基于区块链的在线教育方法及在线教育平台与流程

本申请涉及计算机技术领域，特别是涉及一种基于区块链的在线教育方法及在线教育平台。

背景技术：

在线教育平台，是通过应用信息科技和互联网技术进行内容传播和快速学习的方法。在线教育是电子化的学习、有效率的学习、探索的学习、经验的学习、拓展的学习、延伸的学习、易使用的学习、增强的学习。美国是在线教育的发源地，有60％的企业通过网络的形式进行员工培训。1998年以后，在线教育在世界范围内兴起，从北美、欧洲迅速扩展到亚洲地区。越来越多的国内企业对在线教育表示了浓厚兴趣，并开始实施在线教育解决方案。

目前，在线教育的方法多种多样，如在专利文件：基于云端大数据计算的在线教育处理方法及在线教育平台中，公开了不同的在线教育终端设备的小组分组申请所对应的申请类别是不同的，这样能够基于组员申请和组长申请两种申请类别来获取不同在线教育终端设备各自对应的数据。进一步在确定作为组长设备的第二在线教育终端设备不存在爬虫程序的前提下获取第一设备签名密钥和第二设备签名密钥。这样可以在根据第一设备签名密钥和第二设备签名密钥检测出分组线程存在数据窃取风险时中止分组线程的运行。

该文件中的技术方案实现了在确保在不同组长设备对应的交互状态下进行分组时，组员设备的隐私数据的安全性。

又如申请号为cn201911004743.5的文件中公开了一种基于区块链平台的在线教育管理验证系统，可将在线教育系统账户与区块链数字身份进行绑定；所述在线教育机构将电子版证书颁发给符合条件的用户，并将所述电子版证书存入所述区块链；所述电子版证书及被授予人信息写入所述区块链智能合约。该发明提升了在线教育平台颁发证书的可追溯性、不可纂改性、透明性。

该专利文件中实现了使在线教育平台颁发证书更具有价值，同时也让证书可以通过自动化的方式进行验证其有效与真实性，容易被人力资源部门接受与认可，提升在线教育平台的价值。

但是上述专利中公开的技术方案均存在一些弊端，如在实际线上学习过程中，不可避免会使用到有关学习的图片，对于这些学习类图像，常采用神经网络学习来增强其内部的学习功能，而现有技术中则常不能对这些学习图像数据进行有效处理，进而导致不能有效图像增强网络的学习，影响在线教学的教学效率及在线教育平台的功能。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高有效图像增强网络的学习功能，提升在线教学的教学效率的基于区块链的在线教育方法及在线教育平台。

本发明技术方案如下：

一种基于区块链的在线教育方法，所述方法包括：

步骤s100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；

步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；

步骤s300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；

步骤s400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。

具体地，所述学习图像数据集为图像超解析度重建数据集；

步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像，具体包括：

步骤s210：从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；

步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；

步骤s230：将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。

具体地，所述图像增强网络包括依次连接的第一卷积层、若干个卷积稠密残差模块、第二卷积层、亚像素卷积层以及第三卷积层，各个卷积稠密残差模块进行跨层连接，第一卷积层与第二卷积层具有相同的卷积核数量；其中，所述卷积稠密残差模块又包括卷积层和稠密残差单元，稠密残差单元之前的卷积层用于对输入进行维度的调整；其中，稠密残差单元又包括n个卷积层，在同一稠密残差单元内的任意两个卷积层之间均可直接连接，每一层都从同一稠密残差单元内的所有先前层获取数据；

步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；具体包括：

步骤s221：累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；

步骤s222：除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；

步骤s223：将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。

具体地，步骤s230中将待增强的图像输入学习好的图像增强网络的第一卷积层基于以下公式进行卷积运算：

公式为；

其中，f(τ)和g(x-τ)为图像增强网络的第一卷积层中的两个可积函数。

具体地，所述方法还包括：

步骤s510：在载入不同的网络后，生成在校教育评测界面，所述在校教育评测界面上设有多个评测反馈文件；

步骤s520：获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；

步骤s530：将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。

具体地，一种基于区块链的在线教育平台，所述平台包括：

图像数据获取模块，用于获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；

增强学习模块，用于基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；

依序存储模块，用于将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；

网络载入模块，用于根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。

具体地，所述增强学习模块包括：

图像增容模块，用于从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；

网络收敛模块，用于构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；

图像学习模块，用于将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。

具体地，所述网络收敛模块包括：

累加特征模块，用于累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；

亚像素卷积模块，用于除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；

批量输入模块，用于将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于区块链的在线教育方法所述的步骤。

一种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基于区块链的在线教育方法所述的步骤。

本发明实现技术效果如下：

1、上述基于区块链的在线教育方法及在线教育平台，依次通过获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链，进而实现提高有效图像增强网络的学习功能，提升在线教学的教学效率。

2、本发明通过利用图像超解析度重建数据集构建学习图像数据集，并采取数据增容方法来增加学习图像数据集的数据量，从而有利于图像增强网络的学习；

2、本发明由于卷积稠密残差模块通过稠密连接的卷积层丰富提取局部特征，并通过稠密残差单元的最后一层融合局部特征，从而能用于局部特征中自适应地学习更有效地特征；

3、本发明通过图像增强网络中的残差网络、稠密网络等结构进行特征复用与特征融合，并使用卷积稠密残差模块作为网络的基本模块，再使用亚像素卷积取代传统的反卷积，使用全卷积神经网络的结构，从而使得网络能够接受任意尺寸的输入，增强了网络的泛用性；

4、本发明中，由于本网络中除亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理，所以能保证在卷积过程中特征图的尺寸大小不发生变化，提高了图像处理的准确性。

5、本发明的图像增强网络基于全卷积神经网络，且通过残差连接和稠密连接来完成对原始图像的各级特征融合，并结合亚像素卷积层进行上采样，增大图像尺寸，最终得到增强学习图像，这样，可以接受任意大小的网络输入，且能同时完成提升对比度、解析度和去噪等多方面的增强，且在各方面都能达到较好的增强效果；

6、本发明的一个卷积稠密残差模块的输出可以直接输入至下一个卷积稠密残差模块，所以可以产生连续的状态传递，从而使得网络的学习更加稳定。

附图说明

图1为一个实施例中基于区块链的在线教育方法的流程示意图；

图2为一个实施例中基于区块链的在线教育装置的结构框图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种基于区块链的在线教育方法，所述方法包括：

步骤s100：获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；

具体地，学生或者其他用户在线学习时，在学习过程中所保存的学习图像即为所述在线学习的学习图像数据。所述学习图像数据包括包含学习过程中的课程信息、课程公式、知识要点解析、课堂讲义以及题目解析。

步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；

具体地，通过经过图像增强处理得到所述增强学习图像，这样，可以接受任意大小的网络输入，且能同时完成提升对比度、解析度和去噪等多方面的增强，且在各方面都能达到较好的增强效果。

步骤s300：将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；

本步骤中，所述在线学习模型库用于存储所述增强学习图像，并且，所述所述增强学习图像能够根据所述增强学习图像的图像录入顺序，依次将各所述增强学习图像存储。

具体地，在存储时，同时对录入的各所述增强学习图像增加录入时间标签，以方便在排练所述增强学习图像时按照所述录入时间标签来排序，方便快捷。

进一步地，在对录入的各所述增强学习图像增加录入时间标签的同时，亦对各所述增强学习图像增加标签标识，一个所述标签标识对应一个所述增强学习图像。所述标签标识的设置，方便后续在查询所述增强学习图像时，能够快速根据查询标签标识来查询到对应的所述增强学习图像，提升数据查询处理效率。

步骤s400：根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。

本步骤中，通过基于区块链技术将经所述网络载入端口载入的信息哈希上链，实现了利用区块链技术来将载入的不同的网络的上链保存。

在一个实施例中，基于区块链技术，也可以将经所述网络载入端口载入的信息通过内容存证的方式来上链保存。

本发明依次通过获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链，进而实现提高有效图像增强网络的学习功能，提升在线教学的教学效率。

在一个实施例中，所述学习图像数据集为图像超解析度重建数据集；

步骤s200：基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像，具体包括：

步骤s210：从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；

本步骤中，先裁剪出若干张预设大小的图像，实现对数据的分支化处理，通过将一个大的数据裁剪为小的数据，实现数据的高效处理。

接着，在对所述图像增容数据集中的图像使用双立方插值方法后，还通过后续处理实现图像锐化与对比度提升即，进而保留图像边缘与对比。

也即，本步骤中，利用图像超解析度重建数据集构建学习图像数据集，并采取数据增容方法来增加学习图像数据集的数据量，从而有利于图像增强网络的学习。

步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；

本步骤中，通过对所述图像增强网络进行训练，实现学习好的图像增强网络的使用过程中的有效性。

步骤s230：将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。

本步骤中，由于卷积稠密残差模块通过稠密连接的卷积层丰富提取局部特征，并通过稠密残差单元的最后一层融合局部特征，从而能用于局部特征中自适应地学习更有效地特征。

进一步地，还通过亚像素卷积层对特征图进行上采样，实现将征图尺寸增大到目标尺寸。其中，所述目标尺寸为对图像增强的最佳尺寸，故通过本步骤中，高效实现将特征图输出为增强后的增强学习图像。

在一个实施例中，所述图像增强网络包括依次连接的第一卷积层、若干个卷积稠密残差模块、第二卷积层、亚像素卷积层以及第三卷积层，各个卷积稠密残差模块进行跨层连接，第一卷积层与第二卷积层具有相同的卷积核数量；其中，所述卷积稠密残差模块又包括卷积层和稠密残差单元，稠密残差单元之前的卷积层用于对输入进行维度的调整；其中，稠密残差单元又包括n个卷积层，在同一稠密残差单元内的任意两个卷积层之间均可直接连接，每一层都从同一稠密残差单元内的所有先前层获取数据；

步骤s220：构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；具体包括：

步骤s221：累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；

具体地，

步骤s222：除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；

具体地，本步骤中因本网络中除亚像素卷积外，故所有卷积层在卷积时均对特征图进行边缘补零处理，所以能保证在卷积过程中特征图的尺寸大小不发生变化，提高了图像处理的准确性。

步骤s223：将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。

具体地，本步骤中所述图像增强网络基于全卷积神经网络，且通过残差连接和稠密连接来完成对原始图像的各级特征融合，并结合亚像素卷积层进行上采样，增大图像尺寸，最终得到增强学习图像，这样，可以接受任意大小的网络输入，且能同时完成提升对比度、解析度和去噪等多方面的增强，且在各方面都能达到较好的增强效果。

在一个实施例中，步骤s230中将待增强的图像输入学习好的图像增强网络的第一卷积层基于以下公式进行卷积运算：

公式为：；

其中，f(τ)和g(x-τ)为图像增强网络的第一卷积层中的两个可积函数。

具体地，图像增强网络的第一卷积层中包括多个函数，本步骤中，提取所述图像增强网络的第一卷积层中的两个可积函数，进而实现卷积运算。

在一个实施例中，所述方法还包括：

步骤s510：在载入不同的网络后，生成在校教育评测界面，所述在校教育评测界面上设有多个评测反馈文件；

具体地，生成的所述在校教育评测界面用于收集用户使用在线教育平台的使用体验与感受，进而方便后续更新与改进。

步骤s520：获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；

具体地，通过生成所述评测反馈报告，实现评测反馈报告的可视化，提升用户体验。

步骤s530：将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。

具体地，发送所述评测反馈报告后，能够方便后台工作人员知晓所述评测反馈报告，进而使后台工作人员根据所述评测反馈报告来实现数据调整，以适应客户和市场需求。

在一个实施例中，一种基于区块链的在线教育平台，如图2所示，所述平台包括：

图像数据获取模块，用于获取在线学习的学习图像数据，并将各所述学习图像数据作数据整合并生成学习图像数据集；

增强学习模块，用于基于所述学习图像数据集对所述学习图像数据集作图像增强处理并生成增强后的增强学习图像；

依序存储模块，用于将所述增强学习图像导入至预设的在线学习模型库中，并将所述增强学习图像依序存储，在存储完成后生成网络可导入指令；

网络载入模块，用于根据所述网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链。

在一个实施例中，所述增强学习模块包括：

图像增容模块，用于从所述学习图像数据集的图像中的不同位置随机裁剪出若干张预设大小的图像，并将这些图像组建为图像增容数据集；对所述图像增容数据集中的图像使用双立方插值方法，筛选距离预设像素最近的m个像素点作为运算其在目标图像中的像素的参数，将图像的宽高尺寸缩减至原始尺寸的一半，得到低解析度图像增容数据集；对所述低解析度图像增容数据集中的图像进行归一化处理，然后通过伽玛变换生成非线性的低对比度图像，得到低解析度低对比度图像增容数据集；

网络收敛模块，用于构建图像增强网络，并基于所述图像增强网络对所述图像增强网络进行训练直至所述图像增强网络收敛，保存学习好的图像增强网络；

图像学习模块，用于将待增强的图像输入学习好的图像增强网络的第一卷积层进行卷积运算，获取图像的浅层特征；然后通过残差网络中的跳跃连接，将获取的浅层特征输入到卷积稠密残差模块进行运算，最后一个卷积稠密残差模块输出的特征图，经过第二卷积层卷积运算后，通过残差结构与浅层特征连接，并进行全局残差学习，其中，输出特征图数量是目标放大图像倍数的二次方的整数倍；经过全局残差学习之后，再通过亚像素卷积层对特征图进行上采样，将特征图尺寸增大到目标尺寸，最后经过第三卷积层将特征图输出为增强后的增强学习图像。

在一个实施例中，所述网络收敛模块包括：

累加特征模块，用于累加前几层的特征图，增加特征图的数量，同时将第一层卷积层和最后一层卷积层的输出进行残差连接，所述稠密残差单元中的卷积层包含卷积处理和激活处理，所述激活处理采用抑制其最大值激活函数；

亚像素卷积模块，用于除所述亚像素卷积外，所有卷积层在卷积时均对特征图进行边缘补零处理；

批量输入模块，用于将低解析度低对比度图像增容数据集中的图像批量输入所述图像增强网络进行学习，直至所述图像增强网络收敛，保存学习好的图像增强网络。

在一个实施例中，所述批量输入模块还包括：

教育评测模块，用于在载入不同的网络后，生成在校教育评测界面，所述在校教育评测界面上设有多个评测反馈文件；

评测反馈模块，用于获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；

报告发送模块，用于将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。

在一个实施例中，如图3所示，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于区块链的在线教育方法所述的步骤。

一种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基于区块链的在线教育方法所述的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。