一种新异类检测方法与装置与流程

本发明涉及机械测试领域，特别地，涉及一种新异类检测方法与装置。

背景技术：

由于旋转机械设计时考虑了很高的安全系数，一般情况下只能采集到大量的正常状态样本数据。另外，考虑到故障所造成的损失，一般不开展典型故障植入实验，因此，在旋转机械的故障诊断应用中，很难获取典型故障样本和完备的故障模式特征。因此，如何通过学习正常状态样本数据来识别不正常的状态(故障状态)，成为旋转机械故障诊断领域的难题。

新异类检测技术能较好地解决这个难题。近年来，学者们研究了许多的方法。它们大致概括为三类：统计方法、神经网络方法和支持向量数据描述(Support Vector Data Description，SVDD)方法。

常用的统计方法有参数法和非参数法。参数法通过估计训练样本的概率密度函数来判断新的样本数据是否属于已知类别，如高斯混合模型。参数法建模时需要对训练数据的分布作出正态分布假设，然后计算分布模型的参数。这种方法计算量少，容易实现，适合在线诊断。然而实际的测量数据往往不是正态分布的，所以，参数估计法实用性受到了限制。非参数法不需要事先估计数据的分布，因此受到广泛的应用。如K-近邻(K-Nearest Neighbor，KNN)方法，Parzen法等都是典型的参数法，但这些方法的检测效果不但对参数选择敏感，而且抗噪性能差。

基于神经网络的新异类检测方法有多层感知神经网络(Multi-Layer Perception，MLP)，RBF神经网络、学习矢量量化网络(Learning Vector Quantization，LVQ)和自组织映射(Self Organizing Map，SOM)神经网络。相对于统计方法，神经网络不需要先验的概率分布知识，能降低训练计算强度，提高了新异类检测推广能力。但是，神经网络方法不但容易陷入局部极小值，而且存在过学习和欠学习，容易出现“死神经元”等问题。

SVDD方法采用核函数将输入样本映射到高维特征空间，然后在特征空间中构造一个涵盖了最可能多的正常样本的超球面，以此超球面作为决策边界。SVDD是SVM方法的推广，能较好解决小样本、非线性学习问题，在机械故障诊断领域得到了广泛的应用。然而，正如SVM方法一样，SVDD方法识别效果同样受参数影响，需要严格的参数调整和优化。Tax and Duin提出通过留一法验证来调整参数，可是留一法计算量巨大。多SVDD模型融合的SVDD方法可以减少参数对分类结果的影响，但是，如何确定模型以及模型的数量又成为了难题。

针对现有技术中各处理方法参数选择敏感、抗噪性能差、存在过学习和欠学习、计算量巨大、计算效率低等问题，目前尚无有效的解决方案。

技术实现要素：

有鉴于此，本发明的目的在于提出一种新异类检测方法与装置，能够高鲁棒性与高效率的解决只有大量的正常样本没有故障样本的机械故障诊断问题。

基于上述目的，本发明提供的技术方案如下：

本发明实施例提供了一种新异类检测方法，包括：

收集正常状态下的样本作为训练样本与验证样本；

从训练样本中提取特征值，并根据训练样本特征值训练状态模型；

从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；

根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

在一些实施方式中，所述特征值的提取步骤包括：

对样本进行局部特征尺度分解(Local characteristic scale decomposition，LCD)，获得内禀尺度分量(Intrinsic scale component，ISC)集合；

用相关系数法从内禀尺度分量集合中剔除与噪声和分解过程有关的内禀尺度分量，获得主导内禀尺度分量集合；

重构主导内禀尺度分量集合获得降噪后的振动加速度信号；

从降噪后的振动加速度信号中提取高相关性的时域统计特征量作为特征值。

在一些实施方式中，所述收集正常状态下的样本为采集正常状态下的原始振动信号。

在一些实施方式中，所述特征值包括：峭度、峰值因子、裕度、脉冲因子、波形因子。

在一些实施方式中，所述状态模型为以下之一：线性模型、线性交互模型、纯二次模型或二次交互模型。

在一些实施方式中，所述根据所有预测误差平方和计算预测误差平方和阈值包括：

计算所有验证样本的预测误差平方和的均值作为期望值；

计算所有验证样本的预测误差平方和的方差作为标准差；

根据所有验证样本的预测误差平方和期望值、标准差与误检率计算预测误差平方和阈值。

在一些实施方式中，所述根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类包括：

将一测试样本的预测误差平方和与预测误差平方和阈值进行大小比较；

当预测误差平方和大于预测误差平方和阈值时，判定该测试样本为新异类样本；

当预测误差平方和小于预测误差平方和阈值时，判定该测试样本为正常样本。

本发明实施例还提供了一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。

本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法。

综上所述，本发明首先收集正常状态下的样本作为训练样本与验证样本，从训练样本中提取特征值，并根据训练样本特征值训练状态模型；然后从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；最后根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

本发明能够高鲁棒性与高效率的解决机械故障诊断中的新异类检测问题。

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的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例的一种新异类检测方法的流程图；

图2为根据本发明实施例的一种新异类检测中，从样本中提取特征值的流程图；

图3为根据本发明实施例的一种新异类检测方法的一个实施例的详细流程图；

图4为本发明实施例提供的执行所述一种新异类检测方法的电子设备的一个实施例的硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，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一步进行清楚、完整、详细地描述，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。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

基于上述目的，本发明实施例的第一个方面，提出了一种新异类检测方法的一个实施例。

如图1所示，根据本发明实施例提供的新异类检测方法包括：

步骤S101，收集正常状态下的样本作为训练样本与验证样本；

步骤S103，从训练样本中提取特征值，并根据训练样本特征值训练状态模型；

步骤S105，从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；

步骤S107，根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

如图2所示，在一些实施方式中，所述特征值的提取步骤包括：

步骤S201，对样本进行局部特征尺度分解，获得内禀尺度分量集合；

步骤S203，用相关系数法从内禀尺度分量集合中剔除与噪声和分解过程有关的内禀尺度分量，获得主导内禀尺度分量集合；

步骤S205，重构主导内禀尺度分量集合获得降噪后的振动加速度信号；

步骤S207，从降噪后的振动加速度信号中提取高相关性的时域统计特征量作为特征值。

在一些实施方式中，所述收集正常状态下的样本为采集正常状态下的原始振动信号。

在一些实施方式中，所述特征值包括：峭度、峰值因子、裕度、脉冲因子、波形因子。

在一些实施方式中，所述状态模型为以下之一：线性模型、线性交互模型、纯二次模型或二次交互模型。

在一些实施方式中，所述根据所有预测误差平方和计算预测误差平方和阈值包括：

计算所有验证样本的预测误差平方和的均值作为期望值；

计算所有验证样本的预测误差平方和的方差作为标准差；

根据所有验证样本的预测误差平方和期望值、标准差与误检率计算预测误差平方和阈值。

在一些实施方式中，所述根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类包括：

将一测试样本的预测误差平方和与预测误差平方和阈值进行大小比较；

当预测误差平方和大于预测误差平方和阈值时，判定该测试样本为新异类样本；

当预测误差平方和小于预测误差平方和阈值时，判定该测试样本为正常样本。

综上所述，本发明首先收集正常状态下的样本作为训练样本与验证样本，从训练样本中提取特征值，并根据训练样本特征值训练状态模型；然后从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；最后根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

本发明能够高鲁棒性与高效率的解决只有大量的正常样本没有故障样本的机械故障诊断问题。

基于上述目的，本发明实施例的第二个方面，提出了一种新异类检测方法的一个实施例。

基于变量预测模型的分类识别方法(Variable predictive model-based class discriminate，VPMCD)是一种新的模式识别方法。该方法分成模型训练和分类识别两个过程。在模型训练过程，VPMCD方法采用选择线性模型、线性交互模型、纯二次模型和二次交互四种模型之一，采用回归分析方法，以误差最小为判别函数来获取系统特征变量之间的相互内在关系，从而建立反映系统本质特征的变量预测模型(VPM)。在分类识别阶段，VPMCD方法利用VPM来预测未知样本的特征值，然后以预测误差平方和最小为依据来实现判断未知样本的类别，实现分类识别。

本发明实施例基于VPMCD方法，提出了一种的新异类检测方法(ND-VPMCD)方法。首先，采用正常样本数据建立预测模型并设定预测误差平方和阈值，然后针对某一测试样本，采用训练好的预测模型对测试样本的特征值进行预测，计算预测误差平方和，最后以预测误差平方和是否小于阈值为判别函数，判断测试样本是否为新异类。该方法的具体步骤如下：

首先，进行ND-VPMCD模型训练。

共收集N个正常状态下的样本，将样本随机分成两组，一组N_train个样本，用来训练模型，剩下的N-N_train个样本为另一组，用来验证模型并设定阈值(样本数目少时也可以不分组)。然后，对N_train个正常样本提取特征值，组成特征向量X＝[X₁,X₂,…,X_p]，并训练状态模型VPM_normal。

然后，统计方法确定预测误差平方和阈值。

用VPM_normal模型对正常状态的N-N_train个样本的各个特征变量进行预测，并求取预测误差平方和向量SSE_normal。正常情况SSE_normal应该在其在阈值区间内。如果在采样周期内，SSE_normal超过了阈值，则需要重新训练模型。根据切比雪夫不等式，对于任意实数ε.＞0，有

P{|SSE_normal-u|≥ε}≤σ²/ε² (1)

令ε＝nσ，n＞0，则上述不等式可以变换为：

P{|SSE_normal-u|≥nσ}≤1/n² (2)

其中u为数学期望，σ为标准差。对于给定检率α＝1/n²，则可以得到SSE_normal的正常区域为：C:[0,μ±nσ]。

假设SSE_normal属于正态分布，考虑到总是为正值，则SSE_normal的双侧阈值区域改为单侧。例如，给定误检率α＝0.1、0.05、0.025，分别对应的阈值区间C₁:[0,μ+3σ]、C₂:[0,μ+4.5σ]、C₃:[0,μ+6σ]，实际应用中可以采用SSE_normal的均值代替数学期望u，用方差代替标准差σ。因此，在不同的误检率要求下，可以得到相应的最大误差平方和MSSE_normal＝u+nσ作为阈值来判别测试样本是否属于新异类。

最后，进行ND-VPMCD分类。

采集测试样本z，并提取其特征值，组成特征向量X＝[X₁,X₂,…,X_p]。

对于测试样本z，采用VPM_normal对其进行预测，分别得到所有特征的预测值向量

计算测试样本z预测值的误差平方和SSE_z。对于测试样本z，判断它是否属于新异类，要看SSE_z是否大于MSSE_normal。即如果

SSE_z＞MSSE_normal (3)

成立，则测试样本z属于新异类，否则，属于正常类。

以下选择UCI数据库iris数据集来进行仿真分析，验证ND-VPMCD新异类检测方法的有效性。iris数据集包含3类样本，分别为Setosa(ST)，Versicolor(VS)和Virginica(VR)，每类样本各50组数据，共有150组数据，每组数据4个属性值，即特征值向量为X＝[X₁,X₂,X₃,X₄]。本次实验将ST类视为正常类，一共50组ST类数据，类标签定义为+1；将VS和VR视为新异类(非目标类)，一共100组新异类数据，类标签定义为－1。从50组ST类数据集中随机抽取20组数据作为训练样本，用r＝2的LI模型作为ST类的变量预测模型，见下表。

同时，计算出ST类样本的误差平方和SSE_normal，且得到MSSE_normal＝0.5195。然后，用ST类的变量预测模型对30组ST类数据和100组非ST类的测试样本进行预测，并计算每一个测试样本的预测误差平方和SSE_z。最后，根据式(3)的判别函数来判断样本分别属于哪一类别。

新异类检测器的性能指标有：检测率r_t(Rate of True Alarm)和虚警率r_f(Rate of False Alarm)。检测率为异类样本被判为异常类的比率，则漏警率1-r_t。虚警率为正常样本被判为异常类的比率。性能高的检测器应该既有较高的检测率又有较低的虚警率。ND-VPMCD方法对iris数据的仿真实验分析结果见下表，ND-VPMCD方法对iris数据的新异类检测率为100％，虚警率为0，即能有效地检测出新异类。

为了验证本发明实施例提出的机械故障诊断方法的有效性和实用性，选用轴承作为实验对象，在轴承故障实验台上，对滚动轴承6307进行实验。通过激光切割分别在滚动轴承6307的内圈和外圈加工宽0.15mm，深0.13mm的切槽来设置内圈故障和外圈故障。实验中采集正常状态的振动加速度信号200个样本,并将它们平均分成两组，每组100个样本。采集内圈故障和外圈故障状态的振动加速度各18个样本作为分析数据，采样频率为4096Hz，轴转速为680rpm，采样数据长度为1024点。实验中将正常状态定义为目标类，类标签为+1，将内圈故障和外圈故障状态定义为非目标类，即异常类，类标签为－1。

由于传感器获取的信号含有较强的背景噪音，采用LCD方法降噪后再提取特征向量。首先对原始振动加速度信号进行LCD分解，得到若干ISC分量。然后采用相关系数法剔除与噪声和分解过程有关的伪ISC分量，得到主导ISC分量，接着将这些主导ISC分量重构，得到降噪后的振动加速度信号。最后对这些降噪后的信号提取具有较好的相关性的时域统计特征量：峭度、峰值因子、裕度、脉冲因子、波形因子。

图3示出的是基于ND-VPMCD的新异类检测方法的流程图。首先，从第一组正常样本中随机抽取N_train个样本作为训练样本，用前述5个时域统计特征量组成特征向量作为ND-VPMCD的输入向量训练预测变量模型VPM_training，然后利用VPM_training对剩余的100-N_train个正常样本进行预测，得到预测误差平方和，计算预测误差平方和均值和标准差，从而得到阈值MSSE_normal。实验中，考虑QI和LI包括L模型和Q模型，且实验中的正常状态样本数目较多，故采用r＝3的LI模型和r＝4的QI模型，分别选取N_train为20、30、40和50来训练建立VPM_training。最后，将第二组100个正常样本和36个故障样本作为测试样本，利用训练好的预测变量模型VPM_training预测测试样本的各特征变量，并得到预测值和每个样本的预测误差平方和，以预测误差平方和是否小于阈值为判别函数，实现新异类检测。

不同的训练样本数目下两种模型的检测结果见下表，实验中的平均检测时间为0.28s。

可见检测率均为100％，从而验证了ND-VPMCD方法的可靠性。另外可知，ND-VPMCD检测器的性能受模型类型和训练样本数的影响较小。同时注意到，当训练样本数为30，验证样本数为70时，虚警率最低，即验证样本数约为训练样本数的2～3倍时，检测精度较高而虚警率较低。

为了进行对比分析，采用广泛使用的SVDD方法和ND-VPMCD方法来进行滚动轴承故障新异类检测。为了比较的公平性，同样从第一组中随机选取30个样本作训练样本，并将第二组100个正常样本和36个故障样本做测试样本。

SVDD方法需要确定两个参数：训练误差率的上界ν和核参数σ。下表显示了不同的参数设定情况下的SVDD检测结果，从表可见，设置不同的参数，SVDD分类效果存在较大的差异。为此，本发明实施例采用网络搜索法，以虚警率最小为目标函数来寻找最优参数，从而得到最佳参数为：ν＝0.2,σ＝2.0，此时，SVDD方法分类结果为：检测率r_t＝100％，虚警率r_f＝10.64％。

综上所述，本发明首先收集正常状态下的样本作为训练样本与验证样本，从训练样本中提取特征值，并根据训练样本特征值训练状态模型；然后从验证样本中提取特征值，同时使用状态模型处理验证样本获得预测特征值，根据每一组特征值与预测特征值确定一个对应的预测误差平方和，并根据所有预测误差平方和计算预测误差平方和阈值；最后根据测试样本的预测误差平方和与预测误差平方和阈值的比较判断测试样本是否属于新异类。

本发明能够高鲁棒性与高效率的解决只有大量的正常样本没有故障样本的机械故障诊断问题。

基于上述目的，本发明实施例的第三个方面，提出了一种执行所述新异类检测方法的电子设备的一个实施例。

所述执行所述新异类检测方法的电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一种方法。

图4示出的是本发明提供的执行所述新异类检测方法的电子设备的一个实施例的硬件结构示意图。

以如图4所示的电子设备为例，在该电子设备中包括一个处理器401以及一个存储器402，并还可以包括：输入装置403和输出装置404。

处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述新异类检测方法对应的程序指令/模块。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的新异类检测方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据新异类检测装置的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置403可接收输入的数字或字符信息，以及产生与新异类检测装置的用户设置以及功能控制有关的键信号输入。输出装置404可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器402中，当被所述处理器401执行时，执行上述任意方法实施例中的新异类检测方法。

所述执行所述新异类检测方法的电子设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

本申请实施例提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的新异类检测方法。所述非暂态计算机存储介质的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，典型地，本公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。

此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。