行数据提取，例如在提取文本模态特征样本数据时，可以选取出对应于某些特定内容的文本信息作为所述文本模态特征样本数据；当选取对应于图像模态特征的数据时，可以从中识别出业务意义较强的图片，例如证件图像等。通过结合模态特征样本数据的业务含义进行筛选，提高了所选取的模态特征样本数据的有效性，提高了所训练得到的模型的识别准确度。

S130：融合所述模态特征样本数据得到融合样本向量。

在获取到对应于至少两个模态特征的模态特征样本数据后，可以融合所述模态特征样本数据。具体的融合方法可以是将这些模态特征样本数据融合为一个特征向量，再将融合后的特征向量映射至预先设置的向量子空间中，从而得到融合样本向量。上述方法只是对融合模态特征样本数据的过程进行一个示例性的介绍，实际应用中可以根据需求选取其他获取融合样本向量的方法，在此不做赘述。

在一些实施方式中，融合所述模态特征样本数据之前，可以对所述模态特征样本数据进行预处理，以减少所述模态特征样本数据中的噪声，提高训练结果的准确性。所述预处理可以包括去噪处理和标准化处理。

去噪处理即为根据所述模态特征样本数据对其中的噪声样本数据进行剔除。具体的可以根据预先设置的噪声数据模板在所述模态特征样本数据中确定噪声样本数据从而进行剔除，也可以基于模态特征样本数据的连续性等特性，直接在所述模态特征样本数据中筛选出噪声样本数据。具体的确定噪声样本数据的方式可以根据实际应用的需求进行调整，并不限于上述示例，在此不再赘述。

标准化处理可以将所述模态特征样本数据调整至同一个数据分布范围，从而使得样本数据分布一致，有利于后续过程中对模态特征样本数据的处理。标准化处理例如可以是归一化处理，将数据均划分至[0,1]的分布范围内，从而使得对数据的应用更为便捷。

S140：根据所述融合样本向量训练预先构建的异常业务识别模型。

异常业务识别模型可以是用于对异常业务进行识别的模型。所述异常业务识别模型可以为一种数学模型，用于结合业务申请数据的不同模态特征识别对应的业务是否为异常业务。所述异常业务识别模型可以为贝叶斯分类模型、支持向量机分类模型(SupportVector Machine，SVM)、或卷积神经网络分类模型(Convolutional Neural Networks，CNN)等，对此不做限制。

获取到所述融合样本向量后，即可根据所述融合样本向量对所述异常业务识别模型进行训练，从而使得训练后的模型能够基于训练样本对业务的异常状况进行识别。

在一些实施方式中，可以预先构建多个异常业务识别模型，基于同样的业务申请样本数据对异常业务识别模型进行训练。针对这些异常业务识别模型，分别将验证数据输入这些异常业务识别模型中得到对应于各个模型的验证结果。根据所述验证结果判断各个异常业务识别模型的准确度，并根据不同模型的准确度确定最终的应用于业务处理的异常业务识别模型。

上述模型训练方法通过获取对应于至少两种模态特征的业务申请信息，分别提取对应于这些模态特征的模态特征数据后，对这些模态特征数据进行融合，并利用融合后的融合特征数据对异常业务识别模型进行训练，以使所述异常业务识别模型能够识别出业务的异常状况。通过上述方法，在对业务申请信息进行判断时，能够综合考虑多个模态特征，通过对融合多个模态特征后的数据进行识别能够避免数据类型较为单一的情况，使得融合后的数据具有较为丰富的特征，从而增加了伪造数据的难度，提高了对用户申请进行验证的准确性。

基于上述模型训练方法的实施例，本说明书实施例还提出一种业务处理方法。所述业务处理方法的执行主体为业务处理设备，所述业务处理设备包括但不限于服务器、工控机、PC机等。如图2所示，所述方法包括以下具体执行步骤。

S210：接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征。

业务处理请求即为用户所提供的用于对特定业务进行处理的请求，例如当用户需要申请信用卡时，所述业务处理请求可以是申请信用卡的请求。

所述业务处理请求中包含有业务申请信息，所述业务申请信息可以是对应于所需要处理的业务所提供的数据，例如可以包括用户的个人身份信息、证件信息、生物特征信息等。

模态特征用于表示所述业务申请样本数据中所包含的数据所对应的类型。在一些实施方式中，所述模态特征可以包括图像模态特征、指纹模态特征、音频模态特征和文本模态特征中的至少两个。图像模态特征可以对应于图像数据，例如申请人的照片、证件图像等数据；指纹模态特征可以对应于申请人所提供的指纹数据，例如可以是通过终端设备所采集到的指纹；音频模态特征可以对应于申请人所发送的音频，例如申请人预先设置的语音指令，或是申请人自身所发出的声音信息；文本模态特征可以对应于申请人所提交的文本，例如申请材料信息，个人身份信息等文本信息。上述示例仅仅只是为了对所述模态特征进行一个介绍，实际应用中可以选取其他信息类型作为模态特征，在此不做赘述。

S220：在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据。

模态特征数据即为对应于所述模态特征的数据。例如，在所述模态特征为图像模态特征时，可以提取所述模态特征数据中的图像作为模态特征数据；在所述模态特征为音频模态特征时，可以提取所述模态特征数据中的音频文件作为模态特征数据。具体的提取模态特征数据的方法可以根据实际应用的需求进行调整，对此不做赘述。

在一些实施方式中，提取所述模态特征数据时可以针对业务含义较强的特征维度进行数据提取，例如在提取文本模态特征数据时，可以选取出对应于某些特定内容的文本信息作为所述文本模态特征数据；当选取对应于图像模态特征的数据时，可以从中识别出业务意义较强的图片，例如证件图像等。通过结合模态特征数据的业务含义进行筛选，提高了所选取的模态特征数据的有效性，提高了所训练得到的模型的识别准确度。

S230：融合各个模态特征数据得到融合特征数据。

在获取到对应于至少两个模态特征的模态特征样本数据后，可以融合所述模态特征样本数据。具体的融合方法可以是将这些模态特征样本数据融合为一个特征向量，再将融合后的特征向量映射至预先设置的向量子空间中，从而得到融合样本向量。上述方法只是对融合模态特征样本数据的过程进行一个示例性的介绍，实际应用中可以根据需求选取其他获取融合样本向量的方法，在此不做赘述。

在一些实施方式中，融合所述模态特征样本数据之前，可以对所述模态特征样本数据进行预处理，以减少所述模态特征样本数据中的噪声，提高训练结果的准确性。所述预处理可以包括去噪处理和标准化处理。

去噪处理即为根据所述模态特征样本数据对其中的噪声样本数据进行剔除。具体的可以根据预先设置的噪声数据模板在所述模态特征样本数据中确定噪声样本数据从而进行剔除，也可以基于模态特征样本数据的连续性等特性，直接在所述模态特征样本数据中筛选出噪声样本数据。具体的确定噪声样本数据的方式可以根据实际应用的需求进行调整，并不限于上述示例，在此不再赘述。

标准化处理可以将所述模态特征样本数据调整至同一个数据分布范围，从而使得样本数据分布一致，有利于后续过程中对模态特征样本数据的处理。标准化处理例如可以是归一化处理，将数据均划分至[0,1]的分布范围内，从而使得对数据的应用更为便捷。

S240：根据所述融合特征数据判断所述业务处理请求是否为异常请求。

在一些实施方式中，根据所述融合特征数据判断业务处理请求是否为异常请求可以是利用异常业务识别模型识别所述融合特征数据对应的业务处理请求是否为异常请求。所述异常业务识别模型可以是基于图1对应的实施例训练得到的模型。对于所述异常业务识别模型的介绍可以参照图1对应的实施例中的说明，在此不再赘述。

S250：在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

若基于所述融合特征数据识别出所述业务处理请求不是异常请求，则表明所述业务处理请求为正常请求，对其进行处理不存在较高的风险，可以基于正常的处理流程对业务进行处理。具体的处理方式可以结合实际应用中业务的特点对业务进行处理，在此不做赘述。

若基于所述融合特征数据识别出所述业务处理请求是异常请求，则表明处理所述业务处理请求对应的业务可能存在一定的风险，容易造成数据或资金的泄漏，可以拒绝处理所述业务处理请求，并反馈相应的拒绝信息。具体的处理方式也可以根据实际应用中的需求进行设置，在此也不做赘述。

上述业务处理方法通过获取对应于至少两种模态特征的业务申请信息，分别提取对应于这些模态特征的模态特征数据后，对这些模态特征数据进行融合，并利用融合后的融合特征数据判断业务处理请求是否为异常请求。通过上述方法，在对业务申请信息进行判断时，能够综合考虑多个模态特征，通过对融合多个模态特征后的数据进行识别能够避免数据类型较为单一的情况，使得融合后的数据具有较为丰富的特征，从而增加了伪造数据的难度，提高了对用户申请进行验证的准确性。

基于上述模型训练方法的实施例，本说明书实施例还提供一种模型训练装置，所述模型训练装置可以集成于所述模型训练设备，如图3所示，所述模型训练装置可以包括以下模块。

样本数据获取模块310，用于获取业务申请样本数据；所述业务申请样本数据标注有异常状况；所述业务申请样本数据对应于至少两个模态特征；

模态特征样本数据提取模块320，用于在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据；

样本向量融合模块330，用于融合所述模态特征样本数据得到融合样本向量；

模型训练模块340，用于根据所述融合样本向量和对应的异常状况训练异常业务识别模型。

基于上述业务处理方法的实施例，本说明书实施例还提供一种业务处理装置，所述业务处理装置可以集成于所述业务处理设备，如图4所示，所述业务处理装置可以包括以下模块。

请求接收模块410，用于接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征；

模态特征数据提取模块420，用于在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据；

模态特征数据融合模块430，用于融合各个模态特征数据得到融合特征数据；

判断模块440，用于根据所述融合特征数据判断所述业务处理请求是否为异常请求；

业务处理模块450，用于在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

基于上述模型训练方法，如图5所示，本说明书实施例还提供一种模型训练设备。所述模型训练设备可以包括存储器和处理器。

在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等。所述存储器可以用于存储计算机程序指令。

在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。

所述处理器可以执行所述计算机程序指令实现以下步骤：获取业务申请样本数据；所述业务申请样本数据标注有异常状况；所述业务申请样本数据对应于至少两个模态特征；在所述业务申请样本数据中分别提取对应于所述模态特征的模态特征样本数据；融合所述模态特征样本数据得到融合样本向量；根据所述融合样本向量和对应的异常状况训练异常业务识别模型。

基于上述业务处理方法，如图6所示，本说明书实施例还提供一种业务处理设备。所述业务处理设备可以包括存储器和处理器。

在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等。所述存储器可以用于存储计算机程序指令。

在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。

所述处理器可以执行所述计算机程序指令实现以下步骤：接收业务处理请求；所述业务处理请求中包含有业务申请信息；所述业务申请信息对应于至少两种模态特征；在所述业务申请信息中分别提取对应于所述模态特征的模态特征数据；融合各个模态特征数据得到融合特征数据；根据所述融合特征数据判断所述业务处理请求是否为异常请求；在所述业务处理请求不是异常请求的情况下，处理所述业务处理请求对应的业务。

需要说明的是，本说明书实施例所公开的业务处理方法、模型训练方法、装置及设备可以用于人工智能技术领域以实现对业务申请的验证及处理，当然，所述业务处理方法、模型训练方法、装置及设备也可以应用于其他领域，对此不做限制。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。