一种参数确定方法、装置及设备与流程

本发明涉及计算机技术领域，特别是涉及一种参数确定方法、装置及设备。

背景技术：

在机器学习算法调优的过程中，特征调优占据非常重要的位置。而现实中特征工程在收集、计算特征得分的时候，大部分的特征分布情况差异化明显，不同维度的数据呈现的分布也多种多样。这种不规则的数据分布不利于算法后续的使用，对线性算法的效率和效果也有明显的影响。因此，通常对数据进行归一化处理，以消除数据间存在的差异。

现有的归一化方法通常是人工指定平滑方程式中参数，然后根据确定参数后的平滑方程式对数据进行归一化。该方法虽然能够拟合出较为平滑的曲线，但是操作起来比较依赖人工经验，并且归一化处理后的数据的区分度不够。因此，如何快速确定平滑方程式中的参数显得尤为重要。

技术实现要素：

本发明实施例的目的在于提供一种参数确定方法、装置及设备，以实现自动、快速确定归一化过程中所用平滑方程式的参数。具体技术方案如下：

一种参数确定方法，包括：

收集待归一化的原始特征数据；

从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

根据所述目标数据和各目标数据归一化后的值确定目标曲线；

将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

可选的，从所述原始特征数据中选取预设数量的目标数据的步骤，包括：

将所述原始特征数据从小到大进行排列；

将所述原始特征数据等量划分为预设数量的份数；

选取每份原始特征数据的中位数，并将各中位数作为目标数据。

可选的，所述将所述原始特征数据从小到大排列之后，还包括：

通过预设的缩放系数，对所述原始特征数据进行放大或缩小。

可选的，所述将所述原始特征数据等量划分为预设数量的份数之前，还包括：

将出现次数与总数据量的占比达到预设阈值的原始特征数据确定为噪音点，去除全部或部分所述噪音点。

可选的，所述去除全部或部分所述噪音点之后，还包括：

根据所述噪音点所处的位置对所述原始特征数据进行分段，并计算每段中原始特征数据量与总原始特征数据量的占比。

可选的，所述对各目标数据进行归一化处理得到各目标数据归一化后的值的步骤，包括：

确定各目标数据所处的份数；

将各目标数据所处的份数与所述预设数量的比值作为各目标数据归一化后的值。

可选的，所述对各目标数据进行归一化处理得到各目标数据归一化后的值的步骤，包括：

确定各目标数据所处的份数；

根据各目标数据所处的份数与目标数据所在段的占比对各目标数据进行归一化处理，得到各目标数据归一化后的值。

本发明实施的又一方面，还提供了一种参数确定装置，包括：

数据收集模块，用于收集待归一化的原始特征数据；

预处理模块，用于从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

曲线确定模块，用于根据所述目标数据和各目标数据归一化后的值确定目标曲线；

参数确定模块，用于将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

可选的，所述预处理模块包括：

排序子模块，用于将所述原始特征数据从小到大进行排列；

等分子模块，用于将所述原始特征数据等量划分为预设数量的份数；

数据选取子模块，用于选取每份原始特征数据的中位数，并将各中位数作为目标数据。

可选的，所述装置还包括：

缩放模块，用于通过预设的缩放系数，对所述原始特征数据进行放大或缩小。

可选的，所述装置还包括：

噪音点去除模块，用于将出现次数与总数据量的占比达到预设阈值的数据确定为噪音点，去除全部或部分所述噪音点。

可选的，所述装置还包括：

分段模块，用于根据所述噪音点所处的位置对所述原始特征数据进行分段，并计算每段中原始特征数据量与总原始特征数据量的占比。

可选的，所述预处理模块具体用于，

确定各目标数据所处的份数；

将各目标数据所处的份数与所述预设数量的比值作为各目标数据归一化后的值。

可选的，所述预处理模块具体用于，

确定各目标数据所处的份数；

根据各目标数据所处的份数与目标数据所在段的占比对各目标数据进行归一化处理，得到各目标数据归一化后的值。

本发明实施的又一方面，还提供了一种参数确定设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的参数确定方法。

在本发明实施的又一方面，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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的参数确定方法。

在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的参数确定方法。

本发明实施例提供的参数确定方法、装置及设备，针对现有的归一化方法通常是人工指定平滑方程式中参数，且人工指定比较依赖人工经验的问题，通过从原始特征数据中选取预设数量的目标数据，并对目标数据进行归一化处理得到各目标数据归一化后的值，最后通过拟合目标数据和各目标数据归一化后的值确定的目标曲线，与将目标数据和各目标数据归一化后的值代入平滑方程式得到的分布曲线，从而确定平滑方程式中各个参数的值。本发明参数确定方法并不依赖人工经验即可实现自动、快速确定归一化过程中所用平滑方程式的参数。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

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。

图1为本发明实施例提供的参数确定方法的一种流程图；

图2为本发明实施例中从所述原始特征数据中根据预设规则，选取预设数量的目标数据的步骤的流程图；

图3为本发明实施例提供的参数确定方法的另一种流程图；

图4为本发明实施例提供的参数确定装置的结构示意图；

图5为实现本发明实施例提供的一种参数确定设备结构示意图。

具体实施方式

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描述。

现有的归一化方法通常是人工指定平滑方程式中参数，但是人工指定的方式操作起来比较依赖人工经验。本发明通过选取预设数量的目标数据，并对各目标数据进行归一化处理得到各目标数据归一化后的值；进而根据目标数据和各目标数据归一化后的值确定目标曲线；最后将目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。本发明技术方案解决了人工指定方式依赖人工经验的问题，能够实现自动、快速确定归一化过程中所用平滑方程式的参数。

参照图1，示出了一种参数确定方法的流程图，该方法具体包括以下步骤：

s101，收集待归一化的原始特征数据。

该原始特征数据可以为机器学习过程中使用的数据。原始特征数据可以通过数据id查询得到。

该原始特征数据包括有限的离散数据，也包括数量较大的近似连续的数据。

s102，从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值。

在具体实现方式中，可以先将原始特征数据从小到大排序，然后在等量分为预设数量的份数，当然预设数量越大时，最后确定出的平滑方程式中各个参数的值越准确，取每份数据的平均值作为目标数据，并将各个目标数据与所有目标数据之和的比值作为各目标数据归一化后的值。

需要说明的是，本发明实施例可以按照多种预设规则对各目标数据进行归一化处理，并得到各目标数据归一化后的值，本发明实施例不对具体的归一化方式做具体限定。

s103，根据所述目标数据和各目标数据归一化后的值确定目标曲线。

在具体实现中，可以将目标数据作为坐标点的横坐标，将目标数据归一化后的值作为坐标点的纵坐标，从而得到由多个坐标点组成的目标曲线。

s104，将所述目标数据和各目标数据归一化后的值带入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

平滑方程式的公式可以为：

其中，raise为控制分布曲线上下平移的参数；magnify为控制分布曲线上下高度的参数；slope为控制分布曲线精度的参数；mid为控制分布曲线左右宽度的参数。

在计算该4个参数的过程中，将目标数据作为x值，将目标数据归一化后的值作为f(x)值代入上述公式中，先设定其中3个参数，再通过多次调整剩余的那个参数，拟合出较吻合该目标曲线的较平滑的分布曲线，从而确定出理想的参数。同理，可得到其他3个参数的值。在拟合过程中，可以根据需要确定用于拟合分布曲线的目标数据的数量，进而得到符合要求的各个参数。

需要说明的是本发明所述的平滑方程式并不仅限于上述一种，任何其他平滑方程式都可以通过本发明参数确定方法中提供的目标数据和各目标数据归一化后的值来确定平滑方程式中的参数，对此本发明并不做具体限定。

在具体实现中，拟合分布曲线可以通过matlab曲线拟合工具箱cftool来实现，从而得到理想的参数值。

本发明实施例提供的参数确定方法能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，确定参数的过程效率较高能够提高机器学习的效率，并且能够得到平滑曲线提高机器学习的效果。

参见图2，在本发明实施例的一种实施方式中，步骤s102中从所述原始特征数据中选取预设数量的目标数据的步骤，具体可以包括：

s11，将所述原始特征数据从小到大进行排列。

应当说明的是，也可以将所述原始特征数据从大到小进行排列。

在本发明实施例中，步骤s11之后和步骤s12之间还包括对噪音点的处理过程。噪音点的处理包括如下步骤：

将排序后排列在两端的原始特征数据作为噪音点，并去除该噪音点；

统计相同原始特征数据出现的次数，将出现次数与总数据量的占比达到阈值的原始特征数据确定为噪音点，并去除全部或部分所述噪音点。

例如，原始特征数据中的“3”的出现次数与总数据量的占比达到了阈值，则将原始特征数据中的“3”全部去除，或者只留下一个为“3”的原始特征数据。优选地，该阈值可以设为1％。

s12，将所述原始特征数据按照从小到大的顺序划分为等量的预设数量的份数。

需要说明的是，本发明实施例的优选示例为将该原始特征数据进行等量分份，在具体应用过程中，也可以将该原始特征数据进行近似等量分份，本发明实施例不对原始特征数据的分份方式做具体限制。

s13，选取每份原始特征数据的中位数，并将各中位数作为目标数据。

例如，某一份的原始特征数据包括[6、8、9]，则目标数据可以定为“8”。

需要说明的是，目标数据还可以选取每份原始特征数据中的第1个数、第2个数……第n个数，本发明实施例不对目标数据的选取规则做具体限定。本发明技术方案选取出的目标数据包括了原始特征数据中从小到大各个部分的数据，因此能够得到具有足够区分度的曲线。

在本发明实施例的一种实施方式中，步骤102中对各目标数据进行归一化处理得到各目标数据归一化后的值的步骤具体可以包括：

s14，确定各目标数据所处的份数。

s15，将各目标数据所处的份数与所述预设数量的比值作为各目标数据归一化后的值。

为清楚地说明步骤14和步骤15，现举例进行说明：

假使原始特征数据被划分为5份，分别为[2、4、5]、[5、5、6]、[6、6、7]、[8、8.5、8.5]、[9、9、9.5]。分别从每份中选取目标数据为“4”、“5”、“6”、“8.5”、“9”。确定目标数据“4”所处的份数为1，即第一份，目标数据“5”所处的份数为2，即第二份；目标数据“6”所处的份数为3，即第三份；目标数据“8.5”所处的份数为4，即第四份；目标数据“9”所处的份数为5，即第五份。相应地，目标数据“4”归一化后的值为1/5；目标数据“5”归一化后的值为2/5；目标数据“6”归一化后的值为3/5；目标数据“8.5”归一化后的值为4/5；目标数据“9”归一化后的值为1。

在具体实现中，可以将排列在两端的目标数据对应的归一化后的值设置为最大值和最小值，例如分别设为1.0和0.01。如果排列在两端的目标数据参与拟合，会导致数据曲线不可控，直接置最大值和最小值后，可以简化运算并且使拟合的效果更可靠。

需要说明的是，本发明实施例可以按照多种预设规则对各目标数据进行归一化处理，并得到各目标数据归一化后的值，本发明实施例不对具体的归一化方式做具体限定。

本发明实施例提供的参数确定方法能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，通过确定后的平滑方程式能够得到平滑的、具有足够区分度的曲线，进而能够提高机器学习的效果，提高用户体验。

参见图3所示的为本发明实施例提供的参数确定方法的另一种流程图。图3所示的实施例是基于图1中步骤s102细化的实施例，所以与图1相同的内容可参见图1所示的实施例。图3所示方法可以包括以下步骤：

s201，将收集到的待归一化的原始特征数据从小到大进行排列。

s202，统计相同原始特征数据出现的次数，将出现次数与总数据量的占比达到阈值的原始特征数据确定为噪音点。

s203，根据噪音点将原始特征数据进行分段。

在本发明实施例的一种实施方式中，步骤203具体还可以包括：

对排序后排列在两端的原始特征数据作为噪音点，并去除该噪音点；

统计相同原始特征数据出现的次数，将出现次数与总数据量的占比达到阈值的原始特征数据确定为噪音点，并去除全部或部分所述噪音点；

以噪音点为分段处，对所述原始特征数据进行分段，并计算每段数量与总数量的占比。

例如，排序后的原始特征数据分别包括：

其中，第一列为序号，第二列为数据名称，第三列为数据的原始值。

可以确定上述原始特征数据中的噪音点为9000，去除多余的噪音点后剩余：

根据噪音点“9000”将原始特征数据分为2段：

第一段为：

第二段为：

104vv_score10000

107vv_score11000

105vv_score12000。

最后，可以得到第一段的占比为2/3；第二段的占比为1/3。

s204，通过预设的缩放系数，对所述原始特征数据进行放大或缩小。

在对原始特征数据的预处理过程中，可以将大数据乘以一个小数、开n次方或取对数得到合适大小的数据；可以将小数据乘以一个系数进行放大，得到合适大小的数据。本发明实施例不对原始特征数据的预处理的方法进行限制。

例如，可以将上述原始特征数据都除以1000，缩放到合适的大小：

第一段为：

第二段为：

104vv_score10

107vv_score11

105vv_score12。

s205，将每段中的原始特征数据分别按照从小到大的顺序划分为等量的预设数量的份数。

以上述第一段中的原始特征数据为例，可以将第一段中的原始特征数据分为两份：

第一份：

106vv_score3

100vv_score5

102vv_score5.5

第二份：

101vv_score6

103vv_score8

108vv_score9。

需要说明的是，可以先对原始特征数据进行分段再进行分份，也可以不分段直接进行分份。

s206，选取每份原始特征数据的中位数，并将各中位数作为目标数据。

s207，根据各目标数据所处的份数与目标数据所在段的占比对各目标数据进行归一化处理，得到各目标数据归一化后的值。

目标数据可以作为坐标点的横坐标x，目标数据归一化后的值可以作为坐标点的纵坐标y，y＝λ*i/n，其中λ为目标数据所在段的占比，i为目标数据所处的份数，n为目标数据所在的段被划分的总份数，其中，i和n均为正整数，λ为0～1之间的正数。乘以λ后能够使纵坐标数据更加紧凑，从而使得通过拟合确定的参数更加精确。

本发明实施例提供的参数确定方法能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，通过确定后的平滑方程式能够得到平滑的、具有足够区分度的曲线，进而能够提高机器学习的效果，提高用户体验。

相应于上面的方法实施例，本发明实施例还提供了一种参数确定装置，如图4所示，本发明实施例提供的一种参数确定装置，包括：

数据收集模块301，用于收集待归一化的原始特征数据；

预处理模块302，用于从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

曲线确定模块303，用于根据所述目标数据和各目标数据归一化后的值确定目标曲线；

参数确定模块304，用于将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

本发明实施例提供的参数确定装置能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，确定参数的过程效率较高能够提高机器学习的效率，并且能够得到平滑曲线提高机器学习的效果。

在本发明一种实施方式中，预处理模块302，包括：

排序子模块，用于将所述原始特征数据从小到大进行排列；

等分子模块，用于将所述原始特征数据等量划分为预设数量的份数；

数据选取子模块，用于选取每份原始特征数据的中位数，并将各中位数作为目标数据。

本发明技术方案选取出的目标数据包括了原始特征数据中从小到大各个部分的数据，因此能够得到具有足够区分度的曲线。

在本发明一种实施方式中，本发明参数确定装置，还包括：

缩放模块，用于通过预设的缩放系数，对所述原始特征数据进行放大或缩小。

在本发明一种实施方式中，本发明参数确定装置，还包括：

噪音点去除模块，用于将出现次数与总数据量的占比达到预设阈值的数据确定为噪音点，去除全部或部分所述噪音点。

在本发明一种实施方式中，预处理模块302具体用于，

确定各目标数据所处的份数；

将各目标数据所处的份数与所述预设数量的比值作为各目标数据归一化后的值。

在本发明一种实施方式中，本发明参数确定装置，还包括：

分段模块，用于根据所述噪音点所处的位置对所述原始特征数据进行分段，并计算每段中原始特征数据量与总原始特征数据量的占比。

在本发明一种实施方式中，预处理模块302具体用于，

确定各目标数据所处的份数；

根据各目标数据所处的份数与目标数据所在段的占比对各目标数据进行归一化处理，得到各目标数据归一化后的值。

本发明实施例提供的参数确定装置能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，通过确定后的平滑方程式能够得到平滑的、具有足够区分度的曲线，进而能够提高机器学习的效果，提高用户体验。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述比较简单，相关之处参见方法实施例部分即可。

本发明实施例还提供了一种参数确定设备，如图5所示，包括处理器001、通信接口002、存储器003和通信总线004，其中，处理器001，通信接口002，存储器003通过通信总线004完成相互间的通信，

存储器003，用于存放计算机程序；

处理器001，用于执行存储器003上所存放的程序时，实现如下步骤：

收集待归一化的原始特征数据；

从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

根据所述目标数据和各目标数据归一化后的值确定目标曲线；

将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

本发明实施例提供的参数确定设备不需要依赖人工经验能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，确定参数的过程效率较高能够提高机器学习的效率，并且能够得到平滑曲线提高机器学习的效果。

上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，以使得计算机实现如下步骤：

收集待归一化的原始特征数据；

从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

根据所述目标数据和各目标数据归一化后的值确定目标曲线；

将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

本发明实施例提供的计算机可读存储介质不需要依赖人工经验能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，确定参数的过程效率较高能够提高机器学习的效率，并且能够得到平滑曲线提高机器学习的效果。

在本发明提供的又一实施例中，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，以使得计算机实现如下步骤：

收集待归一化的原始特征数据；

从所述原始特征数据中选取预设数量的目标数据，并对各目标数据进行归一化处理，得到各目标数据归一化后的值；

根据所述目标数据和各目标数据归一化后的值确定目标曲线；

将所述目标数据和各目标数据归一化后的值代入平滑方程式得到分布曲线，将所述分布曲线与所述目标曲线进行拟合，确定所述平滑方程式中各个参数的值。

本发明实施例提供的计算机程序产品不需要依赖人工经验能够自动计算得到用于归一化处理的参数，确定参数的过程效率较高，并且通过选取合适的目标数据去拟合曲线，从而能够拟合出较为理想的参数值，确定参数的过程效率较高能够提高机器学习的效率，并且能够得到平滑曲线提高机器学习的效果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式来实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

需要说明的是，在本文中，诸如第一和第二等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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、计算机可读存储介质、计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。