基于集成学习的非视距信号检测方法和装置

1.本技术中涉及数据处理技术，尤其是一种基于集成学习的非视距信号检测方法和装置。


背景技术：

2.相关技术中，随着全球导航卫星系统(global navigation satellite system,gnss)技术的快速发展和普及，gnss已经在人们的日常生活中扮演着日益重要的角色。gnss接收机通过接收到不同卫星的gnss信号，然后通过定位解算方法，能够及时、准确地计算获得用户的位置结果，在交通运输、测绘、城市管理、物联网等领域具有广泛的应用。
3.其中，在gnss接收机假设接收到的gnss信号为视距(line
‑
of
‑
sight,los)信号：也即假设gnss信号是由卫星端发出后经过大气层直接到达接收机端的信号。然而，在很多实际应用场景中，尤其是在城市环境下，由于存在建筑、树木等遮挡问题，导致gnss接收机接收到的一部分信号为非视距(non
‑
line
‑
of
‑
sight,nlos)信号。也即los信号被建筑、树木等环境因素遮挡，接收机实际接收到信号的是经过环境因素反射或折射后的信号。由于存在信号反射或折射等问题，存在较大的测距误差，给接收机最终的定位解算结果带来严重的误差。
4.因此，如何对gnss中的nlos信号进行精确检测，成为了本领域人员需要解决的问题。


技术实现要素：

5.本技术实施例提供一种基于集成学习的非视距信号检测方法和装置。用于解决相关技术中存在的无法对gnss中的nlos信号进行精确检测的问题，
6.其中，根据本技术实施例的一个方面，提供的一种基于集成学习的非视距信号检测方法，包括：
7.获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
8.基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；
9.将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；
10.基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。
11.可选地，在基于本技术上述方法的另一个实施例中，所述卫星样本数据集包括以下数据：
12.获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
13.可选地，在基于本技术上述方法的另一个实施例中，在所述获取卫星样本数据集之后，还包括：
14.利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；
15.根据所述目标卫星的视距矢量数据，对每个卫星样本数据进行标注，所述标注对应于视距信号或非视距信号。
16.可选地，在基于本技术上述方法的另一个实施例中，在所述获取卫星样本数据集之后，还包括：
17.利用最小二乘迭代算法，计算得到每个所述卫星样本数据对应的接收机位置；
18.利用所述接收机位置、所述三维坐标位置以及所述观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；
19.利用归一化算法，对所述卫星样本数据集中的每个提取特征进行归一化处理，得到每个所述提取特征的归一化特征，所述提取特征包括卫星样本数据中包括的所述俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
20.可选地，在基于本技术上述方法的另一个实施例中，在所述得到每个所述提取特征的归一化特征之后，还包括：
21.利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个所述初级分类模型；
22.获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果，并将所述多个输出结果进行拼接，得到合并特征矢量数据。
23.可选地，在基于本技术上述方法的另一个实施例中，在所述得到合并特征矢量数据之后，还包括：
24.利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据，对初始的逻辑回归模型进行训练，得到所述次级分类模型。
25.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号，包括：
26.将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据，其中所述初级矢量值与所述次级矢量值的和值为1；
27.当检测到所述初级矢量值大于0.5时，确定所述待检测卫星数据为非视距信号。
28.其中，根据本技术实施例的又一个方面，提供的一种基于集成学习的非视距信号检测装置，包括：
29.获取模块，被配置为获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
30.训练模块，被配置为基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；
31.输入模块，被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；
32.确定模块，被配置为基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。
33.根据本技术实施例的又一个方面，提供的一种电子设备，包括：
34.存储模型，用于存储可执行指令；以及
35.显示模型，用于与所述存储模型显示以执行所述可执行指令从而完成上述任一所述基于集成学习的非视距信号检测方法的操作。
36.根据本技术实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述基于集成学习的非视距信号检测方法的操作。
37.本技术中，可以获取卫星样本数据集，卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型，得到对应的初级矢量值以及次级矢量值；基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号。通过应用本技术的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高gnss非视距信号的检测性能。
38.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
附图说明
39.构成说明书的一部分的附图描述了本技术的实施例，并且连同描述一起用于解释本技术的原理。
40.参照附图，根据下面的详细描述，可以更加清楚地理解本技术，其中：
41.图1为本技术提出的一种基于集成学习的非视距信号检测方法示意图；
42.图2为本技术提出的一种基于集成学习的非视距信号检测流程示意图；
43.图3为本技术提出的基于集成学习的非视距信号检测电子装置的结构示意图；
44.图4为本技术提出的基于集成学习的非视距信号检测电子设备结构示意图。
具体实施方式
45.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
46.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
47.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。
48.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
49.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
50.另外，本技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
51.需要说明的是，本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
52.下面结合图1
‑
图2来描述根据本技术示例性实施方式的用于进行基于集成学习的非视距信号检测方法。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
53.本技术还提出一种基于集成学习的非视距信号检测方法、装置、目标终端及介质。
54.图1示意性地示出了根据本技术实施方式的一种基于集成学习的非视距信号检测方法的流程示意图。如图1所示，该方法包括：
55.s101，获取卫星样本数据集，卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据。
56.本技术中，可以采用全球导航卫星系统(global navigation satellite system)gnss接收机，获得在不同接收机位置以及不同接收时刻下的gnss原始观测数据，从而得到卫星样本数据集。其中每一个样本数据中可以包括收发时间、卫星编号、观测伪距、信噪比、以及每个目标卫星在ecef(earth centered earth fixed)坐标系下的三维坐标位置。
57.需要说明的是，本技术不对目标卫星的数量进行具体限定，例如可以为一个，也可以为多个。
58.进一步的，本技术还可以利用每个接收机的真实位置和每个目标卫星的三维坐标位置，计算卫星在ecef坐标系下的los矢量数据，并可选的结合三维地图信息计算卫星遮挡情况。例如当存在遮挡情况时，数据样本标注为1，也即非视距信号。否则，数据样本标注为0，也即视距信号。
59.s102，基于卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型。
60.进一步的，本技术可以对卫星样本数据集合测试集的每一个数据样本进行特征提取，获得每一个卫星数据样本的特征矢量，具体包括如下多个特征：
61.观测伪距：原始观测数据；
62.信噪比：原始观测数据；
63.卫星ecef三维坐标：原始观测数据x；
64.卫星ecef三维坐标：原始观测数据y；
65.卫星ecef三维坐标：原始观测数据z；
66.利用现有最小二乘迭代算法，估计接收机位置，并计算如下特征
67.俯仰角：利用接收机估计位置和卫星ecef三维坐标，计算目标卫星的俯仰角；
68.伪距残差：利用接收机估计位置和卫星ecef三维坐标，计算估计伪距，并与观测伪距求差，计算获得目标卫星的伪距残差；
69.伪距变化率：对同一个观测卫星、相邻时刻的观测伪距求差，获得目标卫星的伪距
变化率。
70.进一步的，本技术还可以采用min
‑
max归一化方法，对每一个特征进行归一化处理，使得所有特征在0到1之间。例如对某一维特征f，记所有数据样本中，该维特征最大值为fmax，特征最小值fmin，则min
‑
max归一化后的特征为g＝(f
‑
fmin)/(fmax
‑
fmin)。
71.其中，对于初级分类模型来说，其可以为支持向量机svm模型，梯度提升树xgboost模型以及随机森林模型。
72.具体的，svm(support vector machine)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类模型，利用间隔最大化求最优分离超平面。而对于xgboost模型来说，其是一种将损失函数作二阶泰勒展开，利用损失函数的二阶导数信息优化损失函数，根据损失函数是否减小来贪心的选择是否分裂节点。同时，xgboost在防止过拟合方面加入了正则化、学习率、列采样、近似最优分割点等手段。在处理缺失值方面也做了一定的优化。还有的，对于随机森林模型来说，是一个包含多个决策树的分类模型，并且其输出的类别是由个别树输出的类别的众数而定。
73.进一步的，本技术中的次级分类模型可以为逻辑回归模型，对于逻辑回归模型来说，其是一种广义线性回归(generalized linear model)。
74.s103，将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型，得到对应的初级矢量值以及次级矢量值。
75.s104，基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号。
76.进一步的，本技术在实际预测过程中，可以将每一个待检测卫星数据分别通过初级分类模型和次级分类模型，从而获得每一个待检测卫星数据的二分类矢量，记为[o1,o2]，其中o1+o2＝1。当o1>0.5，则检测为非视距nlos信号，否则为视距los信号。
[0077]
如图2所示，为本技术提出的基于集成学习的非视距信号检测方法流程图，其中，主要包含四个步骤，如下：1)数据集准备：利用接收机收集卫星观测数据，并利用三维地图信息获得标注数据，并获得卫星样本数据集和测试集。2)特征提取：利用数据集，计算特征矢量。3)初级分类模型训练：利用卫星样本数据集分别训练每一个单一分类模型，获得对应数量的初级分类模型。4)次级分类模型训练：利用每一个初级分类模型的卫星样本数据集输出结果，训练获得次级分类模型，最终获得非视距信号检测结果。
[0078]
本技术中，可以获取卫星样本数据集，卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型，得到对应的初级矢量值以及次级矢量值；基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号。通过应用本技术的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高gnss非视距信号的检测性能。
[0079]
可选的，在本技术一种可能的实施方式中，卫星样本数据集包括以下数据：
[0080]
获取时间、卫星编号、观测伪距、信噪比以及目标卫星在地心地固坐标系下的三维坐标位置。
[0081]
可选的，在本技术一种可能的实施方式中，在获取卫星样本数据集之后，还包括：
[0082]
利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；
[0083]
根据目标卫星的视距矢量数据，对每个卫星样本数据进行标注，标注对应于视距信号或非视距信号。
[0084]
可选的，在本技术一种可能的实施方式中，在获取卫星样本数据集之后，还包括：
[0085]
利用最小二乘迭代算法，计算得到每个卫星样本数据对应的接收机位置；
[0086]
利用接收机位置、三维坐标位置以及观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；
[0087]
利用归一化算法，对卫星样本数据集中的每个提取特征进行归一化处理，得到每个提取特征的归一化特征，提取特征包括卫星样本数据中包括的俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
[0088]
可选的，在本技术一种可能的实施方式中，在得到每个提取特征的归一化特征之后，还包括：
[0089]
利用每个提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个初级分类模型；
[0090]
获取每个初级分类模型对卫星样本数据生成的多个输出结果，并将多个输出结果进行拼接，得到合并特征矢量数据。
[0091]
可选的，在本技术一种可能的实施方式中，在得到合并特征矢量数据之后，还包括：
[0092]
利用每个卫星样本数据对应的标注结果以及合并特征矢量数据，对初始的逻辑回归模型进行训练，得到次级分类模型。
[0093]
进一步的，对于训练得到初级分类模型来说，本技术可以首先根据对每个目标卫星的视距矢量数据，对每个卫星样本数据进行对应于视距信号或非视距信号的标注结果。以及每个提取特征的归一化特征训练获得多个初级分类模型。一种方式中，本技术可以选用3个单一分类模型用作二分类模型训练，其中单一分类模型可以包括svm，xgboost，随机森林。
[0094]
另外，在每个初级分类模型的训练过程中，均将卫星样本数据集进行k
‑
fold处理，进行模型训练的交叉验证，最终分别训练获得3个初级分类模型。在本技术中，k
‑
fold处理中的k设置为5。
[0095]
再者，本技术还可以利用每一个分类模型对卫星样本数据集的输出结果，拼接构成合并特征矢量。例如对每一个数据样本，三个初级分类模型的输出结果分别是[0.4,0.6],[0,9,0.1],[0.3,0.7]，则该数据样本拼接构成的合并特征矢量数据为[0.4,0.6,0,9,0.1,0.3,0.7]。
[0096]
最后，对于训练得到次级分类模型来说，可以将合并特征矢量与每个卫星样本数据进行对应于视距信号或非视距信号的标注结果进行训练获得次级分类模型。需要注意的是，在本技术中可以选用逻辑回归作为次级分类模型，进行次级分类模型训练。
[0097]
可选的，在本技术一种可能的实施方式中，基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号，包括：
[0098]
将初级矢量值以及次级矢量值作为待检测卫星数据的二分类矢量数据，其中初级矢量值与次级矢量值的和值为1；
[0099]
当检测到初级矢量值大于0.5时，确定待检测卫星数据为非视距信号。
[0100]
可选的，在本技术的另外一种实施方式中，如图3所示，本技术还提供一种基于集成学习的非视距信号检测装置。其中，包括获取模块201，训练模块202，输入模块203，确定模块204，包括：
[0101]
获取模块201，被配置为获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
[0102]
训练模块202，被配置为基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；
[0103]
输入模块203，被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；
[0104]
确定模块204，被配置为基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。
[0105]
本技术中，可以获取卫星样本数据集，卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型，得到对应的初级矢量值以及次级矢量值；基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号。通过应用本技术的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高gnss非视距信号的检测性能。
[0106]
在本技术的另外一种实施方式中，还包括：所述卫星样本数据集包括以下数据：
[0107]
获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
[0108]
在本技术的另外一种实施方式中，获取模块201，还包括：
[0109]
利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；
[0110]
根据所述目标卫星的视距矢量数据，对每个卫星样本数据进行标注，所述标注对应于视距信号或非视距信号。
[0111]
在本技术的另外一种实施方式中，获取模块201，还包括：
[0112]
利用最小二乘迭代算法，计算得到每个所述卫星样本数据对应的接收机位置；
[0113]
利用所述接收机位置、所述三维坐标位置以及所述观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；
[0114]
利用归一化算法，对所述卫星样本数据集中的每个提取特征进行归一化处理，得到每个所述提取特征的归一化特征，所述提取特征包括卫星样本数据中包括的所述俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
[0115]
在本技术的另外一种实施方式中，获取模块201，还包括：
[0116]
利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个所述初级分类模型；
[0117]
获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果，并将所述多个输出结果进行拼接，得到合并特征矢量数据。
[0118]
在本技术的另外一种实施方式中，获取模块201，还包括：
[0119]
利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据，对初始的逻辑回归模型进行训练，得到所述次级分类模型。
[0120]
在本技术的另外一种实施方式中，获取模块201，还包括：
[0121]
将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据，其中所述初级矢量值与所述次级矢量值的和值为1；
[0122]
当检测到所述初级矢量值大于0.5时，确定所述待检测卫星数据为非视距信号。
[0123]
图4是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0124]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储模型，上述指令可由电子设备处理模型执行以完成上述基于集成学习的非视距信号检测方法，该方法包括：获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。可选地，上述指令还可以由电子设备的处理模型执行以完成上述示例性实施例中所涉及的其他步骤。例如，非临时性计算机可读存储介质可以是rom、随机存取存储模型(ram)、cd
‑
rom、磁带、软盘和光数据存储设备等。
[0125]
在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理模型执行，以完成上述基于集成学习的非视距信号检测方法，该方法包括：获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。可选地，上述指令还可以由电子设备的处理模型执行以完成上述示例性实施例中所涉及的其他步骤。
[0126]
图4为计算机设备30的示例图。本领域技术人员可以理解，示意图4仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
[0127]
所称处理模型302可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理模型、数字信号处理模型(digital signal processor，dsp)、专用集成电
路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑模型件、分立门或者晶体管逻辑模型件、分立硬件组件等。通用处理模型可以是微处理模型或者该处理模型302也可以是任何常规的处理模型等，处理模型302是计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。
[0128]
存储模型301可用于存储计算机可读指令303，处理模型302通过运行或执行存储在存储模型301内的计算机可读指令或模块，以及调用存储在存储模型301内的数据，实现计算机设备30的各种功能。存储模型301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储模型301可以包括硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储模型件、闪存模型件、只读存储模型(read
‑
only memory，rom)、随机存取存储模型(random access memory，ram)或其他非易失性/易失性存储模型件。
[0129]
计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理模型执行时，可实现上述各个方法实施例的步骤。
[0130]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0131]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。