变电站环境智能感知方法及系统

1.本技术涉及人工智能领域，具体而言，涉及一种变电站环境智能感知方法及系统。


背景技术：

2.变电站作为变电工程的关键枢纽，在电力系统供应、传输中起着关键作用。传统变电站环境感知与信息监测仅依赖各种仪器仪表，环境感知能力不足、可视化数据单一，缺乏对运行设备、作业人员、作业场景的认知与数字孪生显示。
3.智能变电站是智能电网发展的一部分，是未来发展的趋势。随着人工智能技术和现代通信技术的快速发展，如何提升变电站环境感知能力，增强系统的可视化、可监测性及可预警性能是变电站亟需攻克的应用需求。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种变电站环境智能感知方法及系统，以至少解决变电站环境感知不精细的技术问题。
6.根据本技术实施例的一个方面，提供了一种变电站环境智能感知方法，包括：利用多源传感器，采集变电站的环境数据；建立所述变电站作业设备、作业人员和车辆的数据库，并基于所建立的数据库进行模型训练，得到所述变电站的认知模型；基于所述认知模型，来挖掘所采集的变电站的环境数据，以智能感知所述变电站的环境。
7.根据本技术实施例的另一方面，还提供了一种变电站环境智能感知系统，包括：环境感知子系统，被配置为利用多源传感器，采集变电站的环境数据；数据处理子系统，被配置为建立所述变电站作业设备、作业人员和车辆的数据库，并基于所建立的数据库进行模型训练，得到所述变电站的认知模型；以及，基于所述认知模型，来挖掘所采集的变电站的环境数据，以智能感知所述变电站的环境。
8.在本技术实施例中，采用基于神经网络建立的认知模型来深度挖掘变电站的环境数据，解决了变电站环境感知不精细的技术问题，实现了精细化地感知变电站环境的技术效果。
附图说明
9.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
10.图1是根据本技术实施例的一种变电站环境智能感知方法的流程图；
11.图2是根据本技术实施例的另一种变电站环境智能感知方法的流程图；
12.图3是根据本技术实施例的多尺度融合的示意图；
13.图4是根据本技术实施例的另一种变电站环境智能感知系统的结构示意图；
14.图5是根据本技术实施例的一种基于激光雷达构建三维地图进行可视化显示的方
法的流程图。
具体实施方式
15.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
16.需要说明的是，本技术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，以便这里描述的本技术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。
17.实施例1
18.根据本技术实施例，提供了一种变电站环境智能感知方法，如图1所示，该方法包括：
19.步骤s102，利用多源传感器，采集变电站的环境数据。
20.步骤s104，建立变电站作业设备和作业人员的数据库，并基于所建立的数据库进行模型训练，得到所述变电站的认知模型。
21.例如，在深度学习算法中引入多尺度融合方法，来获取所述认知模型的各个特征图的参数信息；基于所述各个特征图的所述参数信息，利用所建立的数据库中的数据来训练所述认知模型。在本实施例中，深度学习算法可以是yolov5算法，在其他的实施例中，也可以采用其他的算法，例如，可以采用单阶段的ssd算法、基于关键点的检测方法，或者基于rcnn的多阶段方法等。
22.在一个示例中，可以利用多尺度融合方法对所述各个特征图进行所述多尺度融合，得到融合的特征图。例如，对所述各个特征图进行标准化处理，获得一致的大小和通道数的标准化后的特征图；将调整后的特征图进行通道维度上的整合，获得融合的特征图。
23.之后，通过所述认知模型的多个全连接层拟合所述融合的特征图的各通道间的非线性关系，并使用激活函数生成所述融合的特征图的各通道的对应权重。这样，可以得到融合的特征图的各通道的对应权重，这些各通道的对应权重是构建认知模型的参数信息。
24.在一个示例中，在使用激活函数生成所述融合的特征图的各通道的对应权重之后，将所述各通道的对应权重与所述融合的特征图相乘，得到加权后的特征图。
25.接着，将所述加权后的特征图在空间上进行权重归一化，得到权重矩阵。例如，基于所述加权后的特征图的激励映射，得到所述加权后的特征图的中间特征；将所述将中间特征沿中间拆分为水平方向和垂直方向两个独立的特征，再分别进入两个卷积核的卷积层和非线性函数激活层获取到所述水平方向和所述垂直方向上的权重；利用逻辑函数将所述融合的特征图在所述水平方向和所述垂直方向上的权重归一化，得到权重矩阵。
26.之后，将所述权重矩阵中的权重值沿各自方向拓展为与所述加权后的特征图的输入特征具有相同维度的三维数组，得到所述加权后的特征图的重要性权重参数；其中，所述参数信息包括所述重要性权重参数。
27.此外，还可以计算所述融合的特征图的通道注意力，并基于所述通道注意力进行全局平均池化，得到所述融合的特征图的通道全局特征，其中，所述参数信息包括所述通道全局特征。
28.最后，基于上述步骤得到的各通道的对应权重、重要性权重参数和通道全局特征这些参数信息，利用数据库中的数据、采用深度学习方法来训练认知模型。
29.步骤s106，基于所述认知模型，来挖掘所采集的变电站的环境数据，以智能感知所述变电站的环境。
30.将所感知的所述变电站的环境与采集的环境信息在空间位置和时间基准上进行时空配准；可视化显示时空配准后的所感知的所述变电站的环境。
31.本技术实施例解决了面对智能变电站环境感知能力和可视化不足的问题，提高了变电站环境感知的智能性，并且实现了数据传输快速化以及显示数字化，此外，还基于深度学习方法深度挖掘所采集的环境数据，实现环境精细化多源信息融合感知，提高了系统的可视化能力，提高了工作效率和作业安全性。
32.实施例2
33.根据本技术实施例，提供了一种变电站环境智能感知方法，如图2所示，该方法包括：
34.步骤s202，数据采集。
35.利用双目相机、激光雷达、陀螺仪、温度传感器、湿度传感器、pm2.5传感器、sf6及氧气在线监测器等多源传感器，对变电站环境进行感知和认知，得到变电站的环境数据。
36.步骤s204，数据传输。
37.将采集的环境数据通过5g模块和基站发送给数据处理子系统。
38.步骤s206，建立数据库。
39.数据处理子系统建立变电站作业设备、作业人员和车辆等的数据库，并对数据库中的数据进行标记。这些数据库中的数据作为训练数据集和测试数据集，用于进行认知模型的训练和测试，以得到针对变电站环境的认知模型，例如，yolov5认知模型。
40.步骤s208，构建认知模型。
41.yolov5是一种单阶段目标检测算法，包括输入端、基准网络、neck网络和head输出端。输入端表示输入的图片，该阶段通常包含图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，yolov5使用mosaic数据增强操作提升模型的训练速度和网络的精度。基准网络通常是一些性能优异的分类器的网络，用来提取一些通用的特征表示。neck网络通常位于基准网络和头网络的中间位置，利用它可以进一步提升特征的多样性及鲁棒性。head输出端用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。
42.下面将详细描述利用yolov5构建认知模型。
43.mlff(multi-layerfeaturefusion，多层特征融合)通过对多个层级的特征图进行多尺度融合，生成融合的特征图。整个融合的过程如图3所示。
44.首先，为了加权融合多个层级的特征图p1，p2，p3，p4，需要进行标准化处理，获得一致的大小和通道数的特征图。将标准化后的特征图进行通道维度上的整合，进而获得融合的特征图p：
45.p＝fu([p1，p2，p3，p4])
ꢀꢀꢀꢀ
(1)
[0046]
其中，fu表示融合函数，p1，p2，p3，p4分别表示不同层级特征图。
[0047]
为了缓解信息冗余与冲突引起的特征能力表达下降，通过挤压(squeeze)和激活(excitation)方法计算特征图p的通道注意力，降低非相关信息干扰。基于输入进行全局平均池化，得到各通道全局特征：
[0048][0049]
这里，fs是激励映射，zc表示为特征图p的第c个通道的全局特征空间，pc表示通道c的特征图，h表示特征图像素的行数，w表示特征图像素的列数，1≤i≤h，1≤j≤w，uc表示特征值。
[0050]
通过两个全连接层拟合各通道间的非线性关系，并使用sigmoid激活函数生成融合的特征图的各通道的对应权重s。
[0051]
将对应权重s与特征图p进行相乘得到加权后的特征图u，实现重要信息突出的响应，从而减少冗余信息。
[0052]
通过以下公式计算中间特征f：
[0053]
f＝fe(x，w)＝σ(w2δ[w1，z]))
ꢀꢀ
(3)
[0054]
其中，fe表示激励映射，σ是sigmoid函数，δ是非线性激活函数，[w1，z]为旋转拼接变换，x表示输入的特征，w1表示全连接层1，w2表示全连接层2。
[0055]
将中间特征f沿中间拆分为水平方向和垂直方向两个独立的特征，再分别进入两个卷积核为1的卷积层和非线性函数激活层获取到两个方向上的权重，然后利用softmax函数将特征图在空间上的权重归一化，得到权重矩阵：
[0056][0057]
其中，h表示特征图像素的行数，w表示特征图像素的列数，wt是权重矩阵。空心r表示代表域。
[0058]
权重矩阵中的权重沿各自方向拓展为与输入特征具有相同维度的三维数组得到各个层级的特征图的重要性权重参数，完成对特征的重标定，并得到融合后的新的特征图l3：
[0059]
l3＝αp1+βp2+γp3+λp4[0060]
其中，α、β、γ、λ表示对应的各个特征图的权重参数。
[0061]
在本技术实施例中，像素高的特征图即深层特征图具有更大的感受野，可以提取更丰富的语义信息，而像素低的特征图具有更多的目标纹理特征，含有丰富的细节信息。将这些深层特征图和像素低的特征图通过卷积核处理后，得到融合的特征图，这样，提高了特征提取能力，进而提升对环境目标的辨识能力，认知目标更准确。
[0062]
步骤s210，可视化显示变电站的场景数据。
[0063]
基于上述特征图进行可视化显示，其中，特征图中可包括例如作业环境、作业人员
和相关设备状况等的场景数据。
[0064]
此外，本技术实施例还可以结合虚拟结合技术，形成智能变电站数字孪生显示。例如，利用虚拟现实技术，通过雷达构建的三维虚拟作业环境与双目相机获得的实际场景虚实结合，获得信息的结合现实效果。
[0065]
本技术实施例融合了激光雷达、深度相机、温湿度传感器等多源感知信息，突破变电站复杂环境下信息智能精细化感知技术，有效提升了变电站可视化显示能力，进一步增强了系统的可视化、可监测性及可预警性。
[0066]
本技术实施例通过分析变电站环境感知与可视化显示等作业要求，结合深度学习方法，形成智能化、精细化和数字化的智能变电站认知系统。基于深度学习的变电站环境认知与可视化方法及系统，通过对雷达、相机、陀螺仪多源信息智能感知，实现作业场景智能认知；基于5g传输模块及基站实现变电站信息快速传输；通过建立信息显示屏和系统设置屏，结合虚拟结合技术，形成智能变电站数字孪生显示。
[0067]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0068]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0069]
实施例3
[0070]
根据本技术实施例，提供了一种变电站环境智能感知系统，如图4所示，该系统包括：环境感知子系统42、信息传输子系统44、数据处理子系统46和可视化显示子系统48。
[0071]
环境感知子系统42用于采集变电站的环境数据。环境感知子系统42包括双目相机、激光雷达、陀螺仪、温度传感器、湿度传感器、pm2.5传感器、sf6及氧气在线监测器等多源传感器。
[0072]
深度相机基于深度学习认知算法，对变电站的环境数据进行融合分析，实现全方位环境认知。深度相机可以采用ds-2cd7a427fwd ai多摄全结构化双目相机，其采用双舱一体化设计，由双镜头相机与高性能gpu模块组成。
[0073]
在一个示例中，深目相机可聚合本技术实施例提出的深度学习认知算法，具备变电站的环境数据融合分析能力，实现全方位环境感知。在另外一个示例中，深目相机也可以仅采集环境数据，由数据处理子系统基于所采集的数据进行环境认知。
[0074]
激光雷达采用horn-x2 pro长距激光雷达，实现变电站多种带电设备和围栏的实时感知，可以用于构建三维设备、作业场景和作业人员数字化地图。激光雷达构建三维地图的方法将在下述实施例4中详细描述，此处不再赘述。
[0075]
变电站对设备温度、空气湿度及六氟化硫等有相关规范，因此，还需要利用温度传
感器、湿度传感器、sf6及氧气在线监测器、烟雾传感器等实现对变电站环境温湿度及空气质量的实时监测。
[0076]
信息传输子系统44用于信息的快速传递。信息传输子系统44包括5g模块和基站。信息传输子系统44用于传输多源传感器等采集的数据信息、双目相机的认知信息和变电站操作指令。其中，5g模块支持5gsa/nsa组网，兼容4g/3g网络制式，具有千兆网口、串口、无线gps等接口需求。基站是基于5g模块传输数据需要而优化布置的，其位置是根据作业环境区域动态调整的。
[0077]
数据处理子系统46主要基于激光雷达数据建立变电站环境模型，并运行位姿解算算法和预警信息算法等。其中，激光雷达建模利用三维点云成像技术，并基于点云数据与作业设备、作业人员匹配，建立数字化作业场景；作业人员定位采用旋转矢量法进行惯性数据位姿解算；并且根据雷达数据可加载、刷新地图。加载地图格式包括rmf、ind、map、gpkg等。地图刷新主要包括地图更新频率、定时刷新等功能。
[0078]
数据处理子系统46还用于基于本技术实施例提出的深度学习认知算法构建认知模型，对变电站的环境数据融合分析能力，实现全方位环境感知。构建认知模型的步骤在实施例2中已经详细描述，因此，此处不再赘述。
[0079]
可视化显示子系统48用于显示系统信息、作业环境、作业人员和相关设备状况。可视化显示子系统48由功能操作屏和信息显示屏组成，主要实现处理后的系统数据的结果展示，还提供与用户进行交互的界面、操作、日志、地图设置等功能。
[0080]
其中，可视化功能操作屏显示系统设置、人员定位、车辆定位、历史轨迹、电子围栏、系统状态、日志记录、地图设置等信息。可视化信息显示屏显示温湿度信息、sf6信息、作业人员信息、作业设备信息等。作业人员信息包括编号、工种、实时位置等。
[0081]
可视化显示子系统48还可以包括声光报警装置，用于输出处理认知结果得到的预警警报信息。
[0082]
在另外一个示例中，可视化显示子系统48采用了数字孪生显示。可视化显示采用激光雷达建立的虚拟三维变电站环境与相机采集的现场视频信息相结合，实现虚拟环境与现实事物时空配准、融合显示；其中，时空配准主要体现在空间位置和时间基准上，实现构建环境与采集环境信息的一致性、精确性；其中，融合显示体现在虚拟系统和实际环境的信息互补上，虚拟系统实时提供数字化人员、车辆、设备信息等实际环境，以实时反馈现场作业画面。
[0083]
实施例4
[0084]
根据本发明实施例，提供了一种基于激光雷达构建三维地图进行可视化显示的方法，如图5所示，该方法包括以下步骤：
[0085]
步骤s502，根据定位目标获取相关定位信息。
[0086]
激光雷达根据变电站中的定位目标(例如，作业人员、作业设备)获取相关定位信息，对系统噪声及各项初始信息进行设置，选取定位状态量，由于各传感器参数会随时间和环境发生变化，导致定位精度较差。因此，适当扩充传感器的关键参数模型，对关键参数进行估计和反馈修正，可有效提高组合系统的定位精度。
[0087]
本实施例考虑陀螺仪、加速度计及卫星之间的误差特性，建立融合系统的状态量为：
[0088][0089]
其中φe表示东向失准角速率分量，φn表示北向失准角速率分量，φu表示天向失准角速率分量，δve表示东向速度误差分量，δvn表示北向速度误差分量，δvu表示天向速度误差分量，δl表示纬度误差分量，δλ表示经度误差分量，δh表示高度误差分量，ε
gx
、e
gy
和ε
gz
分别表示陀螺仪三轴向常值漂移误差，和分别表示加速度计三轴向零偏误差。
[0090]
步骤s504，函数因子初始化。
[0091]
对函数因子进行初始化，根据各传感器因子模型建立相应的代价函数。
[0092]
首先建立惯性定位系统状态的时间更新方程为：
[0093][0094]
式中，x为定位状态量，包括速度信息、位置信息和姿态信息，a为惯性器件所产生的误差量，f表示比力，ω表示角速率。
[0095]
惯性定位系统的量测方程表示为：
[0096]
zk＝{f，ω}
[0097]
其中，zk表示表示惯性定位系统量测值。
[0098]
与相邻的定位状态x
k+1
和xk相联系，将时间更新方程离散化后得到：
[0099]
x
k+1
＝h(xk，αk，zk)
[0100]
其中，h表示函数符号，ak表示k时刻惯性器件所产生的误差量。
[0101]
通过离散化后的时间更新方程可以得到惯性因子图节点，定义为：
[0102][0103]
其中，i表示惯性系符号，d表示代价函数，fi表示惯性因子。
[0104]
将两个定位状态量x
k+1
和xk以及惯性器件所产生的误差量ak通过该因子图节连接起来，当前的定位状态xk通过量测信息zk预测下一时刻的定位状态x
k+1
，得到预测量与下一时刻定位状态之间的误差函数。
[0105]
随着时间更新，惯性器件误差也随之变化，误差函数定义为：
[0106]
α
k+1
＝g(αk)
[0107]
其中，g()表示转移函数。
[0108]
同理，可得与惯性器件所产生的误差变量ak相关偏差因子图节点为：
[0109][0110]
上式中，定义了一个惯性定位系统偏差因子图节点，将两个误差变量ak和a
k+1
之间通过这个因子图节点fb(ak+1，ak)连接起来。
[0111]
根据卫星量测方程构建卫星因子图节点，量测方程为：
[0112][0113]
式中，hg(xk)表示卫星信号的量测函数，ng表示卫星信号的量测噪声，z
kg
表示卫星量测值。根据测量方程定义卫星因子图节点为：
[0114]
[0115]
其中，为代价函数，hg(xk)表示卫星信号的量测函数。
[0116]
由代价函数可知卫星因子图节点只与当前时刻的定位状态变量有关，与前后时刻状态变量无关。
[0117]
步骤s506，输入量测信息。
[0118]
根据量测信息的传感器确定输入因子进行处理，根据步骤s504中的量测方程及代价函数对相关变量节点选择，确定惯性因子和卫星因子。
[0119]
步骤s508，构建因子图。
[0120]
根据步骤s506中确定的惯性因子和卫星因子，构建惯性/卫星组合的因子图，进行增量信息更新处理，增量信息包括惯性定位系统的速度增量、位置增量信息以及卫星定位系统的卫星位置增量。
[0121]
步骤s510，获取最优估计值。
[0122]
进一步对步骤s508所得位置增量信息进行更新融合，获取最优定位估计值，最优估计值可通过高斯-牛顿迭代计算确定。估计修正值满足：
[0123][0124]
式中，表示当前位置估计值的稀疏雅各比矩阵，表示当前位置估计值的测量残差，δx表示因子图状态量的估计修正值，δx
′
表示更新后的因子图状态量估计值，求解和更新δx需利用qr分解将雅各比矩阵分解为上三角矩阵形式，为获取δx极值，对公式求偏微分并使其等于零，可得：jδx＝b，计算出δx后，得到新的位置估计值依次迭代计算，直至获取最优定位估计值。
[0125]
步骤s512，判断是否有新的量测信息输入。
[0126]
判断是否有新的量测信息输入，若有则重复步骤s506至步骤s510，若无则执行步骤s514。
[0127]
由于多源信息融合过程中不同传感器的采样频率不同，导致传感器数据不同步，本实施例提出利用因子图模型技术解决多传感器信息融合不同步的问题，克服现有算法的不足之处，可满足定位系统即插即用特性，同时提高了定位的准确性。
[0128]
步骤s514，基于特征图及定位信息进行可视化显示。
[0129]
在确定了定位目标的定位信息之后，基于定位信息，将所述定位目标融合到特征图，并基于融合了定位目标的特征图进行可视化显示。
[0130]
获取融合的特征图已在上述实施例1至3中有详细描述，因此，此处不再赘述。
[0131]
实施例5
[0132]
本技术的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以上实施例1至2中的方法的程序代码
[0133]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0134]
可选地，本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例，本实施例在此不再赘述。
[0135]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0136]
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本技术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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。
[0137]
在本技术的上述实施例中，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。
[0138]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，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，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，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。
[0139]
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。
[0140]
另外，在本技术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。
[0141]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。