本发明涉及电器技术领域，尤其涉及一种无人售货系统的售货方法和一种无人售货系统。
背景技术：
相关的无人售货系统大多通过纸质标签显示商品的价格，每种商品的价格都是固定不变的。但是，相关技术存在的问题是，固定价格存在过高或过低的情况，价格过高可能会导致商品滞销，影响商品的推广，价格过低可能会导致利润较低，进而使得无人售货系统的销售指标无法达到最优，无法实现较好的销售业绩。
技术实现要素：
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种无人售货系统的售货方法，能够对无人售货系统中商品的销售价格进行智能更新，提升销售指标。
本发明的第二个目的在于提出一种非临时性可读存储介质。
本发明的第三个目的在于提出一种无人售货系统。
为达上述目的，本发明第一方面实施例提出了一种无人售货系统的售货方法，其中，方法包括以下步骤：根据当前商品的价格期望确定所述当前商品的多个价格区间；获取第一预设时间内所述多个价格区间中每个价格区间的销售信息；根据所述每个价格区间的销售信息计算所述每个价格区间的销售指标；根据计算出的销售指标中的最大值调整所述当前商品的价格期望，以使所述无人售货系统根据调整后的价格期望对所述当前商品的销售价格进行更新。
根据本发明实施例提出的无人售货系统的售货方法，首先根据当前商品的价格期望确定当前商品的多个价格区间，并获取第一预设时间内多个价格区间中每个价格区间的销售信息，进而根据每个价格区间的销售信息计算每个价格区间的销售指标，并根据计算出的销售指标中的最大值调整当前商品的价格期望，以使无人售货系统根据调整后的价格期望对当前商品的销售价格进行更新。由此，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
另外，根据本发明上述实施例提出的无人售货系统的售货方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述获取第一预设时间内所述多个价格区间中每个价格区间的销售信息，包括：每隔第二预设时间生成随机数，并根据所述随机数更新所述当前商品的销售价格，其中，所述第二预设时间小于所述第一预设时间；记录每个第二预设时间内所述当前商品在相应的销售价格下的销售信息；在达到所述第一预设时间时，根据每个第二预设时间内所述当前商品在相应的销售价格下的销售信息统计所述第一预设时间内每个价格区间的销售信息。
根据本发明的一个实施例，所述生成随机数包括：在预设约束条件下，根据所述当前商品的价格期望和价格方差以正态分布方式随机生成所述随机数；其中，所述预设约束条件包括最大价格H和最小价格L，其中，H＝M(1+a)，L＝M(1-a)，M为所述当前商品的基准价格，a为最值偏离系数。
根据本发明的一个实施例，根据所述当前商品的基准价格M和所述最值偏离系数a确定所述每个价格区间的宽度w，其中，w＝2aM/b，b为预设参照值。
根据本发明的一个实施例，根据所述当前商品的价格期望并结合所述每个价格区间的宽度w确定所述当前商品的多个价格区间，其中，所述多个价格区间中第i价格区间为 [E+(2i-1)(w/2)，E+(2i+1)(w/2)]，其中，E所述当前商品的价格期望，i为整数，i的取值范围根据所述预设约束条件确定。
根据本发明的一个实施例，所述销售信息包括销售量、利润和销售额，所述根据所述每个价格区间的销售信息计算所述每个价格区间的销售指标包括：根据销售量权重、利润权重和销售额权重对所述每个价格区间的销售量、利润和销售额进行加权处理以得到加权值；获取每个价格区间的价格指数，并根据每个价格区间的价格指数对所述每个价格区间的加权值进行处理，以计算出所述每个价格区间的销售指标。
根据本发明的一个实施例，所述根据计算出的销售指标中的最大值调整所述当前商品的价格期望，包括：如果所述最大值对应的价格区间大于所述当前商品的价格期望所在的区间，则根据价格调整率增加所述当前商品的价格期望；如果所述最大值对应的价格区间小于所述当前商品的价格期望所在的区间，则根据所述价格调整率减小所述当前商品的价格期望；如果所述最大值对应的价格区间为所述当前商品的价格期望所在的区间，则保持所述当前商品的价格期望不变。
根据本发明的一个实施例，所述的无人售货系统的售货方法还包括：在第三预设时间后，获取所述无人售货系统内多种商品的销售指标；对所述多种商品的销售指标从大到小进行排序，并根据推荐的商品对后P个商品进行更换，P为正整数。
为达到上述目的，本发明第二方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的无人售货系统的售货方法。
根据本发明实施例提出的非临时性计算机可读存储介质，通过执行其上存储的与上述无人售货系统的售货方法对应的程序，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
为达到上述目的，本发明的第三方面实施例提出了一种无人售货系统，其中，系统包括存储器、处理器及存储在存储器上并可在处理器上运行的无人售货系统程序，所述处理器执行所述程序时，实现上述的无人售货系统的售货方法。
根据本发明实施例提出的无人售货系统，通过处理器执行存储在存储器上并可在处理器上运行的无人售货系统程序，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
另外，根据本发明上述实施例提出的无人售货系统还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述的无人售货系统还包括显示装置，所述显示装置用于显示所述当前商品的销售价格。
根据本发明的一个实施例，所述的无人售货系统还包括激光散斑成像系统，所述激光散斑成像系统用于对所述无人售货系统内的商品进行拍照并识别，以使所述无人售货系统根据识别结果确定所述无人售货系统内商品的变化情况。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的一种无人售货系统的售货方法的流程图；
图2为根据本发明一个实施例的获取多个价格区间中每个价格区间的销售信息的流程图；
图3为根据本发明一个实施例的根据每个价格区间的销售信息计算每个价格区间的销售指标的流程图；
图4为根据本发明一个具体实施例的无人售货系统的售货方法的流程图；
图5为根据本发明另一个实施例的无人售货系统的售货方法的流程图；
图6为根据本发明一个具体实施例的激光散斑成像系统商品识别方法的流程图。
图7为本发明实施例的无人售货系统的方框示意图
图8为根据本发明另一个实施例的无人售货系统的方框示意图；
图9为根据本发明又一个实施例的无人售货系统的方框示意图；
图10为根据本发明实施例的激光斑驳成像系统的方框示意图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的无人售货系统及其售货方法。
图1为本发明实施例的无人售货系统的售货方法的流程图。如图1所示，无人售货系统的售货方法包括以下步骤：
S101，根据当前商品的价格期望确定当前商品的多个价格区间。
具体地，根据本发明的一个实施例，可根据当前商品的基准价格M和最值偏离系数a 确定每个价格区间的宽度w，其中，w＝2aM/b，b为预设参照值，a为大于0且小于1的数值，b为奇数。
进一步地，根据本发明的一个实施例，根据当前商品的价格期望E并结合每个价格区间的宽度w确定当前商品的多个价格区间，其中，多个价格区间中第i价格区间为 [E+(2i-1)(w/2)，E+(2i+1)(w/2)]，其中，E当前商品的价格期望，i为整数。
i的取值范围根据预设约束条件确定，其中，预设约束条件包括最大价格H和最小价格L，其中，H＝M(1+a)，L＝M(1-a)，M为当前商品的基准价格，a为最值偏离系数。
也就是说，根据当前商品的基准价格M和最值偏离系数a并结合当前商品的价格期望 E，在满足预设约束条件的情况下，确定出当前商品的多个价格区间，然后获取当前商品的多个价格区间的销售信息。
S102，获取第一预设时间内多个价格区间中每个价格区间的销售信息。
进一步地，根据本发明的一个实施例，如图2所示，获取第一预设时间内多个价格区间中每个价格区间的销售信息包括：
S201，每隔第二预设时间生成随机数，并根据随机数更新当前商品的销售价格，其中，第二预设时间小于第一预设时间，例如，第二预设时间可为1小时，第一预设时间可为一周。
可以理解的是，第一预设时间可设置为当前商品的更换时间T1，第二预设时间可设置为价格变动时间T2。
进一步地，可在无人售货系统中设置计时器，可在无人售货系统初始化完成后控制清零计时器t并重新开始计时。
具体地，根据本发明的一个实施例，生成随机数包括：在预设约束条件下，根据当前商品的价格期望和价格方差以正态分布方式随机生成随机数。
也就是说，可通过随机数生成器生成随机数，例如，可设置随机数生成器的参数：期望E、方差V和最值偏离系数a(a<1)。进而，可得到随机数生成器的约束条件：最大值 H＝M(1+a)，最小值L＝M(1-a)。随机数生成器可在预设约束条件内以正态分布方式随机进行随机数生成。
S202，记录每个第二预设时间内当前商品在相应的销售价格下的销售信息。
需要说明的是，销售信息可包括销售量、利润和销售额。
S203，在达到第一预设时间时，根据每个第二预设时间内当前商品在相应的销售价格下的销售信息统计第一预设时间内每个价格区间的销售信息。
具体而言，可通过激光散斑成像系统对无人售货系统内的商品进行拍照并识别，以使无人售货系统根据识别结果确定无人售货系统内商品的变化情况，即与开门前的商品清单进行比对，判断无人售货系统内商品的变化情况，从而计算出销售信息例如销售量、利润和销售额。
可用理解的是，当达到第一预设时间，而未达到第二预设时间内时，可求得当前商品的当前销售价格的销售信息，以此类推，可求得每个第二预设时间内当前商品在相应的销售价格的销售信息，进而统计第一预设时间内每个价格区间的销售信息。
S103，根据每个价格区间的销售信息计算每个价格区间的销售指标。
进一步地，根据本发明的一个实施例，如图3所示，根据每个价格区间的销售信息计算每个价格区间的销售指标包括：
S301，根据销售量权重、利润权重和销售额权重对每个价格区间的销售量、利润和销售额进行加权处理以得到加权值。
具体而言，可通过以下公式计算出加权值D，即：
D＝weight1*N1+weight2*N2+weight3*N3，
其中，weight1、weight2、weight3分别为销售量权重、利润权重、销售额权重，N1、 N2、N3分别为相应价格区间的销售量、利润、销售额的归一化数值。
S302，获取每个价格区间的价格指数，并根据每个价格区间的价格指数对每个价格区间的加权值进行处理，以计算出每个价格区间的销售指标。
具体地，在对当前商品的价格期望进行调整之前，需要据每个价格区间的价格指数对每个价格区间的加权值进行处理，以计算出每个价格区间的销售指标，即 index[i]＝D/exp[E-iw]，以提高计算得出的每个价格区间的销售指标的精确度，从而使当前商品价格期望调整更加贴近实际价格期望。
S104，根据计算出的销售指标中的最大值调整当前商品的价格期望，以使无人售货系统根据调整后的价格期望对当前商品的销售价格进行更新。
其中，可通过显示装置例如电子标签显示商品的销售价格。
进一步地，根据本发明的一个实施例，根据计算出的销售指标中的最大值调整当前商品的价格期望包括：如果最大值对应的价格区间大于当前商品的价格期望所在的区间，则根据价格调整率增加当前商品的价格期望；如果最大值对应的价格区间小于当前商品的价格期望所在的区间，则根据价格调整率减小当前商品的价格期望；如果最大值对应的价格区间为当前商品的价格期望所在的区间，则保持当前商品的价格期望不变。
也就是说，当最大值对应的价格区间大于当前商品的价格期望所在的区间时，说明当前商品的价格期望偏低，可适当根据价格调整率增加当前商品的价格期望，其中，可根据以下公式获取增加后的当前商品的价格期望：E1＝E(1+r)；当最大值对应的价格区间小于当前商品的价格期望所在的区间，说明当前商品的价格期望偏高，可适当根据价格调整率降低当前商品的价格期望，可根据以下公式获取降低后的当前商品的价格期望：E1＝E (1-r)；当最大值对应的价格区间为当前商品的价格期望所在的区间，说明当前商品的价格期望合适，可不做调整，即E1＝E。其中，E1为调整后的当前商品价格期望，r为当前商品的价格调整率。
举例而言，参照图4，无人售货系统的售货方法具体包括以下步骤：
S401，初始化参数，并设置随机数生成器参数，控制计时器清零并开始技术。
S402，将生成的随机数作为当前商品价格P，并将商品价格数据更新在电子价格标签上。
S403，判断计时器的计时时间t是否为第一预设时间T1的整数倍，如果是，则执行步骤S402；如果否，则执行步骤S404。
S404，判断t是否为第二预设时间T2的整数倍，如果是，则执行步骤S405；如果否，则执行步骤S403。
S405，统计[t-T2,t]时间段内每个价格区间[E+(2i-1)(w/2)，E+(2i+1)(w/2)]的加权值D，即：D＝weight1*N1+weight2*N2+weight3*N3。
S406，将加权值除以价格指数求出销售指标即index[i]＝D/exp[E-iw]。
S407，选出index[i]中最大值index[k]。
S408，判断k值，如果k大于0，则执行步骤S409；如果k小于0，则执行步骤S410；如果k＝0，则执行步骤S411。
S409，E1＝E(1+r)，并执行步骤S402。
S410，E1＝E(1-r)，并执行步骤S402。
S411，E1＝E，并执行步骤S402。
进一步地，根据本发明的一个实施例，如图5所示，无人售货系统的售货方法还包括：
S105，在第三预设时间后，获取无人售货系统内多种商品的销售指标。
S106，对多种商品的销售指标从大到小进行排序，并根据推荐的商品对后P个商品进行更换，P为正整数。
也就是说，经过第三预设时间后，可以单个无人售货机为最小单位，获取无人售货系统(无人售货系统可包括多个无人售货机)中多种商品的销售指标，并对每个无人售货机中多种商品的销售指标进行从大到小排序，进而，确定每个无人售货机中后P个销售量不佳的商品并取出，然后，通过推荐算法推荐另P种商品以增加到相应的无人售货机中，其中，P个销售量不佳的商品为销售指标后20％种的商品。从而，使得，不同无人售货机里摆放的商品具有差异性，实现销售业绩最优。
根据本发明的一个实施例，无人售货系统可通过激光散斑成像系统对无人售货系统内的商品进行拍照并识别，以使无人售货系统根据识别结果确定无人售货系统内商品的变化情况。
具体地，激光散斑成像系统包括激光器、起偏器和CCD成像组件。
需要说明的是，激光器发射的激光照射到物体后会形成衍射斑点，该衍射斑点具有高度的随机性，而且会随着距离的不同而变换图案，因此可通过高速CCD成像组件采集物体表面的散斑图案，可以得出物体所在位置。
在本发明的一个具体实施例中，该激光散斑成像系统可基于卷积神经网络实现图像识别，识别过程如下：将高速相机CCD采集到的激光散斑图像分解为R、G和B三个通道，作为卷积神经网络的输入，构建三通道卷积神经网络模型，初始化权重和偏置参数，利用训练数据库对卷积神经网络进行训练，提取图像特征，进行图像识别。
更具体地，无人售货系统中的商品可以阵列式摆放，且在商品阵列摆放过程中，确保商品的部分特征无遮挡，该部分特征用于图像识别的参照，其中，距离激光散斑成像系统较远的商品可以适当提高摆放位置，由此，在模型训练中可训练模型识别商品的该部分特征，例如矿泉水的瓶盖，在识别过程中，通过高速CCD成像组件识别商品的部分特征，即可确定物体所在位置。
由此，基于激光散斑成像系统还可以识别出物体的三维信息，可以很好的区分开处于不同位置的物体，从而有效避免深度学习图像识别方案检测结果会将两个不同位置物体用同一检测框框选出来的可能，即避免物体间距较小或重叠时会将两个或多个同一物体误认为一个物体的情况。而且，商品采用阵列式摆放，可以摆放更多商品，有效的提高无人售货系统的空间利用率。
举例而言，如图6所示，无人售货系统通过激光散斑成像系统进行商品识别的方法，无人售货系统上电启动后，执行步骤S501。
S501：通过扫描用户提供的二维码识别用户的身份，或通过生物识别模块(例如人脸识别模块、指纹识别模块等)识别用户的身份。
S502：判断身份识别是否成功。
如果是，则执行步骤S503，如果否，则继续执行步骤S501。
S503，控制无人售货系统的门体打开，并通过激光散斑成像系统对无人售货系统内的商品进行追踪，判断无人售货系统内的商品是否有移动。
如果是，则执行步骤S504；如果否，则重复执行步骤S503。
S504，检测是否关门。
如果是，则执行步骤S505；如果否，则重复执行步骤S504。
S505，通过激光散斑成像系统对箱内商品进行拍照并识别，并与开门前的商品清单进行比对，判断箱内商品是否变化，如果是，则执行步骤S506；如果否，则执行步骤S501。
S506，计算出所拿出商品总额并自动扣费。
综上，根据本发明实施例提出的无人售货系统的售货方法，首先根据当前商品的价格期望确定当前商品的多个价格区间，并获取第一预设时间内多个价格区间中每个价格区间的销售信息，进而根据每个价格区间的销售信息计算每个价格区间的销售指标，并根据计算出的销售指标中的最大值调整当前商品的价格期望，以使无人售货系统根据调整后的价格期望对当前商品的销售价格进行更新。由此，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
为达到上述目的，本发明实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的无人售货系统的售货方法。
根据本发明实施例提出的非临时性计算机可读存储介质，通过执行其上存储的与上述无人售货系统的售货方法对应的程序，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
为了实现前述实施例的无人售货系统的售货方法，本发明还提出了一种无人售货系统。
本发明实施例提出了一种无人售货系统，其中，如图7所示，系统100包括存储器1、处理器2及存储在存储器1上并可在处理器上运行的无人售货系统程序3，所述处理器2 执行所述程序3时，实现上述的无人售货系统的售货方法。
进一步地，根据本发明的一个实施例，如图8所示，无人售货系统100还包括显示装置4，显示装置4用于显示当前商品的销售价格，从而解决纸质标签所带来的环保问题等，并通过可自动变动价格标签系统吸引购买者的注意、刺激消费，从而实现销售指标的提升。
其中，显示装置4可为电子标签。
需要说明的是，显示装置4可采用有线连接，即与主控板(上位机)向连接以获取到的商品价格通过进行展示，或者，显示装置4也可以无线通信方式(例如内置WIFI模块) 从云端获取获取到的商品价格并进行展示，由此，无人售货系统能够实现自动变动价格标签。
更进一步地，根据本发明的一个实施例，如图9所示，无人售货系统还包括激光散斑成像系统5，激光散斑成像系统5用于对无人售货系统100内的商品进行拍照并识别，以使无人售货系统100根据识别结果确定无人售货系统100内商品的变化情况。
具体地，如图10所示，激光散斑成像系统5包括激光器51、起偏器52和CCD成像组件53。
需要说明的是，激光器51发射的激光照射到物体后会形成衍射斑点，该衍射斑点具有高度的随机性，而且会随着距离的不同而变换图案，因此可通过高速CCD成像组件53采集物体表面的散斑图案，可以得出物体所在位置。
在本发明的一个具体实施例中，该激光散斑成像系统5可基于卷积神经网络实现图像识别，识别过程如下：将高速相机CCD53采集到的激光散斑图像分解为R、G和B三个通道，作为卷积神经网络的输入，构建三通道卷积神经网络模型，初始化权重和偏置参数，利用训练数据库对卷积神经网络进行训练，提取图像特征，进行图像识别。
更具体地，无人售货系统100中的商品可以阵列式摆放，且在商品阵列摆放过程中，确保商品的部分特征无遮挡，该部分特征用于图像识别的参照，其中，距离激光散斑成像系统5较远的商品可以适当提高摆放位置，由此，在模型训练中可训练模型识别商品的该部分特征，例如矿泉水的瓶盖，在识别过程中，通过高速CCD成像组件53识别商品的部分特征，即可确定物体所在位置。
由此，基于激光散斑成像系统还可以识别出物体的三维信息，可以很好的区分开处于不同位置的物体，从而有效避免深度学习图像识别方案检测结果会将两个不同位置物体用同一检测框框选出来的可能，即避免物体间距较小或重叠时会将两个或多个同一物体误认为一个物体的情况。而且，商品采用阵列式摆放，可以摆放更多商品，有效的提高无人售货系统的空间利用率。
举例而言，参照图6，无人售货系统100通过激光散斑成像系统5进行商品识别的方法如下：当检测到用户正在扫描二维码或通过生物识别技术例如人脸识别、指纹识别等对无人售货系统100进行了开门操作，则通过激光散斑成像系统5对无人售货系统100内的商品进行追踪，并判断商品是否有移动，当无商品移动时，可认为商品已被取出，且在检测到用户进行关门操作后，通过激光散斑成像系统5对无人售货系统100内商品进行拍照并识别，并与开门前的商品清单进行比对，当判断无人售货系统100商品产生变化，计算出所拿出商品总额并自动扣费。
综上，根据本发明实施例提出的无人售货系统，能够根据当前商品的销售情况调整当前商品的价格期望，进而对无人售货系统中当前商品的销售价格进行智能更新，从而能够更好的洞察购买者的消费习惯，有效吸引购买者的注意、刺激消费，提升无人售货系统的销售指标及销售业绩。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，\"计算机可读介质\"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。