基于隱馬爾可夫模型的機器人足球賽場態勢評估

2024年3月15日發(作者：怎么制作新年賀卡)

第１２卷第４期２０１２年２月　

科學技術與工程　

Ｖｏ１Ｊ?。保病。危铮础。疲澹猓玻埃保病?/p>

１６７１—１８１５（２０１２）０４－０７８９—０５　

Ｓｃｉｅｎｃｅ?。裕澹悖瑁睿铮欤铮纾。幔睿洹。牛睿睿澹澹妫椋睿纭?/p>

⑥２０１２?。樱悖椋裕澹悖瑁牛睿纾颍纾?/p>

計算機技術　

基于隱馬爾可夫模型的機器人　

足球賽場態勢評估　

李長江李孝安　

（西北工業大學計算機學院，西安７１０１２９）　

‘　

摘要針對機器人足球賽場態勢評估問題，提出一種基于隱馬爾可夫模型（ＨＭＭ）的機器人足球賽場態勢評估模型。通過　

對賽場信息進行提取和量化，抽象出７個相關態勢因素，作為ＨＭＭ模型的輸入數據。通過采用改進的Ｂａｕｗ—Ｗｅｌｃｈ算法優化　

ＨＭＭ的參數，從而獲得賽場態勢評估結果。實驗結果表明，所提出的方法能較好地滿足賽場實時性和準確性的要求，可以為　

球場上對應策略的變更提供及時、可靠的依據。　

關鍵詞機器人足球　態勢評估　隱馬爾可夫模型?。拢幔酰鳌祝澹欤悖杷惴ā?/p>

中圖法分類號ＴＰ２４２．６?。裕颍常保?；　文獻標志碼Ａ　

在機器人足球比賽中，態勢評估系統通過傳感　針對賽場態勢評估存在的實時有效性問題，本　

器或其它途徑獲得球場上的信息形成當前球場的　文提出一種基于隱馬爾可夫模型（Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　

特征向量，并以此作為態勢評估框架的輸入項。通?。停铮洌澹欤龋停停┑臋C器人足球賽場態勢評估模型。實　

過分析和處理，輸出對當前賽場態勢的合理評估結　驗表明態勢評估的結果較好的滿足了實時性及準　

果。態勢評估結果的實時性和準確性，直接影響策　確性要求，可以為決策層策略的變更提供更加客觀　

略變更的有效性，影響球隊戰法的實施及綜合實力　

有效的依據?！?/p>

的發揮，體現機器人足球的智能水平。　

二二十多年來，態勢評估在軍事、網絡和語音圖　

１賽場態勢評估模型　

像等領域中主要理論和技術成果有：態勢評估時間　

在機器人足球比賽中，賽場態勢評估模型通過　

推理方法、用于軍事態勢評估的分布式人工智能　

平臺獲得球場上各種信息參數，經過預處理提取賽　

（ＤＡＩ）協作知識模型、用于態勢特征和態勢匹配的　

場態勢特征，量化后作為態勢評估框架的輸入，通　

條件代數方法、模板匹配算法、計劃識別理論、貝葉　

過分析和處理，輸出對當前賽場態勢的合理評估結　

斯網絡方法、不確定性因果推理、神經網絡、黑板結　

果，提供給策略決策層。　

構、人工勢場等方法。目前國內關于態勢評估的研　

１．１態勢要素　

究主要以信息融合、人工智能、不確定性信息處理　

考慮到機器人足球狀態空間的復雜性，如果選　

為主，主要采用計劃識別、模糊推理、模板匹配、貝　

取的評判因素過多，將導致狀態空間的爆炸。通過　

葉斯網絡等技術為主，還有學者提出一些新穎的思　

融入專家的經驗和實際的比賽分析驗證，確定了影　

路，如人工勢場、集對分析等。這些研究成果從不　

響比賽態勢的７個關鍵因素　２　如表１。　

同的側重，但距離實用化的距離還很遠?。??！?/p>

１．２態勢表示　

在５?。禉C器人足球仿真比賽中，通常將策略　

２０１１年１１月１５日收到　

分為五類：加強進攻、進攻、攻守平衡、防守、加強防　

第一作者簡介：李長江（１９７９一），男，山東嘉祥人，漢族，碩士研究　

守。態勢的劃分是以策略的劃分為依據的，我們定　

生，研究方向：多媒體智能信息處理，Ｅ—ｍｍｌ：ｌ￣ｚｈｈｒ＠１６３．ｃｏｒｎ?！?/p>

義當前賽場應該采取的最佳策略所對應的態勢為　

通信作者簡介：李孝安（１９６５一），男，陜西西安人，漢族，碩士導　

當前態勢，例如當前賽場應該采取的最佳策略是加　

師，研究方向：自然計算技術、多智能體機器人系統、機器學習、實　

強進攻，那么當前的態勢就是非常有利?！?/p>

時智能測控技術。　

７９０　

表１賽場態勢關鍵因素　

關鍵因素　

比分差　

科學技術與工程?。保簿怼?/p>

表達公式　

ＡＳ＝Ｓ　一Ｓ　

雙方進球數之差　

～一　一一Ｐ一ｐ　　一?。骸∫弧∫弧?/p>

備注　

先確定兩個狀態集合數Ⅳ，　，然后確定ＨＭＭ的三　

個矩陣參數７ｒ，Ａ，Ｂ。　

比賽進行　

０　

時間比率　

，７　

比賽進行時間占總時間的比率　

球的位置　球的橫坐標　

控球能力　

Ｃ　我方總控球次數　

射門能力?。小∥曳缴溟T成功率　

場控能力　

ｔ　表示球在我方半場的時間　

攔截能力　［?。ā。。蟆。ㄒ弧。┍硎疚曳娇倲r截次數　

Ｓｔｐ

ｅ

（　＋Ｉ１］　

在機器人足球比賽中，賽場的五個態勢分別與　

賽場的五個策略相對應，每個策略都有相應的賽場　

布陣打法也就是場上隊形，策略、態勢和隊形的對　

應關系如表２所示。比賽的實質就是根據態勢變化　

調整策略，比賽的關鍵是要實時準確地調整比賽策　

略來控制場上隊形，而比賽策略的調整依據賽場態　

勢的變化，賽場態勢變化的獲取通過態勢評估系　

統，由此態勢評估系統在比賽中起著舉足輕重的　

作用。　

表２策略、態勢和隊形的對應關系　

２基于ＨＭＭ的賽場態勢評估　

２．１賽場態勢的Ｉ玎Ⅵ】Ⅵ模型　

ＨＭＭ可以用一個五元組來描述?。剩骸?/p>

Ａ＝（Ｎ，Ｍ，盯，Ａ，Ｂ）?！?/p>

其中，隱含狀態數目Ⅳ，可觀測值數目　，初始態勢　

概率矩陣仃，態勢轉移矩陣Ａ以及觀測值概率矩　

陣　。　

結合機器人足球賽場態勢，使用ＨＭＭ建模，首　

通常足球機器人賽場態勢有Ｎ＝５個，用０＝　

｛０。，０２，…，０?。硎?，則機器人足球賽場態勢之間的　

轉移構成了一個全連接互轉Ｍａｒｋｏｖ鏈如圖１所示。　

我們選取影響比賽態勢的關鍵因素Ｍ＝７個（如表　

１），組成賽場狀態為Ｖ＝｛　，　，…，　，…，　｝，１≤　

ｍ≤７，而每一個狀態ｑ　對應的是一個隨機觀測序列　

為０?。剑。啊。埃玻啊?，…，０７｝，１≤ｒｎ≤７，顯然Ｏ　

是特征信息　的實時量化表達值，由此采用一個　

離散結構的ＨＭＭ建模?！?/p>

圖１賽場態勢互轉Ｍａｒｋｏｖ鏈　

定義一個三元組（７ｒ，Ａ，Ｂ），其中初始狀態矩陣　

７ｒ，表示計算初始賽場處于各個態勢的概率矩陣７ｒ：　

（７『ｌ，７ｒ２，…，７ｒ　，…，７ｒ５），其中７ｒ?。剑校ǎ纾保剑啊。?，１≤　

ｉ≤５。態勢轉換矩陣Ａ，即賽場態勢之間轉換的概　

率，０　表示在ｔ時刻態勢為０　，那么到ｔ＋１時刻態勢　

為　的概率，即口?。妫剑穑ǎ瘛健。瘛。剑啊。?，１≤ｉ，　≤５?！?/p>

觀察矩陣　，即賽場處于某一個特定態勢的時候，感　

知到關鍵因素的概率，Ｂ　表示在時刻ｔ賽場處于ｑ　

狀態感知到　的概率，即，１≤ｍ≤７，１≤凡≤５?！?/p>

這樣，就構建了賽場態勢和各特征因素之間的　

各狀態互轉的離散ＨＭＭ，Ａ＝（仃，　，Ｂ）。根據ｔ時　

刻感知的特征因素序列０　＝｛０　，０　，…，０　｝和　

ＨＭＭ模型參數，就可以計算出當前賽場處于各種　

態勢的概率即為賽場態勢評估結果，也就是在ｔ時　

刻賽場態勢的分布為ｒ?。剑颍妫ǎ椋?，１≤ｉ≤５其中?！?/p>

２．２?。桑桑停退惴▋灮?/p>

一

般來講建立ＨＭＭ模型，采用三種比較成熟　

的算法來解決ＨＭＭ的三個基本問題?。剩海骸?/p>

（１）前向一后向算法解決態勢評估問題，也就　

４期　李長江，等：基于隱馬爾可夫模型的機器人足球賽場態勢評估?。罚梗薄?/p>

是概率Ｐ（ｏｌＡ）的計算問題：給定觀察序列０＝０　，　

０　，…，０　和模型參數Ａ＝（７ｒ，Ａ，　，來有效地計算　

給定模型的觀察序列的概率Ｐ（０ＩＡ）。　

（２）Ｖｉｔｅｒｂｉ算法解決解碼問題，也就是最佳狀　

態鏈的確定問題：給定觀察序列０＝０　，０　，…，０　

和模型參數Ａ：（７ｒ，Ａ，Ｂ），選擇另一個狀態序列　

式（４）中　

＝　

∑　’（?。?/p>

Ｌ—～　（４）　

∑“?。ā?，　

‘?。ā?，　）＝∑　

Ｌ?。省?/p>

）?。ǎ海帧。ā　蹋辏健?/p>

Ｑ?。剑瘛?，ｑ　，…，ｑ　，使它在當前賽場態勢下能最好　

‘?。ā。?/p>

地解釋觀察情況。　

（３）Ｂａｕｍ．Ｗｅｌｃｈ算法解決學習問題，也就是　

ＨＭＭ的參數優化（或參數估計）問題：調整模型參　

數Ａ＝（７ｒ，　，?。梗穑ǎ埃桑粒┻_最大。這是ＨＭＭ在　

應用中的關鍵問題，與前兩個問題相比，這也是最　

困難的一個問題。　

但是，在機器人足球賽場環境下，Ｂａｕｍ—Ｗｅｌｃｈ　

算法還存在著嚴重的上、下溢問題。這是因為在前　

饋和反饋過程中計算前饋變量式（１）和反饋變量式　

（２）時，它們是由多個小于１的實數連乘得到的，所　

以隨著時間的推移，兩個變量的值將有可能趨于０。　

但計算機所能表達的數值范圍畢竟有限，當狀態輸　

出概率取較大或較小的數量時，累積計算的結果可　

能超出計算機浮點數范圍，而產生上、下溢問題?！?/p>

但我們機器人足球比賽過程中又不允許人工介人，　

為解決這一問題采用自動計算比例因子算法｜７　與　

Ｂａｕｍ．Ｗｅｌｃｈ算法相結合。　

口　（?。剑校ǎ埃?，０２，…，０　，ｑ?。剑啊。桑粒?，１≤　≤Ｔ?。ǎ保?/p>

／３　（　）＝Ｐ（０　一１，０　一２，…，０?。桑瘛。剑啊?，Ａ），１≤ｔ≤Ｔ一１　

（２）　

依據參數估算公式　為　．　

［∑僅　）?。ǎ剩。ā?，ｆ）］　

＝

專Ｉ－　———————一（３）　

＝ｌ　

［∑　

Ｄ（　）　

）　（?。住。ā　蹋。荨?/p>

式（３）中，　為迭代計算模型參數的估算值，它可以　

是ＨＭＭ的　，０　或者是態勢轉移概率Ｐ的均值或　

方差，Ｋ為訓練樣本總數，各元素右上角的（ｋ）代表　

該元素對應第ｋ個訓練樣本，　”（ｉ，＿『，ｔ）與　’（　，　

Ｊ，ｔ）都是前次迭代值　的函數，曰　’與Ｄ　’分別代表　

相應的求和空間。　

為了描述自動比例因子計算算法，將上式寫　

∑∑　

，ｔ　１　

）?。ā。帧。ā?，　，?。。ǎ担?/p>

（　，?。健啤。　ā。。ā?，　，ｆ）＝　

曰‘?。省?/p>

（?。?/p>

∑∑?。　ā。。ā。。。ǎ叮?/p>

Ｄ）?。省。簟?/p>

＝

Ｂ‘　一｛ｔＩ１≤　≤?。?，　’＝Ｄ‘　一｛ｔＩ１≤　≤?。?/p>

（７）　

為了防止上、下溢現象，在計算比例因子時，要　

考慮所有將被修整的量，比例因子　的計算式為　

Ｎ　Ｎ　Ｎ　

．一

１　

＝

Ｉ∑　（　√）＋∑?。ā。啤啤。ā。伞?，　

Ｈ∈｛?。臁。薄堋　堋?，Ｔ?。尽辏。ǎ福?/p>

式（８）中?。ǎ椤蹋┖汀。ǎ?，ｊ）分別用　一　正規化　（ｉ，Ｊ）　

和?。ǎ椋。┑玫?，　

（　，?。健。ā?，?。健　啤。ā?，?。。ǎ梗?/p>

Ｌ　，＜ｔ　

（　，?。健。ā　蹋健　啤　。ā。。。ǎ保铮?/p>

其中　（　√）和五（ｉ，ｊ）分別相當于用　，ｔ＝１，…，ｔ一　

２正規化后的　‘　’（ｉ，　）和Ｍ‘　’（ｉ，Ｊ）。在每次不僅用　

修整五（?），同時也應修整?。ǎ?，?。┖汀。ǎ?，　）。最　

后計算　

＝　

（１１）　

“　‘，Ｊ，　

２．３?。簦簦停蛥涤柧殹?/p>

機器人足球態勢評估系統采用離散的隱馬爾　

可夫模型，具體實現步驟如下?。荩骸?/p>

首先要建立各態勢的ＨＭＭ，每種態勢用具有５　

種隱狀態性質的７個關鍵因素量化值來描述；　

其次收集整理訓練數據形成數據庫：賽場狀態　

信息必須經過預處理后才能作為隱馬爾可夫模型　

的訓練數據，預處理主要包含賽場特征即關鍵因素　

的提取及關鍵因素的量化。其中關鍵因素的量化　

是用７個離散的量化值來表示各態勢的特征，這樣　

簡化了賽場狀態評估的復雜度，計算量小，同時也　

７９２　科學技術與工程?。保簿怼?/p>

便于實現：　

然后訓練隱馬爾可夫模型：模型訓練是基于隱　

馬爾可夫方法的重要步驟之一，它可以使模型參數　

最為理想地適應觀察到的賽場狀態訓練數據。將　

訓練集中的各個矢量序列量化為觀察值序列，利用　

Ｂａｕｍ—ｗｅｌｃｈ算法與自動計算比例因子算法相結合，　

逐步調整離散ＨＭＭ系統的模型參數，以使得模型　

產生觀察序列的概率不斷增加并達到一個極大　

值點?！?/p>

最后測試評估模型：賽場狀態評估系統采集到　

平臺輸出信號經數據預處理，求解特征向量獲取賽　

場７個關鍵因素值并量化組成一個序列，然后分別　

采用各種態勢訓練得到的ＨＭＭ進行概率推理，得　

到各種賽場狀態對應的ＨＭＭ的概率值，ＨＭＭ對應　

的概率最大的態勢即為系統當前賽場狀態，驗證評　

估結果的準確性?！?/p>

直觀地來講，ＨＭＭ訓練是采集某賽場態勢的　

系統輸出源信息，通過預處理、特征向量（關鍵因　

素）采集、特征向量的量化、再將量化后特征向量利　

用Ｂａｕｍ．Ｗｅｌｃｈ算法和自動計算比例因子算法相結　

合訓練ＨＭＭ，得到該態勢對應的ＨＭＭ如圖２　

所示?！?/p>

采　該　

集　關　關　態　

態　預　鍵　鍵　訓　勢　

輸　◆　處　◆　素　

勢　因　

－

ｌｂ．　

因　＿

素　

．．　練　◆　對　

出　理　采　量?。k?。洹?/p>

信　集　化　的　

號　ｄ　

圖２?。龋停唾悎鰬B勢訓練　

２．４賽場態勢評估處理流程　

賽場態勢提取是利用已經訓練好的模型，通過　

ＨＭＭ的求解得到的，可分為特征提取、態勢劃分和　

態勢提取三個部分如圖３所示。賽場態勢評估系統　

采集到平臺輸出信號經數據預處理，求解特征向量　

獲取賽場７個關鍵因素并量化組成一個序列，然后　

分別采用各種態勢訓練得到的ＨＭＭ進行概率推　

理，得到各種賽場態勢對應的ＨＭＭ的概率值，ＨＭＭ　

對應的概率最大的態勢即為系統當前賽場態勢?！?/p>

特征提取　念勢劃分　

一一　’’　’’。。?！?/p>

１　刪?。欤ǚ浅Ｐ《纾?/p>

采　

集　

輸　

預　

求　

解　

特　

標　

準　量　

Ｈ刪２　，不利）　

出　■　處　■　征　■　化　■　標　●ｈ　

化　

Ｈ刪３　一般）　

信　理　向　

值　

幅　

豢　Ｈ　瑚４?。欣?/p>

號　曩　

Ｈ涮５（非常有利）　

態　

勢　

提　

取　

圖３賽場態勢提取　

３實驗　

基于ＨＭＭ的機器人足球賽場態勢評估，在每　

一

個時間周期內，系統獲取賽場信息集，得到大量　

待處理數據，然后進行預處理，提取關鍵因素，并對　

關鍵因素進行量化；合并經過量化的賽場態勢關鍵　

因素，利用訓練好的ＨＭＭ進行當前態勢的評估，得　

到基于概率的態勢分類結果，數值代表當前賽場態　

勢屬于對應態勢的概率，取最大值對應的態勢作為　

當前賽場的態勢評估結果。　

此項實驗中，我們要驗證基于隱馬爾可夫模型　

建立的態勢評估模型評估出的結果與人們觀看不　

比賽得出的結果有多少誤差。如果誤差很小，那么　

我們可以認為該模型對賽場態勢的評估真實有效，　

可以為高層決策提供正確的建議?！?/p>

在ＭｉｒｏＳｏｔ５ＶＳ５仿真平臺下分別用２００６年世　

界強隊一武科ＤＥＭＯ版作為黃隊，西北工業大學基于　

ＨＭＭ的態勢評估版本作為藍隊進行比賽并錄像?！?/p>

比賽進行到某時刻的ＨＭＭ數據，包括模型輸人數　

據即七個關鍵因素和模型輸出數據即態勢評估結　

果，與賽后觀看錄像人工統計的相應數據相比較，　

經過數據分析來驗證態勢評估結果的有效性，如表　

３所示?！?/p>

為了進一步驗證態勢評估結果的有效性，我們　

又組織了５３場比賽，每場比賽只隨機抽取一個時間　

節點，總結這５４次不同場次不同時間節點的ＨＭＭ　

數據分別與我們賽后的客觀評價相比較，結果表明　

４期　李長江，等：基于隱馬爾可夫模型的機器人足球賽場態勢評估?。罚梗场?/p>

主要存在關鍵因素微小誤差，對態勢分析結果的準　

略之間的吻合程度，反映策略變更的有效性，體現　

確率達９８．１５％，態勢評估結果的準確性得到了保　

球隊綜合實力的發揮。態勢評估的實時性決定著　

證，這將為決策層進行策略選擇起到很重要的基礎　

該模型的生存空間，是態勢評估準確性的前提條　

性作用?！?/p>

件，而且隨著賽場條件的開放，其要求會越來越高?！?/p>

表３某時間點態勢數據比較　

本文以機器人足球比賽為應用背景展開了基　

于ＨＭＭ的態勢評估研究。結果表明，基于ＨＭＭ的　

機器人足球賽場態勢評估系統能較好地滿足實時　

性和準確性的要求，可以為球場上對應策略的變更　

提供及時、可靠的依據?！?/p>

參考文獻　

１黃璽瑛，趙定海．態勢評估研究現狀初探．科協論壇，２００９；（４）　

（下）：９４—９５　

２王斌．機器人足球比賽態勢分析與性能評測系統研究．西安：　

西北工業大學碩士研究生學位論文，２００５　

３沈　陽．機器人足球賽場態勢評估模型及方法研究．西安：西北　

工業大學碩士研究生學位論文，２００９　

另外，該模型采用了離散的隱馬爾可夫模型，　

４車　鳴．基于人工免疫機理的賽場態勢評估模型．西安：西北工　

業大學碩士研究生學位論文，２０１?。薄?/p>

一

個明顯的優點就是計算簡單，運算周期短。比賽　

５?。粒恚澹蟆。?，Ｖｉｇｎａ?。帧。?，Ｋｅｍｍｅｒｅｒ　Ｇ?。遥粒眨螅椋睿纭。瑁椋洌洌澹睢。恚幔颍耄铮觥。恚铮洹?/p>

平臺每１／６０?。犹峁┮淮卧葱畔?，策略運行中每１／　

ｅｌｓ?。簦铩。澹觯幔欤酰幔簦濉。簦瑁濉。颍椋螅搿。铮妗。椋睿簦颍酰螅椋铮睿螅桑睿海校颍铮悖澹澹洌椋睿纾蟆。铮妗。簦瑁濉。桑睿簦澹颍睿幔?/p>

６０　ｓ（?。保叮贰。恚螅﹥榷伎梢宰詣佑嬎愠雒總€關鍵因素　

ｔｉｏｎａｌ?。樱恚穑铮螅椋酰怼。铮睢。簦瑁濉。遥澹悖澹睿簟。粒洌觯幔睿悖澹蟆。椋睢。桑睿簦颍酰螅椋铮睢。模澹簦澹悖簦椋铮睢?/p>

并量化。而ＨＭＭ的運算周期，即從七個關鍵因素　

（ＲＡＩＤ?。玻埃埃叮海樱穑颍椋睿纾澹颉郑澹颍欤幔?，２００６：１４５—１６４　

量化值輸入到態勢評估值輸出的時間為２５２　ｍｓ至　

６?。遥幔猓椋睿澹颉。獭。遥痢。簦酰簦铮颍椋幔臁。铮睢。瑁椋洌洌澹睢。停幔颍耄铮觥。恚铮洌澹欤蟆。幔睿洹。螅澹欤澹悖簦澹洹。幔穑穑欤椋?/p>

ｃａｔｉｏｎｓ?。椋睢。螅穑澹澹悖琛。颍澹悖铮纾睿椋簦椋铮睿桑睿海校颍铮悖澹澹洌椋睿纾蟆。铮妗。瑁簦濉。桑牛牛牛保梗福?；７７　

３４７　Ｉｎｓ，取最大值３４７?。恚笠策h小于通常情況下態勢　

（２）：２５７—．２８６　

評估的計算周期５／６　ｓ（８３３．３　ｍｓ），模型系統的實時　

７王玉潔．基于人工心理的情感建模及人工情感交互技術研究．北　

性得到了保證。　

京：北京科技大學博士學位論文，２００７　

８賈賓，朱小燕，羅予頻，等．消除溢出問題的精確Ｂａｎｔｕ．Ｗｅｌｃｈ　

４結論　

算法．軟件學報，２０００；１１（５）：７ｏ７—７１Ｏ　

賽場態勢評估是機器人足球比賽系統重要的　

９周書仁．人臉表情識別算法分析與研究．長沙：中南大學博士學　

位論文，２００９　

決策依據。態勢評估的準確性決定球員與決策策　

ＨＭＭ?。拢幔螅澹洹。樱椋簦酰幔簦椋铮睢。粒螅螅澹螅螅恚澹睿簟。妫铮颉。遥铮猓铮簟。樱铮悖悖澹颉?/p>

ＬＩ　Ｃｈａｎｇ－ｊｉａｎｇ，ＬＩ?。兀椋幔铩幔睢?/p>

（Ｓｃｈｏｏｌ?。铮妗。茫铮恚穑酰簦澹颉。樱悖椋澹睿悖?，Ｎｏｒｔｈｗｅｓｔｅｒｎ?。校铮欤簦澹悖瑁睿椋悖幔臁。眨睿椋觯澹颍螅椋簦?，Ｘｉ’ａｎ?。罚保埃保玻梗校遥茫瑁椋睿幔?/p>

［Ａｂｓｔｒａｃｔ］?。疲铮颉。颍铮猓铮簟。螅铮悖悖澹颉。螅簦幔洌椋酰怼。螅椋簦酰幔簦椋铮睢。幔螅螅澹螅螅恚澹睿簟。穑颍铮猓欤澹恚帷。睿铮觯澹臁。恚铮洌澹臁。铮妗。颍铮猓铮簟。螅铮悖悖澹颉。螅簦幔洌椋酰怼。螅椋簦酰幔?/p>

ｔｉｏｎ?。幔螅螅澹螅螅恚澹睿簟。猓幔螅澹洹。铮睢。簦瑁濉。龋椋洌洌澹睢。停幔颍耄铮觥。停铮洌澹欤ǎ龋停停椋蟆。穑颍铮穑铮螅澹洌疲椋颍螅簦螅澹觯澹睢。耄澹。妫幔悖簦铮颍蟆。簦瑁颍铮酰纾琛。簦瑁濉。悖瑁幔颍?/p>

ａｃｔｅｒｉｓｔｉｃｓ?。铮妗。纾幔恚濉。澹睿觯椋颍铮睿恚澹睿簟。幔蟆。簦瑁濉。椋睿穑酰簦蟆。铮妗。龋停汀。幔颍濉。幔猓螅簦颍幔悖簦澹洌粒睿洹。簦瑁澹睢。簦瑁濉。穑幔颍幔恚澹簦澹颍蟆。铮妗。龋停汀。酰螅椋睿纭。簦瑁濉?/p>

ｉｍｐｒｏｖｅｄ　Ｂａｕｗ?Ｗｅｌｃｈ?。幔欤纾铮颍椋簦瑁怼。猓幔螅澹洹。铮睢。簦瑁濉。澹椋螅簦椋睿纭。澹穑澹颍椋恚澹睿簦幔臁。洌幔簦幔猓幔螅濉。幔颍濉。铮穑簦椋恚椋澹洌疲椋睿幔欤欤?，ｔｈｅ　ｒｅｓｕｌｔ?。铮妗?/p>

ｔｈｅ?。恚铮洌澹臁。椋蟆。纾铮簦裕瑁濉。澹穑澹颍椋恚澹睿簟。颍澹螅酰欤簟。螅瑁铮鳎蟆。恚铮洌澹臁。悖幔睢。螅幔簦椋螅妫。颍澹幔臁簦椋恚濉。幔睿洹。幔悖悖酰颍幔悖。洌澹恚幔睿洌蟆。幔睿洹。穑颍铮觯椋洌濉。簦椋恚澹欤?/p>

ａｎｄ?。颍澹欤椋幔猓欤濉。颍澹妫澹颍澹睿悖澹蟆。妫铮颉。簦瑁濉。悖瑁幔睿纾濉。铮妗。簦瑁濉。悖铮颍颍澹螅穑铮睿洌椋睿纭。螅簦颍幔簦澹纾。妫铮颉。悖酰颍颍澹睿簟。螅铮悖悖澹颉。螅椋簦酰幔簦椋铮睿?/p>

［Ｋｅｙ?。鳎铮颍洌螅荨。颍铮猓铮簟。螅铮悖悖澹颉。螅椋簦酰幔簦椋铮睢。幔螅螅澹螅螅恚澹睿簟。龋停汀。拢幔酰鳌祝澹欤簦琛。幔欤纾铮颍椋簦瑁怼?/p>