一种地下水恢复力空间分布及其不确定性的预测方法

1.本发明属于水文地质技术领域，尤其涉及一种地下水恢复力空间分布及其不确定性的预测方法。


背景技术：

2.目前，如何准确量化地下水恢复力的空间分布，是水文地质学领域的难点问题。和田河流域是中国西北典型的干旱区内陆河流域，该地区地下水资源对该区域的可持续发展起重要作用。认识该区地下水恢复力的空间分布是合理利用和有效管理地下水资源的关键。
3.地下水资源是重要的自然资源，地下水的储存变化对可持续水资源至关重要。受气候变化和人类活动的双重压力，干旱内陆河流域的地下水资源早已不堪重负，入不敷出。然而，这一重要资源面临着严重的风险，包括地下水位下降、土壤盐渍化、土地沙化、植被退化等一系列问题，使脆弱的生态系统更趋恶化。在水资源开发利用已接近或超过极限的干旱区，水资源安全，面临着严峻的挑战，有关干旱区地下水资源系统恢复力的问题备受关注。
4.dempster-shafer(简称ds)理论模型支持对多源异构的信息进行融合，能够灵活的构建地下水恢复力单因子指标与恢复力影响因素空间数据层的基本概率分配(bpa)，并能同时给出预测结果，系统误差和随机误差，是预测地下水恢复力空间分布的一种潜在的可靠方法。
5.现有的地下水恢复力空间分布预测方法主要采用单因子评价法或指标体系评价法，然而单因子评价法因为选择的指标不同，计算方法不同，导致恢复力结果的不一致；指标体系评价法虽然考虑多个影响因素，但只能得到区域尺度的恢复力的平均水平，难以获得恢复力的时空分布特征，各指标权重选择的可靠性也难以验证。
6.通过上述分析，现有技术存在的问题及缺陷为：现有的地下水恢复力空间分布预测方法因选择的指标和计算方法的不同，导致恢复力结果的不一致；或者只能得到区域尺度的恢复力的平均水平，难以获得恢复力的空间分布特征，各指标权重选择的可靠性也难以验证。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种地下水恢复力空间分布及其不确定性的预测方法。
8.本发明是这样实现的，一种地下水恢复力空间分布及其不确定性的预测方法，所述地下水恢复力空间分布及其不确定性的预测方法包括：
9.利用地下水性能指标和恢复力指数计算地下水恢复力；基于gis技术结合ds证据冲突理论模型定量分析地下水恢复力与九种地下水控制因子之间的关系，生成地下水恢复力分区图。
10.进一步，所述九种地下水控制因子包括：岩性、地形、坡度、到河流的距离、土壤、渠系密度、渗透系数、地下水埋深、土地利用。
11.进一步，所述地下水恢复力空间分布及其不确定性的预测方法还包括：
12.基于地下水性能指标和恢复力指数两种指标分别构建ds模型进行地下水恢复力的空间预测；
13.选择九种地下水控制因子并创建空间数据集作为ds模型中的证据图层，综合ds模型的融合结果对地下水恢复力进行空间预测，并输出地下水恢复力分区图。
14.进一步，所述地下水恢复力空间分布及其不确定性的预测方法包括以下步骤：
15.步骤一，获取地下水位月数据，分别计算地下水性能指标和恢复力指数并确定地下水恢复力；
16.步骤二，选择9个地下水控制因子作为证据图层用于构建ds模型，并分别建立地下水性能指标和恢复力指数与地下水控制因子的数学关系；
17.步骤三，基于证据融合在gis环境下生成地下水恢复力空间分布图。
18.进一步，所述分别计算地下水性能指标和恢复力指数并确定地下水恢复力包括：
19.首先，利用下式计算地下水性能指标：
20.若x
t
≥c则x
t
∈s；
21.否则x
t
∈u；
[0022][0023]
其中，c
rs
表示地下水性能指标；c表示地下水多年平均地下水位；x
t
表示水井地下水位的时间序列；满意状态(s)表示水井地下水位达到多年平均值，不满意状态(u)表示井口地下水位低于多年平均值；
[0024]
其次，利用下式计算地下水系统在i时刻的恢复力：
[0025]ai
＝{a
i-n
，a
i-n+1
，
…
，a
i-2
，a
i-1
，a
i+1
，a
i+2
，...，a
itn-1
，a
i+n
}；
[0026][0027]
γ＝0.5θ(a
max-a
min
)＝0.375(a
max-a
min
)；
[0028][0029]
其中，pi表示恢复力指数；γ表示状态变量ai在i时刻与临近点(a
i-n
，a
i-n+1
，...，a
i-2
，a
i-1
，a
i+1
，a
i+2
，...，a
i+n-1
，a
i+n
)差异的阈值；a
max
和a
min
分别表示月地下水位数据序列的最大值和最小值。
[0030]
进一步，所述步骤二中，选择9个地下水控制因子作为证据图层用于构建ds模型，并分别建立地下水性能指标和恢复力指数与地下水控制因子的数学关系包括：
[0031]
在gis环境下生成九个地下水控制因子的栅格数据集，并利用下式基于地下水性能指标c
rs
和恢复力指数pi计算得到的地下水恢复力控制因子各类别的信念函数组成成分明确地下水恢复力与九个控制因素之间的关系：
[0032]
[0033][0034]
pls(a)＝1-dis(a)；
[0035]
unc(a)＝1-dis(a)-bel(a)；
[0036]
其中，e
ij
表示第j空间信息层的第i类属性，λ(a)e
ij
表示支持假设a的似然比，为表示支持假设的似然比，计算公式如下：
[0037][0038][0039]
其中，n(l∩e
ij
)表示e
ij
中支持假设a的井数；n(l)表示全区域内支持假设a的井口总数；n(e
ij
)表示第j层中第i类属性的栅格总数；n(a)表示全区域内的栅格总数。
[0040]
进一步，所述步骤三中，基于证据融合在gis环境下生成地下水恢复力空间分布图包括：
[0041]
1)根据观测井的空间位置和地下水的控制因素层之间的空间关系，确定每个信息层的基本概率分配；
[0042]
2)将地下水控制因素层属性叠加，得到对应各个地下水控制因素的信任度、拒绝度、似然度、不确定度的栅格图层；
[0043]
3)根据证据融合规则通过对证据层进行八次迭代进行不同信息层的bpa融合并输出证据融合结果，利用所述证据融合结果生成地下水恢复力分区图。
[0044]
进一步，所述证据融合规则如下：
[0045][0046][0047][0048]
pls
x
＝unc
x
+bel
x
；
[0049]
δ＝1-beladis
b-disabelb；
[0050]
其中，bela表示由证据a产生的信任度，plsa表示由证据a产生的似然度，unca表示由证据a产生的不确定度，计算为pls
a-bela，disa表示由证据a产生的不信任度，计算为1-plsa；bel
x
表示每层因素类型或范围的置信度较低，dis
x
表示每层因素类型或范围的不信任度，unc
x
表示每层因素类型或范围的不确定度，x表示第1、2、
…
、9个因素类型，δ为归一化因子。
[0051]
本发明的另一目的在于提供一种计算机设备，所述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，所述计算机程序被所述处理器执行时，使得所述处理器执行所述地下水恢复力空间分布及其不确定性的预测方法的步骤。
[0052]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述地下水恢复力空间分布及其不确定
性的预测方法的步骤。
[0053]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0054]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0055]
本发明能够可靠的预测地下水恢复力的空间分布。本发明不仅可以通过信念函数输出证据层对预测结果的支持程度，还能够量化预测结果的不确定度反映系统误差和随机误差，生成的空间预测结果准确且可靠。
[0056]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0057]
本发明为理解干旱内陆河流域地下水恢复力提供了一定的帮助，输出成果可能对和田地区相关部门进行地下水资源的规划管理提供科学依据。基于本发明地下水恢复力空间分布及其不确定性的预测方法对区域地下水恢复力预测是快捷有效的，可为地下水安全及科学管理提供科学依据。
附图说明
[0058]
图1是本发明实施例提供的地下水恢复力空间分布及其不确定性的预测方法原理图；
[0059]
图2是本发明实施例提供的地下水恢复力空间分布及其不确定性的预测方法流程图；
[0060]
图3是本发明实施例提供的证据信念函数之间的关系示意图；
[0061]
图4是本发明实施例提供的基于地下水性能指标c
rs
和恢复力指数pi的不同等级恢复力的比例示意图；
[0062]
图5是本发明实施例提供的基于恢复力指数的dempster-shafer理论模型集成结果示意图；(a)是本发明实施例提供的信任度示意图；(b)是本发明实施例提供的拒绝度示意图；(c)是本发明实施例提供的不确定度示意图；(d)是本发明实施例提供的似然度示意图；
[0063]
图6是本发明实施例提供的基于dempster-shafer理论模型的研究区地下水恢复力潜力区图。
具体实施方式
[0064]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0065]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0066]
如图1-图2所示，本发明实施例提供的地下水恢复力空间分布及其不确定性的预测方法包括以下步骤：
[0067]
s101，获取地下水位月数据，分别计算地下水性能指标和恢复力指数并确定地下水恢复力；
[0068]
s102，选择9个地下水控制因子作为证据图层用于构建ds模型，并分别建立地下水性能指标和恢复力指数与地下水控制因子的数学关系；
[0069]
s103，基于证据融合在gis环境下生成地下水恢复力空间分布图。
[0070]
本发明实施例提供的地下水恢复力空间分布及其不确定性的预测方法具体包括：
[0071]
1、地下水恢复力指标
[0072]
地下水性能指标(c
rs
)代表着系统由不满意状态恢复到满意状态的速度。基于凸模型和临界减速理论提出的反映给定时间内变量自相关性指标pi不仅可以量化相应系统的恢复力的时间变化，还能预测系统恢复力的临界转变。本发明拟采用以上两种方法对地下水恢复力进行计算。
[0073]
1.1地下水性能指标(c
rs
)
[0074]
利用传统rrv标准中的地下水性能指标c
rs
来评价研究区流域地下水恢复力。首先，为每口地下水井定义一个标准c(即多年平均地下水位)，x
t
表示水井地下水位的时间序列，满意状态(s)表示水井地下水位达到多年平均值，不满意状态(u)表示井口地下水位低于多年平均值，地下水性能指标定义如式(1)：
[0075]
若x
t
≥c则x
t
∈s；
[0076]
否则x
t
∈u；
[0077][0078]
本发明中c
rs
被用于评估研究区内水井的恢复力，范围在0-1之间，该指标反映了系统系统故障后恢复到满意状态的速度，c
rs
取值越大，恢复力越高。
[0079]
1.2恢复力指数(pi)
[0080]
本发明将以地下水位为状态变量，利用pi来量化研究区地下水系统恢复力的时间变化。地下水恢复力可以通过状态变量ai在i时刻与邻近点(a
i-n
，a
i-n+1
，...，a
i-2
，a
i-1
，a
i+1
，a
i+2
，...，a
i+n-1
，a
itn
，相邻点个数为2n)的差异大小体现，差异越大，表明状态变量对应的时间序列具有低度的自相关性，地下水系统恢复力越高。该指标(pi)的计算方法如公式(2)-(5)所示：
[0081]ai
＝{a
i-n
，a
i-n+1
，...，a
i-2
，a
i-1
，a
i+1
，a
i+2
，...，a
i+n-1
，a
i+n
}
[0082]
(2)
[0083][0084]
γ＝0.5θ(a
max-a
min
)＝0.375(a
max-a
min
)
ꢀꢀꢀ
(4)
[0085][0086]
其中γ是状态变量ai与临近点差异的阈值。a
max
和a
min
分别表示月地下水位数据序列的最大值和最小值。θ取经验值0.75，阈值γ为0.375(a
max-a
min
)(公式(4))。pi的时间变化对于不同的n是一致的，本发明中n取4(相邻点的数量为8)，pi的取值范围为0-8。基于地下
水位数据，可以利用公式(2)-(5)计算研究区地下水系统在i时刻的恢复力。
[0087]
2.地下水恢复力分区(地下水恢复力分区图)
[0088]
方法可主要包括以下步骤：
[0089]
(1)创建地下水控制因子空间数据集作为ds模型的证据数据集；
[0090]
(2)基于ds模型建立恢复力与地下水控制因子的数学关系并实现证据融合；
[0091]
(3)创建地下水恢复力分区图并验证。
[0092]
(4)解释和比较结果。
[0093]
2.1地下水恢复力调节因子
[0094]
为了在研究区建立更高可靠性和精度的地下水恢复力预测模型，需要创建不同空间数据集的空间数据库。地下水的空间分布受到气象、水文、地貌及地质构造等自然因素及土地利用等人为因素的影响。本发明考虑了九个地下水控制因子，包括岩性、地形、坡度、到河流的距离、土壤、渠系密度、渗透系数、地下水埋深、土地利用。这些因子通过影响地下水的储存、补给、运移、排泄，从而影响该地区的地下水恢复力。在gis环境下生成九个地下水控制因子的栅格数据集，将用于评价研究区地下水恢复力。
[0095]
2.2dempster-shafer(ds)证据理论模型
[0096]
在本发明中，采用ds证据理论模型用于预测研究区地下水恢复力。ds证据理论模型是通过建立识别框架、确定基本概率分配、计算质量函数、实现证据融合等步骤构建的。识别框架是对于某个对象进行判断的所有可能的假设的集合，是一个互斥的非空有限集合(公式6)。公式6中a为每个栅格p对于目标地下水恢复力高的可能性，为相反的假设，即每个栅格p对于地下水恢复力低的可能性。对识别框架中的假设进行基本概率分配bpa，基本概率函数m(公
[0097]
式7)需要满足条件2
θ
→
[0，1]且
[0098][0099][0100]
根据已有的地下水恢复力计算结果，分别以c
rs
≥0.094、pi≥2作为a的判别目标。利用公式8-11计算信任函数度、拒绝度(dis)、似然度与不确定度(unc)。bel表示对任意一个假设的信任程度，pls的计算包含对该假设的信任程度和对未知领域的信任程度，bel与pls之间的差异表示为unc。信任函数bel(a)和似然函数pls(a)分别表示对假设a信任程度的上限和下限，[bel(a)，pls(a)]区间称为假设a的信度区间，表征的不确定程度的范围(图4)。信度区间的大小决定着证据可信度的高低。区间越大，表示证据可信度越低，反之越高。
[0101][0102][0103]
pls(a)＝1-dis(a)
ꢀꢀꢀ
(10)
[0104]
unc(a)＝1-dis(a)-bel(a)
ꢀꢀꢀ
(11)
[0105]
其中，e
ij
为第j空间信息层的第i类属性，λ(a)e
ij
为支持假设a的似然比，
为支持假设的似然比。其计算公式为：
[0106][0107][0108]
式中：n(l∩e
ij
)为e
ij
中支持假设a的井数；n(l)为全区域内支持假设a的井口总数；n(e
ij
)为第j层中第i类属性的栅格总数；n(a)为全区域内的栅格总数。
[0109]
根据观测井的空间位置和地下水的控制因素层之间的空间关系，确定每个信息层的基本概率分配(bpa)。将地下水控制因素层属性叠加，得到对应各个地下水控制因素的信任度、拒绝度、似然度、不确定度的栅格图层，根据ds证据理论的融合规则，对不同信息层的bpa进行融合得到最终结果。本发明中使用证据融合规则如下：
[0110][0111][0112][0113]
pls
x
＝unc
x
+bel
x
ꢀꢀꢀ
(17)
[0114]
δ＝1-beladis
b-disabelbꢀꢀꢀ
(18)
[0115]
由证据a产生的信任度用bela表示，似然度用plsa表示，不确定度用unca表示，计算为pls
a-bela，不信任度用disa表示，计算为1-plsa。公式14-18中：bel
x
表示每层因素类型或范围的置信度较低，dis
x
表示每层因素类型或范围的不信任度，unc
x
表示每层因素类型或范围的不确定度，x表示第1，2，
…
，9个因素类型，δ称为归一化因子。
[0116]
ds证据理论模型中的质量函数包括信任度、拒绝度、不确定度、似然度是评价证据模型预测能力的信念函数成分(信念函数)。利用公式14-18对证据层进行迭代，考虑九个因素作为证据层需要进行八次操作迭代，最终输出证据融合结果用于构建研究区地下水恢复力分区图。
[0117]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0118]
将本发明实施例提供的地下水恢复力空间分布及其不确定性的预测方法应用于和田流域进行地下水恢复力空间分布预测。
[0119]
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0120]
1.1基于地下水性能指标和恢复力指数的地下水恢复力
[0121]
基于研究区地下水位数据，本发明利用恢复力指数pi和地下水性能指标c
rs
两种方法定量估算了地下水恢复力，统计各指标下的最大值、最小值、平均值、标准差、变异系数。分别以c
rs
和pi为划分依据，将恢复力分为五个等级，计算各指标各等级下所占比例用于评价各水井的地下水恢复力，并统计空间分布规律。本发明中，以c
rs
为划分依据，19％的井恢
复力较低(与中度恢复力相比)，44％的井具有高度恢复力；以pi为划分依据，其中74％的井地下水具有高恢复力；恢复力相对较高的区域主要分布在上游绿洲灌溉区及下游河道附近，恢复力相对较低的区域主要分布在地下水埋深较大及距离河道较远的区域。
[0122]
1.2dempster-shafer理论模型在地下水恢复力填图中的应用
[0123]
基于地下水性能指标c
rs
(≥0.094)和恢复力指数pi(≥2)的井利用公式(8)-(13)计算得到的地下水恢复力控制因素各类别的信念函数组成成分(包括bel、dis、unc、pls)，能够充分体现地下水恢复力与九个控制因素之间的关系。
[0124]
bel值的高低直接反映了地下水恢复力的高低，bel值相对较高意味着地下水恢复力较高。bel在某一类别为0时，表示在该类别中没有地下水井的存在。bel值越高代表该类别下地下水恢复发生的可能性越大。本发明中岩性要素下细砂和沙砾的bel值高于其他岩性单元，表明该类别与地下水恢复力呈正相关关系；对于土壤类型，人为土和半水成土的bel值最高，表明地下水恢复力最高，而漠土、初育土、盐碱土与地下水恢复力之间的关系微弱。
[0125]
9个证据图层融合后的综合信念函数组成成分(bel、dis、unc、pls)将用于生成空间分布图。bel的空间分布可以解释地下水恢复力与九个控制因子证据层的结合，bel值高区、dis值低区、pls值高区、unc值低区存在相关性。bel的空间分布与dis的空间分布相反，在unc高的地区，bel值总是很低，unc低的地区说明地下水恢复力高的信念是可靠的。在pls值高的地区，bel值和unc值也相对较高。综合两种指标的信念函数图可以发现地下水恢复力的分布的空间规律。本发明中研究区内地下水恢复力最高的区域主要位于河道和研究区南部渠系密度较大、地势较为平坦、岩性单元多为细砂和砾砂的绿洲灌溉区，地下水恢复力相对较低的区域主要集中在绿洲灌溉区周围和河道至沙漠的中间区域。
[0126]
1.3地下水恢复力图验证
[0127]
在gis环境下将信任度图与27口井的位置叠加并获取各点位的预测值，然后将27口井的c
rs
和pi划分为极低、低、中、较高、高五个等级，将井的地下水恢复力与该点位的预测值进行比较，计算各模型准确率。c
rs
和pi使用九个地下水控制因子证据层的ds模型结果准确率分别40.7％、59.3％，随后在模型中剔除不重要的地下水控制因子，重新运行模型。为此，考虑从证据图层中剔除较为粗糙和缺乏验证的数据。剔除部分证据层输出最终模型的结果，基于pi的ds模型预测准确率上升了7.4％，基于pi的模型准确率上升了11.2％。根据实际计算结果，对两种模型用于评价地下水恢复力的可靠性进行比较。
[0128]
ds模型预测结果与验证结果表明，该模型对和田河流域地下水恢复力的空间分布的认识，基本符合该流域水文地质条件和地下水循环规律，且与观测井计算的恢复力指标具有一致性，能够可靠的预测地下水恢复力的空间分布。但地下水观测井的数量、分布是否均匀，空间证据层计算栅格的尺度，都是影响模型准确性的重要因素，也是本发明需要进一步完善的地方。
[0129]
1.4创建地下水恢复力分区图
[0130]
利用bel值输出的地下水恢复力分区图显示了研究区内地下水恢复力的不同范围，代表了证据层对地下水恢复力的支持程度，并被认为是最有可能的地下水恢复力预测地图。基于pi的ds模型解释了八个证据层(去除岩性)与pi之间的空间关系，bel值分为极低(bel为0-0.072，占区域总面积为3％)、低(0.072-0.171，30％)、中(0.171-0.458，30％)、较
高(0.458-0.786，22％)、高(＞0.786，15％)五类。基于c
rs
的ds模型解释了七个证据层(去除岩性、水平渗透系数)与c
rs
之间的空间关系，bel值分为极低(0-0.168)、低(0.168-0.260)、中(0.260-0.405)、较高(0.405-0.632)、高(＞0.632)，由极低到高区域分别占总面积的25％、15％、21％、22％、17％。基于两种恢复力指标的预测图可以发现，恢复力较高、高的区域具有良好的一致性，主要分布在上游绿洲灌溉区和下游河道周围。
[0131]
2、总结
[0132]
本发明旨在基于地下水性能指标c
rs
和恢复力指数pi两种指标分别构建ds模型实现对研究区地下水恢复力的空间预测，并评估两种指标预测地下水恢复力的有效性。选定九种地下水控制因子并创建空间数据集作为ds模型中的证据图层，综合ds模型的融合结果对研究区地下水恢复力实现空间预测，最终输出地下水恢复力分区图。
[0133]
作为地下水恢复力的量化标准，c
rs
和pi均可以解决地下水系统恢复力的长期变化问题，恢复力相对较高的井主要分布在上游绿洲灌溉区及下游河道附近，相对较低的井主要分布在地下埋深较大及距离河道较远的区域。基于两种恢复力指标和地下水控制因子组成的证据图层构建ds模型，获得极低、低、中、较高、高的地下水恢复力分区图。最终模型所产生的预测图准确率分别为51.8％(c
rs
)、66.7％(pi)。以pi对预测结果进行验证结果优于c
rs
，基于八个地下水控制因子(地形、坡度、到河流的距离、土壤、渠系密度、渗透系数、地下水埋深、土地利用)与pi之间的空间关系，地下水恢复力被分为极低(bel值为0-0.072)、低(0.072-0.171)、中(0.171-0.458)、较高(0.458-0.786)、高(＞0.786)5类，分别占区域总面积的3％、30％、30％、22％、15％。
[0134]
综上，基于ds模型对区域地下水恢复力预测是合理可靠的，该模型的优势在于不仅可以通过信念函数输出证据层对预测结果的支持程度，还能够量化预测结果的不确定度反映系统误差和随机误差。此外，地下水控制因子(转化为ds模型的证据图层)的选择对ds模型的性能有很大的影响，当证据层足够详尽时，可能会产生更为准确和可靠的空间预测结果。本发明为理解干旱内陆河流域地下水恢复力提供了一定的帮助，研究成果可能对和田地区相关部门进行地下水资源的规划管理提供科学依据。
[0135]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0136]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。