一种热敏打印机检测温度的校准方法、装置及热敏打印机与流程

1.本发明涉及热敏打印技术领域，具体的涉及一种热敏打印机检测温度的校准方法、装置及热敏打印机。


背景技术：

2.热敏打印技术目前的应用越来越广泛，遍及社会各行业领域，在收银、餐饮、银行、快递等各种领域，用于打印各种单据。近些年来，热敏打印技术的应用场景逐渐从商业应用覆盖到消费类产品，例如学生错题打印机、儿童相机等家庭消费产品，家用市场的规模逐渐增大。热敏打印机是一种利用打印头的加热元件通过接触热敏打印纸后使其显色打印出相应的图案的一种设备。
3.热敏打印机都需要温度传感器来进行异常温度检测，用以防止连续打印造成的温度过高，造成热敏打印头的损坏和人身危害。随着学生错题打印机、儿童相机等产品的出现，对于打印质量的要求也随之变高，温度传感器的作用也就不止局限于保护作用，也用于进行打印浓度的控制。通常在冷机打印时，打印效果会偏淡，在连续打印之后温度较高又会偏浓，此时就可以在打印中通过温度传感器来获取当前温度，从而可以根据当前的温度对加热控制进行补偿，保证打印效果。
4.目前热敏打印机的温度传感器普遍采用热敏电阻。热敏电阻的精度低，线性度低，成本也低。在对于打印效果要求不高时，可以满足要求。但是在打印质量要求高的情况下，尤其是进行灰阶图片打印时，由于热敏电阻的精度问题，无法准确获取当前的温度情况，温度补偿不准确或者不稳定，会造成打印质量差，灰度的等级无法准确控制。
5.为了获取准确的温度，一般会有以下两种方式：
6.1、更换热敏打印机的温度传感器。常见的温度传感技术有ic传感器，热敏电阻，rtd，热电偶等，除去热敏电阻方式，其他几种温度传感技术的检测精度均好于热敏电阻，但是成本也均高于热敏电阻。
7.2、对热敏电阻进行校准。可以通过在硬件电路上的修改，改变热敏电阻的一些特性，以达到最热敏电阻的校正。
8.但以上方案在一定程度上均需增加成本。而通常大家都会认为热敏电阻的精度差，但是实际热敏电阻的精度是取决于校准。
9.有鉴于此，特提出本发明。


技术实现要素：

10.本发明为了解决上述技术问题，提供了一种热敏打印机检测温度的校准方法、装置及热敏打印机，具体技术方案如下：
11.本发明提出了一种热敏打印机检测温度的校准方法，所述校准方法包括：
12.获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系；
13.建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型；
14.将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度。
15.作为本发明的可选实施方式，所述建立bp神经网络包括：
16.定义网络结构，包括输入层、隐含层及输出层，所述输入层包括至少三个均输入电阻值r的输入层输入端，所述隐含层包括至少三个神经元，每个神经元分别具有与输入端数量相对应的隐含层输入端，每个神经元的各个隐含层输入端分别与输入层输入端一一对应连接，所述输出层包括一个输出温度t的神经元。
17.作为本发明的可选实施方式，所述建立bp神经网络包括：
18.定义激励函数
19.信号正向传播，输入层神经元：输入值x
i
＝r，输出值y
i
＝x
i
；隐含层神经元：输入值输出值输出层神经元：输入值输出值
20.误差信号反向传播，输出神经元误差e，d
k
表示真实正确结果，就是训练数据中的温度t，神经元误差权值w
kj
的误差量权值w
ji
的误差量
21.加入学习速率η表示学习速率，选取0
‑
1之间的数。
22.作为本发明的可选实施方式，所述采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型包括：
23.参数初始化：设置神经元的权重值、误差精度e及训练次数n；
24.导入训练样本：将热敏电阻的电阻值与温度之间的对应关系的训练样本导入bp神经网络；
25.归一化处理：对训练样本数据进行归一化处理；
26.计算输出：按照所述bp神经网络的信号正向传播，将归一化处理之后的数据y
u
作为输入数据送入神经网络，计算出隐含层的神经元输出y
j
和输出层的神经元输出y
k
；
27.计算神经元误差：按照所述bp神经网络的误差信号反向传播，计算出权重值的误差δw
kj
和δw
ji
；
28.更新权重值：根据计算出的权重值的误差，更新隐含层和输出层的权重值w
kj
＝w
kj
+δw
kj
、w
ji
＝w
ji
+δw
ji
；
29.误差精度判断：判断当前的误差精度是否达到要求若达到精度要求则结束训练，若未达到精度要求，则进一步判断是否达到训练次数n，若达到训练次数
n，则结束训练，若未达到训练次数n，则返回至计算输出继续训练。
30.作为本发明的可选实施方式，所述归一化处理包括：
31.针对输入至输入层的热敏电阻的电阻值数据进行归一化处理：
32.归一化处理函数其中，r表示输入的电阻数据，r
min
表示输入的电阻数据中的最小值，r
max
表示输入的电阻数据中的最大值，y
u
表示归一化后的数据；
33.针对输入至输出层的热敏电阻的温度数据进行归一化处理：
34.归一化处理函数其中，t表示输入的温度数据，t
min
表示输入的数据中的最小值，t
max
表示输入的数据中的最大值，t
u
表示归一化后的数据。
35.作为本发明的可选实施方式，所述温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度包括：
36.将测量的热敏电阻的电阻值r传入校准神经网络模型；
37.对传入的电阻值r进行归一化处理，按照校准神经网络模型的正向传播计算输出层的神经元输出y
k
；
38.针对输出y
k
进行数据还原得到校准后的实际温度值t。
39.作为本发明的可选实施方式，所述针对输出y
k
进行数据还原得到校准后的实际温度值t包括：
40.通过数据还原函数t＝y
k
×
(t
max
‑
t
min
)+t
min
针对输出y
k
进行数据还原计算，其中，t
min
和t
max
为学习训练校准神经网络模型过程中的最小温度值和最大温度值。
41.作为本发明的可选实施方式，本发明的一种热敏打印机检测温度的校准方法还包括针对校准神经网络模型进行准确性校验：
42.利用热敏电阻计算公式生成设定温度范围内、设定温度间隔的温度与电阻值之间的对应关系数据，将对应关系数据输入至校准神经网络模型进行训练生成拟合曲线，将拟合曲线与温度与电阻值之间的对应关系数据对应的r
‑
t特性曲线进行重合度比对，校验校准神经网络模型的准确性。
43.本发明同时提供一种热敏打印机检测温度的校准装置，包括：
44.数据采集模块，测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系；
45.网络模型训练模块，建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型；
46.校准模块，温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度。
47.本发明同时还提供一种热敏打印机，包括温度传感器和控制系统，所述温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度；
48.所述的校准神经网络模型通过以下方式训练得到：
49.测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与
温度之间的对应关系；
50.建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型
51.与现有技术相比，本发明的有益效果：
52.本发明的热敏打印机检测温度的校准方法中温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度，提供了一种通过软件算法来进行热敏电阻的校准方式，不需要增加硬件成本，且可以非常好的提高热敏电阻的温度检测的准确性，从而确保热敏打印效果。
附图说明：
53.图1本发明实施例的bp神经网络的结构图；
54.图2本发明实施例的bp神经网络的激励函数图像；
55.图3本发明实施例的bp神经网络的学习训练流程图；
56.图4本发明实施例的校准神经网络模型的使用流程图；
57.图5本发明实施例使用校准神经网络模型进行校准的误差验证曲线重合度比对。
具体实施方式
58.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
59.因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
60.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。
61.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
62.在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，这类术语仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
63.参见图1所示，本实施例提供一种热敏打印机检测温度的校准方法，热敏打印机包括温度传感器，所述校准方法包括：
64.测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系；
65.建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型；
66.温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度。
67.本实施例的热敏打印机检测温度的校准方法中温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度，提供了一种通过软件算法来进行热敏电阻的校准方式，不需要增加硬件成本，且可以非常好的提高热敏电阻的温度检测的准确性。
68.另外，需要说明的是热敏电阻是一种传感器电阻，其电阻值随着温度的变化而改变，温度传感器正是根据热敏电阻的这一物理特性实现温度检测，温度传感器根据测量热敏电阻的电阻值计算得到电阻值对应的温度值。但是，热敏电阻的电阻值与温度之间并非简单的线性关系，因此，为了保证检测温度的准确性应对于检测的电阻值进行校准计算得到检测温度。本实施例根据温度传感器的热敏电阻的这一物理特性，通过大量的温度—电阻值的对应关系去训练bp神经网络，直至误差精度满足要求，得到的校准神经网络模型针对热敏电阻的电阻值具有更高的校准精度，得到的检测温度更加精准。
69.本实施例的校准神经网络模型是由bp神经网络进行模型训练得到，bp神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入
‑
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
70.bp神经网络的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成：
71.正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。
72.反向传播时，将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。
73.本实施例的热敏打印机检测温度的校准方法利用bp神经网络来训练生成校准神经网络模型，实现了温度传感器的温度检测值的软件算法校准，在不改变基础硬件的基础上，还能具有较高的校准精准度。作为本实施例的可选实施方式，本实施例所述测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系包括：
74.预先测量热敏电阻在各个温度下的电阻阻值，所测量的温度等级越多越好。对于热敏打印机来说，可以取温度范围
‑
20℃到75℃的温度范围。一般可以选取5℃或者10℃为间隔，具体根据实际情况来决定，如果可以每1℃甚至更小的间隔进行测量，效果会更好。
75.例如下表的示例表格：
76.温度℃电阻kω0100.861811577.7736871060.5237311547.5114432037.605977
2530.0000003024.1114223519.5165934015.9044014513.0444115010.764548558.935308607.458494656.259116705.279511
77.需要说明的是，本实施例的热敏电阻根据型号的不同，温度与电阻值之间的对应关系数据不同，因此，本实施例需要按照热敏电阻值的型号分别获取温度与电阻值之间的对应关系数据，利用这些数据分别取训练bp神经网络得到对应各个型号热敏电阻的校准神经网络模型。
78.作为本实施例的可选实施方式，参见图1所示，本实施例所述建立bp神经网络包括：
79.定义网络结构，包括输入层、隐含层及输出层，所述输入层包括至少三个均输入电阻值r的输入层输入端，所述隐含层包括至少三个神经元，每个神经元分别具有与输入端数量相对应的隐含层输入端，每个神经元的各个隐含层输入端分别与输入层输入端一一对应连接，所述输出层包括一个输出温度t的神经元，隐含层中的所有神经元的输出端均与输出层中的神经元相连接。
80.本实施例的bp神经网络为了实现对温度传感器的检测温度的校准，定义bp神经网络的输入层输入各个电阻值r，定义输出层输入各个温度t。
81.具体参见图1所示，这里设计的bp神经网络有3个输入端，输入端都输入电阻r。含有一个隐含层，隐含层中有3个神经元，每个神经元有3个输入端口。输出层包含一个输出端，输出温度t。
82.bp神经网络中x为输入数据，y为输出数据，i为输入层，j为隐含层，k为输出层，w
ji
为隐含层权值，w
kj
为输出层权值，x
i
为输入层的输入值，x
j
为隐含层的输入值，x
k
为输出层的输入值，y
i
为输入层的输出值，y
j
为隐含层的输出值，y
k
为输出层的输出值，y
k
为神经元激励函数。
83.进一步地，参见图2所示，本实施例所述建立bp神经网络包括：
84.定义激励函数：后续会对数据进行归一化处理，所以激励函数选择使用sigmoid函数
85.信号正向传播，输入层神经元：输入值x
i
＝r，输出值y
i
＝x
i
；隐含层神经元：输入值输出值输出层神经元：输入值输出值
86.误差信号反向传播，输出神经元误差e，d
k
表示真实正确结果，就是训练数据中的
温度t，神经元误差权值w
kj
的误差量权值w
ji
的误差量
87.加入学习速率η表示学习速率，选取0
‑
1之间的数，具体定值需要根据经验来进行试验。学习速率是在神经网络训练中使用的可配置超参数，其具有小的正值，如学习率为0.1(传统上常见的默认值)意味着每次更新权重时网络中的权重被更新0.1*(估计的权重误差)或估计的权重误差的10％。
88.在极端情况下，过大的学习速率将导致权重更新太大，并且模型的性能(例如其在训练数据集上的损失)将在训练时期内振荡。据说摆动性能是由发散(发散)的权重引起的。学习率太小可能永远不会收敛，或者可能会陷入次优解决方案。
89.学习率过大，在算法优化的前期会加速学习，使得模型更容易接近局部或全局最优解。但是在后期会有较大波动，甚至出现损失函数的值围绕最小值徘徊，波动很大，始终难以达到最优。所以引入学习率衰减的概念，直白点说，就是在模型训练初期，会使用较大的学习率进行模型优化，随着迭代次数增加，学习率会逐渐进行减小，保证模型在训练后期不会有太大的波动，从而更加接近最优解。
90.我们无法分析地计算给定数据集上给定模型的最佳学习速率。相反，必须通过反复试验发现良好(或足够好)的学习率。要考虑的学习率的值范围小于1.0且大于10^
‑
6。
91.学习速率将与优化过程的许多其他方面相互作用，并且相互作用可以是非线性的。然而，一般而言，较小的学习率将需要更多的训练时期。相反，较大的学习率将需要较少的训练时间。此外，考虑到误差梯度的噪声估计，较小的批量大小更适合于较小的学习率。学习率的传统默认值为0.1或0.01，这可能是训练的起点。
92.根据经验，可以从以下几个数值开始试验η的值，0.001，0.003，0.01，0.03，0.1，0.3，1，
…
η初始值位0.001,不符合预期乘以3倍用0.003代替，不符合预期再用0.01替代，如此循环直至找到最合适的η。
93.参见图3所示，本实施例所述采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型包括：
94.参数初始化：设置神经元的权重值、误差精度e及训练次数n；
95.导入训练样本：将热敏电阻的电阻值与温度之间的对应关系的训练样本导入bp神经网络；
96.归一化处理：对训练样本数据进行归一化处理；
97.计算输出：按照所述bp神经网络的信号正向传播，将归一化处理之后的数据y
u
作为输入数据送入神经网络，计算出隐含层的神经元输出y
j
和输出层的神经元输出y
k
；
98.计算神经元误差：按照所述bp神经网络的误差信号反向传播，计算出权重值的误差δw
kj
和δw
ji
；
99.更新权重值：根据计算出的权重值的误差，更新隐含层和输出层的权重值w
kj
＝w
kj
+δw
kj
、w
ji
＝w
ji
+δw
ji
；
100.误差精度判断：判断当前的误差精度是否达到要求若达到精度要求则结束训练，若未达到精度要求，则进一步判断是否达到训练次数n，若达到训练次数n，则结束训练，若未达到训练次数n，则返回至计算输出继续训练。
101.本实施例针对bp神经网络进行学习训练的过程中：
102.参数初始化：首先对神经元的权重值进行初始化，按照经验一般选取在
‑
2.4/f～2.4/f之间，我们的神经网络输入端个数为3，所以f＝3，权重取值
‑
0.8～0.8之间。
103.设置所有权重值为
‑
0.8～0.8之间的随机数。
104.接着设置输出误差精度e，一般设置精度0.01。
105.然后设置训练次数n为10000次，避免出现训练达不到精度要求。
106.归一化处理：首先对数据进行归一化处理，神经元的输出对于0～1之间的数据非常敏感，可以增加收敛速度。
107.针对输入至输入层的热敏电阻的电阻值数据进行归一化处理，归一化处理函数其中，r表示输入的电阻数据，r
min
表示输入的电阻数据中的最小值，r
max
表示输入的电阻数据中的最大值，y
u
表示归一化后的数据。
108.针对输入至输出层的热敏电阻的温度数据进行归一化处理，归一化处理函数其中，t表示输入的温度数据，t
min
表示输入的数据中的最小值，t
max
表示输入的数据中的最大值，t
u
表示归一化后的数据。
109.经过归一化处理之后，建立bp神经网络设计的输入层神经元的输入值变为x
i
＝y
u
，用表示输出的正确温度结果d
k
＝t
u
。
110.参见图4所示，本实施例的一种热敏打印机检测温度的校准方法中所述温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度包括：
111.将测量的热敏电阻的电阻值r传入校准神经网络模型；
112.对传入的电阻值r进行归一化处理，按照校准神经网络模型的正向传播计算输出层的神经元输出y
k
；
113.针对输出y
k
进行数据还原得到校准后的实际温度值t。
114.本实施例的在使用校准神经网络模型之前需要先进行参数初始化，模型使用前先对神经元的权重值进行初始化。bp神经网络训练完成之后，我们得到了隐含层权值w
ji
，输出层权值w
kj
。
115.本实施例的在使用校准神经网络模型时对传入的数据进行归一化处理。其中r
min
和r
max
就是之前学习训练中得到的最小电阻值和最大电阻值。r表示输入的数据，y
u
表示归一化后的数据，归一化处理函数为
116.本实施例的在使用校准神经网络模型时，所述针对输出y
k
进行数据还原得到校准
后的实际温度值t包括：
117.通过数据还原函数t＝y
k
+(t
max
‑
t
min
)+t
min
针对输出y
k
进行数据还原计算，其中，t
min
和t
max
为学习训练校准神经网络模型过程中的最小温度值和最大温度值。
118.本实施例所述的一种热敏打印机检测温度的校准方法，还包括针对校准神经网络模型进行准确性校验：
119.利用热敏电阻计算公式生成设定温度范围内、设定温度间隔的温度与电阻值之间的对应关系数据，将对应关系数据输入至校准神经网络模型进行训练生成拟合曲线，将拟合曲线与温度与电阻值之间的对应关系数据对应的r
‑
t特性曲线进行重合度比对，校验校准神经网络模型的准确性。
120.参见图5所示，拟合曲线与r
‑
t特性曲线基本一致，计算的整体误差小于1％，效果非常好。
121.本实施例同时提供一种热敏打印机检测温度的校准装置，包括：
122.数据采集模块，测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系；
123.网络模型训练模块，建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型；
124.校准模块，温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度。
125.本实施例还提供一种热敏打印机，包括温度传感器和控制系统，所述温度传感器检测温度时，将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度；
126.所述的校准神经网络模型通过以下方式训练得到：
127.测量获取各个温度下温度传感器的热敏电阻的电阻值，得到热敏电阻的电阻值与温度之间的对应关系；
128.建立bp神经网络，采用所述热敏电阻的电阻值与温度之间的对应关系进行模型训练，得到热敏电阻的校准神经网络模型。
129.本实施例的热敏打印机通过将获取的热敏电阻的电阻值输入到校准神经网络模型中输出校准的检测温度，提供了一种通过软件算法来进行热敏电阻的校准方式，不需要增加硬件成本，且可以非常好的提高热敏电阻的温度检测的准确性，从而确保热敏打印效果。
130.本实施例的热敏打印机的控制系统根据热敏电阻的具体型号配置相应的校准神经网络，且针对校准神经网络的参数进行初始化设计。具体地，需要设定校准神经网络输入的电阻值的范围区间，当温度传感器的电阻值在所述范围区间时才会被输入至校准神经网络进行校准输出对应的温度值，当温度传感器的电阻值不处于所述范围区间时，热敏打印机会进行提醒显示“当前打印温度过低”或者“当前打印温度过高”，需要进行热敏打印机的检查维修。
131.本实施例的热敏打印机具有更高的温度检测精度，满足用户的打印需求，提升打印效果。
132.本实施例还提供一种存储介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现所述的一种热敏打印机检测温度的校准方法。
133.本实施例所述存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
134.本实施例还提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行所述的一种热敏打印机检测温度的校准方法。
135.电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
136.所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
137.所述存储器包括易失性存储器，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(rom)。
138.应当理解，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
139.通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现，例如由微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
140.以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。