基于扩张残差网络的雷达辐射源识别方法及装置与流程
本发明属于雷达信号处理技术领域，特别涉及一种基于扩张残差网络的雷达辐射源识别方法及装置。
背景技术：
随着电磁环境日趋复杂，雷达信号样式复杂多变，雷达辐射源识别面临严峻的挑战，传统的基于脉冲描述字外部特征进行测量的方法，已经不能满足快速、准确区分辐射源的需求，故研究重点转向提取信号的脉内特征，如脉内时域特征、模糊函数特征、时频域特征，但此类人为设计提取特征的方法存在针对性强、低信噪比下失效等缺陷，因此亟需一种可以表示不同雷达信号本质特征的方法。深度学习通过构建具有多隐层的神经网络学习模型和海量的训练数据来学习更具分类能力的特征，与人工规则构造特征方法相比，该方法所提取的特征更具鲁棒性，更能反映目标信号的本质属性。借鉴深度学习在图像和语音等领域的成熟应用，近年来，国内外学者已经开始将深度学习技术用于雷达辐射源识别领域的研究，如利用深度模型自动提取雷达信号时频图像特，此类方法在低信噪比下取得了较高的识别率。但是仍存在一些问题：(1)覆盖的雷达信号样式不全、类别数较少，当类别数较多时，所用深度模型是否能够达到相当的效果；(2)识别时容易混淆时频图像较为相似的调制信号，根本原因是采用的深度模型不能充分表示不同调制信号时频图像的细节部分、微小差异。
技术实现要素：
为此，本发明提供一种基于扩张残差网络的雷达辐射源识别方法及装置，克服人工提取特征方法对信号质量要求高、有效性低、针对性强等问题，实现在低信噪比下对复杂多类雷达信号的分类识别，具有很强的应用前景。
按照本发明所提供的设计方案，一种基于扩张残差网络的雷达辐射源识别方法，包含如下内容：
a)对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；
b)对时频图像进行预处理，获取深度学习网络的输入数据；
c)构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。
上述的，a)中，针对雷达信号时频分析中，利用指数核函数对信号的模糊函数进行加权后进行二维傅里叶变换，得到二维时频信号。
优选的，采用cwd时频分析，表示为：cwd(t,ω)＝∫∫∫ej2πξ(μ-t)φ(ξ,τ)·x(μ+τ/2)x*(μ-τ/2)e-jωτdξdμdτ，其中，t和ω分别表示时间和角频率，
上述的，b)中预处理，包含如下内容：首先，利用灰度图保留雷达信号时频分布特征，将原始时频图像能量值转化为灰度值；然后，选取方形结构元素对灰度图像进行开运算，以删除时频分析引起的呈细线的进程噪声；最后，重置图像大小，并对重置后图像的灰度值进行归一化处理，获取深度学习网络输入数据。
优选的，重置图像大小中，采用双三次插值法缩小时频图像大小。
上述的，c)中构建的扩张残差深度学习网络模型，包含四个残差单元和五组卷积操作，第四和五组卷积操作中使用扩张卷积；对输入输出特征图维度不匹配情形，采用设定大小的卷积核对输入特征图进行升维处理；同时在每层做非线性变化前对激活输入值先通过增加批量归一化bn层进行批标准化处理。
优选的，c)利用网络模型自学习并分类识别中，针对输入数据，首先划分为用于稳定模型的训练数据集和用于在线识别的测试数据集；对构建的网络模型进行参数初始化数值，利用训练数据集对网络模型进行离线训练，待模型训练稳定后保存；利用保存的网络模型对测试数据集进行在线分类识别。
一种基于扩张残差网络的雷达辐射源识别装置，包含：时频变换模块、预处理模块和分类识别模块，其中，
时频变换模块，用于对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；
预处理模块，用于对时频图像进行预处理，获取深度学习网络的输入数据；
分类识别模块，用于构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。
上述的装置中，预处理模块包含：转化子模块、开运算子模块和重置子模块，其中，
转化子模块，用于利用灰度图保留雷达信号时频分布特征，将原始时频图像能量值转化为灰度值；
开运算子模块，用于选取方形结构元素对灰度图像进行开运算，以删除时频分析引起的呈细线的进程噪声；
重置子模块，用于保留图像细节质量，重置图像大小，并对灰度图像灰度值进行归一化处理，获取深度学习网络输入数据。
上述的装置中，分类识别模块包含：数据划分子模块、离线训练子模块和在线识别子模块，其中，
数据划分子模块，用于将得到的输入数据划分为用于稳定模型的训练数据集和用于在线识别的测试数据集；
离线训练子模块，用于对构建的网络模型进行参数初始化数值，并利用训练数据集对网络模型进行训练学习，待模型训练稳定后保存；
在线识别子模块，用于利用保存的网络模型对测试数据集进行在线分类识别。
本发明的有益效果：
本发明通过时频分析将雷达信号时域波形转换成二维时频图像，对图像进行预处理后，利用drn网络用于提取信号的时频图像特征，最终完成雷达辐射源识别；克服人工提取特征的方法对信号质量要求高、有效性低、针对性强等问题，在低信噪比下，对复杂多类雷达信号仍能保持优异的识别效果，并利用扩张卷积保护网络顶层特征图的空间分辨率，使得最后用于分类的特征图更精细，较其他深度模型有更好的抗混淆性能；能够有效解决简单深度模型学习能力弱、混淆时频图像相似的信号等问题，识别结果精确，识别准确率高；同时可以应用到具有更多类别雷达辐射源的识别中，具有很强的适应性和推广性。
附图说明：
图1为实施例中辐射源信号识别方法流程图；
图2为实施例中辐射源信号识别装置示意图；
图3为实施例中预处理模块示意图；
图4为实施例中分类识别模块示意图；
图5为实施例中16类雷达信号cwd时频分布图像示意；
图6为实施例中时频图像预处理示意；
图7为实施例中残差单元基本结构；
图8为实施例中使用扩张卷积后特征图和感受野尺寸示意；
图9为实施例中drn模型示意；
图10为仿真实验中时频图像特征识别性能对比示意；
图11为仿真实验中3中深度模型识别类lfm信号的混淆矩阵示意；
图12为仿真实验中不同训练数据量下整体识别率比较。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
drn是扩张卷积与残差网络(residualnetwork,resnet)相结合得到的一个性能更好的网络，解决了深度cnn模型难以训练的问题,能够实现类别数高达1000的图像分类识别，是当前表现最好的网络之一。将扩张卷积引入rsenet,既能保持原有网络的感受野(receptivefield，rf)，同时也不会损失图像空间的分辨率，使得最后用于分类的特征图(featuremap)更精细，图像的微小特征得以保留，识别更加精确。因此，针对复杂多类雷达辐射源识别困难等问题，本发明实施例中，参见图1所示，提供一种基于扩张残差网络的雷达辐射源识别方法，包含如下内容：
s101)对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；
s102)对时频图像进行预处理，获取深度学习网络的输入数据；
s103)构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。
首先对雷达信号进行时频分析，将一维时域波形转换成二维时频图像；然后对时频图像进行预处理，以去除噪声、减少计算开销便于后续训练深度模型；最后构建drn深度学习模型，并将预处理后的时频图像作为drn的输入，利用drn自学习信号的时频图像特征并进行分类识别；实现对复杂多类雷达信号进行分类识别。
基于上述的方法，本发明实施例还提供一种基于扩张残差网络的雷达辐射源识别装置，参见图2所示，包含：时频变换模块101、预处理模块102和分类识别模块103，其中，
时频变换模块101，用于对雷达信号进行时频分析，将雷达信号时域波形转换成二维时频图像；
预处理模块102，用于对时频图像进行预处理，获取深度学习网络的输入数据；
分类识别模块103，用于构建扩张残差深度学习网络模型，针对输入数据，利用网络模型自学习信号时频图像特征并进行分类识别。
上述的装置中，参见图3所示，预处理模块102包含：转化子模块201、开运算子模块202和重置子模块203，其中，
转化子模块201，用于利用灰度图保留雷达信号视频分布特征，将原始时频图像能量值转化为灰度值；
开运算子模块202，用于选取方形结构元素对灰度图像进行开运算，以删除时频分析引起的细线进程噪声；
重置子模块203，用于保留图像细节质量，重置图像大小，并对灰度图像灰度值进行归一化处理，获取深度学习网络输入数据。
上述的装置中，参见图4所示，分类识别模块103包含：数据划分子模块301、离线训练子模块302和在线识别子模块303，其中，
数据划分子模块301，用于将得到的输入数据划分为用于稳定模型的训练数据集和用于在线识别的测试数据集；
离线训练子模块302，用于对构建的网络模型进行参数初始化数值，并利用训练数据集对网络模型进行训练学习，待模型训练稳定后保存；
在线识别子模块303，用于利用保存的网络模型对测试数据集进行在线分类识别。
雷达信号是一种非平稳信号,时频分析描述了非平稳信号的频率随时间的变化规律,而这种规律揭示了雷达信号的调制特征信息。choi-williams分布(choi-williamsdistribution，cwd)是采用指数加权核函数的cohen类时频分布,具有较好时频聚集性,能够有效抑制交叉项,更容易确定雷达信号调制类型。故本发明实施例中，采用cwd方法对雷达信号进行时频分析,cwd公式可设计为如下：
cwd(t,ω)＝∫∫∫ej2πξ(μ-t)φ(ξ,τ)·x(μ+τ/2)x*(μ-τ/2)e-jωτdξdμdτ(1)
式中t和ω分别表示时间和角频率，
若直接利用原始时频图像进行信号的分类识别，识别效果受噪声的影响较大，且深度神经网络的输入维数太大，因此需要对时频图像进行预处理。同时，考虑到预处理操作将丢失时频图像信息，特别是bpsk时频脊线上的起伏，frank、p1、p2码时频脊线上的阶梯变化，p1、p2、p4码两端微弱的能量值等微小信息的丢失将降低分类器的性能。本发明实施例在图像预处理时采取灰度化、开运算和双三次插值操作以较少信息的损失,如图6(a)所示，首先利用灰度图能够完整保留信号的时频分布特征，将原始时频图像的能量值转化为灰度值，再对灰度图像进行开运算去噪，重置和归一化等预处理后作为深度学习网络的输入。其次，虽然cwd运算时通过加窗在一定程度上改善了信噪比，但在信噪比较低时，cwd核函数将引起的呈特殊细长直线的进程噪声，因此，本发明实施例中可选取“方形”结构元素对灰度图像做开运算以删除细线。最后由于雷达侦察接收机的采样率一般在百兆赫兹以上，信号采样点数多，若输入网络的图像尺寸太大，将降低网络的训练识别效率。因此需要重置图像大小，采用双三次插值方法能够更好地保留图像的细节质量。故发明实施例可利用双三次插值方法将800×800的时频图调整为224×224,然后对灰度值进行归一化处理,作为深度神经网络的输入。图6(b)为-4db时p1码时频图像预处理后的结果，有效的去除了进程噪声，缩小了图像尺寸，并且比较完整的保留了信号的时频图像特征。图像预处理过程中仅采取灰度化、开运算和双三次插值操作，减少信息的损失，较为完整的保留信号的时频图像特征。
深层卷积神经网络在图像分类中取得了突破性的成果。理论上更深的网络可以提取整合更加复杂的特征，取得更好的分类效果。但是，随着网络层数的加深，会引起两方面的问题：一是梯度弥散或爆炸，这个问题很大程度上可以通过归一化输入数据和批标准化(batchnormalization，bn)层来基本解决，使得几十层的网络可以收敛；二是退化，即网络深度增加时，训练集准确率出现饱和甚至下降，难以训练优化。为了解决上述问题，可采用基于短连接(shortcutconnection)的残差网络resnet。图7为残差单元基本结构，其中x表示网络输入，由输入到输出的短连接表示x的恒等映射(identitymapping)，h(x)表示期望的复杂潜在映射，f(x)＝h(x)-x表示残差映射，实验表明相对于复杂的潜在映射，残差映射更容易优化。由此可以通过残差学习，实现训练过程的优化，克服深层神经网络的退化问题。
卷积神经网络通过不断降低图像分辨率，直到图像被一个仅保留了微弱空间信息的特征图(一般最后卷积层输出仅为7×7)表示，最后计算类别概率来分类图像。雷达信号时频图像的微小特征对理解图像信息十分重要，如果直接使用resnet会因降维太多和特征体积很小而直接忽略了。这种高的空间分辨率损失对雷达信号时频图像分类而言是非常不利的，此时维护图像空间一定的分辨率是非常重要的。其中扩张卷积可以维护图像空间的分辨率，同时保持原有网络的感受野。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小。通常从顶层往下层层迭代，直到追溯到原始输入图像感受野，计算公式如下：
rf(n,n-i)＝[rf(n,n-i+1)-1]×stride+ksize,i＝1,2,…,n(2)
其中，n表示第n层卷积输出，i＝1时rf(n,n)＝1表示当前层的输出特征图的1个像素点，rf(n,n-i)表示当前层的输出特征图的1个像素点在第n-i层特征图上的映射区域大小，stride和ksize分别表示第n-i+1层卷积操作的步长和卷积核的大小，i＝n时rf(n,0)表示当前层的输出特征图的1个像素点在原始图像上的映射区域大小，由此自顶向下可以计算感受野的尺寸。
假设网络输入为28×28，经过三次卷积操作,每层均采用3×3的卷积核、全0填充(zero-padding)、步长stride＝1,感受野和输出特征图的尺寸如图8所示，图中(a)为第一层卷积输出，扩张因子dilation＝1，和普通的卷积操作一样，根据公式(2)计算出第一层的感受野为卷积核的大小3×3；(b)为第二层卷积输出，dilation＝2，此时隔1个像素与卷积核点乘相加后作为中心像素的特征值，故可以认为卷积核大小为5×5，并且图中只有9个点有权重值，其余值都为0，则感受野为7×7；(c)为第三层卷积输出，dilation＝4，此时隔3个像素与卷积核点乘相加后作为中心像素的特征值，故可以认为卷积核大小为9×9，则感受野为15×15。表1列出了每一层的参数设置、输出特征图和感受野尺寸，表中括号内为不使用扩张卷积(dilation＝1)的情况下，每一层要达到相同大小的感受野所需的步长，此时输出的特征图尺寸变小。
表1扩张卷积与普通卷积对比
扩张卷积中由于实际参与卷积的因子数量没有变，所以卷积的计算量没有变。但是卷积核的尺寸变大，导致特征图中一个特征值对应原来更大的区域，可以获得更大的可视范围。故扩张卷积在不使用步长和池化层的前提下，能保证与原深度网络每一层相同尺寸的感受野，同时输出的特征图尺寸不会变小。drn的设计思想就是在resnet顶层部分使用扩张卷积，保持一定的图像空间分辨率，使得最后用于分类的特征图更精细，图像的微小特征得以保留，识别更加精确。
图9为本发明实施例中的drn模型示意，由4个残差单元、5组卷积操作构成(1个残差单元看作一组卷积操作)，使用全0填充。输入信号时频图像尺寸为224×224，经过前3组卷积操作后图像分辨率下降至28×28，为了避免降维太多丢失信号时频图像微小信息，在第4组、第5组卷积操作中分别使用扩张因子为2、4的扩张卷积，保证与原深度网络感受野大小相同的情况下，图像分辨率不再下降，仍为28×28。图中虚线短连接表示残差单元的输入与输出特征图维度不匹配，需要采用尺寸1×1的卷积核对输入特征图升维。同时为避免在训练过程中，各层在做非线性变化前的激活输入值分布发生内部协变量位移(internalcovariateshift)，导致反向传播时神经网络底层梯度消失，网络收敛缓慢，故在每层做非线性变化前对激活输入值先进行批标准化，增加一个bn层，归一化每层的激活输入值。并且进行批标准化后可以设置较高的学习率，提高模型训练速度。基于上述的drn模型示意，通过如下内容实现雷达辐射源的智能识别并测试该方法的性能：数据集准备，对雷达信号进行cwd时频变换及时频图像预处理，分别生成用于构建稳定模型的训练数据集和用于在线识别的性能测试数据集；离线模型训练，基于tensorflow深度学习框架构建drn模型，并初始化参数设置，用训练数据集对drn模型进行训练，待模型训练稳定后保存模型；在线识别，用保存好的drn模型对测试数据集进行在线识别，得到识别结果，检验该方法的性能。
为了验证本发明技术方案的有效性，下面通过具体仿真实验数据做进一步解释说明：
对16类雷达信号进行识别，除单载频、lfm、nlfm、相位编码和频率编码外，还增加了两类混合调制信号，一是频率编码与线性调频混合，采用步进频，每个频点上再进行线性调频，记为fsk+lfm；二是频率编码与相位编码混合，采用步进频，每个频点上再进行二相编码(bpsk)，记为fsk+bpsk。仿真信号时，脉宽pw＝2μs，采样率fs＝400mhz，不同信号的具体参数设置如表2所示，所有参数都是在该取值范围内随机选取。信噪比范围为-8db～8db，步长为2db，每个信噪比下，16类信号各随机生成1000个脉冲，每种信号包含9000个脉冲，总计144000个脉冲。然后对信号进行cwd时频分析和时频图像预处理，完成训练数据集的制作，利用训练数据集对drn进行离线训练，待模型稳定后，保存模型。
表2信号参数设置
16类信号在每个信噪比下各产生1000个脉冲，进行cwd时频变换和图像预处理后，送入构建好的drn模型中进行在线识别。测试不同信噪比下本发明实施例中技术方案(a)对16类信号的识别准确率，并与利用两层稀疏自编码器来学习cwd时频图像特征的方法(b)和传统人工提取cwd时频图像特征的方法(c)进行对比，实验结果如图10所示。由3种方法对16类信号的整体识别率可知，本发明实施例中技术方案对复杂多类雷达信号具有优异的识别性能。信噪比为-6db时，对16类信号的整体识别率能够达到98％，-2db时识别率接近100％。在不同的信号环境下，识别率均远高于方法(b)和方法(c)。方法(b)由于利用阈值二值化和过多的除噪等图像预处理导致时频图像信息损失严重，时频结构破坏严重，并且仅利用两层稀疏自编码器不足以表示16类信号的时频特征，整体识别性能不高。方法(c)受噪声的影响较大，低信噪比下，识别性能下降明显，整体识别率较低，并且未对固定载频、nlfm、多时码t1～t4和复合调制类型的信号时频图像特征进行研究，故该方法不适用于以上信号的识别。本发明实施例中技术方案借助于合适的时频图像预处理流程，选择以灰度图像作为drn的输入，能够比较完整的保留信号时频图像特征。构建的drn模型不仅能够自主学习信号的时频图像特征进行分类识别，而且利用扩张卷积能够保证网络顶层特征图的空间分辨率，使得分类识别性能进一步提高。同时利用大量数据来训练多隐层drn模型，使得drn能够学习到信号时频图像更本质的特征，在低信噪比下仍能保持高识别率。分析16类信号各自的识别性能曲线可知，本发明实施例中技术方案对各类信号的识别率都非常高，尤其对单载频、nlfm、p2、多时码、costas和复合调制信号的识别率在-6db时可以达到100％，对时频图像特征近似的类lfm信号的识别率在-4db时超过95％，远高于方法(b)的基于两层稀疏自编码器。实验结果表明本发明实施例中的drn模型较简单的深度学习模型学习能力更强，这对在实际环境中，识别复杂多变的雷达信号具有重要的意义。
为了进一步验证本发明实施例中drn模型可以得到更精确的识别结果，将该模型同当前在图像分类领域表现优异的深度模型cnn和resnet进行对比。在信噪比为-6db时，比较具有相同卷积层、池化层设置的3种深度模型对时频图像特征近似的lfm和类lfm信号(frank、p1、p3、p4)识别的混淆矩阵，每类信号包含1000个样本。实验结果如图11所示，其中drn模型的识别准确率最高，在-6db时对此类信号的平均识别率超过95％，高出resnet模型约1.2％，高出cnn模型约2.6％。结果表明drn模型利用扩张卷积来保证网络顶层特征图的空间分辨率，使得最后用于分类的特征图更精细，更能够表现不同信号时频图像的特征，图像的微小特征得以保留，识别更加精确，抗混淆性能好。
为检验本发明实施例技术方案的鲁棒性，分别用不同的训练数据量对drn模型进行训练，记录模型稳定时，不同信噪比下16类信号的整体平均识别率。每个信噪比下各类信号的数据量变化范围为：200～800个脉冲，步长为200，模型训练稳定后，每个信噪比下各类信号随机产生1000个脉冲，利用模型对每类信号进行在线识别，计算各个信噪比下16类信号的整体识别率，实验结果如图12所示。结果分析可知，低信噪比下，识别率随着训练数据量的增长而增大，当信噪比为-2db时，识别率几乎都能够达到100％，即使训练数据量较少时，本发明技术方案的识别率仍非常高。结果表明在小样本的情况下，本发明技术方案依然有效，具有较好的鲁棒性。
以上实验结果表明，本发明实施例中技术方案能够克服传统人工提取特征的方法对噪声敏感、提取的特征有效性和普适性低等问题，在信噪比较低的环境下，对复杂多类雷达信号仍能保持优异的识别效果；能够有效解决简单深度模型学习能力弱，混淆时频图像相似的信号等问题，抗混淆性能良好，识别结果精确，识别准确率高。同时可以将本发明技术方案应用到具有更多类别雷达辐射源的识别中，具有很强的适应性和推广性。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！