基于光照度聚类和支持向量机的灯光控制方法及设备与流程

本发明实施例涉及照明灯控制技术领域，尤其涉及一种基于光照度聚类和支持向量机的灯光控制方法及设备。

背景技术：

室内照明用电是电能消耗的重要原因之一。为了节省能源、提高便利，现代楼宇中已经普遍使用了自动感应灯光。

其中，老式的自动感应灯光多采用声音传感器和光照传感器，当用户晚上回家时，声音传感器探测到人的脚步声然后打开走廊的灯光。但该方法的不足在于，声音传感器的开关阈值难以把控。如果把声音的阈值调低，那么隔壁楼栋偶然发出的声音、小孩在小区里的叫声、狗吠等都可能会导致灯光打开，浪费电能；反之，如果把声音的阈值调大，有可能人已经走进了走廊，但是因为脚步声不够大而而不能触发灯光开启。因此有很多人都有在晚上“用力跺脚”来打开走廊灯的经历。此外，现在有部分楼宇采用了光照度传感器和人体红外模块来做灯光控制。其优势是不用人“跺脚”也能探测到人体，比起声音传感的方法会更加安静。

以上两种方法，虽然都能实现自动开关，但是基本都只用于楼道、走廊。主要是因为声音传感器、红外传感器无法准确的识别人是否一直待在一个地方。比如人们在看书、厨房做菜、看电视时发出的声音是细微的，人体的移动也是不明显的。声音传感器只能通过声音的阈值判断是否有人，红外传感器只能通过探测温度的变化来发现人，如果一个人呆着不动，那么声音传感器和红外传感器都是探测不到人的。因此，开发一种基于光照度聚类和支持向量机的灯光控制方法，可以有效克服上述相关技术中的缺陷。

技术实现要素：

针对现有技术存在的上述问题，本发明实施例提供了一种基于光照度聚类和支持向量机的灯光控制方法及设备。

第一方面，本发明实施例提供了一种基于光照度聚类和支持向量机的灯光控制方法及设备。所述方法包括：获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻,声音强度,红外信号,聚类后的光照度映射至高维空间，得到高维空间特征向量；将高维空间特征向量作为输入，使用支持向量机中的序列最小优化算法smo对模型进行训练，得到有效的支持向量机模型。采用有效的支持向量机模型对实时获取的高维空间数据进行预测，根据预测结果对灯组发出开启或关闭指令。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述采用k-means算法对光照度进行聚类，包括：统计所有光照度，找出中位数最多的前k个数据，将其初始化为聚类的初始质心；遍历所有数据，计算出其它光照度到k个初始质心的距离，将各个光照度划分至距离最近的初始质心所在的簇中；将每个簇中所有光照度的中间值作为该簇的新质心，重复遍历所有光照度，计算每个光照度距离每个新质心的距离，并根据最近距离将每个光照度划分到新的簇中，再将每个新的簇中所有光照度的中间值作为每个簇的新质心，重复以上计算，直至新质心不再发生变化。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述高斯核函数对应的分类决策函数为：

其中，z为核函数中心；σ为函数的宽度参数,控制了函数的径向作用范围。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述计算每个光照度距离k个初始质心的距离，包括：

其中，ci为第i个簇的质心；x为单个光照度数值；e为距离之和；ci为第i个簇的簇点集合。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述将每个簇中所有光照度的中间值作为每个簇的新质心，包括：

其中，m为每个簇中光照度的数量。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述采用高维空间特征向量及序列最小优化算法对支持向量机模型进行训练，包括：将所述高维空间特征向量作为输入，通过序列最小优化算法对模型进行训练，得到基于所述高维空间特征向量的预测模型，若所述模型在预设精度范围内满足停机条件，则确定支持向量机模型的期望输出为所述最优预测模型的参数。

在上述方法实施例内容的基础上，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述序列最小最优化算法，包括：

输入：训练数据集t＝{(x1,y1),(x2,y2),...,(xn,yn)}；其中，xi∈rⁿ，yi∈{-1，+1}，i＝1,2,…,n，精度ε；

输出：近似解

(1)取初值α⁽⁰⁾＝0，令k＝0；

(2)选取优化变量解析求解两个变量的最优化问题，求得最优解更新α为

(3)若在精度ε范围内满足停机条件；

0≤αi≤c，i＝1,2,...,n

则转(4)；否则令k＝k+1，转(2)；

(4)取

第二方面，本发明的实施例提供了一种基于光照度聚类和支持向量机的灯光控制装置，包括：

模型训练模块，用于获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间特征向量，采用所述高维空间特征向量及序列最小优化算法对支持向量机模型进行训练，得到有效的支持向量机模型；

高维空间数据模块，用于实时获取光照度、时刻、声音强度及红外信号，采用k-means算法对实时获取的光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间数据；

预测模块，用于采用所述有效的支持向量机模型对实时获取的所述高维空间数据进行识别，根据识别结果对灯组发出灯光开启或关闭指令。

第三方面，本发明的实施例提供了一种电子设备，包括：

至少一个处理器；以及

与处理器通信连接的至少一个存储器，其中：

存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于光照度聚类和支持向量机的灯光控制方法。

第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于光照度聚类和支持向量机的灯光控制方法。

本发明实施例提供的基于光照度聚类和支持向量机的灯光控制方法及设备，通过获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻,声音强度,红外信号,聚类后的光照度映射至高维空间，得到高维空间特征向量；将高维空间特征向量作为输入，使用支持向量机中的序列最小优化算法smo对模型进行训练，得到有效的支持向量机模型。采用有效的支持向量机模型对实时获取的高维空间数据进行预测，根据预测结果对灯组发出开启或关闭指令。本发明可以确保在合适的场合和时间开启或关闭灯光，不需要对灯光的开启或关闭进行人力检查，节约了经济成本，适用的场合也较为宽泛。

附图说明

为了更清楚地说明本发明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做一简单的介绍。显而易见地，下面描述中的附图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基于光照度聚类和支持向量机的灯光控制方法流程图；

图1a为本发明实施例提供的基于光照度聚类和支持向量机的灯光控制方法详细流程图；

图2为本发明实施例提供的基于光照度聚类和支持向量机的灯光控制的系统结构示意图；

图3为本发明实施例提供的采用不同方法控制灯组能耗效果示意图；

图4为本发明实施例提供的基于光照度聚类和支持向量机的灯光控制装置结构示意图；

图5为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，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，也不在本发明要求的保护范围之内。

本发明实施例提供了一种基于光照度聚类和支持向量机的灯光控制方法，参见图1，该方法包括：

101、获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻,声音强度,红外信号,聚类后的光照度映射至高维空间，得到高维空间特征向量；将高维空间特征向量作为输入，使用支持向量机中的序列最小优化算法smo对模型进行训练，得到有效的支持向量机模型；

具体可以参见图1a，光照度(传感器采集)是影响室内灯的重要因素，作为主要的特征输入(通常为0～100000lux)，其经过k-means聚类后，划分光照度等级，然后与声音，红外，时间(h)，时间(m)一起作为特征向量，使用高斯核函数映射设置参数，之后作为样本集进行svm训练，确定参数是否达到最优，最后用训练好的svm模型进行svm预测，并对结果进行分析。其中，时间是影响灯光开关的因素之一。太阳每天从东方升起，从西方落下，呈现一定的规律性，所以本文只使用每一天当中的xx时xx分时刻作为特征输入。声音的变化也能够直接或者间接的反应是否有人。在连续稳定声音的情况下，即使是机器运转也是需要开灯的。同时声音数据的处理需要能够辨别干扰数据，如厂房外的狗吠、汽车喇叭声等等。红外探测是探测是否有人体移动的最直接的手段，因此也需要采集该数据。高斯核函数属于现有技术中成熟的技术手段，可参考现有技术的描述，在此不做赘述。

102、实时获取光照度、时刻、声音强度及红外信号，采用k-means算法对实时获取的光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间数据；

103、采用所述有效的支持向量机模型对实时获取的所述高维空间数据进行预测，根据预测结果对灯组发出开启或关闭指令。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述采用k-means算法对光照度进行聚类，包括：统计所有光照度，找出中位数最多的前k个数据，将其初始化为聚类的初始质心；遍历所有数据，计算出其它光照度到k个初始质心的距离，将各个光照度划分至距离最近的初始质心所在的簇中；将每个簇中所有光照度的中间值作为该簇的新质心，重复遍历所有光照度，计算每个光照度距离每个新质心的距离，并根据最近距离将每个光照度划分到新的簇中，再将每个新的簇中所有光照度的中间值作为每个簇的新质心，重复以上计算，直至新质心不再发生变化。

具体地，采用k-means对所有光照度进行聚类步骤如下：

s1：统计所有光照度数据，找出中位数最多的前k个数据，将其初始化为聚类的初始质心；

s2：遍历所有数据，利用公式(2)计算所有其他光照度到各个质心的距离，根据距离的大小将各个光照度划分至与其距离最近质心所在的簇中；

s3：重新计算k个簇的质心，簇中所有对象值的中心即为质心，计算公式如式(3)；

s4：重复s2和s3的操作，经过多次迭代计算、反复调整，最终将数据对象划分到k个簇中，直到质心不再发生变化。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述高斯核函数对应的分类决策函数为：

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述计算每个光照度距离k个初始质心中的每个初始质心的距离，包括：

其中，ci为第i个簇的质心；x为单个光照度数值；e为距离之和；ci为第i个簇的簇点集合。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述将每个簇中所有光照度的中间值作为每个簇的新质心，包括：

其中，m为每个簇中光照度的数量。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，使用支持向量机中的序列最小优化算法smo对模型进行训练，包括：将所述高维空间特征向量作为输入，通过序列最小优化算法对模型进行训练，得到基于所述高维空间特征向量的预测模型，若所述模型在预设精度范围内满足停机条件，则确定支持向量机模型的期望输出为所述最优预测模型的参数。

具体地，采用序列最小最优化smo的算法，该算法将大的优化问题分解为多个小优化问题。这些小优化问题往往很容易求解，并且对小优化问题进行顺序求解的结果与将全部小优化问题作为整体来求解的结果完全一致，同时求解时间更短。

输入：训练数据集t＝{(x1,y1),(x2,y2),...,(xn,yn)}；其中，xi∈rⁿ，yi∈{-1，+1}，i＝1,2,…,n，预设精度为ε；

输出：近似解

将高维空间特征向量初始化为零，即α^{0}＝0；选取优化变量α1^{k}，α2^{k}，k为整数，解析求解两个变量的最优化问题，求得最优解α1^{k+1}，α2^{k+1}，更新α为α1^{k+1}，α2^{k+1}。

若在预设精度ε内满足停机条件(4)式及(5)式，则取否则，从“选取优化变量α1^{k}，α2^{k}，k为整数”重新执行。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制方法，所述停机条件，包括：

本发明实施例提供的基于光照度聚类和支持向量机的灯光控制方法，通过对光照度进行聚类，并采用聚类后的光照度、时刻、声音强度及红外信号作为训练集训练支持向量机模型，再用训练好的支持向量机模型对实时获取的光照度、时刻、声音强度及红外信号进行预测识别并输出结果，根据所述识别结果控制灯组的开启或关闭，可以确保在合适的场合和时间关闭或开启灯光，不需要对灯光的开启或关闭进行人力检查，节约了经济成本，适用的场合也较为宽泛。

整个基于光照度聚类和支持向量机的灯光控制的系统可以参见图2。计时器、光照度传感器、声音传感器、红外传感器不间断探测环境数据，获取时刻值、阳光的强度、声音的分贝数及人体移动产生的环境温度变化，通过zigbee、lora等小无线网络将获取的四种数据传给中控，然后中控将数据封包，以tcp/ip格式通过4g移动网络上传到云服务器中。云服务器通过接收四种数据后，先采用高斯核函数将其映射到高维空间中，然后通过事先训练好的支持向量机模型对四种高维空间中的数据进行预测识别，根据预测结果计算出控制指令后，再以tcp/ip的封包格式发送给中控，然后中控转换控制命令，以zigbee或者lora协议发送至指定的灯光模块中，如家庭的厕所灯、厨房灯和客厅灯；公司的走廊灯、办公室灯和车间灯。从而实现控制各种灯光的开启或关闭。控制效果可以参见图3，与传统的时控开关a和光控开关b控制的灯组进行耗电量比较，无论在区域a，区域b，还是区域c中，时控开关a控制下的灯组能耗最高，光控开关b控制下的灯组能耗居中，基于svm算法c(即本发明各个实施例提供的方法)控制下的灯组能耗最低。可见，本发明各个实施例提供的基于光照度聚类和支持向量机的灯光控制方法节能效果显著。

使用本发明实施例提供的基于光照度聚类和支持向量机的灯光控制方法，能够有效的避免“忘记关灯”的情况。无论是对于家庭还是办公室、工厂车间等场景都能够提供更加有效的节能照明手段。此外，还能够解决传统的声音开关的阈值不准以及红外感应开关的识别角度偏小的问题。这些问题可能导致人还没有离开亮灯区域，但是开关“判断人已经离开”而关灯。如果此时正是夜晚行人在上下楼梯，那么就可能会出现“开关误判人已经离开而关灯”，突然的漆黑可能导致安全隐患。同时，该方法也能够为更为年轻人提供更加便捷舒适的家庭生活。回家、离家不用开关灯；人到哪里，灯光亮到哪里；出门后也不用回去检查是否关灯。进一步地，传统的依靠声音、红外探测的灯光控制方法因为技术问题不能精确识别人体是否长时间呆在一个地方，所以只能应用于走廊、过道等人体不断经过移动且停留时间短暂的地方。但是本方案将楼宇工厂的声音、红外探测信号收集统一处理，并且加上基于时间的预测(作息规律)，使得对于“是否有人”的判断准确度大幅度提高。具体而言，在不同的场景之下，比如办公室、车间、客厅、厨房等，亮灯的时间和规律都不相同。而机器学习模型可以根据不同场景进行学习，针对性提高开关灯的准确性。最后，在办公楼、工厂、学校等场景下，员工不必去巡逻关灯，减少人力成本。

本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于光照度聚类和支持向量机的灯光控制装置，该装置用于执行上述方法实施例中的基于光照度聚类和支持向量机的灯光控制方法。参见图4，该装置包括：

模型训练模块401，用于获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号、聚类后的光照度映射至高维空间，得到高维空间特征向量；将高维空间特征向量作为输入，使用支持向量机中的序列最小优化算法smo对模型进行训练，得到有效的支持向量机模型；

高维空间数据模块402，用于实时获取光照度、时刻、声音强度及红外信号，采用k-means算法对实时获取的光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间数据；

预测识别模块403，用于采用所述有效的支持向量机模型对实时获取的所述高维空间数据进行预测，根据预测结果对灯组发出开启或关闭指令。

本发明实施例提供的基于光照度聚类和支持向量机的灯光控制装置，采用模型训练模块、高维空间数据模块和模式识别模块，通过对光照度进行聚类，并采用聚类后的光照度、时刻、声音强度及红外信号作为训练集训练支持向量机模型，再用训练好的支持向量机模型对实时获取的光照度、时刻、声音强度及红外信号进行预测并输出结果，根据所述预测结果控制灯组的开启或关闭，可以确保在合适的场合和时间关闭或开启灯光，不需要对灯光的开启或关闭进行人力检查，节约了经济成本，适用的场合也较为宽泛。

需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：

基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于光照度聚类和支持向量机的灯光控制装置，还包括：k-means算法对光照度进行聚类，包括：统计所有光照度，找出中位数最多的前k个数据，将其初始化为聚类的初始质心；遍历所有数据，计算出其它光照度到k个初始质心的距离，将各个光照度划分至距离最近的初始质心所在的簇中；将每个簇中所有光照度的中间值作为该簇的新质心；重复遍历所有光照度，计算每个光照度距离每个新质心的距离，并根据最近距离将每个光照度划分到新的簇中，再将每个新的簇中所有光照度的中间值作为每个簇的新质心，重复以上计算，直至新质心不再发生变化。

本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图5所示，该电子设备包括：至少一个处理器(processor)501、通信接口(communicationsinterface)504、至少一个存储器(memory)502和通信总线503。其中，至少一个处理器501，通信接口504，至少一个存储器502通过通信总线503完成相互间的通信。至少一个处理器501可以调用至少一个存储器502中的逻辑指令，以执行如下方法：获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间特征向量，采用所述高维空间特征向量及序列最小优化算法对支持向量机模型进行训练，得到有效的支持向量机模型；实时获取光照度、时刻、声音强度及红外信号，采用k-means算法对实时获取的光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间数据；采用所述有效的支持向量机模型对实时获取的所述高维空间数据进行预测，根据预测结果对灯组发出灯光开启或关闭指令。

此外，上述的至少一个存储器502中的逻辑指令可以通过软件功能单元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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。例如包括：获取光照度、时刻、声音强度及红外信号，采用k-means算法对光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间特征向量，采用所述高维空间特征向量及序列最小优化算法对支持向量机模型进行训练，得到有效的支持向量机模型；实时获取光照度、时刻、声音强度及红外信号，采用k-means算法对实时获取的光照度进行聚类，采用高斯核函数将时刻、声音强度、红外信号及聚类后的光照度映射至高维空间，得到高维空间数据；采用所述有效的支持向量机模型对实时获取的所述高维空间数据进行预测，根据预测结果对灯组发出灯光开启或关闭指令。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置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的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。