一种基于多模型融合的杆塔基础滑坡预测方法和系统与流程

1.本发明涉及电网防灾减灾领域，具体涉及基于一种基于多模型融合的杆塔基础滑坡预测方法和系统。


背景技术：

2.滑坡是一种危害极大的地质灾害，输电线路中杆塔基础滑坡会导致导地线被拉伸，极端情况下，会出现杆塔倒塌和导线断裂的事故的发生，严重影响了输配电的安全性，且事故的发生会对电网设备造成巨大的经济损失。
3.滑坡预测是滑坡灾害防治的基础性工作之一。当前滑坡位移预测一般采用数学模型预测的方法，此类方法更倾向于单因素预测，例如gru(gated recurrent unit)和xgboost。
4.其中，gru作为长短时记忆网络的一种优化模型，在智能化预测方面取得了良好的效果，xgboost作为一种用于树增强算法的可扩展机器学习系统，在预测速度上较以前有超过10倍的提高；但是这两种方法的预测准确度均有待提高。
5.因此，尚需对杆塔基础滑坡预测进行进一步的研究。


技术实现要素：

6.为克服上述现有技术的不足，本发明提出一种基于多模型融合的杆塔基础滑坡预测方法，包括：
7.利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项；
8.利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
9.将趋势项与周期项的加和作为目标时段杆塔基础的滑坡位移；
10.其中，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列和目标时段对应的杆塔基础滑坡位移周期项时序序列，是利用位移分解技术对目标时段对应的杆塔基础滑坡位移时序序列进行位移分解得到的。
11.优选的，所述特征量，包括：质量、体积、周边土体性质、周边岩体结构、所在地的地震等级和周边降雨量；
12.所述目标时段对应的杆塔基础滑坡位移时序序列为由目标时段之前n个时段的杆塔基础滑坡位移构成的时序序列；
13.其中，n为一个完整的周期内包含的时段数。
14.进一步的，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列中各元素的计算式如下：
[0015][0016]
所述目标时段对应的杆塔基础滑坡位移周期项时序序列中各元素的计算式如下：
[0017][0018]
式中，为目标时段对应的杆塔基础滑坡位移趋势项时序序列的第i个元素，实际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的趋势项，为目标时段对应的杆塔基础滑坡位移周期项时序序列的第i个元素，实际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的周期项，s
r
‑
i
为目标时段r之前的第i个时段的杆塔基础滑坡位移，为从目标时段r之前的第i个时段开始向前延伸θ个完整的周期后所处的时段的杆塔基础滑坡位移。
[0019]
优选的，所述利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项，包括：
[0020]
以目标时段对应的杆塔基础滑坡位移趋势项时序序列为原始序列构建灰色verhulst模型；
[0021]
利用所述灰色verhulst模型，计算目标时段杆塔基础滑坡位移的趋势项。
[0022]
进一步的，所述目标时段杆塔基础滑坡位移的趋势项的计算式如下：
[0023][0024]
其中，a为第一参量，b为第二参量，为目标时段杆塔基础滑坡位移的趋势项，为目标时段r之前的第n个时段的杆塔基础滑坡位移的趋势项，n为一个完整的周期内包含的时段数。
[0025]
进一步的，所述a和b的取值是在灰色verhulst模型构建过程中对目标时段对应的杆塔基础滑坡位移趋势项时序序列进行处理与计算得到的。
[0026]
优选的，所述利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项，包括：
[0027]
基于目标时段对应的杆塔基础滑坡位移周期项时序序列，利用预先构建的gru模型，预测目标时段杆塔基础滑坡位移的周期项；
[0028]
基于目标时段杆塔基础的特征量，利用预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
[0029]
将目标时段杆塔基础滑坡位移的周期项的两个预测结果进行综合，得到最终的目标时段杆塔基础滑坡位移的周期项。
[0030]
进一步的，所述最终的目标时段杆塔基础滑坡位移的周期项的计算式如下：
[0031][0032]
式中，w
gru
为预先构建的gru模型的权重，w
xgboost
为预先构建的xgboost模型的权
重，为利用预先构建的xgboost模型预测的目标时段杆塔基础滑坡位移的周期项，为利用预先构建的gru模型预测的目标时段杆塔基础滑坡位移的周期项。
[0033]
其中，所述预先构建的xgboost模型的权重的计算式为：
[0034][0035]
所述预先构建的gru模型的权重的计算式为：
[0036][0037]
式中，σ
mape,xgboost
为预先构建的xgboost模型的mape值，σ
mape,gru
为预先构建的gru模型的mape值。
[0038]
进一步的，所述预先构建的gru模型，是对各历史时段对应的杆塔基础滑坡位移周期项时序序列和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的；
[0039]
所述预先构建的xgboost模型，是对各历史时段杆塔基础的特征量和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的。
[0040]
基于同一发明构思，本发明还提供了一种基于多模型融合的杆塔基础滑坡预测系统，包括：
[0041]
第一预测模块，用于利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项；
[0042]
第二预测模块，用于利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
[0043]
设定模块，用于将趋势项与周期项的加和作为目标时段杆塔基础的滑坡位移；
[0044]
其中，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列和目标时段对应的杆塔基础滑坡位移周期项时序序列，是利用位移分解技术对目标时段对应的杆塔基础滑坡位移时序序列进行位移分解得到的。
[0045]
与最接近的现有技术相比，本发明具有的有益效果：
[0046]
本发明提供了一种基于多模型融合的杆塔基础滑坡预测方法，包括：利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项；利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；将趋势项与周期项的加和作为目标时段杆塔基础的滑坡位移；其中，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列和目标时段对应的杆塔基础滑坡位移周期项时序序列，是利用位移分解技术对目标时段对应的杆塔基础滑坡位移时序序列进行位移分解得到的。本发明利用多模型融合预测的手段，实现了杆塔基础滑坡位移预测的精准预测，在滑坡预警方面起到了强大的数据支撑作用，为电网防灾减灾提供了有力的保障。
[0047]
本发明的预测结果可用于规避滑坡的发生，进而有效的降低滑坡发生对电网设施的损害，保障电网设备长期稳定的运行，并提高电网的稳定性，健壮性。
附图说明
[0048]
图1是本发明提出的一种基于多模型融合的杆塔基础滑坡预测方法流程图；
[0049]
图2是本发明实施例中预先构建的gru模型结构图；
[0050]
图3是本发明提出的一种基于多模型融合的杆塔基础滑坡预测系统结构图。
具体实施方式
[0051]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0052]
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前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0053]
实施例1：
[0054]
现有的滑坡预测方法多为比较单一因素的预测方法，大多是根据天气情况进行简单的滑坡预测，预测模型简单且预测结果准确率不高。鉴于此，本发明提供了一种基于多模型融合的杆塔基础滑坡预测方法，如图1所示，包括：
[0055]
步骤1：利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项；
[0056]
步骤2：利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
[0057]
步骤3：将趋势项与周期项的加和作为目标时段杆塔基础的滑坡位移；
[0058]
其中，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列和目标时段对应的杆塔基础滑坡位移周期项时序序列，是利用位移分解技术对目标时段对应的杆塔基础滑坡位移时序序列进行位移分解得到的。
[0059]
在执行本发明步骤1之前，还需要执行下述操作：
[0060]
首先，获取目标时段(r时段)对应的杆塔基础滑坡位移时序序列和目标时段(r时段)杆塔基础的各个特征量；
[0061]
其中，目标时段(r时段)对应的杆塔基础滑坡位移时序序列是由r
‑
n时段到r
‑
1时段的杆塔基础滑坡位移构成的时序序列，n为一个完整的周期内包含的时段数。
[0062]
特征量包括但不限于：质量、体积、周边土体性质、周边岩体结构、所在地的地震等级和周边降雨量。
[0063]
其次，将r时段对应的杆塔基础滑坡位移时序序列分解为r时段对应的杆塔基础滑坡位移趋势项时序序列和r时段对应的杆塔基础滑坡位移周期项时序序列；
[0064]
其中，趋势项位移反映了滑坡位移的长期变化规律，采用移动平均法进行趋势项位移的提取，即r时段对应的杆塔基础滑坡位移时序序列s
r
＝{s
r
‑
n
，s
r
‑
n+1
…
s
r
‑
i
…
s
r
‑1}，r时段对应的杆塔基础滑坡位移趋势项时序序列中各元素的计算方法为：
[0065][0066]
式中，为目标时段对应的杆塔基础滑坡位移趋势项时序序列的第i个元素，实
际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的趋势项，s
r
‑
i
为目标时段r之前的第i个时段的杆塔基础滑坡位移，为从目标时段r之前的第i个时段开始向前延伸θ个完整的周期后所处的时段的杆塔基础滑坡位移，n的选取需考虑到监测点降雨量随季节呈周期性变化的特性。
[0067]
由于山体滑坡位移的产生多是由内在因素(边坡土体的性质、岩体结构、地质构造、地应力等)和外部因素(降雨、地表水和地下水的作用、地震以及工程荷载等)共同引起的。因此可将杆塔基础滑坡位移分解，即：
[0068]
x＝p+q
[0069]
式中：x表示杆塔基础滑坡位移；p表示杆塔基础滑坡位移的趋势性部分，q表示杆塔基础滑坡位移的周期性部分，该项位移是多种外部因素耦合的结果。
[0070]
因此，r时段对应的杆塔基础滑坡位移周期项时序序列中各元素的计算方法为：
[0071][0072]
式中，为目标时段对应的杆塔基础滑坡位移周期项时序序列的第i个元素，实际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的周期项。
[0073]
所述步骤1具体包括：
[0074]
步骤1
‑
1：以r时段对应的杆塔基础滑坡位移趋势项时序序列为灰色verhulst模型的原始序列构建灰色verhulst模型；
[0075]
步骤1
‑
2：利用所述灰色verhulst模型预测r时段的杆塔基础滑坡位移的趋势项；
[0076]
进一步的，所述步骤1
‑
1中灰色verhulst模型的构建原理如下：
[0077]
以时间序列数据建立原始数据序列x
(0)
＝{x
(0)
(1),x
(0)
(2)
…
x
(0)
(n)}；
[0078]
对数据进行累加处理并确定紧邻均值生成序列，令则累加生成序列是
[0079]
z
(1)
是x
(1)
的紧邻均值生成序列，z
(1)
＝{z
(1)
(2),z
(1)
(3)
…
z
(1)
(n)}，其中，k＝2,3,
…
n；
[0080]
建立灰色verhulst模型：x
(0)
+az
(1)
＝b(z
(1)
)2；
[0081]
灰色verhulst模型的白化方程为：
[0082]
灰色verhulst模型白化方程的解为：
[0083][0084]
灰色verhulst模型的时间响应式为
[0085][0086]
其中，a，b是待定参数，取值通过对下述矩阵方程进行求解得到的；
[0087][0088]
式中，
[0089]
以r时段对应的杆塔基础滑坡位移趋势项时序序列作为所述时间序列数据，对应建立本发明适用的灰色verhulst模型，目标时段杆塔基础滑坡位移的趋势项的计算式如下：可写为的形式，a和b的取值是在本发明适用的灰色verhulst模型构建过程中对目标时段对应的杆塔基础滑坡位移趋势项时序序列进行处理与计算得到的。
[0090]
所述步骤2具体包括：
[0091]
步骤2
‑
1，将目标时段对应的杆塔基础滑坡位移周期项时序序列代入预先构建的gru模型，得到目标时段杆塔基础滑坡位移的周期项的第一预测值；
[0092]
步骤2
‑
2，将目标时段杆塔基础的特征量代入预先构建的xgboost模型，得到目标时段杆塔基础滑坡位移的第二预测值；
[0093]
步骤2
‑
3，将目标时段杆塔基础滑坡位移的周期项的第一预测值和第二预测值的加权求和值作为最终的目标时段杆塔基础滑坡位移的周期项。
[0094]
进一步的，所述步骤2
‑
1中预先构建的gru模型，是对各历史时段对应的杆塔基础滑坡位移周期项时序序列和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的；
[0095]
gru是一种基于深度学习方法对lstm的改良，在lstm中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在gru模型中只有两个门：分别是更新门和重置门，具体结构如图2所示：
[0096]
图中的z
t
和r
t
分别表示更新门和重置门。
[0097]
更新门用于控制前一状态的状态信息被带入到当前状态中的程度，更新门的值越大说明前一状态的状态信息带入越多。
[0098]
重置门控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状
态的信息被写入的越少。
[0099]
通过gru模型对时间周期数据进行训练得到较为精准的周期项滑坡位移预测值q(t)，根据上面的gru的模型图，我们来看看网络的前向传播公式：
[0100]
r
t
＝σ(w
r
·
[h
t
‑1,x
t
])
[0101]
z
t
＝σ(w
z
·
[h
t
‑1,x
t
])
[0102][0103][0104]
y
t
＝σ(w
o
·
h
t
)
[0105]
其中，[]表示两个向量相连，
·
表示矩阵的乘积，x
t
和y
t
分别表示t时刻的输入和输出，σ和tanh都是激活函数，h
t
‑1表示t
‑
1时刻的输出，r
t
表示t时刻重置门的输出，z
t
表示t时刻更新门的输出，w
r
、w
z
、w
o
均是待训练的参数。
[0106]
gru的训练过程：
[0107]
从前向传播过程中的公式可以看出要学习的参数有w
r
、w
z
、w
o
。其中前三个参数都是拼接的(因为后向的向量也是拼接的)，所以在训练的过程中需要将他们分割出来：
[0108]
w
r
＝w
rx
+w
rh
[0109]
w
z
＝w
zx
+w
zh
[0110][0111]
输出层的输入：
[0112][0113]
输出层的输出：
[0114][0115]
在得到最终的输出后，就可以写出网络传递的损失，单个样本某时刻的损失为：
[0116]
y
d
是实际值
[0117]
则单个样本的在所有时刻的损失为：
[0118][0119]
采用后向误差传播算法来学习网络，所以先得求损失函数对各参数的偏导(总共有7个)：
[0120][0121]
[0122][0123][0124][0125][0126][0127]
其中各中间参数为：
[0128][0129][0130][0131]
δ
t
＝δ
h,t
·
z
t
·
φ'
[0132][0133]
在算出了对各参数的偏导之后，就可以更新参数，依次迭代直到损失收敛。
[0134]
概括来说，lstm和cru都是通过各种门函数来将重要特征保留下来，这样就保证了在long
‑
term传播的时候也不会丢失。此外gru相对于lstm少了一个门函数，因此在参数的数量上也是要少于lstm的，所以整体上gru的训练速度要快于lstm的。不过对于两个网络的好坏还是得看具体的应用场景。
[0135]
所述步骤2
‑
2中预先构建的xgboost模型，是对各历史时段杆塔基础的特征量和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的。
[0136]
步骤2
‑
3中最终的目标时段杆塔基础滑坡位移的周期项的计算式如下：
[0137][0138]
式中，w
gru
为预先构建的gru模型的权重，w
xgboost
为预先构建的xgboost模型的权重，为目标时段杆塔基础滑坡位移的周期项的第二预测值，为目标时段杆塔基础滑坡位移的周期项的第一预测值。
[0139]
所述w
xgboost
的计算式为：
[0140][0141]
所述w
gru
的计算式为：
[0142][0143]
式中，σ
mape,xgboost
为预先构建的xgboost模型的mape值，σ
mape,gru
为预先构建的gru模型的mape值。
[0144]
本发明为坍塌，泥石流等更为严重的地质灾害的预测提供了理论基础，并对输电线路，杆塔等电力设施的安全预警提供了基础算法，进而通过预警减少地质灾害的发生对电网设备造成的经济损失。
[0145]
本发明通过gru模型和xgboost模型对历史时序序列进行深度机器学习训练，从多因素角度对滑坡灾害的发生进行预测，提高了滑坡预警的准确性，并且为其他地质灾害预警提供了预警思路，还可以基于上述思路建立全面精准的地质灾害安全智能预警系统。
[0146]
本发明对未来其他电网灾害预警模型的建立提供了参考，能够提高预警模型的准确率和开发效率。
[0147]
本发明能更加迅速的预报到滑坡灾害风险，给工作人员大量的时间进行灾害防护及制定抢修策略，降低了维修成本，更能减少因长时间断电对生活和生产的影响。
[0148]
实施例2：
[0149]
基于同一发明构思，本发明还提供了一种基于多模型融合的杆塔基础滑坡预测系统，该系统基本结构如图3所示，包括：
[0150]
第一预测模块，用于利用目标时段对应的杆塔基础滑坡位移趋势项时序序列，预测目标时段杆塔基础滑坡位移的趋势项；
[0151]
第二预测模块，用于利用目标时段对应的杆塔基础滑坡位移周期项时序序列、目标时段杆塔基础的特征量、预先构建的gru模型和预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
[0152]
设定模块，用于将趋势项与周期项的加和作为目标时段杆塔基础的滑坡位移；
[0153]
其中，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列和目标时段对应的杆塔基础滑坡位移周期项时序序列，是利用位移分解技术对目标时段对应的杆塔基础滑坡位移时序序列进行位移分解得到的。
[0154]
具体的，所述特征量，包括：质量、体积、周边土体性质、周边岩体结构、所在地的地震等级和周边降雨量；
[0155]
所述目标时段对应的杆塔基础滑坡位移时序序列为由目标时段之前n个时段的杆塔基础滑坡位移构成的时序序列；
[0156]
其中，n为一个完整的周期内包含的时段数。
[0157]
进一步的，所述目标时段对应的杆塔基础滑坡位移趋势项时序序列中各元素的计算式如下：
[0158][0159]
所述目标时段对应的杆塔基础滑坡位移周期项时序序列中各元素的计算式如下：
[0160][0161]
式中，为目标时段对应的杆塔基础滑坡位移趋势项时序序列的第i个元素，实
际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的趋势项，为目标时段对应的杆塔基础滑坡位移周期项时序序列的第i个元素，实际意义为目标时段r之前的第i个时段的杆塔基础滑坡位移的周期项，s
r
‑
i
为目标时段r之前的第i个时段的杆塔基础滑坡位移，为从目标时段r之前的第i个时段开始向前延伸θ个完整的周期后所处的时段的杆塔基础滑坡位移。
[0162]
具体的，所述第一预测模块，包括：
[0163]
构建单元，用于以目标时段对应的杆塔基础滑坡位移趋势项时序序列为原始序列构建灰色verhulst模型；
[0164]
计算单元，用于利用所述灰色verhulst模型，计算目标时段杆塔基础滑坡位移的趋势项。
[0165]
进一步的，所述目标时段杆塔基础滑坡位移的趋势项的计算式如下：
[0166][0167]
其中，a为第一参量，b为第二参量，为目标时段杆塔基础滑坡位移的趋势项，为目标时段r之前的第n个时段的杆塔基础滑坡位移的趋势项，n为一个完整的周期内包含的时段数。
[0168]
进一步的，所述a和b的取值是在灰色verhulst模型构建过程中对目标时段对应的杆塔基础滑坡位移趋势项时序序列进行处理与计算得到的。
[0169]
具体的，所述第二预测模块，包括：
[0170]
第一预测单元，用于基于目标时段对应的杆塔基础滑坡位移周期项时序序列，利用预先构建的gru模型，预测目标时段杆塔基础滑坡位移的周期项；
[0171]
第二预测单元，用于基于目标时段杆塔基础的特征量，利用预先构建的xgboost模型，预测目标时段杆塔基础滑坡位移的周期项；
[0172]
预测结果综合单元，用于将目标时段杆塔基础滑坡位移的周期项的两个预测结果进行综合，得到最终的目标时段杆塔基础滑坡位移的周期项。
[0173]
进一步的，所述最终的目标时段杆塔基础滑坡位移的周期项的计算式如下：
[0174][0175]
式中，w
gru
为预先构建的gru模型的权重，w
xgboost
为预先构建的xgboost模型的权重，为利用预先构建的xgboost模型预测的目标时段杆塔基础滑坡位移的周期项，为利用预先构建的gru模型预测的目标时段杆塔基础滑坡位移的周期项。
[0176]
其中，所述预先构建的xgboost模型的权重的计算式为：
[0177][0178]
所述预先构建的gru模型的权重的计算式为：
[0179][0180]
式中，σ
mape,xgboost
为预先构建的xgboost模型的mape值，σ
mape,gru
为预先构建的gru模型的mape值。
[0181]
进一步的，所述预先构建的gru模型，是对各历史时段对应的杆塔基础滑坡位移周期项时序序列和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的；
[0182]
所述预先构建的xgboost模型，是对各历史时段杆塔基础的特征量和各历史时段杆塔基础滑坡位移的周期项的实际值进行训练得到的。
[0183]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0184]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0185]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0186]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0187]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。