一种基于K-means的信号自动调制分类方法及系统与流程

本发明属于雷达与电子技术领域，具体涉及一种基于k-means的信号自动调制分类方法及系统。

背景技术：

认知雷达需要实现对外部电磁环境的感知，包括实现针对所侦收到的其它雷达与通信信号的分类识别。目前对辐射源信号的调制类型分类识别领域存在如下问题：

(1)在设置参数产生信号时，没有考虑到一些参数对算法分类性能的影响，造成样本量较小。

(2)只考虑一种类型的调制信号，而实际雷达辐射源信号具有多种调制类型。

(3)没有考虑信号之间的多种差异，提取多种不同特征，仅根据一种特征实现多信号分类，增加了分类难度。

(4)特征提取方法较为单一，没有注重特征提取方法方面的拓展。

技术实现要素：

本发明的目的在于克服现有技术中的不足，提出了一种基于k-means的信号自动调制分类方法，实现了不同调制类型信号的逐层分类。

为解决上述技术问题，本发明提供了一种基于k-means的信号自动调制分类方法，其特征是，包括以下过程：

确定不同调制类型信号，包括sf、lfm、bpsk、qpsk、16qam和2fsk信号；

利用短时傅里叶变换获取6个信号的时频平面峰值频率一阶导数的标准差，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}；

利用时宽带宽积对sf信号和lfm信号进行分类；

利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类。

进一步的，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}的具体过程为：

基于各信号峰值频率一阶导数的标准差β1，设定门限ε1，若β1＜ε1的为{sf，lfm}信号，β1≥ε1的为{bpsk，qpsk，16qam，2fsk}信号。

进一步的，利用时宽带宽积对sf信号和lfm信号进行分类包括：

基于sf和lfm信号的时宽带宽积β2，设定门限ε2，若β2＜ε2，则判断为sf信号，若β2≥ε2，则判断为lfm信号。

进一步的，利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类的具体过程为：

分别4种信号的瞬时自相关，提取瞬时自相关实部标准差的信息作为一组特征参数，记为β3；

提取包络标准差作为一组特征参数，记为β4；

对4种信号做离散傅里叶变换，提取频谱峰值个数的信息作为一组特征参数，记为β5；

利用这三组特征参数构建三维特征向量平面空间{β3,β4,β5}，结合k-means聚类分析的算法将类似对象组成一类，识别出bpsk、qpsk、16qam和2fsk信号。

相应的，本发明还提供了一种基于k-means的信号自动调制分类系统，其特征是，信号类型确定模块、第一层分类模块、第二层左侧分类模块和第二层右侧分类模块；

信号类型确定模块，用于确定不同调制类型信号，包括sf、lfm、bpsk、qpsk、16qam和2fsk信号；

第一层分类模块，用于利用短时傅里叶变换获取6个信号的时频平面峰值频率一阶导数的标准差，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}；

第二层左侧分类模块，用于利用时宽带宽积对sf信号和lfm信号进行分类；

第二层右侧分类模块，用于利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类。

进一步的，第一层分类模块中，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}的具体过程为：

基于各信号峰值频率一阶导数的标准差β1，设定门限ε1，若β1＜ε1的为{sf，lfm}信号，β1≥ε1的为{bpsk，qpsk，16qam，2fsk}信号。

进一步的，第二层左侧分类模块中，利用时宽带宽积对sf信号和lfm信号进行分类包括：

基于sf和lfm信号的时宽带宽积β2，设定门限ε2，若β2＜ε2，则判断为sf信号，若β2≥ε2，则判断为lfm信号。

进一步的，第二层右侧分类模块中，利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类的具体过程为：

分别4种信号的瞬时自相关，提取瞬时自相关实部标准差的信息作为一组特征参数，记为β3；

提取包络标准差作为一组特征参数，记为β4；

对4种信号做离散傅里叶变换，提取频谱峰值个数的信息作为一组特征参数，记为β5；

利用这三组特征参数构建三维特征向量平面空间{β3,β4,β5}，结合k-means聚类分析的算法将类似对象组成一类，识别出bpsk、qpsk、16qam和2fsk信号。

与现有技术相比，本发明所达到的有益效果是：本发明利用时频分析、瞬时自相关和傅里叶变换等信号处理算法提取其调制特征，基于朴素贝叶斯和k-means的机器学习算法，实现了不同调制类型的雷达与通信信号的逐层分类。仿真结果表明，该多信号分类算法网络可有效实现6种不同调制类型的信号分类。

附图说明

图1是本发明方法的流程图；

图2是信号时频等高线图：(a)sf信号时频等高线图；(b)lfm信号时频等高线图；(c)bpsk信号时频等高线图；(d)qpsk信号时频等高线图；(e)16qam信号时频等高线图；(f)2fsk信号时频等高线图；

图3是瞬时自相关实轴投影图：(a)bpsk瞬时自相关实轴投影图；(b)qpsk瞬时自相关实轴投影图；

图4是信号频谱图：(a)bpsk信号频谱图；(b)2fsk信号频谱图；

图5是峰值频率一阶导数的标准差的特征分布图；

图6是包络标准差特征图；

图7是瞬时自相关实部标准差特征图；

图8是频谱峰值个数分布图；

图9是20db信噪比下的分类结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明针对认知雷达侦察系统所接收的其它雷达与通信信号，利用时频分析、瞬时自相关和傅里叶变换等信号处理算法提取其调制特征，基于朴素贝叶斯和k-means的机器学习算法，实现了不同调制类型的雷达与通信信号的逐层分类。仿真结果表明，该多信号分类算法网络可有效实现6种不同调制类型的信号分类。

本发明的一种基于k-means的信号自动调制分类方法，实现信号调制类型的分类，参见图1所示，包括以下过程：

s1，确定不同调制类型信号，包括sf、lfm、bpsk、qpsk、16qam和2fsk信号。

认知雷达在对外部电磁环境信号(辐射源信号)进行调制类型分类识别研究首先需要确定一定的信号形式集合。不同的信号类型具有不同的时频、包络及相位特征，需要使用的特征提取算法与信号分类算法都不尽相同。为了便于特征提取算法与信号分类机器学习算法的确定，本发明所针对的通信及雷达信号包括：sf、lfm、bpsk、qpsk、16qam、2fsk信号共6种信号形式。

信号自动调制分类方法，流程框图如图1所示。由于信号种类较多，采用了多特征多层分类的方法。

s2，第一层分类：利用短时傅里叶变换和朴素贝叶斯算法首先将6种信号集合分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}。

利用了上述两类信号时频特征的一阶导数标准差存在较大差异的特点。短时傅里叶变换基本思想是将信号加滑动时间窗，并对窗内信号做傅里叶变换，得到信号的时变频谱。信号x(n)的短时傅里叶变换公式为：

式中n为采样点数，l为时延，g(n)为窗函数，g^*(n-l)表示共轭运算。

6种信号做短时傅里叶变换后得到每个时窗段的频率信息，时频等高线图如图2所示。由图2(a)可知，sf信号的频率保持不变，相邻时窗段的峰值频率差为0，其标准差为0；由图2(b)可知，lfm信号的频率呈线性变化，相邻时窗段的峰值频率差保持不变，其标准差为0；由图2(c)、(d)和(e)可知，由于bpsk、qpsk和16qam信号在相位跳变时存在瞬时频率的变化，相邻时窗段的峰值频率差有大小起伏，其标准差较大；由图2(f)可知，2fsk信号有两种频率的变化，相邻时窗段的峰值频率差受两种频率的影响，其标准差较大。因此，可提取相邻时窗段峰值频率差(即峰值频率一阶导数)的标准差对6种信号进行分类。

首先求出信号短时傅里叶变换后每个时窗段的峰值频率，表达式为：

f＝max{|ξ(l,n)|}(2)

式中，f为所有时窗的峰值频率集合，相邻峰值频率一阶导数表达式为：

δf(i)＝f(i+1)-f(i),i＝1,2,...,m-1(3)

对峰值频率一阶导数求标准差β1，表达式为：

式中m为时窗个数，f(i)为第i个时窗段的峰值频率，为峰值频率一阶导数的均值。

在求出各信号峰值频率一阶导数的标准差β1后，在基于朴素贝叶斯方法进行分类。分类步骤如下：

首先定义6种雷达与通信信号的分类集合c＝{y1,y2}，y1表示{sf，lfm}，y2表示{bpsk，qpsk，16qam，2fsk}。

(1)确定特征属性及划分：特征属性β1表示峰值频率一阶导数的标准差。给出划分：β1:{β1＜ε1,β1≥ε1}，根据训练集确定分类门限ε1，分类集合y1和y2。

(2)获取训练样本：6种信号信噪比变化为10db、15db和20db，各种信号的参数设置如表1所示。

表1信号参数设置表

根据表1的参数设置，共构建1200个训练样本。

(3)计算样本特征属性值：训练样本的峰值频率一阶导数的标准差的特征分布图如图5所示。由图可知，sf信号和lfm信号的峰值频率一阶导数的标准差接近于0，而其余4种信号不为0。bpsk、qpsk和16qam信号的变化范围较大，而2fsk信号变化较小。

(4)确定特征属性划分区间：根据如图5所示分布图，门限ε1可选定的范围在0～0.6258之间，确定门限ε1为划分区间的中间值0.3129。

也就是说，在求出各信号峰值频率一阶导数的标准差β1后，设定门限ε1，若β1＜ε1的为{sf，lfm}信号，β1≥ε1的为{bpsk，qpsk，16qam，2fsk}信号。

s3，第二层分类左侧分支：利用时宽带宽积和朴素贝叶斯算法对sf信号和lfm信号进行分类。

将{sf，lfm}与{bpsk，qpsk，16qam，2fsk}在第一层区分后，在图1第二层左侧分支实现sf和lfm信号的分类。由于sf信号的时宽带宽积为定值1，lfm信号通过对载波频率进行调制(因为载波信号频率不变，lfm信号对载波频率做变换，使其频率呈线性变化，即载波频率调制)，增加了载波信号的发射带宽，时宽带宽积大于1，可以用该特征实现2种信号的区分。根据此差异，求出时宽带宽积，并结合朴素贝叶斯算法对sf信号和lfm信号进行区分。

时宽带宽积β2表达式为：

β2＝bw·tw(5)

式中，bw为信号的带宽，tw为信号的时宽。

在求出sf和lfm信号的时宽带宽积β2后，在基于朴素贝叶斯方法进行分类。分类步骤如下：

首先定义sf信号和lfm信号的分类集合c＝{y3,y4}，y3表示sf信号，y4表示lfm信号。

(1)确定特征属性及划分：特征属性β2表示时宽带宽积，给出划分β2:{β2＜ε2,β2≥ε2}，根据训练集确定门限ε2，集合y3和y4。

(2)获取训练样本：sf信号和lfm信号的信噪比变化为10db、15db和20db，参数设置如表1所示，共构建400个训练样本。

(3)计算样本特征属性值：训练样本的时宽带宽积按公式(5)求取。sf信号的是宽带宽积为定值1，而lfm信号时宽带宽积不为1且变化范围较大。根据计算结果，lfm信号的时宽带宽积取值从500～2000。

(4)确定特征属性划分区间：根据求得的时宽带宽积，门限ε2可选在1～500之间，由于时宽带宽积变化范围较大，确定门限ε2为划分区间的中间值250。

也就是说，在求出sf和lfm信号的时宽带宽积β2后，设定门限ε2，若β2＜ε2，则判断为sf信号，若β2≥ε2，则判断为lfm信号。

s4，第二层分类右侧分支：利用瞬时自相关实部标准差、频谱峰值个数、包络标准差等3种特征对bpsk、qpsk、16qam和2fsk进行区分。

具体做法是：计算4种信号的瞬时自相关，提取瞬时自相关实部标准差的信息作为一组特征参数，记为β3。提取包络标准差作为一组特征参数，记为β4。对4种信号做离散傅里叶变换，提取频谱峰值个数的信息作为一组特征参数，记为β5。最后，利用这三组特征参数构建三维特征向量平面空间{β3,β4,β5}，结合k-means聚类分析的算法将类似对象组成一类，识别出bpsk、qpsk、16qam和2fsk信号。在训练阶段，进行k-means算法所需的初始均值的求取，对训练样本进行分类，得到最优均值中心。在测试阶段，将训练出的最优均值作为测试样本的初始均值，再次利用k-means算法，最终实现信号调制类型分类。

(1)瞬时自相关特征提取

接受信号为x(n)，其瞬时自相关b(n,l)表达式为：

b(n,l)＝x(n)·x^*(n-l)(6)

式中，l为时延，b(n,l)没有时间积分，保留了相关处理的瞬时信息。

psk信号表达式为：

式中a为振幅，f0为载波频率，φi表示相位。psk信号瞬时自相关表达式为：

对应实部表达式为：

式中m为码元宽度中的取样数，时延l＜m，由式(9)可知，bpsk信号有0,π两种相位，同一码元内cos(2πf0l)为一定值，瞬时自相关实部输出为直流。当相邻码元间的相位跳变φi+1-φi为0时，即cos(2πf0l+0)＝cos(0)＝1，其瞬时自相关实部表现出正值跳变；当φi+1-φi为π时，即cos(2πf0l+π)＝cos(π)＝-1，其瞬时自相关实部表现出负值跳变，故bpsk信号瞬时自相关实部输出表现为2值跳变。而qpsk有四种相位，同一码元内cos(2πf0l)为一定值，瞬时自相关实部输出为直流。当相邻码元间的相位跳变φi+1-φi为0时，即cos(2πf0l+0)＝cos(0)＝1，其瞬时自相关实部表现出正值跳变；当φi+1-φi为π时，即cos(2πf0l+π)＝cos(π)＝-1，其瞬时自相关实部表现出负值跳变；当φi+1-φi为时，即其瞬时自相关实部表现出零值跳变，故qpsk信号瞬时自相关实部输出表现为3值跳变。

qam信号表达式为：

式中ai为幅度，qam信号瞬时自相关表达式为：

对应实部表达式为：

16qam具有多相位多幅度变化的特点。由式(12)可知，同一码元内a²cos(2πf0l)为定值，瞬时自相关实部输出为直流。相邻码元间的实部输出产生φi+1-φi的多种相位跳变和ai+1·ai的多种幅度跳变，故16qam瞬时自相关实部输出表现为多值跳变。

2fsk信号表达式为：

式中fi为载波频率，2fsk信号有两种频率变化，φ0为初始相位。瞬时自相关表达式为：

对应实部表达式为：

由式(15)可知，同一码元内cos(2πf0l)为定值，瞬时自相关实部输出为直流。相邻子码间，瞬时自相关实部输出为受相邻频差调制的突变信号。

根据上述分析，可提取基于瞬时自相关实部的特征来实现信号的区分。信号的瞬时自相关实轴投影图如图3所示，由图3(a)可知，bpsk信号的实部跳变为2值，由图3(b)可知，qpsk信号的实部跳变为3值，而16qam的实部为多值跳变，2fsk的实部为受相邻频差调制的突变信号，也表现为多值跳变，故4种信号实部标准差大小存在差异，可选取瞬时自相关实部标准差作为一组特征参数，表达式为：

式中，r(n)表示瞬时自相关实部，为其均值。

(2)包络标准差特征提取

由于16qam具有多幅度跳变的特点，而bpsk、qpsk和2fsk不具有幅度跳变的特点，因此可选取包络标准差作为特征参数，用以区分16qam信号与{bpsk，qpsk，2fsk}信号。包络标准差表达式为：

式中为信号的包络，为信号包络的均值。

(3)频谱峰值特征提取

由于bpsk、qpsk和16qam的频谱峰值个数具有多个，且受带宽大小影响变化范围较大，而2fsk频谱峰值个数基本维持在2个。bpsk和2fsk的频谱图如图4所示，设定门限ε3，图4(a)的bpsk信号可检测出多个频谱峰值，图4(b)的2fsk信号可检测出峰值个数为2，qpsk和16qam与bpsk类似。利用这个特点可以选取峰值个数作为一组特征参数。首先对信号x(n)做离散傅里叶变换，表达式为

选取0.707倍最大值处作为检测门限ε3，频谱峰值个数表达式为

(4)首先利用瞬时自相关实部标准差β3、包络标准差β4和频谱峰值个数β5三个特征，构建三维特征空间，在该空间利用k-means聚类算法区分2fsk信号，bpsk、qpsk和16qam信号。

k-means算法以误差平方和准则函数作为聚类的目标函数，误差平方和准则函数定义为

式中，k为聚类簇数，li为第i个簇中样本的集合，ρ表示该簇中的样本点，μi表示对应簇的中心点，dist表示样本点与中心点距离的计算方式为欧几里得距离。在样本点ρ不变的情况下，误差平方和准则函数的大小与聚类的中心点μi有关，为求得使j最小的聚类中心，可j对求导，令导数为0，表达式为

由式(22)可知，使误差平方准则函数最小的聚类中心点为簇中各点的均值。k-means算法需提前设置聚类簇数和初始均值。

基于k-means的分类步骤如下：

首先利用瞬时自相关实部标准差β3、包络标准差β4和频谱峰值个数β5三个特征，构建三维特征空间，在该空间利用k-means聚类算法区分2fsk信号，bpsk、qpsk和16qam信号，即实现图3第二层右侧分支的分类。样本集d＝{β3,β4,β5}，聚类簇数k＝4，对应4个初始均值向量为{μ1,μ2,μ3,μ4}。l1,l2,l3,l4分别表示bpsk、qpsk、16qam和2fsk信号对应的簇，初始时均为空集。循环以下几步，直到达到停止条件：

1)计算距离：分别计算每个样本点ρ到4个均值向量的欧式距离

2)按照距离最近准则进行归类：若

min{dist(ρ,μ1),dist(ρ,μ2),dist(ρ,μ3),dist(ρ,μ4)}＝dist(ρ,μ1)(24)

则ρ∈l1，即该样本点属于bpsk信号，其余三种情况类似。

3)产生新的均值向量：重新计算各个簇li的均值向量，产生新的均值向量

4)判断新旧均值向量有无变化，如果有变化就更新均值向量，新的均值向量取代旧均值向量。如果均值向量不再变化，则说明聚类准则函数j已收敛，输出4种信号的分类结果l1,l2,l3,l4。

实施例

采用计算机仿真验证多信号分类算法的识别性能。为产生基于参数各态历经性的数据样本，在训练和测试阶段产生不同参数条件下的信号，进行特征提取，实现分类。为防止参数变化过多导致的样本量过多，以及参数变化过少导致的样本覆盖不全面，本文主要考虑对分类影响较大的信噪比、带宽和码元速率等参数的变化，对分类影响不大的采样频率和载波频率等参数保持不变。

根据表1所示的参数设置产生sf、lfm、bpsk、qpsk、16qam和2fsk信号，按第一层的分类步骤实现基于朴素贝叶斯算法和峰值频率一阶导数的标准差的第一层分类，区分出{sf、lfm}和{bpsk、qpsk、16qam、2fsk}，接着按第二层左侧的分类步骤实现基于朴素贝叶斯算法和时宽带宽积的第二层左侧分支的分类，区分出sf信号和lfm信号，最后第二层右侧分支利用k-means算法实现分类，区分出bpsk、qpsk、16qam和2fsk信号。下面主要介绍区分bpsk、qpsk、16qam和2fsk信号的仿真过程。

在训练阶段，4种信号的信噪比变化为10db、15db和20db，按表1的参数设置共构建800个训练样本。根据16qam信号具有幅度跳变，包络标准差较大，而其他3种信号不具有幅度跳变，包络标准差较小，对4种信号取包络，提取包络标准差的信息作为一组特征参数，其特征分布图如图6所示，由图可知，4种信号的包络标准差大小受信噪比的影响有一定变化，在不同信噪比的情况下，16qam的包络标准差与另三种信号存在差异；再根据4种信号瞬时自相关实部输出的差异，对4种信号做瞬时自相关，提取瞬时自相关实部标准差的信息作为一组特征参数，其特征分布图如图7所示，由图可知，4种信号瞬时自相关实部标准差的大小受信噪比变化的影响，在不同信噪比情况下，bpsk的瞬时自相关实部标准差与qpsk信号存在差异；然后根据4种信号频谱峰值的差异，对信号做傅里叶变换，提取频谱峰值个数的信息作为一组特征参数，其特征分布图如图8所示，由图可知，bpsk、qpsk和16qam的频谱峰值个数变化范围较大，而2fsk信号的频谱峰值个数维持在2个；最后，利用这三组特征参数构建三维特征向量平面空间，结合k-means算法实现信号分类，分类结果如图9所示。从图中可看出，利用瞬时自相关实部标准差、包络标准差和频谱峰值个数构建三维联合特征，可将bpsk、qpsk、16qam和2fsk区分开。

在测试阶段，产生测试样本，测试算法在不同信噪比下的性能。

在不同信噪比情况下，sf、lfm、bpsk、qpsk、16qam和2fsk信号的分类正确率如表2所示。由表2可知，各信号分类正确率随信噪比的增大而增大，在信噪比达到15db时，该分类结构性能较好。

表2不同信噪比下sf、lfm、bpsk、qpsk、16qam和2fsk的分类正确率

本发明方法利用时频分析、瞬时自相关和傅里叶变换等信号处理算法提取其调制特征，基于朴素贝叶斯和k-means的机器学习算法，实现了不同调制类型的雷达与通信信号的逐层分类。仿真结果表明，该多信号分类算法网络可有效实现6种不同调制类型的信号分类。

相应的，本发明还提供了一种基于k-means的信号自动调制分类系统，其特征是，信号类型确定模块、第一层分类模块、第二层左侧分类模块和第二层右侧分类模块；

信号类型确定模块，用于确定不同调制类型信号，包括sf、lfm、bpsk、qpsk、16qam和2fsk信号；

第一层分类模块，用于利用短时傅里叶变换获取6个信号的时频平面峰值频率一阶导数的标准差，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}；

第二层左侧分类模块，用于利用时宽带宽积对sf信号和lfm信号进行分类；

第二层右侧分类模块，用于利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类。

进一步的，第一层分类模块中，基于标准差将6个信号分为两个大类{sf，lfm}与{bpsk，qpsk，16qam，2fsk}的具体过程为：

基于各信号峰值频率一阶导数的标准差β1，设定门限ε1，若β1＜ε1的为{sf，lfm}信号，β1≥ε1的为{bpsk，qpsk，16qam，2fsk}信号。

进一步的，第二层左侧分类模块中，利用时宽带宽积对sf信号和lfm信号进行分类包括：

基于sf和lfm信号的时宽带宽积β2，设定门限ε2，若β2＜ε2，则判断为sf信号，若β2≥ε2，则判断为lfm信号。

进一步的，第二层右侧分类模块中，利用瞬时自相关实部标准差、频谱峰值个数和包络标准差特征对bpsk、qpsk、16qam和2fsk进行分类的具体过程为：

分别4种信号的瞬时自相关，提取瞬时自相关实部标准差的信息作为一组特征参数，记为β3；

提取包络标准差作为一组特征参数，记为β4；

对4种信号做离散傅里叶变换，提取频谱峰值个数的信息作为一组特征参数，记为β5；

利用这三组特征参数构建三维特征向量平面空间{β3,β4,β5}，结合k-means聚类分析的算法将类似对象组成一类，识别出bpsk、qpsk、16qam和2fsk信号。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。