一种浓香型基酒中多种挥发性物质的检测方法、系统及存储介质与流程

1.本发明涉及物质组分检测领域，尤其涉及一种浓香型基酒中多种挥发性物质的检测方法、系统及存储介质。


背景技术：

2.近红外光谱是近年来发展迅速的新型实用分析技术，具有快速、无损等特点，适用于目前大数据分析、在线分析等发展方向，已广泛应用于农业、化学、食品、制药等多个领域检测分析中。品质和食用安全把控是白酒酿造过程中的关键，浓香型基酒作为酒醅经蒸馏后未贮藏和勾兑的浓香白酒，各大酒厂对基酒的检测分析尤为重视。
3.通常参照国标gb/t10345 2007《白酒分析方法》中规定的，采用气相色谱分析技术对基酒中主要的醇类、酸类、酯类等物质进行测定，但该方法步骤较为繁琐耗时、易造成浪费且难以快速对大批量基酒主要挥发性成分含量进行检测分析，快、准、方便的分析和检测方法才能满足市场需求。此外，影响基酒质量的组分有很多种，不同组分的对应的检测手段以及检测模型会有差异，在近红外光谱领域尚未有这方面的研究，若所有的组分均采用同一检测模型，检测不够准确。


技术实现要素：

4.本发明的目的在于克服现有技术中基酒成分检测存在的问题，提供了一种浓香型基酒中多种挥发性物质的检测方法、系统及存储介质。
5.本发明的目的是通过以下技术方案来实现的：
6.在第一方案中，提供一种浓香型基酒中多种挥发性物质的检测方法，所述方法包括以下步骤：
7.s1、收集浓香型基酒样品并采集样品的近红外光谱，其中，采用光栅型近红外仪器采集样品的透反射光谱图；
8.s2、建立基于气相色谱的浓香型原酒挥发性组分数据库，其中，获得样品中多种挥发性组分的含量实测值；
9.s3、采用不同的光谱预处理方法对所述近红外光谱进行处理，并在不同或同种预处理方法下建立不同挥发性组分的定量检测模型，其中，通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长；
10.s4、基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性；
11.s5、选出不同挥发性物质对应的最优定量检测模型，并使用相应的最优定量检测模型对浓香型基酒中不同挥发性组分进行检测。
12.在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述步骤s1中采集参数为：分辨率12cm-1
,扫描次数4次，重复扫描1次，光谱范围900nm-2500nm，每个样品采集两次。
13.在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述建立基于气相色谱的浓香型原酒挥发性组分数据库，包括：
14.采用气相色谱-火焰离子化检测器检测浓香型基酒样品中各挥发性组分含量。
15.在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述多种挥发性组分包括乙酸乙酯和庚酸乙酯。
16.在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述采用不同的光谱预处理方法对所述近红外光谱进行处理，包括：
17.采用sg卷积平滑与均值中心化法结合对所述乙酸乙酯对应的光谱进行预处理；采用标准正态变量变换、去趋势法与均值中心化相结合对庚酸乙酯对应的光谱进行预处理。
18.在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长，包括：
19.将光谱矩阵记为x，浓度矩阵记为y，x权重矩阵w的某一列记为wi，浓度矩阵y的某一列记为y；
20.计算协方差矩阵x
t
y，令wi＝x
t
y，并对wi进行标准归一化处理，得到：
21.wi＝wi/||wi||
22.用以下公式从原始光谱矩阵x中直接算出得分矩阵t的权重矩阵r的某一列：
23.ri＝w
i i＝1
[0024][0025]
由ri计算得分向量ti：ti＝xri，ti表示x的得分矩阵t的一列；
[0026]
然后，由ti计算载荷向量pi(x的载荷矩阵p的一列)：pi表示x的载荷矩阵p的一列；
[0027]
由ri和ti计算q向量的第i个值：
[0028]
更新协方差矩阵为：然后用新的协方差矩阵计算下一个隐变量；
[0029]
计算完所有的隐变量后，由下式可计算得到回归系数向量b:
[0030]
b＝rq。
[0031]
在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性，包括：
[0032]
通过比较模型的内部交叉验证相关系数、预测相关系数、交叉验证均方根误差以及预测均方根误差来判断所建立模型的准确性。
[0033]
在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，采用k折交叉验证方法进行若干轮验证。
[0034]
在第二方案中，提供一种浓香型基酒中多种挥发性物质的检测系统，所述系统包括：
[0035]
光谱采集模块，用于收集浓香型基酒样品并采集样品的近红外光谱，其中，采用光栅型近红外仪器采集样品的透反射光谱图；
[0036]
挥发性组分实测数据模块，用于建立基于气相色谱的浓香型原酒挥发性组分数据
库，其中，获得样品中多种挥发性组分的含量实测值；
[0037]
定量检测模型建立模块，用于采用不同的光谱预处理方法对所述近红外光谱进行处理，并在不同或同种预处理方法下建立不同挥发性组分的定量检测模型，其中，通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长；
[0038]
定量检测模型验证模块，用于基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性；
[0039]
检测模块，用于选出不同挥发性物质对应的最优定量检测模型，并使用相应的最优定量检测模型对浓香型基酒中不同挥发性组分进行检测。
[0040]
在第三方案中，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行任意一项所述检测方法的步骤。
[0041]
在第四方案中，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述检测方法的步骤。
[0042]
需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
[0043]
与现有技术相比，本发明有益效果是：
[0044]
(1)本发明通过在不同或同种预处理方法下建立不同挥发性组分的定量检测模型，能够针对不同组分的差异进行准确建模，实现不同组分含量的差异性检测。同时通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长，并有效选择与所测性质相关的最优波长组合，实现快速、准确的检测。
[0045]
(2)本发明通过验证比较不同定量检测模型的准确性并选出不同挥发性物质对应的最优定量检测模型，能够对浓香型基酒中不同挥发性组分进行针对性的准确检测。
[0046]
(3)本发明对于挥发性物质的检测是建立在标准方法基础之上的，所检测出气相色谱数据结果真实准确可靠，在此基础上，保证了挥发性成分近红外定量模型的预测能力好、结果偏差小。
[0047]
(4)在一个示例中，在乙酸乙酯的定量检测模型中交叉验证相关系数r2＝0.92785，交叉验证均方根误差rmsecv＝0.28402，在庚酸乙酯的定量检测模型中交叉验证相关系数r2＝0.86372，交叉验证均方根误差rmecv＝0.00915。乙酸乙酯的定量检测模型对测试集的预测结果r2＝0.91602，rmep＝0.18239；庚酸乙酯的定量检测模型对测试集的预测结果也较好，r2＝0.88705，rmsep＝0.00556，预测较为准确。
附图说明
[0048]
图1为本发明实施例示出的一种浓香型基酒中多种挥发性物质的检测方法的流程示意图；
[0049]
图2为本发明实施例示出的具体检测方法的实施流程图；
[0050]
图3为本发明实施例示出的浓香型基酒中乙酸乙酯的定量检测模型；
[0051]
图4为本发明实施例示出的浓香型基酒中庚酸乙酯的定量检测模型；
[0052]
图5为本发明实施例示出的乙酸乙酯的定量检测模型对未知样品预测结果；
[0053]
图6为本发明实施例示出的庚酸乙酯的定量检测模型对未知样品预测结果；
[0054]
图7为本发明实施例示出的乙酸乙酯光谱波长变量筛选结果；
[0055]
图8为本发明实施例示出的庚酸乙酯光谱波长变量筛选结果。
具体实施方式
[0056]
下面结合附图对本发明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。
[0057]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0058]
本发明主要通过运用多种光谱处理方法对近红外光谱数据进行预处理，采用竞争自适应重加权采样法(cars)筛选特征波长变量，有效选择与所测性质相关的最优波长组合。然后建立相关成分的校正模型，最后再用训练集样品进行测试，以此建立预测精度高的定量模型。
[0059]
在一示例性实施例中，提供一种浓香型基酒中多种挥发性物质的检测方法，如图1所示，所述方法包括以下步骤：
[0060]
s1、收集浓香型基酒样品并采集样品的近红外光谱，其中，采用光栅型近红外仪器采集样品的透反射光谱图；
[0061]
s2、建立基于气相色谱的浓香型原酒挥发性组分数据库，其中，获得样品中多种挥发性组分的含量实测值；
[0062]
s3、采用不同的光谱预处理方法对所述近红外光谱进行处理，并在不同或同种预处理方法下建立不同挥发性组分的定量检测模型，其中，通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长；
[0063]
s4、基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性；
[0064]
s5、选出不同挥发性物质对应的最优定量检测模型，并使用相应的最优定量检测模型对浓香型基酒中不同挥发性组分进行检测。
[0065]
具体地，如图2所示，收集浓香型基酒样品，编号，密封冷藏。使用光栅型近红外仪器配备的软件nirnet设定的流程，采集浓香基酒样品透反射光谱图，可使用四川威斯派克科技有限公司g3000光栅型近红外光谱分析仪。采集参数为：分辨率12cm-1
,扫描次数4次，重复扫描1次，光谱范围900nm-2500nm，每个样品采集两次。
[0066]
进一步地，采用气相色谱-火焰离子化检测器(gc-fid)检测浓香型基酒样品中各挥发性组分含量，得到样品典型挥发性成分含量实测值，建立基于气相色谱的浓香型原酒挥发性组分数据库。其中，气相色谱法检测酒样挥发性多组分的条件为：
[0067]
采用美国安捷伦科技有限公司7890b气相色谱仪，配氢火焰检测器，als自动进样器，gc-fid条件：色谱柱：cp-wax 57cb(50m
×
0.25mm
×
0.2μm)；gc条件：初始温度为35℃，保持2min，以3℃/min的速率升高至70℃；以1.5℃/min速率升高至80℃；以2℃/min速率升高至105℃；以20℃/min速率升高至210℃，保持12min。载气为氮气(纯度≥99.999％)，柱流量1.0ml/min；进样口温度：250℃；fid检测器温度：250℃；进样量：1μl，分流比20∶1。每个酒样检测三次，取平均值。
[0068]
由于不同挥发性组分的性质存在差异，因此需要采用不同的光谱预处理方法对所述近红外光谱进行处理，并在不同或同种预处理方法下建立不同挥发性组分的定量检测模
型即图2中的定标模型。在定量检测模型的建立过程中，需要通过改进核偏最小二乘算法(ikpls)结合竞争自适应重加权采样法(cars)对光谱进行降维处理，提取特征波长，去除无关变量。
[0069]
进一步地，在对定量检测模型进行验证之前，需要对基酒样本进行划分，采用ks算法将样本划分为校正集和训练集，例如，可以运用ks算法将样品按照15％的比例划分为校正集样品与测试集样品，ks算法是一种均匀设计方法，其内核是将光谱差异较大的样品纳入校正集，先保证校正样品的代表性。其中，需要对校正集样本光谱进行预处理，包括剔除异常光谱以及选择合适的光谱预处理方法。
[0070]
进一步地，使用specmc光谱分析化学计量学软件，建立起近红外光谱与气相色谱法对同一基酒样品测量出的挥发性组分数据之间的校正模型，将预测结果与气相色谱法测得结果进行比较。
[0071]
进一步地，所述基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性，包括：
[0072]
通过比较模型的内部交叉验证相关系数、预测相关系数、交叉验证均方根误差以及预测均方根误差来判断所建立模型的准确性。交叉验证(cross-validatio n)主要用于建模应用中，例如pcr、pls回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都被预报了一次而且仅被预报一次。把每个样本的预报误差平方加和，称为press(predicted error sum of squares)。用交叉验证的目的是为了得到可靠稳定的模型。在建立pcr或pls模型时，一个很重要的因素是取多少个主成分的问题。用cross validation校验每个主成分下的press值，选择press值小的主成分数。或press值不再变小时的主成分数。
[0073]
在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，采用k折交叉验证方法进行若干轮验证，k折交叉验证，初始采样分割成k个子样本，一个单独的子样本被保留作为验证模型的数据，其他k-1个样本用来训练。交叉验证重复k次，每个子样本验证一次，平均k次的结果或者使用其它结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次，常用的精度测试方法主要是10折交叉验证(10-fold cross validation)，将数据集分成十份，轮流将其中9份做训练1份做测试，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10折交叉验证求均值，例如:10次10折交叉验证，以求更精确一点。最后运用测试集样品数据(测试集样品在建模及内部交叉验证过程中始终不介入计算)来评价最终建立的校正模型的实际预测误差已确定其泛化能力。验证结果表明，模型对测试集样品的预测结果与气相色谱法实际测出结果吻合度高。
[0074]
在一个示例中，一种浓香型基酒中多种挥发性物质的检测方法，所述通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长，包括：
[0075]
将光谱矩阵记为x，浓度矩阵记为y，x权重矩阵w的某一列记为wi，浓度矩阵y的某一列记为y；
[0076]
计算协方差矩阵x
ty
，令wi＝x
ty
，并对wi进行标准归一化处理，得到：
[0077]
wi＝wi/||wi||
[0078]
用以下公式从原始光谱矩阵x中直接算出得分矩阵t的权重矩阵r的某一列：
[0079]ri＝wii＝1
[0080][0081]
由ri计算得分向量ti：ti＝xri，ti表示x的得分矩阵t的一列；
[0082]
然后，由ti计算载荷向量pi(x的载荷矩阵p的一列)：pi表示x的载荷矩阵p的一列；
[0083]
由ri和ti计算q向量的第i个值：
[0084]
更新协方差矩阵为：然后用新的协方差矩阵计算下一个隐变量；
[0085]
计算完所有的隐变量后，由下式可计算得到回归系数向量b:
[0086]
b＝rq。
[0087]
近红外光谱定量模型的建立属于化学计量学范畴，pls法在建立近红外定量模型中拥有很广泛的应用，而ikpls是在pls法的基础上由学者推算演练证明得到，较于pls法运算步骤更简练，使得计算速度大幅的提升。
[0088]
在一个示例中，给出一个具体的实施例，设要检测的多种挥发性组分包括乙酸乙酯和庚酸乙酯。
[0089]
图3表示浓香型基酒中乙酸乙酯的定量检测模型，图4表示浓香型基酒中庚酸乙酯的定量检测模型，横坐标表示实测浓度值，纵坐标表示内部交叉验证时模型赋予给样品的预测浓度值，图中的圆圈就表示参与建模的样品，图中的斜线都表示的是回归线，颜色较深那条表示定量检测模型实际的回归线，颜色较浅那条表示模型的理想回归线，样品离回归线越近，表明定量检测模型效果越好。
[0090]
进一步地，在乙酸乙酯的定量检测模型中交叉验证相关系数r2＝0.92785，交叉验证均方根误差rmsecv＝0.28402，在庚酸乙酯的定量检测模型中交叉验证相关系数r2＝0.86372，交叉验证均方根误差rmecv＝0.00915。图5表示乙酸乙酯的定量检测模型预测未知样品的结果图，图6表示庚酸乙酯的定量检测模型预测未知样品的结果图，横坐标表示未知样品实测值，纵坐标表示模型预测值，斜线表示回归线，圆圈表示所预测的样品，样品离回归线越近，就表示模型预测效果越好，预测值越接近真值，乙酸乙酯的定量检测模型对测试集的预测结果r2＝0.91602，rmep＝0.18239；庚酸乙酯的定量检测模型对测试集的预测结果也较好，r2＝0.88705，rmsep＝0.00556，预测较为准确。
[0091]
进一步地，在建立模型之前，要选择合适的光谱预处理方法对近红外光谱进行预处理，常用的近红外光谱预处理方法有均指中心化(mean centering，mc)、标准化(zscore standardization，z-score)、矢量归一化(vector normalization，vn)、减去一条直线(substract straight line，ssl)、消除偏移常量(eliminate constant offset，eco)、平滑与求导(smoothing&derivative)、标准正态变量变换(standard normal variate transformation，snv)、去趋势算法(detrending),多元散射矫正(mutiplicative scatter correction，msc)，这些光谱预处理方法既可单独使用，也可好几种起来进行光谱预处理，以筛选出预处理效果对模型最好的方法；对光谱的预处理还包括波长变量筛选，并采用改
进核偏最小二乘(ikpls)结合竞争自适应重加权采样(cars)法对波长进行筛选。其中，竞争性自适应重加权采样法(competitive adapative reweighted sampling，cars)是一种结合蒙特卡洛采样与pls模型回归系数的特征变量选择方法，模仿达尔文理论中的”适者生存“的原则(li et al.,2009)。cars算法中，每次通过自适应加权采样(adapative reweighted sampling，ars)保留pls模型中回归系数绝对值权重较大的点作为新的子集，去掉权值较小的点，然后基于新的子集建立pls模型，经过多次计算，选择pls模型交互验证均方根误差(rmsecv)最小的子集中的波长作为特征波长。
[0092]
具体地，cars算法的具体过程如下：
[0093]
首先采用蒙特卡洛采样法，每次随机从校正集中选择一定数量(一般为80％)的样本进入建模集，剩余的20％作为预测集建立pls模型。蒙特卡洛的采样次数(n)需要提前设定。记录每一次采样过程pls模型中的回归系数的绝对值权重。
[0094]
然后利用指数衰减函数(exponentially decreasing function，edf)强行去除回归系数绝对值权重相对较小的波长。在第i次基于mc采样建立pls模型时，根据edf得到保留的波长点的比例。
[0095]
在一次采样并进行相应计算时，所有的波长都参与了建模分析，因此此时保留的波长点的比例为1。在最后一次采样在(第n次)完成并进行相应计算时，只剩下两个波长参与pls建模。在每次采样时，都从上一次采样时的变量数中采用自适应加权采样(ars)选择一定数量的波长变量，进行pls建模，计算rmsecv。在n次采样完成之后，cars算法得到了n组候选的特征波长子集，以及对应的rmsecv值，选择rmsecv最小值所对应的波长变量子集为特征波长。需要注意的是竞争性自适应重加权算法(cars)是通过自适应重加权采样(ars)技术选择出pls模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出rmsecv指最低的子集，可有效寻出最优变量组合。
[0096]
以上乙酸乙酯与庚酸乙酯两个近红外定量检测模型的建立例子中，所采用的光谱预处理方法不同，采用sg卷积平滑与均值中心化法结合对所述乙酸乙酯对应的光谱进行预处理；采用标准正态变量变换、去趋势法与均值中心化相结合对庚酸乙酯对应的光谱进行预处理。均采用改进核偏最小二乘法结合竞争自适应重加权采样法对光谱矩阵进行降维及特征波长变量筛选。图7表示乙酸乙酯光谱波长变量筛选结果，图8表示与庚酸乙酯光谱波长变量筛选结果，图中横坐标表示波长范围，纵坐标表示吸光强度，竖着的线可以看作是分割线，每两条竖线之间为提取的一段特征波长，由图中可明显看出，在两种不同处理方法下所筛选出的波长变量数目差异很大。
[0097]
在另一示例性实施例中，提供一种浓香型基酒中多种挥发性物质的检测系统，所述系统包括：
[0098]
光谱采集模块，用于收集浓香型基酒样品并采集样品的近红外光谱，其中，采用光栅型近红外仪器采集样品的透反射光谱图；
[0099]
挥发性组分实测数据模块，用于建立基于气相色谱的浓香型原酒挥发性组分数据库，其中，获得样品中多种挥发性组分的含量实测值；
[0100]
定量检测模型建立模块，用于采用不同的光谱预处理方法对所述近红外光谱进行处理，并在不同或同种预处理方法下建立不同挥发性组分的定量检测模型，其中，通过改进核偏最小二乘算法结合竞争自适应重加权采样法对光谱进行降维处理，提取特征波长；
[0101]
定量检测模型验证模块，用于基于浓香型原酒挥发性组分数据库验证比较不同定量检测模型的准确性；
[0102]
检测模块，用于选出不同挥发性物质对应的最优定量检测模型，并使用相应的最优定量检测模型对浓香型基酒中不同挥发性组分进行检测。
[0103]
在另一示例性实施例中，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行任意一项所述检测方法的步骤。
[0104]
基于这样的理解，本实施例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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0105]
在另一示例性实施例中，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述检测方法的步骤。
[0106]
处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。
[0107]
本说明书中描述的主题及功能操作的实施例可以在以下中实现：有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。
[0108]
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如fpga(现场可编程门阵列)或asic(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
[0109]
适合用于执行计算机程序的处理器包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(pda)、移动音频或视频播放器、游戏操纵台、全球定位系统(gps)接收机、或例如通用串行总线(usb)闪存驱动器的便携式存储设备，仅举几例。
[0110]
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在
多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
[0111]
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
[0112]
以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。