背景技术：
电离层引起的误差是影响在单频模式中操作的全球导航卫星系统（gnss）接收机的最大误差。为了补偿电离层误差，已经开发出许多电离层误差模型。全球定位系统（gps）接收机使用公知的klobuchar模型，而未来的伽利略接收机被预期使用也被称为nequickg模型的nequick模型。
nequick模型是三维和取决于时间的电离层电子密度模型，该电离层电子密度模型根据位置和时间提供电离层中的电子密度。它使得能够计算作为沿着任何射线路径的集成电子密度的电离层延迟。欧洲gnss局（gsa）最近已经发表了关于题为“用于伽利略单频用户的欧洲gnss（伽利略）开放服务电离层校正算法（europeangnss(galileo)openserviceionosphericcorrectionalgorithmforgalileosinglefrequencyusers）”的nequick电离层模型的新文档，该新文档包含算法的详细描述。
相比于klobuchar模型，nequick模型被预期提供改进的性能。然而，nequick模型最初是为科学目的开发的，而没有关于其计算要求的考虑。初步测试示出：nequick模型可以比klobuchar模型的计算要求多10000倍以上，并且在某些情况下，已被示出为比klobuchar模型的计算要求多几乎50000倍。因此，在航空接收机或另一个独立的gnss接收机中实现nequick模型已经被证明是困难的。
由于以上原因并且由于以下所包括的将对本领域技术人员在阅读和研究说明书时变得显而易见的其它原因，所以在本领域中存在对可以在gnss接收机中实现nequick模型的改进的系统和方法的需要。
技术实现要素：
本公开的实施例提供用于为gnss系统确定电离层延迟的系统和方法，并且将通过阅读和研究下面的说明书来理解。
在一个实施例中，gnss系统包括被配置成从一个或多个gnss卫星接收gnss信号的天线。该系统进一步包括耦合到天线的信号处理电路，该信号处理电路被配置成将gnss信号从rf下变频成if。该系统进一步包括耦合到存储器的处理设备，该存储器包括用于神经网络的多个权重和激活函数的数据库，该神经网络经训练以输出nequick模型的输出的近似。该处理设备被配置成：向从gnss信号生成的多个输入应用用于神经网络的多个权重和激活函数；并且基于神经网络的输出来估计电离层延迟的指示。
附图说明
基于附图仅仅描绘示范性实施例并且因此将不被认为限制范围的理解，将用附加特性和细节、通过使用附图来描述示范性实施例，在附图中：
图1是根据本公开的一个实施例的利用神经网络的示范性gnss系统的框图；
图2是根据本公开的一个实施例的用于近似nequick模型的神经网络的框图；
图3是根据本公开的一个实施例的用于近似nequick模型的神经网络的框图；
图4是图示根据本公开的一个实施例的方法的流程图；以及
图5是图示根据本公开的一个实施例的方法的流程图。
根据习惯作法，各种所述特征不是按比例绘制，而是被绘制以强调与示范性实施例相关的具体特征。
具体实施方式
在下面的详细描述中，对附图做出参考，该附图形成下面的详细描述的一部分，并且在附图中通过说明的方式示出具体的说明性实施例。然而，将理解的是：可利用其它实施例，并且可进行逻辑、机械和电气改变。此外，在附图和说明书中呈现的方法不应当被解释为限制可以按其执行各自的步骤的次序。下面的详细描述因此将不被以限制意义来理解。
以下所述的实施例使得gnss接收机能够通过使用神经网络来将nequick模型的输出近似到可接受的精度。当应用相同的输入时，神经网络的精度由其输出与nequick模型的输出的相关性确定。相应地，神经网络被训练，以当应用相同的输入时输出在期望的容限内的nequick模型的输出的近似。由于神经网络的计算要求显著地少于实际nequick模型的计算要求，所以神经网络的使用使得gnss接收机能够执行对电离层误差的实时补偿。
图1是根据本公开的一个实施例的利用神经网络的gnss系统100的框图。在示范性实施例中，gnss系统100包括天线102、信号处理电路104、处理设备106以及包括神经网络数据库110的存储器108。gnss系统100从多个卫星接收gnss信号。在示范性实施例中，gnss系统100被配置成使用来自卫星的gnss信号来操作，该卫星是需要使用nequick模型的伽利略星座或者另一个gnss卫星星座的一部分。
在一些实施例中，gnss系统100是独立的gnss接收机。在其它实施例中，gnss系统100可被并入到诸如飞机之类的交通工具中。在这样的实施例中，gnss系统100可被并入到多模式无线电设备中，或者可被并入到交通工具的一个或多个系统中。
gnss系统100能够通过与卫星通信来确定其相对于地球的位置。gnss卫星各自向已经用伪随机噪声（prn）和数据信号调制的gnss系统100发送载波信号。数据信号包括由至少一个原子时钟提供的精确时间。数据信号还可描述时钟行为、状态消息和校正数据，该校正数据校正电离层延迟、时间偏移等等。
为了处理来自gnss卫星的信号，gnss系统100包括接收从gnss卫星发送的信号的天线102。在一些实施例中，天线102被配置成在单频模式中操作。在其它实施例中，天线102被配置成在双频模式中操作，但是如果频率中的一个丢失，接收机仍然在单频模式中操作。在任何情况下，gnss系统100实现和利用经训练以近似nequick模型的输出的神经网络以补偿电离层误差，同时在单频模式中操作。
在示范性实施例中，天线102向信号处理电路104提供信号，该信号处理电路104被配置成将接收的gnss信号从射频（rf）信号下变频成中频（if）信号。在示范性实施例中，信号处理电路104包括rf前端，该rf前端将从天线102接收的rf信号下变频，用于由处理设备106进一步处理。在示范性实施例中，信号处理电路104可包括放大器、混频器（mixer）、模数（a/d）转换器以及其它电子设备，所述其它电子设备可用于从卫星接收信号并将rf信号下变频成if信号。在一些实施例中，gnss系统100可包括组件以将if信号进一步下变频成基带信号。在一些实施例中，if信号或基带信号被提供给处理设备106。在其它实施例中，信号处理电路104包括在向处理设备106提供gnss信号之前执行进一步的信号处理（例如，为神经网络生成多个输入）的组件。
处理设备106耦合到存储器108，并且被配置成使用gnss信号确定估计的gnss系统100的位置。在示范性实施例中，处理设备106可包括一个或多个处理器、微处理器、现场可编程门阵列（fpga）、专用集成电路（asic）等等。在一些实施例中，处理设备106可合并存储器108。在示范性实施例中，处理设备106使用来自信号处理电路104的处理的gnss信号来为神经网络生成多个输入。为了产生精确的位置估计，gnss系统100必须补偿电离层误差。如上所讨论的，对于使用伽利略信号操作的gnss系统100，需要nequick模型。nequick模型本质上是具有九个输入和一个输出的非线性算法。到nequick模型的九个输入包括：有效电离化级az（其可以基于在伽利略导航消息中广播的参数a0、a1、a2来计算）；接收机位置（纬度、经度、高度）；卫星位置（纬度、经度、高度）；一天中的时间；以及一年中的季节。如上所讨论的，nequick模型对于实时应用存在过分的计算要求。gnss系统100通过使用近似nequick模型的输出的神经网络（而不是使用完整的nequick模型）来补偿电离层误差。由于nequick模型具有有限数量的输入和一个输出，所以神经网络可以用于在足够的训练之后将nequick模型的输出近似成期望的精度水平。
图2是用于近似nequick模型的示例性神经网络200的框图。在示范性实施例中，神经网络200是模仿生物神经网络的人工神经网络（ann）。ann通常包括在彼此之间交换消息的互连神经元（在本文中也被称为节点）的系统，并且神经元之间的连接具有可以基于经验来调整的相关联的自适应数字权重。在示范性实施例中，神经网络200是具有包含有限数量的神经元204的至少一个隐藏层203的前馈网络，有限数量的神经元204也被称为多层感知器。应当理解的是：也可以使用其它合适的神经网络结构。神经网络200可以使用隐藏层203中任何数量的神经元204来实现，隐藏层203在训练之后实现期望的精度水平。例如，隐藏层203可包括2000个神经元。在一些实施例中，神经网络200包括一个以上的隐藏层203。在这样的实施例中，每个隐藏层203可包括在训练之后实现期望的精度水平的任何数量的神经元204。
在一些实施例中，神经网络200包括输入层中的九个输入节点202和输出层中的一个输出节点206，该神经网络200对应于与实际nequick模型的原样数量的输入和输出。在以下将关于图3更详细地描述的其它实施例中，神经网络包括少于九个的输入和一个输出。无论如何，神经网络200的每个输入连接到隐藏层203的每个神经元204。连接中的每一个具有应用到它的各自的权重，并且权重通过训练来修订。为了使神经网络200精确地近似nequick模型的输出，适当的权重在训练期间被识别，如以下所解释的。
神经网络200被训练，并且以上提及的权重使用监督学习来识别，该监督学习包括从一组训练数据推断函数的机器学习任务。除了隐藏层203的数量和隐藏层203中节点204的数量之外，还在训练之前选择神经网络200的其它参数。例如，还选择激活函数、学习速度等等。
神经网络200使用数据来训练，该数据使用实际nequick模型生成。特别地，可以通过改变模型nequick的输入来生成训练数据集，以获得不同的输出。理论上，由于nequick模型和用于nequick模型的每个输入的值的范围是已知的，所以可以确定nequick模型的输出，以用于将由gnss系统100实时使用的输入的任何组合。该训练数据被离线生成。
在示范性实施例中，使用梯度下降以最小化均方的反向传播算法用于训练神经网络。通常，通过确定跨越训练期间使用的输入的全部而最小化神经网络的输出的误差的权重，使用训练数据（输入的组合以及用于输入的组合的已知输出值）的反向传播算法估计连接的权重。反向传播算法估计每个输入节点202与隐藏层203的每个节点204之间以及还在隐藏层203的每个节点204与输出节点206之间的权重。该权重的估计是通过使用下面的公式计算误差相对于每个权重的偏导数来获得的：
其中oj是节点的输出
并且到节点的输入（netj）是先前的节点的输出ok的加权和，并且φ是激活函数。然后如下更新每个权重：
其中α是神经网络的学习速度。
虽然训练可能具有计算要求，但是训练仅仅需要被执行一次，并且可以被离线执行。因此，训练不需要由gnss系统100执行，并且不被实时执行。虽然已经关于反向传播算法描述了训练，但是应当理解的是：对本领域技术人员已知的任何足够的算法可用于神经网络的监督学习训练。
在训练完成时，生成具有用于神经网络200的每个连接的适当权重的数据库110。在一些实施例中，数据库110还可包括神经网络200的激活函数。数据库110可以被加载到gnss系统100的存储器108中，用于由处理设备106使用。在示范性实施例中，神经网络的结构还可以被加载到gnss系统100的存储器中，用于由处理设备106使用。在操作的一个实施例中，gnss系统100经由天线102从一个或多个卫星接收gnss信号，并且该信号由信号处理电路104从rf转换成if。使用接收的gnss信号和神经网络数据库110，处理设备106估计电离层误差（例如，总电子计数或tec）的指示，该电离层误差类似于将使用完整nequick模型来获得的电离层误差。特别地，信号处理设备106输入来自对应于用于神经网络200的九个输入节点202的gnss信号的数据，并且应用存储在神经网络数据库110中的激活函数和权重。在一些实施例中，处理设备106在其被第一次初始化时仅仅加载一次存储在神经网络数据库110中的权重。在其它实施例中，处理设备106每当其执行估计时加载存储在神经网络数据库110中的权重。由于神经网络200将不完美地近似nequick模型的输出，所以附加的残余误差被应用到由处理设备106输出的电离层延迟的指示。在示范性实施例中，在神经网络的输出与nequick模型的输出之间的残余误差或者预期误差的估计由处理设备106提供。在示范性实施例中，残余误差或者预期误差的估计可以包括最大误差、一个西格马误差或者对本领域技术人员已知的误差的另一个统计表示。利用使用神经网络数据库110生成的电离层误差的指示，gnss系统100还可以计算与对伽利略特定系统的需求相符的位置估计。
虽然在用于nequick模型的整个输入范围之上具有九个输入和有效操作的神经网络为大多数应用提供足够的精度（与nequick模型足够地相关），但是可能期望或有必要进一步提高神经网络200的精度并相应地提高gnss系统100的精度。减少计算要求并且还提高神经网络200的精度的一个潜在方法将是为神经网络200减少输入的变型，这减少了神经网络200的复杂性。通过减少神经网络200的复杂性，减少计算电离层误差的指示所需的处理，并且可以提高神经网络的输出的精度。
在示范性实施例中，可以基于输入的先验划分生成多个神经网络200。可以使用上述训练技术生成每个神经网络200。在示范性实施例中，gnss系统100的存储器108可以包括将对gnss系统100的可能的操作环境的一部分有效的一个具体的神经网络200或多个神经网络200。每个具体的神经网络200可以针对用于nequick模型的一个或多个输入的一个或多个值的子集。例如，可以为用于接收机位置的特定地理区域生成截然不同的神经网络200，该神经网络200将包括对应于该地理区域的连续值的选定范围。在这样的实施例中，每个神经网络200可能仅仅对于纬度、经度和高度的特定范围有效。在示范性实施例中，每个截然不同的神经网络200可具体针对用于nequick模型的不同输入的一个或多个值的子集。
在操作的一个示例性实施例中，gnss系统100基于gnss系统100操作所处的环境而将多个神经网络200中的一个或多个加载到存储器108中。例如，如果gnss系统100专有地在地球的特定区域中操作，特别针对地球的特定区域的神经网络200由gnss系统100使用。如果gnss系统100的需求或环境变化，存储器108中的神经网络数据库110可被替换或以其它方式修改。在示范性实施例中，gnss系统100可从存储在中央服务器或其它聚集点上的多个神经网络数据库110下载不同的神经网络数据库110。在其中gnss系统100被包括在飞机中的实施例中，多个神经网络数据库110将需要在使用之前由管理机构的认证。
用于提高神经网络和gnss系统100的精度的另一个潜在的方法将是为神经网络降低输入的量，这还将减少神经网络的复杂性。类似于上述的第一方法，当降低输入的量时，减少了计算电离层误差所需的处理，并且可以增加神经网络输出的精度。
图3是用于近似具有减少的输入302的nequick模型的示例性神经网络300的框图。神经网络300类似于神经网络200，除了输入302的量少于九个（例如八个）。相应地，以上关于神经网络200所述的gnss系统100的训练方法和利用也可适用于神经网络300。
在示范性实施例中，可以使用与以上用于减少输入的变型所述的概念类似的概念来减少神经网络300所需的输入的量。特别地，由于nequick模型的输入中的一些具有有限数量的值或状态，所以可以为每个有限值或状态生成截然不同的神经网络300。例如，一年的季节仅仅具有四个输入（春、夏、秋、冬），并且仅仅具有八个输入的截然不同的神经网络300可以被形成以用于该年的每个相应的季节。通过减少神经网络300的输入302的量，神经网络300可以比具有九个输入的神经网络更小（例如隐藏层中更少的节点），更容易训练，并且更精确。
在示范性实施例中，也可使用如上所述的输入的先验划分来进一步简化具有八个输入的神经网络300。虽然为nequick模型覆盖完整输入范围所需的神经网络的量将增加，但是神经网络的增加的精度可证明与开发附加神经网络相关的时间、存储器和组织费用是正当的。另外，那些网络将具有较少的计算要求，因为它们将需要更少数量的神经元。
通过使用经训练以输出nequick模型的输出的近似的神经网络，gnss系统100可以估计足够地对应于使用实际nequick模型生成的tec值的tec值。由于神经网络的计算要求比实际nequick模型的计算要求显著少，所以神经网络的使用使得gnss接收机能够为电离层误差执行实时补偿。
图4是图示根据本公开的一个实施例的方法400的流程图。应当理解的是：方法400可使用以上关于图1-3所述的任何实施例来实现。这样，方法400的元素可连同、结合上述那些实施例的元素来使用，或者代替上述那些实施例的元素。此外，用于上述这样的实施例的元素的功能、结构和其它描述也可应用于方法400的类似命名的元素，并且反之亦然。
该方法开始于402：从一个或多个gnss卫星接收gnss信号。在示范性实施例中，gnss信号由gnss系统的单频天线接收。
该方法继续进行到404：将gnss信号从射频（rf）信号转换成中频（if）信号。在示范性实施例中，该转换使用例如可包括rf前端的信号处理电路来实现。在示范性实施例中，信号处理电路可包括放大器、混频器、模数（a/d）转换器和其它电子设备，所述其它电子设备可用于从卫星接收信号并将rf信号下变频成if信号。在一些实施例中，该方法进一步包括将if信号下变频成基带信号。
该方法继续进行到406：生成神经网络的多个输入，其中神经网络经训练以输出nequick模型的输出的近似。在示范性实施例中，采样和处理下变频的gnss信号以为神经网络获得关于多个输入的信息。在一些实施例中，神经网络的多个输入对应于用于nequick模型的输入，这在以上关于图1-3被列出。在其它实施例中，神经网络的多个输入对应于用于nequick模型的输入的子集。
方法继续进行到408：基于神经网络的输出来估计电离层延迟的指示。与nequick模型一样，神经网络具有单个输出。在示范性实施例中，神经网络的输出包括来自神经网络中的至少一个隐藏层的节点输出的加权和。在示范性实施例中，用于神经网络的权重和激活函数应用于多个输入，以为特定射线路径生成总电子计数（tec）。以下关于图5描述用于基于神经网络的输出估计电离层延迟的指示的特定方法。
该方法可选地继续进行到410：输出电离层延迟的指示。在一些实施例中，电离层延迟的指示被输出到利用方法400的gnss系统的另一个组件或模块，该方法400被特别配置成估计gnss系统的位置。
图5是图示根据本公开的一个实施例的基于神经网络的输出估计电离层延迟的指示的示例性方法500的流程图。方法500进一步限定以上关于图4所述的步骤408。应当理解的是：方法500可使用以上关于图1-4所述的任何实施例来实现。这样，方法500的元素可连同、结合上述那些实施例的元素来使用，或者代替上述那些实施例的元素。此外，用于上述这样的实施例的元素的功能、结构和其它描述也可应用于方法500的类似命名的元素，并且反之亦然。
该方法开始于502：从多个输入中的每个输入向神经网络的隐藏层的每个节点提供各自的加权输入。在示范性实施例中，每个各自的加权输入通过将各自的权重应用到特定输入来生成，其中各自的权重与特定输入和隐藏层的节点之间的连接相关联。在示范性实施例中，各自的权重使用上述训练方法来确定。
该方法继续进行到504：通过将提供给隐藏层的各自的节点的加权输入求和，为隐藏层的每个各自的节点确定各自的总和。在示范性实施例中，各自的总和使用用于神经网络的激活函数来确定。
该方法继续进行到506：将权重应用到每个各自的总和，以为每个各自的总和产生各自的加权和。在示范性实施例中，应用到每个各自的总和的权重与隐藏层的各自的节点和神经网络的输出层的节点之间的连接相关联。
该方法继续进行到508：将每个各自的加权和提供给神经网络的输出层的节点。如上所讨论的，仅仅存在nequick模型的单个输出。相应地，神经网络在输出层中具有单个输出节点。
该方法继续进行到510：通过将提供给输出层的节点的各自的加权和求和，确定神经网络的输出。在示范性实施例中，各自的总和使用用于神经网络的激活函数来确定。在示范性实施例中，输出的总和是神经网络的输出。
以这种方式，方法500使得能够基于神经网络的输入来估计电离层延迟的指示。通过为神经网络应用训练期间识别的权重以及激活函数，神经网络输出足够精确以满足对gnss导航的要求的nequick模型的输出的近似。
示例性实施例
示例1包括一种全球导航卫星系统（gnss）系统，包括：被配置成从一个或多个gnss卫星接收全球导航卫星系统（gnss）信号的天线；耦合到天线的信号处理电路，其中信号处理电路被配置成将gnss信号从射频（rf）下变频成中频（if）；以及耦合到存储器的处理设备，其中存储器包括用于神经网络的多个权重和激活函数的数据库，其中神经网络经训练以输出nequick模型的输出的近似，其中处理设备被配置成：向从gnss信号生成的多个输入应用用于神经网络的多个权重和激活函数；并且基于神经网络的输出来估计电离层延迟的指示。
示例2包括示例1的gnss系统，其中多个输入包括九个输入，其中多个输入中的每个输入对应于nequick模型的输入。
示例3包括示例2的gnss系统，其中神经网络针对用于nequick模型的至少一个输入的一个或多个值的具体子集。
示例4包括示例2的gnss系统，其中神经网络选自多个神经网络，其中多个神经网络的每个神经网络针对用于nequick模型的至少一个输入的一个或多个值的具体子集。
示例5包括示例1-4中任一项的gnss系统，其中多个输入包括八个输入，其中八个输入中的每一个对应于nequick模型的输入，其中神经网络针对nequick模型的不对应于所述八个输入的输入被指示到一个具体值。
示例6包括示例1-5中任一项的gnss系统，其中处理设备被进一步配置成从gnss信号生成多个输入。
示例7包括示例1-6中任一项的gnss系统，其中gnss系统被并入到交通工具携带的多模式无线电设备中。
示例8包括示例1-7中任一项的gnss系统，其中gnss系统被配置成处理伽利略特定gnss信号。
示例9包括示例1-8的gnss系统，其中处理设备被进一步被配置成：使用接收的gnss信号和电离层延迟的指示来至少确定gnss系统的估计的位置。
示例10包括示例1-9中任一项的gnss系统，其中神经网络的结构被存储在存储器中。
示例11包括示例1-10中任一项的gnss系统，其中处理设备被进一步被配置成提供神经网络的输出与nequick模型的输出之间的预期误差的估计。
示例12包括一种为全球导航卫星系统（gnss）接收机确定电离层延迟的方法，包括：从一个或多个卫星接收gnss信号；将gnss信号从射频（rf）转换成中频（if）；从gnss信号生成神经网络的多个输入，其中神经网络经训练以输出nequick模型的输出的近似；并且基于神经网络的输出来估计电离层延迟的指示。
示例13包括示例12的方法，其中基于神经网络的输出来估计电离层延迟的指示包括：从多个输入中的每个输入向神经网络的隐藏层的每个节点提供各自的加权输入；通过将提供给隐藏层的各自的节点的加权输入求和并应用激活函数，为隐藏层的每个各自的节点确定各自的总和；将权重应用到每个各自的总和以为每个各自的总和产生各自的加权和；向神经网络的输出层的节点提供每个各自的加权和；以及通过将提供给输出层的节点的各自的加权和求和来确定神经网络的输出。
示例14包括示例12-13中任一项的方法，进一步包括：使用接收的gnss信号和电离层延迟的指示来确定gnss接收机的位置。
示例15包括示例12-14中任一项的方法，其中神经网络的多个输入包括九个输入，其中多个输入中的每个输入对应于nequick模型的输入。
示例16包括示例15的方法，其中神经网络针对用于nequick模型的至少一个输入的一个或多个值的具体子集。
示例17包括示例12-16中任一项的方法，其中神经网络的多个输入包括八个输入，其中八个输入中的每一个对应于nequick模型的输入，其中神经网络针对nequick模型的不对应于所述八个输入的输入被指示到一个具体值。
示例18包括一种具有存储在其上的计算机可执行指令的非暂时性计算机可读介质，该计算机可执行指令在由一个或多个处理设备执行时使得一个或多个处理设备：基于接收的gnss信号而生成神经网络的多个输入，其中神经网络经训练以输出nequick模型的输出的近似，其中神经网络被存储在存储器上；向多个输入应用神经网络的多个权重和激活函数；以及使用神经网络来估计电离层延迟的指示。
示例19包括示例18的非暂时性计算机可读介质，其中多个输入包括九个输入，其中多个输入中的每个输入对应于nequick模型的输入。
示例20包括示例18-19中任一项的非暂时性计算机可读介质，其中多个输入包括八个输入，其中八个输入中的每一个对应于nequick模型的输入，其中神经网络针对nequick模型的不对应于所述八个输入的输入被指示到一个具体值。
在各种替代实施例中，贯穿本公开所述的系统元件、方法步骤或示例（诸如gnss系统100或其子部件，例如处理设备106）可使用一个或多个计算机系统、现场可编程门阵列（fpga）、专用集成电路（asic）或类似设备并执行代码以实现那些元件、过程或示例来实现，所述代码被存储在非瞬时数据存储设备上。因此，本公开的其它实施例可包括元件，该元件包括驻留在计算机可读介质上的程序指令，该程序指令在由这样的计算机系统实现时使得它们能够实现本文所述的实施例。如本文所用，术语“计算机可读介质”指的是具有非瞬时物理形式的有形的存储器存储设备。这样的非瞬时物理形式可包括计算机存储器设备，诸如但不限于穿孔卡片、磁盘或磁带、任何光学数据存储系统、闪存只读存储器（rom）、非易失性rom、可编程rom（prom）、可擦除可编程rom（e-prom）、随机存取存储器（ram）或者具有物理的有形形式的任何其它形式的永久性、半永久性或临时存储器存储系统或设备。程序指令包括但不限于由计算机系统处理器执行的计算机可执行指令，以及诸如超高速集成电路（vhsic）硬件描述语言（vhdl）之类的硬件描述语言。
虽然本文已经图示和描述了具体实施例，但是将由本领域普通技术人员理解的是：经计算以实现相同目的的任何布置可代替所示的具体实施例。因此，显然意图是：本发明仅仅由权利要求及其等同物来限定。