本申请涉及数据处理技术领域，特别涉及一种运营商数据的处理方法及系统。
背景技术：
现代社会为充分保障普通公民的个人安全和财产不受侵害，如何及时发现犯罪嫌疑人，以及进一步的根据该犯罪嫌疑人的轨迹确定其是否存在同伙、发现其它目标是提升城市治安水准、及时破案的重要研究方向。
现有技术中，确定目标人物的运动轨迹通常采用最简单的人工跟踪或者利用各地部署的摄像头，然后通过大量人工对各视频录像中存在类似特征的目标人员进行运动轨迹的人工组合和筛选。不仅耗费了大量人力物力，且效率极低，实时性差，仅适用于固定且较小物理区域内案件的侦破，并不适合在大范围内、长途甚至跨省份进行目标人物的轨迹识别和跟踪。
所以，如何针对现有人物轨迹识别方法存在的缺陷，提供一种无须耗费大量人力、准确度高、适用范围广的方法是本领域技术人员亟待解决的问题。
技术实现要素：
本申请的目的是提供一种运营商数据的处理方法，其借助运营商提供的基站数据，根据一系列处理算法，首先确定出目标人物的运动轨迹，再以目标人物的运动轨迹在全量数据中进行相似度匹配运算，以计算得到与目标人物运动轨迹相同的其它人员，能够弥补人工进行存在的缺陷，准确度高，适用性强，为案件侦破提供了强有力的理论基础。
本申请的另一目的是提供一种运营商数据的处理系统。
为实现上述目的，本申请提供一种运营商数据的处理方法，该处理方法包括：
从运营商数据中获取目标用户的目标轨迹点，并对所述目标轨迹点进行第一精简处理，得到第一精简运动轨迹点；
利用邻域算法对所述第一精简运动轨迹点进行计算，得到势力范围；
利用所述势力范围在全量运营商数据中过滤匹配轨迹点，得到所述势力范围内的匹配轨迹点；
将所属同一用户的匹配轨迹点划分在同一所述用户下，并对各所述用户下的匹配轨迹点进行第二精简处理，得到第二精简运动轨迹点；
对所述第一精简运动轨迹点和所述第二精简运动轨迹点进行相似度匹配运算，得到匹配结果。
可选的，对所述目标轨迹点进行第一精简处理，得到第一精简运动轨迹点，包括：
对所述目标轨迹点按时间顺序进行排序，得到时间排序结果；
将所述时间排序结果按预设周期划分出时间分片，以使每个时间分片上对应唯一的目标轨迹点；
对各所述时间分片对应的目标轨迹点按预设停留规则进行停留时段分析，得到停留轨迹点；
从各所述时间分片对应的目标轨迹点中剔除所述停留轨迹点，得到去停留轨迹点；
对所述去停留轨迹点进行经纬度网格规整处理，得到第一精简运动轨迹点；其中，每个所述第一精简运动轨迹点覆盖预设面积的区域。
可选的，利用邻域算法对所述第一精简运动轨迹点进行计算，得到势力范围，包括：
利用24邻域计算模型对所述第一精简运动轨迹点进行邻域计算，得到所述势力范围。
可选的，对所述第一精简运动轨迹点和所述第二精简运动轨迹点进行相似度匹配运算，得到匹配结果，包括：
获取各所述第一精简运动轨迹点以及各所述第二精简运动轨迹点对应的经纬度数据；
根据所述经纬度数据在相同的时间分片内进行经纬度差值计算，得到经度差值δl1和维度差值δl2和所述第一精简运动轨迹点的时间分片采样数n；
利用采样点数相似度公式
获取所述第二精简运动轨迹点中运动起始点的关联起始时间t1和运动结束点的关联结束时间t2，以及所述第一精简运动轨迹点的运动总时长t总；
利用时间相似度公式
利用所述采样点数相似度和所述时间相似度进行总相似度计算，得到匹配结果。
可选的，利用所述采样点数相似度和所述时间相似度进行总相似度计算，得到匹配结果，包括：
为所述采样点数相似度和所述时间相似度分别分配第一预设权值和第二预设权值；
按照匹配结果＝所述采样点数相似度×所述第一预设权值+所述时间相似度×所述第二预设权值，计算得到所述匹配结果。
可选的，为所述采样点数相似度和所述时间相似度分别分配第一预设权值和第二预设权值，包括：
控制为所述采样点数相似度分配的第一预设权值和为所述时间相似度分别分配的第二预设权值的比值为3：7。
可选的，将所述时间排序结果按预设周期划分出时间分片，以使每个时间分片上对应唯一的目标轨迹点，包括：
将所述时间排序结果按所述预设周期执行时间分片划分操作，得到待处理时间分片；
判断所述待处理时间分片上目标轨迹点的个数是否超过一个；
若是，则对所述待处理时间分片上的所有目标轨迹点进行均值处理，以使每个所述时间分片上对应唯一的目标轨迹点。
可选的，该处理方法还包括：
对所有得到的轨迹点进行异常剔除处理，以剔除因基站异常运行产生的异常轨迹点。
可选的，该处理方法还包括：
判断每两个相邻时间分片上的目标轨迹点间的物理位置距离是否超过预设距离范围；
若是，则通过所述物理位置距离以及两个相邻的目标轨迹点间的时间差进行速度计算，得到匀速运动数值；
利用所述匀速运动数值在两个相邻的目标轨迹点间补充预设数量的运动补充轨迹点。
为实现上述目的，本申请还提供了一种运营商数据的处理系统，该处理系统包括：
获取及精简处理模块，用于从运营商数据中获取目标用户的目标轨迹点，并对所述目标轨迹点进行第一精简处理，得到第一精简运动轨迹点；
势力范围计算模块，用于利用邻域算法对所述第一精简运动轨迹点进行计算，得到势力范围；
匹配轨迹点过滤模块，用于利用所述势力范围在全量运营商数据中过滤匹配轨迹点，得到所述势力范围内的匹配轨迹点；
归集及精简处理模块，用于将所属同一用户的匹配轨迹点划分在同一所述用户下，并对各所述用户下的匹配轨迹点进行第二精简处理，得到第二精简运动轨迹点；
相似度匹配模块，用于对所述第一精简运动轨迹点和所述第二精简运动轨迹点进行相似度匹配运算，得到匹配结果。
本申请所提供的一种运营商数据的处理方法，从运营商数据中获取目标用户的目标轨迹点，并对所述目标轨迹点进行第一精简处理，得到第一精简运动轨迹点；利用邻域算法对所述第一精简运动轨迹点进行计算，得到势力范围；利用所述势力范围在全量运营商数据中过滤匹配轨迹点，得到所述势力范围内的匹配轨迹点；将所属同一用户的匹配轨迹点划分在同一所述用户下，并对各所述用户下的匹配轨迹点进行第二精简处理，得到第二精简运动轨迹点；对所述第一精简运动轨迹点和所述第二精简运动轨迹点进行相似度匹配运算，得到匹配结果。
显然，本申请所提供的技术方案，其借助运营商提供的基站数据，根据一系列处理算法，首先确定出目标人物的运动轨迹，再以目标人物的运动轨迹在全量数据中进行相似度匹配运算，以计算得到与目标人物运动轨迹相同的其它人员，能够弥补传统方式存在的缺陷，准确度高，适用性强，为案件侦破提供了强有力的依据。本申请同时还提供了一种运营商数据的处理系统，具有上述有益效果，在此不再赘述。
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的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种运营商数据的处理方法的流程图；
图2为本申请实施例所提供的另一种运营商数据的处理方法的流程图；
图3为本申请实施例所提供的又一种运营商数据的处理方法的流程图；
图4为本申请实施例所提供的运营商数据的处理方法中一种计算匹配结果的流程图；
图5为本申请实施例所提供的运营商数据的处理方法中一种使每个时间分片上对应唯一的目标轨迹点的流程图；
图6为本申请实施例所提供的还一种运营商数据的处理方法的流程图；
图7为本申请实施例所提供的一种运营商数据的处理系统的结构框图。
具体实施方式
本申请的核心是提供一种运营商数据的处理方法及系统，其借助运营商提供的基站数据，根据一系列处理算法，首先确定出目标人物的运动轨迹，再以目标人物的运动轨迹在全量数据中进行相似度匹配运算，以计算得到与目标人物运动轨迹相同的其它人员，能够弥补传统方式存在的缺陷，准确度高，适用性强，为案件侦破提供了强有力的依据。
为使本申请实施例的目的、技术方案和优点更加清楚，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，都属于本申请保护的范围。
以下结合图1，图1为本申请实施例所提供的一种运营商数据的处理方法的流程图。
其具体包括以下步骤：
s101：从运营商数据中获取目标用户的目标轨迹点，并对目标轨迹点进行第一精简处理，得到第一精简运动轨迹点；
本步骤旨在首先获取目标用户的运动轨迹，由于基站记录的是用户使用的智能移动终端内的sim卡号，且基站通常间隔设置，例如每隔1km或1.5km。同时也会根据人群在不同位置的居住目的来缩小设置间隔或采用特殊的设置排列组合，以满足高密度人群聚居时对信号强度的要求，因此从运营商处获得的目标用户的运动轨迹其实是有一个个基站根据刷新频率记录得到的轨迹点。
此时得到的目标轨迹点全面、直接的反映了携带智能移动终端的目标用户出现过的大体经纬度位置，但仍是杂乱无章的，将其投射在一个直角坐标系中，只能得到一堆纷乱的点，因此对其进行处理是十分必要的。因为对于那样冗余、异常或错误的轨迹点会直接影响到后续判别匹配轨迹点的正确率和精度，甚至导致最终得出的结论和结果与真实情况相差甚远。
具体的，如何进行精简处理的方式多种多样，例如，去异常、按预定规则进行整合以减少数量来突出轨迹特征、去重、中断补足、去停留等等，其目的在于通过该精简处理能够使得剩余的轨迹点更好的反应目标用户的运动轨迹，以便后续进行匹配使用得到更加准确的匹配轨迹点以及对应的用户，在目的不改变的情况下，可以进行适应性的调整，此处并不做具体限定。
s102：利用邻域算法对第一精简运动轨迹点进行计算，得到势力范围；
在s101的基础上，本步骤旨在利用邻域算法对精简处理后得到的第一精简运动轨迹点进行计算，以得到该第一精简运动轨迹点覆盖的势力范围，便于利用该势力范围进行匹配轨迹点的寻找。
其中，本步骤所描述的邻域算法是在确定每个精简运动轨迹点后，以每个精简运动轨迹点所占实际面积为一个网格单元，以上下左右全方位包围起来构建的邻域单元，通常有4邻域算法、8邻域算法以及更高的24邻域算法，以四邻域算法为例，以一个精简运动轨迹点为中心，其正上方、正下方、正左方以及正右方存在四个相同大小的网格将中心的精简运动轨迹点包围起来；8邻域算法则4邻域基础上，以精简运动轨迹点为中心，构建了一个标准的3×3网格，去除中心的精简运动轨迹点所占的一个网格，还需要8个网格，故称8邻域算法；与之类似，24邻域算法构建了一个5×5的网格。之所以不存在构建4×4网格的邻域算法，是因为要以精简运动轨迹点为中心将其包围，需要做到两边对称的数量。具体使用什么程度的邻域算法可以根据实际情况以及计算速度、精度、性能等影响因素综合考虑，此处并不做具体限定。
s103：利用势力范围在全量运营商数据中过滤匹配轨迹点，得到势力范围内的匹配轨迹点；
在s102确定了目标用户的第一精简运动轨迹点所覆盖的势力范围的基础上，本步骤旨在利用该势力范围在全量运营商数据中过滤出于目标用户的第一精简运动轨迹线向匹配的轨迹点，即得到势力范围内的匹配轨迹点。
在s102中阐述了将每个运动轨迹点当做一个标准网格的方式，此处的匹配相应的只需要看全量运营商数据中其它用户的轨迹点网格是否覆盖在该势力范围下即可。
s104：将所属同一用户的匹配轨迹点划分在同一用户下，并对各用户下的匹配轨迹点进行第二精简处理，得到第二精简运动轨迹点；
在s103的基础上，本步骤旨在将所属同一用户的匹配轨迹点划分在同一用户下，并对各用户下的匹配轨迹点进行精简处理，得到第二精简运动轨迹点。此处采用的第二精简处理可以与s101中的第一精简处理相同，也可以考虑到其它可能造成影响的因素，在第一精简处理的基础上增加或去除一些处理步骤，应视实际情况做出相应的选择，但其目的还是得到能够更好的反应各匹配用户的运动轨迹，因为使用与目标用户相同的精简处理方法能够得到最相似、匹配度更好的结果。
s105：对第一精简运动轨迹点和第二精简运动轨迹点进行相似度匹配运算，得到匹配结果。
在s104得到与第一精简运动轨迹点存在一定匹配轨迹点的第二精简运动轨迹点的基础上，本步骤旨在利用两者进行相似度匹配运算，以根据运算结果判断是否最终存在伴随关系。
基于上述技术方案，本申请实施例提供的一种运营商数据的处理方法，其借助运营商提供的基站数据，根据一系列处理算法，首先确定出目标人物的运动轨迹，再以目标人物的运动轨迹在全量数据中进行相似度匹配运算，以计算得到与目标人物运动轨迹相同的其它人员，能够弥补传统方式存在的缺陷，准确度高，适用性强，为案件侦破提供了强有力的依据。
以下结合图2，图2为本申请实施例所提供的另一种运营商数据的处理方法的流程图。
本实施例是针对上一实施例中s101和s102如何进行精简处理以及如何计算得到势力范围所做出的一个具体限定，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
其具体包括以下步骤：
s201：对目标轨迹点按时间顺序进行排序，得到时间排序结果；
本步骤首先对纷乱的目标轨迹点按照各基站为各轨迹点附加的记录时间参数进行时间排序，以得到以时间先后为顺序对应的运动轨迹的时间排序结果。
s202：将时间排序结果按预设周期划分出时间分片，以使每个时间分片上对应唯一的目标轨迹点；
在s201的基础上，本步骤旨在将时间排序结果按预设周期划分出时间分片，以使每个时间分片上对应唯一的目标轨迹点，即通过这一方式减少轨迹点的数量。具体将该预设周期设定在何值能够在不影响反映运动轨迹的基础上进行，还需要结合实际情况、实际环境、其它特殊要求来综合设定。
s203：对各时间分片对应的目标轨迹点按预设停留规则进行停留时段分析，得到停留轨迹点；
s204：从各时间分片对应的目标轨迹点中剔除停留轨迹点，得到去停留轨迹点；
s203和s204目的在于判别目标用户是否在多个时间分片上没有进行明显的移动，处于停留阶段，对于整体大范围的轨迹识别来说，可以按照预设的停留规则进行处理，保留一部分停留点，而去除其它重复且无意义的点，使得轨迹点数更加精简，每个轨迹点更具有分析价值，减少工作量。
s205：对去停留轨迹点进行经纬度网格规整处理，得到第一精简运动轨迹点；其中，每个第一精简运动轨迹点覆盖预设面积的区域；
在s204的基础上，本步骤对去停留轨迹点进行经纬度网格规整处理，得到第一精简运动轨迹点；其中，进行经纬度网格规整处理的目的为使每个第一精简运动轨迹点均覆盖预设面积的区域，以为后续步骤计算实例范围打好基础。
s206：利用24邻域计算模型对第一精简运动轨迹点进行邻域计算，得到势力范围。
本步骤决定采用24邻域计算模型得到势力范围，以尽可能的不遗漏疑似目标。
以下结合图3，图3为本申请实施例所提供的又一种运营商数据的处理方法的流程图。
本实施例是针对上一实施例中s105中如何进行相似度匹配运算得到匹配结果所做出的一个具体限定，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
其具体包括以下步骤：
s301：获取各第一精简运动轨迹点以及各第二精简运动轨迹点对应的经纬度数据；
s302：根据经纬度数据在相同的时间分片内进行经纬度差值计算，得到经度差值δl1和维度差值δl2和第一精简运动轨迹点的时间分片采样数n；
s303：利用采样点数相似度公式
s304：获取第二精简运动轨迹点中运动起始点的关联起始时间t1和运动结束点的关联结束时间t2，以及第一精简运动轨迹点的运动总时长t总；
s305：利用时间相似度公式
s306：利用采样点数相似度和时间相似度进行总相似度计算，得到匹配结果。
本实施例利用上述内容得到的采样点数相似度和时间相似度进行总相似度计算，以得到匹配结果。其中，采样点数相似度值的公式内容还可以根据实际情况以及具体的精度要求再行更改，并不做具体限定，本实施例只作为是一种具体的方式出现。
以下结合图4，图4为本申请实施例所提供的运营商数据的处理方法中一种计算匹配结果的流程图。
本实施例是针对上一实施例中s306中如何利用采样点数相似度和时间相似度计算得到匹配结果所做出的一个具体限定，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
其具体包括以下步骤：
s401：为采样点数相似度和时间相似度分别分配第一预设权值和第二预设权值；
s402：按照匹配结果＝采样点数相似度×第一预设权值+时间相似度×第二预设权值，计算得到匹配结果。
本实施例是基于上一实施例，还为采样点数相似度和时间相似度分别分配第一预设权值和第二预设权值，这是由于在实际情况下，采样点数相似度和时间相似度所代表的实际意义的比重可能不同，例如，一种实施例下可以将第一预设权值与第二预设权值的比例设定为3：7，当然，在不同情况下还可以调整该比例以得准确度更高的匹配结果。
以下结合图5，图5为本申请实施例所提供的运营商数据的处理方法中一种使每个时间分片上对应唯一的目标轨迹点的流程图。
本实施例是针对上一实施例中s202中如何使每个时间分片上对应唯一的目标轨迹点所做出的一个具体限定，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
其具体包括以下步骤：
s501：将时间排序结果按预设周期执行时间分片划分操作，得到待处理时间分片；
s502：判断待处理时间分片上目标轨迹点的个数是否超过一个；
s503：不进行任何操作；
本步骤建立在s502的判断结果为待处理时间分片上目标轨迹点的个数为一个的基础上，即无需进行任何操作。
s504：对待处理时间分片上的所有目标轨迹点进行均值处理，以使每个时间分片上对应唯一的目标轨迹点。
本步骤建立在s502的判断结果为待处理时间分片上目标轨迹点的个数超过一个的基础上，即对待处理时间分片上的所有目标轨迹点进行均值处理，以使每个时间分片上对应唯一的目标轨迹点。
本实施例是一种对于每个时间分片上存在超过一个目标轨迹点的情况提出的一种解决方法，即采用均值计算方式，将处于该时间分片上的所有目标轨迹点的坐标进行均值处理，得到有代表性且唯一的目标轨迹点，以使每个时间分片均对应唯一的目标轨迹点。
以下结合图6，图6为本申请实施例所提供的还一种运营商数据的处理方法的流程图。
本实施例是基于上述实施例对可能出现的一种现象所做出的一个补充说明，其它步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
其具体包括以下步骤：
s601：判断每两个相邻时间分片对应的目标轨迹点间的物理位置距离是否超过预设距离范围；
s602：不进行任何操作；
本步骤建立在s601的判断结果为不超过预设距离范围的基础上，则无需进行任何处理。
s603：通过物理位置距离以及两个相邻的目标轨迹点间的时间差进行速度计算，得到匀速运动数值；
s604：利用匀速运动数值在两个相邻的目标轨迹点间补充预设数量的运动补充轨迹点。
本步骤建立在s601的判断结果为超过预设距离范围的基础上，旨在利用匀速算法进行补足。
本实施例是针对两相邻时间分片上的目标轨迹点相距较大的物理距离的情况提出的一种解决方案，通过计算相距的实际物理距离和两个目标轨迹点的时间差以匀速进行计算，来补足相差的目标轨迹点，以使整体的目标轨迹点更清晰、明白的反应出目标的运动轨迹。
基于上述技术方案，本申请实施例提供的一种运营商数据的处理方法，其借助运营商提供的基站数据，根据一系列处理算法，首先确定出目标人物的运动轨迹，再以目标人物的运动轨迹在全量数据中进行相似度匹配运算，以计算得到与目标人物运动轨迹相同的其它人员，能够弥补人工进行存在的缺陷，准确度高，适用性强，为案件侦破提供了强有力的理论基础。
因为情况复杂，无法一一列举进行阐述，本领域技术人员应能意识到更具本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出足够的创造性劳动下，应均在本申请的保护范围内。
下面请参见图7，图7为本申请实施例所提供的一种运营商数据的处理系统的结构框图。
该处理系统可以包括：
获取及精简处理模块100，用于从运营商数据中获取目标用户的目标轨迹点，并对目标轨迹点进行精简处理，得到第一精简运动轨迹点；
势力范围计算模块200，用于利用邻域算法对第一精简运动轨迹点进行计算，得到势力范围；
匹配轨迹点过滤模块300，用于利用势力范围在全量运营商数据中过滤匹配轨迹点，得到势力范围内的匹配轨迹点；
归集及精简处理模块400，用于将所属同一用户的匹配轨迹点划分在同一用户下，并对各用户下的匹配轨迹点进行精简处理，得到第二精简运动轨迹点；
相似度匹配模块500，用于对第一精简运动轨迹点和第二精简运动轨迹点进行相似度匹配运算，得到匹配结果。
以上各模块可以应用于以下的一个具体的实际例子中：
目标用户轨迹处理阶段：
第一步：从运营商实时获取数据；
第二步：目标用户轨迹处理：
(1)从运营商数据中获取重点人的轨迹点，按照时间排序；
(2)划分时间分片，以40秒为一个单位，若40秒内有多个轨迹点，取轨迹点的平均值；
(3)计算停留时段：
构造缓存存储点集经纬度的最值，依次把点入缓存，如果新增一个点使经度或纬度差超出限制(对应实际距离600米)则新增点失败，继而判断缓存点集的时间差大于阈值(半小时)则该段时间减去两端各三分钟，剩下时段为停留时段；
(4)去掉停留时段内的轨迹点，计算运动的起止间隔的时间分片数；
(5)轨迹点经纬度网格规整处理，使每个单位表示一定的距离(400米)，对运动轨迹点使用24邻域获得轨迹的势力范围，用于对全量轨迹预处理。
(6)对运动轨迹剔点，剔点原则，若20个连续时间分片内的轨迹点存在静止或振荡情况则剔除。
全量用户轨迹处理阶段：
第一步：对运营商数据过滤掉经纬度异常，手机号异常(号码为空)；
第二步：根据重点人运动轨迹的势力范围过滤时空轨迹点；
第三步：根据号码进行轨迹点的归集，划分时间分片(50秒)，以时间分片排序一个号码的轨迹点，相同时间分片多个经纬度取平均值；
第四步：计算停留时段，方法同重点轨迹；
第五步：补全轨迹点，考虑两点之间为匀速运动，每个点前后各补足30时间分片；
第六步：去停留时段，判断点的时间分片在停留时段内就去掉该点；
第七步：轨迹点经纬度网格规整处理，使每个单位表示一定的距离(600米)；
匹配计算阶段：
第一步：轨迹点数满足一定数量的轨迹与重点人的轨迹取相同时间分片点进行计算，
第二步：时间相似度＝(关联记录结束时间-关联记录的起始时间)/运动轨迹起止时长。
第三步：总相似度＝采样点数相似度*0.3+时间相似度*0.7；
第四步：保存匹配结果供后续查询分析。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它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、物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它要素，或者是还包括为这种过程、方法、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。