模糊模型粒子滤波方法、装置、设备及存储介质与流程

本发明涉及目标跟踪技术领域，尤其涉及一种模糊模型粒子滤波方法、装置、设备及存储介质。

背景技术：

目标跟踪在军事和民用领域，比如在空中交通控制和空防，都有着广泛地应用，而随着现代航空航天技术的飞速发展，各种飞行器的航行速度和机动性能越来越高，对目标跟踪也提出越来越高的要求。其中，目标跟踪的难点在于目标机动性的难以确定和量测源的难以确定。针对机动模型不确定性，现有技术人员对机动目标建模办法展开了一些研究，其中，交互式多模型(interactingmultiplemodel，imm)算法被认为是迄今为止最有效的算法之一，它通过对目标机动方式的多模型假设来实现“均衡”的跟踪。

传统的imm算法是基于卡尔曼滤波算法的，但卡尔曼滤波算法在非线性系统中存在局限性，目前还很难满足实际应用中非线性非高斯随机系统状态估计提出的实时性、鲁棒性和准确性的要求。

技术实现要素：

本发明提供了一种模糊模型粒子滤波方法、装置、设备及存储介质，可以解决现有技术中针对机动目标跟踪系统中动态系统模型的不确定性问题。

具体的，本发明第一方面提供一种模糊模型粒子滤波方法，该方法包括：

构建跟踪目标对应的t-s模糊模型；

利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值；

利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值；

利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。

可选的，所述构建跟踪目标对应的t-s模糊模型的步骤之后，还包括：

用多个语义模糊集对所述t-s模糊模型中的目标空时特征信息进行模糊表示，并基于所述多个语义模糊集之间的贴近度，得到所述多个语义模糊集之间的概率转换模型，以及建立所述多个语义模糊集之间的交互概率，以实现所述多个语义模糊集之间的模糊交互过程。

可选的，所述利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值，包括：

利用所述强跟踪粒子滤波算法，根据最新观测信息与所述t-s模糊模型的预测观测信息之间的新息来自适应的调整遗忘因子和软化因子；

通过计算得到的消褪因子调整新息协方差以及滤波增益，得到所述状态更新值与状态协方差估计值。

可选的，所述利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值，包括：

将前件参数隶属度函数设定为预设的高斯型函数；

调用预置的目标函数，利用所述目标函数的模糊隶属度，计算所述高斯型函数中的模糊函数均值和标准差；

基于所述模糊函数均值和标准差，得到所述前件参数隶属值。

本发明第二方面提供一种模糊模型粒子滤波装置，该装置包括：

构建模块，用于构建跟踪目标对应的t-s模糊模型；

第一辨识模块，用于利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值；

第二辨识模块，用于利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值；

更新模块，用于利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。

可选的，所述装置还包括：

模糊交互模块，用于用多个语义模糊集对所述t-s模糊模型中的目标空时特征信息进行模糊表示，并基于所述多个语义模糊集之间的贴近度，得到所述多个语义模糊集之间的概率转换模型，以及建立所述多个语义模糊集之间的交互概率，以实现所述多个语义模糊集之间的模糊交互过程。

可选的，所述第一辨识模块具体用于：

利用所述强跟踪粒子滤波算法，根据最新观测信息与所述t-s模糊模型的预测观测信息之间的新息来自适应的调整遗忘因子和软化因子；

通过计算得到的消褪因子调整新息协方差以及滤波增益，得到所述状态更新值与状态协方差估计值。

可选的，所述第二辨识模块具体用于：

将前件参数隶属度函数设定为预设的高斯型函数；

调用预置的目标函数，利用所述目标函数的模糊隶属度，计算所述高斯型函数中的模糊函数均值和标准差；

基于所述模糊函数均值和标准差，得到所述前件参数隶属值。

本发明第三方面提供一种电子设备，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，实现本发明第一方面提供的模糊模型粒子滤波方法中的各个步骤。

本发明第四方面提供一种存储介质，所述存储介质为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，实现本发明第一方面提供的模糊模型粒子滤波方法中的各个步骤。

本发明提供的模糊模型粒子滤波方法，包括：构建跟踪目标对应的t-s模糊模型；利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值；利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值；利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。相较于现有技术，本发明提供的模糊模型粒子滤波方法跟踪性能更优，在被跟踪目标突然发生方向改变或目标的动态先验信息不精确等复杂情况时，仍能够有效地对目标进行精确跟踪。

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为本发明实施例中模糊模型粒子滤波方法的步骤流程示意图；

图2为本发明实施例中模糊模型粒子滤波方法的框架示意图；

图3为本发明实施例中模糊模型粒子滤波装置的程序模块示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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，针对机动目标跟踪系统中动态系统模型的不确定性问题，提出了一种模糊模型粒子滤波方法，该方法中，用多个语义模糊集对目标特征信息进行模糊表示，并基于语义模糊集间的贴近度推导了语义模糊集间的概率转换模型，以此代替模型间的交互转移概率，构建出了一个通用的交互t-s模糊模型框架；另外，本方法提出基于修正的强跟踪的粒子滤波算法实现对后件参数的辨识，基于空时信息模糊c回归聚类算法实现对的t-s模糊模型前件参数辨识，以强跟踪的估计结果构建粒子滤波的重要性密度函数，从而可以有效地解决粒子退化问题。

参照图1，图1为本发明实施例中模糊模型粒子滤波方法的步骤流程示意图，本发明实施例中，上述方法包括：

步骤101、构建跟踪目标对应的t-s模糊模型；

步骤102、利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值；

步骤103、利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值；

步骤104、利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。

具体的，首先，本实施例提供一种非线性离散的系统模型：

xk＝fk(xk-1,ek-1)(1)

zk＝hk(xk,vk)(2)

在式(1)与式(2)中fk:和hk:是一些已知的非线性函数，是系统在k时刻的状态，是k时刻的测量矩阵，和表示过程噪声和测量噪声。由于上述非线性系统中经常存在目标运动模型的不确定性问题，本实施例提出使用t-s模糊模型来构建目标运动模型，t-s模糊模型把非线性系统分成多个线性子系统，且每个模型融合了目标空时特征，通过定义空时特征的多个模糊语义集合，可构建出更加精确的目标运动模型。对于加入目标特征信息的t-s模糊模型，每条线性模型规则定义如下：

模型i：

其中表示规则的前件参数，表示模型i中第g个前件参数对应的模糊集，和分别表示状态转移矩阵和观测矩阵。分别为第i个模型过程噪声和观测噪声，为k时刻第i个模型的状态估计结果。

本实施例根据传统多模型方法中的交换动力学模型，使得状态模型可以在定义的模糊集之间进行交换，自动实现参数从一种模糊集到另一种模糊集的模式转换过程，有助于估计出更精确的状态空间变量。对于后件参数的辨识，传统的t-s模糊模型都采用最小二乘或加权最小二乘方法，而前件参数则使用模糊c均值算法。在本实施例中，则分别使用了强跟踪粒子滤波算法和模糊c回归聚类算法。

进一步地，本发明实施例中，在步骤101之后，还包括：

用多个语义模糊集对所述t-s模糊模型中的目标空时特征信息进行模糊表示，并基于所述多个语义模糊集之间的贴近度，得到所述多个语义模糊集之间的概率转换模型，以及建立所述多个语义模糊集之间的交互概率，以实现所述多个语义模糊集之间的模糊交互过程。

上述步骤102中描述的利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值，具体包括：

步骤a、利用所述强跟踪粒子滤波算法，根据最新观测信息与所述t-s模糊模型的预测观测信息之间的新息来自适应的调整遗忘因子和软化因子；

步骤b、通过计算得到的消褪因子调整新息协方差以及滤波增益，得到所述状态更新值与状态协方差估计值。

为了更好的理解本发明实施例，参照图2，图2为本发明实施例中模糊模型框架示意图，从图2中可以看出，本实施例所提供的模糊模型粒子滤波方法主要包括以下五个部分：

1)用多个语义模糊集对所述t-s模糊模型中的目标空时特征信息进行模糊表示，并基于所述多个语义模糊集之间的贴近度，得到所述多个语义模糊集之间的概率转换模型，以及建立所述多个语义模糊集之间的交互概率，以实现所述多个语义模糊集之间的模糊交互过程。

2)使用基于修正的强跟踪粒子滤波算法，对t-s模糊模型的后件参数进行辨识，本实施例使用的修正的强跟踪粒子滤波算法，可以根据最新观测信息与每个t-s模糊模型预测观测信息之间的新息来自适应的调整遗忘因子和软化因子，再通过计算得到的消褪因子调整新息协方差以及滤波增益，以此得到更加精确的状态更新值与状态协方差估计值，并使用估计结果构建粒子滤波算法的重要密度函数，从而减少粒子退化问题。

3)通过基于空时信息模糊c回归聚类算法对t-s模糊模型的前件参数隶属度函数进行辨识。

4)模型概率更新。

5)滤波和融合阶段，即状态更新及协方差估计。其中，和分别表示k-1时刻模型i的状态和协方差估计，和分别表示k-1时刻模型i的混合状态和混合协方差估计，和pk分别表示k时刻目标状态和协方差估计值。

进一步的，在本实施例中，t-s模糊模型的交互，主要包括：

考虑g个目标空时特征信息，其中目标特征m采用nm个语言值描述，nm个语言值对应的语义模糊集和模糊集隶属函数分别为和设ck,m为k时刻的离散变量，ck,m∈{1,...,nm}表示特征m语言模糊集的编号。将ck看作一个马尔科夫过程，根据相近语义具有相似性的特点，利用模糊集的贴近度定义，在ck-1,m和z条件下，转移概率p(ck,m＝l|ck-1,m＝h,z)可以定义如下：

其中，ρ(l,h)表示模糊集al和之间ah的贴近度，z表示所有可能的模糊事件。假设每个模糊模型有g特征(前件变量)，则语言值数量可以表示为{nm}m＝1:g。则概率转移矩阵π可以计算如下：

其中sr表示第r个模糊模型第m个特征的语言值编号，hi表示第i个模糊模型第m个特征的语言值编号，于是可得到概率转移矩阵π如下：

两个模糊集之间的相似程度用贴近度来描述，在本实施例中，目标空时特征语义模糊集的隶属函数选用高斯型函数，则计算两个高斯函数的贴近度ρ(l,h)定义如下：

其中和i,r＝1,2,...,nm,m＝1,2,...,g分别表示两个模糊集合的内积和外积，内积越大，外积越小，模糊集越贴近，且

其中∨,∧分别表示取大，取小运算。由于模糊语义集合的隶属函数均为高斯型函数，假设模糊集的隶属函数的均值分别为标准差为利用模糊集合之间运算关系可得：

转移概率矩阵可以利用式(6)进行计算，在矩阵π的基础上，模糊交互可以定义如下：

模型概率预测:

概率混合:

模型j混合初始状态:

相应的状态协方差：

进一步的，在本实施例中，基于修正的强跟踪粒子滤波算法，主要包括：

基于式(15)-(16)求得的和上述强跟踪粒子滤波算法具体如下：

是k时刻第i条规则的新息，为了使状态估计更加平滑，利用新息协方差矩阵的影响，引入软化因子遗忘因子消褪因子因此，改进的新息协方差矩阵如下所示：

为过程噪声方差矩阵，为观测噪声方差矩阵。经过修正因子m修正后的消褪因子初始值λ'0定义如下所示：

其中，

修正因子定义如下：

a,b为常数，结合修正的消褪因子，预测协方差和滤波增益可写成：

状态和状态协方差的更新如下：

其中表示k时刻模型i的状态估计值，表示k时刻模型i的状态协方差。

假定k时刻的粒子集为其中m为粒子数，在空间特征信息m＝1,...,g的约束下，为各粒子相应的权重，且则有：

其中，δ(·)为dirac-delta函数，且权重计算存在以下形式：

根据贝叶斯估计的序贯重要性采样滤波思想，为了计算一个后验概率密度函数的序贯估计，假设后验概率分布如下：

基于粒子和

更新权重：

其中，表示似然函数，为状态转移函数，为重要密度函数。

于是，根据式(24)和(25)获得的t-s模糊模型状态估计以及协方差估计对于每个粒子，以状态估计以及协方差估计构建该粒子的重要性密度函数：

结合上式和权重更新公式得到粒子权重计算如下：

进一步地，在本实施例中，基于模糊c回归聚类算法对t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值，包括：

前件参数的模糊隶属函数设定为高斯型函数如下：

其中，和分别表示第i个模型中第m个前件参数的隶属度函数的均值和标准差。

假设是一个观测集，是一个预测观测集，zk，l表示l^th观测，同时表示k时刻基于模糊规则i^th的预测观测。由于目标空时特征信息θk涵盖着丰富的实时地体现目标运动趋势的信息，但在传统的模糊c回归聚类算法无法体现出这个特征，其计算的隶属度的过程中只是针对单个数据，却忽略了数据之间相互影响的信息，且在数据同时跟两个或多个聚类中心距离都较小时，容易发生错误聚类。同时，为了判别t-s模糊语义模型估计结果与观测zk,l之间的相似度，本实施例引入相关熵标准，结合空间约束信息θk，将目标函数定义如下：

其中，n是加权指数，一般情况下为2，κσ(·)是高斯核函数，λk为拉格朗日乘子向量，β是一个常量，表示模型i中特征m的权重，是k时刻l^th观测属于i^th模型的模糊隶属度，满足表示观测l与模型i预测观测之间的度量函数，它的表示如下：

称为给定目标状态的观测zk,l似然函数。是由方程(18)得到的新息协方差矩阵。

根据目标函数对求偏导，得到隶属度更新表达式：

因此，对i^th模糊规则在时间k上的模糊隶属度进行了如下计算：

当隶属度矩阵u由式子(38)计算后，即可用到t-s模糊模型的参数识别的式(39)中。

进一步地，模型概率自适应更新，包括：

使用t-s模糊模型中前件参数隶属度实现模型概率自适应更新，更新如下所示：

对其标准化：

进一步地，在本实施例中，模型融合，包括：

根据传统的多模型算法中模型融合办法，输出状态及协方差估计如下所示：

基于以上实施例，本实施例所提供的模糊模型粒子滤波方法具体可以概括为以下几个步骤：

1、系统初始化，使k＝0；设定模型数为nf，从先验概率p(x0)中抽取粒子状态m为粒子数。

2、fork＝1,2,…

2.1、模糊交互

用式(8)计算各个语义模糊集贴近度ρ(li,hr)；

通过式(6)获得各个模糊集之间转移概率πi，r；

模型概率预测：

混合概率：

混合初始状态估计：

混合初始状态协方差：

2.2、t-s模糊模型参数辨识

2.2.1、后件参数辨识：通过粒子滤波算法实现后件参数辨识。

通过式(17)-(25)实现强跟踪算法；

通过式(31)构建重要密度函数，并从重要性密度函数采样得到k时刻粒子集

通过式(32)计算权值及归一化

状态更新及状态协方差估计：

2.2.2、前件参数辨识：使用基于空间信息的模糊c回归聚类算法对前件参数辨识。

通过式(38)计算模糊隶属度。

由式(39)得到模糊函数均值和标准差。

前件参数隶属函数计算如下:

2.3、模型概率更新及融合

模型概率：

标准化：

多模型融合状态估计：

多模型融合协方差估计：

本发明实施例与现有技术的主要区别包括：(1)针对目标动态模型的不确定性建模问题，本实施例采用空间约束的t-s模糊模型，其中的空间特征信息用多个语义模糊集表示，并基于语义模糊集合间的贴近度推导了语义模糊集间的概率转换模型，以此代替模型间的交互转移概率，构建出了一个通用的交互t-s模糊模型框架，以较高的精度逼近动态模型；(2)本实施例提供了一种模糊c-回归聚类方法，并基于修正的强跟踪的粒子滤波算法实现对后件参数的辨识，基于空时信息模糊c回归聚类算法实现对的t-s模糊模型前件参数辨识；(3)本实施例使用基于修正的强跟踪粒子滤波算法的估计结果构造重要度密度函数，有效地提高了粒子的鲁棒性和多样性，使得跟踪算法的性能更具有鲁棒性。

本发明提供的模糊模型粒子滤波方法，包括：构建跟踪目标对应的t-s模糊模型；利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值；利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值；利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。相较于现有技术，本发明提供的模糊模型粒子滤波方法跟踪性能更优，在被跟踪目标突然发生方向改变或目标的动态先验信息不精确等复杂情况时，仍能够有效地对目标进行精确跟踪。

进一步地，本发明实施例还提供一种模糊模型粒子滤波装置，参照图3，图3为本发明实施例中模糊模型粒子滤波装置的程序模块示意图，本实施例中，上述装置包括：

构建模块301，用于构建跟踪目标对应的t-s模糊模型。

第一辨识模块302，用于利用预置的强跟踪粒子滤波算法对所述t-s模糊模型的后件参数进行辨识，得到状态更新值与状态协方差估计值。

第二辨识模块303，用于利用预置的模糊c回归聚类算法对所述t-s模糊模型的前件参数隶属度函数进行辨识，得到前件参数隶属值。

更新模块304，用于利用所述状态更新值、所述状态协方差估计值以及所述前件参数隶属值，对所述t-s模糊模型进行更新。

进一步地，上述装置还包括：

模糊交互模块，用于用多个语义模糊集对所述t-s模糊模型中的目标空时特征信息进行模糊表示，并基于所述多个语义模糊集之间的贴近度，得到所述多个语义模糊集之间的概率转换模型，以及建立所述多个语义模糊集之间的交互概率，以实现所述多个语义模糊集之间的模糊交互过程。

进一步地，上述第一辨识模块302具体用于：

利用所述强跟踪粒子滤波算法，根据最新观测信息与所述t-s模糊模型的预测观测信息之间的新息来自适应的调整遗忘因子和软化因子；通过计算得到的消褪因子调整新息协方差以及滤波增益，得到所述状态更新值与状态协方差估计值。

进一步地，上述第二辨识模块303具体用于：

将前件参数隶属度函数设定为预设的高斯型函数；调用预置的目标函数，利用所述目标函数的模糊隶属度，计算所述高斯型函数中的模糊函数均值和标准差；基于所述模糊函数均值和标准差，得到所述前件参数隶属值。

本发明提供的模糊模型粒子滤波装置，跟踪性能更优，在被跟踪目标突然发生方向改变或目标的动态先验信息不精确等复杂情况时，仍能够有效地对目标进行精确跟踪。

进一步地，本申请实施例还提供一种设备，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，处理器执行计算机程序时，实现上述任意一个实施例中的模糊模型粒子滤波方法中的各个步骤。

其中，处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本申请实施例还提供一种可读存储介质，该可读存储介质为计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述实施例中任意一个实施例中的模糊模型粒子滤波方法中的各个步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本申请所提供的一种模糊模型粒子滤波方法、装置、设备及存储介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。