一种征信表单的生成方法及装置与流程
本申请涉及信息技术领域，尤其涉及一种征信表单的生成方法及装置。
背景技术
在信用征集领域(征信领域)，为了对用户提出的业务请求(如贷款、赊账等)进行风险评价，信用征集机构(征信机构)通常会采集用户在各征信类别上的征信信息。
其中，征信类别是指征信信息的类别，征信类别是由征信机构按照一定的标准划分的，不同征信机构的划分标准可能不同。征信信息是可表明用户信用能力的信息。例如，用户对应的“具有大专学历”的征信信息，可以表明用户信用能力，该征信信息的征信类别可以是“学历”，也可以是“教育经历”。
很多情况下，征信机构并不能在每个征信类别上都采集到用户的征信信息，征信机构没有采集到的用户的征信信息所对应的征信类别，就是用户缺失的征信类别。此时，征信机构往往会要求用户提供在其缺失的征信类别上的征信信息。
实际应用中，不同的用户缺失的征信类别往往也是不同的，但是，征信机构通常会向缺失征信类别的用户提供一份标准化的征信表单，如图1所示，标准化的征信表单上罗列了所有的征信类别，要求用户逐一针对每个征信类别，填写相应的征信信息。然而，征信机构通常已经在一些征信类别上采集到了用户的征信信息，实际上并不需要用户再针对这些征信类别填写一次征信信息了，这浪费了用户大量的时间，给用户造成了不便。
技术实现要素：
本申请实施例提供一种征信表单的生成方法及装置，以解决现有的征信表单的生成方法给用户造成不便的问题。
为解决上述技术问题，本申请实施例是这样实现的：
本申请实施例提供的一种征信表单的生成方法，包括：
获取待征信用户的历史数据；
根据所述历史数据确定所述待征信用户对应的各行为特征；
根据确定的各行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户缺失的征信类别；
根据所述待征信用户缺失的征信类别，生成征信表单。
本申请实施例提供的一种征信表单的生成装置，包括：
获取模块，获取待征信用户的历史数据；
第一确定模块，根据所述历史数据确定所述待征信用户对应的各行为特征；
第二确定模块，根据确定的各行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户缺失的征信类别；
生成模块，根据所述待征信用户缺失的征信类别，生成征信表单。
由以上本申请实施例提供的技术方案可见，在本申请实施例中，当需要对待征信用户进行征信时，根据待征信用户对应的历史数据，确定该用户对应的各行为特征，然后结合预先确定的每个行为特征在每个征信类别下出现的概率，确定该用户缺失的征信类别，再根据该用户缺失的征信类别，生成征信表单，使得该用户仅需要填写在其缺失的征信类别上的征信信息即可，从而减少了对用户造成的不便，提升了征信效率。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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他的附图。
图1现有的征信表单示意图；
图2是本申请实施例提供的一种征信表单的生成方法流程图；
图3a是征信机构使用的现有的征信提供与用户交互的示意图；
图3b是本申请实施例提供的征信系统与用户交互的示意图；
图4是本申请实施例提供的一种征信表单的生成装置示意图。
具体实施方式
本申请实施例提供一种征信表单的生成方法及装置。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图2是本申请实施例提供的一种征信表单的生成方法流程图，包括以下步骤：
s201：获取待征信用户的历史数据。
本方法的执行主体可以是征信系统或征信装置，也可以是用于执行征信工作的客户端，该客户端可以安装于征信机构使用的现有的征信系统上。为了描述的方便，以本方法的执行主体是征信系统为例展开以下说明。
在本申请实施例中，所述历史数据可以是待征信用户在生活中(线上或线下)产生的数据。所述历史数据可以是工作人员从各途径获取的，也可以是智能搜索引擎、爬虫程序或其他能够获取历史数据的智能程序从各途径获取的。例如，张三在生活中产生的历史数据可以是张三于2017年1月5日在某银行存款5万元，张三于2017年1月6日在加油站给汽车加油10l，张三于2016年6月报名参加了研究生考试辅导班等，可以由工作人员探访某银行、加油站、辅导班来获取张三的历史数据，也可以由智能程序从某银行的数据库、加油站的数据库和辅导班的网站上获取张三的历史数据。
s202：根据所述历史数据确定所述待征信用户对应的各行为特征。
在本申请实施例中，待征信用户的行为特征，可以是待征信用户在生活中产生过的某些行为，如汽车加油行为、奢侈品购买行为、学术专著借阅行为等。
所述行为特征可以是征信系统根据预定的提取规则，从待征信用户的历史数据中提取出来的。
其中，所述提取规则可以是根据历史数据中的关键词确定历史数据涉及的行为特征。即通过预先设置各关键词与各行为特征之间的对应关系，使得征信系统可以根据历史数据中出现频次大于设定值的关键词(只有出现频次较高的关键词才能表明用户的行为习惯)，提取出相应的行为特征，作为所述待征信用户对应的行为特征。
征信系统也可以主动获取用户通过做某些可能与信用能力相关的行为产生的历史数据，并进一步根据获取的历史数据，在这些行为中确定该用户的习惯性行为，作为用户的行为特征。
举例来说，假设从高速公路管理中心获取张三在2016年1月至2017年1月之间产生的历史数据，可以从张三的历史数据中分析提取出现频次较高的加油、收费站等关键词，那么就能够认定张三对应的行为特征可以是汽车加油行为和收费站缴费行为，值得说明的是，倘若张三在一定时间内产生的汽车加油行为较少(如一年产生5条汽车加油行为)，那么就说明给汽车加油的行为并不是张三的习惯性行为，则不能认定张三对应的行为特征是汽车加油行为；也可以获取张三的高速公路缴费记录、加油记录，判断张三是否经常缴费或加油，从而确定张三的行为特征。
从历史数据中分析提取出行为特征的关键在于工作人员预先设置的一系列行为特征的划分标准要尽可能精准，且彼此条件独立。这样一来，征信系统根据划分行为特征的标准从待征信用户的历史数据中提取中的行为特征就可以精确地反映出待征信用户具有的征信类别。当然，工作人员还可以随时调整划分行为特征的标准，进一步提升征信系统的准确性。
s203：根据确定的各行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户缺失的征信类别。
根据统计规律，倘若两个用户对应的行为特征相同或相近，那么这两个用户具有的征信类别也应该是相同或相近的。基于此统计规律，在本申请实施例中，可以在征信系统中预设每个行为特征在每个征信类别下出现的概率，使得征信系统可以查询到任一个行为特征在每个征信类别下出现的概率。
在本申请实施例中，可以通过以下方式确定每个行为特征在每个征信类别下出现的概率：
获取数据样本，所述数据样本包含多个已征信用户分别对应的行为特征和所述多个已征信用户分别具有的征信类别，再根据所述数据样本，针对每个行为特征，确定该行为特征分别在各征信类别下出现的概率。
例如，数据样本包含了10000个已征信用户以及每个已征信用户具有的征信类别和对应的各行为特征。假设统计得到这10000个用户中，具有征信类别y1的用户有3000人，然后进一步统计得到在这具有y1的3000人中，对应行为特征a1的用户有300个，则最终就可以得到p(a1|y1)＝300/3000＝1/10。类似的，每个行为特征相对于每个征信类别的条件概率都可以统计和计算出来。行为特征相对于征信类别的条件概率就是行为特征在征信类别下出现的概率。
从数据样本中也可以统计出各种行为特征集合xi出现的概率p(xi)，例如，10000个已征信用户中对应行为特征集合xi＝(a1、a3、a4)的已征信用户有200人，则可以得到p(xi)＝200/10000＝2％，当需要确定某个待征信用户缺失的征信类别时，就可以从统计结果中查询出该待征信用户对应的p(xi)。此外，还可以统计出各征信类别yi出现的概率p(yi)，例如，10000个已征信用户中具有征信类别yi(如车产)的已征信用户有2000人，则可以得到p(yi)＝2000/10000＝20％。
数据样本中包含的已征信用户越多，数据样本就越大，数据样本就越接近实际情况，根据数据样本得到的每个行为特征在每个征信类别下出现的概率就越精确。
在本申请实施例中，可以针对待征信用户对应的每个行为特征，从预先确定的每个行为特征在每个征信类别下出现的概率中，查询得到该行为特征在每个征信类别下出现的概率，在得到待征信用户对应的每个行为特征在每个征信类别下出现的概率后，就可以确定所述待征信用户缺失的征信类别了。
具体而言，可以针对每个征信类别，根据待征信用户对应的每个行为特征在该征信类别下出现的概率，计算所述待征信用户具有该征信类别的概率；根据所述待征信用户分别具有各征信类别的概率，确定所述待征信用户具有的征信类别。而除所述待征信用户具有的征信类别外的其他征信类别，就是待征信用户缺失的征信类别。
其中，可以根据所述待征信用户对应的每个行为特征在每个征信类别下出现的概率，针对每个征信类别，将所述待征信用户对应的每个行为特征在每个征信类别下出现的概率和该征信类别出现的概率代入以下公式：
其中，p(yi|x)就是所述待征信用户具有第i个征信类别的概率，yi表示第i个征信类别，x表示所述待征信用户对应的各行为特征的集合，aj表示所述待征信用户对应的第j个行为特征，m表示所述待征信用户对应的行为特征的数量，p(yi|x)表示所述待征信用户具有第i个征信类别的概率，p(yi)表示第i个征信类别出现的概率，每个征信类别出现的概率也是根据所述数据样本确定或预先设定的，p(aj|yi)表示所述待征信用户对应的第j个行为特征在第i个征信类别下出现的概率，p(x)表示x出现的概率。p(yi)、p(aj|yi)和p(x)都可以预先从统计样本中统计出来。
在得到所述待征信用户具有第i个征信类别的概率p(yi|x)后，可以将1-p(yi|x)作为所述待征信用户缺失第i个征信类别的概率。
上述公式
那么为了根据各征信类别相对于待征信用户的条件概率来确定待征信用户的具有的征信类别，则：
其中x可以是待征信用户对应的各行为特征的集合，yi表示第i个征信类别。实际上待征信用户对应的各行为特征可以表示为x＝(a1，a2，a3，……aj)，那么根据概率公式：
实际上，本申请所要求保护的技术方案的核心思想是基于朴素贝叶斯分类算法，对待征信用户的历史数据进行分类，确定待征信用户具有的征信类别，进而确定待征信用户缺失的征信类别，以生成相应的征信表单。
由于待征信用户的历史数据冗杂无序，征信信息太过于具体，征信系统执行朴素贝叶斯分类算法时无法以历史数据和征信信息为处理对象，因此，在本申请实施例中，可以根据待征信用户的历史数据提取出一系列互不相干的行为特征，将待征信用户的行为习惯抽象为一个个互不相干的行为特征，而每个行为特征相对于每个征信类别的条件概率又可以根据数据样本确定出来，最终，各征信类别分别相对于待征信用户的条件概率也得以计算出来，从而可以量化比较各征信类别与待征信用户的契合度。
在本申请实施例中，在确定了待征信用户分别缺失各征信类别的概率后，可以对所述待征信用户分别缺失各征信类别的概率按从大到小排序，将前n个概率分别对应的征信类别，确定为所述待征信用户缺失的征信类别，所述n为大于0的整数，可以是工作人员基于业务经验预先在征信系统中设定的。需要说明的是，当采用上述对待征信用户缺失各征信类别的概率进行大小排序比较的方式时，可以无需在上述公式
也可以根据所述待征信用户分别缺失各征信类别的概率，将大于特定值的概率对应的征信类别，确定为所述待征信用户缺失的征信类别，其中，所述特定值可以是工作人员基于业务经验预先在征信系统中设定的。
举例说明，张三对应的各行为特征为(加油行为、高速公路收费行为、汽车车品消费行为、话费充值行为、通话行为、报名考研辅导班行为、购买高级工程师培训教材行为)，征信机构需要采集的征信类别为车产、运营商信息、学历、公积金、房产。那么，征信系统可以查询到张三对应的各行为特征分别对应的p(aj|y)，计算出张三缺失各征信类别的概率依次为40％、35％、32％、82％、97％，则可以将大于80％的概率对应的征信类别(公积金、房产)确定为张三缺失的征信类别，也可以将这5个概率按从大到小排序，取前两个概率对应的征信类别(公积金、房产)作为张三缺失的征信类别。
s204：根据所述待征信用户缺失的征信类别，生成征信表单。
在得到所述待征信用户缺失的征信类别后，就可以生成不包含待征信用户具有的征信类别的征信表单。
值得说明的是，在本申请实施例中，所述征信表单可以是征信系统打印出的纸质表单，也可以是电子表单、用户交互界面等，总之，所述征信表单能够获取用户提供的征信信息即可，本申请对征信表单的具体形式不做限制。
图3a是征信机构使用的现有的征信系统与用户交互的示意图。图3b是本申请提供的征信系统与用户交互的示意图。
如图3a所示，用户需要在标准化的征信表单上针对所有征信类别逐一填写相应的征信信息，便利性较低。而如图3b所示，征信系统先根据用户对应的行为特征确定该用户缺失的征信类别，然后仅要求用户在其缺失的征信类别上填写相应的征信信息即可。
通过图2所示的方法，当需要对待征信用户进行征信时，根据待征信用户对应的历史数据，确定该用户对应的各行为特征，然后结合预先确定的每个行为特征在每个征信类别下出现的概率，确定该用户缺失的征信类别，再根据该用户缺失的征信类别，生成征信表单，使得该用户仅需要填写在其缺失的征信类别上的征信信息即可，从而减少了对用户造成的不便，提升了征信效率。
在本申请实施例中，每个待征信用户需要填写的征信表单都是为其定制的，每个待征信用户需要填写的征信表单可能是不同的，这也实现了征信表单的“千人千面”。
本申请实施例提供的征信表单的生成方法，也无需工作人员当需要采集新的征信类别上的征信信息时更新标准化的征信表单(在征信表单中添加征信类别)，而是由工作人员对征信系统一次配置后，就可以由征信系统为待征信用户提供定制化的征信表单。
进一步地，本申请所要求保护的征信表单的生成方法，可以应用于大数据征信领域，征信系统可以根据大数据平台采集的海量的历史数据，计算出每个社会成员的具有的征信类别和缺失的征信类别，从而实现对全社会各成员的大数据征信。
此外，在现有的征信方式中，需要工作人员根据业务经验从用户庞杂的历史数据中筛选用户的征信信息，进而分析出用户缺失的征信类别，由于工作人员的主观性强，且人力在做筛选工作时容易出错，就常常确定的用户缺失的征信类别不够准确的问题。而本申请实施例提供的征信系统，一方面可以机械性的执行征信工作，另一方面可以对各征信类别相对于所述待征信用户的条件概率进行计算，因此既可以高效执行征信工作，也可以准确地确定待征信用户缺失的征信类别。
另外，获取到的待征信用户的历史数据可以是来自于一个数据源的历史数据，例如所述历史数据可以来自于大数据平台，如上文所述的实施方式，待征信用户对应的各行为特征可以是根据来自于大数据平台的历史数据确定的。
而作为本申请实施例提供的另一种实施方式，所述历史数据也可以是来自于不止一个数据源的历史数据。一个数据源代表一个数据获取途径，且从不同的数据源获取的历史数据往往也指向了不同的征信类别。
例如，银行是一个数据源，银行对应的历史数据指向的征信类别很大概率是金融财产，从银行对应的历史数据中可以分析出用户有收支行为、有借贷行为、有存款行为等行为特征。又如，学信网数据库是一个数据源，学信网数据库对应的历史数据指向的征信类别很大概率是学历，从教育部对应的历史数据中可以分析出用户有求学行为、有休学行为、有违纪行为、有挂科行为等行为特征。
当待征信用户对应的行为特征对应的数据源不止一个时，在本申请实施例中，可以先针对每个数据源，根据由来自该数据源的历史数据确定出的行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户相对于该数据源缺失的征信类别，再根据所述待征信用户相对于每个数据源缺失的征信类别，确定所述待征信用户缺失的征信类别。
具体而言，根据所述待征信用户相对于该数据源缺失各征信类别的概率，将大于特定值的概率对应的征信类别确定为所述待征信用户缺失的征信类别，然后，对所述待征信用户相对于各数据源缺失的征信类别取交集，就是所述待征信用户真正缺失的征信类别。
也可以先确定所述待征信用户相对于每个数据源具有的征信类别，将所述待征信用户具有的所有征信类别之外的其他征信类别，确定为待征信用户缺失的征信类别。也就是根据所述待征信用户相对于该数据源具有各征信类别的概率，将不小于特定值的概率对应的征信类别确定为所述待征信用户具有的征信类别，然后，对所述待征信用户相对于各数据源具有的征信类别取并集，那么，除该并集外的其他征信类别就是所述待征信用户真正缺失的征信类别。
对征信系统而言，实际上是依据数据源的不同，将待征信用户对应的各行为特征集合划分为了若干与各数据源分别对应的行为特征子集合。确定所述待征信用户相对于某个数据源缺失的征信类别，实际上就是根据该数据源对应的行为特征子集合中的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户相对于该行为特征子集合具有的征信类别，随后，再将所述待征信用户相对于各数据源具有的征信类别，确定为所述待征信用户具有的征信类别。具体的实施方式可参考上文，不做赘述。
举例说明，张三对应的来自三个数据源的行为特征子集合x1、x2、x3分别为x1(加油行为、高速公路收费行为、汽车车品消费行为)，x2(话费充值行为、通话行为)，x3(报名考研辅导班行为、购买高级工程师培训教材行为)，征信机构需要采集的征信类别为车产、运营商信息、学历、公积金、房产。那么，针对x1，可以查询到p(加油行为|车产)、p(加油行为|运营商信息)、p(加油行为|学历)、p(加油行为|公积金)、p(加油行为|房产)，类似的也可以查询到高速公路收费行为、汽车车品消费行为相对于各征信类别的条件概率。
如此以来，可以计算出各征信类别相对于x1的条件概率p(y|x1)。假设计算出的车产、运营商信息、学历、公积金、房产对应的p(y|x1)依次为95％、68％、55％、40％、81％，那么可以取95％对应的征信类别(车产)，作为张三相对于x1具有的征信类别，也可以取大于80％的概率对应的征信类别(车产、房产)，作为张三相对于x1具有的征信类别。同样地，也可以确定出张三相对于x2、x3具有的征信类别。那么，张三缺失的征信类别，就是除张三相对于x1、x2、x3分别具有的征信类别外的其他征信类别。
在现有的征信方式中，当工作人员从多个数据源获取用户的历史数据时，从某个数据源获取到用户的历史数据只能说明该用户很可能具有该数据源对应的征信类别，但工作人员无法确定具有该数据源的历史数据的用户是否具有其他与该数据源看似无关的征信类别。例如，倘若统计规律表明，具有高学历的人很大概率有车产，但是在现有的征信方式中，工作人员往往在主观上无法直观判断来自学信网数据库的某个待征信用户的历史数据能否说明该待征信用户是否具有车产。
而在本申请实施例中，通过待征信用户对应的每个行为特征相对于每个征信类别的条件概率，可以确定出一些工作人员凭业务经验无法直观分析出的征信类别，作为用户具有的征信类别。基于朴素贝叶斯分类算法，利用对数据样本统计得到的每个行为特征在每个征信类别下出现的概率，可以对用户对应的历史数据进行可量化的深度挖掘，较为准确得确定出用户缺失的征信类别。如此一来，生成的征信表单包含的征信类别可以大为减少，不必浪费用户过多时间。
举例说明，张三的历史数据为2016年1月至2017年1月共加油20次，2016年1月至8月共购买三次汽车坐垫，2017年1月至2月在京藏高速上缴费5次。那么，工作人员根据张三的历史数据只能判断出张三具有的征信类别为车产。但是，征信系统可以根据张三的历史数据确定张三对应的行为特征为(加油行为、高速公路收费行为、汽车车品消费行为)，除了可以计算出p(车产|张三)为95％之外，还可能计算出p(学历|张三)为75％，表明有上述三个行为特征的人不仅很可能是有车产的人，还有较大概率是有学历的人。如此一来，张三具有的征信类别可以是车产和学历，征信系统就不必在征信表单上罗列学历这一征信类别了。而在现有的征信方式中，由人工进行分类的结果是，学历不会被确定为张三具有的征信类别。
最后，需要强调的是，本领域技术人员应该可以理解，确定缺失各征信类别的概率和确定具有各征信类别的概率是等同的技术手段，采用任一技术手段确定待征信用户缺失的征信类别，都应在本申请所要求的保护范围之内。
基于图2所示的交互控件的调用方法，本申请实施例还对应提供了一种征信表单的生成装置，如图4所示，包括：
获取模块401，获取待征信用户的历史数据；
第一确定模块402，根据所述历史数据确定所述待征信用户对应的各行为特征；
第二确定模块403，根据确定的各行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户缺失的征信类别；
生成模块404，根据所述待征信用户缺失的征信类别，生成征信表单。
预先确定每个行为特征在每个征信类别下出现的概率，具体包括：获取数据样本；所述数据样本包含多个已征信用户分别对应的行为特征和所述多个已征信用户分别具有的征信类别；根据所述数据样本，针对每个行为特征，确定该行为特征分别在各征信类别下出现的概率。
所述第二确定模块403，从预先确定的每个行为特征在每个征信类别下出现的概率中，查询得到所述待征信用户对应的每个行为特征在每个征信类别下出现的概率；针对每个征信类别，根据所述待征信用户对应的每个行为特征在该征信类别下出现的概率，计算所述待征信用户缺失该征信类别的概率；根据所述待征信用户分别缺失各征信类别的概率，确定所述待征信用户缺失的征信类别。
所述第二确定模块403，采用公式
其中，x表示所述待征信用户对应的各行为特征的集合，aj表示所述待征信用户对应的第j个行为特征，m表示所述待征信用户对应的行为特征的数量，p(yi|x)表示所述待征信用户具有第i个征信类别的概率，p(yi)表示第i个征信类别出现的概率，每个征信类别出现的概率是根据所述数据样本确定的，p(aj|yi)表示所述待征信用户对应的第j个行为特征在第i个征信类别下出现的概率，p(x)表示x出现的概率。
所述第二确定模块403，根据所述待征信用户分别缺失各征信类别的概率，将大于特定值的概率对应的征信类别，确定为所述待征信用户缺失的征信类别；或对所述待征信用户分别缺失各征信类别的概率按从大到小排序，将前n个概率分别对应的征信类别，确定为所述待征信用户缺失的征信类别，所述n为大于0的整数。
所述获取模块401，从至少两个数据源分别获取所述待征信用户的历史数据；
所述第一确定模块402，针对每个数据源，根据从该数据源获取的历史数据，确定所述待征信用户对应的行为特征；
所述第二确定模块403，针对每个数据源，根据由来自该数据源的历史数据确定出的行为特征和预先确定的每个行为特征在每个征信类别下出现的概率，确定所述待征信用户相对于该数据源缺失的征信类别；根据所述待征信用户相对于每个数据源缺失的征信类别，确定所述待征信用户缺失的征信类别。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
- 还没有人留言评论。精彩留言会获得点赞！