微机电系统陀螺随机噪声的处理方法及处理装置与流程

本发明涉及微机电系统陀螺技术领域，具体而言，涉及一种微机电系统陀螺随机噪声的处理方法及处理装置、存储介质、处理器。

背景技术：

振动陀螺已广泛应用于陆、海、空等多个领域，其中尤以微机电系统(即microelectromechanicalsystem，缩写为mems)陀螺应用最为广泛。mems振动陀螺的随机噪声误差是该类陀螺的一个主要误差源，如何消除误差一直是这一领域研究的重点。

现有技术中，mems振动陀螺的随机噪声误差的抑制方法主要包括两类：外部辅助方式和器件自身数据处理方式。在外部辅助方式上，一些研究人员提出了利用陀螺阵列式摆放方式，通过多传感器融合技术去消除随机漂移噪声，从而提高整体陀螺的精度，然而此种方法直接造成体积增大、成本增高，且大大增加了后期的标定与测试工作，如果精度要继续提高还要对其矩阵式摆放的差异性进行分析，故未进行实际应用。除此之外，利用加速度计、磁强计等外部传感器进行角速率估计，来修正陀螺仪自身误差需要对惯性测量单元进行系统性考虑，包括系统布置、机械编排等方式，才能达到一个稳定的效果，且这类方法多是在指定运动对象或运动状态约束条件下应用，在传统场合应用欠佳。

对于器件自身数据处理方式上，应用最多的是基于频域的抑制方式，如利用fir、iir等经典滤波方法完成进行数据滤波，在进行滤波之前先要对输出数据进行频谱分析，同时对运动对象的状态进行分析，综合得出滤波器的参数。然而该类方法难以进行动态调整，且随机噪声的频谱特性不是唯一的，很可能存在低频或者与运动状态相叠加的频率特征。若要提高该类的滤波精度就需要提高采样率、增加滤波阶数或压低输出带宽，此外该方法输出延时较大，难以进行有效补偿。随着现代kalman滤波技术的发展，基于模型的滤波也在该场合进行了应用，最为典型的方法是利用时间序列方法对传感器输出进行建模，如ar、ma、arma等方法，然后利用kalman滤波方法，完成随机噪声抑制。然而该类方法，需要花费大量的工作在数据的预处理上，要使数据达到零均值的条件下进行应用，而对于以低成本著称的mems陀螺而言，很难有效达到完全零均值的补偿，所以会影响时间序列的建模精度。此外，针对非线性运动的场合，应用此方法会严重的降低其输出带宽，造成测量延时过大。随着小波滤波方法的推广，在时域与模型之间建立了桥梁，能够进行有效滤波，但是小波基的计算复杂度较高，且造成的延时是不固定的，难以有效估计时间补偿参数。

此外，现有技术中，mems振动陀螺的随机噪声误差的抑制方法还包括利用人工智能方法进行非线性预测，来估计陀螺输出趋势，同时进行噪声抑制，然而这类神经网络的方法，需要大量的先验数据进行离线训练，在常规场合可以进行采集，但是在高动态或载体变化较快场合难以适用，且训练成本太高，难以有效应用。

针对上述现有技术中对mems陀螺随机噪声的抑制效果不佳的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种微机电系统陀螺随机噪声的处理方法及处理装置、存储介质、处理器，以至少解决现有技术中对mems陀螺随机噪声的抑制效果不佳的技术问题。

根据本发明实施例的一个方面，提供了一种微机电系统陀螺随机噪声的处理方法，包括：采集待处理窗口内微机电系统输出的运行数据，得到采样数据；基于采样数据创建微机电系统的相空间重构模型；基于相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计；根据误差估计的估计结果对微机电系统进行随机噪声的误差补偿。

进一步地，采集待处理窗口内微机电系统输出的运行数据，得到采样数据，包括：采集待处理窗口内微机电系统输出的数据；判断微机电系统输出的数据是否满足预设的窗要求；如果微机电系统输出的数据满足预设的窗要求，则进入基于采样数据创建微机电系统的相空间重构模型的步骤；如果微机电系统输出的数据不满足预设的窗要求，继续采集待处理窗口内微机电系统输出的数据。

进一步地，基于采样数据对微机电系统的相空间重构模型，包括：获取模型参数，其中，模型参数至少包括：嵌入维数和延时时间；基于采样数据和模型参数创建微机电系统的相空间重构模型。

进一步地，获取模型参数，包括：通过c-c方法获取模型参数。

进一步地，基于采样数据和模型参数创建微机电系统的相空间重构模型，包括：基于嵌入维数和延时时间对采样数据进行时间序列的改写，得到相空间重构模型。

进一步地，基于相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计，包括；基于相空间重构模型获取与过程噪声相关的状态方程和与量测噪声相关的观测方程；根据状态方程和观测方程，通过非线性滤波算法进行随机噪声的误差估计。

进一步地，根据状态方程和所述观测方程，通过非线性滤波算法进行随机噪声的误差估计，包括：对预设的卡尔曼滤波器中的滤波参数进行初始化处理；进行时间更新和量测更新，以进行随机噪声的误差估计。

根据本发明实施例的另一方面，还提供了一种微机电系统陀螺随机噪声的处理装置包括：采集模块，用于采集待处理窗口内微机电系统输出的运行数据，得到采样数据；分析模块，用于根据采样数据创建微机电系统的相空间重构模型；滤波模块，用于根据相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计；补偿模块，用于根据误差估计的估计结果对微机电系统进行随机噪声的误差补偿。

根据本发明实施例的另一方面，还提供了一种存储介质，包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述微机电系统陀螺随机噪声的处理方法。

根据本发明实施例的另一方面，还提供了一种处理器，用于运行程序，其中，程序运行时执行上述微机电系统陀螺随机噪声的处理方法。

在本发明实施例中，通过对数据进行数据采样和分析，建立基于相空间重构的陀螺输出信号模型，利用非线性滤波方法进行集中数据处理，完成随机误差估计，最终实现随机随机噪声的误差补偿以及随机噪声的有效抑制，解决了现有技术中对mems陀螺随机噪声的抑制效果不佳的技术问题，使得振动陀螺可应用于高精度场合。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种微机电系统陀螺随机噪声的处理方法的流程图；

图2是根据本发明实施例的一种可选的mems陀螺信号输出处理流程示意图；

图3是根据本发明实施例的一种可选的mems陀螺信号数据采样和处理的流程图的示意图；

图4是根据本发明实施例的一种可选的微机电系统陀螺随机噪声的处理方法所得到的psr参数的计算结果；

图5是根据本发明实施例的一种微机电系统陀螺随机噪声的处理装置的示意图；

图6a是标准kalman滤波方法、标准fir方法和本发明实施例的非线性滤波方法的数据输出对比图；

图6b是图6a的局部放大图；

图7是根据本发明实施例的可选的经allan方程对现有标准kir滤波方法和本申请ckf滤波方法输出数据进行对比的分析结果图；

图8a为根据本发明实施例可选的对标准kalman滤波方法、标准fir方法和本发明实施例的非线性滤波方法的动态特性测试结果的整体图；

图8b为图8a的动态特性测试结果在一种采样时间点的放大图；

图8c为图8a的动态特性测试结果在另一种采样时间点的放大图；

图8d为图8a的动态特性测试结果在又一种采样时间点的放大图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种微机电系统陀螺随机噪声的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的微机电系统陀螺随机噪声的处理方法，如图1所示，该方法包括如下步骤：

步骤s101，采集待处理窗口内微机电系统输出的运行数据，得到采样数据；

步骤s102，基于采样数据创建微机电系统的相空间重构模型；

步骤s103，基于相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计；

步骤s104，根据误差估计的估计结果对微机电系统进行随机噪声的误差补偿。

上述步骤s101中的待处理窗口为运行数据输出窗口，用于输出待采样的数据。可选的，前述待采样的数据为综合补偿后的数据，具体为经过温度补偿、线性度补偿以及交叉耦合补偿后的数据，但还未进行随机噪声的补偿。根据场合与应用的不同，随机噪声的补偿有时会在常规的误差补偿之前，但不会影响最终的数据输出，在这种情况下，前述待采样的数据为原始mems陀螺的信号输出数据，而未经过补偿。对于采用模拟量输出的陀螺，随机噪声补偿在前述综合补偿之后进行，mems陀螺经过温度补偿、线性度补偿、交叉耦合补偿后，陀螺的输出存在大量的随机信号，这些随机信号带来的最终数据漂移，对进行后续的导航解算影响很大。为分析方便，根据采样数据定义对应的陀螺输出序列为：

x＝{x1x2…xn},i＝1,2...n

其中：xi为对应的采样点上mems陀螺的输出，n为序列长度。

一般而言，从硬件角度分析，mems陀螺的信号输出包含模拟量输出和数字量输出两类，如图2提供的mems陀螺信号输出处理流程示意图，对于模拟量输出通常经过步骤s201模拟信号预处理，步骤s202adc(即模拟数字转换)进行数据采集(上述步骤s201和s202即为模拟接口)，而对于数字量输出(即数字接口)则直接进入步骤s203进行接口数据解析。经过步骤s203接口转换后进入步骤s204-207进行数据误差补偿，包括步骤s204温度补偿、步骤s205线性度补偿、步骤s206交叉耦合补偿和步骤s207随机噪声抑制，经步骤s207噪声补偿后获得数据输出。图2所示仅为一种可选的实施例，对于前述温度补偿、线性度补偿、交叉耦合补偿的顺序也可以互换，并没有严格的顺序要求。s203接口转换，可以利用fpga(fieldprogrammablegatearray的缩写)，或者dsp(digitalsignalprocessing的缩写)或arm(advancedricemachine微处理器的缩写)等可编程控制芯片独立实现；步骤s204-207数据误差补偿处理可以在dsp或arm中实现，也可在fpga中实现。

根据上述实施例，通过对数据进行数据采样和分析，创建相空间重构(phasespacereconstruction，缩写为psr)模型，利用非线性滤波方法进行集中数据处理，完成误差估计，最终实现随机误差补偿，解决了现有技术中对mems陀螺随机噪声的抑制效果不佳的技术问题，使得振动陀螺可应用于高精度场合。

可选的，采集待处理窗口内微机电系统输出的运行数据，得到采样数据，包括：采集待处理窗口内微机电系统输出的数据；判断微机电系统输出的数据是否满足预设的窗要求；如果微机电系统输出的数据满足预设的窗要求，则进入基于采样数据创建微机电系统的相空间重构模型的步骤；如果微机电系统输出的数据不满足所述预设的窗要求，继续采集待处理窗口内微机电系统输出的数据。

上述预设的窗要求可以理解为，采样数据在缓冲存储区需要有足够的序列长度，也就是需要有足够多的采样数据，以满足数据分析构建相空间重构模型的要求。

可选的，基于所述采样数据对所述微机电系统的相空间重构模型，包括：获取模型参数，其中，所述模型参数至少包括：嵌入维数m和延时时间τ；基于所述采样数据和所述模型参数创建所述微机电系统的相空间重构模型。

以下对步骤s102基于采样数据对微机电系统的相空间重构模型进行说明。具体的，根据上述步骤s101采样数据获得的陀螺输出序列，可以通过相空间重构psr方法，改写成如下基于上述模型参数的形式以方便输出序列进行建模：

其中，模型参数包括嵌入维数m和延时时间τ。

可选的，获取模型参数，包括通过c-c方法获取所述模型参数。

获取模型参数，具体为选取合理的m和τ值。在选取过程中通常选用c-c方法进行选取，该方法应用关联积分能够依赖于m，而时间窗口τw依赖于m，且τ随m而变化，是数据依赖的最大时间。τw表述为：τw＝(m-1)τ。

以下对通过c-c方法获取上述模型参数嵌入维数m和延时时间τ的步骤进行说明：首先，在嵌入时间序列时用到的相关积分的概念如下：

其中，n为数据集合的长度，将整个时间序列分为m个子序列，

m＝n-(m-1)τ。

当τ＝1时，将时间序列分为一个子序列，也就是该时间序列的本身，则：

当τ＝2时，将时间序列分为2个子序列{x1x1+τ…x1+(m-1)τ}和{x2x2+τ…x2+(m-1)τ}，则有：

综上所述，设定延迟时间τ和m，则有：

需要说明的是，如果时间序列是独立同分布的，那么对于固定的τ和m，当n→∞时，对于所有的r，均有s(m,r,τ)恒等于零，但实际的序列时有限的，并且序列元素间可能相关，因此实际得到的s(m,r,τ)一般不等于零，局部最大时间间隔可以取s(m,r,τ)穿越零点或者对所有的半径r相互差别最小的时间点，因为这暗含着这些点几乎是均匀分布的。

上述参数r，n，m均为参与模型计算的参数，其参数值的确定可以利用准则来确定，参数r，n，m的可选的取值范围如下：

其中，σ可由上述待处理窗口的标准差计算得到，σ的计算方法如下：

同时设定：r1＝0.5σ,r2＝σ,r3＝1.5σ,r4＝2σ，m＝2,3,4,5，将前述各参数代入上述s(m,n,r,τ)的表达式得到：

其中，δs(m,τ)＝max{s(m,n,rj,τ)}-min{s(m,n,rj,τ)}。

通过上述实施例，获取了包括嵌入维数m和延时时间τ在内的模型参数，可用于创建微机电系统的相空间重构模型。

可选的，基于采样数据和模型参数创建微机电系统的相空间重构模型，包括：基于嵌入维数和延时时间对采样数据进行时间序列的改写，得到相空间重构模型。

具体的，根据确定的嵌入维数m和延时时间τ，可以将陀螺时间序列改写为如下公式：

其中，p＝n-(m-1)τ。

根据新定义的向量xt、(即状态变量)，上述x公式可以为：

其中，xtk可视为xk的逼近。综上所述，可以定义：

根据上述实施例，基于嵌入维数m和延时时间τ对采样数据进行时间序列的改写，获得了基于向量xt、的相空间重构模型，建立了微机电系统的相空间重构模型。

可选的，步骤s103中基于相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计，包括：基于相空间重构模型获取与过程噪声相关的状态方程和与量测噪声相关的观测方程；根据所述状态方程和所述观测方程，通过非线性滤波算法进行随机噪声的误差估计。

具体的，根据上述向量xt、所确定的相空间重构模型，确定与过程噪声相关的状态方程为：

其中，定义状态转移矩阵w为过程噪声。

同时，确定与量测噪声相关的观测方程为：

z(k+1)＝hx(k+1)+v；

其中，z(k+1)＝x(k+1)，h＝diag(1,1,…,1)m×m，v为量测噪声。

可选的，根据上述状态方程和观测方程，通过非线性滤波算法进行随机噪声的误差估计，包括：对预设的卡尔曼滤波器中的滤波参数进行初始化处理；进行时间更新和量测更新，以进行所述随机噪声的误差估计。

具体的，通过非线性滤波算法进行随机噪声的误差估计的步骤如下(包括步骤s401-s403)：

步骤s401，对预设的卡尔曼滤波器中的滤波参数进行初始化处理，得到：

其中，为估计状态向量的误差协方差矩阵。

步骤s402，进行时间更新，时间更新的具体步骤如下(包括步骤s4021-s4023)：

步骤s4021，计算容积点

其中，n为阶数，单位容积点定义为同时{i}i为矩阵{i}的第i个点，并有：

步骤4022，容积点更新：

步骤4023，状态协方差矩阵更新：

步骤s403，进行量测更新，量测更新的具体步骤如下(包括步骤s4031-s4034)：

步骤s4031，容积点估计：

步骤s4032，通过量测模型更新容积点步骤s4033，量测和协方差进一步估计：

步骤s4034，估计滤波增益，进行状态更新和协方差更新：

根据上述实施例，通过非线性滤波算法获得了随机噪声的误差估计，可用于对微机电系统进行随机噪声的误差补偿。

图3提供了一种可选的数据采样和处理的流程图，微机电系统陀螺随机噪声的处理方法包括如下步骤：

步骤s301，采集陀螺数据(具体为综合补偿后的数据)，得到采样数据xk；

步骤s302，实时数据缓冲，对待处理窗口内的数据进行赋值，并进入步骤s303判断输出的数据满足所述预设的窗要求。

具体的，对待处理窗口内的数据依次赋值为x1，x2……xn，n为序列长度。步骤s303中，如果输出给定的缓冲数据满足预设的窗要求，即缓冲数据到达n的序列长度，则进入步骤s304，如果输出给定的缓冲数据不满足预设的窗要求，即缓冲数据未到达n的序列长度，则返回步骤s301重复上述步骤。

步骤s304，计算延时因子m，τ等psr参数。

步骤s305，基于步骤s304的psr参数创建微机电系统的相空间重构模型并进入步骤s306进行数据滤波并进行数据输出

上述步骤s301、s302和s303属于数据采集任务，主要完成传感器数据采集和对应的缓冲存储，当满足给定的缓冲采样数据后，依次进入步骤s304、s305和s306对该空间数据进行处理，上述数据采集任务的更新时间为ts。

上述步骤s304、s305和s306属于数据处理任务，当接到数据采集任务的缓冲数据后计算延时因子等参数，进行数据的相空间重构模型建模，完成滤波估计。上述数据处理任务的更新时间为to。

根据上述步骤，可获得用于微机电系统随机噪声误差补偿的误差估计以及微机电系统随机噪声的补偿。

根据一种可选的实施例，mems陀螺选择型号为adxrs642的芯片，通过信号调理后，利用adc芯片采集数据，利用fpga芯片完成数据读取，然后利用stm32h753芯片实现数据处理，通过rs-422串口对外完成数据输出。

adxrs642陀螺仪的采样率为1khz，总计采样时间为3600s，在分析过程中截取前360s数据进行分析。首先，确定系统最终的数据输出更新率为2hz，即每个待处理窗口有500个数据，以前500个数据为例，计算待处理窗口的psr参数，包括和scor(τ)，图4为前述psr参数的计算结果，图4的横坐标为待处理窗口的采样时间，纵坐标为计算结果选择的第一个有效极小值为t＝0.003s，即τ＝3；对应的scor最小值时的τw＝0.006s，即对应的m＝3，便可得到该组数据在第一个待处理窗口内的陀螺输出序列模型：

根据上述相空间重构模型的构建方法，可得到在此时间窗口内与过程噪声相关的状态方程为：

根据上述步骤s103非线性滤波算法设计的滤波器进行数据处理，并对后续全部序列进行噪声抑制，设定初值如下：

以此类推，对每个待处理窗口内的数据均进行计算，同时利用标准fir方法和针对上述模型的标准kalman滤波方法与本申请的非线性滤波方法进行对比，其中fir采用hamming窗方法，截止频率为50hz。如图6a所示为现有技术中标准kalman滤波方法(即图6a中kf)、标准fir方法(即图6a中fir)和本申请的非线性滤波方法(即ckf)的数据输出对比图，如图6b所示为图6a的局部放大图，利用allan方差方法，对前述三种方法滤波前后的结果进行分析，结果如图7所示，具体统计结果见表1，表1对原始数据的噪声、经标准fir方法滤波后的噪声(即表1中的fir)、经标准kalman滤波方法(即表1中的kf)滤波后的噪声以及本发明所提出的非线性滤波方法(即表1中的ckf)滤波后的噪声的静态数据对比。

表1滤波静态数据对比

根据上述实施例，可以得到本申请所提出的随机噪声抑制方法对随机噪声抑制具有较佳的技术效果。

根据一种可选的实施例，将本申请mems陀螺随机噪声的处理方法对应的将算法移植进入硬件平台，在实际硬件过程中，adc的实际采样周期为100khz，对外数据输出为200hz，输出的数据为该采样窗内最近时间点的数据，利用转台对其动态特性进行测试，获得的动态特性测试结果如图8a-图8d所示，图中kf为标准kalman滤波方法、fir为标准fir方法，ckf为本申请的非线性滤波方法，可以得到在陀螺达到-250°/s时，本申请所提出的随机噪声抑制方法能够有效将动态数据的随机误差进行补偿，在实时性方面明显优于fir方法，在精度上明显优于传统kf方法；算法的动态补偿效果与静态补偿的效果滤波效果一致，能够满足动态性要求，解决了现有技术对mems陀螺随机噪声的抑制效果不佳的技术问题。

实施例2

根据本发明实施例，提供了一种微机电系统陀螺随机噪声的处理装置，如图5所示，前述处理装置包括：采集模块50，用于采集待处理窗口内微机电系统输出的运行数据，得到采样数据；分析模块52，用于根据采样数据创建微机电系统的相空间重构模型；滤波模块54，用于根据相空间重构模型，通过非线性滤波算法进行随机噪声的误差估计；补偿模块56，用于根据误差估计的估计结果对微机电系统进行随机噪声的误差补偿。

根据本发明实施例，提供了一种存储介质，包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述微机电系统陀螺随机噪声的处理方法。

根据本发明实施例，提供了一种处理器，用于运行程序，其中，程序运行时执行上述微机电系统陀螺随机噪声的处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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全部或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(可为个人计算机、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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。