一种基于神经网络的隧道结构服役状态评估方法及系统与流程

1.本发明主要涉及深隧排水系统技术领域，具体地说，涉及一种基于神经网络的隧道结构服役状态评估方法及系统。


背景技术：

2.深层调蓄隧道（又称深层调蓄管道）是指埋设在深层地下空间（一般指地面 以下大于20m深度空间）的大型、特大型排水隧道。通常内涝易发、人口密集、地下管线复杂、现有排水系统改造难度较高的地区，可设置深层调蓄隧道。构法隧道的主体结构通常由钢筋混凝土管片按照不同的拼装方式用环向螺栓和纵向螺栓拼装构成，属于典型的“多体拼接结构”。管片接头的存在，使得整环管片衬砌结构刚度降低，影响整体管片结构内力与变形的传递与分布；同时，管片接头接缝面作为管片结构的薄弱环节，易成为渗漏水的通道，诱发腐蚀性离子侵入、导致衬砌结构出现性能退化、劣化现象，严重情况下将使得隧道主体结构出现不可修复病害，致使隧道结构安全性受到严重削弱而丧失实用性、造成严重经济社会损失。
3.因此，需要一种基于神经网络的隧道结构服役状态评估方法及系统，用于隧道结构的服役状态进行评估。


技术实现要素：

4.关于盾构隧道安全性能，国内外学者针对盾构隧道衬砌结构全寿命周期内受力特征进行了大量研究工作，如施工期衬砌结构安全拼装、复杂地质条件下结构安全承载、以及地震、火灾等突发事故与灾害条件下结构安全问题等，但这些研究工作的重点大量集中于新建隧道或运营期隧道无损衬砌结构展开，并未考虑长期承受水土荷载、营运荷载以及侵蚀环境共同作用下隧道衬砌结构退化、劣化的影响，为了解决现有的隧道结构服役状态评估较为片面的技术问题，本说明书实施例之一提供一种基于神经网络的隧道结构服役状态评估方法，所述方法包括：建立预测模型；获取目标隧道结构的相关信息，其中，所述相关信息包括隧道结构相关信息及环境相关信息；通过所述预测模型基于所述目标隧道结构的相关信息预测所述目标隧道结构的服役寿命。
5.在一些实施例中，所述建立预测模型，包括：获取初始预测模型；获取多个训练样本，所述训练样本包括样本隧道结构的相关信息，所述训练样本的标签为所述样本隧道结构的服役寿命；通过所述多个训练样本训练所述初始预测模型，以生成所述预测模型。
6.在一些实施例中，所述预测模型至少包括 bp 神经网络、函数型神经网络、概率神经网络和ann型神经网络中的至少一种。
7.在一些实施例中，所述隧道结构相关信息至少包括隧道安装结构、垂直土压力、水平土压力、水压力、管片自重和地层抗力中的至少一种。
8.在一些实施例中，所述环境相关信息至少包括h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种。
9.本说明书实施例之一提供一种基于神经网络的隧道结构服役状态评估系统，所述系统包括模型建立模块，用于建立预测模型；信息获取模块，用于获取目标隧道结构的相关信息，其中，所述相关信息包括隧道结构相关信息及环境相关信息；寿命预测模块，用于通过所述预测模型基于所述目标隧道结构的相关信息预测所述目标隧道结构的服役寿命。
10.在一些实施例中，所述模型建立模块还用于：获取初始预测模型；获取多个训练样本，所述训练样本包括样本隧道结构的相关信息，所述训练样本的标签为所述样本隧道结构的服役寿命； 通过所述多个训练样本训练所述初始预测模型，以生成所述预测模型。
11.在一些实施例中，所述预测模型至少包括 bp 神经网络、函数型神经网络、概率神经网络和ann型神经网络中的至少一种。
12.在一些实施例中，所述隧道结构相关信息至少包括隧道安装结构、垂直土压力、水平土压力、水压力、管片自重和地层抗力中的至少一种。
13.在一些实施例中，所述环境相关信息至少包括h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种。
14.本说明书提供的一种基于神经网络的隧道结构服役状态评估方法及系统，至少具有以下有益效果：1、通过预测模型基于目标隧道结构的相关信息，可以较为快速且准确地预测目标隧道结构的服役寿命；2、用于预测目标隧道结构的服役寿命的环境相关信息至少包括h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种，从而实现从更加全面地角度评估隧道结构服役状态。
附图说明
15.本技术将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估系统的应用场景示意图；图2是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估系统的模块示意图；图3是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估方法的示例性流程图；图4是根据本技术一些实施例所示的获取多个训练样本的示例性流程图。
16.图中，100、应用场景；110、处理设备；120、网络；130、用户终端；140、存储设备。
具体实施方式
17.为了更清楚地说明本技术的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除
非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
18.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
19.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
20.虽然本技术对根据本技术的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
21.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
22.图1是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估系统的应用场景100示意图。
23.如图1所示，应用场景100可以包括处理设备110、网络120、用户终端130和存储设备140。
24.在一些实施例中，处理设备110可以用于处理与水电站调度相关的信息和/或数据。例如，处理设备110可以建立预测模型，通过预测模型基于目标隧道结构的相关信息预测目标隧道结构的服役寿命。
25.在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在一些实施例中，处理设备110可以包含处理器，处理器可以包含一个或多个子处理器（例如，单芯处理设备或多核多芯处理设备）。仅仅作为范例，处理器可包含中央处理器（cpu）、专用集成电路（asic）、专用指令处理器（asip）、图形处理器（gpu）、物理处理器（ppu）、数字信号处理器（dsp）、现场可编程门阵列（fpga）、可编辑逻辑电路（pld）、控制器、微控制器单元、精简指令集电脑（risc）、微处理器等或以上任意组合。
26.网络120可促进应用场景100中数据和/或信息的交换。在一些实施例中，应用场景100中的一个或多个组件（例如，处理设备110、用户终端130和存储设备140）可以通过网络120发送数据和/或信息给应用场景100中的其他组件。例如，处理设备110可以通过网络120从存储设备140获取水电站在多个历史消落周期的消落数据。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络、广域网络、无线区域网络、都会区域网络、公共电话交换网络、蓝牙网络、zigbee网络、近场通讯网络等或以上任意组合。
27.用户终端130可以获取应用场景100中的信息或数据，用户（例如，隧道建设的相关工作人员）可以是用户终端130的使用者。例如，用户终端130可以通过网络120从处理设备110获取预测的目标隧道结构的服役寿命。在一些实施例中，用户终端130可以包括移动装置、平板电脑、笔记本电脑等中的一种或其任意组合。在一些实施例中，移动装置可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。
28.在一些实施例中，存储设备140可以与网络120连接以实现与应用场景100的一个或多个组件（例如，处理设备110、用户终端130等）通讯。应用场景100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与应用场景100中的一个或多个组件（如，处理设备110、用户终端130）连接或通讯。
29.应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本技术的范围。对于本领域普通技术人员而言，在本技术内容的指导下，可做出多种变化和修改。可以以各种方式组合本技术描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本技术的范围。
30.图2是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估系统的模块示意图。
31.如图2所示，基于神经网络的隧道结构服役状态评估系统可以包括模型建立模块、信息获取模块及寿命预测模块。
32.模型建立模块可以用于建立预测模型。在一些实施例中，模型建立模块还可以用于：获取初始预测模型；获取多个训练样本，训练样本包括样本隧道结构的相关信息，训练样本的标签为样本隧道结构的服役寿命；通过多个训练样本训练初始预测模型，以生成预测模型。
33.信息获取模块可以用于获取目标隧道结构的相关信息，其中，相关信息包括隧道结构相关信息及环境相关信息。
34.寿命预测模块可以用于通过预测模型基于目标隧道结构的相关信息预测目标隧道结构的服役寿命。
35.关于模型建立模块、信息获取模块及寿命预测模块的更多描述可以参见图3及其相关描述，此处不再赘述。
36.图3是根据本技术一些实施例所示的一种基于神经网络的隧道结构服役状态评估方法的示例性流程图。在一些实施例中，基于神经网络的隧道结构服役状态评估方法可以由基于神经网络的隧道结构服役状态评估系统执行。如图3所示，基于神经网络的隧道结构服役状态评估方法可以包括如下步骤。
37.步骤310，建立预测模型。在一些实施例中，步骤310可以由模型建立模块执行。
38.预测模型可以为用于预测目标隧道结构的服役寿命的机器学习模型。在一些实施例中，预测模型的输入可以为目标隧道结构的相关信息，预测模型的输出可以为目标隧道结构的服役寿命，关于目标隧道结构的相关信息的更多描述可以参见步骤320及其相关描述，此处不再赘述。
39.在一些实施例中，模型建立模块建立预测模型，可以包括：获取初始预测模型；
获取多个训练样本，训练样本包括样本隧道结构的相关信息，训练样本的标签为样本隧道结构的服役寿命；通过多个训练样本训练初始预测模型，以生成预测模型。
40.可以理解的，预测模型的参数可以通过多个有标签的训练样本训练得到。在一些实施例中，参数预测模块可以获得多个训练样本，每个训练样本可以包括样本隧道结构的相关信息，其中，样本隧道结构的相关信息可以包括样本隧道结构的隧道结构相关信息及样本隧道结构所处的环境相关信息。在一些实施例中，隧道结构相关信息可以至少包括隧道安装结构、垂直土压力、水平土压力、水压力、管片自重和地层抗力中的至少一种。在一些实施例中，环境相关信息可以至少包括h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种。关于隧道安装结构、垂直土压力、水平土压力、水压力、管片自重、地层抗力、h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量的更多描述可以参见步骤320及其相关描述，此处不再赘述。在一些实施例中，参数预测模块可以从用户终端130、存储设备140和/或外部数据源获取样本隧道结构的相关信息，生成多个训练样本。训练样本还可以包括对应的标签，标签为样本隧道结构的服役寿命。在一些实施例中，训练样本的标签可以通过多种方式获取，例如，通过人工标注，又例如，从用户终端130、存储设备140和/或外部数据源获取。
41.参数预测模块220可以通过多个训练样本及其对应的标签训练初始预测模型，直至初始预测模型满足预设条件，得到训练好的预测模型。在一些实施例中，可以基于多个训练样本迭代更新初始预测模型的参数，以使初始预测模型满足预设条件，其中，预设条件可以为损失函数收敛、损失函数值小于预设值或迭代次数大于预设次数等。当初始预测模型满足预设条件时模型训练完成，得到训练好的预测模型。
42.在一些实施例中，预测模型可以至少包括 bp 神经网络、函数型神经网络、概率神经网络和ann型神经网络中的至少一种。在一些实施例中，预测模型还可以包括卷积神经网络（cnn）、循环神经网络（rnn）、多层神经网络（mlp）、对抗神经网络（gan）等一种或多种的组合。
43.可以理解的，对于服务寿命很长的高性能混凝土，如采用实物在自然环境腐蚀(损伤)作用下研究其耐久性年限，则需要长久时间的跟踪试验和持续不断地观察才能得出真实有效的结果，这不仅耗费巨大的人力物力，而且失去了对目前工程建设给予指导和建议的可行性，因此，在一些实施例中，用于训练初始预测模型的训练样本的至少一部分（即模拟样本）可以模拟生成，另一部分训练样本（即多个真实样本）可以基于真实的数据构建。
44.如图4所示，在一些实施例中，对于至少一个样本隧道结构，模型建立模块可以通过蒙特卡罗模型随机生成多种其所处的环境相关信息，从而生成多个训练样本（模拟样本）。可以理解的，两个训练样本中，其包括样本隧道结构的隧道结构相关信息可以相同，但环境相关信息不相同；或者，两个训练样本中，其包括样本隧道结构的环境相关信息可以相同，但隧道结构相关信息不同。
45.在一些实施例中，对于至少一个样本隧道结构，模型建立模块可以通过模拟实验设备基于样本隧道结构的隧道结构相关信息及通过上述蒙特卡洛模型生成的样本隧道结构所处的环境相关信息构建物理实验模型，通过物理实验模型模拟该样本隧道结构的隧道结构及所处的环境，从而获取该样本隧道结构的服役寿命，将通过物理实验模型得到的样
本隧道结构的服役寿命作为对应的模拟样本的标签。
46.如图4所示，在一些实施例中，为了进一步扩大训练样本的数量，使得训练后的预测模型性能更好，模型建立模块还可以通过对抗深度学习网络模型基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本生成更多的训练样本。模型建立模块可以预先构建初始对抗深度学习网络模型，初始对抗深度学习网络模型包括一个生成器和一个判别器，然后通过基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本训练初始对抗深度学习网络模型，初始对抗深度学习网络模型的生成器的输入为随机噪声、基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本，初始对抗深度学习网络模型的生成器的输入还可以包括训练样本对应的标签（即服役寿命），初始对抗深度学习网络模型的生成器的输出为虚拟训练样本，初始对抗深度学习网络模型的生成器的输出还可以包括虚拟训练样本的标签（即服役寿命），判别器的输入为样本血管的点云数据和虚拟血管的点云数据，在一些实施例中，判别器的输入还可以包括虚拟训练样本、基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本，通过判别器将虚拟训练样本、基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本进行比较，判断虚拟训练样本是生成器虚拟生成的概率。在一些实施例中，在比较虚拟训练样本、基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本的基础上，判别器还可以将虚拟训练样本的标签与基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本的标签进行比较，判断虚拟训练样本是生成器虚拟生成的概率。基于判别器的判断结果，通过反向传播算法，再反馈给生成器，指导生成器生成更真实的虚拟训练样本是生成器，同时判别器也提高自己的判别能力。通过损失函数进行迭代训练，两者相互对抗，直至生成器能依照基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本生成更多的训练样本生成较为真实的虚拟训练样本，以至于判别器无法区分虚拟训练样本、基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本生成更多的训练样本，则达到纳什均衡状态，或迭代次数达到阈值，完成初始对抗深度学习网络模型的训练，得到对抗深度学习网络模型。
47.在一些实施例中，模型建立模块可以重复多次通过训练后的对抗深度学习网络模型的生成器根据基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本生成多个虚拟训练样本，该虚拟训练样本可以用于训练初始预测模型。
48.在一些实施例中，通过对抗深度学习网络模型根据基于真实的数据构建的训练样本和/或基于蒙特卡洛模型及物理实验模型构建的训练样本可以生成大量的用于训练初始预测模型的虚拟训练样本，减少获取训练样本的工作量，同时保证了训练后的预测模型的精度。
49.步骤320，获取目标隧道结构的相关信息。在一些实施例中，步骤320可以由信息获取模块执行。
50.目标隧道结构的相关信息可以包括隧道结构相关信息及环境相关信息，其中，隧道结构相关信息可以为与目标隧道结构的自身结构相关的信息，环境相关信息可以为与目标隧道结构所处的环境相关的信息。
51.在一些实施例中，隧道结构相关信息可以至少包括隧道安装结构、垂直土压力、水平土压力、水压力、管片自重和地层抗力中的至少一种。可以理解的，隧道结构相关信息还可以包括其他信息，例如，目标隧道结构各个部分的材料信息。其中，隧道安装结构可以包括隧道安装方式，例如，隧道安装方式可以为：两次安装防腐蚀衬砌通常外层衬砌为管片衬砌，内层再安装混凝土管、玻璃钢管、环氧树脂薄膜、钢纤维混凝土等类型的衬砌，又例如，隧道安装方式可以为：外层为管片衬砌，内层为玻璃钢（gfrp）管，中间采用注浆填充。垂直土压力（竖向土压力）可以指是沿垂直向下的方向作用于目标隧道结构的土压力，通常由地层自重产生。水平土压力可以指是沿水平的方向作用于目标隧道结构的土压力，通常由地层自重产生。水压力可以指在目标隧道结构流动的污水作用于目标隧道结构的冲击力。管片自重可以指构成目标隧道结构的钢筋混凝土管片的重量。地层抗力可以指一种地层的被动抵抗力，其大小与结构的变形量和地层性质有关。
52.在一些实施例中，环境相关信息可以至少包括h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种。可以理解的，环境相关信息还可以包括其他信息，例如，目标隧道结构所处的环境的温度信息。h2s 气体浓度可以指目标隧道结构内的空气中h2s 气体的浓度，co2气体浓度可以指目标隧道结构内的空气co2气体的浓度，污水硫化物含量可以指目标隧道结构内流动的污水中的污水硫化物含量，污水污泥质含量可以指目标隧道结构内流动的污水中的污水污泥质含量。
53.在一些实施例中，信息获取模块可以从用户终端130、存储设备140和/或外部数据源获取目标隧道结构的相关信息。
54.在一些实施例中，信息获取模块可以通过数据获取装置获取环境相关信息，数据获取装置可以包括多种用于获取环境相关信息的设备，例如，用于获取h2s 气体浓度、co2气体浓度、污水硫化物含量及污水污泥质含量中的至少一种的多个传感器。可以理解的，数据获取装置可以安装在目标隧道结构内。
55.步骤330，通过预测模型基于目标隧道结构的相关信息预测目标隧道结构的服役寿命。在一些实施例中，步骤330可以由寿命预测模块执行。
56.在一些实施例中，寿命预测模块可以将目标隧道结构的相关信息输入至预测模型，预测模型可以输出目标隧道结构的服役寿命。
57.可以理解的，用户可以根据预测模型预测的目标隧道结构的服役寿命，判断是否对目标隧道结构进行改进。例如，预测模型预测的目标隧道结构的服役寿命较短时，用户可以对目标隧道结构进行改进，以使得改进后的目标隧道结构更适合所处环境，提高目标隧道结构的寿命。又例如，预测模型预测的目标隧道结构的服役寿命较短时，用户可以判断是否拆除该目标隧道结构，以避免造成坍塌事故。
58.可以理解的，通过预测模型基于目标隧道结构的相关信息，可以较为快速且准确地预测目标隧道结构的服役寿命。
59.在本技术的另一些实施例中，提供了一种基于神经网络的隧道结构服役状态评估装置，包括至少一个处理设备以及至少一个存储设备；至少一个存储设备用于存储计算机指令，至少一个处理设备用于执行计算机指令中的至少部分指令以实现如上的一种基于神经网络的隧道结构服役状态评估方法。
60.在本技术的又一些实施例中，提供了一种计算机可读存储介质，存储介质存储计
算机指令，当计算机指令被处理设备执行时实现如上的基于神经网络的隧道结构服役状态评估方法。
61.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
62.同时，本技术使用了特定词语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
63.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
64.计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
65.本技术各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（lan）或广域网（wan），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（saas）。
66.此外，除非权利要求中明确说明，本技术所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安
装所描述的系统。
67.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
68.针对本技术引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本技术作为参考。与本技术内容不一致或产生冲突的申请历史文件除外，对本技术权利要求最广范围有限制的文件（当前或之后附加于本技术中的）也除外。需要说明的是，如果本技术附属材料中的描述、定义、和/或术语的使用与本技术内容有不一致或冲突的地方，以本技术的描述、定义和/或术语的使用为准。
69.最后，应当理解的是，本技术中所述实施例仅用以说明本技术实施例的原则。其他的变形也可能属于本技术的范围。因此，作为示例而非限制，本技术实施例的替代配置可视为与本技术的教导一致。相应地，本技术的实施例不仅限于本技术明确介绍和描述的实施例。