一种用于拟合变量联合分布的分层采样树方法及装置与流程

1.本发明涉及机器学习技术领域，尤其是涉及一种用于拟合变量联合分布的分层采样树方法、装置、设备及介质。


背景技术：

2.为了更好地反映模型在特定样本数据分布下的预测性能，往往需要模拟生成符合一定分布规律的样本集，然后在此样本集合的基础上进行对模型性能的评估评估。而在如今的大数据时代，很多模型的输入中有大量变量是0-1取值的稀疏特征，并且这些特征之间又并非是独立关系。在这个条件下，特别当样本数量和特征组合数相比较小时，常规方法依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要。


技术实现要素：

3.本发明实施例所要解决的技术问题在于，提供一种用于拟合变量联合分布的分层采样树方法、装置、设备及介质，能够解决现有技术依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
4.为解决上述问题，本技术实施例的第一方面提供了一种用于拟合变量联合分布的分层采样树方法，至少包括如下步骤：
5.获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；
6.遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；
7.对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；
8.通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
9.在第一方面的一种可能的实现方式中，所述遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树，具体为：
10.当检查任一特征的取值为1时，则新建一个节点并进行初始化，将当前游标指针指向的节点所对应的特征变量的域的孩子节点指针指向该新建节点，对该特征变量的域的计数字段增1，并将当前游标指针下移指向该新节点，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树。
11.在第一方面的一种可能的实现方式中，所述对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，包括：
12.将所述初始分层采样树中的每个节点的计数字段修正为(0，1]的小数；
13.对所述初始分层采样树中的每一层的各个节点的每个域所对应的计数字段值均进行求和修正；
14.在各个节点完成所述求和修正后，分别对各个节点所对应的若干个孩子节点进行修正，直至所有节点均被遍历，得到修正后的分层采样树。
15.在第一方面的一种可能的实现方式中，所述求和修正，具体为：
16.对所述初始分层采样树中的每一层中各个节点的每个域所对应的计数字段值进行求和；
17.若和值非零，则将每个域所对应的计数字段值除以该和值进行修正；
18.若和值为零，则跳过该节点，对下一个节点进行修正。
19.在第一方面的一种可能的实现方式中，所述通过所述修正后的分层采样树每次生成对应的一个样本具体为：
20.通过所述修正后的分层采样树新建一个初始样本，其中每个特征取值为0；
21.将当前游标指针指向分层采样树的第一个节点；
22.随机生成一个随机数，查找该随机数在当前节点所对应的域，将初始样本的对应的域的特征值赋值为1，将当前游标指针指向该域的孩子节点；
23.重复上一步，直至当前游标指针指向的节点为空值，完成该条样本的采样过程。
24.在第一方面的一种可能的实现方式中，在创建对应的节点结构之后，还包括：
25.对所述初始节点结构中的每个节点进行初始化操作，将每个特征变量对应的域内的指针设为空值，以及对该特征变量的域的计数字段赋值为0。
26.在第一方面的一种可能的实现方式中，在所述遍历所述样本数据集中的每一个样本步骤之前，还包括：
27.将树根指针指向初始节点结构的第一层节点，并将当前游标指针指向该节点。
28.本技术实施例的第二方面提供了一种用于拟合变量联合分布的分层采样树装置，包括：
29.初始节点模块，用于获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；
30.遍历样本模块，用于遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；
31.节点修正模块，用于对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；
32.模拟样本生成模块，用于通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
33.本技术实施例的第三方面还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
34.本技术实施例的第四方面还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
35.实施本发明实施例，具有如下有益效果：
36.本发明实施例提供的一种用于拟合变量联合分布的分层采样树方法、装置、设备及介质，通过获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，进一步提高分层采样树的模拟精准度；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时，现有技术依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
附图说明
37.图1为本技术一实施例的用于拟合变量联合分布的分层采样树方法的流程示意图；
38.图2为本技术一实施例的用于拟合变量联合分布的分层采样树装置的结构示意框图；
39.图3为本技术一实施例的计算机设备的结构示意框图。
40.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
42.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，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。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
43.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
44.本技术实施例可以应用于服务器中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
45.首先介绍本发明可以提供的应用场景，如提供一种用于拟合变量联合分布的分层
采样树方法、装置、设备及介质，能够模拟生成和目标样本集相同联合分布的模拟样本数据集，更好地反映模型在特定样本数据分布下的预测性能。
46.本发明第一实施例：
47.请参阅图1。
48.如图1所示，本实施例提供了一种用于拟合变量联合分布的分层采样树方法，至少包括如下步骤：
49.s1、获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；
50.s2、遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；
51.s3、对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；
52.s4、通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
53.为了更好地反映模型在特定样本数据分布下的预测性能，需要模拟生成符合一定分布规律的样本集，然后在此集合之上评估模型的性能。然而，在大数据时代，很多模型的输入中有大量变量是0-1取值的稀疏特征，特征之间又非独立关系。而本实施例应用于当样本数量和特征组合数相比较小时，通过获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，进一步提高分层采样树的模拟精准度；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时，现有技术依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
54.对于步骤s1，通过获取样本数据集中所有0-1取值的特征变量，假设样本数据共有k个0-1取值的特征变量，我们把这些变量按照某个编号顺序排列，比如v1v2…
vk，从而创建对应的初始节点结构，采样树的每一层，是一个包含上述k个域的节点，每个域包含一个孩子节点指针和一个计数字段(最后要转化为占比)。
55.对于步骤s2，遍历样本数据集中的每一条样本，并按照步骤s1中的特征变量顺序检查该样本每个特征的取值，检查该特征的取值是否为1，若是，则新建一个节点并进行初始化，将节点指针指向该新节点并对该域的技术字段增1，游标指针下移至该新节点，按照特征顺序检查该样本的下一个特征取值情况，重复该过程直至检查完所有的特征取值情况，生成初始分层采样树算法。
56.对于步骤s3，在检查完所有的所有的样本生成采样树后，还需要对该采样树进行求和修正，直至该采样树的每一层节点修正完，再分别对其k个孩子节点进行修正，直至所
有节点均被遍历过，得到修正后的分层采样树，从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正。
57.对于步骤s4，通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时采样生成的样本集和目标样本集在总体分布上差异很大的技术问题。
58.在一种优选的实例中，所述遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树，具体为：
59.当检查任一特征的取值为1时，则新建一个节点并进行初始化，将当前游标指针指向的节点所对应的特征变量的域的孩子节点指针指向该新建节点，对该特征变量的域的计数字段增1，并将当前游标指针下移指向该新节点，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树。
60.在具体的实施例中，步骤s2中的遍历样本集中的每一个样本生成初始分层采样树的方法，具体步骤如下：每当开始检查一个新样本前，都将当前游标指针指向树根节点，然后按照前述特征顺序检查该样本每个特征的取值，假设发现某个特征vi取值为1，则新建一个节点、完成初始化后，把在当前游标指针指向的节点里对应vi的域的孩子节点指针指向该新节点，该域的计数字段值增1，当前游标指针下移，也指向该新节点。按特征顺序检查该样本的下一个特征取值情况，重复上述过程。
61.在一种优选的实例中，所述对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，包括：
62.将所述初始分层采样树中的每个节点的计数字段修正为(0，1]的小数；
63.对所述初始分层采样树中的每一层的各个节点的每个域所对应的计数字段值均进行求和修正；
64.在各个节点完成所述求和修正后，分别对各个节点所对应的若干个孩子节点进行修正，直至所有节点均被遍历，得到修正后的分层采样树。
65.在一种优选的实例中，所述求和修正，具体为：
66.对所述初始分层采样树中的每一层中各个节点的每个域所对应的计数字段值进行求和；
67.若和值非零，则将每个域所对应的计数字段值除以该和值进行修正；
68.若和值为零，则跳过该节点，对下一个节点进行修正。
69.在具体的实施例中，当检查完所有的样本，生成完初始分层采样树后，还需要把每个节点的计数字段值修正为(0,1]的小数。对该树的每一层节点，把每个域的计数字段值求和，判断该和值是否为零，如果这个和值非零，则再把每个域的计数字段值除以这个和，否则跳过这个节点，对下一个节点进行修正。每个节点修正完后，再分别对其k个孩子节点进行修正，直到所有节点均被遍历过，生成得到修正后的分层采样树，进一步提高分层采样树的模拟精准度。
70.在一种优选的实例中，所述通过所述修正后的分层采样树每次生成对应的一个样
本具体为：
71.通过所述修正后的分层采样树新建一个初始样本，其中每个特征取值为0；
72.将当前游标指针指向分层采样树的第一个节点；
73.随机生成一个随机数，查找该随机数在当前节点所对应的域，将初始样本的对应的域的特征值赋值为1，将当前游标指针指向该域的孩子节点；
74.重复上一步，直至当前游标指针指向的节点为空值，完成该条样本的采样过程。
75.在具体的实施例中，所述步骤s4中每次通过采用树生成一个样本，首先新建一个初始样本，其中每个特征的取值都是0。然后把当前游标指针指向树的第一个节点(树根)。接着生成一个随机数，找到该随机数在当前节点对应的域(假设是vi)，把初始样本的vi特征值赋值1，然后把当前游标指针指向vi域的孩子节点。然后重复这个过程，直到当前游标指针指向的节点是空值(null)，即完成一条样本的采样过程。重复上述整个采样过程，直到产生出所需的样本条数，精确生成和目标样本集相同联合分布的模拟样本数据集。
76.在一种优选的实例中，在创建对应的节点结构之后，还包括：
77.对所述初始节点结构中的每个节点进行初始化操作，将每个特征变量对应的域内的指针设为空值，以及对该特征变量的域的计数字段赋值为0。
78.在具体的实施例中，采样树的每一层，是一个包含上述k个域的节点，每个域包含一个孩子节点指针和一个计数字段(最后要转化为占比)。在每个节点创建后进行初始化操作，将每个域内的指针设为空值(null)，以及对计数字段赋值0。
79.在一种优选的实例中，在所述遍历所述样本数据集中的每一个样本步骤之前，还包括：
80.将树根指针指向初始节点结构的第一层节点，并将当前游标指针指向该节点。
81.在具体的实施例中，在步骤s2的分层采样树算法开始学习之前，树根指针指向一个初始化好的第一层节点，当前游标指针也指向该节点。
82.本实施例提供的一种用于拟合变量联合分布的分层采样树方法，包括：获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。本实施例通过构建一种分层采样树算法，在拟合阶段可以高效地捕捉样本数据集中多个0-1变量的联合分布信息，并在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，从而解决当样本数量和特征组合数相比较小时，现有技术中依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
83.本发明第二实施例：
84.请参阅图2。
85.如图2所示，本实施例提供了一种用于拟合变量联合分布的分层采样树系统，包括：
86.初始节点模块100，用于获取样本数据集中所有0-1取值的特征变量，并按照预设
编号顺序对所述特征变量进行排列，创建对应的初始节点结构；
87.对于初始节点模块100，通过获取样本数据集中所有0-1取值的特征变量，假设样本数据共有k个0-1取值的特征变量，我们把这些变量按照某个编号顺序排列，比如v1v2…
vk，从而创建对应的初始节点结构，采样树的每一层，是一个包含上述k个域的节点，每个域包含一个孩子节点指针和一个计数字段(最后要转化为占比)。
88.遍历样本模块200，用于遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；
89.对于遍历样本模块200，用于遍历样本数据集中的每一条样本，并按照初始节点模块100中的特征变量顺序检查该样本每个特征的取值，检查该特征的取值是否为1，若是，则新建一个节点并进行初始化，将节点指针指向该新节点并对该域的技术字段增1，游标指针下移至该新节点，按照特征顺序检查该样本的下一个特征取值情况，重复该过程直至检查完所有的特征取值情况，生成初始分层采样树算法。
90.节点修正模块300，用于对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；
91.对于节点修正模块300，在检查完所有的所有的样本生成采样树后，还需要对该采样树进行求和修正，直至该采样树的每一层节点修正完，再分别对其k个孩子节点进行修正，直至所有节点均被遍历过，得到修正后的分层采样树，从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正。
92.模拟样本生成模块400，用于通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
93.对于模拟样本生成模块400，通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时采样生成的样本集和目标样本集在总体分布上差异很大的技术问题。
94.本实施例通过获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，进一步提高分层采样树的模拟精准度；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时，现有技术依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
95.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络
接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存用于拟合变量联合分布的分层采样树方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于拟合变量联合分布的分层采样树方法。所述用于拟合变量联合分布的分层采样树方法，包括：获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
96.本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种用于拟合变量联合分布的分层采样树方法，包括步骤：获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集。
97.上述执行的用于拟合变量联合分布的分层采样树方法，本实施例通过获取样本数据集中所有0-1取值的特征变量，并按照预设编号顺序对所述特征变量进行排列，创建对应的初始节点结构；遍历所述样本数据集中的每一个样本，按照特征变量顺序检查该样本每个特征的取值，直至检查完所述样本数据集的所有样本，生成对应的初始分层采样树；从而在拟合阶段构建一种分层采样树算法，高效地捕捉样本数据集多个0-1变量的联合分布信息对所述初始分层采样树进行节点修正，直至所述初始分层采样树中所有节点均被遍历，得到修正后的分层采样树，进一步提高分层采样树的模拟精准度；通过所述修正后的分层采样树每次生成对应的一个样本，重复该采样过程，直至生成所需的样本个数，得到模拟样本数据集，在后续的推理阶段精确生成和目标样本集相同联合分布的模拟样本数据集，解决当样本数量和特征组合数相比较小时，现有技术依次按每个特征各自的分布采样生成的样本集和目标样本集在总体分布上差异很大，不能满足场景模拟的需要的技术问题。
98.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
99.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
100.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
101.另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
102.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
103.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。