一种基于极限学习机的仿真机器鱼控制方法及装置与流程

本发明涉及水中机器鱼领域，尤其涉及一种基于极限学习机的仿真机器鱼控制方法及装置。

背景技术：

随着海洋科技的长足发展，水中机器鱼的应用变得越来越广泛，而作为科研的重要环节，关于水中机器鱼的仿真研究也逐渐成为该领域的研究热点之一。近年来，国内外争相举办各种类型的机器鱼大赛，旨在通过比赛交流机器鱼研究领域的新思想和新进展。基于此背景，北京大学联合多所高校和科研所搭建起了URWPGSim2D仿真平台，该平台是一个很好的仿真水中机器鱼研究平台。该平台以鱼作为仿真对象，以充满扰动的仿生水作为仿真环境，提供了一种水中机器鱼水球比赛的实时仿真系统。其目的是通过各种比赛项目，研究多仿真体的协作性和智能性。

对于URWPGSim2D仿真平台下的仿真机器鱼的控制，现有技术的方法是机器鱼点对点(PTP)控制算法，该算法的目的是消除机器鱼在初始方向、位置与目标点之间的方向误差和距离误差。

然而由于机器鱼周围的环境因素存在不确定性，与此同时，在机器鱼游动的过程中，仿生水的波动会对机器鱼产生一定的干扰，因此点对点控制控制算法对机器鱼的控制效果并不理想。

技术实现要素：

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制方法及装置，通过极限学习机确定机器鱼的位置并根据机器鱼和水球的位置确定击球点，从而采取相应的动作策略，解决了机器鱼周围的环境因素存在不确定性和机器鱼游动的过程中仿生水的波动对机器鱼产生一定的干扰造成的现有的点对点控制控制算法对机器鱼的控制效果不理想的技术问题。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制方法，包括：

通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断所述机器鱼和原点连线在所述水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1；

将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个所述输入对作为样本集其中j代表样序号，t_j是样本序号j的输出；

通过根据所述样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据所述单隐含层反馈神经网络确定所述机器鱼的位置；

通过根据建立的所述直角坐标系、所述机器鱼和所述水球在所述直角坐标系中的位置确定击球点并采取相应的动作策略。

可选地，

通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断所述机器鱼与原点连线在所述水球与原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1具体包括：

通过建立的直角坐标系计算所述水球和原点连线与直角坐标系的x轴夹角θ₁，并通过建立的直角坐标系计算所述机器鱼和原点连线与直角坐标系的x轴夹角θ₂，然后通过θ＝θ₁-θ₂计算斜率角差θ；

判断所述机器鱼与原点连线在所述水球与原点连线上的投影d与水球到原点距离d₁的大小，并通过将参数D赋值+1或-1，其中d＝d₂cosθ，d₂为所述机器鱼到原点的距离。

可选地，

通过根据所述样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据所述单隐含层反馈神经网络确定所述机器鱼的位置具体包括：

获取所述样本集隐含层神经元个数L和激励函数g(·)；

随机生成输入权重w_i和偏置向量b_i，i＝1,L,L；

将预置的极限学习机模型j＝1,2,Λ,N,表示成矩阵的形式Hβ＝T，根据所述样本集计算输出权重β；

根据输出权重β构建的单隐含层反馈神经网络确定所述机器鱼的位置。

可选地，

通过根据建立的所述直角坐标系、所述机器鱼和所述水球在所述直角坐标系中的位置确定击球点并采取相应的动作策略具体包括：

连接原点与所述水球球心，连线交所述水球远端处为P点，过所述水球球心作此连线的垂线，将场地划分为I、II、III、IV四个区域，然后以P点为圆心，所述水球直径为半径作圆，此圆与垂线相交于A、B两点，其中A点与所述水球球心的连线、原点与所述水球球心的连线、所述水球球心围成的90度扇形区域为I区域，B点与所述水球球心的连线、原点与所述水球球心的连线、所述水球球心围成的90度扇形区域为II区域，I区域的对角区域为III区域，II区域的对角区域为IV区域；

通过对所述机器鱼所在的区域进行判断确定击球点并采取相应的动作策略，若所述机器鱼处于I区域，则将A点作为击球点，若所述机器鱼处于II区域，则将B点作为击球点，若所述机器鱼处于III、IV区域，则将P点作为击球点。

可选地，

在通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断所述机器鱼和原点连线在所述水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1之前还包括：

以地标为原点建立直角坐标系。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制装置，包括：

参数计算单元，用于通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断所述机器鱼和原点连线在所述水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1；

样本集确定单元，用于将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个所述输入对作为样本集其中j代表样序号，t_j是样本序号j的输出；

位置确定单元，用于通过根据所述样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据所述单隐含层反馈神经网络确定所述机器鱼的位置；

击球点确定单元，用于通过根据建立的所述直角坐标系、所述机器鱼和所述水球在所述直角坐标系中的位置确定击球点并采取相应的动作策略。

可选地，

所述参数计算单元具体包括斜率角差计算子单元和赋值子单元；

所述斜率角差计算子单元，用于通过建立的直角坐标系计算所述水球和原点连线与直角坐标系的x轴夹角θ₁，并通过建立的直角坐标系计算所述机器鱼和原点连线与直角坐标系的x轴夹角θ₂，然后通过θ＝θ₁-θ₂计算斜率角差θ；

所述赋值子单元，用于判断所述机器鱼与原点连线在所述水球与原点连线上的投影d与水球到原点距离d₁的大小，并通过将参数D赋值+1或-1，其中d＝d₂cosθ，d₂为所述机器鱼到原点的距离。

可选地，

所述位置确定单元具体包括获取子单元、随机生成子单元、输出权重计算子单元、机器鱼确定子单元；

所述获取子单元，用于获取所述样本集隐含层神经元个数L和激励函数g(·)；

所述随机生成子单元，用于随机生成输入权重w_i和偏置向量b_i，i＝1,L,L；

所述输出权重计算子单元，用于将预置的极限学习机模型j＝1,2,Λ,N,表示成矩阵的形式Hβ＝T，根据所述样本集计算输出权重β；

所述机器鱼确定子单元，用于根据输出权重β构建的单隐含层反馈神经网络确定所述机器鱼的位置。

可选地，

所述击球点确定单元具体包括画图子单元和击球点确定子单元；

所述画图子单元，用于连接原点与所述水球球心，连线交所述水球远端处为P点，过所述水球球心作此连线的垂线，将场地划分为I、II、III、IV四个区域，然后以P点为圆心，所述水球直径为半径作圆，此圆与垂线相交于A、B两点，其中A点与所述水球球心的连线、原点与所述水球球心的连线、所述水球球心围成的90度扇形区域为I区域，B点与所述水球球心的连线、原点与所述水球球心的连线、所述水球球心围成的90度扇形区域为II区域，I区域的对角区域为III区域，II区域的对角区域为IV区域；

所述击球点确定子单元，用于通过对所述机器鱼所在的区域进行判断确定击球点并采取相应的动作策略，若所述机器鱼处于I区域，则将A点作为击球点，若所述机器鱼处于II区域，则将B点作为击球点，若所述机器鱼处于III、IV区域，则将P点作为击球点。

可选地，

所述基于极限学习机的仿真机器鱼控制装置还包括坐标系建立单元，用于以地标为原点建立直角坐标系。

从以上技术方案可以看出，本发明实施例具有以下优点：

在本实施例中，通过极限学习机确定机器鱼的位置并根据机器鱼和水球的位置确定击球点，从而采取相应的动作策略，解决了机器鱼周围的环境因素存在不确定性和机器鱼游动的过程中仿生水的波动对机器鱼产生一定的干扰造成的现有的点对点控制控制算法对机器鱼的控制效果不理想的技术问题，同时通过A点(或者B点)不仅可以达到调整机器鱼动作的目的，而且能够保证机器鱼在整个调整过程中尽量靠近水球，从而缩短进入“推球”状态时机器鱼与水球的距离。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制方法的一个实施例的流程示意图；

图2为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制方法的另一个实施例的流程示意图；

图3为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制装置的一个实施例的结构示意图；

图4为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制装置的另一个实施例的结构示意图；

图5为本发明实施例提供的极限学习机的基本组成示意图；

图6为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制方法的建立的坐标系示意图；

图7为本发明实施例提供的一种基于极限学习机的仿真机器鱼控制方法的击球点选择示意图。

具体实施方式

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制方法及装置，通过极限学习机确定机器鱼的位置并根据机器鱼和水球的位置确定击球点，从而采取相应的动作策略，解决了机器鱼周围的环境因素存在不确定性和机器鱼游动的过程中仿生水的波动对机器鱼产生一定的干扰造成的现有的点对点控制控制算法对机器鱼的控制效果不理想的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

首先需要说明的是，极限学习机(Extreme Learning Machine，ELM)是一种特殊类型的单隐藏层前馈神经网络，它仅有一个隐藏节点层。后来将它扩展到通用的单隐藏层前馈神经网络，它的隐结点类似神经元。极限学习机的基本组成如图5所示。

数学上，标准的极限学习机模型表示为：

其中，w_i为输入层与隐藏层之间的权矩阵，b_i为偏置向量，β_i为隐藏层与输出层之间的权矩阵，o_j为实际输出向量，g(·)为激活函数，N为训练样本总数，N％为隐藏层单元的个数。w_i·x_j表示向量w_i和x_j的内积。

通常，描述标准的极限学习机模型能够零误差地逼近上述N个样本，表示的是

即存在w、β和b，使得

利用矩阵表示时，(3)式可以紧凑地写成

Hβ＝T (4)

其中，T∈R^N×m，这里，h_ij＝g(w_j·x_i+b_j)。

从输入层输入数据x，则模型的输出为当隐藏层单元的个数与训练样本的个数相同，且矩阵H可逆时，方程(4)有唯一解。然而，大多数情况下，隐藏层单元的个数远小于训练样本个数。根据Bartlett理论，基于最小权的方法来计算输出权重，极限学习机通过最小范数获得最小误差解，得到非常好的通用性能。

当w和b固定时，等价于求线性系统(4)的最小二乘解，即：

得到

其中是H的Moore-Penrose广义逆。而最小范数的最小平方解具有唯一性，使其训练误差达到最小。

极限学习机与传统的基于梯度求解的单隐层反馈神经网络算法相比具有以下几个特征：

(1)极限学习机的速度非常快，或者说不需要学习，只需要将输出权重β求出即可；而反向误差传播算法每迭代一次需要调整n×(L+1)+L×(m+1)个值，且反向传播算法为了保证系统的稳定性，通常会选取较小的学习率，使得学习时间大大加长。因此极限学习机在这一方面优势非常巨大。

(2)在大多数应用中，极限学习机的泛化能力大于类似于误差反向传播算法这类的基于梯度的算法。

(3)传统的基于梯度的算法需要面对诸如局部最小、合适的学习率、过拟合等问题，而极限学习机一步到位，直接构建起单隐层反馈神经网络，避免了这些难以处理的棘手问题。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制方法的一个实施例，包括：

101，通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断机器鱼和原点连线在水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1；

需要说明的是，斜率角是指水球或者机器鱼所在的点与原点连线，连线与直角坐标系的x轴的夹角；

102，将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出；

103，通过根据样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据单隐含层反馈神经网络确定机器鱼的位置；

104，通过根据建立的直角坐标系、机器鱼和水球在直角坐标系中的位置确定击球点并采取相应的动作策略。

在本发明实施例中，首先通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断机器鱼和原点连线在水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1，然后将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出，之后通过根据样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据单隐含层反馈神经网络确定机器鱼的位置，最后通过根据建立的直角坐标系、机器鱼和水球在直角坐标系中的位置确定击球点并采取相应的动作策略。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制方法的另一个实施例，包括：

201，以地标为原点建立直角坐标系。

202，通过建立的直角坐标系计算水球和原点连线与直角坐标系的x轴夹角θ₁，并通过建立的直角坐标系计算机器鱼和原点连线与直角坐标系的x轴夹角θ₂，然后通过θ＝θ₁-θ₂计算斜率角差θ。

203，判断机器鱼与原点连线在水球与原点连线上的投影d与水球到原点距离d₁的大小，并通过将参数D赋值+1或-1，其中d＝d₂cosθ，d₂为机器鱼到原点的距离。

204，将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出。

205，获取样本集隐含层神经元个数L和激励函数g(·)。

206，随机生成输入权重w_i和偏置向量b_i，i＝1,L,L。

207，将预置的极限学习机模型j＝1,2,Λ,N,表示成矩阵的形式Hβ＝T，根据样本集计算输出权重β，其中，w_i为输入层与隐藏层之间的权矩阵，b_i为偏置向量，β_i为隐藏层与输出层之间的权矩阵，g(·)为激活函数，N为训练样本总数，为隐藏层单元的个数。w_i·x_j表示向量w_i和x_j的内积，T∈R^N×m，这里，h_ij＝g(w_j·x_i+b_j)。

208，根据输出权重β构建的单隐含层反馈神经网络确定机器鱼的位置。

209，连接原点与水球球心，连线交水球远端处为P点，过水球球心作此连线的垂线，将场地划分为I、II、III、IV四个区域，然后以P点为圆心，水球直径为半径作圆，此圆与垂线相交于A、B两点，其中A点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为I区域，B点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为II区域，I区域的对角区域为III区域，II区域的对角区域为IV区域。

210，通过对机器鱼所在的区域进行判断确定击球点并采取相应的动作策略，若机器鱼处于I区域，则将A点作为击球点，若机器鱼处于II区域，则将B点作为击球点，若机器鱼处于III、IV区域，则将P点作为击球点。

在本发明实施例中，如图6所示，首先以地标为原点建立直角坐标系，然后通过建立的直角坐标系计算水球和原点连线与直角坐标系的x轴夹角θ₁，并通过建立的直角坐标系计算机器鱼和原点连线与直角坐标系的x轴夹角θ₂，然后通过θ＝θ₁-θ₂计算斜率角差θ，接着判断机器鱼与原点连线在水球与原点连线上的投影d与水球到原点距离d₁的大小，并通过将参数D赋值+1或-1，其中d＝d₂cosθ，d₂为机器鱼到原点的距离，之后将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出，然后再获取样本集隐含层神经元个数L和激励函数g(·)，随机生成输入权重w_i和偏置向量b_i，i＝1,L,L，将预置的极限学习机模型j＝1,2,Λ,N,表示成矩阵的形式Hβ＝T，根据样本集计算输出权重β，其中，w_i为输入层与隐藏层之间的权矩阵，b_i为偏置向量，β_i为隐藏层与输出层之间的权矩阵，g(·)为激活函数，N为训练样本总数，为隐藏层单元的个数。w_i·x_j表示向量w_i和x_j的内积，T∈R^N×m，这里，h_ij＝g(w_j·x_i+b_j)，之后根据输出权重β构建的单隐含层反馈神经网络确定机器鱼的位置，如图7所示，然后需要连接原点与水球球心，连线交水球远端处为P点，过水球球心作此连线的垂线，将场地划分为I、II、III、IV四个区域，然后以P点为圆心，水球直径为半径作圆，此圆与垂线相交于A、B两点，其中A点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为I区域，B点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为II区域，I区域的对角区域为III区域，II区域的对角区域为IV区域，最后通过对机器鱼所在的区域进行判断确定击球点并采取相应的动作策略，若机器鱼处于I区域，则将A点作为击球点，若机器鱼处于II区域，则将B点作为击球点，若机器鱼处于III、IV区域，则将P点作为击球点。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制装置的一个实施例，包括：

参数计算单元301，用于通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断机器鱼和原点连线在水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1；

样本集确定单元302，用于将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出；

位置确定单元303，用于通过根据样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据单隐含层反馈神经网络确定机器鱼的位置；

击球点确定单元304，用于通过根据建立的直角坐标系、机器鱼和水球在直角坐标系中的位置确定击球点并采取相应的动作策略。

本发明实施例提供了一种基于极限学习机的仿真机器鱼控制装置的另一个实施例，包括：

坐标系建立单元401，用于以地标为原点建立直角坐标系。

参数计算单元402，用于通过建立的直角坐标系计算水球与机器鱼的斜率角差θ，并通过判断机器鱼和原点连线在水球和原点连线上的投影与水球到原点距离的大小将参数D赋值+1或-1；

样本集确定单元403，用于将计算的一组θ与D作为第一输入参数x_j并与t_j组成输入对，然后将由多个输入对作为样本集其中j代表样序号，t_j是样本序号j的输出；

位置确定单元404，用于通过根据样本集和极限学习机计算的输出权重β构建单隐含层反馈神经网络，然后根据单隐含层反馈神经网络确定机器鱼的位置；

击球点确定单元405，用于通过根据建立的直角坐标系、机器鱼和水球在直角坐标系中的位置确定击球点并采取相应的动作策略。

参数计算单元402具体包括斜率角差计算子单元4021和赋值子单元4022；

斜率角差计算子单元4021，用于通过建立的直角坐标系计算水球和原点连线与直角坐标系的x轴夹角θ₁，并通过建立的直角坐标系计算机器鱼和原点连线与直角坐标系的x轴夹角θ₂，然后通过θ＝θ₁-θ₂计算斜率角差θ；

赋值子单元4022，用于判断机器鱼与原点连线在水球与原点连线上的投影d与水球到原点距离d₁的大小，并通过将参数D赋值+1或-1，其中d＝d₂cosθ，d₂为机器鱼到原点的距离。

位置确定单元404具体包括获取子单元4041、随机生成子单元4042、输出权重计算子单元4043、机器鱼确定子单元4044；

获取子单元4041，用于获取样本集隐含层神经元个数L和激励函数g(·)；

随机生成子单元4042，用于随机生成输入权重w_i和偏置向量b_i，i＝1,L,L；

输出权重计算子单元4043，用于将预置的极限学习机模型j＝1,2,Λ,N,表示成矩阵的形式Hβ＝T，根据样本集计算输出权重β；

机器鱼确定子单元4044，用于根据输出权重β构建的单隐含层反馈神经网络确定机器鱼的位置。

击球点确定单元405具体包括画图子单元4051和击球点确定子单元4052；

画图子单元4051，用于连接原点与水球球心，连线交水球远端处为P点，过水球球心作此连线的垂线，将场地划分为I、II、III、IV四个区域，然后以P点为圆心，水球直径为半径作圆，此圆与垂线相交于A、B两点，其中A点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为I区域，B点与水球球心的连线、原点与水球球心的连线、水球球心围成的90度扇形区域为II区域，I区域的对角区域为III区域，II区域的对角区域为IV区域；

击球点确定子单元4052，用于通过对机器鱼所在的区域进行判断确定击球点并采取相应的动作策略，若机器鱼处于I区域，则将A点作为击球点，若机器鱼处于II区域，则将B点作为击球点，若机器鱼处于III、IV区域，则将P点作为击球点。

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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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，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，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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。