一种古筝自动作曲方法、系统、装置及存储介质

1.本发明涉及自动作曲技术领域，尤其涉及一种古筝自动作曲方法、系统、装置及存储介质。


背景技术：

2.计算机音乐生成，指的是计算机作为辅助，生成特定的音符序列，其包含音高、节拍、旋律等音乐的元素，进而辅助作曲者进行音乐创作，实现在音乐创作过程中，作曲者的介入程度达到最小。然而，使用计算机生成古筝音乐这个任务具有非常大的挑战性，其一：古筝及类似中国民乐的音色在标准的midi音色库中是无法寻找到的，因此需要提供后处理环节模拟古筝或相关民乐音色；其二：古筝有很多独特的指法技巧，用midi格式进行表达有一定困难，因此技巧性音乐的生成是算法生成的关键；其三：音乐的生成是一个离散的序列，旋律动听与生成速度是算法需要训练解决的问题。


技术实现要素：

3.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于gru和强化学习的古筝自动作曲方法、系统、装置及存储介质。
4.本发明所采用的技术方案是：
5.一种古筝自动作曲方法，包括以下步骤：
6.获取古筝的简谱数据，将古筝的简谱数据转换为五线谱数据，根据五线谱数据获取midi格式数据，构建古筝数据集；
7.获取古筝数据集中每一首歌曲的副歌部分，将副歌部分和歌曲的全曲作为训练集；
8.采用训练集对gru网络进行训练，训练后获得初步旋律数据；
9.对初步旋律数据进行强化学习训练，获得带有古筝演奏技巧的音乐数据；
10.对带有古筝演奏技巧的音乐数据进行音色转换，生成古筝音色的音乐数据。
11.进一步地，所述将古筝的简谱数据转换为五线谱数据，根据五线谱数据获取midi格式数据，包括：
12.将简谱数据中的音符按照五线谱标准转换每个音符，获得五线谱数据；
13.采用musescore软件将五线谱数据转换为midi格式数据；其中，在midi格式中，采用钢琴音色代替古筝音色。
14.进一步地，所述获取古筝数据集中每一首歌曲的副歌部分，包括：
15.对歌曲的midi音频进行分段，采用相似函数计算任两段音频之间的相似度，根据相似度获取歌曲的副歌部分。
16.进一步地，所述相似函数的表达式为：
17.18.式中，xi和x
i+1
是任意两段音乐的音符矢量，整首歌曲由12个基本音符的帧的集合组成。
19.进一步地，对gru网络训练的过程包括：
20.将一段midi格式的音乐数据表示为一个矩阵：x＝{x
t,j
,t＝1,2,
…
,n,j＝1,2,
…
,128}；其中，n表示音乐片段输入长度；
21.使用one-hot编码对音乐数据进行编码，得到输入矩阵：x＝{x
t,j
,t＝1,2,
…
,n,j＝1,2,
…
,128}；
22.将输入矩阵输入gru网络，获得输出矩阵：y＝{y
t,j
,t＝1,2,
…
,m,j＝1,2,
…
,128}；其中m表示音乐片段输出长度(输入输出长度根据代码设置)；
23.对输出矩阵进行one-hot解码，获得旋律矩阵：y＝{y
t,j
,t＝1,2,
…
,m,j＝1,2,
…
,128}；
24.利用python内置midi库将旋律矩阵y转换为midi格式；
25.将midi格式转换成音乐的音符。
26.gru网络的损失函数为交叉熵函数，交叉熵函数的表达式如下：
[0027][0028]
式中，p表示训练的样本数量，yi表示第i个训练样本的实际输出,表示第i个训练样本的实际输出,yj表示第i个训练样本的期望输出。
[0029]
进一步地，所述对初步旋律数据进行强化学习训练，获得带有古筝演奏技巧的音乐数据，包括：
[0030]
设置技巧的奖惩规则，设置强化学习网络的参数；
[0031]
将初步旋律数据输入强化学习网络，根据奖惩规则进行处理，获得带有古筝演奏技巧的音乐数据。
[0032]
进一步地，强化学习网络的损失函数的表达式如下：
[0033][0034]
式中，ed表示智能体随机变量的期望，r
t
为奖惩报酬，γ为衰减因子，y
t
为当前动作状态，即输入的音符状态；q(s
t
,y
t
；θ
t-)表示目标价值状态的输出，q(s
t
,y
t
；θ
t
)表示当前价值状态的输出,θ
t
和θ
t-为t时刻网络的迭代参数；
[0035]
强化学习dqn网络中处理的步骤如下：
[0036]
初始化经验池d，初始化dqn中dnn网络参数θ
t
，将动作值q的值设为随机数，设θ
t-＝θ
t
；
[0037]
将gru网络输出的初步旋律数据y作为强化学习dqn的初始值；
[0038]
计算奖惩报酬r
t
，根据奖惩报酬r
t
计算平均收益率
[0039]
计算动作值q(s
t
,y
t
；θ
t
)，根据动作值q计算目标q值
[0040]
求解强化学习网络的损失函数，获得(s
t
,r
t
；θ
t
)，并将(s
t
,r
t
；θ
t
)放入经验池d中；
[0041]
根据平均收益率和损失l，判断是否停止训练；若不停止训练，更新θ
t-＝θ
t
,t＝t
+1，以及重新计算奖惩报酬r
t
。
[0042]
本发明所采用的另一技术方案是：
[0043]
一种古筝自动作曲系统，包括：
[0044]
数据获取模块，用于获取古筝的简谱数据，将古筝的简谱数据转换为五线谱数据，根据五线谱数据获取midi格式数据，构建古筝数据集；
[0045]
数据预处理模块，用于获取古筝数据集中每一首歌曲的副歌部分，将副歌部分和歌曲的全曲作为训练集；
[0046]
初步作曲模块，用于采用训练集对gru网络进行训练，训练后获得初步旋律数据；
[0047]
技法生成模块，用于对初步旋律数据进行强化学习训练，获得带有古筝演奏技巧的音乐数据；
[0048]
音色转换模块，用于对带有古筝演奏技巧的音乐数据进行音色转换，生成古筝音色的音乐数据。
[0049]
本发明所采用的另一技术方案是：
[0050]
一种古筝自动作曲装置，包括：
[0051]
至少一个处理器；
[0052]
至少一个存储器，用于存储至少一个程序；
[0053]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0054]
本发明所采用的另一技术方案是：
[0055]
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0056]
本发明的有益效果是：本发明使用门控循环单元gru算法进行古筝弦乐的旋律生成，再使用强化学习进行民乐古筝技法方面的训练，使生成的音乐更接近于真实的古筝民乐。
附图说明
[0057]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0058]
图1是本发明实施例中一种古筝自动作曲方法的流程示意图；
[0059]
图2是本发明实施例中gru网络结构示意图；
[0060]
图3是本发明实施例中gru网络作曲部分流程图；
[0061]
图4是本发明实施例中强化学习dqn网络示意图；
[0062]
图5是本发明实施例中音色转换软件示意图；
[0063]
图6是本发明实施例中强化学习dqn训练最终结果示意图。
具体实施方式
[0064]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0065]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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发明和简化描述，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发明的限制。
[0066]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0067]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0068]
术语解释：
[0069]
门控循环单元：门控循环单元(gru,gated recurrent unit)是循环神经网络(rnn)的一个改进网络，最适合处理和预测时间序列中间隔的重要事件，同时比长短时间记忆网络lstm(long short-term memory)更简单，因此能更快速的解决问题。
[0070]
强化学习：强化学习(rl，reinforcement learning)是机器学习的方法之一，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
[0071]
dqn：dqn，deep q-learning是一种强化学习的实现方法之一。
[0072]
midi：是一种音乐在计算机中的表示方式之一。
[0073]
现有的机器学习方法在西洋乐器的自动作曲中已取得有一定优美动听旋律的性能。然而，目前国内的研究中，由于民乐数据量小，音色独特，且其技巧的特殊性无法在midi格式中正确的表达，这可能会大大降低机器学习的性能，无法产生较好的旋律和无法接近于中国民乐的特点，因此还没有研究涉略民乐的自动作曲。因此，本发明实施例的目的使通过gru和强化学习的方法，通过副歌提取的前处理环节，丰富数据量后，通过gru网络训练产生良好的旋律，通过强化学习产生一定量的民乐技巧。然后再利用古筝播放器进行播放，从而能在数据量小，标准音色格式不存在的情况下，产生优美和相似的古筝旋律。
[0074]
如图1所示，本实施例提供一种古筝自动作曲方法，包括以下步骤：
[0075]
s1、获取古筝的简谱数据，将古筝的简谱数据转换为五线谱数据，根据五线谱数据获取midi格式数据，构建古筝数据集。
[0076]
针对古筝数据集的采集，采取人工打谱的方式，通过将古筝的简谱转换为五线谱，进而转换为计算机可以识别的midi格式，构建独有的古筝数据集。
[0077]
s2、获取古筝数据集中每一首歌曲的副歌部分，将副歌部分和歌曲的全曲作为训练集。
[0078]
针对古筝乐曲旋律的生成，提出了前处理环节和乐曲生成环节。对于前处理环节，
本文将利用片段与片段相似度计算的相似函数，作为音乐的前处理，提取出每首古筝曲的主旋律(也即副歌部分)作为其中一部分数据集。
[0079]
s3、采用训练集对gru网络进行训练，训练后获得初步旋律数据。
[0080]
对于自动作曲环节，本实施例将使用基于gru网络，将主旋律和全部乐曲数据进行合并训练，建立模型，生成相应的乐曲结果。
[0081]
s4、对初步旋律数据进行强化学习训练，获得带有古筝演奏技巧的音乐数据。
[0082]
针对古筝与西洋乐器不同的特殊技法处理环节，提出强化学习的dqn方法，选取三种技巧作为例子，进行规则制定和强化学习训练参数训练，让gru产生的音符重新进行强化学习训练，生成古筝演奏技巧。
[0083]
s5、对带有古筝演奏技巧的音乐数据进行音色转换，生成古筝音色的音乐数据。
[0084]
针对古筝乐曲音色生成，提出了后处理的环节。对于古筝音色，采用训练部分去掉音色，通过后处理环节重新使用古筝音色的方法，在最后演奏环节通过使用录进古筝音色的midi播放器，进行生成的古筝乐曲播放。
[0085]
以下结合具体实施例以附图对上述方法进行详细解释说明。
[0086]
步骤1：获取数据，并对数据进行预处理。
[0087]
原始的古筝音乐的数据都来源于古筝考级曲目，挑选1-7级具有典型代表的曲目，其中每首古筝音乐都是简谱的形式，把简谱的音符按照五线谱标准转换每个音符，变为五线谱格式后，导入进musescore软件进行五线谱的可视化，最后利用musescore软件内置的选项进行midi格式的导出，将数据进行保存。由于midi格式并没有古筝的音色数据，因此midi格式中的音色将使用钢琴音色代替(后处理环节将进行音色转换)。
[0088]
为了更直观的看出音乐的结构层次，将使用自相似性矩阵进行表示，通过数学的方法将歌曲的前奏、间奏、尾奏进行可视化编辑。对midi音频每秒扫描100次，每0.1秒一帧，每一帧是一个128维。生成一个二维矩阵，两个轴为扫描帧数。对于自相似矩阵s的每一点，用欧氏距离公式计算距离函数，欧氏距离公式如下：
[0089][0090]
遍历由12个基本音符的帧的集合而组成的整首歌曲，将选定长度的部分与其他部分比较并计算相似度，以查看是否重复。当相似度得分比较高，说明两段音乐非常相似，将得分高的片段提取出来，作为歌曲的副歌部分。其中，采用相似函数计算相似度，公式如下：
[0091][0092]
式中，xi和x
i+1
是任意两段音乐的音符矢量，s得分非常高，说明两段音乐非常相似。
[0093]
步骤2：基于门控循环单元(gru)网络作曲。
[0094]
在该阶段，本实施例在初步生成曲目部分，采用的是多输入多输出的gru网络结构，其中一个gru的网络结构如图2所示。
[0095]
训练过程如图3所示，训练基于交叉熵函数的最小化，即公式3的最小化：
[0096][0097]
训练过程包括下面6个步骤：
[0098]
a1：将乐谱转换为midi格式，通过midi格式，一段音乐可以表示为一个矩阵：x＝{x
t,j
,t＝1,2,
…
,n,j＝1,2,
…
,128}；
[0099]
a2：使用one-hot编码对数据进行编码，得到输入矩阵：x＝{x
t,j
,t＝1,2,
…
,n,j＝1,2,
…
,128}；
[0100]
a3：将数据输入图二所示的lstm网络，得到输出矩阵：y＝{y
t,j
,t＝1,2,
…
,m,j＝1,2,
…
,128}；
[0101]
a4：进行one-hot解码,使输出矩阵y变为y＝{y
t,j
,t＝1,2,
…
,m,j＝1,2,
…
,128}；
[0102]
a5：利用python内置midi库将y转换为midi格式；
[0103]
a6：将midi格式转换成音乐的音符。
[0104]
步骤3：强化学习dqn技法生成部分。
[0105]
在第三阶段，将gru生成的数据送到强化学习dqn的处理阶段，设置技法奖惩机制，设置dqn网络参数，进行dqn网络训练后，生成得到高质量的古筝技法数据，有效解决gru生成数据中没有古筝技法的问题，图4是强化学习dqn的基本逻辑。
[0106]
首先，设置技巧的奖惩规则。奖励政策的设计是为了抓住古筝音乐的特点。以琶音为例，这是一种通常由七个音符组成的技巧。古筝音乐中许多偶数拍的位置都以琶音结尾。因此，假设在t时刻，输入状态为其中表示在t时刻产生的7个音符，则奖励策略定义如公式4所示，其他技法的奖惩机制如公式5、公式6所示。
[0107][0108][0109][0110]
综上整理，得到t时刻的总的奖励，如公式7所示：
[0111][0112]
定义总收益为公式8，计算平均收益率公式9，用于后续网络停止计算的依据之一。
[0113]rtotal
＝r
t
+γr
t-1
+γ2r
t-2
+
…
+γ
n-t
r1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0114][0115]
每个动作的选择都是基于目前最大的动作选择机制，如公式10所示，下一个动作的方向根据上一个动作的计算进行，无限趋近目标q值，即公式11所示。
[0116][0117][0118]
整个网络的损失计算如公式12所示，用于后续网络停止计算的依据之一。
[0119][0120]
强化学习dqn生成音乐完整步骤包括：
[0121]
b1、初始化经验池d，初始化dqn中dnn网络参数θ
t
，将动作q的值设为随机数，设θ
t-＝θ
t
；
[0122]
b2、输入gru生成的y作为dqn的初始值；
[0123]
b3、用公式7计算报酬r
t
，用公式9计算平均收益率
[0124]
b4、用公式10计算动作值q(s
t
,y
t
；θ
t
)，用公式11计算目标q值
[0125]
b5、求解公式12中定义的损失函数，得到(s
t
,r
t
；θ
t
)，放入经验池d中；
[0126]
b6、如果达到目标(和l
→
0)则停止迭代，否则，更新θ
t-＝θ
t
,t＝t+1，转到步骤b3。
[0127]
步骤4：民乐古筝音色的转换。
[0128]
midi有许多内置的音色设置，有不同的乐器和声音，但没有民乐古筝。为了将生成音乐的钢琴音色转换为古筝音色，我们使用软件进行转换，把古筝的每条弦的midi音色内置在如图5所示的软件内，把最后的生成曲目通过该播放器进行播出即可。
[0129]
对于强化学习dqn，使用公式9中定义的平均收益率和公式12中定义的损失函数来评估输出。如图6所示，覆盖1400代以后，获得最终的音频曲目。
[0130]
由上可知，本实施例提供的一种民乐古筝自动作曲的方法，是通过使用门控循环单元网络(gru)生成多首古筝乐曲数据，来实现自动作曲的基础功能，以及通过强化学习dqn网络，丰富古筝技法的方式，来实现民乐自动作曲的完善功能。研究古筝音乐的要素将分为三个部分：旋律，技巧，音色。对三个部分分开逐一进行不同的处理，以达到最终生成的音乐符合古筝音乐的效果。在对古筝音乐的旋律部分处理中，将其余两个要素音色和技巧调整为固定值处理，音色将规定为某个乐曲的音色，节拍将全曲处理为4/4拍进行训练。
[0131]
同时，旋律部分将加入前处理的环节。前处理将通过相似函数的算法提取出全部古筝数据集中，古筝音乐的副歌部分，用作后续的模型建立的部分数据。旋律生成的算法部分将采用gru的模型。生成最优模型后，进行音乐的生成。
[0132]
生成音乐后，进行强化学习的技法处理。整理古筝的技法，确定每个技法的奖励机制，进行dqn网络计算后增添进生成曲目中。同时，古筝音乐的生成与传统普通音乐生成的在音色上有着重要的区别，因此，后处理对古筝音乐的处理会增加一个音色的部分。将通过收集古筝的每一根弦的音色存放于midi播放器中，通过midi格式进行古筝音色的播出。
[0133]
因此，本实施例方法可以很好地解决各类技巧性音乐的自动作曲的问题，并且提高自动作曲的准确性。
[0134]
综上所述，本实施例方法相对于现有技术，具有如下优点及有益效果：
[0135]
(1)本实施例在获取民乐数据后，在民乐数据预处理阶段，使用相似度算法进行了副歌部分的提取。将民乐歌曲与相似度算法提取副歌部分相结合，打造唯一数据库，丰富原始数据集，并可以有效地解决门控循环单元(gru)训练前，数据量样本少的问题。
[0136]
(2)本实施例使用强化学习的dqn算法，设定奖惩机制对进民乐古筝技法方面的训练，使生成的音乐更接近于真实的古筝民乐。门控循环单元(gru)与强化学习的dqn(deep q-learning)两个网络相结合，可以有效提取民乐技巧中的复杂技巧特征，提高生成音乐的
准确性和丰富性。
[0137]
(3)本实施例使用民乐音色修正播放器对中国民乐进行音色处理，从音色、旋律、技巧方面共同进行自动作曲的突破，在实际应用中显示出巨大的潜力。
[0138]
(4)本实施例使用门控循环单元gru算法进行古筝弦乐的旋律生成。相比于现有的自动作曲技术中的其他机器学习方法，我们的门控系统比lstm门控系统更简洁，达到更快训练速度的同时能达到同样优秀的效果。
[0139]
本实施例还提供一种古筝自动作曲系统，包括：
[0140]
数据获取模块，用于获取古筝的简谱数据，将古筝的简谱数据转换为五线谱数据，根据五线谱数据获取midi格式数据，构建古筝数据集；
[0141]
数据预处理模块，用于获取古筝数据集中每一首歌曲的副歌部分，将副歌部分和歌曲的全曲作为训练集；
[0142]
初步作曲模块，用于采用训练集对gru网络进行训练，训练后获得初步旋律数据；
[0143]
技法生成模块，用于对初步旋律数据进行强化学习训练，获得带有古筝演奏技巧的音乐数据；
[0144]
音色转换模块，用于对带有古筝演奏技巧的音乐数据进行音色转换，生成古筝音色的音乐数据。
[0145]
本实施例的一种古筝自动作曲系统，可执行本发明方法实施例所提供的一种古筝自动作曲方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0146]
本实施例还提供一种古筝自动作曲装置，包括：
[0147]
至少一个处理器；
[0148]
至少一个存储器，用于存储至少一个程序；
[0149]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。
[0150]
本实施例的一种古筝自动作曲装置，可执行本发明方法实施例所提供的一种古筝自动作曲方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0151]
本技术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图1所示的方法。
[0152]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种古筝自动作曲方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0153]
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。
[0154]
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。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。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方式或示例。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方式或示例中以合适的方式结合。
[0160]
尽管已经示出和描述了本发明的实施方式，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方式进行多种变化、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。
[0161]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，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作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。