合金制备策略的确定方法、装置及双向预测系统

1.本技术涉及软件技术领域，尤其是涉及一种合金制备策略的确定方法、装置及双向预测系统。


背景技术：

2.al-zn-mg-cu合金作为一种多组分时效合金，具有优异的强度重量比、耐腐蚀性和低密度等优点，在航空工业中得到了广泛的应用。目前，航空工业的发展对al-zn-mg-cu合金的性能提出了更高的要求，特别是对强度和韧性的要求。
3.从根本上讲，提高al-zn-mg-cu合金性能的主要方法包括元素设计、热处理策略的控制和先进加工技术的开发。一些先进加工技术的出现无疑可以改善al-zn-mg-cu合金的性能，如严重塑性变形(severe plastic deformation，简称spd)，从而实现了强度和塑性的同步提高。然而，这些技术总是存在成本高、操作复杂和产品尺寸有限的问题。另一方面，优化材料元素和制定合理的热处理策略是提高al-zn-mg-cu合金性能的两种切实可行的方法，但是对于al-zn-mg-cu合金而言，未探索的元素含量和热处理参数的试验范围极为广泛，导致常规的实验-试错的方法费时费力。在此基础上，提出一种al-zn-mg-cu合金智能设计系统具有重要的意义。幸运的是，机器学习(ml)方法可以实现这一目标。
4.基于丰富的算法和强大的多维建模能力，机器学习方法可以有效地促进材料发现，最近在材料研究中已经引起了科研人员极大的兴趣。但是目前关于al-zn-mg-cu合金的机器学习应用主要集中在特定的合金成分或元素下的热处理工艺的优化和性能的预测，无法针对目标性能要求，提供一种高效的合金制备策略的确定方法，包括合金元素含量和热处理工艺的确定过程。


技术实现要素：

5.本技术的目的在于提供一种合金制备策略的确定方法、装置及双向预测系统,通过制备策略与合金性能的双向实时训练预测过程，可以针对目标合金性能给出更加精确的合金制备策略。
6.第一方面，本技术实施例提供一种合金制备策略的确定方法，方法包括：获取待制备合金对应的目标合金性能；针对目标合金性能，执行以下训练预测操作：确定目标数据样本集中的当前训练集；应用当前训练集对预设制备策略预测模型进行训练，通过训练后的制备策略预测模型对目标合金性进行预测，输出待制备合金对应的当前制备策略；当前制备策略包括：合金元素含量、热处理参数；应用当前训练集对预设合金性能预测模型进行训练，通过训练后的合金性能预测模型对当前制备策略进行预测，输出当前制备策略对应的预测合金性能；根据目标合金性能和预测合金性能，计算偏差值；如果偏差值小于预设偏差阈值，将当前制备策略确定为待制备合金对应的目标制备策略；如果偏差值大于预设偏差阈值，判断当前训练预测次数是否超过次数阈值；如果未超过次数阈值，继续执行训练预测操作；如果超过次数阈值，将次数阈值内的预测结果中，最小偏差值对应的当前制备策略确
定为待制备合金对应的目标制备策略。
7.在本技术较佳的实施方式中，上述预设制备策略预测模型和预设合金性能预测模型的构建过程如下：分别将预设制备策略预测模型和预设合金性能预测模型作为当前待构建模型，执行以下步骤：获取目标数据样本集；样本集中的样本包括：制备策略和合金性能的对应关系；应用目标数据样本集中的样本对多种预设机器学习模型进行训练；多种预设机器学习模型至少包括：线性回归模型、支持向量回归模型和人工神经网络模型；将训练后的多种模型中，预测准确度最高的模型确定为当前待构建模型对应的目标模型。
8.在本技术较佳的实施方式中，上述获取目标数据样本集的步骤，包括：从文献中获取合金元素特征、热处理参数特征和合金性能特征；其中，合金元素特征包括：多种合金元素及每种元素分别对应的出现次数和含量；从合金元素特征中，提取出现次数率达到次数阈值，且含量达到含量阈值的目标元素；从热处理参数特征中确定目标热处理参数；从合金性能特征中确定目标合金性能；其中，目标热处理参数包括：单步固溶和时效；目标合金性能包括：拉伸强度、屈服强度和伸长率；基于目标元素对应含量、目标热处理参数和目标合金性能，生成目标数据样本集。
9.在本技术较佳的实施方式中，上述目标数据样本集对应有多种训练集占比；每种训练集占比对应有抽取次数区间；确定目标数据样本集中的当前训练集的步骤，包括：获取当前训练预测次数；根据当前训练预测次数，确定所属的目标抽取次数区间对应的目标训练集占比；从目标数据样本集中抽取目标训练集占比对应样本数量的样本，得到当前训练集。
10.在本技术较佳的实施方式中，上述应用当前训练集对预设制备策略预测模型进行训练的步骤，包括：将当前训练集中的样本，以制备策略作为输出，以合金性能作为输入，输入至预设制备策略预测模型进行训练，得到训练后的制备策略预测模型。
11.在本技术较佳的实施方式中，上述应用当前训练集对预设合金性能预测模型进行训练的步骤，包括：将当前训练集中的样本，以制备策略作为输入，以合金性能作为输出，输入至预设合金预测模型进行训练，得到训练后的合金性能预测模型。
12.在本技术较佳的实施方式中，上述根据目标合金性能和预测合金性能，计算偏差值的步骤，包括：利用预测合金性能对应的值减去目标合金性能对应的值，得到差值；利用差值除以目标合金性能对应的值，得到偏差值。
13.第二方面，本技术实施例还提供一种合金制备策略的确定装置，装置包括：性能获取模块，用于获取待制备合金对应的目标合金性能；双向预测模块，用于针对目标合金性能，执行以下训练预测操作：确定目标数据样本集中的当前训练集，应用当前训练集对预设制备策略预测模型进行训练，通过训练后的制备策略预测模型对目标合金性进行预测，输出待制备合金对应的当前制备策略；当前制备策略包括：合金元素含量、热处理参数；应用当前训练集对预设合金性能预测模型进行训练，通过训练后的合金性能预测模型对当前制备策略进行预测，输出当前制备策略对应的预测合金性能；偏差计算模块，用于根据目标合金性能和预测合金性能，计算偏差值；策略确定模块，用于如果偏差值小于预设偏差阈值，将当前制备策略确定为待制备合金对应的目标制备策略；如果偏差值大于预设偏差阈值，判断当前训练预测次数是否超过次数阈值；如果未超过次数阈值，继续执行训练预测操作；如果超过次数阈值，将次数阈值内的预测结果中，最小偏差值对应的当前制备策略确定为
待制备合金对应的目标制备策略。
14.第三方面，本技术实施例还提供一种合金性能与制备策略双向预测系统，系统中存储有目标数据样本集、预设制备策略预测模型和预设合金性能预测模型；系统用于基于目标数据样本集、预设制备策略预测模型和预设合金性能预测模型，通过如第一方面所述的合金制备策略的确定方法预测目标合金性能对应的目标制备策略；系统还用于通过预设合金性能预测模型，预测目标制备策略对应的目标合金性能。
15.第四方面，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
16.本技术实施例提供的一种合金制备策略的确定方法、装置及双向预测系统中,首先获取待制备合金对应的目标合金性能；针对目标合金性能，执行以下训练预测操作：确定目标数据样本集中的当前训练集；应用当前训练集对预设制备策略预测模型进行训练，通过训练后的制备策略预测模型对目标合金性进行预测，输出待制备合金对应的当前制备策略；当前制备策略包括：合金元素含量、热处理参数；应用当前训练集对预设合金性能预测模型进行训练，通过训练后的合金性能预测模型对当前制备策略进行预测，输出当前制备策略对应的预测合金性能；根据目标合金性能和预测合金性能，计算偏差值；如果偏差值小于预设偏差阈值，将当前制备策略确定为待制备合金对应的目标制备策略；如果偏差值大于预设偏差阈值，判断当前训练预测次数是否超过次数阈值；如果未超过次数阈值，继续执行训练预测操作；如果超过次数阈值，将次数阈值内的预测结果中，最小偏差值对应的当前制备策略确定为待制备合金对应的目标制备策略。本技术实施例中通过制备策略与合金性能的双向实时训练预测过程，可以针对目标合金性能给出更加精确的合金制备策略。
附图说明
17.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，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。
18.图1为本技术实施例提供的一种合金制备策略的确定方法的流程图；
19.图2为本技术实施例提供的一种合金制备策略的确定过程示意图；
20.图3为本技术实施例提供的一种合金制备策略的确定方法中样本集确定方法的流程图；
21.图4为本技术实施例提供的一种三个机器学习模型对铝合金三种关键力学性能的预测能力对比图；
22.图5为本技术实施例提供的一种合金制备策略的确定方法中当前样本集确定方法的流程图；
23.图6为本技术实施例提供的一种合金制备策略的确定装置的结构框图；
24.图7为本技术实施例提供的一种双向预测系统的结构框图。
具体实施方式
25.下面将结合实施例对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
26.目前关于al-zn-mg-cu合金的机器学习应用主要集中在特定的合金成分或元素下的热处理工艺的优化和性能的预测，无法针对目标性能要求，提供一种高效的合金制备策略的确定方法，包括合金元素含量和热处理工艺的确定过程。基于此，本技术实施例提供一种合金制备策略的确定方法、装置及双向预测系统,通过制备策略与合金性能的双向实时训练预测过程，可以针对目标合金性能给出更加精确的合金制备策略。
27.为便于对本实施例进行理解，首先对本技术实施例所公开的一种合金制备策略的确定方法进行详细介绍。
28.图1为本技术实施例提供的一种合金制备策略的确定方法的流程图，图2为本技术实施例提供的一种合金制备策略的确定过程示意图；参见图1和图所示，该方法具体包括以下步骤：
29.步骤s101，获取待制备合金对应的目标合金性能。
30.步骤s102，针对目标合金性能，执行以下训练预测操作：
31.步骤s1021，确定目标数据样本集中的当前训练集。目标数据样本集和当前训练集的确定过程可参见后述内容。每次执行训练预测操作时，需要首先从目标数据样本集中确定当前训练集，即每次训练集中的样本是不同的。
32.步骤s1022，应用当前训练集对预设制备策略预测模型进行训练，通过训练后的制备策略预测模型对目标合金性进行预测，输出待制备合金对应的当前制备策略；当前制备策略包括：合金元素含量、热处理参数。
33.具体实施时，将当前训练集中的样本，以制备策略作为输出，以合金性能作为输入，输入至预设制备策略预测模型进行训练，得到训练后的制备策略预测模型。
34.步骤s1023，应用当前训练集对预设合金性能预测模型进行训练，通过训练后的合金性能预测模型对当前制备策略进行预测，输出当前制备策略对应的预测合金性能。
35.具体实施时，将当前训练集中的样本，以制备策略作为输入，以合金性能作为输出，输入至预设合金预测模型进行训练，得到训练后的合金性能预测模型。
36.上述确定目标数据样本集中的当前训练集，应用当前训练集对预设制备策略预测模型进行训练，应用当前训练集对预设合金性能预测模型进行训练的过程在图2中没有示出。可以这样理解，图2中的p-s模型可以看作应用当前训练集对预设制备策略预测模型进行训练后的模型；s-p模型可以看作应用当前训练集对预设合金性能预测模型进行训练后的模型。
37.p-s模型的输入为上述目标合金性能，该模型的输出为当前制备策略；s-p模型的输入为当前制备策略，输出为预测合金性能。
38.步骤s103，根据目标合金性能和预测合金性能，计算偏差值。
39.具体实施时，目标合金性能和预测合金性能分别对应有一个数值，性能是以数值来表示的，因此，计算偏差值的时候，可以利用预测合金性能对应的值减去目标合金性能对
应的值，得到差值；然后利用差值除以目标合金性能对应的值，得到偏差值。
40.步骤s104，判断偏差值是否小于预设偏差阈值；如图2中所示的偏差值是否小于pt预设偏差阈值，在本技术实施例中，经过反复验证，pt值最终被设置为5％。
41.如果偏差值小于预设偏差阈值，执行步骤s105，将当前制备策略确定为待制备合金对应的目标制备策略；即图2中的输出结果1；
42.如果偏差值大于预设偏差阈值，执行步骤s106，判断当前训练预测次数是否超过次数阈值；如图2中所示的训练预测次数是否大于等于lntt次数阈值；
43.如果未超过次数阈值，继续执行步骤s102的训练预测操作；
44.如果超过次数阈值，执行步骤s107，将次数阈值内的预测结果中，最小偏差值对应的当前制备策略确定为待制备合金对应的目标制备策略，如图2中所示的输出结果2。
45.本技术实施例提供的合金制备策略的确定方法中，通过制备策略与合金性能的双向实时训练预测过程，可以针对目标合金性能给出更加精确的合金制备策略。
46.本技术实施例还提供另一种合金制备策略的确定方法，该方法在上述实施例的基础上实现；本实施例重点描述模型训练过程和双向预测过程。
47.参见图3所示，上述预设制备策略预测模型和预设合金性能预测模型的构建过程如下：
48.分别将预设制备策略预测模型和预设合金性能预测模型作为当前待构建模型，执行以下步骤：
49.步骤s302，获取目标数据样本集；样本集中的样本包括：制备策略和合金性能的对应关系。
50.具体实施时，可以通过以下几个步骤来获取目标数据样本集：
51.(1)从文献中获取合金元素特征、热处理参数特征和合金性能特征；其中，合金元素特征包括：多种合金元素及每种元素分别对应的出现次数和含量；
52.(2)从合金元素特征中，提取出现次数率达到次数阈值，且含量达到含量阈值的目标元素；从热处理参数特征中确定目标热处理参数；从合金性能特征中确定目标合金性能；其中，目标热处理参数包括：单步固溶和时效；目标合金性能包括：拉伸强度、屈服强度和伸长率；
53.(3)基于目标元素对应含量、目标热处理参数和目标合金性能，生成目标数据样本集。
54.具体实施时，通过对检索到的文献中的合金成分进行分析，共选择了24种元素，即al、zn、mg、cu、zr、si、fe、mn、ti、cr、sc、la、er、y、be、pr、yb、ag、ni、ce、li、sr、gd和sn，作为初始成分特征。将固溶温度和时间、时效温度和时间定义为热处理参数的初始特征。在性能特征方面，除了抗拉强度和伸长率外，还同时收集了屈服强度、硬度、断裂韧性和晶粒度等其他特征。接下来，进一步清理原始数据集。选择出现100次以上且平均含量大于0.01wt％的元素(cu、mg、cr、zn、zr、sc、al)作为最终成分特征。由于多阶段热处理数据相对较少，因此采用单步固溶和时效作为热处理特征。选择本工作最关注的拉伸强度、屈服强度和伸长率作为性能特征。
55.在验证数据集的可靠性后，还可以应用standardscalar方法对数据集进行标准化处理，并将特征归一化为[-1,1]。最终建立了包含1967个标记样品的数据集，包括元素含
量、热处理参数和材料性能。经过初步筛选，成功创建了铝合金数据集，包括元素含量、加工工艺和材料性能。
[0056]
步骤s304，应用目标数据样本集中的样本对多种预设机器学习模型进行训练；多种预设机器学习模型至少包括：线性回归模型、支持向量回归模型和人工神经网络模型；
[0057]
步骤s306，将训练后的多种模型中，预测准确度最高的模型确定为当前待构建模型对应的目标模型。
[0058]
在本技术实施例中，采用线性回归(lr)、支持向量回归(svr)和人工神经网络(ann)三种ml算法分别对数据集进行训练以构建多性能预测模型，该性能预测模型在本技术实施例中被命名为s-p，即上述合金性能预测模型，其中由元素含量和热处理参数组成的制备策略是模型的输入特征，材料性能是模型的输出特征。在这项工作中进行了网格搜索，以确定svr模型的最佳参数；在lr模型中应用正则化方法，以避免过度拟合；在构建ann模型中，网络结构、迭代次数和学习速率等超参数都对模型的准确性起着至关重要的作用，在本发明中，经过分析最终确定了12-16-3的三层神经网络结构和0.0035的学习率。对三种模型的预测值与实际值进行比较，参见图4所示的三个机器学习模型对铝合金三种关键力学性能(抗拉强度、屈服强度、伸长率)的预测能力对比图，可以发现，svr的相对误差和偏差最小。因此，最终使用svr算法构建了s-p模型。同样的，系统中的p-s模型也是基于svr算法所构建的，该模型的功能就是根据制备策略预测材料性能。
[0059]
上述目标数据样本集对应有多种训练集占比；每种所述训练集占比对应有抽取次数区间；如训练集和验证集的比例分别为9:1、8:2、7:3、6:4、5:5和4:6；则训练集占比分别为0.9、0.8、0.7、0.6、0.5、0.4。每种训练集占比对应有抽取次数区间；比如，训练集占比为0.9时，对应的抽取次数区间为[1-50]，训练集占比为0.8时，对应的抽取次数区间为[50-100]，以此类推。也就是每种训练集占比均对应50次抽取次数。上述确定目标数据样本集中的当前训练集的步骤，包括以下步骤，参见图5所示：
[0060]
步骤s502，获取当前训练预测次数；假设当前训练预测次数为9。
[0061]
步骤s504，根据当前训练预测次数，确定所属的目标抽取次数区间对应的目标训练集占比；比如，当前训练预测次数9所属的目标抽取次数区间为[1-50]，因此将[1-50]对应的训练集占比0.9作为目标训练集占比。
[0062]
步骤s506，从目标数据样本集中抽取目标训练集占比对应样本数量的样本，得到当前训练集。
[0063]
假设目标数据样本集中总共有100个样本，从目标数据样本集中抽取目标训练集占比对应样本数量的样本，也就是从100个样本中任意抽取90个样本作为当前训练集。
[0064]
需要说明的是，在模型构建中，除了已经对比的三种机器学习算法，还可以换做其他机器学习回归算法进行建模。本方法除了可以用到铝合金的设计中，还可以用到其他材料的设计中，包括铜合金、钛合金、高熵合金、钢铁、半导体材料、电池等等。
[0065]
本技术实施例提供的合金制备策略的确定方法，可以根据铝合金成分和热处理制度，快速预测出合金的大致性能，减少了实验及人工的浪费；反过来，也可以根据输入的合金性能，快速预测出适合的合金成分及对应的热处理参数，从而实现对性能的任意设计，满足实际的工业需求，比如某些情况对强度要求极高，对伸长率(忍性)要求较低；比如对伸长率要求高，对强度要求低，等等。
[0066]
基于上述方法实施例，本技术实施例还提供一种合金制备策略的确定装置，参见图6所示，装置包括：
[0067]
性能获取模块62，用于获取待制备合金对应的目标合金性能；双向预测模块64，用于针对目标合金性能，执行以下训练预测操作：确定目标数据样本集中的当前训练集，应用当前训练集对预设制备策略预测模型进行训练，通过训练后的制备策略预测模型对目标合金性进行预测，输出待制备合金对应的当前制备策略；当前制备策略包括：合金元素含量、热处理参数；应用当前训练集对预设合金性能预测模型进行训练，通过训练后的合金性能预测模型对当前制备策略进行预测，输出当前制备策略对应的预测合金性能；偏差计算模块66，用于根据目标合金性能和预测合金性能，计算偏差值；策略确定模块68，用于如果偏差值小于预设偏差阈值，将当前制备策略确定为待制备合金对应的目标制备策略；如果偏差值大于预设偏差阈值，判断当前训练预测次数是否超过次数阈值；如果未超过次数阈值，继续执行训练预测操作；如果超过次数阈值，将次数阈值内的预测结果中，最小偏差值对应的当前制备策略确定为待制备合金对应的目标制备策略。
[0068]
在本技术较佳的实施方式中，上述装置还包括模型构建模块，用于执行以下预设制备策略预测模型和预设合金性能预测模型的构建过程：分别将预设制备策略预测模型和预设合金性能预测模型作为当前待构建模型，执行以下步骤：获取目标数据样本集；样本集中的样本包括：制备策略和合金性能的对应关系；应用目标数据样本集中的样本对多种预设机器学习模型进行训练；多种预设机器学习模型至少包括：线性回归模型、支持向量回归模型和人工神经网络模型；将训练后的多种模型中，预测准确度最高的模型确定为当前待构建模型对应的目标模型。
[0069]
在本技术较佳的实施方式中，上述模型构建模块，用于从文献中获取合金元素特征、热处理参数特征和合金性能特征；其中，合金元素特征包括：多种合金元素及每种元素分别对应的出现次数和含量；从合金元素特征中，提取出现次数率达到次数阈值，且含量达到含量阈值的目标元素；从热处理参数特征中确定目标热处理参数；从合金性能特征中确定目标合金性能；其中，目标热处理参数包括：单步固溶和时效；目标合金性能包括：拉伸强度、屈服强度和伸长率；基于目标元素对应含量、目标热处理参数和目标合金性能，生成目标数据样本集。
[0070]
在本技术较佳的实施方式中，上述目标数据样本集对应有多种训练集占比；每种所述训练集占比对应有抽取次数区间；上述双向预测模块还用于获取当前训练预测次数；根据当前训练预测次数，确定所属的目标抽取次数区间对应的目标训练集占比；从目标数据样本集中抽取目标训练集占比对应样本数量的样本，得到当前训练集。
[0071]
在本技术较佳的实施方式中，上述双向预测模块还用于将当前训练集中的样本，以制备策略作为输出，以合金性能作为输入，输入至预设制备策略预测模型进行训练，得到训练后的制备策略预测模型。
[0072]
在本技术较佳的实施方式中，上述双向预测模块还用于将当前训练集中的样本，以制备策略作为输入，以合金性能作为输出，输入至预设合金预测模型进行训练，得到训练后的合金性能预测模型。
[0073]
在本技术较佳的实施方式中，上述偏差计算模块用于：利用预测合金性能对应的值减去目标合金性能对应的值，得到差值；利用差值除以目标合金性能对应的值，得到偏差
值。
[0074]
本技术实施例提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置的实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0075]
基于上述方法实施例，本技术实施例还提供一种合金性能与制备策略双向预测系统，参见图7所示，系统中存储有目标数据样本集71、预设制备策略预测模型72和预设合金性能预测模型73；系统用于基于目标数据样本集、预设制备策略预测模型和预设合金性能预测模型，通过如上述方法实施例所述的合金制备策略的确定方法预测目标合金性能对应的目标制备策略；系统还用于通过预设合金性能预测模型，预测目标制备策略对应的目标合金性能。
[0076]
本技术实施例提出的合金性能与制备策略双向预测系统，是一个al-zn-mg-cu合金快速设计系统(ards)，该系统可用于定制所需性能下的制备策略或根据所输入的制备策略反向预测合金性能。值得注意的是，通过实验数据设计系统的预测可靠性进行了检验，结果表明该系统对铝合金拉伸强度、屈服强度和伸长率准确预测的上限分别约为800mpa、730mpa和30％。本技术实施例中所开发的铝合金快速设计系统(ards)不仅可以用于指导al-zn-mg-cu合金的发现，而且可以推广到其他材料的设计。
[0077]
本技术实施例提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统的实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0078]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
[0079]
本技术实施例所提供的方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0080]
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步骤、数字表达式和数值并不限制本技术的范围。
[0081]
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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术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)执行本技术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。
[0082]
在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0083]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术
的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。