趋势图中的纵轴极值确定方法及确定装置与流程

1.本发明涉及数据可视化技术领域，特别涉及一种趋势图中的纵轴极值确定方法及确定装置。


背景技术：

2.数据可视化是大数据时代企业经营管理过程中必不可少的数据化管理工具利器。目前常用的前端数据可视化插件例如echart，并没有针对纵轴的取值做过科学计算，而是简单的通过样本的最大值和最小值，结合两倍平均数的简单方法获取了纵轴极值。这种方法针对变化量远小于样本值的数据集，在一定时间区间内的趋势图几乎无法展示出趋势变化，导致该类型数据集在趋势线上几乎没有参考意义。当该类型数据集在小范围波动时，现有技术的这种默认纵轴极值取值无法为观察者提供有效的数据变动情况。如果针对个别指标进行手工调整，则不具备拓展性和可操作性。


技术实现要素：

3.本发明的目的是提供一种能够精确确定趋势图中纵轴极值的方案，以解决现有技术中存在的上述问题。
4.为实现上述目的，本发明提供一种趋势图中的纵轴极值确定方法，包括以下步骤：
5.获取待转化为趋势图的第一数据组；
6.确定所述第一数据组的第一特征的取值；所述第一特征包括第一最大值、第一最小值和第一最大邻近变动量；
7.根据所述第一数据组中包含的所有数值的正负属性确定趋势图中纵轴的第一极值函数，所述第一极值函数中的变量包含所述第一特征，所述正负属性用于表征所述第一数据组中的数值为正数或负数；
8.根据确定的所述第一极值函数计算所述第一数据组对应的纵轴最大值和纵轴最小值。
9.根据本发明提供的纵轴极值确定方法，所述根据所述第一数据组中包含的所有数值的正负属性确定第一极值函数的步骤包括:
10.当所述所有数值的正负属性均为正数时，所述第一极值函数表示为：
11.ymax＝xmax+x’max
12.ymin＝xmin
‑
x’max
13.上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，xmax表示所述第一数据组中的最大值，xmin表示所述第一数据组中的最小值，x’max表示所述第一数据组中任意相邻两个数值之间的最大变动值。
14.根据本发明提供的纵轴极值确定方法，所述根据所述第一数据组中包含的所有数值的正负属性确定第一极值函数的步骤包括:
15.当所述所有数值的正负属性均为负数时，确定所述第一数据组中包含的所有数值
的绝对值；
16.所述第一极值函数表示为：
17.ymax＝
‑
(|x|min
‑
x’max)
18.ymin＝
‑
(|x|max+x’max)
19.上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，|x|max表示所述绝对值中的最大值，|x|min表示所述绝对值中的最小值，x’max表示所述第一数据组中任意相邻两个数值之间的最大变动值。
20.根据本发明提供的纵轴极值确定方法，所述根据所述第一数据组中包含的所有数值的正负属性确定第一极值函数的步骤包括:
21.当所述正负类型为有正有负时，所述第一极值函数表示为：
22.ymin＝xmin；
23.ymax＝x
+
max+x’max
24.上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，|x|max表示所述绝对值中的最大值，|x|min表示所述绝对值中的最小值，x’max表示所述第一数据组中任意相邻两个数值之间的最大变动值。
25.根据本发明提供的纵轴极值确定方法，在所述获取待转化为趋势图的第一数据组的步骤之前，还包括：
26.获取样本数据组，计算所述样本数据组的候选特征，所述候选特征包括所述样本数据组的样本个数、样本最大值、样本最小值、样本平均值、样本中位数、样本标准差、样本方差、样本邻近平均变动量、样本最大邻近变动量和样本领近最小变动量；
27.基于lasso回归算法从所述候选特征中确定所述第一特征的类别。
28.根据本发明提供的极值确定方法，所述基于lasso回归算法从所述候选特征重选取目标特征的步骤包括：
29.利用lasso回归算法计算每个候选特征的系数；
30.选择系数最大的预设个数的候选特征作为所述第一特征的类别。
31.根据本发明提供的极值确定方法，所述根据确定的极值生成与所述数据组对应的趋势图的步骤之后，还包括：
32.响应于所述趋势图中的选定范围，获取所述选定范围内对应的第二数据组；
33.计算所述第二数据组对应的第二特征的取值，所述第二特征包括第二最大值、第二最小值和第二最大邻近变动量；
34.根据所述第二数据组中包含的所有数值的正负属性确定第二极值函数，所述第二极值函数中的变量包含所述第二特征；
35.根据确定的极值生成与所述第二数据组对应的纵轴极大值和纵轴极小值。
36.为实现上述目的，本发明还提供一种趋势图中的纵轴极值确定装置，包括：
37.数据获取模块，适用于获取待转化为趋势图的第一数据组；
38.特征值模块，适用于确定所述第一数据组的第一特征的取值；所述第一特征包括样本最大值、样本最小值和样本最大邻近变动量；
39.极值函数模块，适用于根据所述第一数据组中包含的所有数值的正负属性确定趋势图中纵轴的第一极值函数，所述第一极值函数中的变量包含所述第一特征，所述正负属
性用于表征所述第一数据组中的数值为正数、负数或零；
40.趋势图模块，适用于根据确定的极值函数生成与所述第一数据组对应的趋势图。
41.为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以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上述方法的步骤。
42.为实现上述目的，本发明还提供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上述方法的步骤。
43.本发明提供的趋势图极值确定方法及确定装置，提供了一种合理确定趋势图中纵轴极值的方案。本发明首先根据待转化为趋势图的数据组确定其特征值，该特征值反映了数据组的变化特征趋势；其次根据数据组中所有数值的正负属性选择不同的极值函数，该极值函数充分考虑当数据组中的数值为正数、负数和零时的分布规律，基于不同的分布规律选择不同的极值函数，可以保证纵轴极值的确定更加合理。最后在确定了极值函数的基础上，根据特征值计算极值函数的具体范围从而确定纵轴极值的最大值和最小值。本发明可以根据数据的不同正负属性动态调整趋势图中的纵坐标极值，以达到精确反应数据变化的目的。
附图说明
44.图1为本发明的纵轴极值确定方法实施例一的流程图；
45.图2为本发明实施例一中利用lasso算法导入样本数据组的示意图；
46.图3为本发明实施例一中利用lasso算法确定特征的示意图；
47.图4为本发明的纵轴极值确定装置实施例一的程序模块示意图；
48.图5为本发明的纵轴极值确定装置实施例一的硬件结构示意图。
具体实施方式
49.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
50.本发明提供一种灵活、准确的趋势图中纵坐标极值的确定方法及确定装置，从而可以根据数据的不同属性动态调整趋势图中的纵坐标极值，以达到精确反应数据变化的目的。
51.实施例一
52.请参阅图1，本实施例提出一种趋势图中的纵轴极值确定方法，包括以下步骤：
53.s100:获取待转化为趋势图的第一数据组。
54.第一数据组指的是要生成趋势图的纵轴基准数据。趋势图通常为二维平面图，具体可包括柱状图、曲线图等多种不同的表现形式。生成趋势图的基准数据通常包含二元变量x和y，其中x表示横轴的数据变量，y表示纵轴的数据变量。本提案的目标是确定趋势图中的纵轴极值，因此本步骤中只获取纵轴基准数据，对于横轴数据可以暂不做考虑。在第一数据组只包括纵轴基准数据的情况下，可以理解，第一数据组为一维数组。
55.s200:确定所述第一数据组的第一特征的取值；所述第一特征包括第一最大值、第一最小值和第一最大邻近变动量。
56.特征可以用来描述一维数组的其中一个数学指标，例如个数、最大值、最小值、平均值、中位数、标准差、方差、邻近平均变动量、邻近最小变动量等。通过选取与第一数据组相关的第一特征，可以反映第一数据组的组成规律。可以理解，第一特征的个数越多，对第一数据组的反映就越丰富。但在解决实际问题过程中，特征的个数并非越多越好。基于稀疏性假设的理论，一个数据模型的准确性仅与有限个变量有关，而与其它变量关系不大。因此从第一数据组中选择合适个数的第一特征是必要的。在本实施例中，第一特征包括第一最大值、第一最小值和第一最大邻近变动量。其中第一最大邻近变动量指的是第一数据组中任意相邻两个数值之间的最大差值。
57.s300:根据所述第一数据组中包含的所有数值的正负属性确定趋势图中纵轴的第一极值函数，所述第一极值函数中的变量包含所述第一特征值中的任意几个。
58.正负属性用于表征第一数据组中的数值为正数还是负数，为了便于计算，在一个示例中可以将零归类为正数的范畴。第一极值函数包括纵轴的极大值函数和极小值函数，可以理解，如果第一数据组中的大部分数值为正数，则趋势图中的显示区域大部分位于横轴上方；如果第一数据组中的大部分数值为负数，则趋势图中的显示区域大部分位于横轴下方；如果第一数据组中的正数和负数数量相当，则趋势图中的显示区域分布在横轴上下两侧。根据数值的正负属性确定纵轴极值，有利于使趋势图的显示区域更加合理。
59.s400:根据确定的极值函数计算与所述第一数据组对应的纵轴极大值和纵轴极小值。
60.以下详细介绍步骤s300中根据所述第一数据组中包含的所有数值的正负属性确定第一极值函数的步骤。具体分三种情况：
61.(1)当所述所有数值的正负属性均为正数时，所述第一极值函数表示为：
62.ymax＝xmax+x’max
63.ymin＝xmin
‑
x’max
64.上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，xmax表示所述第一数据组中的最大值，xmin表示所述第一数据组中的最小值，x’max表示所述第一数据组中任意相邻两个数值之间的最大变动值。
65.假设第一数据组包含[1，2，4，4，6，8，12]，可以看出其中最大值xmax为10，最小值xmin为1，x’表示任意相邻象个数值之间的变动值，通常变动值为差值的绝对值，分别计算第一数据组中相邻两个数值之间的差值绝对值，可以得出x’包含[1,2,0,2,2,4]，因此最大变动值x’max为4。由此得出，
[0066]
ymax＝xmax+x’max＝10+4＝14，
[0067]
ymin＝xmin
‑
x’max＝1
‑
4＝
‑3[0068]
也就是说，对于第一数据组[1，2，4，4，6，8，12]，对应趋势图中纵轴最大值为14，纵轴最小值为
‑
3。这样的纵轴极值范围可以保证趋势图中数据的分布较为合理。作为更优选地实施例，当xmin＝0时，可以令ymin＝0。
[0069]
(2)当所述所有数值的正负属性均为负数时，需要首先确定所述第一数据组中包含的所有数值的绝对值。此时纵轴第一极值函数可以表示为：
[0070]
ymax＝
‑
(|x|min
‑
x’max)
[0071]
ymin＝
‑
(|x|max+x’max)
[0072]
上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，|x|max表示所述绝对值中的最大值，|x|min表示所述绝对值中的最小值，x’max表示所述第一数据组中任意相邻两个数值之间的最大变动值。
[0073]
假设第一数据组包含[
‑
1，
‑
2，
‑
4，
‑
4，
‑
6，
‑
8，
‑
12]。对第一数据组中包含的所有数值取绝对值，得到[1，2，4，4，6，8，12]。可以看出其中最大绝对值|x|max为12，最小绝对值|x|min为1，x’表示任意相邻象个数值之间的变动值，通常变动值为差值的绝对值，分别计算第一数据组中相邻两个数值之间的差值绝对值，可以得出x’包含[1,2,0,2,2,4]，因此最大变动值x’max为4。由此得出：
[0074]
ymax＝
‑
(|x|min
‑
x’max)＝
‑
(1
‑
4)＝3
[0075]
ymin＝
‑
(|x|max+x’max)＝
‑
(12+4)＝
‑
16
[0076]
也就是说，对于第一数据组[
‑
1，
‑
2，
‑
4，
‑
4，
‑
6，
‑
8，
‑
12]，对应趋势图中纵轴最大值为3，纵轴最小值为
‑
16。这样的纵轴极值范围可以保证趋势图中数据的分布较为合理。作为更优选地实施例，当xmax＝0时，可以令ymax＝0。
[0077]
(3)当所述正负类型为有正有负时，趋势图中纵轴第一极值函数可以表示为：
[0078]
ymin＝xmin；
[0079]
ymax＝x
+
max+x’max
[0080]
上式中，x
+
max表示第一数组中正样本的最大值。
[0081]
假设第一数据组包含[
‑
1，
‑
2，
‑
4，4，6，
‑
8，12]。其中xmin＝
‑
1，x’表示任意相邻象个数值之间的变动值，通常变动值为差值的绝对值，分别计算第一数据组中相邻两个数值之间的差值绝对值，可以得出x’包含[1,2,0,2,14,20]，因此最大变动值x’max为20。正样本最大值x
+
max＝12。可以得出：
[0082]
ymin＝xmin＝
‑
1；
[0083]
ymax＝x
+
max+x’max＝12+20＝32
[0084]
也就是说，对于第一数据组[
‑
1，
‑
2，
‑
4，4，6，
‑
8，12]，对应趋势图中纵轴最大值为
‑
1，纵轴最小值为32。可以看出，当第一数据组中地数值相邻变动量较大时，纵轴极大值和极小值之间地跨度也比较大，从而可能更好地反映数据的变化情况。相应地，本步骤还可以根据纵轴极大值和纵轴极小值生成第一趋势图，该趋势图中的纵轴极值处于合理的变化范围之内，有利于精确反应数据的微小变化。
[0085]
进一步，在所述获取待转化为趋势图的第一数据组的步骤之前，还包括：
[0086]
s010:获取样本数据组，计算所述样本数据组的多个候选特征，所述候选特征包括所述样本数据组的样本个数、样本最大值、样本最小值、样本平均值、样本中位数、样本标准差、样本方差、样本邻近平均变动量、样本最大邻近变动量和样本领近最小变动量；
[0087]
s020:基于lasso回归算法从所述候选特征中确定所述第一特征的类别。其中第一特征值的类别，表示第一特征中包含哪些具体的特征变量。
[0088]
样本数据组通常包括多个离散数值，这些离散数值可以用多种数学特征进行表示，例如最大值、最小值、平均值、中位数、标准差、方差、邻近平均变动量、最大邻近变动量、领近最小变动量等，上述特征可以作为本实施例的样本数据组的候选特征。如前所述，一个
数据模型的准确性仅与有限个变量有关，而与其它变量关系不大。因此从多个候选特征中选择合适个数的第一特征是必要的。为了确定在上述特征中确定影响最大的特征变量，本提案采用了lasso算法。lasso算法可以在变量众多的时候快速有效地提取出重要变量，从而简化模型。
[0089]
进一步，所述基于lasso回归算法从所述候选特征中确定第一特征的类别的步骤包括：
[0090]
s021:利用lasso回归算法计算每个候选特征的系数；
[0091]
s022:选择系数最大的预设个数的候选特征作为所述第一特征的类别。
[0092]
lasso算法具体可以通过r语言中的glmnet函数实现。具体的，利用glmnet函数建立多个候选特征变量与样本数据组的纵轴极大值和纵轴极小值之间的变化模型，其中每个候选特征变量具有各自的系数。首先导入样本数据组以及对应纵轴极值的数据，如图2所示。其次利用glmnet函数计算每个候选特征变量对应的系数，如图3所示。图3中的系数x1、x2、x3、x4等分别对应最大值、最小值、平均值、中位数、标准差、方差、邻近平均变动量、最大邻近变动量、领近最小变动量中的其中一个。可以看出，绝对值最大的系数分别对应x1、x2和x9。
[0093]
选择绝对值较大的几个系数对应的候选特征变量。上图中绝对值最大的三个系数对应的候选特征变量分别为最大值、最小值和最大邻近变动量。
[0094]
在一个示例中，所述根据确定的极值生成与所述数据组对应的趋势图的步骤之后，还包括：
[0095]
s500:响应于所述趋势图中的选定范围，获取所述选定范围内对应的第二数据组。
[0096]
上述趋势图中的选定范围可以是第一数据组中的数据范围，表现在趋势图中就是横轴中的一段范围。例如第一数据组中包含的所有数值的范围在[0,100]之间，选定范围可以是[20,50]之间。上述选定范围可以直接在趋势图中以特定手势确定，例如在选定范围内滑动、画圈等。
[0097]
s600:计算所述第二数据组对应的第二特征的取值。与第一特征类似，该第二特征可以包括第二最大值、第二最小值和第二最大邻近变动量。
[0098]
s700:根据所述第二数据组中包含的所有数值的正负属性确定第二极值函数，所述第二极值函数中的变量包含所述第二特征。可以理解，如果第二数据组中的大部分数值为正数，则趋势图中的显示区域大部分位于横轴上方；如果第二数据组中的大部分数值为负数，则趋势图中的显示区域大部分位于横轴下方；如果第二数据组中的正数和负数数量相当，则趋势图中的显示区域分布在横轴上下两侧。确定第二极值函数的过程与步骤s300中确定第一极值函数的过程类似，具体包括：
[0099]
(1)当所述所有数值的正负属性均为正数时，所述第二极值函数表示为：
[0100]
xmax＝xmax+x’max
[0101]
ymin＝xmin
‑
x’max。
[0102]
上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，xmax表示所述第二数据组中的最大值，xmin表示所述第二数据组中的最小值，x’max表示所述第二数据组中任意相邻两个数值之间的最大变动值。
[0103]
(2)当所述所有数值的正负属性均为负数时，需要首先确定所述第二数据组中包
含的所有数值的绝对值。此时纵轴第二极值函数可以表示为：
[0104]
ymax＝
‑
(|x|min
‑
x’max)
[0105]
ymin＝
‑
(|x|max+x’max)
[0106]
上式中，ymax表示纵轴极大值，ymin表示纵轴极小值，|x|max表示所述绝对值中的最大值，|x|min表示所述绝对值中的最小值，x’max表示所述第二数据组中任意相邻两个数值之间的最大变动值。
[0107]
(3)当所述正负类型为有正有负时，趋势图中纵轴第二极值函数可以表示为：
[0108]
ymin＝xmin；
[0109]
ymax＝x
+
max+x’max
[0110]
上式中，x
+
max表示第二数组中正样本地最大值。
[0111]
s800:根据确定的极值计算与所述第二数据组对应的纵轴极大值和纵轴极小值，并生成对应的第二趋势图。
[0112]
可以理解，第二数据组是第一数据组的一部分，但第二趋势图并不仅仅是对第一趋势图中的局部放大。实际上，第二趋势图在第一趋势图的基础上，根据第二数据组中的数据对纵轴极大值和极小值重新进行了确定，从而使得第二趋势图处于合理的展示范围之内，可以更加清楚准确地反映数据变化情况。
[0113]
请继续参阅图4，示出了一种趋势图中的纵轴极值确定装置，在本实施例中，纵轴极值确定装置40可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述纵轴极值确定方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述纵轴极值确定装置40在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
[0114]
数据获取模块41，适用于获取待转化为趋势图的第一数据组；
[0115]
特征值模块42，适用于确定所述第一数据组的第一特征的取值；所述第一特征包括样本最大值、样本最小值和样本最大邻近变动量；
[0116]
极值函数模块43，适用于根据所述第一数据组中包含的所有数值的正负属性确定趋势图中纵轴的第一极值函数，所述第一极值函数中的变量包含所述第一特征，所述正负属性用于表征所述第一数据组中的数值为正数或负数；
[0117]
极值计算模块44，适用于根据确定的极值函数计算与所述第一数据组对应的纵轴最大值和纵轴最小值。
[0118]
进一步，本实施例的纵轴极值确定装置40还包括：
[0119]
第二数据获取模块45，适用于响应于所述趋势图中的选定范围，获取所述选定范围内对应的第二数据组；
[0120]
第二特征计算模块46，适用于计算所述第二数据组对应的第二特征的取值，所述第二特征包括第二最大值、第二最小值和第二最大邻近变动量；
[0121]
第二极值函数模块47，根据所述第二数据组中包含的所有数值的正负属性确定第二极值函数，所述第二极值函数中的变量包含所述第二特征；
[0122]
第二极值计算模块48，适用于根据确定的极值计算与所述第二数据组对应的纵轴极大值和纵轴极小值。
[0123]
本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备50至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图5所示。需要指出的是，图5仅示出了具有组件51
‑
52的计算机设备50，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0124]
本实施例中，存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器51可以是计算机设备50的内部存储单元，例如该计算机设备50的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备50的外部存储设备，例如该计算机设备50上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器51还可以既包括计算机设备50的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备50的操作系统和各类应用软件，例如实施例一的纵轴极值确定装置40的程序代码等。此外，存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0125]
处理器52在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备50的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行纵轴极值确定装置40，以实现实施例一的纵轴极值确定方法。
[0126]
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储纵轴极值确定装置40，被处理器执行时实现实施例一的纵轴极值确定方法。
[0127]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0128]
流程图中或在此以其它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特定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。
[0129]
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。
[0130]
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一定指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何的
一个或多个实施例或示例中以合适的方式结合。
[0131]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
[0132]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。