高维数据分类方法、装置及终端设备与流程

本发明属于计算机技术领域，尤其涉及一种高维数据分类方法、装置及终端设备。

背景技术：

随着互联网的普及以及信息技术的快速发展，每天在实际应用和生活中都会产生海量的数据，并且数据规模越来越大，维度越来越高。由于高维数据的普遍性和重要性，研究高维数据具有非常重要的意义。但是受高维数据所带来的“维度灾难”的影响，许多在低维数据上表现良好的分类方法运用在高维数据上时无法获得好的分类效果，因此，高维数据分类对传统的分类技术而言是新的挑战。同时，对于高维数据来说，并不是所有的数据特征有同等重要，高维数据中存在大量无用信息，大多数特征与分类任务不相关或相关度极低，即存在着大量冗余特征或不相关特征，而参与数据分类的有效特征只是占总体的很少一部分，因此，对数据进行特征降维和特征选择处理是实现高维数据分类的必要步骤。

特征选择方法是从原始数据集中确定最有效的特征子集，从而减少计算成本，提高分类精度。目前常用的特征选择方法有三类：过滤法(filter)，封装法(wrapper)，嵌入法(embedded)。过滤法利用数据自身的统计特性作为评价准则来选择特征子集，其分类准确率较低。封装法是在特征选择过程中应用特定的学习模型来评估所选择的特征子集，并依靠学习模型的准确性来指导搜索过程，虽然准确率优于过滤法，但时间复杂度较高。嵌入法则利用初始数据训练学习模型，并在该过程中完成特征选择。嵌入法主要优点在于与学习模型相互作用，但其时间复杂度同样较高。

综上所述，目前对于高维数据的分类方法存在分类精度较低的问题。

技术实现要素：

有鉴于此，本发明实施例提供了一种高维数据分类方法、装置及终端设备，以解决现有技术中高维数据分类方法存在分类精度较低的问题。

本发明实施例的第一方面提供了一种高维数据分类方法，包括：

获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

根据所述高维分类模型对目标高维数据进行分类。

本发明实施例的第二方面提供了一种高维数据分类装置，包括：

数据获取模块，用于获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

特征降维处理模块，用于对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

特征选择模块，用于基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

模型构建模块，用于根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

分类模块，用于根据所述高维分类模型对目标高维数据进行分类。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

根据所述高维分类模型对目标高维数据进行分类。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

根据所述高维分类模型对目标高维数据进行分类。

本发明实施例通过对原始高维数据进行特征降维处理，计算每个样本实例中各个特征与类别的相关性，得到每个样本特征权值并按降序排序，根据所述特征权值从特征集中选择出权值大的特征，剔除掉其它权重值较小的不相关或冗余特征，利用二进制乌鸦搜索进化算法对特征降维处理后的高维数据子集进行特征选择，获得最优特征子集，结合旋转森林算法对样本属性集进行随机分割组合，分割的各组子属性集间的数据进行特征变换，得到差异性较大的训练数据集，构成分类精度更高且泛化能力更强的集成分类模型，减少了计算成本，提高了对高维数据的分类精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的高维数据分类方法的实现流程示意图；

图2是本发明实施例二提供的高维数据分类方法的实现流程示意图；

图3是本发明实施例提供的高维数据分类装置的示意图；

图4是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

图1示出了本发明实施例一提供的高维数据分类方法的实现流程示意图。如图1所示，该高维数据分类方法具体包括如下步骤s101至步骤s105。

步骤s101：获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值。

其中，所述原始高维数据集包括数据属性特征的特征值以及类别，且特征无缺失。

步骤s102：对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集。

可选地，采用relieff方法进行特征降维处理，剔除掉不相关或冗余特征。

具体地，计算获取每个样本实例中各个特征与类别的相关性，得到每个样本特征权值并按降序排序，根据所述特征权值从特征集中选择出权值大的特征，剔除掉其它权重值较小的不相关或冗余特征。

步骤s103：基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集。

基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对高维数据集的多个属性特征进行特征选择，获得最优特征子集。

步骤s104：根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型。

步骤s105：根据所述高维分类模型对目标高维数据进行分类。

本发明实施例通过对原始高维数据进行特征降维处理，计算每个样本实例中各个特征与类别的相关性，得到每个样本特征权值并按降序排序，根据所述特征权值从特征集中选择出权值大的特征，剔除掉其它权重值较小的不相关或冗余特征，利用二进制乌鸦搜索进化算法对特征降维处理后的高维数据子集进行特征选择，获得最优特征子集，结合旋转森林算法对样本属性集进行随机分割组合，分割的各组子属性集间的数据进行特征变换，得到差异性较大的训练数据集，构成分类精度更高且泛化能力更强的集成分类模型，减少了计算成本，提高了对高维数据的分类精度。

实施例二

图2示出了本发明实施例二提供的高维数据分类方法的实现流程示意图。如图2所示，所述高维数据分类方法包括如下步骤s201至步骤s210：

步骤s201：获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值。

步骤s202：对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集。

具体地，设x＝{x1,x2,...,xn}是高维数据样本集，其中xi＝{xi1,xi2,...,xim}表示第i个样本的m个属性值。从所有的训练样本中随机选择r个样本，对于其中任意一个样本xi，首先找出k个与xi同类的最近邻的样本hj(xi)，然后在每个r不同类样本集中找出k个最近邻的样本mj(c)，然后更新每个特征的权重值w，权值更新公式如下：

其中，m表示样本抽样次数，mj(c)表示不同类别c中的第j个最近邻样本，p(c)表示c类目标样本数占样本总数的比例，class(ri)表示ri所属的类别。函数diff(a,ri,rj)用于计算样本ri和rj关于某个特征a间的距离，计算公式如下：

对于某个特征a，同类样本间的距离越小，而不同类的两个样本在a上的距离越大，说明特征a越容易区分类别，其权重值越大，而当特征与类别无关时，其权重值将趋于零或者很小的数。因此通过求出各个特征与类的相关性权重值w并进行排序，相关性大于给定阈值的特征形成了新的特征子集，从而将不相关的或冗余的特征剔除掉。

步骤s203：对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量m、感知概率ap、飞行长度fl以及最大迭代次数maxiter；

具体地，对乌鸦搜索算法进行初始化控制参数设置，可以但不限于包括种群群体数量m、感知概率ap、飞行长度fl以及最大迭代次数maxiter；

根据如下公式(3)对乌鸦位置进行初始化：

x^i,t＝rand·(xmax-xmin)+xmin(3)

其中，x^i,t为乌鸦随机产生的位置，xmax为x的最大值，xmin为x的最小值，rand为[0,1]区间随机生成数。

步骤s204：计算适应度值；

具体地，适应度函数f(x)表达式如下公式(4)所示：

其中，accx表示数据x在集成分类模型上得到的分类精度，n表示特征总数，|subset|表示选出的最优特征子集的特征数，α为调节分类精度和特征子集数量两部分的权重值，0<α<1，在实例二中α取值为0.8。

步骤s205：通过感知概率ap来平衡调整算法的全局搜索和局部搜索过程，并进行位置和记忆值的比较和更新；

具体地，在第t次迭代时，乌鸦i随机选择一只乌鸦j跟踪以偷窃对方的食物。算法包括全局搜索和局部搜索两部分，通过感知概率ap进行动态调整以达到全局搜索和局部搜索的平衡状态。当随机生成数大于等于乌鸦感知概率ap时，即乌鸦j知道乌鸦i跟踪它，会把乌鸦i带到任意位置，反之，当随机生成数小于ap时，即乌鸦j不知道乌鸦i跟踪它，则乌鸦i向乌鸦j的最优位置移动，位置更新公式如下公式(5)所示：

其中，ap^i,t表示乌鸦j在t代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数值。

当乌鸦i的位置发生改变，则更新记忆值表达式如下公式(6)所示：

其中，m^i,t表示乌鸦记忆值，f(m^i,t)表示适应度值。

乌鸦搜索算法的核心思想是通过乌鸦被跟踪的感知概率来平衡调节算法中的全局搜索和局部搜索过程，保证了算法在全局搜索的同时又具备较强的局部搜索能力。算法核心思想主要是通过公式(5)和公式(6)实现的，然后进行位置和记忆值的比较与更新。

步骤s206：进入迭代循环，判断迭代次数是否达到最大迭代次数maxiter，若达到，则执行步骤s207，否则，根据更新后的位置和记忆值返回步骤s204继续执行；

具体地，如果当期迭代次数已达到最大迭代次数maxiter，则乌鸦搜索算法优化完成，执行步骤s207，否则，根据更新后的位置和记忆值返回步骤s204继续执行迭代。

步骤s207：输出得到的适应度值最高的记忆值位置m即为问题的最优解，得到的为最优特征子集。

具体地，当前迭代次数已经达到最大迭代次数maxiter时，得到的适应度值最高的记忆值即为优化后的特征子集。

步骤s208：基于最优特征子集作为分类模型的输入，构建基本分类模型。

具体地，基于最优特征子集作为模型训练的输入，根据如下公式构建核极限学习机分类模型：

其中，其中k(xi,xj)表示核函数，i为单位矩阵，ωelm为当隐层映射函数h(x)不可知时，核函数矩阵的表达式如下：

ωelm＝hh^t:ωelmi,j＝h(xi)·h(xj)＝k(xi,xj)(8)

步骤s209：利用旋转森林方法对样本属性集进行随机分割组合，分割的各组子属性集间的数据进行特征变换，有效地增大分类器间的差异性，以获得更好的集成分类效果。

具体地，将数据集划分成l个互不相交子集，每个子集约有c＝n/l个特征；

其中，si,j表示mi分类器训练集的第j个特征集合，对样本进行随机重采样，通过特征转换处理后得到新的cj个tij⁽¹⁾,tij⁽²⁾,…,tij^(cj)；

重复执行运行l次，构建l个主成分矩阵r：

根据原始数据集重排矩阵r，得到相应的旋转矩阵r＇，则第mi个分类器所对应的训练集为xri＇；

重复执行上述步骤k次，最终可得到对应不同分类模型的训练集xr1＇,xr2＇,…,xrk＇。针对不同参数和不同训练集，可构建差异性大的分类模型。

步骤s210：根据新训练集构建集成分类模型对目标高维数据进行分类。

具体地，对于给定的数据样本x，模型中有c个分类器tc(x)，c＝1,2,…,c，那么多数投票策略得到样本最终的分类结果计算公式如下：

其中，y∈{-1,1}是分类器的输出类标号。公式(10)表示c个分类器tc(x)累积结果的最大值。

本实施例中，采用relieff方法对原始高维数据进行特征降维处理，计算每个样本实例中各个特征与类别的相关性，得到每个样本特征权值并按降序排序，根据所述特征权值从特征集中选择出权值大的特征，剔除掉其它权重值较小的不相关或冗余特征，利用二进制乌鸦搜索进化算法对特征降维处理后的高维数据子集进行特征选择，获得最优特征子集，结合旋转森林算法对样本属性集进行随机分割组合，分割的各组子属性集间的数据进行特征变换，得到差异性较大的训练数据集，构成分类精度更高且泛化能力更强的集成分类模型，减少了计算成本，提高了对高维数据的分类精度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例三

请参考图3，其示出了本发明实施例提供的高维数据分类装置的示意图。所述高维数据分类装置，包括：数据获取模块31，特征降维处理模块32，特征选择模块33，模型构建模块34和分类模块35。其中，各模块的具体功能如下：

数据获取模块31，用于获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

特征降维处理模块32，用于对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

特征选择模块33，用于基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

模型构建模块34，用于根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

分类模块35，用于根据所述高维分类模型对目标高维数据进行分类。

可选地，特征降维处理模块32包括：

选择单元，用于从高维数据样本集x＝{x1,x2,...,xn}中随机选择r个样本；

查找更新单元，用于基于所述r个样本中的任意一个样本xi，首先找出k个与xi同类的最近邻的样本hj(xi)，然后在每个r不同类样本集中找出k个最近邻的样本mj(c)，最后更新每个特征的权重值w，权值更新公式如下：

其中，xi＝{xi1,xi2,...,xim}表示第i个样本的m个属性值，m表示样本抽样次数，mj(c)表示不同类别c中的第j个最近邻样本，p(c)表示c类目标样本数占样本总数的比例，class(ri)表示ri所属的类别；其中，函数diff(a,ri,rj)用于计算样本ri和rj关于某个特征a间的距离，计算公式如下：

可选地，特征选择模块33包括：

初始化单元，用于对乌鸦搜索算法进行初始化控制参数设置，所述初始化控制参数包括种群群体数量m、感知概率ap、飞行长度fl以及最大迭代次数maxiter；其中，在乌鸦搜索算法中，假定n只乌鸦随机分布在n维搜索空间中，x^i,t＝[x1^i,t,x2^i,t,…,xn^i,t](i＝1,2,…,n；t＝1,2,…,maxiter)表示第i只乌鸦在第t次迭代时的位置，m^i,t表示乌鸦i在第t次迭代时隐藏食物的记忆值，即最优位置；ap^i,t表示乌鸦i在第t次迭代时的感知概率ap，fl^i,t表示乌鸦i在第t次迭代时的飞行长度；

计算单元，用于在第t次迭代时，乌鸦i随机选择一只乌鸦j跟踪以偷窃对方的食物；算法包括全局搜索和局部搜索两部分，通过感知概率ap进行动态调整以达到全局搜索和局部搜索的平衡状态；当随机生成数大于等于乌鸦感知概率ap时，乌鸦j知道乌鸦i跟踪它，会把乌鸦i带到任意位置，当随机生成数小于ap时，乌鸦j不知道乌鸦i跟踪它，则乌鸦i向乌鸦j的最优位置移动，位置更新的表达式如下：

其中，ap^i,t表示乌鸦j在t代时的感知概率，ri和rj是[0,1]区间均匀分布的随机数；

当乌鸦i的位置发生改变，则更新记忆值表达式如下：

其中，m^i,t表示乌鸦记忆值，f(m^i,t)表示适应度值；

对于二进制乌鸦搜索算法在离散空间内进行搜索，每个解表示为1或0，引入映射函数s(x)将连续空间的值转换到离散空间[0,1]，计算公式如下：

其中rand()为[0,1]区间均匀分布的随机数；映射函数s(x)表达式如下：

适应度函数f(x)表达式如下所示：

其中，accx表示数据x在集成分类模型上得到的分类精度，n表示特征总数，|subset|表示选出的最优特征子集的特征数，α为调节分类精度和特征子集数量两部分的权重值，0<α<1；

获取单元，用于根据当达到最大迭代次数maxiter时，所有乌鸦的mi(i＝1,2,…,n)中的位置为最优化问题的解，返回值为最优特征子集。

可选地，所述特征选择模块33包括：

划分单元，英语将数据集划分成l个互不相交的子集，每个子集包括c＝n/l个特征；

其中si,j表示mi分类器训练集的第j个特征集合，对样本进行随机重采样，通过特征转换处理后得到tij⁽¹⁾,tij⁽²⁾,…,tij^(cj)；

执行单元，用于重复执行运行l次，构建l个主成分矩阵r：

根据原始数据集重排矩阵r，得到相应的旋转矩阵r＇，则第mi个分类器所对应的训练集为xri＇；

构建单元，用于重复执行上述步骤k次，最终可得到对应不同分类模型的训练集xr1＇,xr2＇,…,xrk＇；针对不同参数和不同训练集，构建差异性大的分类模型。

可选地，模型构建模块包括：

计算单元，用于对于给定的数据样本x，模型中有c个分类器tc(x)，c＝1,2,…,c，那么多数投票策略得到样本最终的分类结果计算公式如下：

其中y∈{-1,1}是分类器的输出类标号；t(x)表示c个分类器tc(x)累积结果的最大值。

本发明实施例提供的高维数据分类装置，通过对原始高维数据进行特征降维处理，计算每个样本实例中各个特征与类别的相关性，得到每个样本特征权值并按降序排序，根据所述特征权值从特征集中选择出权值大的特征，剔除掉其它权重值较小的不相关或冗余特征，利用二进制乌鸦搜索进化算法对特征降维处理后的高维数据子集进行特征选择，获得最优特征子集，结合旋转森林算法对样本属性集进行随机分割组合，分割的各组子属性集间的数据进行特征变换，得到差异性较大的训练数据集，构成分类精度更高且泛化能力更强的集成分类模型，减少了计算成本，提高了对高维数据的分类精度。

实施例四

图4是本发明实施例四提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如高维数据分类方法程序。所述处理器40执行所述计算机程序42时实现上述各个高维数据分类方法实施例中的步骤，例如图1所示的步骤s101至s105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各单元的功能，例如图3所示单元31至35的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成数据获取模块，特征降维处理模块，特征选择模块，模型构建模块和分类模块，各模块的具体功能如下：

数据获取模块，用于获取预定数量的原始高维数据样本集，所述原始高维数据包括表征数据属性特征的特征值；

特征降维处理模块，用于对所述原始高维数据样本集进行特征降维处理，得到特征降维处理后的高维数据子集；

特征选择模块，用于基于特征降维处理后的所述高维数据子集，利用二进制乌鸦搜索进化算法对所述特征值进行筛选，获得最优特征子集；

模型构建模块，用于根据旋转森林算法对所述最优特征子集中的样本的属性集进行随机分割和组合，对分割的各组子属性集间的数据进行特征变换，得到差异性大于预定阈值的训练数据集，基于所述训练数据集构建高维分类模型；

分类模块，用于根据所述高维分类模型对目标高维数据进行分类。

所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。