一种极端降水的定量预测方法及系统[发明专利]

*CN102880755A*

(10)申请公布号 CN 102880755 A(43)申请公布日 2013.01.16

(12)发明专利申请

(21)申请号 201210360335.5(22)申请日 2012.09.25

(71)申请人河海大学

地址210009 江苏省南京市鼓楼区西康路1

号

申请人南京河海科技有限公司(72)发明人万定生 余宇峰 陈欢 程习峰

朱跃龙 李士进(74)专利代理机构南京苏高专利商标事务所

(普通合伙) 32204

代理人缪友菊(51)Int.Cl.

G06F 17/50(2006.01)G06N 3/02(2006.01)

(54)发明名称

一种极端降水的定量预测方法及系统(57)摘要

本发明公开了一种极端降水的定量预测方法，按如下步骤进行：Ⅰ、输入模块（100）从数据库或Excel文件中读入水文测站站点原数据，并对读入的数据进行异常检测和清洗，对数据进行预处理，得到规范化的水文时间序列数据；Ⅱ、建模模块（200）针对输入模块（100）中的水文时间序列数据建立由第一预测模型（210）、第二预测模型（220）和组合BP神经网络（230）结合而成的模型；Ⅲ、校正模块（300）根据步骤Ⅱ中预测数据的优劣，对建模模块（200）中建立的预测模型进行参数调整；Ⅳ、输出模块（400）将来年极端降水预测值存储在数据库或文件中，供用户查询和分析。本发明从数据挖掘的角度对年平均极端降水量建模和预测，适用性强，并且具有较高准确率。CN 102880755 A权利要求书 2 页 说明书 6 页 附图 4 页权利要求书2页 说明书6页 附图4页

CN 102880755 A

权 利 要 求 书

1/2页

1.一种极端降水的定量预测方法，其特征在于，按如下步骤进行：Ⅰ、输入模块（100）从数据库或Excel文件中读入水文测站站点原数据，并对读入的数据进行异常检测和清洗，得到干净的水文测站时间序列数据；查看、统计、分析清洗后的水文时间序列数据，对建模需要的数据有初步的认识，然后对数据进行预处理，得到规范化的水文时间序列数据；

Ⅱ、建模模块（200）针对输入模块（100）中的水文时间序列数据建立由第一预测模型（210）、第二预测模型（220）和组合BP神经网络（230）结合而成的模型，

所述第一预测模型（210）通过第一小波分析模块（211）对多站点逐日水文降水数据进行小波变换、分解，得到细节信号，然后对细节信号进行逆转换，统计得到第一BP神经网络模块（212）的输入数据，通过第一BP神经网络（212）得到三项预测值；

所述第二预测模型（220）通过第二小波分析模块（221）对水文单站点的年平均极端降水时间序列数据进行小波变换、分解，得到逼近信号，然后对逼近信号进行逆转换，得到数据的低频部分输入ARMA模型（222），预测来年的平均极端降水数值；

所述组合BP神经网络（230）提取第一BP神经网络（212）得到的三项预测值和ARMA模型（222）中一个预测值，重新组合，作为组合BP神经网络（230）的输入数据，预测来年的极端降水数据；

Ⅲ、校正模块（300）根据步骤Ⅱ中预测数据的优劣，对建模模块（200）中建立的预测模型进行参数调整，调整的参数主要包括第一BP神经网络（212）和组合BP神经网络（230）中的隐层节点数、动量系数以及小波分解尺度；

Ⅳ、输出模块（400）将来年极端降水预测值存储在数据库或文件中，供用户查询和分析。

2.根据权利要求1所述的一种极端降水的定量预测方法，其特征在于，步骤Ⅱ中所述的第一小波分析模块（211）进行数据处理的方法，按如下步骤进行：

A、多站的日降水时间序列经过输入模块（100）的预处理，然后将处理结果数据集经小波正变换单元（S011），把水文时间序列从时间域转化为空间域数据；

B、空间域数据经过小波分解单元（S012）进行Mallat塔式分解算法，经三尺度小波分解，选用Daubechies小波4作为母小波，得到的各尺度分解高频小波域；

C、分解的三种高频小波经过小波逆变换单元（S013）进行重构，将信号再由小波域转换为时间域，并对时间域上的信号进行统计分析，最后将时间域的三种信号分别送入第一BP神经网络模型（212）。

3.根据权利要求1所述的一种极端降水的定量预测方法，其特征在于，步骤Ⅱ中所述的第二小波分析模块（221）进行数据处理的方法，按照如下步骤进行：

A、第二小波正变换单元（S021）将年平均极端降水时间序列从时间域转换为小波域；B、第二小波分解单元（S022）将小波域的数据序列转化为低频小波信号；C、第二小波逆变换单元（S023）将低频小波信号转化为时间域上的信号送入ARMA模型（222）。

4.一种极端降水的定量预测方法及其系统，其特征在于，步骤Ⅲ之前判断是否为训练模式，如果是训练模式，则直接执行步骤Ⅲ；如果不是训练模式，则执行步骤Ⅳ。

5.一种极端降水的定量预测方法及其系统，其特征在于，包括输入模块（100）、建模模

2

CN 102880755 A

权 利 要 求 书

2/2页

块（200）、校正模块（300）和输出模块（400），其中:

所述输入模块（100）用于从数据库或文件中获得多个水文站点逐日降水量原始序列并进行数据预处理，得到规范化的水文时间序列；

所述建模模块（200）针对输入模块（100）中的水文时间序列数据进行建模，建立的模型由第一预测模型（210）、第二预测模型（220）和组合BP神经网络（230）结合而成，用于对所述输入模块（100）输出的规范化的水文时间序列进行处理，得到预测值；

所述第一预测模型（210）包括第一小波分析模块（211）和第一BP神经网络模块（212），用于将水文时间序列看成随机项与趋势项的结合，利用小波分解方法对水文时间序列进行多尺度分解，将水文序列的随机项与趋势项进行有效地分离；

所述第二预测模型（220）包括第二小波分析模块（221）和ARMA模型（222），用于将单一的年平均极端降水序列转化为低频的数据序列，并模型化；

所述组合BP神经网络（230）的输入值为第一预测模型得到的多站点来年平均极端降水数据和第二预测模型得到的单站来年平均极端降水预测数据，其输出值为来年平均极端降水数据；

所述校正模块（300）用于根据建模模块（200）得到的预测数据序列的优劣，对建模模块（200）中建立的预测模型进行参数调整，调整内容包括第一BP神经网络（212）和组合BP神经网络（230）中的隐层节点数、动量系数和小波分解尺度；

所述输出模块（400）用于将来年极端降水预测值存储在数据库或文件中，供用户查询和分析。

6.根据权利要求5所述的一种极端降水的定量预测系统，其特征在于，所述建模模块（200）中的第一小波分析模块（211）包括：

第一小波正变换单元（S011），用于把水文时间序列从时间域转化为空间域数据；第一小波分解单元（S012），用于进行三尺度小波分解，选用Daubechies小波4作为母小波，得到各尺度分解的高频小波域；

第一小波逆变换单元（S013），用于将信号由小波域转换为时间域，并对时间域上的信号进行统计分析，最后将时间域的三种信号分别送入BP神经网络模型。

7.根据权利要求5所述的一种极端降水的定量预测系统，其特征在于，所述建模模块（200）中的第二小波分析模块（221）包括：

第二小波正变换单元（S021），用于将年平均极端降水序列从时间域转换为小波域数据；

第二小波分解单元（S022），用于将小波域数据序列转化为低频小波信号；第二小波逆变换单元（S023），用于将低频小波信号转化为时间域上的信号。8.根据权利要求5所述的一种极端降水的定量预测系统，其特征在于，所述系统还包括训练模块（500），所述训练模块（500）接收接收所述建模模块（200）的数据，判断是否为训练模式，如果是训练模式，则传输数据到矫正模块（300）；如果不是训练模式，则传输数据到输出模块（400）。

3

CN 102880755 A

说 明 书

一种极端降水的定量预测方法及系统

1/6页

技术领域

本发明涉及一种降水的预测方法及系统，具体地说是涉及一种年平均极端降水量

的预测方法。

[0001]

背景技术

极端天气气候事件对人类经济社会及自然环境有着重要的影响，其研究已经成为

了当今气候变化科学的前沿问题之一。当某地的气候状态严重偏离其平均态时，就可以认为是不易发生的气候事件。统计意义上，不容易发生的值（事件）就可以称为极端值（事件）。[0003] 极端强降水事件通常降水时段集中，降水强度非常大，范围较广，常会引起部分地区的洪涝灾害，严重影响工农业生产，它使农田受浸，作物倒伏甚至绝收，水利设施被冲垮；它可使城市交通瘫痪，工矿企业停产；不仅如此，极端降水往往还给人民生命财产带来严重威胁。随着全球气候变暖，水循环加剧，全球范围极端降水事件及其导致的灾害呈增加的趋势。因此对极端降水事件的预测研究具有重大的现实意义，对自然灾害的防御工作能够起到一定的指导作用。

[0004] 国际上分析研究极端降水事件的变化特征通常有两种方法，一种是定义与极端降水事件相关的极端降水指数，通过分析这些极端降水指数的特征来反映极端降水事件的变化情况；另一种就是根据天气现象（如热带气旋）本身的定义标准，直接通过对原始资料的分析来判断该类极端降水事件的频率或强度有何变化。[0005] 国际上，Sen等人定义了七个极端降水指数，并对印度多个站点的极端降水指数进行了分析，采用回归分析的方法得出地域相关性很大的结论。Kunkel等根据美国多个站点15至2000年的逐日降水资料，定义了两个极端降水指数：duration（持续时间）以及return period（重现期），极端阀值与return period相关。采用滑动平均滤波的方法进行趋势分析，并进行了置信度检验，研究发现19世纪末至20世纪初，极端降水的发生频率相当高，之后频率有所降低，但从20世纪二三十年代到20世纪末，频率又有相当大的增加。在我国，翟盘茂等利用1951至1995年的逐日降水资料得出，西北西部年降水量极端偏多的情况表现出显著的扩大趋势，东北、西南和华北年降水极端偏多的情况表现出减小的趋势。主要采用二项式系数滤波及线性拟合的方法进行了趋势分析，并采用t检验对趋势的统计信度进行检验。刘晓宁等选用了我国东部代表华南、江南、长江、华北、东北五大区的25个站点资料，分别统计了各站点大雨日数、暴雨日数等统计特征量，分析了我国暴雨频数及日最大降水强度时空分布特征。结果表明，80年代后全国暴雨极端降水时间平均趋势为：除华北外出现频数明显上升，强度增大，并利用周期图法揭示了各站大暴雨频数存在10年左右周期的特征。1990年早期，气候模式也开始被用来模拟极端降水事件。Frei等利用6个区域气候模式集合预测了20世纪末欧洲的极端降水情况，得出冬季极端降水在45°N以北地区增加，以南地区减少的结论。

[0006] 总结国内外目前研究形势可以发现，目前大多数关于极端降水的研究主要集中于气象学或者水文学领域极端降水趋势的定性研究或者拟合分析，而缺乏相应的定量计算研

[0002]

4

CN 102880755 A

说 明 书

2/6页

究。定性研究主要是对极端降水事件的频率、分布情况进行整体分析，缺少对极端降水的具体降水量的定量分析。拟合分析主要是运用全球气候模式或区域气候模式模拟极端降水事件，然而其利用目前的气候数据建立的统计关系对未来的气候状态是否适用无法证实。[0007] 本发明主要从数据挖掘的角度，采用多种模型对年平均极端降水量的建模和预测，从而填补了极端降水研究领域中缺乏定量分析这一空白。发明内容

[0008] 发明目的：本发明的目的在于针对现有技术的不足，提供一种从数据挖掘的角度对年平均极端降水量建模和预测，适用性强，并且具有较高准确率的极端降水的定量预测方法。

[0009] 同时，本发明还提供了一种极端降水的定量预测系统。[0010] 为了解决以上技术问题，本发明提供一种极端降水的定量预测方法，按如下步骤进行：

Ⅰ、输入模块从数据库或Excel文件中读入水文测站站点的原始水文数据，并对读入的数据进行异常检测和清洗，得到干净的水文测站时间序列数据；查看、统计、分析清洗后的水文时间序列数据，对建模需要的数据有初步的认识，然后对数据进行预处理，得到规范化的水文时间序列数据；

Ⅱ、建模模块针对输入模块中的水文时间序列数据建立由第一预测模型、第二预测模型和组合BP神经网络结合而成的模型：

所述第一预测模型通过第一小波分析模块对多站点逐日降水数据进行小波变换、分解，得到细节信号，然后对细节信号进行逆转换，统计得到第一BP神经网络模块的输入数据，通过第一BP神经网络得到三项预测值；

所述第二预测模型通过第二小波分析模块对单站点的年平均极端降水时间序列数据进行小波变换、分解，得到逼近信号，然后对逼近信号进行逆转换，得到数据的低频部分输入ARMA模型，预测来年的平均极端降水数值；

所述组合BP神经网络提取第一BP神经网络得到的三项预测值和ARMA模型中一个预测值，重新组合，作为组合BP神经网络的输入数据，预测来年的极端降水数据；

Ⅲ、校正模块根据步骤Ⅱ中预测数据的优劣，对建模模块中建立的预测模型进行参数调整，调整的参数主要包括第一BP神经网络和组合BP神经网络中的隐层节点数、动量系数以及小波分解尺度；

Ⅳ、输出模块将来年极端降水预测值存储在数据库或文件中，供用户查询和分析。[0011] 步骤Ⅱ中所述的第一小波分析模块进行数据处理的方法，按如下步骤进行：

A、多站的日降水时间序列经过输入模块的预处理，然后将处理结果数据集经小波正变换单元，把水文时间序列从时间域转化为空间域数据；

B、空间域数据经过小波分解单元进行Mallat塔式分解算法，经三尺度小波分解，选用db4作为母小波，得到的各尺度分解高频小波域；

C、分解的三种高频小波经过小波逆变换单元进行重构，将信号再由小波域转换为时间域，并对时间域上的信号进行统计分析，最后将时间域的三种信号分别送入第一BP神经网络模型。

5

CN 102880755 A[0012]

说 明 书

3/6页

步骤Ⅱ中所述的第二小波分析模块进行数据处理的方法，按照如下步骤进行：A、第二小波正变换单元将年平均极端降水时间序列从时间域转化为小波域；B、第二小波分解单元将小波域数据序列转化为低频小波信号；C、第二小波逆变换单元将低频小波信号转化为时间域上的信号送入ARMA模型。[0013] 进一步地，步骤Ⅲ之前判断是否为训练模式，如果是训练模式，则直接执行步骤Ⅲ；如果不是训练模式，则执行步骤Ⅳ。[0014] 本发明提供的另一技术方案为：一种极端降水的定量预测方法及其系统，包括输入模块、建模模块、校正模块和输出模块，其中:

所述输入模块用于从数据库或文件中获得多个水文站点逐日降水量原始时间序列数据并进行数据预处理，得到规范化的水文时间序列；

所述建模模块针对输入模块中的水文时间序列数据进行建模，建立的模型由第一预测模型、第二预测模型和组合BP神经网络结合而成，用于对所述输入模块输出的规范化的水文时间序列进行处理，得到预测值；

所述第一预测模型包括第一小波分析模块和第一BP神经网络模块，用于将水文时间序列看成随机项与趋势项的结合，利用小波分解方法对水文时间序列进行多尺度分解，将水文序列的随机项与趋势项进行有效地分离；

所述第二预测模型包括第二小波分析模块和ARMA模型，用于将单一的日降水序列转化为低频的数据序列，并模型化；

所述组合BP神经网络的输入值为第一预测模型得到的多站点来年平均极端降水预测数据和第二预测模型得到的站点来年平均极端降水预测数据，其输出值为来年平均极端降水预测值；

所述校正模块用于根据建模模块得到的预测数据的优劣，对建模模块中建立的预测模型进行参数调整，调整内容包括第一BP神经网络和组合BP神经网络中的隐层节点数、动量系数和小波分解尺度；

所述输出模块用于将年极端降水预测值存储在数据库或文件中，供用户查询和分析。[0015] 所述建模模块中的第一小波分析模块包括：

第一小波正变换单元，用于把水文时间序列从时间域转化为空间域数据；第一小波分解单元，用于进行三尺度小波分解，选用Daubechies小波4作为母小波，得到各尺度分解的高频小波域；

第一小波逆变换单元，用于将信号由小波域转换为时间域，并对时间域上的信号进行统计分析，最后将时间域的三种信号分别送入BP神经网络模型。所述建模模块中的第二小波分析模块包括：

第二小波正变换单元，用于将；第二小波分解单元，用于将小波域数据序列转化为低频小波信号；第二小波逆变换单元，用于将低频小波信号转化为时间域上的信号。[0017] 所述系统还包括训练模块，所述训练模块接收所述建模模块的数据，判断是否为训练模式，如果是训练模式，则传输数据到矫正模块；如果不是训练模式，则传输数据到输出模块。

[0018] 有益效果：本发明所述的一种极端降水的定量预测方法及系统，用于水文测站的

[0016]

6

CN 102880755 A

说 明 书

4/6页

年极端降水时间序列数据的预测，该模型主要由小波分析与BP神经网络相结合的预测模型和小波分析与ARMA模型相结合的预测模型两大部分组成，小波分析中的小波分解方法能够把水文时间序列分解为随机项和趋势项，得到多尺度的高频和低频数据；选择非线性程度大的高频数据序列通过BP神经网络进行建模，选择线性程度高的低频序列通过ARMA模型进行建模，合理的利用了小波分析、BP神经网络、ARMA模型三者的优势，搭建了年极端降水组合模型，和其他的预测方法相比，本发明具有更高的预测精确度，以及更好的可扩展性和实用价值。附图说明

[0019]

图1为本发明所述的一种极端降水的定量预测系统的结构示意图；图2为本发明所述的建模模块的结构示意图；

图3为本发明所述的一种极端降水的定量预测方法的流程图；图4为本发明所述的建模模块的主要工作流程图；图5为本发明所述的建模模块的详细工作流程图。

具体实施方式

[0020] 下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

[0021] 实施例：本发明提供一种极端降水的定量预测系统，其结构示意图如图1所示，包括输入模块100、建模模块200、校正模块300、输出模块400和训练模块500。[0022] 其中，所述输入模块100用于从数据库或文件中获得多个水文站点逐日降水量原始序列数据并进行数据预处理，得到规范化的水文时间序列。

[0023] 所述建模模块200针对输入模块100中的水文时间序列数据进行建模，建立的模型由第一预测模型210、第二预测模型220和组合BP神经网络230结合而成，其结构示意图如图2所示，用于对所述输入模块100输出的规范化的水文时间序列进行处理，得到预测值。

[0024] 所述第一预测模型210包括第一小波分析模块211和第一BP神经网络模块212，用于将水文时间序列看成随机项与趋势项的结合，利用小波分解方法对水文时间序列进行多尺度分解，将水文序列的随机项与趋势项进行有效地分离。所述第一小波分析模块211包括第一小波正变换单元S011，用于把水文时间序列从时间域转化为空间域数据；第一小波分解单元S012，用于进行三尺度小波分解，选用Daubechies小波4（以下简称db4）作为母小波，得到各尺度分解的高频小波域；第一小波逆变换单元S013，用于将信号由小波域转换为时间域，并对时间域上的信号进行统计分析，最后将时间域的三种信号分别送入BP神经网络模型。

[0025] 所述第二预测模型220包括第二小波分析模块221和ARMA模型222，用于将单站点的日降水序列数据转化为低频的序列数据，并模型化。第二小波分析模块221包括第二小波正变换单元S021，用于将单站点的年平均极端降水时间序列从时间域转换为小波域；第二小波分解单元S022，用于将小波域数据序列转化为低频小波信号；第二小波逆变换单元S023，用于将低频小波信号转化为时间域上的信号。

7

CN 102880755 A[0026]

说 明 书

5/6页

所述组合BP神经网络230的输入值为第一预测模型得到的多站点来年平均极端

降水数据和第二预测模型得到的单站来年平均极端降水预测数据，其输出值为来年平均极端降水量数据；

所述校正模块300用于根据建模模块200得到的预测数据的优劣，对建模模块200中建立的预测模型进行参数调整，调整内容包括第一BP神经网络212和组合BP神经网络230中的隐层节点数、动量系数和小波分解尺度。

[0027] 所述输出模块400用于将年极端降水预测值存储在数据库或文件中，供用户查询和分析。

[0028] 所述训练模块500接收所述建模模块200的数据，判断是否为训练模式，如果是训练模式，则传输数据到矫正模块300；如果不是训练模式，则传输数据到输出模块400。[0029] 本发明所述的一种极端降水的定量预测系统的工作方法如图3所示，按如下步骤进行：

Ⅰ、输入模块100从数据库或Excel文件中读入水文测站原始水文数据，并对读入的数据进行异常检测和清洗，得到干净的水文测站时间序列数据；查看、统计、分析清洗后的水文时间序列数据，对建模需要的数据有初步的认识，然后对数据进行预处理，得到规范化的水文时间序列数据。[0030] Ⅱ、建模模块200针对输入模块100中的水文时间序列数据建立由第一预测模型210、第二预测模型220和组合BP神经网络230结合而成的模型，建模模块的主要工作流程图如图4所示，其详细工作流程图如图5所示。

[0031] 所述第一预测模型210通过第一小波分析模块211对多站点逐日降水数据进行小波变换、分解，得到细节信号，然后对细节信号进行逆转换，统计得到第一BP神经网络模块212的输入数据，通过第一BP神经网络212得到三项预测值。[0032] 所述的第一小波分析模块211进行数据处理的方法，按如下步骤进行：

A、多站的日降水时间序列经过输入模块100的预处理，然后将处理结果数据集经小波正变换单元S011，把水文时间序列从时间域转化为空间域数据；

B、空间域数据经过小波分解单元S012进行Mallat塔式分解算法，经三尺度小波分解，选用db4作为母小波，提取出信号的三个高频信号d1、d2、d3；

C、分解的三种高频小波经过小波逆变换单元S013进行重构，将信号再从小波域转化为时间域；并对该时间域上的信号进行统计分析，计算出各信号的三项年极端降水指数PQ90、PINT、PNL90（STARDEX研究计划提出的PQ90、PINT、PNL90三项极端降水指数）和年平均极端降水量AVY；

D、最后将d1、d2、d3信号分别送入第一BP神经网络212，第一BP神经网络212的输入向量为各信号的当年极端降水的三项年极端降水指数PQ90、PINT、PNL90，输出向量为来年年平均极端降水量AVY，从而实现对分解出的三个尺度域上的降水序列的分别建模。

[0033] 所述第二预测模型220通过第二小波分析模块221对水文单站站点的年平均极端降水时间序列数据进行小波变换、分解，得到逼近信号，然后对逼近信号进行逆转换，得到数据的低频部分输入ARMA模型222，预测来年的平均极端降水数值。[0034] 所述的第二小波分析模块221进行数据处理的方法，按照如下步骤进行：

A、第二小波正变换单元S021将单站的年平均极端降水时间序列由时间域转换为小波

8

CN 102880755 A

说 明 书

6/6页

域；

B、第二小波分解单元S022将小波域数据序列转化为低频小波信号；C、第二小波逆变换单元S023将低频小波信号转化为时间域上的信号送入ARMA模型222。

[0035] 由于低频序列有较弱的非线性特性，能揭示长时间甚至全局时间的依赖关系，所以采用传统的时间序列ARMA模型来进行建模。

[0036] 所述组合BP神经网络230提取第一BP神经网络212得到的三项预测值和ARMA模型222中一个预测值，重新组合，作为组合BP神经网络230的输入数据，预测来年的水文极端降水数据。由小波分析和BP神经网络结合的预测模型得到的三项预测值与小波分析和ARMA模型相结合的预测模型得到的一个预测值，重新组合，作为BP神经网络预测S031模型的输入数据，来预测来年的水文极端降水数据。[0037] 判断是否为训练模式，如果是训练模式，则直接执行步骤Ⅲ；如果不是训练模式，则执行步骤Ⅳ。[0038] Ⅲ、校正模块300根据步骤Ⅱ中预测数据的优劣，对建模模块200中建立的预测模型进行参数调整，调整的参数主要包括第一BP神经网络212和组合BP神经网络230中的隐层节点数、动量系数以及小波分解尺度。

[0039]

Ⅳ、输出模块400将来年极端降水预测值存储在数据库或文件中，供用户查询和

分析。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

[0040]

9

CN 102880755 A

说 明 书 附 图

1/4页

图1

10

CN 102880755 A

说 明 书 附 图

2/4页

图2

11

CN 102880755 A

说 明 书 附 图

图3

12

3/4页

CN 102880755 A

说 明 书 附 图

4/4页

图4

图5

13