用户行为有效性的确定方法、装置、存储介质及电子装置与流程

1.本发明实施例涉及通信领域，具体而言，涉及一种用户行为有效性的确定方法、装置、存储介质及电子装置。


背景技术：

2.相关技术中，目前挖掘用户的行为的方法主要有两种，一种方法是统计，通过历史数据直接统计历史发生的历史行为，如果统计数值大于某个值(例如，平均值、中值等等)，则该历史行为可以作为用户行为习惯，另一种方法是关联分析，即，采用算法的方式分析用户前后行为的关联，其中，常用的是关联算法，例如，apriori算法，将所有用户按用户操作进行分段，并将各个段中的相关行为进行合并计数，但采用该算法计算出来的数据不能准确反应用户行为，即，最终得到的用户行为数据不准确。
3.针对相关技术中存在的用户行为数据获取的准确率低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种用户行为有效性的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的用户行为数据获取的准确率低的问题。
5.根据本发明的一个实施例，提供了一种用户行为有效性的确定方法，包括：对目标用户在当前统计周期内发生的行为按照时间顺序排序，以确定出目标连续行为以及在所述当前统计周期内所述目标连续行为所发生的次数，其中，所述目标连续行为中包括在第一时长内所发生的至少两个行为；确定所述目标连续行为在多个历史统计周期的中包括的每个所述历史统计周期内所分别发生的次数；基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重；对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和，并基于得到的结果确定所述目标连续行为的有效性。
6.在一个示例性实施例中，对目标用户在当前统计周期内发生的行为按照时间顺序排序包括：从第一数据库中获取预先上报的所述当前统计周期内所述目标用户发生的全部行为数据，其中，所述行为数据包括行为以及对应的行为发生时间；按照所述行为发生时间的先后顺序对所述行为进行排序。
7.在一个示例性实施例中，基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重包括：针对每一个所述历史统计周期，均按如下公式确定出所述历史统计周期内所述目标连续行为发生的次数的所述历史权重w：
[0008][0009]
其中，s为所述当前统计周期与所述历史统计周期的时间差值，α为预设参数。
[0010]
在一个示例性实施例中，所述α包括以下数值至少之一：
[0011]
0.1、0.4、0.7。
[0012]
在一个示例性实施例中，在对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和之前，所述方法还包括：将所述当前统计周期内所述目标连续行为发生的次数的当前权重设置为1，或者，设置为其他默认值。
[0013]
在一个示例性实施例中，基于得到的结果确定所述目标连续行为的有效性包括：在所述加权求和的结果大于或等于预定阈值的情况下，确定所述目标连续行为有效；在所述加权求和的结果小于预定阈值的情况下，确定所述目标连续行为无效。
[0014]
在一个示例性实施例中，在确定所述目标连续行为有效的情况下，所述方法还包括：在确定行为知识库中未存储所述目标连续行为的情况下，将所述目标连续行为存储到所述行为知识库中；在确定所述目标连续行为无效的情况下，所述方法还包括：在确定行为知识库中存储有所述目标连续行为的情况下，删除所述行为知识库中存储的所述目标连续行为。
[0015]
根据本发明的又一个实施例，还提供了一种用户行为有效性的确定装置，包括：第一确定模块，用于对目标用户在当前统计周期内发生的行为按照时间顺序排序，以确定出目标连续行为以及在所述当前统计周期内所述目标连续行为所发生的次数，其中，所述目标连续行为中包括在第一时长内所发生的至少两个行为；第二确定模块，用于确定所述目标连续行为在多个历史统计周期的中包括的每个所述历史统计周期内所分别发生的次数；第三确定模块，用于基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重；第四确定模块，用于对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和，并基于得到的结果确定所述目标连续行为的有效性。
[0016]
根据本发明的又一个实施例，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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0017]
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
[0018]
通过本发明，可以获取目标用户在当前统计周期内发生的目标连续行为，其中，目标连续行为中包括在第一时长内所发生的至少两个行为，进而可以基于目标连续行为确定出该连续行为在多个历史统计周期中包括的每个历史统计周期内所分别发生的次数，基于当前统计周期与每个历史统计周期的时间差值确定在每个历史统计周期内目标连续行为发生的次数的历史权重，继而，可以对多个历史统计周期以及当前统计周期内的目标连续行为发生的次数进行加权求和，从而基于加权求和的结果确定出目标连续行为的有效性。上述方式综合考虑了用户执行的先后行为的时序性以及当下连续行为和历史连续行为的权重关系，因此，可以得到更为准确的用户的连续行为，解决了相关技术中存在的用户行为数据获取的准确率低的问题，进而达到了提高用户行为数据获取的准确率的效果。
附图说明
[0019]
图1是本发明实施例的用户行为有效性的确定方法的移动终端的硬件结构框图；
[0020]
图2是根据本发明实施例的用户行为有效性的确定方法的流程图；
[0021]
图3是根据本发明具体实施例的智家大脑时序行为挖掘算法的整体流程图；
[0022]
图4是根据本发明实施例的智家大脑时序行为挖掘算法的内部流程图；
[0023]
图5是根据本发明实施例的不同的参数下记忆的变化曲线的示例图；
[0024]
图6是根据本发明实施例的用户行为有效性的确定装置的结构框图。
具体实施方式
[0025]
下文中将参考附图并结合实施例来详细说明本发明的实施例。
[0026]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0027]
本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的用户行为有效性的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0028]
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的用户行为有效性的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0029]
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
[0030]
在本实施例中提供了一种用户行为有效性的确定方法，图2是根据本发明实施例的用户行为有效性的确定方法的流程图，如图2所示，该流程包括如下步骤：
[0031]
步骤s202，对目标用户在当前统计周期内发生的行为按照时间顺序排序，以确定出目标连续行为以及在所述当前统计周期内所述目标连续行为所发生的次数，其中，所述目标连续行为中包括在第一时长内所发生的至少两个行为；
[0032]
步骤s204，确定所述目标连续行为在多个历史统计周期的中包括的每个所述历史统计周期内所分别发生的次数；
[0033]
步骤s206，基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重；
[0034]
步骤s208，对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和，并基于得到的结果确定所述目标连续行为的有效性。
[0035]
其中，上述步骤的执行主体执行上述操作的可以是智能设备，智能系统，或者智能设备或智能系统中包括的控制器或者处理器，或者还可以是其他的具备类似处理能力的处理设备或处理单元等。
[0036]
在上述实施例中，当前统计周期可以是半天、一天，甚至还可以是两天、一周等等，当然，如果对行为更新的时效性要求比较高的话，可以适当缩短每个统计周期的长度。在实际应用中，使用者或操作者可以根据实际需求调整当前统计周期的长度，继而，可以基于调整后的统计周期来获取符合需求的目标连续行为，另外，除了可以统计当前周期内的目标连续行为发生的次数之外，如果当前统计周期内出现了多种类型的连续行为的话，可以分别统计当前统计周期内的各个连续行为发生的次数，进而可以将当前周期中包括的各个连续行为发生的次数存储到数据库中，当在下一次需要统计当前统计周期内的某一个连续行为或多个连续行为发生的次数时，可以直接到数据库中调用相关数据，进而计算需要统计的行为的有效性。
[0037]
在上述实施例中，第一时长可以是预先设定的，可以设定为2分钟、3分钟、5分钟等等，例如，当设定第一时长为5分钟时，在当前统计周期中包括的5分钟内，用户执行了两个行为，即，可以认为该两个行为为连续行为，当然，在第一时长5分钟内，用户可以执行三个、四个、五个行为等等，需要说明的是，上述第一时长的设定仅是一种示例性实施例，第一时长的设定可以根据实际应用情况进行调整。
[0038]
在上述实施例中，可以获取目标用户在当前统计周期内发生的目标连续行为，其中，目标连续行为中包括在第一时长内所发生的至少两个行为，进而可以基于目标连续行为确定出该连续行为在多个历史统计周期中包括的每个历史统计周期内所分别发生的次数，基于当前统计周期与每个历史统计周期的时间差值确定在每个历史统计周期内目标连续行为发生的次数的历史权重，继而，可以对多个历史统计周期以及当前统计周期内的目标连续行为发生的次数进行加权求和，从而基于加权求和的结果确定出目标连续行为的有效性。上述方式综合考虑了用户执行的先后行为的时序性以及当下连续行为和历史连续行为的权重关系，因此，可以得到更为准确的用户的连续行为，解决了相关技术中存在的用户行为数据获取的准确率低的问题，进而达到了提高用户行为数据获取的准确率的效果。
[0039]
在一个可选的实施例中，对目标用户在当前统计周期内发生的行为按照时间顺序排序包括：从第一数据库中获取预先上报的所述当前统计周期内所述目标用户发生的全部行为数据，其中，所述行为数据包括行为以及对应的行为发生时间；按照所述行为发生时间的先后顺序对所述行为进行排序。在本实施例中，通过预定方式从第一数据库中获取预先存储到第一数据库中的用户行为数据并对用户行为进行排序，例如，可以预先将当前统计周期内目标用户发生的全部行为数据上报并存储(例如，在各行为发生后立即上报，或者按照固定周期上报)到第一数据库，然后再到数据库中获取该全部行为数据，并将该全部行为数据中包括的全部行为按照时间的先后顺序进行排序，其中，基于目标用户在当前统计周期内发生行为的先后顺序对该全部行为进行排序，从而可以准确的获取不同时间段的用户
行为。
[0040]
在一个可选的实施例中，基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重包括：针对每一个所述历史统计周期，均按如下公式确定出所述历史统计周期内所述目标连续行为发生的次数的所述历史权重w：
[0041][0042]
其中，s为所述当前统计周期与所述历史统计周期的时间差值，α为预设参数。在本实施例中，α可以是预先设定的参数，可以设定为0.1、0.4、0.7等等，当然，也可以根据实际应用情况进行调整，另外，在当前统计周期与历史统计周期的时间差值为50的情况下，α为0.4时，按上述公式可以计算出历史统计周期内目标连续行为发生的次数的历史权重w约为20.7％，在当前统计周期与历史统计周期的时间差值为100的情况下，α为0.4时，按上述公式可以计算出历史统计周期内目标连续行为发生的次数的历史权重w约为15.7％，可以看出，在α恒定的情况下，当前统计周期与历史统计周期的时间差值越大，历史统计周期内目标连续行为发生的次数的历史权重越小。
[0043]
在一个可选的实施例中，所述α包括以下数值至少之一：0.1、0.4、0.7。在本实施例中，所述α除了包括有0.1、0.4、0.7数值之外，还可以包括其他的数值，例如，0.2、0.3、0.5、0.6等等，当然在设置了上述取值之后，还可以按照实际应用情况对已设置的取值进行灵活调整。
[0044]
在一个可选的实施例中，在对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和之前，所述方法还包括：将所述当前统计周期内所述目标连续行为发生的次数的当前权重设置为1，或者，设置为其他默认值。在本实施例中，加权求和可以是将多个历史统计周期以及当前统计周期内的目标连续行为发生的次数分别与相对应的次数的历史权重和当前权重的积进行相加，另外，前统计周期内目标连续行为发生的次数的当前权重可以是预先设定的，可以设置为1，或者，设置为其他默认值，也可以根据实际应用情况进行调整。
[0045]
在一个可选的实施例中，基于得到的结果确定所述目标连续行为的有效性包括：在所述加权求和的结果大于或等于预定阈值的情况下，确定所述目标连续行为有效；在所述加权求和的结果小于预定阈值的情况下，确定所述目标连续行为无效。在本实施例中，预定阈值可以是预先设定的，可以设定为0.4、0.5、0.6等等，例如，当预定阈值设定为0.6时，在加权求和的结果大于等于0.6的情况下，可以认为目标连续行为有效，在加权求和结果小于0.6的情况下，可以认为目标连续行为无效，另外，预定阈值也可以根据实际应用情况进行实时调整，也可以设置多个预定阈值筛选目标行为的有效性，继而，可以更精准的获取有效的目标连续行为。
[0046]
在一个可选的实施例中，在确定所述目标连续行为有效的情况下，所述方法还包括：在确定行为知识库中未存储所述目标连续行为的情况下，将所述目标连续行为存储到所述行为知识库中；在确定所述目标连续行为无效的情况下，所述方法还包括：在确定行为知识库中存储有所述目标连续行为的情况下，删除所述行为知识库中存储的所述目标连续行为。在本实施例中，在确定目标连续行为有效的情况下，确定行为知识库中有存储目标连
续行为，可以将行为知识库中的目标连续行为更新为当前的目标连续行为，另外，在确定所述目标连续行为无效的情况下，确定行为知识库中未存储目标连续行为，将无效的目标连续行为去除即可，此外，在确定有部分目标连续行为有效且部分目标连续行为无效的情况下，确定行为知识库中未存储目标连续行为，可以将有效的目标连续行为存储到行为知识库中，将无效的目标连续行为剔除即可，在确定有部分目标连续行为有效且部分目标连续行为无效的情况下，确定行为知识库中有存储目标连续行为，可以将行为知识库中有效的目标连续行为更新为当前的目标连续行为，将行为知识库中无效的目标连续行为删除。
[0047]
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。下面结合实施例对本发明进行具体说明。
[0048]
图3是根据本发明具体实施例的智家大脑时序行为挖掘算法的整体流程图，如图3所示，该流程包括以下步骤：
[0049]
s302，用户操作设备；
[0050]
s304，设备向设备云上报用户行为；
[0051]
s306，设备云接收到用户行为之后，将用户行为存储到数据库中，并形成用户行为数据；
[0052]
s308，采用习惯挖掘算法分析用户行为数据；
[0053]
s310，将通过分析之后的用户行为数据(对应于上述有效的用户行为)存储到行为知识库中。
[0054]
图4是根据本发明实施例的智家大脑时序行为挖掘算法的内部流程图，如图4所示，该内部流程可以在图3中的习惯挖掘算法中运行，该流程包括以下步骤：
[0055]
s402，将用户行为根据时间排序，保证计算时序准确；
[0056]
s404，将每天的行为按天进行分割(即，当天的行为放到当天中)，并合并前后行为(即，对一天中的连续行为进行合并)，再将当天内的所有同样的连续行为合并；
[0057]
s406，通过记忆衰减曲线处理当天的所有连续行为，以得到当天的每个连续行为的权重(对应于上述当前权重)，其衰减公式如下：
[0058][0059]
其中，s为最新日期(对应上述当前统计周期)与计算日期(对应于上述历史统计周期)差值，α为可变参数(对应于上述预设参数)，图5是根据本发明实施例的不同的参数下记忆的变化曲线的示例图，如图5所示，横坐标轴表示为s，纵坐标抽表示为w，三条曲线从上往下依次为α取值为0.1、0.4、0.7时的变化曲线，这些曲线符合人脑的记忆性值，越近的数据衰减越快，越久的数据衰减越慢；
[0060]
s408，递归处理每天的行为(即，按上述衰减公式处理历史统计周期中包括的每一天的所有连续行为)，并将历史统计周期中包括的每一天的所有相同连续行为合并；
[0061]
s410，过滤小于阈值(对应上述预定阈值)的行为习惯(对应于上述目标连续行为)，得到最终的用户时序行为(对应上述有效的目标连续行为)；
[0062]
s412，将s410步骤中获取的用户时序行为存储到行为数据库中。
[0063]
由前述实施例可知，基于人类记忆的记忆衰减曲线计算当前统计周期以及历史统计周期内目标连续行为发生的次数的历史权重和当前权重，越近的记忆衰减越快，即，当前
统计周期与历史统计周期的时间差值越大，历史统计周期内目标连续行为发生的次数的历史权重越大，越久的记忆衰减越慢，即，当前统计周期与历史统计周期的时间差值越小，历史统计周期内目标连续行为发生的次数的历史权重越小，从而可以更精准的得到有效的用户行为数据，进而可以将每一天的有效用户行为存储到行为知识库中，形成用户的时序记忆习惯，可以为后续用户再操作设备时，能够通过有效的用户行为精准预测出用户后续的行为，提示用户执行后续的合理行为，进一步增强用户体验感。
[0064]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0065]
在本实施例中还提供了一种用户行为有效性的确定方法装置，图6是根据本发明实施例的用户行为有效性的确定装置的结构框图，如图6所示，该装置包括：
[0066]
第一确定模块62，用于对目标用户在当前统计周期内发生的行为按照时间顺序排序，以确定出目标连续行为以及在所述当前统计周期内所述目标连续行为所发生的次数，其中，所述目标连续行为中包括在第一时长内所发生的至少两个行为；
[0067]
第二确定模块64，用于确定所述目标连续行为在多个历史统计周期的中包括的每个所述历史统计周期内所分别发生的次数；
[0068]
第三确定模块66，用于基于所述当前统计周期与每个所述历史统计周期的时间差值，确定在每个所述历史统计周期内所述目标连续行为发生的次数的历史权重；
[0069]
第四确定模块68，用于对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和，并基于得到的结果确定所述目标连续行为的有效性。
[0070]
在一个可选的实施例中，上述第一确定模块62包括：获取单元，用于从第一数据库中获取预先上报的所述当前统计周期内所述目标用户发生的全部行为数据，其中，所述行为数据包括行为以及对应的行为发生时间；排序单元，用于按照所述行为发生时间的先后顺序对所述行为进行排序。
[0071]
在一个可选的实施例中，上述第三确定模块66包括：第一确定单元，用于针对每一个所述历史统计周期，均按如下公式确定出所述历史统计周期内所述目标连续行为发生的次数的所述历史权重w：
[0072][0073]
其中，s为所述当前统计周期与所述历史统计周期的时间差值，α为预设参数。
[0074]
在一个可选的实施例中，上述α包括以下数值至少之一：0.1、0.4、0.7。
[0075]
在一个可选的实施例中，上述装置还包括：设置单元，用于在对多个所述历史统计周期以及所述当前统计周期内的所述目标连续行为发生的次数进行加权求和之前，将所述当前统计周期内所述目标连续行为发生的次数的当前权重设置为1，或者，设置为其他默认值。
[0076]
在一个可选的实施例中，上述第四确定模块68包括：第二确定单元，用于在所述加权求和的结果大于或等于预定阈值的情况下，确定所述目标连续行为有效；第三确定单元，用于在所述加权求和的结果小于预定阈值的情况下，确定所述目标连续行为无效。
[0077]
在一个可选的实施例中，上述装置还用于在确定行为知识库中未存储所述目标连续行为的情况下，将所述目标连续行为存储到所述行为知识库中；上述装置还用于在确定行为知识库中存储有所述目标连续行为的情况下，删除所述行为知识库中存储的所述目标连续行为。
[0078]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0079]
本发明的实施例还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计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0080]
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0081]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0082]
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0083]
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
[0084]
通过本发明提供的一种用户行为有效性的确定方法，利用用户执行行为的先后顺序确定出用户连续行为，并引入遗忘曲线计算出用户连续行为在不同时间内发生的次数所占的权重，从而可以更精准的得到有效的用户行为习惯，为决策系统提供可靠的用户时序性行为数据，为智家大脑进行时序性行为预测提供基础。
[0085]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0086]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。