本发明涉及电动汽车技术领域，尤其涉及一种基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置。
背景技术：
随着电动汽车的发展，电池管理系统(batterymanagementsystembms)得到了广泛应用。为了充分发挥电池系统的动力性能，提高其使用的安全性、防止电池过充过放，延长电池的使用寿命，优化驾驶和提高电动汽车的使用性能，需要bms对电池荷电状态(stateofcharge，soc)进行准确估计。电池soc是指电池当前的剩余电荷量，电池soc估计是电池热管理、均衡管理和安全可靠性管理的基础；但是由于锂离子电池结构复杂，电池的荷电状态受工作电流、电池内阻及其周围的环境温度、自放电和老化等因素的影响，使得电池soc估算困难。
目前国内外常用的电池soc估计方法主要有以下几种：(1)安时计量法：通过电流对时间的积分来计算电池的soc，由于电流测量存在误差，而且误差会随着时间积累而增大，并且安时计量法估计电池soc还需要知道其初始值；(2)开路电压法：通过电池静置时的开路端电压与soc关系估计电池的soc，开路电压法估计soc需要电池静置一段时间，不适合电动汽车电池实时估计的需要；(3)神经网络法：利用电池的神经网络模型估计电池soc，神经网络法需要大量的数据进行训练，其运算量和估计精度与训练方法有关；(4)数学模型估计法：由实验的方法总结出电池soc数学模型，此方法受到使用条件的限制，而且当条件变化时，需对soc估计结果进行校正。(5)卡尔曼滤波(kalmanfilter,kf)算法：由电池的状态空间模型，通过递推迭代的方法估计电池的soc，其估计精度受模型精度影响较大。
因此，一种准确估算电池soc的方法成为亟待解决的技术问题。
技术实现要素：
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此，本发明的第一个目的在于提出的基于粒子群算法优化电池荷电状态估算用关键参数的方法，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定为粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，后续可以较为准确地估算电池soc。
为此，本发明的第二个目的在于提出一种基于粒子群算法优化电池荷电状态估算用关键参数的方法的装置。
为了实现上述目的，本发明第一方面实施例的基于粒子群算法优化电池荷电状态估算用关键参数的方法，包括：
随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；
确定各个电池荷电状态估算用关键参数的目标函数；
将各个目标函数确定为粒子的各个维度的适应度函数；
进行粒子群的迭代过程，包括(1)至(3)：
(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；
(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；
(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；
将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。
如上所述的方法，所述将粒子群的各个维度的全局最优值作为各个电池荷电状态估算用关键参数的目标值，包括：
将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。
如上所述的方法，还包括：
根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。
如上所述的方法，迭代过程的第(2)步骤的具体实现方式为：
根据公式vd1＝ωvd+c1random(0,1)(pd-xd)+c2random(0,1)(pgd-xd)更新粒子的第d维度的速度矢量；
根据公式xd1＝xd+vd更新粒子的第d维的位置矢量；
其中，第d维为第一维度、第二维度、第三维度中的任一维度，ω称为惯性因子，c1和c2称为加速常数，random(0,1)表示区间[0,1]上的随机数，vd为粒子的第d维度的当前速度矢量，vd1为粒子的第d维度的更新后的速度矢量，xd为粒子的第d维度的当前位置矢量，xd1为粒子的第d维度的更新后的位置矢量，pd为粒子的第d维的个体极值，pgd为粒子群的第d维的全局最优值。
如上所述的方法，所述确定各个电池荷电状态估算用关键参数的目标函数，包括：
查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态；
根据不同电池电压和不同电池电压对应的电池荷电状态进行曲线拟合，得到电池电压与电池荷电状态的目标函数；
根据不同电池温度和不同电池温度对应的电池荷电状态进行曲线拟合，得到电池温度与电池荷电状态的目标函数；
根据不同电池电阻值和不同电池电阻值对应的电池荷电状态进行曲线拟合，得到电池电阻值与电池荷电状态的目标函数。
为了实现上述目的，本发明第二方面实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置，包括：
初始化模块，用于随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；
目标函数确定模块，用于确定各个电池荷电状态估算用关键参数的目标函数；
适应度函数确定模块，用于将各个目标函数确定为粒子的各个维度的适应度函数；
迭代模块，用于进行粒子群的迭代过程，包括(1)至(3)：
(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；
(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；
(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)；
关键参数确定模块，将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。
如上所述的装置，其特征在于，所述关键参数确定模块，具体用于：
将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。
如上所述的装置，还包括：
优化模块，用于根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。
如上所述的装置，所述目标函数确定模块，具体用于：
查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态；
根据不同电池电压和不同电池电压对应的电池荷电状态进行曲线拟合，得到电池电压与电池荷电状态的目标函数；
根据不同电池温度和不同电池温度对应的电池荷电状态进行曲线拟合，得到电池温度与电池荷电状态的目标函数；
根据不同电池电阻值和不同电池电阻值对应的电池荷电状态进行曲线拟合，得到电池电阻值与电池荷电状态的目标函数。
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
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，
图1为本发明一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的方法的流程示意图；
图2为本发明又一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的方法的流程示意图；
图3为本发明一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置的结构示意图；
图4为本发明又一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置的结构示意图。
具体实施方式
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。
下面参考附图描述本发明实施例的基于粒子群算法的优化电池荷电状态估算用关键参数的方法及装置。
图1为本发明实施例所提供的基于粒子群算法优化电池荷电状态估算用关键参数的方法的流程示意图。该方法的执行主体为基于粒子群算法优化电池荷电状态估算用关键参数的装置，该装置可以由软件和/或硬件的结合组成。
如图1所示，本实施例提供的基于粒子群算法的优化电池荷电状态估算用关键参数的方法，包括以下步骤：
s101、随机初始化粒子群。
具体地，本实施例所采取的粒子群算法可以是基础粒子群算法、协调粒子群算法、离散粒子群算法、全面学习粒子群算法，但并不限于此。
在本实施例中，决定电池荷电状态soc的因素包括电池电压、电池温度、电池电阻值，也即池电压、电池温度、电池电阻值均为优化电池荷电状态估算用关键参数。
在本实施例中，粒子群的包含粒子的数目根据实际需求设定。对粒子群中的每个粒子，将其构造为一个三个维度的粒子。具体地，粒子的第一维度位置矢量为电池电压，粒子的第一维度速度矢量为电池电压的改变量；粒子的第二维度位置矢量为电池温度，粒子的第二维度速度矢量为电池温度的改变量；粒子的第三维度位置矢量为电池电阻值，粒子的第三维度速度矢量为电池电阻值的改变量。
s102、确定各个电池荷电状态估算用关键参数的目标函数。
在本实施例中，需要确定的目标函数包括：电池电压与电池荷电状态的目标函数、电池温度与电池荷电状态的目标函数、电池电阻值与电池荷电状态的目标函数。
具体地，在整车设计时，会规定电池的设计参数。举例来说，根据整车设计所规定的电池的设计参数形成电池荷电状态设计需求表。在该表中，保存了不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态。
在一种可能的实现方式中，步骤s102的具体实现方式为：查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态；根据不同电池电压和不同电池电压对应的电池荷电状态进行曲线拟合，得到电池电压与电池荷电状态的目标函数；根据不同电池温度和不同电池温度对应的电池荷电状态进行曲线拟合，得到电池温度与电池荷电状态的目标函数；根据不同电池电阻值和不同电池电阻值对应的电池荷电状态进行曲线拟合，得到电池电阻值与电池荷电状态的目标函数。
在本实施例中，通过电池荷电状态设计需求表确定各个目标函数，可以保证后续得到的各个电池荷电状态估算用关键参数更符合设计需求。
s103、将各个目标函数确定为粒子的各个维度的适应度函数。
具体地，将电池电压与电池荷电状态的目标函数作为粒子的第一维度的适应度函数，将电池温度与电池荷电状态的目标函数作为粒子的第二维度的适应度函数，将电池电阻值与电池荷电状态的目标函数作为粒子的第三维度的适应度函数。
s104、进行粒子群的迭代过程。
在本实施例中，进行粒子群的迭代过程，包括(1)至(3)：
(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值。
以某个粒子的第一维度为例，确定该粒子的第一维度的自身历史最好位置对应的适应度f0，若该粒子的第一维度的当前适应度f1大于该粒子的第一维度的自身历史最好位置对应的适应度f0，则将该粒子的第一维度的当前位置矢量确定为该粒子的第一维度的当前个体极值；反之，将该粒子的第一维度的自身历史最好位置确定为该粒子的第一维度的当前个体极值。
以某个粒子的第一维度为例，确定粒子群的第一维度的全局历史最好位置对应的适应度f2，若该粒子的第一维度的当前适应度f1大于粒子群的第一维度的全局历史最好位置对应的适应度f2，则将该粒子的第一维度的当前位置矢量确定为粒子群的第一维度的当前全局最优值；反之，将粒子群的第一维度的全局历史最好位置确定为粒子群的第一维度的当前全局最优值。
(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量。
在本实施例中，根据公式：
vd1＝ωvd+c1random(0,1)(pd-xd)+c2random(0,1)(pgd-xd)(1)
更新粒子的第d维度的速度矢量。
在本实施例中，根据公式：
xd1＝xd+vd(2)
更新粒子的第d维的位置矢量。
其中，第d维为第一维度、第二维度、第三维度中的任一维度；ω称为惯性因子，根据实际需求取值；c1和c2称为加速常数，根据实际需求取值；random(0,1)表示区间[0,1]上的随机数；vd为粒子的第d维度的当前速度矢量，vd1为粒子的第d维度的更新后的速度矢量；xd为粒子的第d维度的当前位置矢量，xd1为粒子的第d维度的更新后的位置矢量；pd为粒子的第d维的当前个体极值，pgd为粒子群的第d维的当前全局最优值。
(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)。
具体地，迭代终止条件可以是迭代总次数，但并不限于此。
s105、将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。
具体地，将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。
本实施例提供的基于粒子群算法的优化电池荷电状态估算用关键参数方法，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，后续可以较为准确地估算电池soc。
图2为本发明又一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的方法的流程示意图。该方法的执行主体为基于粒子群算法优化电池荷电状态估算用关键参数装置，该装置可以由软件和/或硬件的结合组成。
如图2所示，本实施例提供的基于粒子群算法的优化电池荷电状态估算用关键参数的方法，包括以下步骤：
s201、随机初始化粒子群。
s202、确定各个电池荷电状态估算用关键参数的目标函数。
s203、将各个目标函数确定为粒子的各个维度的适应度函数。
s204、进行粒子群的迭代过程。
s205、将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。
需要说明的是，本实施例中的步骤s201至s205的具体实现方式与上述实施例中的步骤s101至s105相同，在此不再赘述。
s206、根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。
具体地，根据目标电池电压、目标电池温度、目标电池电阻值优化电池荷电状态。
举例来说，根据公式：
c1＝c+λ1u+λ2t+λ3r(3)
计算当前电池荷电状态。
其中，c1为当前电池荷电状态，c为上一时刻电池荷电状态，u为当前电池电压，t为当前电池温度，r为当前电池电阻值，λ1、λ2、λ3均为系数，λ1、λ2、λ3均根据设计需求进行设定。
根据前面对粒子群算法的介绍可知，任一时刻的电池电压、电池温度、电池电阻值均可根据对应粒子的位置矢量得到，因此，由于初始时刻的电池荷电状态可以通过检测得到，故根据公式(3)可以得到任一时刻的电池荷电状态。
当结束粒子群的迭代过程时，将得到目标电池电压、目标电池温度、目标电池电阻值，这时，根据公式(3)所得到的为目标电池荷电状态。
本实施例提供的基于粒子群算法的优化电池荷电状态估算用关键参数方法，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，进而实现较为准确地估算电池soc。
图3为本发明一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置的结构示意图。该装置为上述实施例所述的基于粒子群算法优化电池荷电状态估算用关键参数的方法的执行主体，该装置可以由软件和/或硬件的结合组成。
如图3所示，本实施例提供的基于粒子群算法的优化电池荷电状态估算用关键参数的装置，包括：
初始化模块01，用于随机初始化粒子群，其中，粒子群中的每个粒子包括三维度位置矢量和三维度速度矢量，第一维度位置矢量为电池电压，第一维度速度矢量为电池电压的改变量，第二维度位置矢量为电池温度，第二维度速度矢量为电池温度的改变量，第三维度位置矢量为电池电阻值，第三维度速度矢量为电池电阻值的改变量，所述电池电压、电池温度、电池电阻值均为电池荷电状态估算用关键参数；
目标函数确定模块02，用于确定各个电池荷电状态估算用关键参数的目标函数；
适应度函数确定模块03，用于将各个目标函数确定为粒子的各个维度的适应度函数；
迭代模块04，用于进行粒子群的迭代过程，包括(1)至(3)：
(1)、根据所述粒子的各个维度的适应度函数计算当前粒子群中各个粒子的每个维度的当前适应度，根据各个粒子的每个维度的当前适应度确定各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值；
(2)、分别根据各个粒子的每个维度的当前个体极值和粒子群的各个维度的当前全局最优值，更新各个粒子的每个维度的速度矢量；分别根据各个粒子的每个维度更新后的速度矢量，更新各个粒子的每个维度的位置矢量；
(3)、判断本次迭代是否达到迭代终止条件，若达到，输出粒子群的各个维度的全局最优值，停止迭代过程；若未达到，返回执行(1)。
其中，迭代过程的第(2)步骤的具体实现方式为：
根据公式vd1＝ωvd+c1random(0,1)(pd-xd)+c2random(0,1)(pgd-xd)更新粒子的第d维度的速度矢量；
根据公式xd1＝xd+vd更新粒子的第d维的位置矢量；
其中，第d维为第一维度、第二维度、第三维度中的任一维度，ω称为惯性因子，c1和c2称为加速常数，random(0,1)表示区间[0,1]上的随机数，vd为粒子的第d维度的当前速度矢量，vd1为粒子的第d维度的更新后的速度矢量，xd为粒子的第d维度的当前位置矢量，xd1为粒子的第d维度的更新后的位置矢量，pd为粒子的第d维的个体极值，pgd为粒子群的第d维的全局最优值。
关键参数确定模块05，将粒子群的各个维度的全局最优值作为各个优化电池荷电状态估算用关键参数的目标值。
进一步地，所述关键参数确定模块05，具体用于：
将粒子群的第一维度的全局最优值作为目标电池电压，将粒子群的第二维度的全局最优值作为目标电池温度，将粒子群的第三维度的全局最优值作为目标电池电阻值。
进一步地，所述目标函数确定模块02，具体用于：
查询电池荷电状态设计需求表，分别获取不同电池电压对应的电池荷电状态、不同电池温度对应的电池荷电状态、不同电池电阻值对应的电池荷电状态；
根据不同电池电压和不同电池电压对应的电池荷电状态进行曲线拟合，得到电池电压与电池荷电状态的目标函数；
根据不同电池温度和不同电池温度对应的电池荷电状态进行曲线拟合，得到电池温度与电池荷电状态的目标函数；
根据不同电池电阻值和不同电池电阻值对应的电池荷电状态进行曲线拟合，得到电池电阻值与电池荷电状态的目标函数。
关于本实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例提供的基于粒子群算法优化电池荷电状态估算用关键参数的装置，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，后续可以较为准确地估算电池soc。
图4为本发明又一实施例的基于粒子群算法优化电池荷电状态估算用关键参数的装置的结构示意图。该装置为上述实施例所述的基于粒子群算法优化电池荷电状态估算用关键参数的方法的执行主体，该装置可以由软件和/或硬件的结合组成。
如图4所示，在图3所示的基于粒子群算法优化电池荷电状态估算用关键参数的装置的基础上，还包括：优化模块06，用于根据各个电池荷电状态估算用关键参数的目标值优化电池荷电状态。
关于本实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例提供的基于粒子群算法优化电池荷电状态估算用关键参数的装置，通过随机初始化粒子群，确定各个电池荷电状态估算用关键参数的目标函数，将各个目标函数确定粒子的各个维度的适应度函数，进行粒子群的迭代过程，将粒子群的各个维度的全局值作为各个优化电池荷电状态估算用关键参数的目标值。该方法通过粒子群算法优化电池荷电状态估算用关键参数，能够在较少的参数的情况下，以较快的收敛速度优化各个关键参数，进而实现较为准确地估算电池soc。
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多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。
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，“多个”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。
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，表示包括一个或更多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。
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：具有一个或多个布线的电连接部(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。
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，多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。
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。
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。
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。