非线性系统校正方法、装置及电子设备与流程
本申请涉及信号处理技术领域，具体涉及一种非线性系统校正方法、装置及电子设备。
背景技术：
几乎所有的自然或人工系统均表现出某种程度的非线性现象，这类输入与输出不满足线性关系的系统被称为非线性系统，典型的例子包括流体系统，光学系统，射频收发系统，模拟电路系统等等。使用信号这一概念表示非线性系统中一个或多个可测量物理参数的数学变化关系，如压强、光强、电压等，那么一个非线性系统的输出信号将包含各种非线性成分，非线性成分又可以进一步分解为谐波、互调、杂散、量化噪声等失真项。这些非线性失真的存在将显著限制信号处理系统从输出信号中分离期望的线性信号的能力，进而限制系统的整体性能。
例如，在通信领域中应用广泛的模数转换器、功率放大器等器件很容易引起通信信号的非线性失真，这些非线性失真的存在将会显著影响通信设备的性能。如图1所示，图1中展示的是一个模数转换器输出的数字信号的频谱。频谱中除了功率最大的输入双音信号外，还存在许多非线性信号。这些非线性信号是由输入信号经过非线性系统之后产生的，既与输入信号的特性有关，也与系统的非线性响应有关。
目前，对非线性信号进行分析处理的方法包括神经网络、模糊逻辑、贝叶斯估计和记忆多项式等。在实际的非线性系统建模中，记忆多项式模型使用较为广泛，包括wiener模型、hammerstein模型、volterra模型等，其中volterra模型效果最好。但是，用volterra模型表示系统非线性的最大缺点是计算复杂度过高。随着所假设的非线性阶数和记忆深度的提高，volterra模型中参数的数量将会快速增加，最终达到难以在实际系统中有效求解的程度。为了克服这一困难，目前现有技术中提出的解决方案主要是选择特定坐标系下的部分记忆组合项，如使用横向坐标系，对角坐标系或立方体坐标系等。这些特定坐标系的选择会限制volterra模型的准确性，对于较为复杂的非线性系统，特定坐标系也很难使计算复杂度进一步降低。此外，目前基于记忆多项式模型的非线性校正方法基本都在时域对信号进行处理，这一方面会因需要存储和处理的数据量大，增大了系数求解难度以及硬件资源的消耗，另一方面求解效果也会受到调制、加扰等信号处理操作的影响。
技术实现要素：
有鉴于此，本发明的主要目的在于提供了一种非线性系统校正方法、装置及电子设备，用于解决现有技术中的非线性系统校正方法的计算复杂度较高、校正效果较差的技术问题。
依据本申请的第一方面，提供了一种非线性系统校正方法，包括：
构建所述非线性系统的多音正弦激励信号；
将所述多音正弦激励信号作为训练信号输入至所述非线性系统，输出得到所述非线性系统的时域训练数据；
利用volterra模型对所述非线性系统的时域训练数据进行频域建模，得到矩阵形式的所述非线性系统的频域训练数据，记为频域训练矩阵，所述频域训练矩阵中包括待求解的volterra核系数向量和所述volterra模型的延时组合对应的volterra核向量；
利用运筹优化模型求解所述频域训练矩阵，得到所述volterra核系数向量的稀疏解及所述稀疏解中每个非零项系数对应的延时组合；
根据所述volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从所述非线性系统的实际输出信号中去除所述抵消信号，得到所述非线性系统校正后的不含非线性成分的输出信号。
依据本申请的第二方面，提供了一种非线性系统校正装置，包括：
激励信号构建单元，用于构建所述非线性系统的多音正弦激励信号；
时域训练数据输出单元，用于将所述多音正弦激励信号作为训练信号输入至所述非线性系统，输出得到所述非线性系统的时域训练数据；
频域建模单元，用于利用volterra模型对所述非线性系统的时域训练数据进行频域建模，得到矩阵形式的所述非线性系统的频域训练数据，记为频域训练矩阵，所述频域训练矩阵中包括待求解的volterra核系数向量和所述volterra模型的延时组合对应的volterra核向量；
求解单元，用于利用运筹优化模型求解所述频域训练矩阵，得到所述volterra核系数向量的稀疏解及所述稀疏解中每个非零项系数对应的延时组合；
校正单元，用于根据所述volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从所述非线性系统的实际输出信号中去除所述抵消信号，得到所述非线性系统校正后的不含非线性成分的输出信号。
依据本申请的第三方面，提供了一种电子设备，包括：存储计算机可执行指令的存储器以及处理器，
所述可执行指令在被所述处理器执行时，实现前述非线性系统校正方法。
依据本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现前述的非线性系统校正方法。
本申请的有益效果是：通过构建多音正弦激励信号对系统的非线性响应进行训练；利用volterra模型将时域训练数据转换到频域，进行非线性系统的频域建模，构建矩阵形式的频域训练矩阵，本申请实施例采用的频域信号处理方法，可以在不损失计算精度的前提下，大幅度降低后续求解模型系数的计算复杂度；之后将频域训练矩阵的系数计算问题转换为运筹优化模型的求解问题，通过对运筹优化模型的求解可以得到频域训练矩阵的最简表示和最优系数，降低了系统对硬件资源的需求；最后根据求解出的volterra核系数向量的每个非零项系数及对应的延时组合生成能够抵消输出信号中非线性成分的抵消信号，从非线性系统的实际输出信号中去除该抵消信号，进而可以得到校正后的不含非线性成分的输出信号。通过本申请实施例，可以对非线性系统的复杂非线性行为进行建模和校正，提升了非线性系统的线性响应性能。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为现有技术中的模数转换器输出的数字信号的频谱示意图；
图2为本申请一个实施例的非线性系统校正方法的流程图；
图3为本申请一个实施例的非线性系统实际运行时的抵消过程示意图；
图4为本申请一个实施例的训练过程中双音正弦激励信号的频率选择方式示意图；
图5为本申请一个实施例的利用时域训练信号计算频域延时组合的流程示意图；
图6为本申请一个实施例的频域训练矩阵构建过程示意图；
图7为本申请一个实施例的非线性校正模型对实际输出信号的抵消效果示意图；
图8为本申请一个实施例的非线性系统校正装置的框图；
图9为本申请一个实施例中电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
图2示出了根据本申请一个实施例的非线性系统校正方法的流程示意图，参见图2，本申请实施例的非线性系统校正方法包括如下步骤s210至步骤s250：
步骤s210，构建非线性系统的多音正弦激励信号。
在对非线性系统进行校正之前，需要进行校正模型的构建。为构建校正模型，首先需要根据非线性系统的实际输出信号的频率范围和采样频率构建非线性系统的多音正弦激励信号，构建好的多音正弦激励信号u(t)可以表示如下：
其中，m表示激励信号中正弦分量的个数。
上述多音正弦激励信号可以是双音正弦激励信号，也可以是双音以上的三音或者更多音正弦激励信号。本申请实施例考虑到系统的硬件复杂度的限制，可以构建双音正弦激励信号，同样可以获得较好的训练效果。
步骤s220，将多音正弦激励信号作为训练信号输入至非线性系统，输出得到非线性系统的时域训练数据。
在得到多音正弦激励信号后，可以通过向系统发射多音正弦激励信号的方式来得到系统的非线性响应，具体地，将多音正弦激励信号作为训练信号依次输入非线性系统，可以得到非线性系统的输出信号，作为时域训练数据y(t)。
步骤s230，利用volterra模型对非线性系统的时域训练数据进行频域建模，得到矩阵形式的非线性系统的频域训练数据，记为频域训练矩阵，频域训练矩阵中包括待求解的volterra核系数向量和volterra模型的延时组合对应的volterra核向量。
本申请实施例采用volterra模型进行非线性系统的频域建模，相比于其他的非线性信号处理模型，volterra模型具有更好的计算准确度，当然本领域技术人员也可以根据实际需求选择其他模型，在此不一一列举。
通过volterra模型对非线性系统进行频域建模，可以将时域训练数据转换到频域，进而得到矩阵形式的非线性系统的频域训练数据，即频域训练矩阵，这里的频域训练矩阵可以由待求解的volterra核系数向量和volterra模型的延时组合对应的volterra核向量所组成，具体可以表示为：
其中，f表示傅里叶变换，hn(τ1,...,τn)为待求解的volterra核系数，
本申请实施例的频域信号处理方式可以在不损失计算精度的前提下，大幅度降低后续求解模型系数的计算复杂度。
步骤s240，利用运筹优化模型求解频域训练矩阵，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合。
本申请实施例可以采用运筹优化模型来对频域训练矩阵中待求解的volterra核系数向量h进行求解，具体地，可以先建立如下形式的运筹优化模型：
其中，y为与多音正弦激励信号对应的非线性系统频域输出信号也即频域训练矩阵，ò为非线性系统实际频域输出信号与训练得到的非线性系统频域输出信号之间的误差。
对于volterra核系数向量h的求解，可以采用二阶圆锥规划法、最小二乘法、基追踪算法以及贪婪算法等任意一种方法来实现，在此不作具体限定。
步骤s250，根据volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从非线性系统的实际输出信号中去除抵消信号，得到非线性系统校正后的不含非线性成分的输出信号。
在求解得到volterra核系数向量h的稀疏解后，可以根据volterra核系数向量h中的每个非零项系数及其对应的延时组合生成抵消信号，从非线性系统的实际输出信号中去掉该抵消信号，进而可以得到非线性系统校正后的不含非线性成分的输出信号。
具体地，假设步骤s240中求解出的volterra核系数向量h中的k个非零项的值为c1,...,ck，每个系数值ci对应一组n阶延时组合项(τ1,...,τn)。在非线性系统实际运行过程中，可以按如下方式将系统的输出信号y(n)组合成抵消信号ynl：
最后，从y(n)中减去ynl，即可得到不含非线性成分的输出信号。如图3所示，提供了一种非线性系统实际运行时的抵消过程示意图。
本申请实施例的非线性系统校正方法通过将时域信号转换到频域，对频域信号进行处理，在不损失计算精度的前提下，大幅度降低了求解非线性校正模型的计算复杂度。通过本申请实施例，可以对非线性系统复杂的非线性行为进行建模和校正，提升了非线性系统的线性响应性能。
在本申请的一个实施例中，构建非线性系统的多音正弦激励信号包括：获取非线性系统的实际输出信号的频率范围和采样频率；将频率范围分割为多个信号频点，利用多个信号频点构建多音正弦激励信号。
本申请实施例在构建非线性系统的多音正弦激励信号时，可以先确定非线性系统实际输出信号的频率范围[fstart,fend]和采样频率fs，然后根据该频率范围和采样频率，将频率范围划分为n个信号频点fi,i＝1,...,n，利用这n个信号频点构建得到多音正弦激励信号。
在本申请的一个实施例中，将频率范围分割为多个信号频点，利用多个信号频点构建多音正弦激励信号包括：对多个信号频点通过等间隔的频点设置方式或者随机均匀分布的频点设置方式构建多音正弦激励信号。
本申请实施例在利用多个信号频点构建多音正弦激励信号时，可以采用等间隔频点设置的方式来构建，也可以采用随机均匀分布的频点设置方式，均能够达到同样的训练效果。
举例说明，本申请实施例中的非线性系统可以是以某模数转换芯片为主的射频接收机，其待校正的频率范围可以为30至275mhz，采样率为1ghz，该系统输出信号中的非线性成分ynl(n)表示如下：
其中np为p阶非线性每一个维度的记忆深度，而hp(m1,...,mp)为p阶volterra核的核系数。上述表示即非线性系统的volterra模型，非线性建模的关键问题即在于如何确定各个组合项
为了在保证非线性模型训练效果的同时，最大程度降低计算量，可采用图4所示的等间隔频点设置方式依次发射双音训练信号(f1,f2)。f1和f2均为30至275mhz之间，以5mhz为间隔的单音信号，且f2＞f1，例如：(30,35),(30,40),…(270,275)等，共可以得到1225组不重复的双音组合。这些双音输入信号对应的非线性系统的输出信号将作为训练数据来确定系统的非线性校正模型。
在本申请的一个实施例中，利用volterra模型对非线性系统的时域训练数据进行频域建模，得到矩阵形式的非线性系统的频域训练数据，记为频域训练矩阵包括：利用volterra模型表示非线性系统的时域训练数据，得到包含线性成分和非线性成分的连续时间系统输出响应模型；以预设时间为周期对连续时间系统输出响应模型中的信号进行采样，得到非线性系统的离散训练数据；对非线性系统的离散训练数据进行傅里叶变换，得到非线性系统的频域训练数据；对非线性系统的频域训练数据进行频域卷积处理，得到频域训练矩阵，频域训练矩阵为待求解的volterra核系数向量与volterra模型的延时组合对应的volterra核向量的乘积。
具体实施时，根据volterra模型，非线性系统的时域训练数据y(t)可以表示为：
上式(6)即可以看作是包含线性成分和非线性成分的连续时间系统输出响应模型，hn(τ1,...,τn)为待求解的volterra核系数。对于以ts为周期进行采样的离散系统，上式(6)还可以表示为：
其中，mn为n阶非线性分量的最大记忆深度。
根据频域卷积定理：
其中，
其中，u(ω)为多音正弦激励信号u(t)经过傅里叶变换之后得到的频域信号。
对于离散信号的卷积，可以写成如下形式的矩阵乘法运算：
其中，
其中，f表示傅里叶变换，hn(τ1,...,τn)为待求解的volterra核系数h，
在本申请的一个实施例中，对非线性系统的频域训练数据进行频域卷积处理，得到频域训练矩阵包括：根据多音正弦激励信号的输入信号频率，从非线性系统的频域训练数据中获取多音正弦激励信号对应的频谱值；根据多音正弦激励信号的输入信号频率及对应的频谱值，对非线性系统的频域训练数据进行频域卷积处理，得到频域训练矩阵。
在构建频域训练矩阵时，可以先将获得的时域训练数据经过傅里叶变换转化为频域数据。如图5所示，以双音正弦激励信号为例，根据双音正弦激励信号的输入信号频率，从对应的输出信号中获得输入双音频点对应的频谱值，表示为{(f1,f1),(f2,f2)}，其中f1,f2为输入双音的频率值，而f1,f2为频谱上双音频点位置对应的复数值。对于二阶组合项x(n-m1)×x(n-m2)，其对应的非线性分量可以表示为：
其中，
由于在计算二阶延时组合的时候，{fnl2(m1,m2),fnl2(m3,m4)}均已经计算过，而无需重复计算，所以fnl4(m1,m2,m3,m4)仅需额外进行一次卷积运算。
假设该非线性系统的最大记忆深度为5，那么可能的非重复二阶延时组合为：(0,0),(0,1),(0,2),…,(5,3),(5,4),(5,5)，共有21种。三阶延时组合为：(0,0,0),(0,0,1),…,(5,5,4),(5,5,5)，共有56种。每一组双音的每一种延时组合均对应一系列非线性频点值，如和频、差频、谐波等。将上述所有双音训练信号的所有延时组合所对应的非线性频点值按图6所示方式组合成矩阵形式的变量x。输出信号中的非线性分量按训练双音的顺序组合成目标向量fnl。那么，非线性校正模型的volterra核系数向量h就可以通过求解方程x·h＝fnl来确定。
在本申请的一个实施例中，利用运筹优化模型求解频域训练矩阵，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合包括：利用二阶圆锥规划法对运筹优化模型中待求解的volterra核系数向量进行求解，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合。
为了使获得的非线性校正模型尽可能简洁，从而便于在硬件中实现，待求解的volterra核系数向量h中的非零项的个数需要尽可能少，因此这里可以使用二阶圆锥规划法来进行求解，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合。与传统的基于最小二乘法进行求解的方法相比，二阶圆锥规划法求得的核系数向量h中的大部分元素为0，它们所对应的延时组合项可以省略，从而可以保证非线性校正模型拥有最简形式，简化了系统架构，降低了系统对硬件资源的需求。
图7提供了本申请实施例利用非线性校正模型对实际非线性输出信号的抵消效果，可以看出，输入的双音正弦激励信号在经过抵消后，动态范围提升了约25db，达到了85db左右。
与前述非线性系统校正方法同属于一个技术构思，本申请实施例还提供了非线性系统校正装置。图8示出了本申请一个实施例的非线性系统校正装置的框图，参见图8，非线性系统校正装置800包括：激励信号构建单元810、时域训练数据输出单元820、频域建模单元830、求解单元840和校正单元850。其中，
激励信号构建单元810，用于构建非线性系统的多音正弦激励信号；
时域训练数据输出单元820，用于将多音正弦激励信号作为训练信号输入至非线性系统，输出得到非线性系统的时域训练数据；
频域建模单元830，用于利用volterra模型对非线性系统的时域训练数据进行频域建模，得到矩阵形式的非线性系统的频域训练数据，记为频域训练矩阵，频域训练矩阵中包括待求解的volterra核系数向量和volterra模型的延时组合对应的volterra核向量；
求解单元840，用于利用运筹优化模型求解频域训练矩阵，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合；
校正单元850，用于根据volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从非线性系统的实际输出信号中去除抵消信号，得到非线性系统校正后的不含非线性成分的输出信号。
在本申请的一个实施例中，激励信号构建单元810具体用于：获取非线性系统的实际输出信号的频率范围和采样频率；将频率范围分割为多个信号频点，利用多个信号频点构建多音正弦激励信号。
在本申请的一个实施例中，激励信号构建单元810具体用于：对多个信号频点通过等间隔的频点设置方式或者随机均匀分布的频点设置方式构建多音正弦激励信号。
在本申请的一个实施例中，频域建模单元830具体用于：利用volterra模型表示非线性系统的时域训练数据，得到包含线性成分和非线性成分的连续时间系统输出响应模型；以预设时间为周期对连续时间系统输出响应模型中的信号进行采样，得到非线性系统的离散训练数据；对非线性系统的离散训练数据进行傅里叶变换，得到非线性系统的频域训练数据；对非线性系统的频域训练数据进行频域卷积处理，得到频域训练矩阵，频域训练矩阵为待求解的volterra核系数向量与volterra模型的延时组合对应的volterra核向量的乘积。
在本申请的一个实施例中，频域建模单元830具体用于：根据多音正弦激励信号的输入信号频率，从非线性系统的频域训练数据中获取多音正弦激励信号对应的频谱值；根据多音正弦激励信号的输入信号频率及对应的频谱值，对非线性系统的频域训练数据进行频域卷积处理，得到频域训练矩阵。
在本申请的一个实施例中，求解单元840具体用于：利用二阶圆锥规划法对运筹优化模型中待求解的volterra核系数向量进行求解，得到volterra核系数向量的稀疏解及稀疏解中每个非零项系数对应的延时组合。
需要说明的是：
图9示意了电子设备的结构示意图。请参考图9，在硬件层面，该电子设备包括存储器和处理器，可选地还包括接口模块、通信模块等。存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、接口模块、通信模块和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放计算机可执行指令。存储器通过内部总线向处理器提供计算机可执行指令。
处理器，执行存储器所存放的计算机可执行指令，并具体用于实现以下操作：
构建所述非线性系统的多音正弦激励信号；
将所述多音正弦激励信号作为训练信号输入至所述非线性系统，输出得到所述非线性系统的时域训练数据；
利用volterra模型对所述非线性系统的时域训练数据进行频域建模，得到矩阵形式的所述非线性系统的频域训练数据，记为频域训练矩阵，所述频域训练矩阵中包括待求解的volterra核系数向量和所述volterra模型的延时组合对应的volterra核向量；
利用运筹优化模型求解所述频域训练矩阵，得到所述volterra核系数向量的稀疏解及所述稀疏解中每个非零项系数对应的延时组合；
根据所述volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从所述非线性系统的实际输出信号中去除所述抵消信号，得到所述非线性系统校正后的不含非线性成分的输出信号。
上述如本申请图8所示实施例揭示的非线性系统校正装置执行的功能可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2中非线性系统校正方法执行的步骤，并实现非线性系统校正方法在图2所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序当被处理器执行时，实现前述的非线性系统校正方法，并具体用于执行：
构建所述非线性系统的多音正弦激励信号；
将所述多音正弦激励信号作为训练信号输入至所述非线性系统，输出得到所述非线性系统的时域训练数据；
利用volterra模型对所述非线性系统的时域训练数据进行频域建模，得到矩阵形式的所述非线性系统的频域训练数据，记为频域训练矩阵，所述频域训练矩阵中包括待求解的volterra核系数向量和所述volterra模型的延时组合对应的volterra核向量；
利用运筹优化模型求解所述频域训练矩阵，得到所述volterra核系数向量的稀疏解及所述稀疏解中每个非零项系数对应的延时组合；
根据所述volterra核系数向量的每个非零项系数及其对应的延时组合生成抵消信号，从所述非线性系统的实际输出信号中去除所述抵消信号，得到所述非线性系统校正后的不含非线性成分的输出信号。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其特征在于包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
- 还没有人留言评论。精彩留言会获得点赞！