本发明涉及汽车技术领域,具体而言,涉及一种控制车辆起步的方法及装置。
背景技术:
在车辆起步时,尤其是在装有机械式自动变速器(automatedmechanicaltransmission,amt)的车辆在起步时,发动机的节气门开度与自动离合器的结合要相互配合,从而实现平顺起步。
现有技术中,在车辆起步时,一般只能按照预定的一种模式起步,这样,使得起步模式无法响应驾驶员的起步意图,即发动机的节气门开度与自动离合器的结合无法响应驾驶员对加速踏板的操作,这样使得车辆在起步时容易出现车辆窜动、振抖等问题,从而导致无法实现平顺起步。
综上,现有技术中,车辆在起步时,容易出现车辆窜动、振抖等问题,从而导致无法实现车辆的平顺起步。
技术实现要素:
有鉴于此,本发明实施例的目的在于提供一种控制车辆起步的方法及装置,以解决或试图缓解上述问题。
第一方面,本发明实施例提供了一种控制车辆起步的方法,其中,所述方法包括:
车辆起步前,在预设时间长度内多次获取驾驶员踩下加速踏板的开度值;
按照预先设置的多个开度取值,分别确定大于或等于每个所述开度取值的所有开度值的采集时间长度与所述预设时间长度的比值;
根据确定出的多个比值,控制所述车辆起步。
结合第一方面,本发明实施例提供了上述第一方面的第一种可能的实现方式,其中,所述按照预先设置的多个开度取值,分别确定大于或等于每个所述开度取值的所有开度值的采集时间长度与所述预设时间长度的比值,包括:
根据预先设置的多个开度取值,分别确定大于或等于每个所述开度取值的所有开度值的个数;
分别计算每个所述个数与所述预设时间长度内获取的开度值的个数的比值;
将所述个数的比值确定为所述采集时间长度与所述预设时间长度的比值。
结合第一方面,本发明实施例提供了上述第一方面的第二种可能的实现方式,其中,所述根据确定出的多个比值,控制所述车辆起步,包括:
根据所述比值和预先建立的神经网络模型的权重转换系数,计算驾驶员的起步意图值;
根据所述驾驶员的起步意图值,确定所述车辆的起步模式;
控制所述车辆按照所述起步模式起步。
结合第一方面的第二种可能的实现方式,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,所述根据所述驾驶员的起步意图值,确定所述车辆的起步模式,包括:
选择与所述驾驶员的起步意图值对应的起步模式;
或者,
根据所述驾驶员的起步意图值,及预先设定的起步意图值和起步意图之间的映射关系,确定所述驾驶员的起步意图;
选择与所述驾驶员的起步意图相匹配的起步模式。
结合第一方面的第二种可能的实现方式或者结合第一方面的第三种可能的实现方式,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,根据以下步骤建立所述神经网络模型:
建立所述神经网络模型的输入层、隐藏层和输出层;
获取预先训练的样本集,所述预先训练的样本集包括多个训练样本,每个所述训练样本包括加速踏板的多个开度值和驾驶员的起步意图值;
根据所述加速踏板的多个开度值和所述驾驶员的起步意图值,确定所述输出层至所述隐藏层的第一转换权重系数及所述隐藏层至所述输入层的第二转换权重系数;
根据所述第一转换权重系数、所述第二转换权重系数、所述输入层、所述隐藏层和所述输出层,建立所述神经网络模型。
第二方面,本发明实施例提供了一种控制车辆起步的装置,其中,所述装置包括:
第一获取模块,用于车辆起步前,在预设时间长度内多次获取驾驶员踩下的加速踏板的开度值;
第一确定模块,用于按照预先设置的多个开度取值,分别确定大于或等于每个所述开度取值的所有开度值的采集时间长度与预设时间长度的比值;
控制模块,用于根据确定出的多个比值,控制所述车辆起步。
结合第二方面,本发明实施例提供了上述第二方面的第一种可能的实现方式,其中,所述第一确定模块包括:
第一确定单元,用于根据预先设置的多个开度取值,分别确定大于或等于每个所述开度取值的所有开度值的个数;
第一计算单元,用于分别计算每个所述个数与所述预设时间长度内获取的开度值的个数的比值;
第二确定单元,用于将所述个数的比值确定为所述采集时间长度与所述预设时间长度的比值。
结合第二方面,本发明实施例提供了上述第二方面的第二种可能的实现方式,其中,所述控制模块包括:
第二计算单元,用于根据所述比值和预先建立的神经网络模型的权重转换系数,计算驾驶员的起步意图值;
第三确定单元,用于根据所述驾驶员的起步意图值,确定所述车辆的起步模式;
控制单元,用于控制所述车辆按照所述起步模式起步。
结合第二方面的第二种可能的实现方式,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,所述第三确定单元具体用于,
选择与所述驾驶员的起步以图纸对应的起步模式;
或者,
根据所述驾驶员的起步意图值,及预先设定的起步意图值和起步意图之间的映射关系,确定所述驾驶员的起步意图;
选择与所述驾驶员的起步意图相匹配的起步模式。
结合第二方面的第二种可能的实现方式或者结合第二方面的第三种可能的实现方式,本发明实施例提供了上述第二方面的第四种可能的实现方式,其中,所述装置还包括:
第一建立模块,用于建立所述神经网络模型的输入层、隐藏层和输出层;
第二获取模块,用于获取预先训练的样本集,所述预先训练的样本集包括多个训练样本,每个所述训练样本包括加速踏板的多个开度值和驾驶员的起步意图值;
第二确定模块,用于根据所述加速踏板的多个开度值和所述驾驶员的起步意图值,确定所述输出层至所述隐藏层的第一转换权重系数及所述隐藏层至所述输入层的第二转换权重系数;
第二建立模块,用于根据所述第一转换权重系数、所述第二转换权重系数、所述输入层、所述隐藏层和所述输出层,建立所述神经网络模型。
在本发明实施例提供的控制车辆起步的方法及装置中,所使用的采集时间长度可以反映驾驶员的起步意图,因此,在控制车辆起步时,考虑驾驶员的起步意图,使得起步时发动机的节气门和自动离合器的结合与驾驶员对加速踏板的操作相匹配,从而减少了车辆起步时出现窜动、振抖的现象,实现了车辆的平顺起步。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地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。
图1示出了本发明实施例所提供的控制车辆起步的方法的流程图;
图2示出了本发明实施例所提供的控制车辆起步的方法中,控制车辆起步的流程图;
图3示出了本发明实施例所提供的控制车辆起步的方法中,节气门开度与离合器结合随时间的变化曲线;
图4示出了本发明实施例所提供的控制车辆起步的第一种结构示意图;
图5示出了本发明实施例所提供的控制车辆起步的第二种结构示意图。
具体实施方式
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,所描述的实施例仅仅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。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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
考虑到,现有技术中,车辆在起步时,容易出现车辆窜动、振抖等问题,从而导致无法实现车辆的平顺起步。基于此,本发明实施例提供了一种控制车辆起步的方法及装置,下面通过实施例进行描述。
参考图1所示,本发明实施例提供了一种控制车辆起步的方法,该方法包括步骤s110-s130,具体如下:
s110,在车辆起步前,在预设时间长度内多次获取驾驶员踩下加速踏板的开度值;
s120,按照预先设置的多个开度取值,分别确定大于或等于每个开度取值的所有开度值的采集时间长度与预设时间长度的比值。
s130,根据确定出的多个比值,控制车辆起步。
其中,当驾驶员踩下加速踏板时,加速踏板的开度会逐渐增大,在驾驶员踩下加速踏板之前,加速踏板的开度为零。
在本发明实施例中,在车辆的加速踏板上设置有位置传感器,该位置传感器用来采集加速踏板的开度值,具体的,位置传感器采集的是加速踏板上的电压值,该电压值用于表征加速踏板的开度,根据电压值和加速踏板的开度值之间的转换关系,可以得到每个电压值对应的开度值,因此,从位置传感器输出的是加速踏板的开度值。
当车辆上电时,位置传感器开始采集加速踏板的开度值。
本发明实施例的执行主体为amt的控制器。
在上述步骤s110中,在车辆起步前,并且车辆上电后,在预设时间长度内控制器会多次获取驾驶员踩下的加速踏板的开度值,具体的,控制器每间隔一定时间从位置传感器获取一次加速踏板的开度值。
其中,上述每间隔一定时间可以是间隔1ms,也可以是其它数值,上述间隔的具体时间数值可以根据实际应用场景进行设置,本发明实施例并不对上述间隔的时间的具体数值进行限定。
优选的,上述预设时间长度为600ms,从驾驶员踩下加速踏板开始600ms的时间长度内。
在上述步骤s120中,按照预先设置的多个开度取值,分别确定大于或等于每个开度取值的所有开度值的采集时间长度与预设时间长度的比值,具体包括:
根据预先设置的多个开度取值,分别确定大于或等于每个开度取值的所有开度取值的个数;
分别计算上述每个个数与预设时间长度内获取的开度值的个数的比值;
将上述个数的比值确定为上述采集时间长度与预设时间长度的比值。
在上述步骤s120中,预先设置的多个开度取值可以是10个、15个或者20个,具体个数可以根据实际应用场景进行设置,本发明实施例并不对上述预先设置的开度取值的具体个数进行限定。
一般的,车辆在起步时,驾驶员通常踩下的加速踏板的最大开度值为20%,因此,在本发明实施例中,可以将0~20%平均划分,可以得到多个开度取值,每个开度取值对应一个等级,这样可以确定出每个等级对应的开度取值。比如说,将0~20%平均划分为10个等级,则第一个等级对应的取值可以为2%,第二个等级对应的取值为4%,第三个等级对应的取值为6%,以此类推,确定出每个等级对应的开度取值。
当然,上述只是列举了一种开度取值的设置方法,在本发明实施例中,可以将0~20%平均划分,也可以将0~30%平均划分,上述20%只是其中一种实施例,在实际应用中,还可以选取大于20%的任意数值作为上述进行划分的一个最大开度值。具体的,在进行划分时,选取的进行划分时的一个最大开度值可以根据实际应用设置,本发明实施例并不对其进行限定。
在上述步骤s120中,分别确定大于或等于每个开度取值的所有开度值中对应的采集时间长度,可以通过如下方式实现,具体包括:
此处仍以上述平均划分的等级对应的开度取值为例进行说明,第一个等级对应的开度取值为2%,第二个等级对应的开度取值为4%,第三个等级对应的开度取值6%,以此类推,可以确定出每个等级对应的开度取值。
在本发明实施例中,比如说,在步骤s110中获取了10个开度值,分别为1%、1.2%、2%、2.1%、2.5%、3%、3.6%、4.5%、5.2%、5.6%,按照上述举例设置的开度取值,则可以确定出大于或等于第一个开度取值的所有开度值有2%、2.1%、2.5%、3%、3.6%、4.5%、5.2%、5.6%这八个,大于或等于第二个开度取值的所有开度值有4.5%、5.2%、5.6%,大于或等于2%的开度值共八个,而上述预设时间内获取的开度值的个数为10个,因此,可以将8/10=0.8确定为大于或等于第一个开度取值的所有开度值的采集时间长度与预设时间长度的比值。采用同样的方式分别计算出大于或等于每个开度取值的所有开度值的采集时间长度与预设时间长度的比值,通过上述方式,可以确定出多个比值。
当然,上述只是列举了其中一种确定上述比值的方法,除此之外,还可以通过如下方式实现:
比如说,在步骤s110中获取了10个开度值,分别为1%、1.2%、2%、2.1%、2.5%、3%、3.6%、4.5%、5.2%、5.6%,按照上述举例设置的开度取值,则可以确定出大于或等于第一个开度取值的所有开度值有2%、2.1%、2.5%、3%、3.6%、4.5%、5.2%、5.6%这八个,大于或等于第二个开度取值的所有开度值有4.5%、5.2%、5.6%,大于或等于2%的开度值共八个,假设每个开度值之间的采集时间间隔为1ms,则可以确定出大于或等于第一个开度取值的采集时间长度为8ms,计算8ms和预设时间长度的比值。
因此,在上述步骤s120中可以得到一系列的比值。
参考图2所示,在步骤s130中,根据确定出的多个比值,控制车辆起步,包括步骤s210-s230,具体如下:
s210,根据上述比值和预先建立的神经网络模型的权重转换系数,计算驾驶员的起步意图值;
s220,根据驾驶员的起步意图值,确定车辆的起步模式;
s230,控制车辆按照上述起步模式起步。
在本发明实施例中,上述预先建立的神经网络模型为bp(backpropagation)神经网络模型。
本发明实施例中的神经网络模型分为输入层、隐藏层和输出层三部分,输入层包含多个输入节点,隐藏层包含多个输入节点,输出层的输出节点也为多个,优选的,本发明实施例中所使用的神经网络模型的输出层的输出节点为两个,当然,每层的节点个数的具体数值可以根据实际情况进行设置。
在本发明实施例中,根据上述一系列的比值和神经网络模型的权重转换系数,通过如下公式,计算驾驶员的起步意图值:
其中,在上述公式中,wij表示神经网络模型的输入节点i和隐藏节点j之间的转换权重系数,vjk表示神经网络模型的隐藏节点和输出节点之间的转换权重系数,i表示的是输入层的输入节点,i=1,2,…,n,n表示的是上述比值的个数,j表示的是隐藏层的节点,隐藏层的节点的个数可以根据实际情况设置,在本发明实施例中,m表示的是隐藏层节点的个数,j=1,2,…,m,α为预先设定的隐藏层的阈值,β为预先设定的输出层的阈值,pi表示的是上述计算出的比值,si表示的是隐藏层节点的激活值,ok为输出层节点的激活值,bj表示的是隐藏层的输出值,yk表示的是输出层的输出值。
上述公式中,函数f的定义如下:
在本发明实施例中,上述输出层的输出值yk表示的则是驾驶员的起步意图值,并且,在本发明实施例中,k的取值为1和2,即神经网络模型的输出值为[y1,y2]。
具体的,上述根据驾驶员的起步意图值,确定车辆的起步模式,具体包括如下两种情况:
第一种情况,
选择与驾驶员的起步意图值对应的起步模式;
在该中情况下,预先建立有起步意图值和车辆起步模式之间的映射关系,这样,当确定出驾驶员的起步意图值后,则根据该起步意图值,从上述映射关系中查找与该起步意图值相对应的车辆起步模式,查找出的起步模式作为车辆的起步模式。
第二种情况,
根据驾驶员的起步意图值,及预先设定的起步意图值和起步意图之间的映射关系,确定驾驶员的起步意图;
选择与驾驶员的起步意图相匹配的起步模式。
在该种情况下,预先建立的是起步意图和起步模式之间的映射关系,因此,首先需要根据计算出的驾驶员的起步意图值,确定出该起步意图值对应的驾驶员的起步意图,具体的,驾驶员的起步意图包括缓起步意图、中等起步意图和急起步意图,不同的[y1,y2]值对应不同的起步意图,比如说,可以是[0,1]对应缓起步意图,[1,0]对应中等起步意图,[1,1]对应急起步意图,[0,0]对应无起步意图。
在本发明实施例中,预先设定有起步意图值和起步意图之间的映射关系,根据计算出的起步意图值和该映射关系,可以确定出驾驶员的起步意图,由于计算出的起步意图值可能会存在小数位数,因此,采用四舍五入的方式将计算出的起步意图值取整为0或1。
当确定出驾驶员的起步意图后,根据驾驶员的起步意图和预先建立的起步意图和起步模式之间的映射关系,确定出与驾驶员的起步意图相匹配的起步模式。
当确定出与驾驶员的起步意图相匹配的起步模式后,控制车辆按照该起步模式进行起步。
参考图3所示,为每种起步意图对应的节气门开度与离合器结合随时间的变化曲线,图3(a)为缓起步意图对应的节气门开度和离合器结合随时间的变化曲线,图3(b)为中等起步意图对应的节气门开度和离合器随时间的变化曲线,图3(c)为急起步意图对应的节气门开度和离合器随时间的变化曲线。
除此之外,在本发明实施例提供的方法中,还可以预先设置多个开度等级,以及每个开度等级对应的取值范围,根据每个开度等级对应的取值范围确定每个开度等级内包含的开度值;根据每个开度等级内包含的开度值,确定每个开度等级内的最低开度值对应的采集时刻和最高开度值对应的采集时刻之间的第二采集时间长度,之后计算第二采集时间长度与预设采集时间长度之间的第二比值,将该第二比值作为预先建立的神经网络模型的输入值,确定驾驶员的起步意图,并根据驾驶员的起步意图控制车辆起步。
具体的,本发明实施例所采用的神经网络模型通过如下步骤(1)-步骤(4)建立得到的:
(1)建立神经网络的输入层、隐藏层和输出层;
(2)获取预先训练的样本集,该预先训练的样本集包括多个训练样本,每个训练样本包括加速踏板的多个开度值和驾驶员的起步意图值;
(3)根据上述加速踏板的多个开度值和驾驶员的起步意图值,确定输出层至隐藏层的第一转换权重系数及隐藏层至输入层的第二转换权重系数;
(4)根据上述第一转换权重系数、第二转换权重系数、输入层、隐藏层和输出层,建立上述神经网络模型。
在本发明实施例中,建立的神经网络模型的输入层、隐藏层和输出层,本发明实施例中,建立的是三层神经网络模型,之后,则根据车辆起步实验中获取的样本集对上述神经网络模型中的输出层至隐藏层的第一转换权重系数,及隐藏层至输出层的第二转换权重系数进行校准,确定出本发明实施例中所采用的神经网络模型的第一转换权重系数和第二转换权重系数,具体过程如下:
首先通过进行大量的车辆起步实验获取样本集,该样本集中包括多个训练样本,每个训练样本均包括驾驶员的起步意图值和驾驶员在起步时对加速踏板操作时的加速踏板的开度值;
采用和上述步骤s120相同的方法对上述加速踏板的开度值进行处理,得到一系列的采集时间长度与起步时获取加速踏板的开度值的整个采集时间长度之间的比值,将该一系列比值确定为神经网络的输入值,根据每个训练样本可以确定出输入值和输出值(驾驶员的起步意图值)的一个对应关系,具体的,神经网络的输入值可以记为
之后,通过如下公式计算隐藏层节点的激活值sj和输出值bj;
其中,在上述公式中,
通过如下公式计算输出层节点的激活值ok和输出值yk;
其中,在上述公式中,
之后,通过如下公式计算输出层和隐藏层的校正误差:
其中,在上述公式中
接下来,通过如下公式计算输出层至隐藏层的第一转换权重系数的校正量和输出层阈值的校正量;
其中,在上述公式中,
通过如下公式计算隐藏层至输入层的第二转换权重系数和隐藏层阈值的校正量;
其中,在上述公式中,
通过上述训练之后,可以计算出新的第一转换权重系数和第二转换权重系数,及隐藏层阈值和输出层阈值,
其中,在上述公式中,
最后,判断上述隐藏层和输出层的校正误差是否满足下述条件:
其中,在上述公式中,ith表示的是预先设定的误差上限阈值。
若满足,则训练过程结束,则将
当确定出上述神经网络模型第一转换权重系数、第二转换权重系数及阈值后,得到上述神经网络模型。
本发明实施例提供的控制车辆起步的方法,所使用的采集时间长度可以反映驾驶员的起步意图,因此,在控制车辆起步时,考虑驾驶员的起步意图,使得起步时发动机的节气门和自动离合器的结合与驾驶员对加速踏板的操作相匹配,从而减少了车辆起步时出现窜动、振抖的现象,实现了车辆的平顺起步。
参考图4所示,本发明实施例还提供了一种控制车辆起步的装置,该装置用于执行本发明实施例提供的控制车辆起步的方法,具体的,该装置可以是amt车辆的控制器,该装置包括第一获取模块410、第一确定模块420和控制模块430;
上述第一获取模块410,用于在车辆起步前,在预设时间长度内多次获取驾驶员踩下的加速踏板的开度值;
上述第一确定模块420,用于按照预先设置的多个开度取值,分别确定大于或等于每个开度取值的所有开度值的采集时间长度与预设时间长度的比值;
上述控制模块430,用于根据确定出的多个比值,控制车辆起步。
其中,作为一个实施例,上述第一确定模块420确定的比值,是通过第一确定单元、第一计算单元和第二确定单元实现的,具体包括:
上述第一确定单元,用于根据预先设置的多个开度取值,分别确定大于或等于每个开度取值的所有开度值的个数;上述第一计算单元,用于分别计算每个上述个数与预设时间长度内获取的开度值的个数的比值;上述第二确定单元,用于将上述个数的比值确定为上述采集时间长度与预设时间长度的比值。
具体的,参考图5所示,在本发明实施例中,上述控制模块430根据确定出的多个比值,控制车辆起步,可以通过第二计算单元431第三确定单元432和控制单元433实现,具体包括:
上述第二计算单元431,用于根据上述比值和预先建立的神经网络模型的权重转换系数,计算驾驶员的起步意图值;上述第二确定单元432,用于根据驾驶员的起步意图值,确定上述车辆的起步模式;上述控制单元433,用于控制上述车辆按照上述起步模式起步。
在本发明实施例中,上述第三确定单元,控制上述车辆按照上述起步模式起步,具体通过如下两种方式实现:
第一种情况,
选择与上述驾驶员的起步意图值对应的起步模式;
第二种情况,
根据驾驶员的起步意图值,及预先设定的起步意图值和起步意图之间的映射关系,确定驾驶员的起步意图;
选择与驾驶员的起步意图相匹配的起步模式。
其中,在本发明实施例中,建立神经网络模型是通过第一建立模块、第二获取模块、第二确定模块和第二建立模块实现的,具体包括:
上述第一建立模块,用于建立上述神经网络模型的输入层、隐藏层和输出层;上述第二获取模块,用于获取预先训练的样本集,该预先训练的样本集包括多个训练样本,每个训练样本包括加速踏板的多个开度值和驾驶员的起步意图值;上述第二确定模块,用于根据上述加速踏板的多个开度值和驾驶员的起步意图值,确定上述输出层至隐藏层的第一转换权重系数及隐藏层至输入层的第二转换权重系数;上述第二建立模块,用于根据上述第一转换权重系数、上述第二转换权重系数、上述输入层、上述隐藏层和输出层,建立上述神经网络模型。
本发明实施例提供的控制车辆起步的装置中,所使用的采集时间长度可以反映驾驶员的起步意图,因此,在控制车辆起步时,考虑驾驶员的起步意图,使得起步时发动机的节气门和自动离合器的结合与驾驶员对加速踏板的操作相匹配,从而减少了车辆起步时出现窜动、振抖的现象,实现了车辆的平顺起步。
本发明实施例所提供的控制车辆起步的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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通信接口,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。
所述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。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:u盘、移动硬盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。