目标散射中心的提取方法、装置及电子设备与流程

1.本发明实施例涉及信号处理技术领域，特别涉及一种目标散射中心的提取方法、装置及电子设备。


背景技术：

2.雷达回波主要来自于目标少量的散射中心，因此，只要从雷达回波中提取出目标的散射中心信息，就可以反演出目标信息，如距离、方位、速度和形状等。通常，目标的散射中心主要产生于目标的边缘、拐点、棱角及尖端等不连续点部位，导致雷达回波具有很强的稀疏性，该稀疏性导致雷达目标散射中心提取本身属于不适定问题，提取精度较低。
3.相关技术中，通过引入稀疏约束来消除反演的不适定性，提升反演精度。但稀疏类方法往往需要通过循环迭代的方式逐个提取代表散射中心的原子，估计速度较慢，尤其对于散射中心数目较多的复杂目标，特征反演效率更低。
4.因此，目前亟待需要一种目标散射中心的提取方法、装置及电子设备来解决上述问题。


技术实现要素：

5.基于现有目标散射中心提取方法效率较低的问题，本发明实施例提供了一种目标散射中心的提取方法、装置及电子设备，能够提高目标散射中心的提取速度。
6.第一方面，本发明实施例提供了一种目标散射中心的提取方法，包括：
7.获取待测目标的雷达回波数据；
8.将所述待测目标的雷达回波数据输入至稀疏估计模型中，得到所述待测目标雷达回波数据的索引集矩阵；所述稀疏估计模型是利用若干个已知目标的雷达回波样本对训练得到的，每一个雷达回波样本对包括作为输入的样本回波数据和作为输出的样本索引集矩阵，所述样本回波数据包括至少一个散射中心，所述样本索引集矩阵是根据所述样本回波数据计算得到的；
9.根据所述待测目标雷达回波数据的索引集矩阵，确定所述待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。
10.在一种可能的设计中，所述样本索引集矩阵是通过如下方式计算的得到的：
11.基于点散射中心的参数化模型，构建雷达目标散射中心的稀疏表达形式；
12.基于所述稀疏表达形式，利用正交匹配追踪法计算所述样本回波数据的样本索引集矩阵。
13.在一种可能的设计中，所述点散射中心的参数化模型为：
[0014][0015]
式中，s(kn)为雷达回波信号，kn为波数，n＝1，2，
……
，n，n为雷达频率采样点数，m
＝1，2，
……
，m，m为散射中心个数，am为第m个散射中心的复散射幅度系数，rm为第m个散射中心的径向位置，en为测量噪声；
[0016]
所述雷达目标散射中心的稀疏表达形式为：
[0017]
s＝φσ+e
[0018]
式中，s为目标观测回波列向量，s＝[s(k1)，s(k2)，
…
，s(kn)]
t
；φ为稀疏字典矩阵，φ＝[φ(k1)，φ(k2)，
…
，φ(kn)]
t
，φ(kn)(n＝1，
…
n)是由exp(-j2k
nrl
)(l＝1，
…
，l)构成的l维列向量；r
l
(l＝1，
…
，l)为径向位置rm所有可能的取值、e为噪声。
[0019]
在一种可能的设计中，所述基于所述稀疏表达形式，利用正交匹配追踪法计算所述样本回波数据的样本索引集矩阵，包括：
[0020]
s1、基于所述稀疏表达形式，设置正交匹配追踪门限；
[0021]
s2、初始化参数，所述参数包括残差向量、索引集矩阵、估计稀疏系数向量、支撑集矩阵以及迭代次；
[0022]
s3、根据当前次各参数，计算元素索引，并根据计算结果更新索引集矩阵、支撑集矩阵、估计稀疏系数向量和残差向量；
[0023]
s4、根据更新后的残差向量和所述正交匹配追踪门限，判断是是否满足收敛条件；若满足条件，则停止迭代，并执行s5，否则更新迭代次数，并返回执行s3；
[0024]
s5、将更新后的索引集矩阵作为所述样本回波数据的样本索引集矩阵。
[0025]
在一种可能的设计中，所述正交匹配追踪门限a的表达式为：a＝0.01*||s||2，其中，||
·
||2为向量2范数；
[0026]
所述s2中，初始残差向量r
(0)
＝s、初始索引集矩阵j
(0)
＝φ、初始估计稀疏系数向量初始支撑集矩阵ω
(0)
＝[]以及初始迭代次t＝0；
[0027]
所述s2中，计算元素索引时，表达式为：
[0028][0029]
式中，《
·
》为内积运算符，r
(t-1)
为第t-1次迭代计算的残差向量，φ(：，j)为稀疏字典φ的第j列；
[0030]
所述s2中，更新索引集矩阵时，表达式为：
[0031]
所述s2中，更新支撑集矩阵时，表达式为：ω
(t)
＝[ω
（t-1)
，φ(：，j)]；
[0032]
所述s2中，更新估计稀疏系数向量时，表达式为：
[0033][0034]
式中，上标h代表hermitian转置；
[0035]
所述s2中，更新残差向量时，表达式为：
[0036]
在一种可能的设计中，所述根据更新后的残差向量和所述正交匹配追踪门限，判断是是否满足收敛条件，包括：
[0037]
根据更新后的残差向量r
(t)
，计算剩余信号能量w，所述剩余信号能量w的表达式为：w＝||r
(t)
||2；
[0038]
判断所述剩余信号能量是否小于所述正交匹配追踪门限，若是，则判定为收敛，若
否，则判定为不收敛。
[0039]
在一种可能的设计中，所述根据所述待测目标雷达回波数据的索引集矩阵，确定所述待测目标中每个散射中心的位置和每个散射中心的散射幅度系数，包括：
[0040]
将所述待测目标雷达回波数据的索引集矩阵jd中数值为1的元素所在的行ld确定为散射中心的位置r，
[0041]
所述待测目标散射中心索引集矩阵jd中数值为1的元素所在的行ld组成的支撑集为ωd＝[
…
，φ(：，ld)，
…
](ld∈jd)，则每个散射中心的散射幅度系数a为：
[0042]
在一种可能的设计中，所述稀疏估计模型包括第一层神经网络、第二层神经网络和第三层神经网络；
[0043]
所述第一层神经网络用于计算输入的雷达回波数据与每个原子的内积，每个原子分别代表稀疏字典中的一列；
[0044]
所述第二层神经网络和所述第三层神经网络用于提取相关性较大的原子，并根据提取结果输出与输入的雷达回波数据对应的索引集矩阵。
[0045]
第二方面，本发明实施例还提供了一种目标散射中心的提取装置，包括：
[0046]
获取模块，用于获取待测目标的雷达回波数据；
[0047]
输入模块，用于将所述待测目标的雷达回波数据输入至稀疏估计模型中，得到所述待测目标雷达回波数据的索引集矩阵；所述稀疏估计模型是利用若干个已知目标的雷达回波样本对训练得到的，每一个雷达回波样本对包括作为输入的样本回波数据和作为输出的样本索引集矩阵，所述样本回波数据包括至少一个散射中心，所述样本索引集矩阵是根据所述样本回波数据计算得到的。
[0048]
确定模块，用于根据所述待测目标雷达回波数据的索引集矩阵，确定所述待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。
[0049]
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0050]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0051]
本发明实施例提供了一种目标散射中心的提取方法、装置及电子设备，该方法首先构建用于反演雷达回波数据索引集矩阵的稀疏估计模型，然后利用已知目标的雷达回波样本对该稀疏估计模型进行训练，得到训练好的稀疏估计模型。如此，对于待测目标的雷达回波数据，只要将其输入至该稀疏估计模型中，就可以得到该待测目标雷达回波数据的索引集矩阵。最后，根据该索引集矩阵，就可以确定出待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。由此可见，本方案能够提高目标散射中心的提取速度。
附图说明
[0052]
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作简单地介绍，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。
[0053]
图1是本发明一实施例提供的一种目标散射中心的提取方法流程图；
[0054]
图2是本发明一实施例提供的一种电子设备的硬件架构图；
[0055]
图3是本发明一实施例提供的一种目标散射中心的提取装置结构图。
具体实施方式
[0056]
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的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]
下面描述以上构思的具体实现方式。
[0058]
请参考图1，本发明实施例提供了一种目标散射中心的提取方法，该方法包括：
[0059]
步骤100，获取待测目标的雷达回波数据；
[0060]
步骤102，将待测目标的雷达回波数据输入至稀疏估计模型中，得到待测目标雷达回波数据的索引集矩阵；稀疏估计模型是利用若干个已知目标的雷达回波样本对训练得到的，每一个雷达回波样本对包括作为输入的样本回波数据和作为输出的样本索引集矩阵，样本回波数据包括至少一个散射中心，样本索引集矩阵是根据样本回波数据计算得到的；
[0061]
步骤104，根据待测目标雷达回波数据的索引集矩阵，确定待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。
[0062]
本发明实施例中，首先构建用于反演雷达回波数据索引集矩阵的稀疏估计模型，然后利用已知目标的雷达回波样本对该稀疏估计模型进行训练，得到训练好的稀疏估计模型。如此，对于待测目标的雷达回波数据，只要将其输入至该稀疏估计模型中，就可以得到该待测目标雷达回波数据的索引集矩阵。最后，根据该索引集矩阵，就可以确定出待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。由此可见，本方案能够提高目标散射中心的提取速度。
[0063]
在步骤102中，已知目标的样本回波数据可以通过仿真计算获得。例如，仿真计算一个典型目标的全空间宽带数据，全空间指的是涵盖雷达所有视线角，如俯仰角从0
°
～180
°
，方位角从-180
°
～180
°
，1
°
间隔，则可以获得65341条数据，即样本回波数据，这些数据作为稀疏估计模型的输入。
[0064]
确定稀疏估计模型的输入后，需要构建稀疏估计模型的输出，即与每个输入样本回波数据对应的样本索引集矩阵，该样本回波数据和样本索引集矩阵构成一个雷达回波样本对，形成65341个样本对。
[0065]
在一些实施方式中，样本索引集矩阵是通过如下方式计算的得到的：
[0066]
步骤a1，基于点散射中心的参数化模型，构建雷达目标散射中心的稀疏表达形式；
[0067]
步骤a2，基于稀疏表达形式，利用正交匹配追踪法计算样本回波数据的样本索引集矩阵。
[0068]
针对步骤a1，在一些实施方式中，点散射中心的参数化模型为：
[0069][0070]
式中，s(kn)为雷达回波信号，kn为波数，n＝1，2，
……
，n，n为雷达频率采样点数，m＝1，2，
……
，m，m为散射中心个数，am为第m个散射中心的复散射幅度系数，rm为第m个散射中心的径向位置，en为测量噪声；
[0071]
雷达目标散射中心的稀疏表达形式为：
[0072]
s＝φσ+e
[0073]
式中，s为目标观测回波列向量，s＝[s(k1)，s(k2)，
…
，s(kn)]
t
；φ为稀疏字典矩阵，φ＝[φ(k1)，φ(k2)，
…
，φ(kn)]
t
，φ(kn)(n＝1，
…
n)是由exp(-j2k
nrl
)(l＝1，
…
，l)构成的l维列向量；r
l
(l＝1，
…
，l)为径向位置rm所有可能的取值、e为噪声。
[0074]
针对步骤a2，在一些实施方式中，基于稀疏表达形式，利用正交匹配追踪法计算样本回波数据的样本索引集矩阵，包括：
[0075]
s1、基于稀疏表达形式，设置正交匹配追踪门限；
[0076]
s2、初始化参数，参数包括残差向量、索引集矩阵、估计稀疏系数向量、支撑集矩阵以及迭代次；
[0077]
s3、根据当前次各参数，计算元素索引，并根据计算结果更新索引集矩阵、支撑集矩阵、估计稀疏系数向量和残差向量；
[0078]
s4、根据更新后的残差向量和正交匹配追踪门限，判断是是否满足收敛条件；若满足条件，则停止迭代，并执行s5，否则更新迭代次数，并返回执行s3；
[0079]
s5、将更新后的索引集矩阵作为样本回波数据的样本索引集矩阵。
[0080]
在一些实施方式中，步骤s1中，正交匹配追踪门限a的表达式为：a＝0.01*||s||2，其中，||
·
||2为向量2范数；
[0081]
步骤s2中，初始残差向量r
(0)
＝s、初始索引集矩阵j
(0)
＝φ、初始估计稀疏系数向量初始支撑集矩阵ω
(0)
＝[]以及初始迭代次t＝0；
[0082]
步骤s2中，计算元素索引时，表达式为：
[0083][0084]
式中，《
·
》为内积运算符，r
(t-1)
为第t-1次迭代计算的残差向量，φ(：，j)为稀疏字典φ的第j列；在该步骤中，通过计算当前残差向量r
(t-1)
与稀疏字典φ各列的内积，就可以找出使内积最大的φ(：，j)，即原子；
[0085]
步骤s2中，更新索引集矩阵时，表达式为：
[0086]
步骤s2中，更新支撑集矩阵时，表达式为：ω
(t)
＝[ω
(t-1)
，φ(：，j)]；
[0087]
步骤s2中，更新估计稀疏系数向量时，表达式为：
[0088][0089]
式中，上标h代表hermitian转置；
[0090]
步骤s2中，更新残差向量时，表达式为：
[0091]
该实施例中，上标t均表示第t次迭代计算的结果，上标t-1均表示第t-1次迭代计算的结果。
[0092]
在一些实施方式中，根据更新后的残差向量和正交匹配追踪门限，判断是是否满足收敛条件，包括：
[0093]
根据更新后的残差向量r
(t)
，计算剩余信号能量w，剩余信号能量w的表达式为：w＝||r
(t)
||2；
[0094]
判断剩余信号能量是否小于正交匹配追踪门限，即w《a，若是，则判定为收敛，若否，则判定为不收敛。
[0095]
经过上述步骤，就可以生成65341个样本对，其中任选33000个作为训练集，其余作为测试集。
[0096]
在一些实施方式中，稀疏估计模型包括第一层神经网络、第二层神经网络和第三层神经网络；
[0097]
第一层神经网络用于计算输入的雷达回波数据与每个原子的内积，每个原子分别代表稀疏字典中的一列；该层可以采用全连接层，激活函数为relu，该层的输出维度为9l维。
[0098]
第二层神经网络和第三层神经网络用于提取相关性较大的原子，并根据提取结果输出与输入的雷达回波数据对应的索引集矩阵。第二层可以采用卷积层，卷积核尺寸为3*1，卷积步长为3*1，激活函数为sigmoid；第三层为池化层，池化窗尺寸为3*1，步长为3*1。
[0099]
确定好各层神经网络后，需要选用合适的代价函数，在一些实施方式中，采用交叉熵损失函数作为代价函数：
[0100][0101]
式中，y为神经网络输出向量。
[0102]
在进行稀疏估计模型的的训练和测试时，首先训练集与测试集中样本回波数据输入模型，基于上述代价函数对模型进行训练与测试，其中网络优化方法采用随机梯度下降法，随机梯度下降法对应的参数更新公式为：
[0103][0104]
其中θ
t
为第t次迭代后的模型参数，θ
t+1
为第t+1次迭代后的模型参数，η为学习率参数。
[0105]
利用样本对对模型进行反复训练，直至模型收敛，得到训练好的稀疏估计模型。
[0106]
在一些实施方式中，根据待测目标雷达回波数据的索引集矩阵，确定待测目标中每个散射中心的位置和每个散射中心的散射幅度系数，包括：
[0107]
将待测目标雷达回波数据的索引集矩阵jd中数值为1的元素所在的行ld确定为散射中心的位置r，
[0108]
待测目标散射中心索引集矩阵jd中数值为1的元素所在的行ld组成的支撑集为ωd＝[
…
,φ(:,ld),
…
](ld∈jd)，则每个散射中心的散射幅度系数a为：
[0109]
如图2、图3所示，本发明实施例提供了一种目标散射中心的提取装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种目标散射中心的提取装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种目标散射中心的提取装置，包括：
[0110]
获取模块300，用于获取待测目标的雷达回波数据；
[0111]
输入模块302，用于将待测目标的雷达回波数据输入至稀疏估计模型中，得到待测目标雷达回波数据的索引集矩阵；稀疏估计模型是利用若干个已知目标的雷达回波样本对训练得到的，每一个雷达回波样本对包括作为输入的样本回波数据和作为输出的样本索引集矩阵，样本回波数据包括至少一个散射中心，样本索引集矩阵是根据样本回波数据计算得到的。
[0112]
确定模块304，用于根据待测目标雷达回波数据的索引集矩阵，确定待测目标中每个散射中心的位置和每个散射中心的散射幅度系数。
[0113]
在本发明实施例中，获取模块300可用于执行上述方法实施例中的步骤100，输入模块302可用于执行上述方法实施例中的步骤102，确定模块304可用于执行上述方法实施例中的步骤104。
[0114]
在一些实施方式中，样本索引集矩阵是通过如下方式计算的得到的：
[0115]
基于点散射中心的参数化模型，构建雷达目标散射中心的稀疏表达形式；
[0116]
基于稀疏表达形式，利用正交匹配追踪法计算样本回波数据的样本索引集矩阵。
[0117]
在一些实施方式中，点散射中心的参数化模型为：
[0118][0119]
式中，s(kn)为雷达回波信号，kn为波数，n＝1，2，
……
，n，n为雷达频率采样点数，m＝1，2，
……
，m，m为散射中心个数，am为第m个散射中心的复散射幅度系数，rm为第m个散射中心的径向位置，en为测量噪声；
[0120]
雷达目标散射中心的稀疏表达形式为：
[0121]
s＝φσ+e
[0122]
式中，s为目标观测回波列向量，s＝[s(k1)，s(k2)，
…
，s(kn)]
t
；φ为稀疏字典矩阵，φ＝[φ(k1)，φ(k2)，
…
，φ(kn)]
t
，φ(kn)(n＝1，
…
n)是由exp(-j2k
nrl
)(l＝1，
…
，l)构成的l维列向量；r
l
(l＝1，
…
，l)为径向位置rm所有可能的取值、e为噪声。
[0123]
在一些实施方式中，基于稀疏表达形式，利用正交匹配追踪法计算样本回波数据的样本索引集矩阵，包括：
[0124]
s1、基于稀疏表达形式，设置正交匹配追踪门限；
[0125]
s2、初始化参数，参数包括残差向量、索引集矩阵、估计稀疏系数向量、支撑集矩阵
以及迭代次；
[0126]
s3、根据当前次各参数，计算元素索引，并根据计算结果更新索引集矩阵、支撑集矩阵、估计稀疏系数向量和残差向量；
[0127]
s4、根据更新后的残差向量和正交匹配追踪门限，判断是是否满足收敛条件；若满足条件，则停止迭代，并执行s5，否则更新迭代次数，并返回执行s3；
[0128]
s5、将更新后的索引集矩阵作为样本回波数据的样本索引集矩阵。
[0129]
在一些实施方式中，s1中，正交匹配追踪门限a的表达式为：a＝0.01*||s||2，其中，||
·
||2为向量2范数；
[0130]
s2中，初始残差向量r
(0)
＝s、初始索引集矩阵j
(0)
＝φ、初始估计稀疏系数向量初始支撑集矩阵ω
(0)
＝[]以及初始迭代次t＝0；
[0131]
s2中，计算元素索引时，表达式为：
[0132][0133]
式中，《
·
》为内积运算符，r
(t-1)
为第t-1次迭代计算的残差向量，φ(：，j)为稀疏字典φ的第j列；
[0134]
s2中，更新索引集矩阵时，表达式为：
[0135]
s2中，更新支撑集矩阵时，表达式为：ω
(t)
＝[ω
(t-1)
，φ(：，j)]；
[0136]
s2中，更新估计稀疏系数向量时，表达式为：
[0137][0138]
式中，上标h代表hermitian转置；
[0139]
s2中，更新残差向量时，表达式为：
[0140]
在一些实施方式中，根据更新后的残差向量和正交匹配追踪门限，判断是是否满足收敛条件，包括：
[0141]
根据更新后的残差向量r
(t)
，计算剩余信号能量w，剩余信号能量w的表达式为：w＝||r
(t)
||2；
[0142]
判断剩余信号能量是否小于正交匹配追踪门限，若是，则判定为收敛，若否，则判定为不收敛。
[0143]
在一些实施方式中，确定模块304用于执行如下操作：
[0144]
将待测目标雷达回波数据的索引集矩阵jd中数值为1的元素所在的行ld确定为散射中心的位置r，
[0145]
待测目标散射中心索引集矩阵jd中数值为1的元素所在的行ld组成的支撑集为ωd＝[
…
，φ(：，ld)，
…
](ld∈jd)，则每个散射中心的散射幅度系数a为：
[0146]
在一些实施方式中，稀疏估计模型包括第一层神经网络、第二层神经网络和第三层神经网络；
[0147]
第一层神经网络用于计算输入的雷达回波数据与每个原子的内积，每个原子分别代表稀疏字典中的一列；
[0148]
第二层神经网络和第三层神经网络用于提取相关性较大的原子，并根据提取结果输出与输入的雷达回波数据对应的索引集矩阵。
[0149]
可以理解的是，本发明实施例示意的结构并不构成对一种目标散射中心的提取装置的具体限定。在本发明的另一些实施例中，一种目标散射中心的提取装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0150]
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0151]
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种目标散射中心的提取方法。
[0152]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种目标散射中心的提取方法。
[0153]
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0154]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0155]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0156]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0157]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0158]
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，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他要素，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。
[0159]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
[0160]
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。