回声消除方法及神经网络的训练方法、装置、介质、设备与流程

本公开涉及声音处理技术，尤其是一种回声消除方法及神经网络的训练方法、装置、介质、设备。

背景技术：

在智能音箱等音频设备中，传声器采集到的语音信号往往受到本地扬声器播放声音的干扰，这些回声干扰直接影响语音采集质量。对此，现有技术通常以扬声器的激励电压信号作为参考信号，使用回声消除算法，消除采集到的语音信号中的回声信号。但当扬声器播放声音较大时，由于扬声器系统的非线性特性，扬声器播放的信号与激励电压信号有较大差异，此时以扬声器的激励电压信号作为参考信号，无法实现有效的回声消除。

技术实现要素：

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种回声消除方法和装置、存储介质、电子设备。

根据本公开实施例的一个方面，提供了一种回声消除方法，包括：

获得输入到扬声器的激励电压值；

利用第一神经网络对所述激励电压值进行处理，获得声压信号值；

基于所述声压信号值对所述扬声器进行回声消除。

根据本公开实施例的另一方面，提供了一种神经网络的训练方法，包括：

获取样本激励电压集，所述样本激励电压集包括多个样本激励电压值，每个所述样本激励电压值包括对应的真实声压信号值；

基于所述样本激励电压集对所述第一神经网络进行训练。

根据本公开实施例的又一方面，提供了一种回声消除装置，包括：

激励电压确定模块，用于获得输入到扬声器的激励电压值；

声压信号确定模块，用于利用第一神经网络对所述激励电压值进行处理，获得声压信号值；

回声消除模块，用于基于所述声压信号确定模块确定的声压信号值对所述扬声器进行回声消除。

根据本公开实施例的还一方面，提供了一种神经网络的训练装置，包括：

样本集获取模块，用于获取样本激励电压集，所述样本激励电压集包括多个样本激励电压值，每个所述样本激励电压值包括对应的真实声压信号值；

网络训练模块，用于基于所述样本集获取模块获得的样本激励电压集对所述第一神经网络进行训练。

根据本公开实施例的再一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述实施例所述的回声消除方法，或用于执行上述实施例所述的神经网络的训练方法。

根据本公开实施例的再一方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述实施例所述的回声消除方法，或实现上述实施例所述的神经网络的训练方法。

基于本公开上述实施例提供的一种回声消除方法及神经网络的训练方法、装置、介质、设备，获得输入到扬声器的激励电压值；利用第一神经网络对激励电压值进行处理，获得声压信号值；基于声压信号值对扬声器进行回声消除，由于直接以激励电压值作为参考，无法有效消除扬声器系统非线性畸变引入的非线性分量，而本公开实施例中的声压信号值为使用机器学习的方法估计的经过非线性畸变后的声压信号，因此可在不增加硬件的前提下，以声压信号值作为参考信号，有效提升了对扬声器非线性畸变的处理能力；并且由于未增加额外的硬件，不会出现信号采集饱和现象。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本公开所适用的回声消除系统的结构示意图。

图2是本公开一示例性实施例提供的回声消除方法的流程示意图。

图3是本公开一示例性实施例提供的神经网络的训练方法的流程示意图。

图4是本公开图3所示的实施例中步骤302的一个流程示意图。

图5是本公开图4所示的实施例中步骤3022的一个流程示意图。

图6是本公开图3所示的实施例中步骤301的一个流程示意图。

图7是本公开一示例性实施例提供的回声消除装置的结构示意图。

图8是本公开一示例性实施例提供的神经网络的训练装置的结构示意图。

图9是本公开另一示例性实施例提供的神经网络的训练装置的结构示意图。

图10是本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

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讨论。

本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

申请概述

在实现本公开的过程中，发明人发现，现有的回声消除方案是在扬声器的近端装置传声器，直接采集包含非线性畸变的声压信号，以此信号作为回声消除的参考信号。该方案至少存在以下问题：需要使用额外的传声器，增加硬件成本，以及引起期望语音畸变。

示例性系统

图1是本公开所适用的回声消除系统的结构示意图。如图1所示，其中，xmic为传声器采集到的信号，ue为扬声器激励电压信号，pest为估计的经过非线性畸变后的声压信号，y为消除回声后的输出信号，aec为声学回声消除(acousticechocancellation)，用于实现基于声压信号pest对信号xmic进行回声消除，获得输出信号y。

图1中回声消除系统中的非线性扬声器系统模型是通过机器学习的方式获得的，可选地，可认为该非线性扬声器系统模型的结构为一深度神经网络，本实施例不限制该非线性扬声器系统模型的具体结构；该非线性扬声器系统模型的输入信号为扬声器的激励电压ue(n)，输出信号为同步采集的扬声器发出的声压信号pest(n)，在训练阶段，通过比较预测的声压信号pest(n)与实测声压信号pmea(n)的差别，实现对非线性扬声器系统模型的训练，获得训练后准确性较高的非线性扬声器系统模型，其中，实测声压信号pmea(n)可以通过传声器实测获得，在完成建模(训练)后不再需要传声器，此时根据激励电压信号即可预测输出的声压信号。其中，非线性扬声器系统模型的准确性，可以使用多种评价指标(如，神经网络的损失)，例如可通过以下公式(1)或(2)计算非线性扬声器系统模型的损失：

其中，pmea(n)、pest(n)，以及pmean分别表示实测声压信号、非线性扬声器系统模型预测的声压信号，以及实测声压信号的均值，n为时间索引，n为观测信号的总长度，观测信号是一段时间内，同步采集的激励电压信号和声压信号。

使用机器学习的方法对非线性扬声器系统模型进行建模时，可以使用深度神经网络(dnn)、卷积神经网络(cnn)、循环神经网络(rnn)以及长短时神经网络(lstm)。以dnn为例，输入层为之前时刻1秒钟的激励电压信号，两个隐藏层的神经元个数分别为256和64，输出层为预测的声压信号，误差为预测的声压信号与传声器实测的声压信号的差值。使用dnn和cnn，预测当前时刻的声压信号，需要之前较长时间的数据，可以使用rnn和lstm结构，降低输入层的数据量。

建模时扬声器播放的声音信号包括：白噪声、语音信号、音乐、扫频信号、单频信号等。当采集的数据量足够大时，可以获得足够准确的非线性扬声器系统模型，此时根据扬声器两端的激励电压信号ue，可以准确的估计经过非线性畸变后的声压信号pest。对于同一批次的扬声器单元，单元一致性较好，可以同步采集多个扬声器的激励电压和声压信号作为训练数据，进而获得一个通用的非线性模型。

示例性方法

图2是本公开一示例性实施例提供的回声消除方法的流程示意图。本实施例可应用在电子设备上，如图2所示，包括如下步骤：

步骤201，获得输入到扬声器的激励电压值。

其中，激励电压值为输入到扬声器中的电压值，可通过电压表或基于输入端的监测设备获得该激励电压值。

步骤202，利用第一神经网络对激励电压值进行处理，获得声压信号值。

在一实施例中，声压信号值可为第一神经网络预测的经过非线性畸变后的声压信号。

步骤203，基于声压信号值对扬声器进行回声消除。

例如，不同于现有技术中将激励电压值作为参考信息，本实施例将声压信号值作为参考信号，实现对扬声器的回声消除。

本公开提供的回声消除方法，获得输入到扬声器的激励电压值；利用第一神经网络对激励电压值进行处理，获得声压信号值；基于声压信号值对扬声器输出的回声的消除，由于直接以激励电压值作为参考，无法有效消除扬声器系统非线性畸变引入的非线性分量，而本公开实施例中的声压信号值为使用机器学习的方法估计的经过非线性畸变后的声压信号，因此可在不增加硬件的前提下，以声压信号值作为参考信号，有效提升了对扬声器非线性畸变的处理能力；并且由于未增加额外的硬件，不会出现信号采集饱和现象。

可选地，步骤203包括：将声压信号值作为参考信号，基于参考信号消除扬声器输出的回声。

可选地，获得声压信号值的第一神经网络可以为图1所示的非线性扬声器系统模型，通过非线性扬声器系统模型获得的声压信号值中包含有非线性畸变信号，本实施例使用包含非线性畸变的声压信号作为回声消除的参考信号，可选地，可通过上述图1中的aec实现基于非线性畸变的声压信号作为回声消除的参考信号对扬声器进行回声消除，增强回声消除系统对非线性畸变的抑制能力。

图3是本公开一示例性实施例提供的神经网络的训练方法的流程示意图。本实施例可应用在电子设备上，如图3所示，包括如下步骤：

步骤301，获取样本激励电压集。

其中，样本激励电压集包括多个样本激励电压值，每个样本激励电压值包括对应的真实声压信号值。

步骤302，基于样本激励电压集对第一神经网络进行训练。

本公开提供的神经网络的训练方法，通过对样本激励电压集对第一神经网络进行训练，以使第一神经网络满足基于激励电压值可输出声压信号值的需求，提高基于第一神经网络实现回声消除的效率，在训练过程中，当采集的数据量(样本激励电压集中包括的样本激励电压值的数量)足够大时，可以获得足够准确的非线性扬声器系统模型(对应实施例中的第一神经网络)，此时根据扬声器两端的激励电压值，可以准确的估计经过非线性畸变后的声压信号值，进而为回声消除方法提供更为理想的参考信号。

如图4所示，在上述图3所示实施例的基础上，步骤302可包括如下步骤：

步骤3021，利用第一神经网络分别对样本激励电压集中的每个样本激励电压值进行处理，获得多个预测声压信号值。

步骤3022，基于预测声压信号值和真实声压信号值对第一神经网络的网络参数进行调整。

本实施例提供的第一神经网络，可选地，可以为图1提供的非线性扬声器系统模型，是通过机器学习的方式获得的，训练过程可参照图1提供的非线性扬声器系统模型进行训练的过程，以样本激励电压值作为输入信号，输出信号为预测的声压信号，同时对扬声器输出的声压信号进行实际测量(例如，通过加入传声器进行测量)，通过比较预测的声压信号与实测声压信号的差别，来判断非线性扬声器系统模型的准确性，通过预测的声压信号与实测声压信号之间的差别对第一神经网络的网络参数进行调整，可提高第一神经网络预测的声压信号的准确性，进而提高应用第一神经网络进行回声消除的效果。

如图5所示，在上述图4所示实施例的基础上，步骤3022可包括如下步骤：

步骤501，基于样本激励电压集对应的多个预测声压信号值和多个真实声压信号值，确定网络损失。

在一个可选实施例中，步骤501包括：基于每个样本激励电压值对应的预测声压信号值及其对应的真实声压信号值，获得每个样本激励电压值对应的信号差异；基于样本激励电压集中多个样本激励电压值对应的多个信号差异，获得网络损失。

可选地，本实施例中确定网络损失的具体公式可参照上述公式(1)或公式(2)等，本实施例不限制具体获得网络损失的方法。本实施例以预测声压信号值及其对应的真实声压信号值之间的信号差异确定网络损失，可通过迭代训练，逐渐缩小第一神经网络预测得到的预测声压信号值与真实声压信号值之间的差异，以提高第一神经网络的预测性能。

步骤502，基于网络损失对第一神经网络的网络参数进行调整。

可选地，可通过反向梯度传播的方式利用网络损失对第一神经网络的网络参数进行调整，使第一神经网络中的每层网络层都达到训练目的，以提高第一神经网络的性能，即对输出的激励电压值可获得更准确的预测声压信号值。

如图6所示，在上述图3所示实施例的基础上，步骤301可包括如下步骤：

步骤3011，在设定时间段采集输入扬声器的激励电压值，获得多个激励电压值作为样本激励电压集。

步骤3012，采集在设定时间段扬声器输出的声压信号值，获得多个激励电压值对应的多个声压信号值，将声压信号值作为激励电压值的真实声压信号值。

本实施例通过获得设定时间段的激励电压值和声压信号值，实现在一段时间内对信号进行观测，通过同步采集的激励电压信号和声压信号，实现样本激励电压集的获取，例如，以公式(1)或(2)作为获取网络损失的公式，其中，n为观测信号的总长度，在本实施例中n的取值为该设定时间段，此时以上述公式(1)或(2)中的n为时间索引，通过对设定时间内采集的所有激励电压信号和声压信号获得连续的网络损失，实现对第一神经网络的训练，以提高第一神经网络对连续激励电压信号的处理准确度。

本公开实施例提供的任一种回声消除方法或神经网络的训练方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种回声消除方法或神经网络的训练方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种回声消除方法或神经网络的训练方法。下文不再赘述。

示例性装置

图7是本公开一示例性实施例提供的回声消除装置的结构示意图。本实施例提供的装置包括：

激励电压确定模块71，用于获得输入到扬声器的激励电压值。

声压信号确定模块72，用于利用第一神经网络对激励电压确定模块71获得的激励电压值进行处理，获得声压信号值。

回声消除模块73，用于基于声音信号确定模块72获得的声压信号值对扬声器进行回声消除。

本公开提供的回声消除装置，获得输入到扬声器的激励电压值；利用第一神经网络对激励电压值进行处理，获得声压信号值；基于声压信号值对扬声器输出的回声的消除，在不增加硬件的前提下，使用机器学习的方法获得经过非线性畸变后的声压信号，以声压信号值作为参考信号，有效提升了对扬声器非线性畸变的处理能力；并且由于未增加额外的硬件，不会出现信号采集饱和现象。

可选地，回声消除模块73，具体用于将声压信号值作为参考信号，基于参考信号消除扬声器输出的回声。

图8是本公开一示例性实施例提供的神经网络的训练装置的结构示意图。本实施例提供的装置包括：

样本集获取模块81，用于获取样本激励电压集。

其中，样本激励电压集包括多个样本激励电压值，每个样本激励电压值包括对应的真实声压信号值。

网络训练模块82，用于基于样本集获取模块81获得的样本激励电压集对第一神经网络进行训练。

本公开提供的神经网络的训练装置，通过对样本激励电压集对第一神经网络进行训练，以使第一神经网络满足基于激励电压值可输出声压信号值的需求，提高基于第一神经网络实现回声消除的效率，在训练过程中，当采集的数据量(样本激励电压集中包括的样本激励电压值的数量)足够大时，可以获得足够准确的非线性扬声器系统模型(对应实施例中的第一神经网络)，此时根据扬声器两端的激励电压值，可以准确的估计经过非线性畸变后的声压信号值，进而为回声消除方法提供更为理想的参考信号。

图9是本公开另一示例性实施例提供的神经网络的训练装置的结构示意图。本实施例提供的装置包括：

在该实施例中，样本集获取模块81包括：

输入电压采集单元811，用于在设定时间段采集输入扬声器的激励电压值，获得多个激励电压值作为样本激励电压集。

输出电压采集单元812，用于采集在所设定时间段扬声器输出的声压信号值，获得多个激励电压值对应的多个声压信号值，将声压信号值作为激励电压值的真实声压信号值。

在该实施例中，网络训练模块82包括：

信号预测单元821，用于利用第一神经网络分别对样本激励电压集中的每个样本激励电压值进行处理，获得多个预测声压信号值。

参数调整单元822，用于基于预测声压信号值和真实声压信号值对第一神经网络的网络参数进行调整。

可选地，参数调整单元822，具体用于基于样本激励电压集对应的多个预测声压信号值和多个真实声压信号值，确定网络损失；基于网络损失对第一神经网络的网络参数进行调整。

可选地，参数调整单元822在确定网络损失的过程中，用于基于每个样本激励电压值对应的预测声压信号值及其对应的真实声压信号值，获得每个样本激励电压值对应的信号差异；基于样本激励电压集中多个样本激励电压值对应的多个信号差异，获得网络损失。

示例性电子设备

下面，参考图10来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图10图示了根据本公开实施例的电子设备的框图。

如图10所示，电子设备10包括一个或多个处理器101和存储器102。

处理器101可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器102可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器101可以运行所述程序指令，以实现上文所述的本公开的各个实施例的回声消除方法或神经网络的训练方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置103和输出装置104，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备100或第二设备200时，该输入装置103可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置103可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。

此外，该输入设备103还可以包括例如键盘、鼠标等等。

该输出装置104可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备104可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图10中仅示出了该电子设备10中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的回声消除方法或神经网络的训练方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的回声消除方法或神经网络的训练方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。