一种粒子直径约束的PM

一种粒子直径约束的pm
2.5
深度学习遥感估算方法
技术领域
1.本发明涉及pm
2.5
浓度遥感估算技术领域，尤其是一种粒子直径约束的pm
2.5
深度学习遥感估算方法。


背景技术：

2.细颗粒物(pm
2.5
)是指环境空气中动力学直径小于等于2.5微米的颗粒物。长期生活在高浓度pm
2.5
的环境下，人的呼吸系统、心血管系统、神经系统等都会受到极大危害。因此，开展pm
2.5
动态监测研究具有重要的意义。目前，我国环境空气自动监测站分布稀疏，无法准确有效地监测大范围区域内pm
2.5
浓度。因此，利用卫星遥感数据估算大范围pm
2.5
浓度具有重要的学术意义和应用价值。
3.基于物理与化学模型的pm
2.5
遥感估算方法一直广受关注，该类方法机理明确，具有很强的可解释性。然而，这类方法需要获取大量的物理化学参数，其估算精度往往受限。此外，统计模型与机器学习方法只需要从大量的地面站点观测数据和相关变量中挖掘关系模型，便可获得较高的估算精度。随着地面站点监测网的快速发展，统计模型与机器学习方法受到更多研究者的青睐。在此类方法中，由于深度学习(深度神经网络)具有非常强大的非线性拟合能力，具备较高的预测精度，因此在大气pm
2.5
遥感估算中得到了广泛的应用。
4.尽管深度学习模型已经取得了较高的估算精度，但易于出现高值低估和低值高估的现象，甚至导致估算的pm
2.5
浓度高于pm
10
或小于pm1等与先验知识不一致的问题。


技术实现要素：

5.有鉴于此，本发明实施例提供一种粒子直径约束的pm
2.5
深度学习遥感估算方法，能够减少深度学习估算pm
2.5
出现的异常值，缓解pm
2.5
深度学习估算过程中低值高估和高值低估的现象，提高深度学习模型的鲁棒性。
6.本发明实施例的第一方面提供了一种粒子直径约束的pm
2.5
深度学习遥感估算方法，包括：
7.获取站点观测数据、再分析资料、卫星遥感数据和辅助数据，所述站点观测数据包括pm
2.5
站点数据和pm
10
站点数据；
8.根据所述再分析资料，结合所述pm
2.5
站点数据，获取pm1等效观测数据；
9.根据所述pm1等效观测数据、所述pm
2.5
站点数据和所述pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数；
10.基于深度神经网络，结合所述神经网络损失函数，构建pm
2.5
估算模型；
11.根据样本库，对所述pm
2.5
估算模型进行训练与优化，确定所述pm
2.5
估算模型的最佳参数；
12.将所述再分析资料、所述卫星遥感数据和所述辅助数据输入所述确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果。
13.可选地，所述获取再分析资料，包括以下至少之一：
14.获取气象条件数据；
15.获取空气质量数据。
16.可选地，所述获取空气质量数据，包括以下至少之一：
17.获取pm1浓度；
18.获取pm
2.5
浓度。
19.可选地，所述根据所述再分析资料，结合所述pm
2.5
站点数据，获取pm1等效观测数据，包括：
20.根据所述再分析资料中所述pm1浓度和所述pm
2.5
浓度的比例关系，结合所述pm
2.5
站点数据进行pm1等效观测值计算，获取pm1等效观测数据，所述pm1等效观测的表达式为：
[0021][0022]
其中，pm1表示pm1等效观测数据，pm1再分析资料表示由再分析资料获取的pm1浓度，pm
2.
再分析资料表示由再分析资料获取的pm
2.5
浓度，pm
2.
表示站点观测pm
2.5
数据。
[0023]
可选地，所述根据所述pm1等效观测数据、所述pm
2.5
站点数据和所述pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数，包括：
[0024]
根据所述pm1等效观测数据、所述pm
2.5
站点数据和所述pm
10
站点数据，结合pm1、pm
2.5
和pm
10
的之间的浓度数值大小的先验关系，确定pm
2.5
遥感估算的约束条件；
[0025]
根据所述约束条件，确定粒子直径约束的神经网络损失函数，所述神经网络损失函数的表达式为：
[0026][0027][0028][0029]
其中，n为样本数量，i表示第i个样本，pm
2.5
表示由站点观测数据获取的pm
2.5
数据，表示pm
2.5
深度学习模型估算的pm
2.5
数据，λ1、λ2表示正则化参数，ψ(pm1)表示pm1约束项，ψ(pm
10
)表示pm
10
约束项，relu()表示线性整流函数，pm1表示pm1等效观测数据，pm
10
表示由站点观测获取的pm
10
数据。
[0030]
可选地，所述基于深度神经网络，结合所述神经网络损失函数，构建pm
2.5
估算模型，包括：
[0031]
根据所述卫星遥感数据和所述辅助数据，构建深度神经网络，所述深度神经网络的表达式为：
[0032]
pm
2.5
＝f(aod,x1,x2,x3,...)，
[0033]
其中，pm
2.5
表示深度神经网络估算的pm
2.5
数据；f()表示深度神经网络，aod表示卫星遥感气溶胶光学厚度数据，x1,x2,x3,...表示辅助数据。
[0034]
可选地，所述根据样本库，对所述pm
2.5
估算模型进行训练与优化，确定所述pm
2.5
估算模型的最佳参数，包括：
[0035]
对所述样本库进行数据集划分；
[0036]
划分后的所述样本库包括训练集、验证集和测试集。
[0037]
可选地，所述根据样本库，对所述pm
2.5
估算模型进行训练与优化，确定所述pm
2.5
估算模型的最佳参数，还包括：
[0038]
根据所述训练集和所述验证集，利用交叉验证确定所述pm
2.5
估算模型的最佳参数；
[0039]
根据所述最佳参数，结合测试集评估所述pm
2.5
估算模型的性能。
[0040]
可选地，所述将所述再分析资料、所述卫星遥感数据和所述辅助数据输入所述确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果，包括：
[0041]
将输入的所述再分析资料、所述卫星遥感数据和所述辅助数据在所述确定最佳参数后的pm
2.5
估算模型进行前向传递。
[0042]
本发明实施例第二方面提供了一种粒子直径约束的pm
2.5
深度学习遥感估算系统，包括：
[0043]
第一模块，用于获取站点观测数据、再分析资料、卫星遥感数据和辅助数据，所述站点观测数据包括pm
2.5
站点数据和pm
10
站点数据；
[0044]
第二模块，用于根据所述再分析资料，结合所述pm
2.5
站点数据，获取pm1等效观测数据；
[0045]
第三模块，用于根据所述pm1等效观测数据、所述pm
2.5
站点数据和所述pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数；
[0046]
第四模块，用于基于深度神经网络，结合所述神经网络损失函数，构建pm
2.5
估算模型；
[0047]
第五模块，用于根据样本库，对所述pm
2.5
估算模型进行训练与优化，确定所述pm
2.5
估算模型的最佳参数；
[0048]
第六模块，用于将所述再分析数据、所述卫星遥感数据和所述辅助数据输入所述确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果。
[0049]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0050]
本发明实施例基于站点观测数据、再分析资料、卫星遥感数据和辅助数据，并结合pm1、pm
2.5
及pm
10
三者粒子直径大小的先验关系构建深度神经网络损失函数的约束项，最终通过样本库训练得到最优的pm
2.5
估算模型，实现了粒子直径约束的pm
2.5
深度学习遥感估算方法。本发明能够减少深度学习估算pm
2.5
出现的异常值，进一步缓解深度学习pm
2.5
估算中出现的高值低估和低值高估现象，提高深度学习模型的鲁棒性，并提升pm
2.5
遥感估算的精度。
附图说明
[0051]
为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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。
[0052]
图1为本发明实施例提供的粒子直径约束的pm
2.5
深度学习遥感估算方法的流程示意图；
[0053]
图2为本发明实施例提供的粒子直径约束的深度学习模型构建的流程示意图。
具体实施方式
[0054]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0055]
为了使本技术内容及技术方案更加清楚明白，对相关术语及含义进行说明：
[0056]
pm1：对环境空气中空气动力学当量直径小于或等于1微米的固体颗粒或液滴的总称，也称为可入肺颗粒物。
[0057]
pm
2.5
：一般指细颗粒物，表示环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。
[0058]
pm
10
：通常是指环境空气中空气动力学当量直径小于或等于10微米的颗粒物，也称为可吸入颗粒物或飘尘。
[0059]
本发明技术方案用于缓解pm
2.5
深度学习遥感估算中高值低估和低值高估的现象。
[0060]
下面结合说明书附图，对本发明的方法的实现原理进行详细说明：
[0061]
本发明实施例提供了一种粒子直径约束的pm
2.5
深度学习遥感估算方法，图1所示为本发明实施例提供的粒子直径约束的pm
2.5
深度学习遥感估算方法的流程示意图，包括：
[0062]
获取站点观测数据、再分析资料、卫星遥感数据和辅助数据，站点观测数据包括pm
2.5
站点数据和pm
10
站点数据；
[0063]
需要说明的是，卫星遥感数据为基于卫星遥感得到的气溶胶光学厚度(aod)，辅助数据包括人口数据和地形数据等，站点观测通过收集地面站点观测数据得到，其中pm
2.5
数据为地面站点观测得到的pm
2.5
浓度，pm
10
数据为地面站点观测得到的pm
10
浓度。
[0064]
根据再分析资料，结合pm
2.5
站点数据，获取pm1等效观测数据；
[0065]
根据pm1等效观测数据、pm
2.5
站点数据和pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数；
[0066]
基于深度神经网络，结合神经网络损失函数，构建pm
2.5
估算模型；
[0067]
根据样本库，对pm
2.5
估算模型进行训练与优化，确定pm
2.5
估算模型的最佳参数；
[0068]
将再分析资料、卫星遥感数据和辅助数据输入确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果。
[0069]
具体地，本发明实施例的方法，基于卫星遥感气溶胶光学厚度(aod)、再分析资料、地面站点观测数据和辅助数据等数据，并基于pm1、pm
2.5
及pm
10
三者粒子直径大小的先验关系构建深度神经网络损失函数的约束项，最终通过样本库训练得到最优的pm
2.5
估算模型，实现了粒子直径约束的pm
2.5
深度学习遥感估算方法。
[0070]
在一些实施例中，获取再分析资料，包括以下至少之一：
[0071]
获取气象条件数据；
[0072]
获取空气质量数据。
[0073]
需要说明的是，气象条件数据包括了风速、温度、湿度和压强等气象相关数据。
[0074]
在一些实施例中，获取空气质量数据，包括以下至少之一：
[0075]
获取pm1浓度；
[0076]
获取pm
2.5
浓度。
[0077]
在一些实施例中，根据再分析资料，结合pm
2.5
站点数据，获取pm1等效观测数据，包括：
[0078]
根据再分析资料中pm1浓度和pm
2.5
浓度的比例关系，结合pm
2.5
站点数据进行pm1等效观测值计算，获取pm1等效观测数据，pm1等效观测的表达式为：
[0079][0080]
其中，pm1表示pm1等效观测数据，pm1再分析资料表示由再分析资料获取的pm1浓度，pm
2.
再分析资料表示由再分析资料获取的pm
2.5
浓度，pm
2.
表示站点观测的pm
2.5
数据。
[0081]
在一些实施例中，根据pm1等效观测数据、pm
2.5
站点数据和pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数，包括：
[0082]
根据pm1等效观测数据、pm
2.5
站点数据和pm
10
站点数据，结合pm1、pm
2.5
和pm
10
的之间的浓度数值大小的先验关系，确定pm
2.5
遥感估算的约束条件；
[0083]
根据约束条件，确定粒子直径约束的神经网络损失函数，神经网络损失函数的表达式为：
[0084][0085][0086][0087]
其中，n为样本数量，i表示第i个样本，pm
2.5
表示由站点观测数据获取的pm
2.5
数据，表示pm
2.5
估算模型估算的pm
2.5
数据，λ1、λ2表示正则化参数，ψ(pm1)表示pm1约束项，ψ(pm
10
)表示pm
10
约束项，relu()表示线性整流函数，pm1表示pm1等效观测得到的pm1数据，pm
10
表示由站点观测数据获取的pm
10
数据。
[0088]
需要说明的是，pm1浓度≤pm
2.5
浓度≤pm
10
浓度的数值关系是已知的，当深度学习模型估算的pm
2.5
大于pm1且小于pm
10
时，表明估算得到的结果是正常的，约束项不起作用(pm1和pm
10
约束项均为0)。当模型估算的pm
2.5
小于pm1时，ψ(pm1)值为正，对模型起到约束作用，即：限定pm
2.5
估算结果的下界(pm
2.5
≥pm1)，能够有效减缓pm
2.5
低估的现象。当模型估算的pm
2.5
大于pm
10
时，ψ(pm
10
)值为正，对模型起到约束作用，即：限定pm
2.5
估算的上界(pm
2.5
≤pm
10
)，能够有效减缓pm
2.5
高估的现象。
[0089]
在一些实施例中，基于深度神经网络，结合神经网络损失函数，构建pm
2.5
估算模型，包括：
[0090]
根据所述卫星遥感数据和所述辅助数据，构建深度神经网络，所述深度神经网络的表达式为：
[0091]
pm
2.5
＝f(aod,x1,x2,x3,...)，
[0092]
其中，pm
2.
表示深度神经网络估算的pm
2.5
数据；f()表示深度神经网络，aod表示卫星遥感数据，x1,x2,x3,...表示辅助数据。
[0093]
需要说明的是，本发明对于深度神经网络无明显限制，主要在于如何构建粒子直径约束的损失函数，并以损失函数为优化目标，采用随机梯度下降、adam等优化算法进行模型迭代训练，直至达到收敛条件或者终止条件(即：构建带约束条件的深度神经网络模型)。
[0094]
在一些实施例中，根据样本库，对pm
2.5
估算模型进行训练与优化，确定pm
2.5
估算模型的最佳参数，包括
[0095]
对所述样本库进行数据集划分；
[0096]
划分后的所述样本库包括训练集、验证集和测试集。
[0097]
在一些实施例中，根据样本库，对pm
2.5
估算模型进行训练与优化，确定pm
2.5
估算模型的最佳参数，还包括：
[0098]
根据所述训练集和所述验证集，利用交叉验证确定所述pm
2.5
估算模型的最佳参数；
[0099]
根据最佳参数，结合测试集评估pm
2.5
估算模型的性能。
[0100]
在一些实施例中，将所述再分析资料、所述卫星遥感数据和所述辅助数据输入所述确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果，包括：
[0101]
将输入的所述再分析资料、所述卫星遥感数据和所述辅助数据在所述确定最佳参数后的pm
2.5
估算模型进行前向传递。
[0102]
需要说明的是，通过将待估算区域的卫星遥感数据、再分析资料和辅助数据输入到确定最佳参数后的pm
2.5
估算模型中，进行输入数据的前向传递，计算得到输出结果，即：pm
2.5
浓度。
[0103]
具体地，在一些实施例中，参照图2，本发明方法实施例的技术方案可以通过以下步骤实现：
[0104]
步骤1、数据收集，包括地面站点数据、再分析资料、遥感数据和辅助数据。
[0105]
遥感数据是指气溶胶光学厚度数据(aod)；再分析资料(如era5)包括温度、风速、湿度、大气边界层高度、下行太阳辐射、降水、pm1和pm
2.5
等；地面站点数据包括地面站点观测到的pm
2.5
数据和pm
10
数据；辅助数据包括人口密度和地形等。对收集的数据进行预处理，去除异常值，同时进行重投影与重采样，使其时空分辨率保持一致。
[0106]
步骤2、基于再分析资料的pm1和pm
2.5
的比例关系，利用地面站点pm
2.5
获取pm1浓度值。
[0107]
目前空气质量监测站无法获得pm1浓度数据，因而利用再分析资料中pm1和pm
2.5
的比例关系与地面站点的pm
2.5
求解pm1等效观测值，其公式如下：
[0108][0109]
式中，pm1表示pm1等效观测值，即pm1浓度，pm1再分析资料表示由再分析资料获取的pm1浓度，pm
2.5
再分析资料表示由再分析资料获取的pm
2.5
浓度，pm
2.5
表示站点观测的pm
2.5
数据。
[0110]
步骤3、基于pm1、pm
2.5
与pm
10
粒子直径大小的先验关系，即pm1浓度≤pm
2.5
浓度≤pm
10
浓度，建立pm
2.5
遥感估算过程中的约束条件，损失函数(loss)具体表达式为：
[0111]
[0112][0113][0114]
式中，n为样本数量，i表示第i个样本，pm
2.5
表示地面站点实测pm
2.5
浓度，表示深度学习模型估算的pm
2.5
浓度，ψ(pm1)为pm1约束项，ψ(pm
10
)为pm
10
约束项，λ1、λ2表示正则化参数。
[0115]
对于ψ(pm1)约束项，relu()为线性整流函数，pm1表示步骤2中获得的pm1等效观测值，表示深度学习模型估算的pm
2.5
浓度；对于ψ(pm
10
)约束项，pm
10
表示地基站点实测的pm
10
浓度。当深度学习模型估算的pm
2.5
大于pm1且小于pm
10
时，表明估算得到的结果是正常的，约束项不起作用(pm1和pm
10
约束项均为0)。当模型估算的pm
2.5
小于pm1时，ψ(pm1)值为正，对模型起到约束作用，即：限定pm
2.5
估算结果的下界(pm
2.5
≥pm1)，能够有效减缓pm
2.5
低估的现象。当模型估算的pm
2.5
大于pm
10
时，ψ(pm
10
)值为正，对模型起到约束作用，即：限定pm
2.5
估算的上界(pm
2.5
≤pm
10
)，能够有效减缓pm
2.5
高估的现象。
[0116]
步骤4、搭建深度神经网络模型，并以步骤3设计的损失函数为优化目标，构建粒子直径约束的pm
2.5
深度学习遥感估算模型。
[0117]
首先，构建含有多个隐含层的全连接前馈神经网络(深度神经网络)，其一般表达式为：
[0118]
pm
2.5
＝f(aod,x1,x2,x3,...)，
[0119]
式中，pm
2.5
表示深度神经网络估算的pm
2.5
数据，f()指的是深度神经网络，应当注意的是，本发明对于深度学习模型无明显限制，而是明确了如何构建粒子直径约束的损失函数(即：带约束条件的深度神经网络模型)。aod为遥感气溶胶光学厚度数据，指的是其他辅助数据。对于所构建的深度神经网络，以步骤3中设计的损失函数为优化目标，采用随机梯度下降、adam等优化算法进行模型迭代训练，直至达到收敛条件或者终止条件。
[0120]
步骤5、利用样本库对模型进行训练，寻找最佳的模型参数，确定pm
2.5
估算模型。
[0121]
首先将收集的样本库分为训练集、验证集和测试集，然后利用交叉验证的方式选择最佳的模型参数，并利用测试集评估模型精度。
[0122]
步骤6、将卫星遥感数据、再分析资料和辅助数据输入上述经过训练的深度学习模型，获得pm
2.5
估算结果。
[0123]
具体为，将待估算区域的卫星遥感数据、再分析资料和辅助数据输入到模型中，进行输入数据的前向传递，计算得到输出结果，即：pm
2.5
浓度。
[0124]
本发明实施例提供了一种粒子直径约束的pm
2.5
深度学习遥感估算系统，包括：
[0125]
第一模块，用于获取站点观测数据、再分析资料、卫星遥感数据和辅助数据，站点观测数据包括pm
2.5
站点数据和pm
10
站点数据；
[0126]
第二模块，用于根据再分析资料，结合pm
2.5
站点数据，获取pm1等效观测数据；
[0127]
第三模块，用于根据pm1等效观测数据、pm
2.5
站点数据和pm
10
站点数据，结合粒子直径大小的先验关系，确定粒子直径约束的神经网络损失函数；
[0128]
第四模块，用于基于深度神经网络，结合神经网络损失函数，构建pm
2.5
估算模型；
[0129]
第五模块，用于根据样本库，对pm
2.5
估算模型进行训练与优化，确定pm
2.5
估算模型
的最佳参数；
[0130]
第六模块，用于将再分析数据、卫星遥感数据和辅助数据输入确定最佳参数后的pm
2.5
估算模型，得到pm
2.5
估算结果。
[0131]
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0132]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
[0133]
综上所述，本发明针对深度学习模型估算pm
2.5
浓度时易于出现高值低估和低值高估的现象，以及该现象导致估算的pm
2.5
浓度高于pm
10
或小于pm1等与先验知识不一致的问题，提出了一种粒子直径约束的pm
2.5
深度学习遥感估算方法，基于卫星遥感气溶胶光学厚度(aod)、再分析资料、地面站点观测数据等构建深度神经网络模型，利用pm1、pm
2.5
及pm
10
三者粒子直径大小的先验关系建立约束条件，并基于此构建深度神经网络损失函数的约束项，最终完成了粒子直径约束的深度学习模型构建，通过该模型能够减少深度学习估算pm
2.5
出现的异常值，进一步缓解深度学习pm
2.5
估算中出现的高值低估和低值高估现象，提高深度学习模型的鲁棒性，并提升pm
2.5
遥感估算的精度，在pm
2.5
估算领域具有良好的应用前景。
[0134]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0135]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0136]
所述功能如果以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。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存
储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0138]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0139]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0140]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0141]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0142]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。