STAR-RIS辅助的多用户MISO URLLC系统的波束赋形设计方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种STAR-RIS辅助的多用户MISO(Multiple Input Single Output，多输入单输出)URLLC(Ultra-Reliable Low-LatencyCommunications，低时延高可靠通信)系统的波束赋形设计方法。

背景技术

URLLC是国际电信联盟提出的5G的三大关键应用场景之一。除了高数据速率，URLLC将低时延和高可靠性作为关键的设计指标，为工业自动化、智慧电网等应用场景提供实时信息的高可靠传输保障。未来6G潜在的各项应用，如移动扩展现实、全息通信和沉浸式通信等，对数据传输的可靠性和延迟提出了更高的要求，提供适合不同行业和应用的解决方案具有挑战性。为降低通信的时延，URLLC系统通常采用短数据包进行传输。在短块长机制下，系统的可实现速率是功率、误包率以及块长的复杂函数，这使得URLLC系统的波束赋形设计变得困难。已有一些研究考虑了URLLC场景下的波束赋形设计问题。

对于下行多用户MISO系统，有方案提出了一种路径跟踪算法来求解功率和带宽约束下的最小用户速率最大化问题，该方案利用目标函数的一个近似下界，将非凸优化问题转化为当前迭代点的一个凸优化问题，在不断迭代中生成一系列可行点，并最终收敛到一个局部最优解。还有方案在功率以及最小速率约束下，分别针对三个不同的需求，即加权和速率最大化、能量效率最大化以及最小用户速率最大化进行波束赋形设计。由上下行对偶理论，上述三个优化问题在下行链路的解可通过求解上行链路上对应的问题得到。还有方案考虑网络中同时存在延迟容忍用户和延迟受限用户，延迟受限用户对时延有较高要求，因此对发送给延迟受限用户的数据采用有限块长编码，而对发送给延迟容忍用户的数据采用无限块长编码。该研究旨在通过预编码设计在满足时延受限用户时延要求的同时实现时延容忍用户的频谱效率优化。为进一步提高延迟受限用户通信的可靠性，该研究还考虑了混合自动重传请求。还有方案通过优化发射预编码矩阵来最大化同一时频资源上服务的用户数，同时满足每个用户的最大允许传输功率和最低速率要求。该问题被建模为一个混合整数规划问题并运用连续凸逼近方法进行求解。

新兴的RIS(Reconfigurable Intelligence Surface，智能反射表面)被认为是提高无线通信可靠性和吞吐率的一种有效解决方案。RIS可实现智能可控的无线通信环境，当直射径(Line-of-Sight，LoS)链路在室内和室外环境中被障碍物阻挡时，反射式RIS非常适合在高频信道(如毫米波和太赫兹等频段)中建立可靠的非直射径(Non-Line-of-Sight，NLoS)链路。相比于中继辅助的通信系统，由于没有通过射频链从模拟域到数字域的转换，没有复杂的信号处理和转发过程，RIS不会带来额外的通信延迟。但仅反射的RIS适用于基站和用户位于RIS同一侧的场景，即RIS的反射特性使其只能覆盖180度的半空间范围，这一特点限制了其在更广泛场景中的部署。近年来，RIS辅助的URLLC系统得到了广泛的关注。在基站和用户只配备有单天线且基站与用户间的直连链路被遮挡的场景中，有方案采用分组的策略，将所有用户划分为多个组别，基站将要发送给某小组内所有用户的信息比特联合编码为一个数据包，并通过不同的时隙传输不同组别的数据包。研究考虑一个误包率约束下的系统总时延最小化问题，通过连续凸逼近和半正定松弛方法进行波束赋形和用户分组的联合设计。对于RIS辅助的MISO系统，还有方案基于多用户数据传输速率的几何平均值进行发射波束赋形设计，仿真结果表明，基于速率几何平均的优化设计可以实现用户间速率的平均分布。还有方案进一步引入设备到设备(Device-to-Device，D2D)通信来提升工业物联网通信的可靠性和时延性能。接入点(Access point，AP)和执行器间的通信分为两个阶段，在第一个阶段，配备有多天线的AP通过RIS的辅助将信号发送给单天线的执行器，在第一阶段成功接收信息的执行器在第二阶段通过D2D(Device-to-Device，通信设备之间)通信将信息发送给其他接收失败的执行器。研究以最大化两阶段成功解码的设备数为目标，在发射功率及RIS的恒模约束下求解最佳的AP波束赋形向量和RIS相移矢量。

最近，有研究提出了STAR-RIS(Simultaneous Transmitting And ReflectingReconfigurable Intelligent Surface，可同时反射和透射的智能超表面)技术。入射到STAR-RIS上的信号既可以被反射回原空间，也可以穿透STAR-RIS表面到达其后面的空间，因此相比于仅反射的RIS，STAR-RIS可以实现全空间的覆盖，且比传统的仅反射/透射RIS具有更好的性能。虽然STAR-RIS具有更高的调节自由度，可同时对反射和透射信号的幅度和相位进行调节，但反射和透射的联合设计也导致了更高的波束赋形设计复杂度，如何有效设计反射和透射系数已成为一项新的挑战。目前，现有技术中关于STAR-RIS辅助通信的研究多数未考虑其在URLLC系统中的应用。目前关于STAR-RIS辅助通信的研究结果多基于传统的香农容量，即研究结果均基于无限块长理论。然而，为降低通信延迟，URLLC系统通常利用短数据包进行传输。在有限块长机制下，由于无法使用大数定律，经典的信息论结果将不再适用，系统的可实现速率被表征为功率、误包率以及块长的复杂函数。因此，当采用有限块长编码时，无线通信系统的信道增益会下降，通信的可靠性无法得到有效保证，即现有的研究结果高估了URLLC系统的实际性能，仅提供了短数据包传输系统性能的上限。因此，研究STAR-RIS辅助的URLLC系统的性能是十分必要的。

现有技术中关于STAR-RIS辅助的URLLC系统的研究仅考虑简单的两个用户的场景，仅提供了系统内存在两个用户时的理论结果，而未考虑一般化的多用户场景。在实际的工业物联网场景中，系统内往往存在多个对通信的可靠性有较高要求的执行器，如何有效衡量部署有STAR-RIS时多个执行器的可靠性并借助STAR-RIS辅助优化多用户通信的可靠性是一个难点问题。

现有技术中关于STAR-RIS辅助的URLLC通信的研究未考虑联合的可靠性优化和波束赋形设计问题。多数关于STAR-RIS的研究仅考虑了STAR-RIS端被动波束赋形设计，或是基站端主动波束赋形和STAR-RIS端被动波束赋形的联合设计，而忽略了对系统可靠性的优化。工业物联网等URLLC典型应用场景对通信的可靠性有较高的要求，提高传输的可靠性是亟需解决的问题之一。因此，有必要针对STAR-RIS辅助的URLLC系统的可靠性优化开展进一步研究。

发明内容

本发明的实施例提供了一种STAR-RIS辅助的多用户MISO URLLC系统的波束赋形设计方法，以实现有效地提高MISO URLLC系统的通信效率。

为了实现上述目的，本发明采取了如下技术方案。

一种多用户多输入单输出低时延高可靠通信系统的波束赋形设计方法，其特征在于，包括：

在多用户多输入单输出低时延高可靠通信MISO URLLC系统中部署一个STAR-RIS，STAR-RIS辅助增强无线接入点AP和执行器间的可靠通信；

以最大化多用户MISO URLLC系统和速率为目标，构建联合优化AP端主动波束赋形矩阵、STAR-RIS端被动波束赋形矩阵、所有执行器的误包率的优化问题模型，采用基于深度确定性策略梯度DDPG的联合优化算法求解所述优化问题模型，得到训练好的适用于STAR-RIS辅助的多用户MISO URLLC系统的深度强化学习模型，该深度强化学习模型构建出从信道状态信息到最优主、被动波束赋形矩阵和执行器误包率的映射关系；

利用所述训练好的深度强化学习模型根据当前信道的信道状态信息CSI决策最优的主动波束赋形矩阵、被动波束赋形矩阵以及每个执行器的误包率。

优选地，所述的在多用户多输入单输出低时延高可靠通信MISO URLLC系统中部署一个STAR-RIS，STAR-RIS辅助增强无线接入点AP和执行器间的可靠通信，包括：

在MISO URLLC系统中部署一个STAR-RIS，假设AP配备有N

若在时刻t入射到单元m的信号x(t)被反射给执行器，

对于STAR-RIS的每个单元，透射信号的相移

所有的执行器既接收来自AP的信号，也接收来自STAR-RIS的反射或透射信号。

优选地，所述的在多用户多输入单输出低时延高可靠通信MISO URLLC系统中部署一个STAR-RIS，STAR-RIS辅助增强无线接入点AP和执行器间的可靠通信，包括：

假设AP和STAR-RIS间存在LoS视距径，即AP和STAR-RIS间的信道为莱斯信道，则AP和STAR-RIS间的准静态块衰落信道

其中，L

假设STAR-RIS为均匀的平面阵列，由M

其中，

其中，λ表示波长，

其中，(x

路径损耗

其中，ρ

令

当AP发送信号x

其中，

记AP和执行器k间的等效信道矩阵为：

在m

其中，C(γ

在STAR-RIS辅助的多用户MISO URLLC系统中，将以最大化系统和速率为目标，联合优化AP端主动波束赋形矩阵、STAR-RIS端被动波束赋形矩阵、所有执行器的误包率的优化问题建模为：

其中，

优选地，所述的采用基于深度确定性策略梯度DDPG的联合优化算法求解所述优化问题模型，得到训练好的适用于STAR-RIS辅助的多用户MISO URLLC系统的深度强化学习模型，该深度强化学习模型构建出从信道状态信息到最优主、被动波束赋形矩阵和执行器误包率的映射关系，包括：

采用基于DDPG的联合优化算法求解所述优化问题模型，所述基于DDPG的联合优化算法拥有一个动作策略网络π(s)，该网络基于

所述基于DDPG的联合优化算法在确定性策略梯度DPG算法包含的actor网络和critic网络的基础上增加了对应的目标网络，即目标actor网络和目标critic网络，actor网络通过策略π基于当前的状态s

y

其中，γ∈[0,1]为折扣因子，Q′和π′分别为目标Q值函数和目标策略函数，υ

目标critic网络通过最小化损失函数L(υ

其中，n是采样数；

actor网络的均方差损失函数定义为：

通过梯度

目标网络的参数通过滑动平均的方式更新，即

υ

υ

其中，δ为软更新因子；

所述基于DDPG的联合优化算法的状态空间、动作空间、奖励函数定义如下:

状态空间：包含AP和STAR-RIS、AP和透射执行器、AP和反射执行器、STAR-RIS和透射执行器、以及STAR-RIS和反射执行器间的信道状态信息矩阵，即：

将各个信道状态信息矩阵的实部和虚部分离为两部分，分别进行训练，即状态空间重新定义为：

其中，Re{·}和Im{·}分别代表矩阵的实部和虚部；

动作空间：被定义为：

其中，

将预编码矩阵中的每个复元素表示为其指数形式，即

奖励函数定义为系统和速率项减去系统功耗项减去误包率项，即：

其中，

其中，

由上述本发明的实施例提供的技术方案可以看出，本发明考虑STAR-RIS辅助的多用户MISO URLLC系统，在系统中部署一个STAR-RIS，通过增加额外的无线通信路径来服务更多的执行器，且相比于传统的RIS，实现了360度全空间覆盖；同时STAR-RIS具有更多的调节自由度，通过对入射信号幅度和相移的同时调节，增强AP和多个执行器间的可靠通信，有效提升系统的和速率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例提供的一种STAR-RIS辅助的多用户MISO URLLC系统的结构示意图；

图2为本发明实施例提供的一种多用户多输入单输出低时延高可靠通信系统的波束赋形设计和可靠性优化方法的处理流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明面向极小块长数据包低时延高可靠传输需求，考虑在多用户MISO系统中部署一个STAR-RIS，STAR-RIS辅助实现智能可控的无线通信环境，提高系统的可靠性和吞吐率。本发明以最大化系统的和速率为目标，在满足系统对可靠性和功率要求的前提下，对基站端波束赋形矩阵、STAR-RIS端透射系数矩阵、反射系数矩阵进行联合设计，并对系统中所有用户的误包率进行优化。同时，提出的联合优化算法可实现对STAR-RIS的动态调控，能根据实时信道状态信息针对不同用户生成最优的波束赋形器，充分利用波束赋形增益。

本发明对基站端主动波束赋形和STAR-RIS端被动波束赋形进行联合设计，在满足系统对可靠性要求的前提下，最大化系统的和速率。为实现该目标，提出了一种基于深度强化学习的联合优化算法，该算法根据当前的信道状态信息决策最优的波束赋形器和系统内执行器的误包率，指导下行链路的数据传输。

本发明实施例提供的一种STAR-RIS辅助的多用户MISO URLLC系统的结构示意图如图1所示，考虑工业物联网场景中多用户MISO系统的下行链路，该系统中STAR-RIS辅助增强AP(Access Point，无线接入点)和执行器间的可靠通信，如图1所示。假设AP配备有N

本发明实施例提供的一种多用户多输入单输出低时延高可靠通信系统的波束赋形设计和可靠性优化方法的处理流程如图2所示，包括如下的处理步骤：

步骤S10、在多用户多输入单输出低时延高可靠通信MISO URLLC系统中部署一个STAR-RIS，STAR-RIS辅助增强无线接入点AP和执行器间的可靠通信；

步骤S20、以最大化MISO URLLC系统和速率为目标，构建联合优化AP端主动波束赋形矩阵、STAR-RIS端被动波束赋形矩阵、所有执行器的误包率的优化问题模型，采用基于深度确定性策略梯度DDPG的联合优化算法求解所述优化问题模型，所述算法采用离线训练、在线决策的方式，在离线训练阶段得到训练好的适用于STAR-RIS辅助的MISO URLLC系统的深度强化学习模型；

步骤S30、所述训练好的深度强化学习模型构建了一个从信道状态信息到最优波束赋形器和执行器误包率的映射关系，在线决策阶段直接指导波束赋形，将当前信道的信道状态信息CSI输入到所述训练好的深度强化学习模型中，可以直接得到最优的主动波束赋形矩阵、被动波束赋形矩阵以及每个执行器的误包率。

考虑工业物联网场景中多用户MISO系统的下行链路，该系统借助STAR-RIS增强AP和执行器间的可靠通信。假设AP配备有N

若在时刻t入射到单元m(

对于STAR-RIS的每个单元，透射信号和反射信号的相移即

信道模型：考虑一个一般化的场景，即所有的执行器既可以接收来自AP的信号，也可以接收来自STAR-RIS的反射或透射信号。令

其中，L

假设STAR-RIS为均匀的平面阵列，由M

其中，

其中，λ表示波长，

其中，(x

路径损耗

其中，ρ

令

信号模型：当AP发送信号x

其中，i∈{T,R}表示执行器处于STAR-RIS的透射区域或反射区域，若i＝T，则执行器位于STAR-RIS的透射区域，否则位于STAR-RIS的反射区域；

记AP和执行器k间的等效信道矩阵为：

不同于传统的香农容量，URLLC系统通常使用短包传输。根据有限块长理论，在m

其中，C(γ

在STAR-RIS辅助的多用户MISO URLLC系统中，以最大化系统和速率为目标，联合优化AP端主动波束赋形矩阵、STAR-RIS端被动波束赋形矩阵、所有执行器的误包率的优化问题可建模为：

其中，

由于目标函数关于W、Φ

系统和速率最大化算法设计，深度强化学习(Deep Reinforcement Learning，DRL)能够实现对STAR-RIS的智能化动态调控，因此提出一种基于DRL的联合优化算法。智能体基于当前信道的CSI(Channel State Information，信道状态信息)做出相应决策，经过离线训练，DRL模型可以直接输出最优的发射预编码矩阵、STAR-RIS反射和透射系数矩阵，以及基于当前CSI的执行器误包率。

模型训练：由于构建的优化问题要求对STAR-RIS透射和反射的幅度和相位、预编码向量以及误包率的连续控制，采用深度确定性策略梯度(Deep Deterministic PolicyGradient，DDPG)算法求解该连续动作空间问题。DDPG算法将深度Q网络算法扩展到连续动作空间，使用确定性策略避免了将动作空间离散化导致的动作空间维度过高的问题。不同于随机策略需要在整个动作空间上采样，DDPG算法拥有一个动作策略网络，该网络也是一个确定性动作策略函数，表示为π(s)，该网络基于

DDPG算法也是确定性策略梯度(Deterministic Policy Gradient，DPG)算法的演进升级，在DPG算法包含的actor网络和critic网络的基础上增加了对应的目标网络，即目标actor网络和目标critic网络。actor网络和critic网络与其对应的目标网络拥有相同的网络结构。actor网络通过策略π基于当前的状态s

y

其中，γ∈[0,1]为折扣因子，Q′和π′分别为目标Q值函数和目标策略函数，υ

目标critic网络通过最小化损失函数L(υ

其中，n是采样数。

actor网络的均方差损失函数定义为：

通过梯度

目标网络的参数通过滑动平均的方式更新，即

υ

υ

其中，δ为软更新因子。

基于DDPG的联合优化算法：考虑到DDPG算法可以求解连续动作空间问题，本发明采用DDPG算法求解问题(12)。DRL的关键元素，包括状态空间、动作空间、奖励函数和神经网络的结构定义如下:

状态空间：为实现AP和执行器间的高质量通信，DDPG智能体基于当前信道的CSI执行波束赋形以获取最大的波束赋形增益。因此，状态空间包含AP和STAR-RIS、AP和透射执行器、AP和反射执行器、STAR-RIS和透射执行器、以及STAR-RIS和反射执行器间的信道状态信息矩阵，即：

由于上述信道状态信息矩阵中的元素均为复数，为降低模型训练复杂度，将各个信道状态信息矩阵的实部和虚部分离为两部分，分别进行训练，即状态空间重新定义为：

其中，Re{·}和Im{·}分别代表矩阵的实部和虚部。

动作空间：本发明的目的是通过联合优化AP端发射波束赋形矩阵、STAR-RIS的透射和反射系数矩阵以及执行器的误包率以最大化系统和速率，因此动作被定义为：

其中，

由于神经网络的输出值位于区间[-1,1]内，而W是一个复数矩阵，因此为构建预编码矩阵，将预编码矩阵中的每个复元素表示为其指数形式，即

奖励函数定义为系统和速率项减去系统功耗项减去误包率项，即：

其中，

其中，

actor网络、critic网络和对应的目标网络都是多层神经网络。actor网络和critic网络的输入层和输出层间都由一个批归一化层和一个隐藏层相连接。隐藏层的激活函数为ReLU函数，输出层的激活函数为Tanh函数。critic网络根据输入状态和动作向量评估动作价值。为此，critic网络首先通过两个独立的通道分别处理状态和动作向量。两个输入层分别接收输入向量，然后将结果传递至批归一化层。两个独立通道最后通过一个连接层聚合，然后连接到一个隐藏层。Adam优化器被用于更新网络参数。

基于DDPG的联合优化算法如算法1所示：

/>

综上所述，本发明构建了STAR-RIS辅助的多用户MISO URLLC系统模型，STAR-RIS辅助实现全方位的信号覆盖，并通过增加额外的通信链路增强AP和执行器间通信的可靠性。针对该系统，构建了可靠性约束下的系统和速率最大化问题，在保证系统对可靠性和功率要求的前提下，联合优化AP侧主动波束赋形、STAR-RIS侧被动波束赋形、以及系统内执行器的误包率。对于该非凸优化问题，提出一种基于深度强化学习的联合优化算法，该算法基于当前的信道状态信息实时决策AP侧预编码矩阵、STAR-RIS侧反射和透射系数矩阵、以及所有执行器的误包率，实现了对STAR-RIS的智能化动态调控，有效提升了系统的和速率性能。

本发明考虑STAR-RIS辅助的多用户MISO URLLC系统，在系统中部署一个STAR-RIS，通过增加额外的无线通信路径来服务更多的执行器，且相比于传统的RIS，实现了360度全空间覆盖；同时STAR-RIS具有更多的调节自由度，通过对入射信号幅度和相移的同时调节，增强AP和多个执行器间的可靠通信，有效提升系统的和速率。

本发明构建了可靠性约束下的系统和速率最大化问题，通过联合优化AP侧主动波束赋形矩阵、STAR-RIS侧反射系数矩阵和透射系数矩阵，以及每个执行器的误包率，在STAR-RIS的调节约束、系统可靠性约束和功率约束下，最大化系统和速率。该优化问题是个非凸优化问题。首先，优化变量间的高度耦合使得问题难以求解，其次，STAR-RIS引入了更多的调节自由度，反射信号和透射信号的幅度、相移都要调节，使得问题的求解更加复杂。本发明基于DRL算法求解该问题，训练好的模型可以直接根据当前的CSI决策最优的主动波束赋形矩阵、被动波束赋形矩阵以及每个执行器的误包率。

本发明提出的基于DDPG的联合优化算法可以针对多个执行器进行波束赋形，并实现了对STAR-RIS的动态调控，可以根据实时的信道改变做出最优的波束响应，以最大化系统和速率为目标配置波束赋形设计，即根据实时的CSI输出最优的发射预编码矩阵、STAR-RIS反射和透射系数矩阵和执行器的误包率，因此可以获得比传统技术更高的系统效率，并有助于增强系统的鲁棒性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

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发明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，本发明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)执行本发明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，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。