一种基于深度学习的语音编码方法、系统、介质及设备与流程

1.本技术涉及音频编码技术领域，特别涉及一种基于深度学习的语音编码方法、系统、介质及设备。


背景技术：

2.编码器lc3与现有的cvsd和wbs相比，在相同的采样率下降低了码率，同时提升了音质，但由于lc3基于波形编码技术，与传统的声码器相比，压缩效率很低，举例来说，lc3在8k采样率时的推荐码率为24kbps，但应用于wcdma的amr-nb最大码率仅为12.2kbps，平均码率10kbps以下，应用于cdma系统的evrc-a最大码率为8kbps，平均码率约为5kbps，而3gpp release12推出的应用于volte的evs，其最低码率为5.9kbps。lc3较高的码率占用了较大的带宽，需要更多的发射功率，在公共场合，蓝牙设备较多，相互之间会造成干扰，影响了用户体验，相互干扰的程度与占用的带宽、发射功率有很大关系。
3.基于通话的特性，通常情况下通话的一方只有部分时间在讲话，据统计，通话的一方通常只有约35％的时间在讲话，而目前标准规范的lc3使用固定码率，即开始编码后每一帧语音都是用相同的可用比特数，这就导致一方不说话时仍然使用相同码率编码，造成浪费，此时如果使用标准码率编码，不仅占用较多的带宽资源，而且占用更多的计算资源。


技术实现要素：

4.针对在进行语音通话时的音频编码时，通话一方仅有部分时间进行讲话，存在采用固定码率对空闲通话时间编码，导致码率浪费的问题，本技术提出一种基于深度学习的语音编码方法、系统、介质及设备。
5.第一方面，本技术提出一种基于深度学习的语音编码方法，包括：对输入的音频数据进行特征提取，得到特征参数；将特征参数输入到预训练的神经网络模型中，得到音频数据中存在语音的概率；根据概率对音频数据编码的码率进行调整，其中码率与概率成正比例关系；以及根据调整后的码率对音频数据继续进行编码。
6.可选的，对输入的音频数据进行特征提取，得到特征参数，包括：对音频数据进行分帧，得到音频帧；对音频帧进行低延迟改进型离散余弦变换，得到对应的谱系数；通过谱系数计算得到音频帧对应的能量谱，并通过梅尔滤波器，得到对应的梅尔对数频谱系数。
7.可选的，神经网络的预训练过程包括：获取纯净语音样本和带噪语音样本；分别纯净语音样本和带噪语音样本进行特征提取，得到对应的纯净语音特征参数和带噪语音特征参数；根据语音特征参数和带噪语音特征参数对神经网络进行训练，得到神经网络模型，使得神经网络模型根据输入音频的特征参数得到输入音频中存在语音的概率，其中带噪语音样本通过纯净语音样本和噪声叠加生成。
8.可选的，根据语音特征参数和带噪语音特征参数对神经网络进行训练，包括：根据语音特征参数确定纯净语音样本中存在语音的概率真值，根据带噪语音特征参数确定带噪语音样本中存在语音的概率预测值；根据概率真值和概率预测值对训练中神经网络中参数
的权重和偏置进行调整，使得神经网络输出的概率预测值与概率真值之间的误差小于预设误差阈值。
9.可选的，根据概率调整对音频数据编码的码率，包括：根据音频数据的音频参数确定对应的默认编码码率和最低编码码率；根据概率在默认编码码率和最低编码码率的码率范围内进行码率调整，得到调整后的码率。
10.可选的，根据概率在默认编码码率和最低编码码率的码率范围内进行码率调整，得到调整后的码率，包括：计算默认编码码率和最低编码码率的差值；将差值和概率的乘积与最低编码码率的和值作为调整后的码率。
11.可选的，根据调整后的码率对音频数据继续进行编码，包括：判断概率与预设阈值的大小，在概率小于预设阈值的条件下，省略对音频数据的长期后置滤波器的处理过程；在概率不小于预设阈值的条件下，对音频数据执行包含长期后置滤波器处理过程在内的标准编码流程。
12.第二方面，本技术提出一种基于深度学习的语音编码系统，包括：特征提取模块，其对输入的音频数据进行特征提取，得到特征参数；神经网络模型处理模块，其将特征参数输入到预训练的神经网络模型中，得到音频数据中存在语音的概率；码率调整模块，其根据概率对音频数据编码的码率进行调整，其中码率与概率成正比例关系；以及编码模块，其根据调整后的码率对音频数据继续进行编码。
13.第三方面，本技术提供一种计算机可读存储介质，其存储有计算机程序，其中计算机程序被操作以执行第一方面中的基于深度学习的语音编码方法。
14.第四方面，本技术提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机程序，其中：处理器操作计算机程序以执行第一方面中的基于深度学习的语音编码方法。
15.本技术的基于深度学习的语音编码方法通过对通话音频中存在语音的概率进行检测，根据该概率值适当调整对该音频编码的码率，在确保音质几乎不变的前提下降低编码速率，提高编码器的编码效率。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图示例性的示出了本技术的一些实施例。
17.图1示出了本技术基于深度学习的语音编码方法的一个实施方式的示意图；
18.图2示出了本技术神经网络模型训练和推理过程的一个实例的示意图；
19.图3示出了本技术基于深度学习的语音编码方法中编码流程的示意图；
20.图4示出了本技术基于深度学习的语音编码系统的一个实施方式的示意图。
21.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
22.下面结合附图对本技术的较佳实施例进行详细阐述，以使本技术的优点和特征能更易于被本领域技术人员理解，从而对本技术的保护范围做出更为清楚明确的界定。
23.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
24.编码器lc3与现有的cvsd和wbs相比，在相同的采样率下降低了码率，同时提升了音质，但由于lc3基于波形编码技术，与传统的声码器相比，压缩效率很低，举例来说，lc3在8k采样率时的推荐码率为24kbps，但应用于wcdma的amr-nb最大码率仅为12.2kbps，平均码率10kbps以下，应用于cdma系统的evrc-a最大码率为8kbps，平均码率约为5kbps，而3gpp release12推出的应用于volte的evs，其最低码率为5.9kbps。lc3较高的码率占用了较大的带宽，需要更多的发射功率，在公共场合，蓝牙设备较多，相互之间会造成干扰，影响了用户体验，相互干扰的程度与占用的带宽、发射功率有很大关系。
25.基于通话的特性，通常情况下通话的一方只有部分时间在讲话，据统计，通话的一方通常只有约35％的时间在讲话，而目前标准规范的lc3使用固定码率，即开始编码后每一帧语音都是用相同的可用比特数，这就导致一方不说话时仍然使用相同码率编码，造成浪费。
26.针对上述问题，本技术提出一种基于深度学习的语音编码方法、系统、介质及设备，该方法包括：对输入的音频数据进行特征提取，得到特征参数；将特征参数输入到预训练的神经网络模型中，得到音频数据中存在语音的概率；根据概率对音频数据编码的码率进行调整，其中码率与概率成正比例关系；以及根据调整后的码率对音频数据继续进行编码。
27.本技术的基于深度学习的语音编码方法通过预训练的神经网络模型对编码音频中含有语音的概率进行确定，进而根据该概率的高低对编码的码率进行调整，并采用调整后的码率对音频进行编码。避免对通话音频中无语音时段仍采用较高的码率进行编码而造成码率浪费的问题，从而提高码率的使用效率。
28.下面，以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面述及的具体的实施例可以相互结合形成新的实施例。对于在一个实施例中描述过的相同或相似的思想或过程，可能在其他某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
29.图1示出了本技术基于深度学习的语音编码方法的一个实施方式的示意图。
30.在图1所示的实施方式中，本技术的基于深度学习的语音编码方法包括：过程s101，对输入的音频数据进行特征提取，得到特征参数。
31.在该实施方式中，为了对输入的编码音频中含有语音的概率进行确认，首先对音频数据进行特征提取，得到相应的特征参数。因为一段音频可以认为是由一段纯语音和噪
声混合而成。其中纯语音对应音频中的语音部分，噪声对应音频中的非语音部分也就是通话过程中，一方没有进行说话的时间段。因此，通过对编码音频进行特征提取，得到对应的特征参数，从而通过特征参数进行分析，得到音频中存在语音的概率，进而进行后续编码码率的调整。
32.可选的，对输入的音频数据进行特征提取，得到特征参数，包括：对音频数据进行分帧，得到音频帧；对音频帧进行低延迟改进型离散余弦变换，得到对应的谱系数；通过谱系数计算得到音频帧对应的能量谱，并通过梅尔滤波器，得到对应的梅尔对数频谱系数。
33.在该可选实施例中，在对音频数据进行编码的过程中，对输入编码器的音频数据进行分帧，得到音频帧。对音频帧进行低延迟改进型离散余弦变换，得到音频帧对应的谱系数。通过谱系数计算，得到音频帧对应的能量谱，然后再通过梅尔滤波器处理，得到梅尔对数频谱系数，作为特征参数。
34.具体的，在对音频数据进行分帧的过程中，可按照每帧长度160个采样点(例如以采样率16khz、帧长10ms为例)，按帧提取特征。随后对每帧音频进行低延迟改进型离散余弦变换，得到相应的谱系数。其中低延迟改进型离散余弦变换的过程如下：
35.t(n)＝xs(z-nf+n),for n＝0
…2·nf-1-z
36.t(2n
f-z+n)＝0,for n＝0
…
z-1
[0037][0038]
其中xs(n)是输入的时域音频pcm的信号，以16khz、10ms的配置为例，其一帧长度是160个采样点，即nf＝160，x(k)是经过离散余弦变换的频域谱系数，其包含160个有效的谱系数。
[0039]
基于谱系数计算伪谱系数，其中mdct伪谱系数的能量分布与傅里叶变换谱系数的能量分布有更好的对应关系，使用伪谱来计算能量谱可以提高训练与检测的性能。
[0040][0041]
其中当k＝-1或nf时
[0042]
接着计算能量谱，其中此步与上一步在具体运算时，可进行合并运算，此处为了叙述方便分开。
[0043][0044]
再进行mel滤波器组处理，将频谱能量经过梅尔滤波器组计算得到每个通道的能量，
[0045][0046]
梅尔滤波器组是由一系列的三角滤波器连接而成，hm是第m个梅尔滤波器，此属于成熟的技术，此处不再赘述。然后进行对数变换，如下：
[0047]
mfsc(m)＝log(|energy
mel
(m)|),m＝0,1,
…
,m-1
[0048]
从而得到梅尔对数频谱系数mfsc：log mel-frequency spectral coefficients。
[0049]
在图1所示的实施方式中，本技术的基于深度学习的语音编码方法包括：过程s102，将特征参数输入到预训练的神经网络模型中，得到音频数据中存在语音的概率。
[0050]
在该实施方式中，在得到梅尔对数频谱系数后，利用神经网络模型对梅尔对数频谱系数进行分析，得到对应音频帧中存在语音的概率。
[0051]
可选的，神经网络的预训练过程包括：获取纯净语音样本和带噪语音样本；分别纯净语音样本和带噪语音样本进行特征提取，得到对应的纯净语音特征参数和带噪语音特征参数；根据语音特征参数和带噪语音特征参数对神经网络进行训练，得到神经网络模型，使得神经网络模型根据输入音频的特征参数得到输入音频中存在语音的概率，其中带噪语音样本通过纯净语音样本和噪声叠加生成。
[0052]
在该可选实施例中，在进行对神经网络模型的训练过程中，获取纯净语音样本和带噪语音样本，其中纯净语音样本可以基于公开的语音材料或者自己录制；带噪语音样本则可以为一些典型的带噪信号，其通过噪声和和纯净语音混合生成。然后分别对纯净语音样本和带噪语音样本进行特征提取，分别得到对应的语音特征参数和带噪语音特征参数，然后进行神经网络训练，得到带噪语音样本中，语音存在的概率，从而使得在一段新音频输入到神经网络模型中，能够得到该段音频中存在语音的概率。
[0053]
具体的，在进行纯净语音与噪声的混合得到带噪语音样本时，可利用以下公式进行混合：
[0054]
x
noisy
(i)＝gsxs(i)+gnn(i)，i＝0～n-1，其中gs是语音增益，gn是噪声增益，通过增益参数的调整，通过不同增益组合得到不同信噪比的带噪语音，从而覆盖不同的语音环境，对神经网络进行训练，提高神经网络模型的对不同环境的适应，提高准确率。
[0055]
可选的，根据语音特征参数和带噪语音特征参数对神经网络进行训练，包括：根据语音特征参数确定纯净语音样本中存在语音的概率真值，根据带噪语音特征参数确定带噪语音样本中存在语音的概率预测值；根据概率真值和概率预测值对训练中神经网络中参数的权重和偏置进行调整，使得神经网络输出的概率预测值与概率真值之间的误差小于预设误差阈值。
[0056]
在该可选实施例中，根据获取的纯净语音样本和带噪语音样本，确定出纯净语音样本中存在语音的概率真值，然后根据概率真值与神经网络模型根据带噪语音样本的特征参数得出的概率预测值进行比对，从而对训练中的神经网络模型中参数的权重和偏置进行调整，使得神经网络输出的概率预测值与概率真值之间的误差小于预设误差阈值，从而提高神经网络模型输出的音频中存在语音的概率的准确性，保证准确率。
[0057]
具体的，上述训练的神经网络用于话音激活检测，其本质上是一个分类问题，即输入语音，输出语音的分类，每次输入一帧音频信号，输出该帧音频信号存在语音的概率，设当前帧为语音的概率为p，非语音的概率为1-p。预设误差阈值可选择10％，计算神经网络模型输出的概率预测值与概率真值之间的误差，在误差小于10％的条件下，则认为此时神经网络模型输出的概率预测值符合准确率条件，此时对模型的参数进行固定，完成模型的训练。
[0058]
基于语音前后相关的特性，本发明优先使用lstm网络。由于语音通常为短时平稳，在30～50ms内是平稳的，所以输入层每次输入连续5帧的特征(4个连续的历史帧和当前帧)，每帧12个mfsc系数，总共5x12个mfsc系数，输出当前帧音频属于2个label的概率，即语
音的概率与非语音的概率。
[0059]
在图1所示的实施方式中，本技术的基于深度学习的语音编码方法包括：过程s103，根据概率对音频数据编码的码率进行调整，其中码率与概率成正比例关系。
[0060]
在该实施方式中，在得到音频中存在语音的概率后，根据该概率的大小对编码的码率进行调整，其中，存在语音的概率越大，相应编码的码率也越大；存在语音的概率越小，相应编码的码率也越小。
[0061]
可选的，根据概率调整对音频数据编码的码率，包括：根据音频数据的音频参数确定对应的默认编码码率和最低编码码率；根据概率在默认编码码率和最低编码码率的码率范围内进行码率调整，得到调整后的码率。
[0062]
在该可选实施例中，默认编码码率是编码器进行音频编码时，默认设置的编码码率；最低码率为编码器对音频编码时可选择的最低编码码率，其中最低编码码率保证了编码器对音频编码时的音质。在确认默认编码码率和最低编码码率时，根据音频数据的音频参数例如音频数据的采样率和帧长确定相应的默认编码码率和最低编码码率。例如，采样率16khz、帧长10ms的配置下，语音编码的默认编码码率可以是32kbps，最低编码率是16kbps。然后在默认编码码率和最低编码码率的码率范围内，根据音频数据中存在语音的概率，设定音频数据对应的编码码率。
[0063]
可选的，根据概率在默认编码码率和最低编码码率的码率范围内进行码率调整，得到调整后的码率，包括：计算默认编码码率和最低编码码率的差值；将差值和概率的乘积与最低编码码率的和值作为调整后的码率。
[0064]
在该可选实施例中，在计算音频对应的编码码率时，首先确定该音频对应的默认编码码率和最低编码码率的差值，然后将差值和概率的乘积与最低编码码率的和值作为调整后的码率。该种调整方式随着音频中存在语音的概率的增大而增大，保证对音频的编码效果。
[0065]
具体的，假定默认编码码率是r
default
，没有语音时的最低编码码率是r
min
,则可以得到语音存在概率与新码率的关系如下，根据每一帧的语音存在概率x得到对应的新的码率的线性公式如下：
[0066]
y＝(r
default-r
min
)x+r
min
[0067]
上述最低编码码率r
min
的设置取决于lc3标准规范，举例来说，采样率16khz、帧长10ms的配置下，语音编码的默认编码码率可以是32kbps，最低码率r
min
是16kbps。
[0068]
可选的，根据调整后的码率对音频数据继续进行编码，包括：判断概率与预设阈值的大小，在概率小于预设阈值的条件下，省略对音频数据的长期后置滤波器的处理过程；在概率不小于预设阈值的条件下，对音频数据执行包含长期后置滤波器处理过程在内的标准编码流程。
[0069]
在该可选实施例中，在确定了音频对应的编码码率后，对该音频使用该编码码率进行后续的编码。其中，在音频存在语音的概率小于预设阈值的条件下，此时音频中存在语音的概率较小，此时一般属于语音编码的起始阶段、终止阶段或过渡阶段，因此在音频编码的过程中省略掉长期后置滤波器的处理过程，节省音频编码的功耗和算力。如果音频存在语音的概率不小于该预设阈值，则进行正常的标准编码流程。
[0070]
图2示出了本技术神经网络模型训练和推理过程的一个实例的示意图。
[0071]
在图2所示的实例中，如图2所示，在模型的离线训练过程中，首先获取纯净语音和噪声，并对纯净语音和噪声混合得到带噪语音，其中混合的方式可以通过增益调整，得到不同信噪比的带噪语音，即在混合过程中，给予语音和噪声不同的增益，然后分别进行特征提取，得到各自对应的梅尔对数频谱系数。然后将该系数输入到神经网中进行训练，期间根据训练的结果调整模型中的参数，最终得到网络模型。在实际的在线推理编码过程中，在编码器接收到编码音频后，进行adc转换和预处理过程，然后对音频进行低延迟改进型离散余弦变换得到对应的谱系数，最后得到该音频对应的梅尔对数频谱系数。其中具体的特征提取过程见上文说明，此处不再赘述。然后将音频对应的梅尔对数频谱系数输入到训练好的神经网络模型中，得到该音频中存在语音的概率，然后根据该概率值进行码率调整，然后根据调整后的新码率进行该音频后续的编码过程。
[0072]
图3示出了本技术基于深度学习的语音编码方法中编码流程的示意图。
[0073]
在图3所示的实例中，阴影部分的“基于神经网络的码率控制”为进行码率调整处理部分。在对输入音频数据(pcm)进行低延迟改进型离散余弦变换会得到音频数据的谱系数，进而得到音频对应的梅尔对数频谱系数。根据得到的梅尔对数频谱系数进行神经网络模型的码率控制，得到该音频对应的编码码率，然后利用该编码码率进行后续的编码过程。
[0074]
本技术的基于深度学习的语音编码方法通过对通话音频中存在语音的概率进行检测，根据该概率值适当调整对该音频编码的码率，在该概率较大时，调整为较大的码率，在概率较小时，调整为较低的码率，然后进行后续音频的编码，在确保音质几乎不变的前提下降低编码速率，提高编码器的编码效率。
[0075]
图4示出了本技术基于深度学习的语音编码系统的一个实施方式的示意图。
[0076]
在图4所示的实施方式中，本技术基于深度学习的语音编码系统包括：特征提取模块401，其对输入的音频数据进行特征提取，得到特征参数；神经网络模型处理模块402，其将特征参数输入到预训练的神经网络模型中，得到音频数据中存在语音的概率；码率调整模块403，其根据概率对音频数据编码的码率进行调整，其中码率与概率成正比例关系；以及编码模块404，其根据调整后的码率对音频数据继续进行编码。
[0077]
可选的，在特征提取模块401中，对音频数据进行分帧，得到音频帧；对音频帧进行低延迟改进型离散余弦变换，得到对应的谱系数；通过谱系数计算得到音频帧对应的能量谱，并通过梅尔滤波器，得到对应的梅尔对数频谱系数。
[0078]
可选的，神经网络的预训练过程包括：获取纯净语音样本和带噪语音样本；分别纯净语音样本和带噪语音样本进行特征提取，得到对应的语音特征参数和噪声特征参数；根据语音特征参数和噪声特征参数对神经网络进行训练，得到神经网络模型，使得神经网络模型根据输入音频的特征参数得到输入音频中存在语音的概率。
[0079]
可选的，根据语音特征参数和带噪语音特征参数对神经网络进行训练，包括：根据语音特征参数确定纯净语音样本中存在语音的概率真值，根据带噪语音特征参数确定带噪语音样本中存在语音的概率预测值；根据概率真值和概率预测值对训练中神经网络中参数的权重和偏置进行调整，使得神经网络输出的概率预测值与概率真值之间的误差小于预设误差阈值。
[0080]
可选的，在码率调整模块403中，根据音频数据的音频参数确定对应的默认编码码率和最低编码码率；根据概率在默认编码码率和最低编码码率的码率范围内进行码率调
整，得到调整后的码率。
[0081]
可选的，根据概率在默认编码码率和最低编码码率的码率范围内进行码率调整，得到调整后的码率，包括：计算默认编码码率和最低编码码率的差值；将差值和概率的乘积与最低编码码率的和值作为调整后的码率。
[0082]
可选的，在编码模块404中，判断概率与预设阈值的大小，在概率小于预设阈值的条件下，省略对音频数据的长期后置滤波器的处理过程；在概率不小于预设阈值的条件下，对音频数据执行包含长期后置滤波器处理过程在内的标准编码流程。
[0083]
本技术的基于深度学习的语音编码系统通过对通话音频中存在语音的概率进行检测，根据该概率值适当调整对该音频编码的码率，在确保音质几乎不变的前提下降低编码速率，提高编码器的编码效率。
[0084]
在本技术的一个实施方式中，一种计算机可读存储介质，其存储有计算机指令，其中计算机指令被操作以执行任一实施例描述的基于深度学习的语音编码方法。其中，该存储介质可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
[0085]
软件模块可驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可装卸盘、cd-rom或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器，使得处理器可从存储介质读取信息和向存储介质写入信息。
[0086]
处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)、现场可编程门阵列(英文：field programmable gate array，简称：fpga)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如dsp与微处理器的组合、多个微处理器、结合dsp核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中，存储介质可与处理器成一体式。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替代方案中，处理器和存储介质可作为离散组件驻留在用户终端中。
[0087]
在本技术的一个具体实施方式中，一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，其中：处理器操作计算机指令以执行任一实施例描述的基于深度学习的语音编码方法。
[0088]
在本技术所提供的实施方式中，应该理解到，所揭露的装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0089]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0090]
以上仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说
明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。