一种混合气体识别方法、系统、终端设备及可读存储介质

1.本发明属于气体识别技术领域，涉及一种混合气体识别方法、系统、终端设备及存储介质。


背景技术：

2.智能气体识别系统是一种参考动物或人类的嗅觉感知机制来实现对所检测气体定性定量分析的系统。随着社会的大力发展，工业领域迅速壮大，气体识别技术也得到了快速的发展，可对气体进行快速准确的检测，在社会的多个领域包括工业污染监测、食品安全、医疗领域等方面发挥重要作用。系统通过传感器吸附气体分子产生电信号，使用ad转换电路对电信号进行量化采集完成特征的提取，最终完成气体的类别识别以及浓度判定。天然气作为重要的清洁能源，在化工与燃料领域有着广泛的用途。在致力与天然气的高效、清洁、多元化使用过程中，天然气的质量影响这后续加工处理的每个方面，因此对天然气中气体组成含量的分析有助于天然气开发与运输以及更进一步的加工与能源的充分利用。天然气是由绝大多数的甲烷，少量的乙烷、丙烷等烷烃类气体以及少数的杂质气体一同混合而成的。
3.近年来，涌现出了许许多多关于混合气体识别的研究，而且这些研究在混合气体种类的识别中也获得了比较好的效果。但是，这些研究它们普遍都是在相对稳定的情况下进行，而且输入数据大多采用了传感器阵列中的响应时间、恢复时间或者是灵敏度等稳定特征，并在进行简单数据处理之后采用一些主流的分类方法，最终都能达到较好的识别效果。然而，要把这些研究成果应用于实际的生产生活中，还有以下两个问题：1)在实际应用中混合气体存在的形式和浓度是复杂的、随机的、无规律的；2)前人工作中对混合气体浓度的实时预测的研究相对较少，更多是对完整气体反应过程的浓度预测。3)近年来，关于混合气体浓度预测的研究从未停止。但是，该工作是在实验室条件下有规律的周期性连续反应，获得的结果比较理想也是有根据的，在现实生活中很多时候气体的浓度值都是随机的，在使用智能气体识别系统进行识别时，反应可能还没完全又开始进行恢复反应了，在这样的情况下，对于浓度值的预测更具有挑战性和实际意义。


技术实现要素：

4.本发明的目的在于解决现有技术中的问题，提供一种混合气体识别方法、系统、终端设备及存储介质，能够在随机情况下对混合气体种类的种类识别和浓度检测。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种混合气体识别方法，包括以下步骤：
7.获取混合气体的多通道一维时间序列数据；
8.对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；
9.利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；
10.建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。
11.上述方法进一步的改进在于：
12.所述通过气体传感器阵列获取混合气体的多通道一维时间序列数据，包括：
13.通过气体传感器阵列获取混合气体的多通道一维时间序列数据。
14.所述一维卷积操作具体如下：
15.一维卷积方程如下：
[0016][0017]
其中，a为输入序列，输入序列a的维度为(1,na)，b为卷积核，卷积核b的维度为(1,nb)，c(j)表示为第j个神经元卷积的结果，且1≤j≤n
a-nb+1；n表示每层卷积核的大小，权重的初始化采用xavier初始化，xavier初始化的均匀分布如下：
[0018][0019]
其中，w表示均匀分布，u表示采样范围，m,n是每一层输入单元和输出单元的个数。
[0020]
所述多标签分类方法，具体如下：
[0021]
目标气体的预测y
pre
如下：
[0022]ypre
＝sigmoid(w
t
h+b)
ꢀꢀ
(3)
[0023]
其中，sigmoid()表示激活函数，w
t
表示第二层隐藏层的权重，t表示转置矩阵，h表示网络输入，b表示偏置项；
[0024]
采用sigmoid函数的输出作为分类的结果，对于输出的结果使用阈值为0.5作为评判准则，对输出值高于0.5的预测值标签设为1，若低于0.5的则设为0；模型的二分类的log损失如下：
[0025][0026]
其中，ci为类别，y(ci)是真实标签，n是分类器的数量，y
pre
(ci)和q(ci)分别是类别ci的正预测和负预测的概率，最终将分类器的log损失值的平均值作为最终的损失值。
[0027]
所述识别出混合气体的种类，包括：
[0028]
将自动特征提取得到的结果输入多层感知器，识别出混合气体的种类；其中多层感知器由全连接组成。
[0029]
所述对混合气体的浓度进行实时预测，包括：
[0030]
将原始的时序数据组合，并选择有意义的高层次特征，将卷积神经网络cnn输出的高层次特征输入到循环神经网络rnn层，使用循环神经网络rnn对这些高层次特征在时间维度上进行分析，筛选出最适合用于时间上预测的特征；通过筛选好的特征向量拼接成全连接的方式，用于线性回归的计算，最终得出预测浓度值。
[0031]
一种混合气体识别系统，包括：
[0032]
数据采集模块，用于获取混合气体的多通道一维时间序列数据；
[0033]
特征提取模块，用于对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；
[0034]
种类识别模块，用于利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；
[0035]
浓度预测模块，用于建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。
[0036]
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上述方法的步骤。
[0037]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
[0038]
与现有技术相比，本发明具有以下有益效果：
[0039]
本发明对于随机情况下的一维卷积神经网络1d-dcnn混合气体种类识别方法，基于一维卷积神经络的多标签方式实现的，该方法能够自动提取特征并且能够将提取的特征进行分类识别出混合气体的种类，不需要将特征提取和分类训练分开，是一种端到端的分类器。其次，本发明以多标签的方式对气体种类进行标记，减少了单标签的方式带来的维度空间。本发明卷积神经网络与循环神经网络(卷积神经网络cnn-循环神经网络rnn)，使用卷积神经网络先对原始的响应数据组合成更有意义的、更高层次的特征，然后再使用循环神经网络rnn对卷积神经网络cnn的输出特征建立回归预测模型，从而实现在随机情况下对混合气体种类的种类识别和浓度的实时预测。最后，本发明卷积神经网络cnn-lstm在对混合天然气的浓度的实时预测上能够取得比esn、lr更好的预测效果。
附图说明
[0040]
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
[0041]
图1为本发明混合气体识别方法的流程图。
[0042]
图2为本发明混合气体识别系统的原理图。
[0043]
图3为本发明一维卷积神经网络1d-dcnn的整体网络框架图。
[0044]
图4为本发明一维卷积的示意图。
[0045]
图5为本发明卷积神经网络cnn-循环神经网络rnn的整体框架图。
具体实施方式
[0046]
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0047]
因此，以下对在附图中提供的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选定实施例。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。
[0048]
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。
[0049]
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”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，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。
[0050]
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0051]
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0052]
下面结合附图对本发明做进一步详细描述：
[0053]
参见图1，本发明实施例公开了一种混合气体识别方法，包括以下步骤：
[0054]
s1，通过气体传感器阵列获取混合气体的多通道一维时间序列数据；
[0055]
s2，将传感器得到的一维时间序列数据作为自动特征提取部分的输入，自动特征部分的一维卷积操作使用在每个传感器上，再将卷积之后的特征拼接再一起作为总体特征，最后经过卷积和池化操作之后作为步骤三的输入；
[0056]
s3，将自动特征提取得到的结果作为分类部分的输入，分类部分主要由剩余层全连接组成多层感知器mlp，最终卷积阶段中提取的特征进入多层感知器mlp将混合气体的种类一一识别出来。
[0057]
s4，通过s2和s3的卷积神经网络先对原始的响应数据组合成更有意义的、更高层次的特征，然后再使用循环神经网络rnn对卷积神经网络cnn的输出特征建立回归模型，从而实现浓度实时预测。首先，卷积神经网络cnn主要是将原始的时序数据组合同时选择有意义的高层次特征，将卷积神经网络cnn输出的高层次特征输入到循环神经网络rnn层，使用循环神经网络rnn对这些高层次特征在时间维度上进行分析，筛选出最适合用于时间上预测的特征。最后，通过筛选好的特征向量拼接成全连接的方式，用于线性回归的计算，最终得出预测浓度值。
[0058]
如图2所示，本发明实施例公开了一种混合气体识别系统，包括：
[0059]
数据采集模块，用于获取混合气体的多通道一维时间序列数据；
[0060]
特征提取模块，用于对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；
[0061]
种类识别模块，用于利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；
[0062]
浓度预测模块，用于建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。
[0063]
本发明的原理如下：
[0064]
本发明提供了一种对于随机情况下的一维卷积神经网络1d-dcnn混合气体种类识别方法，该方法是基于一维卷积神经络的多标签方式实现的。本发明能够自动提取特征并且能够将提取的特征进行分类识别出混合气体的种类，不需要将特征提取和分类训练分开，是一种端到端的分类器。下面将详细阐述提出的一维卷积神经网络1d-dcnn的具体原理和实验的验证对比结果。
[0065]
如图3所示，图3为本发明基于一维卷积神经网络1d-dcnn的深度学习框架，整体上由两部分组成：特征提取部分和分类部分。在特征提取部分中，将卷积操作、批标准化操作和激活函数作为一个卷积阶段，自动提取特征部分是由若干个卷积阶段组成；而分类部分就是一个多层感知器多层感知器mlp网络。
[0066]
以下对本发明作进一步详细的说明：
[0067]
(1)特征提取部分
[0068]
与传统的卷积神经网络cnn相反，混合气体在气体传感器的响应是一维的时间序列而不是二维的图像像素点，同时与图像识别不同的是，气体传感器阵列的响应是水平相关的而不是二维图像上的垂直和水平方向上的相关。因此，一维卷积操作可以使用在每个传感器的一维响应上。紧接着，将卷积之后获得的特征拼接在一起进一步提取不同传感器的总体特征，这样能够增加气体传感器阵列的选择性。随之，应用数量相对较少的卷积核(64或者是128)以及增加模型的层数(即卷积阶段的数目)，从而提高模型的泛化性能。
[0069]
除此之外，在第三和第四的卷积阶段之间插入了一个dropout层，能够随机减少第三个卷积阶段的神经元个数的操作，从而在训练模型的阶段能够减少过拟合的情况出现以及提高计算效率。在整个网络框架中，只在最后一个卷积阶段之后采用了一个池化操作(平均池化)，该操作能够将提取的特征数量降采样至原来数量的1/3并且能够移除第四卷积阶段的冗余特征。气体传感器的响应是在时间域上连续和相关的，平均池化的操作能够用来处理不同特征映射上不同邻近位置上的值并且能够保证降采样特征的连续性。
[0070]
(2)分类部分
[0071]
一维卷积神经网络1d-dcnn的剩余层全连接组成多层感知器多层感知器mlp，最终卷积阶段中提取的特征进入多层感知器mlp将混合气体的种类一一识别出来。由于多层感知器mlp全连接的计算复杂度占据了整体一维卷积神经网络1d-dcnn的主要计算量，因此了使得其计算复杂度保持在一个合适的水平上，多层感知器mlp的神经元个数减少到64和32。另外，relu函数作为它们的激活函数，同时在第一层全连接层之前插入一个dropout操作来提高计算效率和减少过拟合。最后，在输出层里，采用3个神经元和sigmoid函数来输出3个多标签类别的概率，多标签分类的解决方法在后面将会详细介绍。
[0072]
(3)卷积阶段
[0073]
一维卷积神经网络1d-dcnn的卷积阶段是由一些操作组成的，如，卷积操作、批标准化操作和非线性函数激活。正如前文所描述的，卷积操作是由一系列一维卷积核组成。其
中，4个卷积阶段的卷积核的尺寸大小分别为1
×
16
×
8，1
×3×
64，1
×3×
64和1
×3×
128，其中8，64，64，和128为卷积核的数量。一维卷积操作的细节如图4所示，与传统的二维卷积相似，假设输入的序列a有维度(1,na)以及卷积核b有维度(1,nb)，一维卷积和方程可以表示成如公式(1)形式：
[0074][0075]
其中，1≤j≤n
a-nb+1，以及c(j)表示为第j个神经元卷积的结果。由于权重初始化强烈影响了模型的性能和它的泛化能力，xavier初始化被用来作为权重初始化方法，是一种有效的神经网络初始化方法，因为它能够使得每一层的方差都接近相等从而使得信息流最优化。xavier初始化的均匀分布可以表示为如公式(2)形式：
[0076][0077]
其中，m,n是每一层输入单元和输出单元的个数。
[0078]
批标准化和激活函数：批标准化能够有效地提高具有非线性sigmoid激活函数的每一层的性能，因此在每一层结构中都进行批标准化处理。同时，加入批标准化层不仅能够加快训练过程，而且能减少过拟合的情况出现特别是在相对较小的数据集中。至于激活函数，与传统的卷积神经网络cnn相似，在每一个卷积阶段都采用relu方程作为激活函数。
[0079]
(4)多标签的分类方法
[0080]
随着混合气体成分数量的增加，气体混合的种类将会以指数形式增加，并且如果是使用独热one-hot的形式表示标签时，标签的维度将会变得异常大。比如，假设一个含n种成分的混合气体，使用独热one-hot的形式的标签维度为，然而使用多标签的方式时标签维度值为n。最终，在标签形式上采用了多标签的形式，减少了大的标签维度导致的整体计算量。本发明采用问题转化方法解决多标签问题，将多标签分类转化成多个二分类。如表1所示，数据集有6种多标签的混合，其中“1”表示对应的气体出现以及[0,0,0]表示没有被测气体出现只有背景气体(如空气)出现。在这里将多标签分类分成三种只含单标签的分类：和因为混合气体数据集的标签是独立的，三个二分类问题的转化可以由sigmoid激活函数实现，可以更好地与卷积神经网络cnn拓展的方法结合。
[0081]
表1.混合气体多标签数据的例子
[0082][0083]
一维卷积神经网络1d-dcnn的输出如公式(3)所示：
[0084]ypre
＝sigmoid(w
t
h+b)
ꢀꢀꢀꢀꢀꢀ
(3)
[0085]
其中y
pre
表示目标气体的预测，w
t
表示第二层隐藏层的权重。输出层中，采用
sigmoid函数的输出作为三个分类器的结果，同时，对于输出的结果使用阈值为0.5作为评判准则，对输出值高于0.5的预测值标签设为1，若低于0.5的则设为0。
[0086]
模型的损失值，三种二分类的log损失修改为公式(4)：
[0087][0088]
其中，y(ci)是真实标签，n是分类器的数量，y
pre
(ci)和q(ci)分别是类别ci正预测和负预测的概率，最终将三个分类器的log损失值的平均值作为最终的损失值。
[0089]
本发明是在混合气体中的各成分的浓度值随机分布下对混合气体各成分的浓度值进行预测和分析，主要研究关于混合气体浓度的实时预测。由于深度学习在多变量的时间序列预测中取得了不错的结果,使用已观测的时间序列建立一个模型来预测出新的时间序列趋势，循环神经网络rnn、循环神经网络与动态波尔兹曼机结合的模型以及arima和多层感知器mlp结合的模型等深度神经网络方法都在预测时间序列上获得了不错的结果。由于混合气体的响应曲线也是属于时间序列，因此，对混合气体的浓度进行实时预测的时候可以采用循环神经网络建立响应值与浓度标签的回归模型。混合气体的浓度在较低情况下与气体的响应值呈线性关系，但是随着浓度的增加，两者将呈现非线性关系。因此，对于具有非线性的数据集，可以将其映射到高维空间中，然后通过回归的方法建立回归模型对新的数据进行预测估计。由一维卷积神经网络可以知道，可以使用卷积神经网络先对原始的响应数据组合成更有意义的、更高层次的特征，然后再使用循环神经网络rnn对卷积神经网络cnn的输出特征建立回归预测模型，从而实现浓度的实时预测。
[0090]
本发明设计新型的卷积神经网络与循环神经网络(cnn-rnn)框架，分别设计卷积神经网络和循环神经网络部分的框架、损失函数，并设置对比方法和对实验结果分析。本发明提出的结构如图5所示，主要由卷积神经网络cnn部分、循环神经网络rnn部分以及全连接线性回归层三部分组成。首先，卷积神经网络cnn主要是将原始的时序数据x
t
组合同时选择有意义的高层次特征，将卷积神经网络cnn输出的高层次特征输入到循环神经网络rnn层，使用循环神经网络rnn对这些高层次特征在时间维度上进行分析，筛选出最适合用于时间上预测的特征。最后，通过筛选好的特征向量拼接成全连接的方式，用于线性回归的计算，最终得出预测输出值y
pre
。
[0091]
下面对本发明的网络结构做详细的说明：
[0092]
(1)卷积神经网络cnn
[0093]
考虑到后续在时间轴上采用循环神经网络rnn进行处理，因此对多变量的混合气体响应采用二维卷积的方式，将原始的多传感器响应数据卷积之后变成一维向量，以便后续的循环神经网络rnn处理。假定输入的响应序列a的维度为(m,n)，其中m为时间域上采样点个数，n为传感器阵列的个数；卷积核b的尺寸大小为(h,n)，卷积核b的宽度与a的宽度相等，使得卷积之后的结果为一维向量，具体的计算公式如下：
[0094][0095]
上式中，1≤i≤m-h+1，j＝1，s为一维向量，s(i,j)表示为第i次卷积之后的结果。
[0096]
该卷积神经网络部分没有引用池化操作，只是为了提取时间域上瞬时的特征，卷
lstm都优于卷积神经网络与门循环控单元(卷积神经网络cnn-gru)结合的结构、回声状态网络(esn)和线性回归(lr)的浓度预测性能。
[0111]
本发明提出一种对于随机情况下的一维卷积神经网络1d-dcnn混合气体种类识别方法，是基于一维卷积神经络的多标签方式实现的。本发明能够自动提取特征并且能够将提取的特征进行分类识别出混合气体的种类，不需要将特征提取和分类训练分开，是一种端到端的分类器。本发明以多标签的方式对气体种类进行标记，减少了单标签的方式带来的维度空间。
[0112]
相比混合气体的模式分类，对混合气体浓度的实时预测和对每种成分的分析更具有挑战性。本发明是在混合气体中的各成分的浓度值随机分布下对混合气体各成分的浓度值进行预测和分析。同时，前人对混合气体成分分析的研究大多都是在气体反应完全才开始对浓度值进行预测分析，对于混合气体浓度值进行实时预测的研究还相对较少，因此，本发明主要研究关于混合气体浓度的实时预测。由于主流的回归预测分析方法的输入更多采用的是气体响应的稳定特征参数，如灵敏度、响应时间、恢复时间等等，而在随机浓度的混合气体分析中，这些稳定特征就缺少适用性，更多地采用的是瞬态响应的特征。由于深度学习在多变量的时间序列预测中取得了不错的结果,使用已观测的时间序列建立一个模型来预测出新的时间序列趋势，循环神经网络(rnn)、循环神经网络与动态波尔兹曼机结合的模型以及arima和多层感知器mlp结合的模型等深度神经网络方法都在预测时间序列上获得了不错的结果。由于混合气体的响应曲线也是属于时间序列，因此，对混合气体的浓度进行实时预测的时候可以采用循环神经网络建立响应值与浓度标签的回归模型。混合气体的浓度在较低情况下与气体的响应值呈线性关系，但是随着浓度的增加，两者将呈现非线性关系。因此，对于具有非线性的数据集，可以将其映射到高维空间中，然后通过回归的方法建立回归模型对新的数据进行预测估计。由一维卷积神经网络可以知道，可以使用卷积神经网络先对原始的响应数据组合成更有意义的、更高层次的特征，然后再使用循环神经网络rnn对卷积神经网络cnn的输出特征建立回归预测模型，从而实现浓度的实时预测。
[0113]
本发明一实施例提供的终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述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各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0114]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0115]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
[0116]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，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。
[0117]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述
终端设备的各种功能。
[0118]
所述终端设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0119]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。