本发明涉及信息处理技术领域，尤其涉及一种电影票房预测方法和系统。
背景技术：
目前，电影由于在艺术表现力上具有其他各种艺术的特征，又因可以运用蒙太奇这种艺术性突跃的电影组接技巧，具有超越其他一切艺术的表现手段，而且影片可大量复制放映，随着现代社会的发展，电影已深入到人类生活，是用户日常生活中不可或缺的一部分。随着电影的普及，电影相关产业也得到了发展，其中，电影票房作为影片收益的主要参照被电影相关产业广泛使用。
相关技术中，根据排片电影院的人流量和同期排片的电影数量进行票房的预测，电影院的人流量越大，同期排片的电影越少则得到的电影票房越高。而实际上，在一些应用场景下，即使当前电影院的人流量较大且同时排片数量较少，可能人流会被其他电影吸引，从而导致待预测电影的票房仍然不高，显然，这种电影票房的预测方式较为粗糙，票房预测的准确度不高。
技术实现要素：
本发明提供一种电影票房预测方法和系统，以解决现有技术中，电影票房预测不准确的技术问题。
本发明实施例提供一种电影票房预测方法，包括以下步骤：在电影播放过程中，获取不同实验用户群组的实时生理反应信号；根据所述各实验用户群组的实时生理反应信号确定所述各实验用户群组观看所述电影的实时专注度；根据所述各实验用户群组观看所述电影的实时专注度预测所述电影的目标票房。
本发明另一实施例提供一种电影票房预测系统，包括：生理反应信号采集设备和处理器，其中，所述生理反应信号采集设备和所述处理器连接，其中，所述生理反应信号采集设备，用于在电影播放过程中，获取不同实验用户群组的实时生理反应信号；所述处理器，用于根据所述各实验用户群组的实时生理反应信号确定所述各实验用户群组观看所述电影的实时专注度，根据所述各实验用户群组观看所述电影的实时专注度预测所述电影的目标票房。
本发明又一实施例提供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，所述计算机程序被处理器执行时实现如上述实施例所述的电影票房预测方法。
本发明还一实施例提供一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如上述实施例所述的电影票房预测方法。
本发明实施例提供的技术方案可以包括以下有益效果：
在电影播放过程中，获取不同实验用户群组的实时生理反应信号，根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度，进而，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。由此，以用户难以自主更改的实时生理反应信号为依据，对电影的票房进行预测，保证了票房预测的准确性。
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是根据本发明第一个实施例的电影票房预测方法的流程图；
图2是根据本发明第二个实施例的电影票房预测方法的流程图；
图3是根据本发明第三个实施例的电影票房预测方法的流程图；
图4是根据本发明一个实施例的电影票房预测方法的应用场景示意图；
图5是根据本发明一个实施例的电影票房预测系统的结构示意图；以及
图6是根据本发明另一个实施例的电影票房预测系统的结构示意图。
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电影票房预测方法和系统。
图1是根据本发明第一个实施例的电影票房预测方法的流程图。如图1所示，该方法包括：
步骤101，在电影播放过程中，获取不同实验用户群组的实时生理反应信号。
可以理解，为了解决现有技术中电影票房预测不准确的技术问题，本发明实施例中，预先设置大量实验用户群组，通过检测实验用户群组的生理反应信号进行票房预测，由此，由于用户实时生理反应信号直接反应对电影的感兴趣程度，当用户对电影较为感兴趣时，显然就会去看相关电影，因而，基于用户的生理反应信号进行票房预测，提高了票房预测的准确性。
其中，实验用户群组可以根据应用需要设定，实验用户群组的设定便于对电影票房的进一步准确预测，实验用户群组可以是根据年龄划分的，包括青少年组、青年组、中年组和老年组等，实验用户群组也可以是根据性别划分的，包括男性组和女性组。
其中，生理反应信号可以包括皮肤电导信号、心率信号、心电信号、眼动信号、脑电信号中的一种或者多种信号组合，在此不作限制。
具体地，在本发明的实施例中，可通过皮肤传感器设备采集不同实验用户群组的实时生理反应信号，其中，根据应用场景的不同，皮肤传感器设备可以为不同的设备，比如，可以为包含皮肤传感器的腕带、帽子、手套、项链、脸部贴纸等能直接接触到的实验用户群组皮肤的设备。
步骤102，根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度。
其中，在不同的应用场景下，各实验用户群组的专注度可以以具体的数值表示，比如以百分制中的数字表示，数值越大代表各实验用户群组中的用户越专注，比如以等级制度中的等级表示，等级越大代表各实验用户群组越专注，又比如以具体的符号标志(星星符号、花朵符号、心形符号等)的数量来表示，符号数量越多代表实验用户群组越专注。
可以理解，各实验用户群组的生理反应信号会真实的反应各实验用户群组的实时专注度，比如，当生理反应信号包括皮肤电导信号时，皮肤会对电流或者电压呈现一定的电阻，而电阻的大小会随着情绪变化而变化，通常，在较为轻松的状态下，各实验用户群组对应的用户可能当前在走神，观看的专注度并不是很高，当前电影并不能引起用户的兴趣，人体皮肤的电阻较大，从而皮肤电导信号较低，在精神紧张时，各实验用户群组对应的用户可能当前正在专注的观看当前电影，人体皮肤的电阻较小，从而人体皮肤电导信号较高，这是由于交感和副交感神经根据大脑的认知状态的变化进行拮抗式的调节，而交感和副交感神经的活动会影响皮肤电阻。
又比如，当生理反应信号包括心率信号时，如果各实验用户群组对应的用户的心率波动较大，则表明各实验用户群组对应的用户越是专注于当前电影，如果各实验用户群组对应的用户的心率比较平和，则表明对当前电影越是不专注。
需要说明的是，在不同的应用场景下，可采用不同的方式实现根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度，示例说明如下：
第一种示例：
在本示例中，预先根据大量实验数据，获取并存储专注度和生理反应信号的对应关系，从而，在获取生理反应信号后，查询上述对应关系，以获取匹配的各实验用户群组观看电影的实时专注度。
第二种示例：
预先根据大量实验数据，构造生理反应信号的深层网络模型，该模型的输入为生理反应信号，输出为各实验用户群组观看的专注度，从而，将获取的各实验用户群组观看的生理反应信号输入该深层网络模型，得到输出的各实验用户群组观看的实时专注度。
第三种示例：
在本示例中，如图2所示，上述步骤102包括：
步骤201，根据预设策略分析各实验用户群组的实时生理反应信号，并提取与各实验用户群组的实时专注特征信息。
应当理解的是，在不同的应用场景下，上述分析各实验用户群组的实时生理反应信号的预设策略不同，从而提取到的各实验用户群组的专注特征信息不同：
作为一种可能的实现方式，专注特征信息为专注次数，则可以检测生理反应信号大于预设阈值的次数提取专注次数。
举例而言，当生理反应信号为皮肤电导信号时，由于在实际应用中，受到电影的刺激，用户的心理认知活动也会越丰富，若各实验用户群组观看时越专注，则会使得皮肤表面的电导增加(其成因是汗腺活动变得更活跃)，从而检测获取的皮肤电导信号越大。
举例而言，当生理反应信号为眼动信号时，各实验用户群组观看越专注，则实验用户群组的眼睛越是会聚焦电影的画面，各实验用户群组观看越不专注，则实验用户群组的眼睛不会聚焦于电影画面，比如，视线焦点超出画面外等。
因而，在本示例中，预先根据大量实验数据设置生理反应信号对应的预设阈值，提取生理反应信号大于预设阈值的次数提取专注次数。
作为另一种可能的实现方式，检测实时生理反应信号大于预设阈值的时间提取专注时间。
由于在实际应用中，各实验用户群组观看越专注，则会体现在各实验用户群组观看的生理反应信号上，比如，当生理反应信号为皮肤电导信号时，受到电影的刺激，用户的心理认知活动也会越丰富，若各实验用户群组观看时越专注，则会使得皮肤表面的电导增加(其成因是汗腺活动变得更活跃)，从而检测获取的皮肤电导信号越大。
因而，在本示例中，还可以检测实时生理反应信号大于预设阈值的时间提取专注时间。
作为又一种可能的实现方式，可以检测实时生理反应信号大于预设阈值的幅度提取专注强度。
由于在实际应用中，各实验用户群组观看的专注强度可以反映在生理反应信号中，因而，可以根据生理反应信号的大小来提取各实验用户群组观看的专注强度，比如，当生理反应信号包括皮肤导电信号时，受到电影的刺激，用户的心理认知活动也会越丰富，若各实验用户群组观看时越专注，则会使得皮肤表面的电导增加(其成因是汗腺活动变得更活跃)，从而检测获取的皮肤电导信号越大。
因而，在本示例中，还可以检测生理反应信号大于预设阈值的幅度提取专注强度，比如，检测皮肤电导信号大于预设阈值的幅度提取专注强度，如预设阈值为A，当前的皮肤电导信号为大于A的B，则可以将B-A作为专注强度。
其中，在不同的应用场景下，上述三种示例采集的各实验用户群组观看的专注特征信息可以作为单独的参考因素，用于进一步确定各实验用户群组观看的专注度，也可以将上述三种示例采集的各实验用户群组观看的专注特征信息的任意两种的组合作为参考因素，用于进一步确定各实验用户群组观看的专注度，也可以将上述三种示例采集的各实验用户群组观看的专注特征信息作为参考因素，用于进一步确定各实验用户群组观看的专注度。
另外，为了保证进一步确定各实验用户群组观看的专注度的准确度，在本发明的一个实施例中，上述与生理反应信号进行比较的预设阈值还可以根据各实验用户群组观看的体质类型设置，比如，当生理反应信号包括皮肤电导信号时，对于女性实验用户群组和男性实验用户群组、或者不同年龄段的实验用户群组来讲，其皮肤表面的角质和干燥度等不同，因而，在同样的专注度下测量得到的皮肤电导信号是不同，为了补偿这种用户群组体质上的差别，还可以根据大量实验数据获取这种差别数据，针对不同体质用户群组设置不同的预设阈值，比如，由于男性汗腺更加发达，皮肤更加湿润、导电性更强，因而设置的预设阈值相对高一些等。
步骤202，应用预设算法对各实验用户群组的实时专注特征信息进行计算，获取各实验用户群组的实时专注度。
具体地，为了判断各实验用户群组观看电影的专注度，以便于进一步根据各实验用户群组的专注度进行电影票房预测，应用预设算法对实时专注特征信息进行计算，获取各实验用户群组的实时专注度。
具体而言，根据应用场景的不同，应用预设算法对专注特征信息进行计算，获取各实验用户群组的实时专注度的方式不同，下面结合不同的应用场景进行举例：
场景一：
在该场景下，各实验用户群组的实时专注特征信息为单一的特征信息，比如仅仅为专注次数，或者，专注时间，或者，专注强度。
由于各实验用户群组的专注特征信息对应的数据值越大，比如专注次数越大，表示各实验用户群组专注于当前电影，因此，本场景下的预设算法为与专注特征信息对应的线性运算算法，比如，该算法可以为Y＝a*X，其中，Y为实验用户群组的专注度，X为专注特征信息对应的数据值，a可以为任意大于0的数。
其中，可以考虑专注特征信息包含不同的内容时与各实验用户群组专注度的相关性的不同，比如，在确定各实验用户群组的专注度时，通常各实验用户群组的专注时间相比于专注次数的参考意义更大，因为有的时候，各实验用户群组虽然多次专注于当前电影，但是持续时间较短，还是认为各实验用户群组没有专注于当前电影，因此，上述a还可以对应于不同的专注特征信息的权重值，比如，当专注特征信息为专注次数时，对应的a为0.6，当专注特征信息为专注时间时，对应的a为0.8。
场景二：
在该场景下，各实验用户群组的专注特征信息为多个特征信息，比如包括专注次数和专注时间，或者，专注时间和专注强度，或者，专注次数、专注时间和专注强度等。
由于各实验用户群组的专注特征信息对应的数据值越大，比如专注次数越大，表示各实验用户群组越专注于当前电影，因此，对应的预设算法与各实验用户群组的专注特征信息对应的数据值正相关，比如，Y＝a1*X1+…+an*Xn，其中，n为大于等于2的正整数，a1到an为正数，a1到an可以相等，也可以不相等，当a1到an不相等时，可以用于表示不同的各实验用户群组的专注特征信息对专注度的不同的参考意义的权重值，X1到Xn表示不同的各实验用户群组的专注特征信息对应的数据值。
当然，在实际操作过程中，该场景中的预设算还可以是任意体现各实验用户群组的专注特征信息对应的数据值正相关的算法表达，在此不一一列举。
步骤103，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。
需要强调的是，各实验用户群组的种类越丰富，涵盖实际实验用户群组越全面，则预测的电影票房越准确，可以理解，在本发明的实施例中，各实验用户群组对应的用户无论采用怎样的群组分类方式，均可在对应维度相对较为完全的覆盖在实际实验用户群组的类型，因而，根据各实验用户群组观看电影的实时专注度，推测出用户对待预测票房的电影的感兴趣程度，因而，可以根据各实验用户群组观看电影的实时专注度预测电影的目标票房。
需要说明的是，在不同的应用场景下，实现根据各实验用户群组观看电影的实时专注度预测电影的目标票房的方式不同，示例说明如下：
第一种示例：
预先采集大量实验数据，建立实验用户群组的实时专注度和电影的票房的对应关系，从而，在获取到各实验用户群组观看电影的实时专注度后，查询该对应关系，获取匹配的票房作为电影的目标票房。
第二种示例：
根据大量实验数据建立深度学习数据模型，该模型的输入为用户的实时专注度，输出为电影的票房，从而，将获取的各实验用户群组观看电影的实时专注度输入该预先建立的深度学习数据模型，获取该模型输出的电影票房作为对应电影的目标票房。
在实际执行中，需要考虑的是，当电影的预计排片地域(比如北美地域、东亚地域等)以及预计排片时间(比如是春节档期还是工作日档期等)的不同，可能都会对电影的票房造成影响。
因而，还可以基于电影的预计排片地域和预计排片档期进行预测的票房的修正。
具体而言，如图3所示，在上述步骤103之后，该方法还包括：
步骤301，获取电影的预计排片地域和预计排片档期。
其中，预计排片地域和预计排片档期可以从电影宣传信息中获取等。
步骤302，获取与预计排片地域对应的第一权重，以及与预计排片档期对应的第二权重。
具体地，根据预计排片地域对电影票房的影响力设置第一权重，影响力越大，对应的第一权重值越高，根据预计排片档期对电影票房的影响力设置第二权重，影响力越大，对应的第二权重值越高。
其中，根据影响力的不同，不同的预计排片地域对应的第一权重可以互不相同，不同的预计排片档期对应的第二权重可以互不相同。
步骤303，根据预设算法对预计排片地域和第一权重，以及预计排片档期和第二权重进行计算，获取票房影响因子。
步骤304，根据预设算法应用票房影响因子对目标票房进行修正。
可以理解，为了计算的方便，可以将预计排片地域和预计排片档期进行归一化的处理，比如，将排片地域按照消费程度打分，消费程度越高的地域，对应的打分分值越高，同时，采用同样制式的打分方式，根据预计排片档期进行打分，比如，预计排片档期在节假日的分值越高，越接近工作日的分值越低等。
在本发明的一个实施例中，根据预设算法对预计排片地域和第一权重，以及预计排片档期和第二权重进行计算，获取票房影响因子的方式为：获取预计排片地域归一化处理后的处理值与第一权重的乘积，以及，预计排片档期归一化处理后的处理值与第二权重的乘积，将两个乘积之和作为影响票房的因子。
考虑到在实际应用中，电影类型也与电影的票房有关，因而，为了进一步确定获取的目标票房的准确性，在本发明的一个实施例中，获取电影的电影类型，比如是动作片还是爱情片等，进而，获取与电影类型对应的第三权重，根据预设算法对预计排片地域和第一权重，预计排片档期和第二权重，以及电影类型和第三权重进行计算，获取票房影响因子。
在本发明的一个实施例中，实验用户群组对电影的评价等舆情信息也对电影的票房有影响，用户对电影的评价越高，越能带动其他用户来观看电影，可能对电影的票房的影响越积极，因而，在本发明的一个实施例中，还可获取舆情信息对应的第四权重，根据预设算法对电影的舆情信息和第四权重进行计算，获取票房影响因子。
进而，根据预设算法对票房影响因子进行目标票房的修正，比如，对目标票房进行增加计算操作或减小计算操作等，该票房因子的值越高，对对应的目标票房的修正幅度越大。
需要说明的是，根据应用场景的不同，根据预设算法对应用票房影响因子对目标票房进行修正的方式，包括但不限于以下方式：
第一种方式：
根据大量实验数据设置影响因子的预设阈值，获取当前影响因子与预设阈值的相差幅度，当影响因子越小于该预设阈值，则对目标票房的修正幅度越小，当影响因子越大于该预设阈值，则对目标票房的修正幅度越大。
第二种方式：
预先根据不同的等级分配不同的数值，比如，A级对应的数值为0.2，B级对应的数值为0.3…当获取的影响因子为等级形式时，将影响因子对应的数值与目标票房的乘积值作为修正后的目标票房。当然，虽然本发明实施例的各实验用户群组相当于覆盖了实际实验用户群组，但是在一些应用场景下，可能由于宣传的针对性等原因，导致实际实验用户群组的用户群组可能较为集中，比如，对于描写大学创办历史的电影，可能前期针对大学生进行了主要宣传，因而，导致实际实验用户群组的用户群组主要集中在了大学生，因而，此时，为了预测的票房的准确性，需要根据当前实际实验用户群组的用户类型选择学生实验用户群组进行电影票房的预测。
也就是说，在本发明的实施例中，当根据预设算法应用票房影响因子对目标票房进行修正之后，还可获取电影的实际票房，若判断获知实际票房与修正后的目标票房之差超过预设门限，则获取票房超过预设阈值的排片地点，分析与排片地点关联的实际实验用户群组群体类型，以便根据实际实验用户群组群体类型调整预测类型电影的实验用户群组，使得调整后的实验用户群组与实际实验用户群组类型较为匹配，以进一步提高票房预测的准确性。
为了更加清楚的说明本发明电影票房预测方法的实施过程，下面结合具体的应用场景进行举例，说明如下：
如图4所示，预先设置不同的实验用户群组1、2、3，其中，实验用户群组1对应于的用户类型为青少年用户，实验用户群组2对应于的用户类型为中年用户，实验用户群组3对应于的用户类型为老年用户，实验用户群组1、2、3基本涵盖了全部的可能去观看电影的实验用户群组的类型，针对电影A在放映时，获取实验用户群组1、2、3的实时生理反应信号，根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度。进而，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。由此，以实验用户群组难以自主更改的实时生理反应信号为依据，获取对电影票房的预测结果，保证了对电影票房的预测的准确性。
需要强调的是，为了便于描述，图4中不同的实验用户群组中的用户按照所属群组集中坐在一起，在实际应用中，为了避免位置因素对检测结果的影响，还可以将不同的实验用户群组对应的用户打散后均匀分配位置。
综上所述，本发明实施例的电影票房预测方法，在电影播放过程中，获取不同实验用户群组的实时生理反应信号，根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度，进而，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。由此，以用户难以自主更改的实时生理反应信号为依据，对电影的票房进行预测，保证了票房预测的准确性。
为了实现上述实施例，本发明还提出了一种电影票房预测系统，图5是根据本发明一个实施例的电影票房预测系统的结构示意图，如图5所示，该系统还包括：生理反应信号采集设备和处理器200，其中，生理反应信号采集设备100和处理器200连接，
生理反应信号采集设备100，用于在电影播放过程中，获取不同实验用户群组的实时生理反应信号。
处理器200，用于根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。
在本发明的一个实施例中，如图6所示，处理器200包括提取单元210和提取单元220。
其中，提取单元210，用于根据预设策略分析各实验用户群组的实时生理反应信号，并提取与各实验用户群组的实时专注特征信息。
获取单元220，用于应用预设算法对各实验用户群组的实时专注特征信息进行计算，获取各实验用户群组的实时专注度。
在本发明的一个实施例中，提取单元210检测实时生理反应信号大于预设阈值的次数提取专注次数。
在本发明的一个实施例中，提取单元210检测实时生理反应信号大于预设阈值的时间提取专注时间。
在本发明的一个实施例中，提取单元210检测实时生理反应信号大于预设阈值的幅度提取专注强度。
需要说明的是，前述对电影票房预测方法实施例的解释说明也适用于该实施例的电影票房预测方法系统，本发明电影票房预测方法系统实施例中未公布的细节，此处不再赘述。
综上所述，本发明实施例的电影票房预测系统，在电影播放过程中，获取不同实验用户群组的实时生理反应信号，根据各实验用户群组的实时生理反应信号确定各实验用户群组观看电影的实时专注度，进而，根据各实验用户群组观看电影的实时专注度预测电影的目标票房。由此，以用户难以自主更改的实时生理反应信号为依据，对电影的票房进行预测，保证了票房预测的准确性。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得能够执行如上述实施例所述的电影票房预测方法。
为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如上述实施例所述的电影票房预测方法。
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。