本发明涉及地球物理勘探高分辨率处理、反演和解释技术领域，特别涉及一种智能化时变盲反褶积宽频处理方法及装置。
背景技术：
在地球物理勘探领域中，采集的地震波形资料可看成是地面激发的子波在经过地下传播和界面反射后被接收时的波形叠加，是地震子波与反射系数褶积的结果。理论上其要求输入的地震数据是稳态的(即未考虑地层品质因子Q的衰减与频散效应)。如果地震波在传播过程中其Fourier频谱(振幅谱和相位谱)不变化，称这种地震波是稳态的。相反，地震波在传播过程中其频谱发生变化(振幅衰减和相位频散)，称这种地震波是非稳态的。由非稳态地震波组成的数据称为非稳态地震数据。由于地层的粘弹性，实际地震数据是非稳态的。实际地震数据处理过程中通常用品质因子Q来描述地震波的衰减与频散，其物理意义是地震波在传播一个波长距离后，原来存储的能量与所消耗的能量之比。
传统的反射系数反演方法基于稳态子波假设，理论上要求输入的地震数据是稳态的。对于非稳态地震数据，若依然采用稳态反褶积或反射系数反演方法进行高分辨率处理，会导致更为严重的成像假象，进一步影响后续的地震解释工作。则用这类方法从实际野外采集的非稳态地震数据中反演获取反射系数序列，首先需要补偿地层的Q滤波效应。反Q滤波是较为一种常用的补偿地层Q滤波效应的方法，通常包括振幅补偿和相位补偿。反Q滤波振幅补偿从本质上来讲是不稳定的，除非在反Q滤波过程中很认真地考虑并设计了稳定的振幅补偿算子，振幅补偿项将会不可避免的放大高频噪声。对于其他非稳态数据高分辨处理方法来说，准确的时变子波矩阵是获得合理反演结果的前提条件。一般而言，Q模型的偏差往往导致地震子波在不同时间位置的衰减程度与真实值之间存在差异，从而影响时变子波矩阵的准确性，进一步通过影响波形匹配求解使得估计的反射系数产生偏差。因此，准确地估计Q模型和构建反演方程是获得真实地下反射脉冲图像的前提条件。目前也有一些扫描Q策略来获得最佳Q值的方法，但Q值效果主要依靠人工判别，这为反演工作带来了很多的工作量和误差。当前的地震资料处理解释的趋向程序化智能化，从而急需一套不依赖于人工干预的智能化的反褶积系统。
技术实现要素：
本发明实施例提供了一种智能化时变盲反褶积宽频处理方法及装置，不通过人工来确定最优Q值，而是通过智能搜索获得最优Q值，减少工作量和误差，从而从非稳态数据中估计出最优的时变子波，同时获得最优的时变盲反褶积结果。
该智能化时变盲反褶积宽频处理方法包括：
从衰减地震数据中提取出初始地震子波；
随机产生包含多个地层品质因子Q值的Q值群；
根据所述初始地震子波和所述Q值群建立时变子波矩阵群；
根据所述衰减地震数据和所述时变子波矩阵群，获得多个反射系数；
建立适应度函数；
根据所述适应度函数和所述多个反射系数，获得多个适应值，其中，一个适应值对应一个地层品质因子Q值；
根据所述多个适应值确定最优地层品质因子Q值。
该智能化时变盲反褶积宽频处理装置包括：
初始地震子波提取模块，用于从衰减地震数据中提取出初始地震子波；
Q值群产生模块，用于随机产生包含多个地层品质因子Q值的Q值群；
时变子波矩阵群建立模块，用于根据所述初始地震子波和所述Q值群建立时变子波矩阵群；
反射系数获得模块，用于根据所述衰减地震数据和所述时变子波矩阵群，获得多个反射系数；
适应度函数建立模块，用于建立适应度函数；
适应值获得模块，用于根据所述适应度函数和所述多个反射系数，获得多个适应值，其中，一个适应值对应一个地层品质因子Q值；
最优地层品质因子Q值确定模块，用于根据所述多个适应值确定最优地层品质因子Q值。
在本发明实施例中，通过建立的适应度函数来确定最优地层品质因子Q值，与现有技术相比，不通过人工来确定最优Q值，而是通过智能搜索获得最优Q值，减少工作量和误差，从而从非稳态数据中估计出最优的时变子波，同时获得最优的时变盲反褶积结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种智能化时变盲反褶积宽频处理方法流程图；
图2是本发明实施例提供的一种智能化时变盲反褶积宽频处理方法具体流程图；
图3是本发明实施例提供的一种无噪条件下的真实时变子波及20个不同随机初始模型反演获得的时变子波；
图4是本发明实施例提供的一种无噪条件下真实及20个不同随机初始模型反演获得的反射系数序列；
图5是本发明实施例提供的一种无噪条件下带有衰减特征的真实及合成的20个不同随机初始模型反演重构的地震记录资料；
图6是本发明实施例提供的一种含噪5％条件下的真实时变子波及20个不同随机初始模型反演获得的时变子波；
图7是本发明实施例提供的一种含噪5％条件下真实反射系数序列及20个不同随机初始模型反演获得的反射系数序列；
图8是本发明实施例提供的一种含噪5％条件下带有衰减特征的真实记录及合成的20个不同随机初始模型反演重构的地震记录资料；
图9是本发明实施例提供的一种实际地震资料效果图；
图10是本发明实施例提供的一种应用本发明提出的方法所得的Q模型结果图；
图11是本发明实施例提供的一种应用本发明提出的方法对实际的地震资料进行反演的效果图；
图12是本发明实施例提供的一种智能化时变盲反褶积宽频处理装置结构示意图。
具体实施方式
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，所描述的实施例仅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他实施例，都属于本发明保护的范围。
在本发明实施例中，提供了一种智能化时变盲反褶积宽频处理方法，如图1所示，该方法包括：
步骤101：从衰减地震数据中提取出初始地震子波；
步骤102：随机产生包含多个地层品质因子Q值的Q值群；
步骤103：根据所述初始地震子波和所述Q值群建立时变子波矩阵群；
步骤104：根据所述衰减地震数据和所述时变子波矩阵群，获得多个反射系数；
步骤105：建立适应度函数；
步骤106：根据所述适应度函数和所述多个反射系数，获得多个适应值，其中，一个适应值对应一个地层品质因子Q值；
步骤107：根据所述多个适应值确定最优地层品质因子Q值。
具体实施时，假设随机产生的Q值群体中有n个Q值粒子i＝1,2,…,n，每个Q值粒子是D维空间中的一个个体，每个Q值粒子的位置表示为xi＝(xi1,xi2,...,xiD)，其中，维度为1，2，···，D。每个Q值粒子都在D维空间中运动，其速度表示为vi＝(vi1,vi2,...,viD)。不同的Q值粒子在空间中处于不同的位置，相对于适应度函数f(r)有不同的适应值。群体中好的位置即适应值最小的粒子，用Pg表示；第i个Q值粒子经历过的最好位置用Pi表示。如图2所示，则步骤102具体包括：随机产生每个地层品质因子Q值的初始位置xi和初始速度vi；确定所述Q值群的初始全局最好位置Pg，每个地层品质因子Q值的初始历史最好位置Pi。
具体实施时，步骤103具体按照如下方式建立时变子波矩阵群。
从经典的声波波动方程出发，建立其平面波解析解如下：
其中，s(t)表示地震记录，也是平面波，ω表示频率成分，r(t′)代表反射系数，代表简谐波，t′＝h/v代表传播时间，h代表深度，v代表速度。该解析解可看成不同频率简谐波的一个线性加权叠加，权系数为反射系数。
然后将公式(1)里的实速度替换成复速度，可建立衰减介质下的平面波解析解如下：
其中，表示振幅衰减项，γ表示衰减算子，依赖于深度时间的变量；表示相位校正项或子波整形项，ω0是参考角频率，Q(t′)是介质的品质因子。
对公式(2)进行离散化，可建立数据与Q值和反射系数之间的数学联系如下：
或，
s＝FHWA(Q)r (4)
其中，表示傅里叶算子，表示初始地震子波矩阵，表示依赖于Q值的时变衰减矩阵，s表示衰减地震资料，r表示反射系数。
定义时变子波矩阵群G来表示地震子波的带通滤波效应和地层的Q滤波效应。时变子波矩阵群G的表达式为：
G＝FHWA(Q) (5)
其中，时变子波矩阵群G的第n列即为第n时刻的初始地震子波wn；H表示转置共轭。
具体实施时，步骤104具体包括：根据所述衰减地震数据和所述时变子波矩阵群，运用稀疏贝叶斯反演算法进行时变盲反褶积处理，获得多个反射系数。
具体的，根据公式(4)和(5)，含噪的非稳态数据d可以被简写成：
Gr+n＝d (6)
其中，r＝[r1,...,rK]T代表了待反演的模型参数，n代表噪声，T表示转置。由于地震数据的带限本质，直接解方程(6)是不适定的。为此，应用稀疏贝叶斯反演方法进行时变盲反褶处理。
假设n服从均值为0、方差为σ2的高斯分布，即，在给定模型参数r和σ2的条件下，d的条件概率，也称为似然函数可表示成：
p(d|r,σ2)＝(2πσ2)-Kexp[-(d-Gr)T(d-Gr)/(2σ2)] (7)
为了获得受地质假设驱动的解，稀疏贝叶斯学习方法需要对r施加先决条件，根据贝叶斯理论，限制r的概率分布是以零值为中心的标准正态分布，即
其中，h＝[h1,h2,L,hK]T代表K个相互独立的超参数，每一个超参数分别控制其对应反射系数大小的先验信息。表示反射系数rk服从均值为0，方差为的高斯分布，其中，k＝1，2，…，K。
由贝叶斯准则，在d，h和σ2已知的条件下，联立公式(7)和(8)，则有反射系数r的条件概率或后验概率密度分布：
其中，
其中，C表示一个常数；Σ表示协方差；μ表示均值；H＝diag(h1,h2,L,hK)是一个对角矩阵。反射系数的估计由反射系数后验分布的均值μ给出。为了获得时变盲反褶积结果，首先要估计超参数h和σ2的最佳值。根据贝叶斯框架，超参数的边缘分布通过下式计算
p(d|h,σ2)＝-2∫p(d|r,σ2)p(r|h)dr＝(2π)K|Q|exp(dTQ-1d) (11)
其中，I表示单位矩阵。对公式(11)求最小即可求出超参数h。这里，使用了一种快速的迭代算法-相关向量机来获得时变盲反褶积结果。该算法每次迭代只更新一个反射系数脉冲r或一个基向量Gk，但每次更新后目标函数或公式(11)都会减小。反复迭代，利用公式(11)计算h，公式(10)计算μ，直到前后2次迭代的目标函数之差达到容忍误差。最后，输出的μ即是估计的稀疏反射系数。
实质上，通过公式(11)每次迭代求出超参数h，相当于获得反射稀疏脉冲r的位置(位置是指反射系数中每个非零反射系数脉冲对应时间位置，因为反射系数中有很多零值，所以是稀疏的)，而通过公式(10)求出μ，相当于获得反射稀疏脉冲r的大小(大小是指非零反射系数脉冲的幅值大小)。由于相关向量机在迭代运算时，只是通过添加或删除基向量Gk来实时更新脉冲的位置和大小，不需要进行大矩阵的求逆运算，所以该方法具有很快的收敛速度。
具体实施时，步骤105具体按照如下方式建立适应度函数。
同一衰减地震资料，不同Q值的反演结果不同，且准确的Q值对应的反演结果稀疏度更高。针对这一现象，本发明用lp范数进行反射系数序列的稀疏性评估。
对于某个序列的lp范数，其值的大小受到测量序列中整体元素的非零个数及幅值共同作用。并且随着p的减小，元素非零个数所占的权重增加，幅值权重减小。由于地震信号波形匹配条件，当不准确的Q值产生的地震子波波形去匹配实际记录中的波形时，相位的差异导致无法采用单一的反射系数脉冲刻画该波形，而是需要多个脉冲叠加才能够拟合出已知的信号，因此得到的反射系数反演结果出现连续同极性脉冲，并且不稀疏。即便是振幅值微弱，其仍然导致整个反演结果的lp范数增大。因此，lp范数能够准确的反映出其稀疏度的大小，通过寻找使得lp范数函数的最小值能够确定真正的反射系数和Q值组合。当用于构建映射矩阵G的Q为准确值时，对应的反射系数反演结果最稀疏，其lp范数最小。
本发明中选择l0.1范数作为评价准则并建立了如下适应度函数
f(r)＝||r||0.1 (12)
其中，r是由稀疏贝叶斯学习反演所得到反射系数序列。
具体实施时，步骤107具体包括：
将所述多个适应值两两之间进行比较，获得最小适应值；
将所述最小适应值与预设适应值阈值进行比较，当最小适应值小于预设适应值阈值时，所述最小适应值对应的地层品质因子Q值为最优地层品质因子Q值。
步骤107就是为了寻找当前全局最优解，当没有找到时，即当最小适应值大于预设适应值阈值时，更新所述Q值群；根据更新后的所述Q值群重新确定最优地层品质因子Q值。如图2所示。
当最小适应值大于预设适应值阈值时，则需要更新所述Q值群，包括：根据所述每个地层品质因子Q值的初始位置和初始速度、所述Q值群的初始全局最好位置、每个地层品质因子Q值的初始历史最好位置，更新所述Q值群。
具体的，更新是要：更新群体的最好位置Pg以及每个Q值粒子经历过的最好位置Pi；更新群体的位置xi和速度vi；
按照如下公式更新群体的位置xi和速度vi：
vi(k+1)＝ωvi(k)+c1φ1[pi(k)-xi(k)]+c2φ2[pg(k)-xi(k)] (13)
xi(k+1)＝xi(k)+avi(k+1) (14)
其中，k表示更新次数；vi(k+1)表示第k+1次更新时第i个Q值的速度；ω表示惯性系数；vi(k)表示第k次更新时第i个Q值的速度；pi(k)表示第k次更新时第i个Q值的最好位置；xi(k)表示第k次更新时第i个Q值的位置；pg(k)表示第k次更新时Q值群的最好位置；c1和c2为加速常数，在0～2之间；φ1和φ2为独立的正态分布函数，均值为0，方差为1；xi(k+1)表示第k+1次更新时第i个Q值的位置；a是约束因子，常数。
如图2所示，当满足条件时，结束更新，输出最佳反射系数结果，其中的一个条件就是上面说到的最小适应值小于预设适应值阈值。另一个条件就是更新次数达到预设次数上限，该条件的作用是防止更新陷入死循环。具体的，满足条件指的是：(1)当经过多次更新获得的最小适应值小于预设适应值阈值且更新次数未达到预设次数上限时，可以结束更新；(2)当更新次数已经达到了预设次数上限，但是经过多次更新获得的最小适应值还是大于预设适应值阈值时，也要结束更新；(3)当经过多次更新获得的最小适应值小于预设适应值阈值且更新次数已达到预设次数上限时，可以结束更新。
实施例
验证采用本发明提出的智能化时变盲反褶积宽频处理方法对地震资料进行处理的效果。
通过一个反射系数实验得到一个地震子波，然后采用本发明方法对这个地震子波进行反演处理，获得最优时变子波，如图3所示。图3表示在无噪条件下的真实时变子波及采用20个不同的随机初始模型反演获得的时变子波。其中虚线表示浅部100ms处的子波，带实心实线表示中部500ms处的子波，带星号实线表示深部900ms处的子波。可以看出真实和反演获得的子波在浅、中、深层都匹配的很好，且在20个不同的随机初始模型条件下都能获得这样的好结果，证明了本发明提出的时变盲反褶积方法的稳定性和准确性。
图4表示在无噪条件下真实的反射系数序列及采用20个不同的随机初始模型反演获得的反射系数序列。其中右侧第1道是真实的反射系数序列，左侧20道是20个不同的随机初始模型条件下反演得到的反射系数序列。可以看出反演的反射系数与真实反射系数基本吻合，表明了本发明提出的时变盲反褶积方法是有效的。
图5表示在无噪条件下带有衰减特征的真实及合成的20个不同的随机初始模型反演重构的地震记录资料。可以看出，采用本发明提出的时变盲反褶积方法进行的波形匹配很好。
图6表示在含噪5％条件下的真实时变子波及20个不同随机初始模型反演获得的时变子波。可以看出，随着深度增加，估计子波的精度相对变差，但仍可接受。
图7表示在含噪5％条件下真实反射系数序列及20个不同随机初始模型反演获得的反射系数序列。可以看出，采用本发明提出的时变盲反褶积方法得到的反演结果和真实模型基本一致。
图8表示在含噪5％条件下带有衰减特征的真实记录及合成的20个不同随机初始模型反演重构的地震记录资料，可以看出，采用本发明提出的时变盲反褶积方法得到的20个不同的随机初始模型反演重构的地震记录资料，有一些与真实记录存在微小差异，但是两者可以说是基本一致，表明了本发明提出的时变盲反褶积方法是有效的。
图9为原始地震资料。鉴于剖面水平方向变化比较平缓，只针对其中的第60道进行了处理，然后将处理结果应用于其它道。此外，根据剖面的特点，将剖面从上至下分为8个部分，给定这8个部分界面处的时间位置和相应部分的Q值取值范围，进行计算。其中初始子波是从前200ms的地震记录中估计的。图10为最终估计的Q值曲线。图11为反演的结果。可以看到，在原始剖面中可以看到400-600ms这部分对应的资料信息比较弱。反演结果中400-600ms这部分对应的振幅得到了有效补偿，600ms以下的一些细节信息都显示出来。整体同相轴变细，分辨率变高，并且反射系数在横向上保持了较好的连续性。
基于同一发明构思，本发明实施例中还提供了一种智能化时变盲反褶积宽频处理装置，如下面的实施例所述。由于智能化时变盲反褶积宽频处理装置解决问题的原理与智能化时变盲反褶积宽频处理方法相似，因此智能化时变盲反褶积宽频处理装置的实施可以参见智能化时变盲反褶积宽频处理方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图12是本发明实施例的智能化时变盲反褶积宽频处理装置的一种结构框图，如图12所示，包括：
初始地震子波提取模块1201，用于从衰减地震数据中提取出初始地震子波；
Q值群产生模块1202，用于随机产生包含多个地层品质因子Q值的Q值群；
时变子波矩阵群建立模块1203，用于根据所述初始地震子波和所述Q值群建立时变子波矩阵群；
反射系数获得模块1204，用于根据所述衰减地震数据和所述时变子波矩阵群，获得多个反射系数；
适应度函数建立模块1205，用于建立适应度函数；
适应值获得模块1206，用于根据所述适应度函数和所述多个反射系数，获得多个适应值，其中，一个适应值对应一个地层品质因子Q值；
最优地层品质因子Q值确定模块1207，用于根据所述多个适应值确定最优地层品质因子Q值。
下面对该结构进行说明。
具体实施时，所述反射系数获得模块1204具体用于：
根据所述衰减地震数据和所述时变子波矩阵群，运用稀疏贝叶斯反演算法进行时变盲反褶积处理，获得多个反射系数。
具体实施时，所述适应度函数建立模块1205具体用于：
选择l0.1范数作为评价准则建立适应度函数。
具体实施时，所述最优地层品质因子Q值确定模块1207具体用于：
将所述多个适应值两两之间进行比较，获得最小适应值；
将所述最小适应值与预设适应值阈值进行比较，当最小适应值小于预设适应值阈值时，所述最小适应值对应的地层品质因子Q值为最优地层品质因子Q值。
具体实施时，该智能化时变盲反褶积宽频处理装置还包括：
更新模块，用于当最小适应值大于预设适应值阈值时，更新所述Q值群；
所述最优地层品质因子Q值确定模块1207具体用于：
根据更新后的所述Q值群重新确定最优地层品质因子Q值。
具体实施时，所述Q值群产生模块1202具体用于：
随机产生每个地层品质因子Q值的初始位置和初始速度；
确定所述Q值群的初始全局最好位置，每个地层品质因子Q值的初始历史最好位置；
所述更新模块具体用于：
根据所述每个地层品质因子Q值的初始位置和初始速度、所述Q值群的初始全局最好位置、每个地层品质因子Q值的初始历史最好位置，更新所述Q值群。
具体实施时，所述更新模块还用于：
当更新次数达到预设次数上限或最小适应值小于预设适应值阈值时，结束更新。
具体实施时，所述时变子波矩阵群建立模块1203具体用于：
按照如下公式建立时变子波矩阵群：
G＝FHWA(Q)；
其中，G表示时变子波矩阵群；F表示傅里叶算子；W表示初始地震子波矩阵；A(Q)表示依赖于地层品质因子Q值的时变衰减矩阵；H表示转置共轭。
具体实施时，所述更新模块具体用于：
按照如下公式更新所述Q值群：
vi(k+1)＝ωvi(k)+c1φ1[pi(k)-xi(k)]+c2φ2[pg(k)-xi(k)]；
xi(k+1)＝xi(k)+avi(k+1)；
其中，k表示更新次数；vi(k+1)表示第k+1次更新时第i个Q值的速度；ω表示惯性系数；vi(k)表示第k次更新时第i个Q值的速度；pi(k)表示第k次更新时第i个Q值的最好位置；xi(k)表示第k次更新时第i个Q值的位置；pg(k)表示第k次更新时Q值群的最好位置；c1和c2为加速常数，在0～2之间；φ1和φ2为独立的正态分布函数，均值为0，方差为1；xi(k+1)表示第k+1次更新时第i个Q值的位置；a是约束因子，常数。
综上所述，在研究中发现，当Q值不准时，反演结果与真实模型之间存在差异，主要表现在脉冲振幅和非零脉冲个数上。而如何利用反演结果的这种现象捕获真实Q模型，是本发明建立群体智能优化适应度函数的一个关键。针对同一衰减地震资料不同Q值的反演结果不同，同时准确的Q值对应的反演结果具有更高的稀疏度这一现象，本发明选择l0.1范数作为评价准则建立适应度函数并进行结果评价。当用于构建时变子波矩阵的Q为准确值时，对应的稀疏贝叶斯学习反射系数反演结果最稀疏，其l0.1范数构建的适应度函数最小。因此，本发明采用粒子群优化方法智能化搜索Q的策略，提出了智能化时变盲反褶积宽频处理方法及系统，不仅能在满足波传播规律的前提下，从非稳态数据中估计出最优的时变子波，而且可以同时获得最优的时变盲反褶积结果。因此，提升了现有的(时变)子波估计和(时变)盲反褶技术的效率和精度。
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。
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。
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。
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。
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，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，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。