一种基于块平滑神经网络的高光谱数据分析方法和系统与流程

[0001]
本发明实施例涉及高光谱数据分析技术领域，尤其涉及一种基于块平滑神经网络的高光谱数据分析方法和系统。


背景技术：

[0002]
高光谱传感技术应用场景广泛，包括食品掺假检测、水果糖度检测、药品成分分析及假药鉴定、微生物含量检测、有机质含量检测等。然而在高光谱无损检测领域，检测算法的精度与鲁棒性一直有待提高，阻碍其实际应用推广。其中一个问题就是高光谱无损检测中，高光谱数据的空间信息未得到充分利用，目前大部分的算法仍然是采用有效区域的平均光谱进行建模。这种方法得到的模型鲁棒性较差，对于光谱噪声十分敏感，噪声扰动会导致预测结果产生较大偏差。近年来，一些研究中提取高光谱数据的形态学信息作为空间信息，与平均光谱信息联合进行建模。这种方法属于“空谱联合”模型的初步探索，但由于形态学信息属于较低级的图像学信息，因此“空谱联合”建模仍有巨大的研究空间。
[0003]
模型预测结果的空间平滑性是高光谱建模领域的重要先验信息，充分利用该先验信息可显著提升建模的精度与鲁棒性。在高光谱遥感领域，对于地物目标分类的像素级分类任务，现阶段已有的研究采用邻域投票或采用光谱块作为中心像素的建模信息，来达到增强预测的空间平滑性、减少预测中“椒盐噪声”的目的。然而在高光谱无损检测领域，由于是对物品级高光谱信号进行预测，因此如何对空间平滑性的先验信息进行利用，有待进一步的研究。


技术实现要素：

[0004]
本发明实施例提供一种基于块平滑神经网络的高光谱数据分析方法和系统，将一个高光谱样本随机切割多个光谱块，块之间共享一套神经网络权值参数，并设计块平滑损失函数来提升块预测结果的空间平滑性，从而达到提升网络预测精度与鲁棒性的目的。
[0005]
第一方面，本发明实施例提供一种基于块平滑神经网络的高光谱数据分析方法，包括：
[0006]
采集每个待分析样本的高光谱图像；
[0007]
对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0008]
基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0009]
将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0010]
作为优选的，并进行神经网络训练，具体包括：
[0011]
构建平滑神经网络，所述平滑神经网络包括一维卷积层、一维池化层、全连接层和输出层；
[0012]
构建平滑神经网络损失函数：
[0013]
l＝α*l
mean
+β*l
patch
+γ*l
smooth
[0014]
其中，l
mean
为总体平均光谱损失函数，l
patch
为块光谱损失函数，l
smooth
为块平滑损失函数；α、β、γ为取值于[0，1]之间的常系数；
[0015]
采用梯度下降方法训练块平滑神经网络损失函数。
[0016]
作为优选的，所述总体平均光谱损失函数为为平均光谱预测输出与待分析样本标签值之间的损失函数：
[0017][0018]
其中，为总体平均光谱通过网络后得到的预测值，y为待分析样本真值。
[0019]
作为优选的，所述块光谱损失函数为块光谱预测输出均值与待分析样本标签值之间的损失函数：
[0020][0021]
其中，为每个块平均光谱通过网络后得到的预测值，y为待分析样本真值。
[0022]
作为优选的，所述块平滑损失函数为将光谱块两两组对，以块距离为系数约束其预测值差距：
[0023][0024][0025]
其中，和分别为两个不同块平均光谱的预设值，d
ij
为块平均光谱i和块平均光谱j之间的欧式距离；y为待分析样本真值；为块平均光谱i的中心坐标，为块平均光谱j的中心坐标。
[0026]
作为优选的，进行神经网络训练时，所述块平均光谱和所述总体平均光谱共用一套神经网络参数。
[0027]
作为优选的，还包括：
[0028]
基于训练好的块平滑神经网络进行样本预测，样本预测结果为总体平均光谱预测值和块平均光谱预测值的融合结果，预测输出为：
[0029][0030]
其中，y
mean
为总体平均光谱经过块平滑神经网络得到的预测值，为每个块平均光谱经过块平滑神经网络得到的预测值，α’、β’取值为0.5。
[0031]
第二方面，本发明实施例提供一种基于块平滑神经网络的高光谱数据分析系统，包括：
[0032]
高光谱图像采集模块，采集每个待分析样本的高光谱图像；
[0033]
光谱处理模块，对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0034]
基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0035]
块平滑神经网络，将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0036]
第三方面，本发明实施例提供一种电子设备，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计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述基于块平滑神经网络的高光谱数据分析方法的步骤。
[0037]
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于块平滑神经网络的高光谱数据分析方法的步骤。
[0038]
本发明实施例提供的一种基于块平滑神经网络的高光谱数据分析方法和系统，总体平均光谱与多个块平均光谱共享同一套神经网络权值，在训练过程中同时减小总体平均光谱的均方误差与块平均预测值的均方误差，相对于传统的采用平均光谱建模方法，该方法可对网络参数达到正则化效果，抑制权值的过拟合，增强网络抗干扰性；设计了块平滑损失函数，该损失函数的加入，可提升块预测的连续性与平滑性，抑制邻近块预测值的突变，令邻近的块预测值平滑过渡；利用该先验空间信息，可进一步提升网络的抗噪能力，提升预测的精度与模型鲁棒性。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为根据本发明实施例的基于块平滑神经网络的高光谱数据分析方法流程框图；
[0041]
图2为根据本发明实施例的基于块平滑神经网络的高光谱数据分析系统结构示意图；
[0042]
图3为根据本发明实施例的实体结构示意图。
具体实施方式
[0043]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
[0045]
本申请实施例中的术语“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。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“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。
[0046]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0047]
在高光谱遥感领域，对于地物目标分类的像素级分类任务，现阶段已有的研究采用邻域投票或采用光谱块作为中心像素的建模信息，来达到增强预测的空间平滑性、减少预测中“椒盐噪声”的目的。然而在高光谱无损检测领域，由于是对物品级高光谱信号进行预测，因此如何对空间平滑性的先验信息进行利用，有待进一步的研究。
[0048]
因此，本发明实施例提供一种基于块平滑神经网络的高光谱数据分析方法和系统，总体平均光谱与多个块平均光谱共享同一套神经网络权值，在训练过程中同时减小总体平均光谱的均方误差与块平均预测值的均方误差，相对于传统的采用平均光谱建模方法，该方法可对网络参数达到正则化效果，抑制权值的过拟合，增强网络抗干扰性。以下将通过多个实施例进行展开说明和介绍。
[0049]
图1为本发明实施例提供一种基于块平滑神经网络的高光谱数据分析方法，可应用于高光谱无损检测、食品掺假检测、水果糖度检测、药品成分分析及假药鉴定、微生物含量检测和有机质含量检测中，包括：
[0050]
步骤s1、采集每个待分析样本的高光谱图像；
[0051]
步骤s2、对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0052]
步骤s3、基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0053]
步骤s4、将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0054]
具体的，在步骤s2中，构建样本数据具体步骤如下：
[0055]
s201.采用分水岭算法对高光谱数据进行分割，得到每个样本的有效像素。
[0056]
s202.将所有有效像素的光谱进行平均得到总体平均光谱；
[0057]
s203.在样本有效像素范围内，选择n个随机位置的有效像素矩形块，每个矩形块的尺寸为w
×
w，块中心点位置坐标为(c1,c2)。对每个矩形块在光谱维求平均，得到n个块平均光谱；
[0058]
s204.将总体平均光谱与n个块平均光谱作为一个样本数据。
[0059]
步骤s4中，构建块平滑神经网络，如图2中所示，该网络由一维卷积层、一维池化层、全连接层、输出层组成。具体结构为：一维卷积层-一维池化层-一维卷积层-一维池化层-一维卷积层-一维池化层-全连接层-输出层。其中一维卷积层的厚度为32，卷积核尺寸
为5
×
1；一维池化层的池化窗口和步长为2
×
1；全连接层节点数为32；输出层通过softmax非线性激励函数得到预测值。
[0060]
在本实施例中，采用总体平均光谱与多个块平均光谱共享同一套神经网络权值，在训练过程中同时减小总体平均光谱的均方误差与块平均预测值的均方误差，相对于传统的采用平均光谱建模方法，该方法可对网络参数达到正则化效果，抑制权值的过拟合，增强网络抗干扰性。
[0061]
在一个实施例中，并进行神经网络训练，具体包括：
[0062]
构建平滑神经网络，所述平滑神经网络包括一维卷积层、一维池化层、全连接层和输出层；
[0063]
构建平滑神经网络损失函数：
[0064]
l＝α*l
mean
+β*l
patch
+γ*l
smooth
[0065]
其中，l
mean
为总体平均光谱损失函数，l
patch
为块光谱损失函数，l
smooth
为块平滑损失函数；α、β、γ为取值于[0，1]之间的常系数；
[0066]
采用梯度下降方法训练块平滑神经网络损失函数。
[0067]
具体的，在本实施例中，构建块平滑神经网络损失函数，具体由总体平均光谱损失函数、块光谱损失函数、块平滑损失函数构成；其中，总体平均光谱损失函数为平均光谱预测输出与样本标签值之间的损失函数，块光谱损失函数为块光谱预测输出均值与样本标签值之间的损失函数，块平滑损失函数为将光谱块两两组对，以块距离为系数约束其预测值差距。
[0068]
在一个实施例中，所述总体平均光谱损失函数为平均光谱预测输出与待分析样本标签值之间的损失函数：
[0069][0070]
其中，为总体平均光谱通过网络后得到的预测值，y为待分析样本真值。
[0071]
在一个实施例中，所述块光谱损失函数为块光谱预测输出均值与待分析样本标签值之间的损失函数：
[0072][0073]
其中，为每个块平均光谱通过网络后得到的预测值，y为待分析样本真值。
[0074]
在一个实施例中，块平滑损失函数l
smooth
的目的是为了增进块预测值之间的连续性与平滑性，即令空间位置相近的块应具有相近的预测值，具体为将光谱块两两组对，以块距离为系数约束其预测值差距：
[0075][0076][0077]
其中，和分别为两个不同块平均光谱的预设值，d
ij
为块平均光谱i和块平均光谱j之间的欧式距离；y为待分析样本真值；为块平均光谱i的中心坐标，
为块平均光谱j的中心坐标。
[0078]
在一个实施例中，采用梯度下降方法训练块平滑神经网络损失函数，其中块光谱与平均光谱共享同一套神经网络参数。
[0079]
在一个实施例中，还包括：
[0080]
基于训练好的块平滑神经网络进行样本预测，样本预测结果为总体平均光谱预测值和块平均光谱预测值的融合结果，预测输出为：
[0081][0082]
其中，y
mean
为总体平均光谱经过块平滑神经网络得到的预测值，为每个块平均光谱经过块平滑神经网络得到的预测值，α’、β’取值为0.5。
[0083]
以下为根据本发明实施例的方法对三文鱼菌落总数进行预测。具体步骤如下：
[0084]
s1、对样本进行高光谱成像数据采集：共采集200个三文鱼样本，高光谱波段为900nm-1700nm,共256通道，去除头尾100nm高噪声段，共180个光谱特征用于建模。三文鱼样本在0～4℃储藏0-7天，获得菌落总数范围为2.5～8.9log cfu/g的样本。
[0085]
s2、构建样本数据，具体步骤如下：
[0086]
s201、采用分水岭算法对高光谱数据进行分割，得到每个样本的有效像素。分割得到的三文鱼有效高光谱图像放入200
×
200pixel的空白背景中。
[0087]
s202、将所有有效像素的光谱进行平均得到总体平均光谱，得到200样本的总体平均光谱；
[0088]
s3、在样本有效像素范围内，每个样本选择100个随机位置的有效像素矩形块，每个矩形块的尺寸为10
×
10，块中心点位置坐标为(c1,c2)，具体为中心点的在分割得到的高光谱图像中的行数与列数。对每个矩形块在光谱维求平均，每个样本得到100个块平均光谱；
[0089]
s401、将总体平均光谱与100个块平均光谱作为一个样本的数据；
[0090]
构建训练集与测试集：其中随机选择150个样本作为训练集，50个样本作为测试集。
[0091]
s402、构建块平滑神经网络，该网络由一维卷积层、一维池化层、连接层、输出层组成。具体结构为：一维卷积层-一维池化层-一维卷积层-一维池化层-一维卷积层-一维池化层-全连接层-输出层。其中一维卷积层的厚度为32，卷积核尺寸为5
×
1；一维池化层的池化窗口和步长为2
×
1；全连接层节点数为32；输出层通过softmax非线性激励函数得到预测值。
[0092]
s403、构建块平滑神经网络损失函数，具体由平均光谱损失函数、块光谱损失函数、块平滑损失函数构成：
[0093]
l＝α*l
mean
+β*l
patch
+γ*l
smooth
[0094]
l
mean
、l
patch
、l
smooth
分别为总体平均光谱损失函数、块光谱损失函数、块平滑损失函数，α、β、γ为取值分别为0.5，0.5和0.1。
[0095]
其中，总体平均光谱损失函数l
mean
为平均光谱预测输出与样本标签值之间的损失
函数：
[0096][0097]
为总体平均光谱通过网络后得到的预测值，y为样本真值。
[0098]
块光谱损失函数l
patch
为块光谱预测输出均值与样本标签值之间的损失函数：
[0099][0100]
其中为每个块平均光谱通过网络后得到的预测值。为了提升网络计算速度，每次梯度下降过程，从100个块光谱中随机选择4个光谱块计算块光谱损失函数与块平滑损失函数。
[0101]
块平滑损失函数l
smooth
的目的是为了增进块预测值之间的连续性与平滑性，即令空间位置相近的块应具有相近的预测值，具体约束方式为将光谱块两两组对，以块距离为系数约束其预测值差距：
[0102][0103]
其中和两个不同块的预测值，d
ij
为块i和块j之间的欧式距离，具体计算方法为：
[0104][0105]
其中(c1，c2)为每个块中心点像素的位置坐标。
[0106]
s404、采用梯度下降方法训练块平滑神经网络损失函数，其中块光谱与平均光谱共享同一套神经网络参数，共训练5000个epoch，学习率为1
×
10-3
；
[0107]
s405、利用训练好的块平滑神经网络进行样本预测，其结果为总体平均光谱预测值与块平均光谱预测值的融合结果。预测输出为：
[0108][0109]
其中，为总体平均光谱经过网络得到的预测值，为每个高光谱块经过网络得到的预测值，α
′
、β
′
为取值为0.5。在预测过程中，块光谱的输出为100个块光谱输出的平均值。
[0110]
进行10次随机抽样及相应的训练，分类结果取平均值用于模型评价。采用总体平均光谱作为输入特征的偏最小二乘回归(pls)及卷积神经网络(cnn)作为两种对比方法。pls方法中主成分数由训练集交叉验证得到，cnn方法中的参数设置与本发明方法保持一致，从而获得公平的结果对比。10次建模计算的结果对比见表1。
[0111][0112]
表1预测结果对比结果
[0113]
由计算结果可见，本发明实施例所述方法对于该数据集的平均误差为0.61
±
0.08，pls方法的预测平均误差为0.69
±
0.12，cnn方法的预测平均误差为0.71
±
0.15，预测精度显著提升。
[0114]
本发明实施例还提供一种基于块平滑神经网络的高光谱数据分析系统，基于上述各实施例中的基于块平滑神经网络的高光谱数据分析方法，包括：
[0115]
高光谱图像采集模块，采集每个待分析样本的高光谱图像；
[0116]
光谱处理模块，对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0117]
基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0118]
块平滑神经网络，将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0119]
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述基于块平滑神经网络的高光谱数据分析方法的步骤。例如包括：
[0120]
采集每个待分析样本的高光谱图像；
[0121]
对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0122]
基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0123]
将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0124]
此外，上述的存储器830中的逻辑指令可以通过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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0125]
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述基于块平滑神经网络的高光谱数据分析方法的步骤。例如包括：
[0126]
采集每个待分析样本的高光谱图像；
[0127]
对所述高光谱图像进行分割，得到每个待分析样本的有效像素；
[0128]
基于所有待分析样本的有效像素得到总体平均光谱，在每个待分析样本的有效像素范围内，选择n个随机位置的有效像素矩形块，获取所述有效像素矩形块在光谱维的平均值，得到n个块平均光谱；
[0129]
将总体平均光谱和n个块平均光谱作为一个待分析样本的数据，构建训练集和测试集，并进行神经网络训练，得到用于对待分析样本进行预测的块平滑神经网络。
[0130]
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
[0131]
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
[0132]
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
[0133]
综上所述，本发明实施例提供的一种基于块平滑神经网络的高光谱数据分析方法和系统，总体平均光谱与多个块平均光谱共享同一套神经网络权值，在训练过程中同时减小总体平均光谱的均方误差与块平均预测值的均方误差，相对于传统的采用平均光谱建模方法，该方法可对网络参数达到正则化效果，抑制权值的过拟合，增强网络抗干扰性；设计了块平滑损失函数，该损失函数的加入，可提升块预测的连续性与平滑性，抑制邻近块预测值的突变，令邻近的块预测值平滑过渡；利用该先验空间信息，可进一步提升网络的抗噪能力，提升预测的精度与模型鲁棒性。
[0134]
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
[0135]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid statedisk)等。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：rom或随机存储记忆体ram、磁碟或者光盘等各种可存储程序代码的介质。
[0137]
最后应说明的是：以上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。