基于多伯努利RFS算法的水下弱目标跟踪方法及装置

基于多伯努利rfs算法的水下弱目标跟踪方法及装置
技术领域
1.本发明涉及水声学和水声信号处理技术领域，特别涉及一种基于多伯努利rfs算法的水下弱目标跟踪方法及装置。


背景技术：

2.海洋具有丰富的生物资源、矿物资源、能源资源等，而水下目标跟踪是水声技术领域的一个重要研究方向，被广泛应用在各个方面，如海洋监控、鱼雷制导等方面。被动声呐探测跟踪由于具有优异的隐蔽性而被广泛应用于生产、军事等领域，而随着水下目标隐身技术的提高，被动跟踪系统常常要面对低信噪比的恶劣场景。
3.水声目标跟踪可分为主动跟踪与被动跟踪两种方式。
4.主动跟踪通过利用目标反射的回波对目标的位置进行跟踪，而被动跟踪则通过处理目标产生的噪声对目标的方位角进行跟踪。相比主动声呐，被动声呐跟踪隐蔽性更好，能在不暴露己方位置的前提下监视对方动态。因此被动声呐被广泛应用于军事领域，被动跟踪算法也受到人们的重视。而由于水下复杂的信道以及迅猛发展的降噪技术，被动跟踪常常要面对目标能量非常弱的情况。
5.传统的跟踪方法在对接收到的信号根据各种信号处理方法进行处理后，再对得到的谱估计结果进行门限检测，对检测后得到的点迹数据进行数据关联，这种方法又被称为先检测后跟踪(detect-before-track，dbt)，该方法通过门限检测筛去了大量的噪声，只保留一部分点迹信息，大大减少了计算量，计算高效，广泛应用在跟踪的各个领域。但这种方法存在一些弊端，它在筛去噪声的同时也损失了一部分有用的目标信息。尤其在面对弱小目标的情况下，由于目标的信噪比低，能量弱，无法达到规定的门限，探测结果会经常发生漏检现象，导致后续的跟踪无法判断目标轨迹。为了检测到目标而降低门限时，则会出现大量的虚警，之后的跟踪难免会出现许多虚假轨迹。
6.为了应对弱目标的情况，人们对跟踪算法进行了进一步研究，提出了检测前跟踪方法。而检测前跟踪方法跳过门限检测，直接对估计结果进行积累和数据关联进而实现跟踪，对低信噪比目标也能有较好的跟踪效果。虽然检测前跟踪方法有着良好的跟踪性能，但其主要应用于雷达领域，在水声方向上应用较少。


技术实现要素：

7.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
8.为此，本发明的第一个目的在于提出一种基于多伯努利rfs算法的水下弱目标跟踪方法，该方法有效克服了传统数据关联算法的弊端，并且提高了跟踪的灵敏度，降低了跟踪误差。
9.本发明的第二个目的在于提出一种基于多伯努利rfs算法的水下弱目标跟踪系统。
10.本发明的第三个目的在于提出一种计算机设备。
11.本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
12.为达到上述目的，本发明一方面实施例提出了基于多伯努利rfs算法的水下弱目标跟踪方法，包括以下步骤：步骤s1，初始化多伯努利参数集；步骤s2，构建待测目标的运动模型和量测模型；步骤s3，对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；步骤s4，设置存在概率门限以及目标数门限以删去所述更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；步骤s5，计算所述符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；步骤s6，对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对所述n
k+1
个目标进行跟踪形成跟踪轨迹。
13.本发明实施例的基于多伯努利rfs算法的水下弱目标跟踪方法，针对弱目标的情况研究了基于多伯努利滤波的检测前跟踪算法，在此基础上，为了适应水声被动声呐阵列处理数据的情况，研究了基于music的近似多伯努利滤波算法，将music空间谱的加权形式作为伪似然比函数来进行多伯努利检测前跟踪算法，并采用粒子实现；此外针对算法响应较慢的问题，对目标新生模型进行改进，提出了由量测驱动的目标新生模型，选用传统多伯努利滤波算法作为对比算法来验证此改进算法的性能，从而得到能够以虚假轨迹少，目标轨迹完整，响应速度快为期望的基于多伯努利随机有限集的检测前跟踪算法，有效克服了传统数据关联算法的弊端，并且提高了跟踪的灵敏度，降低了跟踪误差。
14.另外，根据本发明上述实施例的基于多伯努利rfs算法的水下弱目标跟踪方法还可以具有以下附加的技术特征：
15.进一步地，在本发明的一个实施例中，所述步骤s3具体包括：
16.步骤s301，通过所述运动模型和所述量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，所述多伯努利参数集包括新生目标参数集和存活目标参数集
17.步骤s302，先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集
18.进一步地，在本发明的一个实施例中，所述步骤s5中的合并过程为：
19.r
(1,2)
＝max(r
(1)
,r
(2)
)
[0020][0021]
其中，r为存在概率，p为概率分布，l为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。
[0022]
可选地，在本发明的一个实施例中，所述步骤s6中势分布的求解过程为：
[0023][0024]
其中，p为状态分布，k为当前时刻，m
k+1
为k+1时刻目标数，r为目标存在概率，为
k+1时刻第i个目标存在概率，为m
k+1
个变量的n次初等对称函数。
[0025]
为达到上述目的，本发明另一方面实施例提出了基于多伯努利rfs算法的水下弱目标跟踪装置，包括：初始化模块，用于初始化多伯努利参数集；模块构建模块，用于构建待测目标的运动模型和量测模型；预测和更新模块，用于对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；筛除模块，用于设置存在概率门限以及目标数门限以删去所述更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；合并模块，用于计算所述符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；跟踪轨迹生成模块，用于对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对所述n
k+1
个目标进行跟踪形成跟踪轨迹。
[0026]
本发明实施例的基于多伯努利rfs算法的水下弱目标跟踪装置，针对弱目标的情况研究了基于多伯努利滤波的检测前跟踪算法，在此基础上，为了适应水声被动声呐阵列处理数据的情况，研究了基于music的近似多伯努利滤波算法，将music空间谱的加权形式作为伪似然比函数来进行多伯努利检测前跟踪算法，并采用粒子实现；此外针对算法响应较慢的问题，对目标新生模型进行改进，提出了由量测驱动的目标新生模型，选用传统多伯努利滤波算法作为对比算法来验证此改进算法的性能，从而得到能够以虚假轨迹少，目标轨迹完整，响应速度快为期望的基于多伯努利随机有限集的检测前跟踪算法，有效克服了传统数据关联算法的弊端，并且提高了跟踪的灵敏度，降低了跟踪误差。
[0027]
另外，根据本发明上述实施例的基于多伯努利rfs算法的水下弱目标跟踪装置还可以具有以下附加的技术特征：
[0028]
进一步地，在本发明的一个实施例中，所述预测和更新模块具体包括：
[0029]
预测单元，用于通过所述运动模型和所述量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，所述多伯努利参数集包括新生目标参数集和存活目标参数集
[0030]
更新单元，用于先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集
[0031]
进一步地，在本发明的一个实施例中，所述合并模块中的合并过程为：
[0032]r(1,2)
＝max(r
(1)
,r
(2)
)
[0033][0034]
其中，r为存在概率，p为概率分布，l为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。
[0035]
可选地，在本发明的一个实施例中，所述跟踪轨迹生成模块中势分布的求解过程为：
[0036][0037]
其中，p为状态分布，k为当前时刻，m
k+1
为k+1时刻目标数，r为目标存在概率，为k+1时刻第i个目标存在概率，为m
k+1
个变量的n次初等对称函数。
[0038]
为达到上述目的，本发明第三方面实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于多伯努利rfs算法的水下弱目标跟踪方法。
[0039]
为达到上述目的，本发明第四方面实施例提供一种非临时性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如上述实施例所述的基于多伯努利rfs算法的水下弱目标跟踪方法。
[0040]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0041]
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0042]
图1是本发明一个实施例的基于多伯努利rfs算法的水下弱目标跟踪方法的流程图；
[0043]
图2是本发明一个实施例的方位角示意图；
[0044]
图3是本发明一个实施例的基于music跟踪算法单目标滤波结果示意图，其中，(a) 为m-mb-tbd滤波结果，(b)为mad-mb-tbd滤波结果；
[0045]
图4是本发明一个实施例的基于music跟踪算法多目标滤波结果示意图，其中， (a)为m-mb-tbd滤波结果，(b)为mad-mb-tbd滤波结果；
[0046]
图5是本发明一个实施例的基于多伯努利rfs算法的水下弱目标跟踪装置的结构示意图。
具体实施方式
[0047]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0048]
下面参照附图描述根据本发明实施例提出的基于多伯努利rfs算法的水下弱目标跟踪方法及装置，首先将参照附图描述根据本发明实施例提出的基于多伯努利rfs算法的水下弱目标跟踪方法。
[0049]
首先假定接收信号的声纳阵列为线阵，假设信号与噪声相互独立，对协方差矩阵进行特征分解可以得到信号子空间与噪声子空间。实际上接收数据矩阵是有限长的，所以可以得到协方差矩阵的最大似然估计，由此可以得到music谱估计公式。
[0050][0051]
考虑到似然比函数定性表示了目标存在的可能性，将归一化的music谱估计结果进行指数加权，以此作为伪似然比函数带入多伯努利滤波器中进行更新计算。
[0052]
图1是本发明一个实施例的基于多伯努利rfs算法的水下弱目标跟踪方法的流程图。
[0053]
如图1所示，该基于多伯努利rfs算法的水下弱目标跟踪方法包括以下步骤：
[0054]
在步骤s1中，初始化多伯努利参数集。
[0055]
具体地，在k时刻，多伯努利参数集为其中每一个状态分布是由一系列带权值的粒子组成。
[0056]
在步骤s2中，构建待测目标的运动模型和量测模型，其中，
[0057]
目标运动模型设为
[0058]
x
k+1
＝fxk+w
k+1
[0059]
对于member算法，量测模型为
[0060]zk+1
＝hx
k+1
+r
k+1
。
[0061]
其中，x为目标状态，z为量测值，f为状态转移矩阵，h为量测矩阵，w和r分别为状态转移噪声和量测噪声，均服从高斯分布且相互独立，其中，运动模型表示的是根据k时刻的目标状态估计k+1时刻的目标状态，量测模型表示的是根据已知的k+1 时刻目标状态得到后验量测值。
[0062]
在步骤s3中，对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集。
[0063]
进一步地，在本发明的一个实施例中，步骤s3具体包括：
[0064]
步骤s301，通过运动模型和量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，多伯努利参数集包括新生目标参数集和存活目标参数集
[0065]
步骤s302，先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集
[0066]
具体地，预测多伯努利参数集可分成两个部分，分别是新生目标参数集和存活目标参数集最后的预测结果如下式，其中预测参数集个数m
k+1|k
＝m
γ,k+1
+mk。
[0067][0068]
同时对于预测步骤中新目标的出现和跟踪，为了让算法能更快跟上目标，本发明
实施例将量测结果引入新生目标模型中。考虑到目标总是较大概率存在于music谱值较高的方位上，可以在进行粒子采样时偏向谱值高的方位。
[0069]
此外还设立了强度门限，计算新生目标的平均music谱值，当平均谱值超过门限则认为目标有较大概率存在，设定较大的存在概率r
γ,large
，反之则设定较小的存在概率r
γ,small
。
[0070]
进一步地，在得到预测的参数集后，先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集
[0071]
在步骤s4中，设置存在概率门限以及目标数门限以删去更新的参数集中存在概率小的目标，得到符合门限内目标的参数集。
[0072]
具体地，随着预测步骤中不断添加新生目标，目标数会不断增加，需要删去一些存在概率小的目标，本发明实施例设置了存在概率门限以及目标数门限，当存在概率小于门限时删去目标，当目标数大于门限时按存在概率进行排序，只取门限内的目标。
[0073]
在步骤s5中，计算符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标。
[0074]
具体地，因为算法原理中假设目标状态不重叠，而新生目标与存活目标可能会对相同区域的量测值进行更新，导致出现虚假目标。当两个目标均进行更新，经过几个周期后就会得到两个相近的目标。为了避免这种情况，需要将距离相近的目标合并。计算每个目标的中心状态，当两个目标中心状态低于门限值时，将两个目标进行合并，合并公式为：
[0075]r(1,2)
＝max(r
(1)
,r
(2)
)
[0076][0077]
其中，r为存在概率，p为概率分布，l为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。
[0078]
在步骤s6中，对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对n
k+1
个目标进行跟踪形成跟踪轨迹。
[0079]
其中，势分布的求解过程为：
[0080][0081]
其中，p为状态分布，k为当前时刻，m
k+1
为k+1时刻目标数，r为目标存在概率，为k+1时刻第i个目标存在概率，为m
k+1
个变量的n次初等对称函数。
[0082]
下面结合具体实施例进一步详细说明本发明一种基于多伯努利rfs算法的水下弱目标跟踪方法及其有益效果。
[0083]
首先对单个弱目标进行跟踪，目标信号为窄带信号，频率为1450hz。目标信号的输入信噪比恒定为-17db，采样频率为20khz。利用music谱估计方法得到探测结果。然后分别用基于music的多伯努利检测前跟踪算法(简称m-mb-tbd)自适应新生目标模型简称(mad-mb-tbd)算法和多伯努利(member)算法对输入数据进行目标跟踪。
[0084]
根据如图1所述的流程进行执行，图2所示的方位角示意图，红色圆点为阵元中心，绿色原点为目标，方位角为目标与y正半轴的夹角，如图所示的α，逆时针为正。
[0085]
如图3所示，以灰色的x表示探测结果，红色直线表示真实目标方位角轨迹，蓝色的点表示跟踪结果。m-mb-tbd算法即使在低信噪比也能连续的对目标进行有效的跟踪。但是在低信噪比情况下，对于新生目标的响应时间较长，可以明显观察到在第 15个周期之后才有跟踪结果，而采用自适应新生模型后，mad-mb-tbd算法在第10 个周期就开始形成轨迹，证明该新生模型明显有助于加快目标轨迹的形成。
[0086]
然后进行的是算法对多目标的跟踪。信号状态信息仍然不变，但是由单目标变成多目标，此处产生的是三个信号，三个信号的产生和结束时间也有差别。
[0087]
如图4所示，相比于未改进的传统多伯努利算法，mad-mb-tbd算法不仅形成的轨迹更连续和更完整，并且通过改善新生目标模型，同样明显加快了算法对新生目标的响应。
[0088]
综上，根据本发明实施例提出的基于多伯努利rfs算法的水下弱目标跟踪方法，通过将music谱估计结果进行指数加权，以此作为伪似然比函数带入多伯努利滤波器中进行更新计算，并基于music算法实现对目标的探测和谱估计，采用粒子实现，通过搜峰和控制门限获得目标最大概率存在的位置，规避传统跟踪算法漏检、误检概率大的弊端，将实跟踪结果轨迹与理论实际结果轨迹对比即可验证本发明的跟踪算法的性能，进而实现可持续、准确、快速的多目标跟踪。本发明可为其他水下目标跟踪提供新的思路，及时为海洋搜探、水下救援等作业任务提供高精度跟踪服务，提高作业效率。
[0089]
其次参照附图描述根据本发明实施例提出的基于多伯努利rfs算法的水下弱目标跟踪方法。
[0090]
图5是本发明一个实施例的基于多伯努利rfs算法的水下弱目标跟踪装置。
[0091]
如图5所示，该装置10包括：初始化模块100、模块构建模块200、预测和更新模块 300、筛除模块400、合并模块500和跟踪轨迹生成模块600。
[0092]
其中，初始化模块100用于初始化多伯努利参数集。模块构建模块200用于构建待测目标的运动模型和量测模型。预测和更新模块300用于对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集。筛除模块400用于设置存在概率门限以及目标数门限以删去更新的参数集中存在概率小的目标，得到符合门限内目标的参数集。合并模块500用于计算符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标。跟踪轨迹生成模块600用于对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对n
k+1
个目标进行跟踪形成跟踪轨迹。
[0093]
进一步地，在本发明的一个实施例中，预测和更新模块具体包括：
[0094]
预测单元，用于通过运动模型和量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，多伯努利参数集包括新生目标参数集和存活目标参数集
[0095]
更新单元，用于先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存
在概率进行更新，粒子状态不变，得到更新的参数集
[0096]
进一步地，在本发明的一个实施例中，合并模块中的合并过程为：
[0097]r(1,2)
＝max(r
(1)
,r
(2)
)
[0098][0099]
其中，r为存在概率，p为概率分布，l为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。
[0100]
进一步地，在本发明的一个实施例中，跟踪轨迹生成模块中势分布的求解过程为：
[0101][0102]
其中，p为状态分布，k为当前时刻，m
k+1
为k+1时刻目标数，r为目标存在概率，为k+1时刻第i个目标存在概率，为m
k+1
个变量的n次初等对称函数。
[0103]
需要说明的是，前述对基于多伯努利rfs算法的水下弱目标跟踪方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
[0104]
根据本发明实施例提出的基于多伯努利rfs算法的水下弱目标跟踪装置，通过将 music空间谱的加权形式作为伪似然比函数来进行多伯努利检测前跟踪算法，并提出了由量测驱动的目标新生模型以加快新生目标的响应速度，相比于传统数据关联方法和多伯努利滤波跟踪方法，本装置几乎无有效状态信息的丢失，虚假轨迹大幅度减少，跟踪轨迹与传统方法相比完整且连续，与实际轨迹之间的平均误差稳定在1
°
左右，并且提出的新生模型明显加快了新生目标轨迹的形成，可以满足跟踪的实时性要求；采用本发明所述的基于music的近似多伯努利滤波算法，形成的轨迹虚假轨迹少，目标轨迹完整，响应速度快，可将其应用于被动声纳目标跟踪、探潜、探导等领域。下面给出了详细的建模与跟踪流程。
[0105]
为了实现上述实施例，本发明还提出了一种空调设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前述实施例所述的基于多伯努利rfs算法的水下弱目标跟踪方法。
[0106]
为了实现上述实施例，本发明还提出了一种非临时性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如前述实施例所述的基于多伯努利 rfs算法的水下弱目标跟踪方法。
[0107]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0108]
此外，术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0109]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0110]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0111]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0112]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0113]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0114]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。