一种密度泛函理论展开项改进的方法、装置及存储介质

1.本发明涉及气体吸附理论表征以及微观受限流体热力学领域，特别是涉及一种密度泛函理论展开项改进的方法、装置及存储介质。


背景技术：

2.经典密度泛函理论(cdft)被广泛应用于气体吸附理论表征以及微观受限流体热力学等领域。其中，利用经典密度泛函理论发展而来的非定域密度泛函理论(nldft)，在上世纪80年代被广泛地应用于吸附行为预测与多孔材料孔径分布(psd)表征上，并被明确为一种标准。但由于新型材料的不断涌现，它们拥有更加丰富的孔结构(比如mofs、cofs)，而nldft是建立在材料表面能量分布均匀、孔结构被假设为狭缝孔或圆柱孔的1维模型上，这些因素加巨了nldft表征多孔材料psd的难度。
3.巨正则蒙塔卡罗(gcmc)以及分子模拟(md)理论，也可用于描述气体吸附，且精度较cdft更高，但它们耗时巨大，不利于高通量的气体吸附表征。相比于gcmc或md而言，cdft具有较快的计算速度，但精度没有两者高。为了提升传统nldft表征新型多孔材料psd的精度，迫切需要一种新技术构建改进的cdft以期达到gcmc或md所具有的精度。
4.在cdft数值计算过程中，如基本度量理论和加权密度近似理论，都需通过特定的加权函数(卷积核)求解。那么，加权密度即代表粒子在格子r处的特征值。近年来，深度学习在计算机视觉方向已获得了广泛的应用，同时计算机硬件的提升以及数值计算方法的改良使得cdft求解速度大幅提升。那么，将卷积神经网络应用在cdft卷积核的深度学习成为了可能。


技术实现要素：

5.本发明的实施例提供了一种密度泛函理论展开项改进的方法、装置及存储介质，以gcmc模拟气体在吸附剂上吸附过程作为学习样本，利用深度学习明确加权函数从而改进cdft泛函展开项，从而在保证计算精度的同时提升气体吸附表征的计算速度。
6.为了实现上述目的，一方面，提供一种密度泛函理论展开项改进的方法，包括以下步骤：
7.s1：获取吸附质和吸附剂的参数信息；
8.s2:根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，并根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本；
9.s3：利用卷积核函数以及所述吸附质的参数信息表示加权密度，再利用所述加权密度表示经典密度泛函理论的过剩自由能展开项；
10.s4：构建用于描述所述过剩自由能展开项的卷积神经网络，再利用所述深度学习的样本对所述卷积神经网络进行训练，以每次训练得到的局部密度作为输出构建损失函
数，当所述损失函数满足收敛条件时确定卷积核，从而根据所述卷积核确定所述经典密度泛函理论过剩自由能展开项。
11.在具体的实施例中，所述s1中，
12.所述吸附质的参数信息，包括：吸附质分子间的势阱ε
ff
、分子的碰撞直径σ
ff
、截断半径r
cut
；
13.所述吸附剂的参数信息，包括：吸附剂分子的势阱εs、分子的碰撞直径σs、孔结构以及吸附剂密度ρs；
14.所述孔结构包括狭缝孔、圆柱孔和球状孔。
15.在具体的实施例中，所述根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，具体包括：
16.根据所述巨正则蒙特卡罗模型，在体积为v的盒子内进行巨正则蒙特卡罗模拟；
17.所述巨正则蒙特卡罗模拟的过程中维持化学势、体积及温度(μ，v，t)不变，所述盒子内的粒子数n为变量；
18.在所述巨正则蒙特卡罗模拟时，每一循环均包含以相等概率随机选取的三种分子扰动：分子的空间移动、插入一个分子以及删除一个分子；
19.所述巨正则蒙特卡罗模拟的具体模拟步骤为：
20.根据所述吸附质的参数信息构建势能方程用于描述吸附质的流体状态：
[0021][0022]
其中，u
lj
为流体分子间的作用势，r为流体分子间的距离。
[0023]
按metropolis抽样的方法从old构型中随机挑选一个分子移动，得到new构型，该移动接受的概率p
acc
为
[0024][0025]
插入分子接受的概率p
acc
为
[0026][0027]
删除分子接受的概率p
acc
为
[0028][0029]
其中，u为所有吸附质分子收到的总能，包含u
lj
以及外部作用势能v
ext
，λ为de-broigle波长，kb表示玻尔兹曼常数，s
→
s'表示从old构型转变为new构型。
[0030]
在具体的实施例中，所述根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本，具体包括：
[0031]
当所述巨正则蒙特卡罗模拟的系统达到平衡时，对所述系统进行抽样并得到用于热力学性质统计的系统平均值，则所述吸附量n
abs
为：
[0032][0033]
其中，符号《x》表示热力学统计变量x的系综平均值，其准确度取决于蒙特卡罗算法的抽样步长，步长越大越准确，na为阿伏伽德罗常数，m
box
为所述巨正则蒙特卡罗模拟的盒子内原子质量之和，获得所述吸附质在吸附剂上的吸附等温线；
[0034]
将体系沿垂直壁面方向或径向方向分为若干格子，则针对r处格子得到所述局部密度为：
[0035][0036]
其中，ρ
mc
(r)为巨正则蒙特卡罗模拟确定吸附质在r处格子的局部密度，《n(r)》为gcmc模拟采样中落入r处格子内分子个数的系综平均，v(r)为r处格子的体积。
[0037]
在具体的实施例中，所述s3具体包括：
[0038]
以s2中巨正则蒙特卡罗模拟确定的ρ
mc
(r)作为输入层的ρ(r)，将所述吸附质的巨势ω表示为：
[0039]
ω[ρ(r)]＝f
id
[ρ(r)]+f
ex
[ρ(r)]+∫drρ(r)[v
ext
(r)-μ]
[0040]
其中，v
ext
(r)为外部作用势能、f
id
[ρ(r)]为理想自由能、f
ex
[ρ(r)]为过剩自由能，所述外部作用势能在所述巨正则蒙特卡罗模型中由所述参数信息所确定；
[0041]
对所述过剩自由能f
ex
[ρ(r)]进行改进，得到改进的过剩自由能为：
[0042][0043]
其中，对加权密度进行近似求解，得到所述加权密度如下式所示：
[0044][0045]
其中θ(σ
ff-|r-r
′
|)表示卷积核函数，则将加权密度改进表示为：
[0046][0047]
其中，fft和fft-1
分别代表傅里叶变换和逆变换，再根据所述加权密度求解改进的过剩自由能
[0048]
在具体的实施例中，所述s4具体包括：
[0049]
使得所述巨势ω满足则由所述卷积神经网络训练得到的局部密度ρ
ml
(r)的公式为：
[0050]
[0051]
其中，β＝1/(k
b t)，通过picard迭代求解所述局部密度ρ
ml
(r)；
[0052]
所述卷积神经网络包含输入层、卷积层、池化层以及全连接层，将所述局部密度作为所述输入层的输入；
[0053]
所述卷积层对所述局部密度进行特征提取，将所述局部密度转化为所述加权密度；
[0054]
所述池化层利用自然运算符的组合对所述加权密度进行池化；
[0055]
所述全连接层对所述池化层的结果进行处理得到过剩自由能泛函的偏导数
[0056]
再根据所述局部密度的公式通过picard迭代求解从而更新所述局部密度ρ
ml
(r)的值；
[0057]
根据所述吸附量、所述局部密度以及所述局部密度构建损失函数，通过梯度下降法反推每层中的加权系数，从而更新每层中的卷积核函数，直至损失函数达到收敛条件，确定此时的卷积核，根据此时的卷积核确定所述改进的过剩自由能
[0058]
在具体的实施例中，所述收敛条件具体包括：
[0059]
根据所述卷积神经网络输出的吸附等温线以及等量吸附热，与所述巨正则蒙特卡罗模型模拟得出的吸附等温线以及等量吸附热相比较，若相对累计误差在一定范围内，则满足所述收敛条件。
[0060]
又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文所述的视频渲染的方法。
[0061]
又一方面，提供了一种视频渲染的装置，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如上文所述的视频渲染的方法。
[0062]
上述技术方案具有如下技术效果：
[0063]
将卷积神经网络应用在cdft卷积核的深度学习过程中。通过建立适用于狭缝孔、圆柱孔以及球形孔的gcmc理论吸附模型，确定不同化学势、温度条件下简单lennard-jones流体在圆柱孔沿径向的局部密度与吸附量作为学习数据，通过深度学习建立描述cdft中过剩自由能的多层卷积神经网络，以上述学习数据作为输入对象，以每次学习过程中确定的新的局部密度作为输出，构建损失函数，通过梯度下降法最终确定cdft的过剩自由能展开式。从而在保证计算精度的同时提升了gcmc理论吸附模型在气体吸附表征上的计算速度。
附图说明
[0064]
图1为本发明一实施例的密度泛函理论展开项改进方法的流程示意图；
[0065]
图2为本发明一实施例的gcmc模拟吸附质流体在吸附剂为圆柱孔中的结果图；
[0066]
图3为本发明一实施例的通过卷积神经网络获得经典密度泛函理论泛函展开项的流程图；
[0067]
图4为本发明一实施例的吸附质分子在吸附剂上的吸附参数表；
[0068]
图5为本发明一实施例的gcmc模拟中吸附剂的物性参数表；
[0069]
图6为本发明一实施例的一种密度泛函理论展开项改进装置的结构示意图。
具体实施方式
[0070]
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0071]
现结合附图和具体实施方式对本发明进一步说明。
[0072]
实施例一：
[0073]
图1为本发明一实施例一种密度泛函理论展开项改进的方法的流程示意图。在该实施例中，包括以下步骤：
[0074]
s1：获取吸附质和吸附剂的参数信息；
[0075]
s2:根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，并根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本；
[0076]
s3：利用卷积核函数以及所述吸附质的参数信息表示加权密度，再利用所述加权密度表示经典密度泛函理论的过剩自由能展开项；
[0077]
s4：构建用于描述所述过剩自由能展开项的卷积神经网络，再利用所述深度学习的样本对所述卷积神经网络进行训练，以每次训练得到的局部密度作为输出构建损失函数，当所述损失函数满足收敛条件时确定卷积核，从而根据所述卷积核确定所述经典密度泛函理论过剩自由能展开项。
[0078]
在具体的实施例中，所述s1中，
[0079]
所述吸附质的参数信息，包括：吸附质分子间的势阱ε
ff
、分子的碰撞直径σ
ff
、截断半径r
cut
；
[0080]
所述吸附剂的参数信息，包括：吸附剂分子的势阱εs、分子的碰撞直径σs、孔结构以及吸附剂密度ρs；
[0081]
所述孔结构包括狭缝孔、圆柱孔和球状孔。
[0082]
在具体的实施例中，所述根据所述参数信息，建立吸附质在不同的孔径宽度范围内的吸附剂上的巨正则蒙特卡罗模型，具体包括：
[0083]
根据所述巨正则蒙特卡罗模型，在体积为v的盒子内进行巨正则蒙特卡罗模拟；
[0084]
所述巨正则蒙特卡罗模拟的过程中维持化学势、体积及温度(μ，v，t)不变，所述盒子内的粒子数n为变量；
[0085]
在所述巨正则蒙特卡罗模拟时，每一循环均包含以相等概率随机选取的三种分子扰动：分子的空间移动、插入一个分子以及删除一个分子；
[0086]
所述巨正则蒙特卡罗模拟的具体模拟步骤为：
[0087]
根据所述吸附质的参数信息构建势能方程用于描述吸附质的流体状态：
[0088][0089]
其中，u
lj
为流体分子间的作用势，r为流体分子间的距离。
[0090]
按metropolis抽样的方法从old构型中随机挑选一个分子移动，得到new构型，该
移动接受的概率p
acc
为
[0091][0092]
插入分子接受的概率p
acc
为
[0093][0094]
删除分子接受的概率p
acc
为
[0095][0096]
其中，u为所有吸附质分子收到的总能，包含u
lj
以及外部作用势能v
ext
，λ为de-broigle波长，kb表示玻尔兹曼常数，s
→
s'表示从old构型转变为new构型。在实际的模拟中，最终的统计结果表明一个分子被插入与被删除的接受概率是相等的，这取决于生产随机数的品质。
[0097]
更进一步，步骤s2中，依据吸附质的流体参数，以及吸附剂的结构参数，完善外部势能方程：
[0098]
按照逐步完善模型的思路，在进行gcmc模拟时，假设表面能量分布均匀。
[0099]
对于狭缝孔，外部势能只与壁面垂直方向z有关，使用以下势能方程描述：
[0100][0101]
对于孔径为r的圆柱孔，外部势能只与径向r有关，使用以下势能方程描述：
[0102][0103]
其中，2f1为超几何函数，ρs为吸附剂密度，δ为吸附剂原子层间的厚度，ε
sf
和σ
sf
分别代表吸附剂与吸附质分子间的相互作用参数，由lorenz-berhelot混合法则确定。
[0104]
在具体的实施例中，所述根据所述巨正则蒙特卡罗模型模拟不同温度、压力和化学势条件下，吸附质在不同孔宽度的吸附剂上的吸附行为，获得相应的吸附量和局部密度作为深度学习的样本，具体包括：
[0105]
在具体的实施例中，所述收敛条件具体包括：
[0106]
根据所述卷积神经网络输出的吸附等温线以及等量吸附热，与所述巨正则蒙特卡罗模型模拟得出的吸附等温线以及等量吸附热相比较，若相对累计误差在一定范围内，则满足所述收敛条件。
[0107]
一个完整的gcmc模拟中被分为两个阶段：平衡阶段与取样阶段。因为，在模拟启动时，模拟盒子内部的系统并没有达到平衡状态，需要进行若干步长达到平衡。系统达到平衡以后，即可对系统进行抽样并得到用于热力学性质统计的系统平均值。若在mc计算的统计过程中，抽样总步长为n
step
，那么所需要求解的热力学统计变量由系统平均获得。
[0108]
因此，当所述巨正则蒙特卡罗模拟的系统达到平衡时，对所述系统进行抽样并得
到用于热力学性质统计的系统平均值，则所述吸附量为：
[0109][0110]
其中，符号《x》表示热力学统计变量x的系综平均值，其准确度取决于蒙特卡罗算法的抽样步长，步长越大越准确，na为阿伏伽德罗常数，m
box
为所述巨正则蒙特卡罗模拟的盒子内原子质量之和，获得所述吸附质在吸附剂上的吸附等温线；通过上述步骤就可获得吸附流体在吸附剂上的吸附等温线，在后续的步骤中将上述巨正则蒙特卡罗模拟得到的吸附等温线与cdft的吸附等温线进行对比，若模拟结果满足不了精度要求，需要改进s4中的卷积神经网络构和损失函数，直至满足精度。
[0111]
进一步的，吸附热同样可以直接通过对热力学波动进行统计获得，如下式：
[0112][0113]
式中，q
st
在计算过程会出现波动，但是用于抽样的步长越长，q
st
会逐渐平稳下来。
[0114]
在本实施例中，将体系沿垂直壁面方向或径向方向分为若干格子，则针对r处格子得到所述局部密度为：
[0115][0116]
其中，《n(r)》为gcmc模拟采样中落入r处格子内分子个数的系综平均，v(r)为r处格子的体积。
[0117]
在具体的实施例中，所述s3具体包括：
[0118]
依据吸附质局部密度ρ(r)，将所述吸附质的巨势ω表示为：
[0119]
ω[ρ(r)]＝f
id
[ρ(r)]+f
ex
[ρ(r)]+∫drρ(r)[v
ext
(r)-μ]
ꢀꢀꢀꢀ
(10)
[0120]
其中，v
ext
(r)为外部作用势能、f
id
[ρ(r)]为理想自由能、f
ex
[ρ(r)]为过剩自由能，所述外部作用势能在所述巨正则蒙特卡罗模型中由所述参数信息所确定；
[0121]
对所述过剩自由能f
ex
[ρ(r)]进行改进，得到改进的过剩自由能为：
[0122][0123]
其中，对加权密度进行近似求解，得到所述加权密度如下式所示：
[0124][0125]
其中θ(σ
ff-|r-r
′
|)表示卷积核函数，则将加权密度改进表示为：
[0126][0127]
其中，fft和fft-1
分别代表傅里叶变换和逆变换，再根据所述加权密度求解改进的过剩自由能
[0128]
在具体的实施例中，所述s4具体包括：
[0129]
使得所述巨势ω满足则由所述卷积神经网络训练得到的局部密度的公式为：
[0130][0131]
其中，β＝1/(k
b t)，通过picard迭代求解所述局部密度ρ
ml
(r)；
[0132]
所述卷积神经网络包含输入层、卷积层、池化层以及全连接层，将所述局部密度作为所述输入层的输入；
[0133]
所述卷积层对所述局部密度进行特征提取，将所述局部密度转化为所述加权密度；
[0134]
所述池化层利用自然运算符的组合对所述加权密度进行池化；
[0135]
所述全连接层对所述池化层的结果进行处理得到过剩自由能泛函的偏导数
[0136]
再根据所述局部密度的公式通过picard迭代求解从而更新所述局部密度ρ
ml
(r)的值；
[0137]
根据所述吸附量、所述局部密度以及所述局部密度构建损失函数，通过梯度下降法反推每层中的加权系数，从而更新每层中的卷积核函数，直至损失函数达到收敛条件，确定此时的卷积核，根据此时的卷积核确定所述改进的过剩自由能
[0138]
进一步的，在本实施例中，深度学习中卷积核的确定是通过反向学习确定，即根据损失函数明确学习目标的准确性。卷积神经网络包含输入、卷积层、池化层以及全连接层。通过gcmc模拟确定的局部密度ρ
mc
即为深度学习的输入层。卷积层的作用主要是将输入的局部密度的特征提取，根据公式
[0139][0140]
将输入的局部密度转化为加权密度；池化层作用是对加权密度进行操作，并组合使其特征被激活。对于图像处理，使用平均函数或者最大函数；而针对cdft，本发明采用方程学习网络，通过若干自然运算符的组合进行池化；池化层确定的函数组合形式，将通过自动求解偏微分的形式作为激活函数；全连接层对应于具有1
×
1大小的滤波器的卷积层，它将每个单元密集地连接到前一层的所有单元，获得结果为或者局部加权密度对应的过剩自由能
[0141]
进一步的，本发明采用l2范数正则化建立损失函数j：
[0142][0143]
式中，n代表吸附等温线平衡压力的个数，即为训练样本的数量，α为正则化强度。深度学习通过梯度下降法反推每层中的加权系数ωi，直至损失函数j达到收敛条件。为了避免学习过程出现过拟合的状态，一旦学习模型的泛化能力下降，学习过程就会停止或减慢，这时需要调整α。
[0144]
最终，检测卷积神经网络输出的吸附等温线以及等量吸附热等结果，相比于gcmc模拟的结果是否满足相对累积误差在2％以内的指标，如不满足需对卷积神经网络进行完善；如满足要求，得出描述cdft过剩自由能展开项的卷积神经网络。
[0145]
实施例二：
[0146]
图4为本发明一实施例的吸附质分子在吸附剂上的吸附参数表，图5为本发明一实施例的gcmc模拟中吸附剂的物性参数表；
[0147]
本实施例中，根据图1中的s1，假定吸附质分子为氩，吸附剂为多壁碳纳米管，获得的具体参数参阅图1和图2。
[0148]
根据图1中的s2，设定压力，温度以及化学势，根据式(1)～(4)和(6)进行gcmc模拟，并在此基础上利用式(7)～(9)进行热力学平衡和统计，确定吸附量n
abs
、吸附热q
st
以及沿轴向r分布的局部密度ρ
mc
(r)；
[0149]
如图2所示，改变压力，保持温度和化学势不变，重复实施s2，改变不同孔宽，从而通过gcmc模拟确定p/p0在0～1范围内的吸附等温线、等量吸附热以及足够数量学习样本的局部密度ρ
mc
(r)；
[0150]
根据图1中的s3，选择需要明确的cdft过剩自由能的理论模型，根据式(10)～(13)构建cdft过剩自由能展开项。根据假定吸附剂的圆柱孔，以径向方向r离散求解空间，初始化式(13)中θ卷积核函数，依据式(14)通过picard迭代求解ρ
ml
(r)。
[0151]
依据s3构建包含输入层、卷积层、池化层以及全连接层的卷积神经网络。
[0152]
卷积神经网络的输入层为gcmc模拟确定的局部密度ρ
mc
。类似于式(12)转化为加权密度，卷积层的作用主要是将输入的局部密度的特征提取。池化层作用是对加权密度进行操作，并组合使其特征被激活。全连接层基本上对应于具有1
×
1大小的滤波器的卷积层，它会将每个单元密集地连接到前一层的所有单元。
[0153]
构建用于描述简单吸附流体的cdft过剩自由能泛函的方程学习网络。首先，为获得准确的加权密度ni(r)，函数方程学习网络前是一个含l卷积层前置式神经网络(l≥6，ni(r)对应卷积层)；其次，利用函数方程学习网络，构建加权密度ni(r)与自然运算符结合的卷积层，用以构造具有少数灵活组合规则和加权密度的过剩自由能泛函；最后，通过全连接层得到过剩自由能泛函的偏导数，最终获得结果为或者局部加权密度对应的过剩自由能从而依据式(14)通过picard迭代求解新的ρ
ml
(r)。
[0154]
利用式(15)建立l2范数正则化的损失函数j。通过梯度下降法反推更新每层中的卷积核函数θ，每次迭代过程依据式(14)通过picard迭代求解新的ρ
ml
(r)，通过式(15)反向学习更新每层中的卷积核，直至损失函数j达到收敛条件。
[0155]
依据s3，如图3所示，检测卷积神经网络输出的吸附等温线以及等量吸附热等结果，相比于gcmc模拟的结果是否满足相对累积误差在2％以内的指标，如不满足需对卷积神经网络进行完善；如满足要求，得出描述cdft过剩自由能展开项的卷积神经网络。
[0156]
实施例三：
[0157]
本发明还提供一种密度泛函理论展开项改进装置，如图6所示，该装置包括处理器601、存储器602、总线603、以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序，处理器601包括一个或一个以上处理核心，存储器602通过总线603与处理器601
相连，存储器602用于存储程序指令，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
[0158]
进一步地，作为一个可执行方案，所述一种密度泛函理论展开项改进装置可以是计算机单元，该计算机单元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。所述计算机单元可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述计算机单元的组成结构仅仅是计算机单元的示例，并不构成对计算机单元的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如所述计算机单元还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
[0159]
进一步地，作为一个可执行方案，所称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。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，所述处理器是所述计算机单元的控制中心，利用各种接口和线路连接整个计算机单元的各个部分。
[0160]
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，实现所述计算机单元的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0161]
实施例四：
[0162]
本发明还提供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本发明实施例上述方法的步骤。
[0163]
所述计算机单元集成的模块/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-onny memory)、随机存取存储器(ram，random access memory)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。
[0164]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。