基于组合分类器的随机分类方法及装置与流程

本发明涉及分类计算技术领域，具体涉及一种基于组合分类器的随机分类方法及装置。

背景技术：

分类问题一直是学术界和工业界所研究的热点问题之一。一个准确快速的分类器，能够为企业提供极大的价值。例如：对客户进行准确的分类，就可以定向的推送客户感兴趣的广告内容，大大提高广告的收益。

解决分类问题，最简单最直接的方法就是规则策略。所谓规则策略，就是将人的经验，总结成一条一条的规则，然后根据这些规则策略，去解决实际的问题。例如：可以根据年龄和性别，将客户分为对汽车感兴趣和对汽车不感兴趣，比如男性20-50，女性25-45。然后，可以根据分类的结果，定向的推送汽车类型的广告。规则策略的优势在于，其实现简单，而且很容易理解。通过不断的对人为经验进行调整，可以设计出一个复杂的规则系统出来。

然而，规则策略的劣势同样也十分明显，那就是非常依赖于人的意识。所有的规则都是通过人的经验总结出来的，尽管实现起来不难，但是却需要人工去进行大量的学习操作。还是以广告客户为例，当只考虑年龄和性别这两个因素的时候，规则制定起来还是相对容易。然而，我们知道，影响一个人的兴趣的因素，除了年龄和性别，还包括环境，学历，生活经历等等复杂的因素，而这些因素就很难去通过经验总结成规则。因此，在这一点上，规则策略的分类方法，很难取得非常好的效果。

解决分类问题另外一个热门的方法就是机器学习。经过大量的研究和分析，在机器学习的低维层次，许多算法被设计出来。这些算法涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。其中，比较经典的分类算法包括：逻辑回归(logisticregression)，支持向量机(supportvectormachine)，决策树(decisiontree)，朴素贝叶斯等。这些分类算法都属于低维度的领域，因为它们都是通过某种概率学或者统计学上的某一个理论去进行分类的。这些分类算法实现上都相对简单，对性能的要求较低，实用性极强。

随机森林，指的是利用多棵树对样本进行训练并预测的一种分类器。简单来说，随机森林就是由多棵cart(classificationandregressiontree，分类与回归树)构成的。随机性主要体现在两个方面：(1)训练每棵树时，从全部训练样本(样本数为n)中选取一个可能有重复的大小同样为n的数据集进行训练(即bootstrap(引导程序)取样)；(2)在每个节点，随机选取所有特征的一个子集，用来计算最佳分割方式。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中。在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回的抽取的。

随机森林能够处理很高维度(feature很多)的数据，并且不用做特征选择。在训练完后，它能够给出哪些特性比较重要。在创建随机森林的时候，对泛化误差使用的是无偏估计，模型泛化能力强。训练速度快，容易做成并行化方法。在训练过程中，能够检测到特性间的互相影响。

虽然在实践中，上述分类算法都表现出了其有效性，但是这些分类器普遍都存在以下局限性：

1、过拟合和欠拟合：明显的未充分利用数据，拟合结果不符合预期，甚至不能有效拟合训练集，预测准确率、召回率都比理论上最佳拟合函数低很多，则为欠拟合。考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。训练集预测效果好，测试集预测效果差，都属于过拟合的结果。低维度的分类算法，因为其考虑的维度有限，对噪声比较敏感，并且针对不同的训练机，都需要去调整相应的参数，很容易出现过拟合或者欠拟合的现象。

2、离散变量和连续变量：对于一组训练数据，其中的变量可以按照分布情况，划分为离散变量和连续变量。对于某些变量来说，只能够取固定的几个值，则属于离散变量，如性别。而对于某些变量来说，则能够取一个范围内的任意值，则属于连续变量，如年龄。对于不同的低维度算法，往往只支持某一种变量，例如：决策树只支持离散变量。而大部分的线性算法(逻辑回归，支持向量机等)则支持连续变量。虽然离散变量和连续变量之间，可以按照一定的规则相互转化，但是转化的结果往往都不理想，而且比较复杂。

3、特性单一：不同的分类算法都有各自不同的设计初衷，在不同的场景下产生不同的效果。而在实际应用中，训练集的特性和分布情况都各不相同，还有可能随着时间的推移，发生改变，即概念漂移的现象。而单一的分类算法，往往无法应对这种变化情况，因此，效果将造成较大的影响。

除此之外，这些算法的设计中，必须重复的访问训练集数据。因此，无法支持流式数据的处理。

技术实现要素：

本发明要解决的技术问题在于，克服现有的技术的不足，提供一种基于组合分类器的随机分类方法及装置，此方法能够解决现有分类器的局限性，减少过拟合和欠拟合的现象，能够支持离散变量和连续变量，并且能够克服概念漂移现象。

为达到上述技术目的，本发明所述的基于组合分类器的随机分类方法，其特征在于，所述方法包括：随机选择n个类型不完全相同的分类器作为组合分类器；对随机选择的每个分类器选定训练集和测试集；分别对每个分类器进行训练和测试，得到组合分类器的平均正确率；根据组合分类器的平均正确率判断是否触发淘汰机制；基于判断结果进入分类计算步骤，得到各分类器的分类结果；对各分类器的分类结果进行投票，得到最终分类结果。

进一步地，所述对随机选择的每个分类器选定训练集和测试集，包括：将m个特征下的各数据集分别划分为已分数据集和待分数据集；针对每个分类器，在m个特征中随机选取m个特征作为该分类器的选定特征，m＜m，mn≥m；所述选定特征的已分数据集的i％作为对应分类器的训练集，所述i＜50；所述选定特征的已分数据集的(1-i％)作为对应分类器的测试集；以及，所述分类计算步骤，具体包括：将m个特征的待分数据集送至组合分类器的各分类器中进行分类计算。

更进一步地，所述对每个分类器进行训练和测试，得到组合分类器的平均正确率，具体包括：将所述训练集送至对应分类器中进行训练，得到对应的分类模型，各分类模型构成组合分类器对应的组合分类模型；将所述测试集送至对应分类模型中进行测试，得到各分类器的正确率；根据所述各分类器的正确率，计算组合分类器的平均正确率。

再进一步地，所述根据所述组合分类器的平均正确率判断是否触发淘汰机制，具体包括：当所述组合分类器的平均正确率小于等于x时，触发淘汰机制；当所述组合分类器的平均正确率大于x时，不触发淘汰机制；所述基于判断结果进入分类计算步骤，具体包括：触发淘汰机制后，返回已分数据集，生成新的组合分类模型，对新的组合分类模型进行测试，直至新的组合分类器的平均正确率大于x时，进入分类计算步骤；不触发淘汰机制时，直接进入分类计算步骤；所述分类计算步骤具体包括：将m个特征的待分数据集送至组合分类器的各分类模型中进行分类计算，得到n个分类结果；所述淘汰机制，具体包括：将当前的组合分类器中各分类模型按对应分类器的正确率由高到低排序；依次删除正确率最低的n个分类模型；每删除一个分类模型时，都随机补充一个新分类器；所述返回已分数据集，具体包括：给新分类器随机选取m个特征作为选定特征；将选定特征下已分数据集的i％作为新分类器的训练集，(1-i％)作为新分类器的测试集，所述i＜50；所述生成新的组合分类模型，包括：对新分类器进行训练，得到新分类模型；将新分类模型和未淘汰的分类器的分类模型组成新的组合分类模型。

在上述技术方案中，所述m个特征下的数据集的数据为流式数据；当组合分类器中的分类器为不支持流式数据处理的分类器时，定义一个训练列队，所述流式数据不断进入列队，所述列队被流式数据填满后分类器开始训练，当训练列队中的流式数据替换超过一半后，所述分类器重新训练。

本发明所述的基于组合分类器的随机分类装置，其特征在于，所述装置包括组合分类器和分类系统：所述组合分类器由n个类型不完全相同的分类器组成；所述分类系统包括：数据处理单元，用于对每个分类器选定训练集和测试集；训练测试单元，用于分别对每个分类器进行训练和测试，得到组合分类器的平均正确率；淘汰单元，用于根据所述组合分类器的平均正确率判断是否触发淘汰机制，基于判断结果执行淘汰机制；分类计算单元，用于计算各分类器的分类结果；投票单元，用于对各分类器的分类结果进行投票，并得到最终分类结果。

进一步地，所述数据处理单元包括特征模块和数据模块；所述特征模块，用于针对每个分类器，在m个特征中随机选取m个特征作为选定特征，m＜m，mn≥m；所述数据模块，用于将m个特征下的各数据集分别划分为已分数据集和待分数据集；将选定特征的已分数据集的i％作为对应分类器的训练集；将选定特征的已分数据集的(1-i％)作为对应分类器的测试集。

更进一步地，所述训练测试单元包括训练模块和测试模块；所述训练模块，用于将所述训练集送至对应分类器中进行训练，得到对应的分类模型，各分类模型构成组合分类模型；所述测试模块，用于将所述测试集送至对应分类模型中进行测试，得到各分类器的正确率，根据各分类器的正确率得到组合分类器的平均正确率；所述分类计算单元，具体用于将m个特征的待分数据集送至组合分类器的各分类器中进行分类计算。

再进一步地，所述淘汰单元包括淘汰判断模块和淘汰执行模块；所述淘汰判断模块，用于判断组合分类器的平均正确率是否小于等于x；当组合分类器的平均正确率小于等于x时，触发淘汰机制；当组合分类器的平均正确率大于x时，触发分类计算单元计算各分类器的分类结果；所述淘汰执行模块，用于执行淘汰机制，并触发数据处理单元和训练测试单元生成新的组合分类模型，对新的组合分类模型进行测试，并将新的组合分类器的平均正确率发送给所述淘汰判断模块；所述淘汰机制包括：将当前的组合分类器中各分类模型按对应分类器的正确率由高到低排序；依次删除正确率最低的n个分类模型；每删除一个分类模型时，都随机补充一个新分类器；所述新的组合分类模型由新分类模型和未淘汰的分类器的分类模型组成；所述新分类模型通过数据处理单元给新分类器随机选取m个特征作为选定特征，然后将选定特征下已分数据集的i％作为新分类器的训练集，(1-i％)作为新分类器的测试集，对新分类器进行训练后得到。

在上述技术方案中，当组合分类器中的分类器为不支持流式数据的分类器时，所述训练单元包括训练列队，用于将流式数据送入并替换；当训练列队中的流式数据替换超过一半后，所述分类器重新训练。

本发明提出了基于组合分类器的随机分类方法，可以高效通用的解决现实应用中常见的分类问题。将不同的分类算法同时引入进来，分配不同的训练集和训练特性。通过不同算法之间的相互弥补，来克服现有分类器的缺陷，综合发挥各类算法的特长，从而获得极佳的通用性。

通常情况下，可以选取i％的已分数据集作为训练集，(1-i％)的已分数据集作为测试集，i＜50。这是因为，训练集中往往都是会存在一定量的噪音数据的。而在许多分类算法中，少量的噪音就可能对训练效果产生较大的影响。因此，本发明只采用较小部分的已分数据来训练，这样以一来，就基本可以将噪音数据排除掉，从而保证训练效果。即使有部分的分类器不幸被分配到了噪音较高的数据，也能够在稍后的淘汰过程中将其淘汰掉。

假如一共有m个特性，可以给每个分类器随机的分配m个特性来进行训练，m＜m，mn≥m。在机器学习中，我们通常可以列举出成百上千个可能有关的特性，但缺却无法确定哪个特性或者哪几个特性的组合是最有意义的。而利用随机性，就可以轻松直接的解决这个问题。通过不断的尝试可能的组合，将训练效果较好的分类器保留，训练效果较差的分类器淘汰，就可以最终尝试出来最有价值的特性来。之所以会将每个分类器对应的特性数量设置的较低，就是为了防止过多的无关变量引入，使尝试所需要的次数变得太大。

在本发明中，引入淘汰机制，对每一个分类器的正确率进行实时或者定时的监控，如果所有分类器的平均正确率低于一定阈值的时候，则删除正确率最小的n的分类器。同时，再随机生成新的分类器，保持总分类器数量不变，再次监测个分类器的正确率，这样就可以使本发明中的组合分类器的正确率始终在满意值以上。通过不断的淘汰和生成，分类器之间就产生了一个优胜劣汰的机制，适应效果更好的分类器会被保留，导致该分类器的占比会越来越高；而适应效果较差的则会被淘汰，占比较低甚至消失在分类器组合中。这样一来，整个分类算法就能够自动挑选出准确率更好，效果更好的分类器来。因此，此淘汰机制有效减少了概念漂移的情况。

基于随机性，每一个分类器会有不同的特性和不同的模型，因此，一个分类器往往只会在某一个方面特别准确，而在其他方面相对较弱。但是通过投票机制，则可以将分类器在某一方面的专精表现出来。比如：有三个分类器，分类器a对于类别甲的识别准确度有99％，而对类别乙的识别准确度则只有60％。而其余两个分类器bc则对于类别甲的识别准确度只有50％。那么，最终的投票结果就是：对于某一个类别甲的数据，分类器bc只是进行了随机的猜测，因此票数持平。而分类器a则作出了准确的判断，从而使类别甲的票数占优。因此，投票的最终结果，其实会以分类准确率最高的分类器为主导。

本发明除了解决上述现有技术问题之外，还可以运用到流式数据中。对于本身支持流式数据处理的分类器，如hoeffding树，只需要按其训练方法直接送入训练数据即可。对于那些不支持流式数据处理的分类器，如逻辑回归，可以定义一个训练队列，不断的将训练数据填入到训练队列中，当队列满后，即开始训练。接着，新的训练数据被不断的填入，旧的训练数据被送出队列，当一半的数据被替换后，即开始再次训练。这样一来，批量处理的分类器，也可以被运用到本算法中来，同时，通过训练数据的替换，也能够具备一定的概念漂移应对能力。

在实际测试中，本发明不但可以运用于流式数据，还表现出了极强的稳健性和正确率；同时，有效减少过拟合和欠拟合的现象，并且可以支持离散变量和连续变量，并且能够克服概念漂移现象。

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它的附图。

图1为本发明的流程示意图；

图2为本发明中分类系统的结构示意图；

图3为本发明实施例的步骤流程图；

图4为本发明中数据处理单元、训练测试单元和淘汰单元的机构示意图；

图5为本发明的架构示意图。

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。

如图1、图3和图5所示，基于组合分类器的随机分类方法，所述方法包括：

101、随机选择n个类型不完全相同的分类器作为组合分类器；所述分类器均为用于机器学习中的主流分类器。

102、对随机选择的每个分类器选定训练集和测试集；

1021、将m个特征下的各数据集分别划分为已分数据集和待分数据集；

1022、针对每个分类器，在m个特征中随机选取m个特征作为该分类器的选定特征；所述m、m、n满足：mn≥3m；

1023、所述选定特征的已分数据集的i％作为对应分类器的训练集，所述i％＝1/3；所述选定特征的已分数据集的(1-i％)作为对应分类器的测试集。

103、分别对每个分类器进行训练和测试，得到组合分类器的平均正确率；

1031、将所述训练集送至对应分类器中进行训练，得到对应的分类模型，各分类模型构成组合分类模型；

1032、将所述测试集送至对应分类模型中进行测试，得到各分类器的正确率；

104、根据组合分类器的平均正确率判断是否触发淘汰机制；

1041、判断组合分类器的平均正确率是否大于x，70％≤x≤80％；

1042、当组合分类器的平均正确率小于等于x时，触发淘汰机制，返回已分数据集，生成新的组合分类模型，对新的组合分类模型进行测试；直至新的组合分类器的平均正确率大于x时，进入分类计算步骤；

将当前的组合分类器中各分类模型按对应分类器的正确率由高到低排序；依次删除正确率最低的n个分类模型，n＝0.25n；每删除一个分类模型时，都随机补充一个新分类器；给新分类器随机选取m个特征作为选定特征；将选定特征下已分数据集的i％作为新分类器的训练集，(1-i％)作为新分类器的测试集；对新分类器进行训练，得到新分类模型；将新分类模型和未淘汰的分类器的分类模型组成新的组合分类模型；对新的组合分类模型重新进行测试，直至组合分类器的平均正确率大于x；

当组合分类器的平均正确率大于x时，不触发淘汰机制，则直接进入分类计算步骤。

105、基于判断结果进入分类计算步骤，得到各分类器的分类结果；

将m个特征的待分数据集送至组合分类器的各分类器中进行分类计算，得到n个分类结果。

106、对各分类器的分类结果进行投票，得到最终分类结果。

所述m个特征下的数据集的数据为流式数据。当组合分类器中有不支持流式数据处理的分类器时，在所述分类器的训练集中定义一个训练列队，流式数据不断进入列队，所述列队被流式数据填满后分类器开始训练，当列队中的流式数据替换超过一半后，所述分类器重新训练。

如图2、图4和图5所示，基于组合分类器的随机分类装置，包括组合分类器和分类系统：所述组合分类器由n个类型不完全相同的分类器组成，所述分类器均为机器学习中的主流分类器；所述分类系统包括：数据处理单元21、训练测试单元22、淘汰单元23、分类计算单元24和投票单元25。

所述数据处理单元21包括特征模块211和数据模块212。所述特征模块211，用于分别给每个分类器都在m个特征中随机选取m个特征作为选定特征，所述m、m、n满足：mn≥3m。所述数据模块212，用于将m个特征下的各据集分别为已分数据集和待分数据集；将选定特征的已分数据集的i％作为对应分类器的训练集；将选定特征的已分数据集的(1-i％)作为对应分类器的测试集，所述i％＝1/3。

所述训练测试单元22包括训练模块221和测试模块训222。所述训练模块221，用于将所述训练集送至对应分类器中进行训练，得到对应的分类模型，各分类模型构成组合分类模型。所述测试模块222，，用于将所述测试集送至对应分类模型中进行测试，得到各分类器的正确率，根据各分类器的正确率得到组合分类器的平均正确率；

所述淘汰单元23包括淘汰判断模块231和淘汰执行模块232。所述淘汰判断模块231，用于判断组合分类器的平均正确率是否小于等于x，70％≤x≤80％；当组合分类器的平均正确率小于等于x时，触发淘汰机制；当组合分类器的平均正确率大于x时，触发分类计算单元。所述淘汰执行模型232，用于执行淘汰机制，并触发数据处理单元和训练测试单元生成新的组合分类模型，对新的组合分类模型进行测试，并将新的组合分类器的平均正确率发送给所述淘汰判断模块。

所述淘汰机制包括：依次删除正确率最低的n个分类模型，n＝0.25n；每删除一个分类模型时，都随机补充一个新分类器；所述新的组合分类模型由新分类模型和未淘汰的分类器的分类模型组成；所述新分类模型通过数据处理单元给新分类器随机选取m个特征作为选定特征，然后将选定特征下已分数据集的i％作为新分类器的训练集，(1-i％)作为新分类器的测试集，对新分类器进行训练后得到。

所述分类计算单元24用于m个特征的待分数据集送至组合分类器的各分类器中进行分类计算，得到n个分类结果。

所述投票单元25用于对n个分类结果进行投票，并得到最终分类结果。

当组合分类器中的分类器为不支持流式数据的分类器时，所述训练单元包括训练列队，用于将流式数据送入并替换；当训练列队中的流式数据替换超过一半后，所述分类器重新训练。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogicalblock)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。