基于负荷约束的协作学习优化方法、系统、设备及介质

1.本发明涉及协作学习技术领域，尤其是一种基于负荷约束的协作学习优化方法、系统、设备及介质。


背景技术：

2.协作学习是学习者通过交互协作的方式进行目标达成的一种学习模式，是通过在特定主题的引导下，学习者以小组为单位自由地分享观念、情感和态度，促进群体智能的产生与迭代，达到知识和能力的全面增长，已成为教育信息化背景下的主要教育教学方式。现有研究主要聚焦于协作学习中组内成员之间的交互以及信任度因素，而忽略了认知负荷失衡对学习者学习效用产生的重要影响，并未涉及协作学习中学习者的协作演化状态的研究，并未考虑后续如何优化学习者的协作演化状态。


技术实现要素：

3.有鉴于此，本发明实施例提供一种基于负荷约束的协作学习优化方法、系统、设备及介质，以实现促进协作学习的学习效果。
4.一方面，本发明提供了一种基于负荷约束的协作学习优化方法，包括：
5.获取协作过程数据；
6.根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型；
7.对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合；
8.对初始协作学习演化模型进行优化策略设计，确定策略实施下的目标演化模型；
9.根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略下的趋势表征处理，确定目标演化趋势表征集合；
10.根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法。
11.可选地，所述协作过程数据包括知识关键词向量集合、交互内容关键词向量集合、协作学习任务和学习绩效，所述获取协作过程数据包括：
12.对协作学习过程中的知识点和交互内容分别进行关键词提取，确定知识点关键词和交互内容关键词；
13.对所述知识点关键词和交互内容关键词分别进行向量化表示，确定知识点关键词向量集合和交互内容关键词向量集合；
14.从协作学习过程中获取协作学习任务类型和学习绩效。
15.可选地，所述根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型，包括：
16.对所述协作过程数据进行指标量化，根据量化指标确定协作学习状态；
17.根据协作学习任务确定协作任务时间；
18.确定初始协作学习演化模型，所述初始协作学习演化模型包括协作学习状态、协作学习任务和协作任务时间。
19.可选地，所述对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合，包括：
20.对所述初始协作学习演化模型中的协作学习状态进行微分表示，确定协作学习状态演化趋势集合；
21.根据状态转移概率、演化流失和演化融入对协作学习状态演化趋势集合进行表征，确定初始演化趋势表征集合。
22.可选地，所述对初始协作学习演化模型进行优化策略设计，确定目标演化模型，包括：
23.对所述初始协作学习演化模型添加协作优化策略，确定目标演化模型，所述协作优化策略包括学习增效策略、协作强化策略和活动优化策略。
24.可选地，所述根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略支持下的趋势表征处理，确定目标演化趋势表征集合，包括：
25.对所述目标演化模型的优化策略设置优化权重，根据所述优化权重进行优化策略趋势表征处理，确定目标演化趋势表征集合。
26.可选地，所述根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法，包括：
27.根据负荷约束对目标演化模型进行多目标优化分析，确定优化目标函数；所述负荷约束包括多目标优化策略的代价损失和代价权重；
28.根据所述目标演化趋势表征集合对优化目标函数进行最优化求解，确定策略调节参数；
29.根据所述策略调节参数对优化策略进行调整，确定协作学习优化方法。
30.另一方面，本发明实施例还公开了一种基于负荷约束的协作学习优化系统，包括：
31.第一模块，用于获取协作过程数据；
32.第二模块，用于根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型；
33.第三模块，用于对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合；
34.第四模块，用于对初始协作学习演化模型进行优化策略设计，确定策略实施下的目标演化模型；
35.第五模块，用于根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略趋势表征处理，确定目标演化趋势表征集合；
36.第六模块，用于根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法。
37.另一方面，本发明实施例还公开了一种电子设备，包括处理器以及存储器；
38.所述存储器用于存储程序；
39.所述处理器执行所述程序实现如前面所述的方法。
40.另一方面，本发明实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
41.另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
42.本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明实施例通过获取协作过程数据；根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型；对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合；对初始协作学习演化模型进行优化策略设计，确定策略实施下的目标演化模型；根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略趋势表征处理，确定目标演化趋势表征集合；根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法。本发明通过对协作学习过程进行趋势表征和演化建模，并利用基于负荷约束的多目标优化方法，能够对学习者的协作演化状态进行描述和引导，促进了协作学习的学习效果。
附图说明
43.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，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。
44.图1为本发明实施例的一种基于负荷约束的协作学习优化方法流程图；
45.图2为本发明实施例的一种初始协作学习演化模型结构图；
46.图3为本发明实施例的一种目标演化模型结构图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.参照图1，本发明实施例提供一种基于负荷约束的协作学习优化方法，包括：
49.s101、获取协作过程数据；
50.s102、根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型；
51.s103、对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合；
52.s104、对初始协作学习演化模型进行优化策略设计，确定策略实施下的目标演化模型；
53.s105、根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略趋势表征处理，确定目标演化趋势表征集合；
54.s106、根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法。
55.进一步作为优选的实施方式，上述步骤s101中，所述协作过程数据包括知识关键词向量集合、交互内容关键词向量集合、协作学习任务和学习绩效，所述获取协作过程数据包括：
56.对协作学习过程中的知识点和交互内容分别进行关键词提取，确定知识点关键词和交互内容关键词；
57.对所述知识点关键词和交互内容关键词分别进行向量化表示，确定知识点关键词向量集合和交互内容关键词向量集合；
58.从协作学习过程中获取协作学习任务类型和学习绩效。
59.其中，在本发明实施例中，协作过程数据为学习者在一门在线学习课程中进行知识点学习所产生的数据，可以包括知识关键词向量集合、交互内容关键词向量集合、协作学习任务和学习绩效。在知识点的学习过程中，本实施例通过对知识点内容进行关键词提取和向量化表示，能够得到知识关键词向量集合。在学习过程中，在线学习的主要形式之一即采用协作任务形式，通过学习者之间的在线交流，完成各知识点的学习。在此过程中，每一位学习者的交流文本是协作交互的主要信息载体，根据交流文本或其他交流方式能够得到交互内容。本发明实施例对交互内容进行关键词提取和向量化表示，得到交互内容关键词向量集合。本实施例采用top-k关键词提取技术和glove向量化技术作为关键词提取和向量化表示的技术，可以理解的是，本发明还可采用其他关键词提取技术和向量化技术从而得到知识关键词向量集合和交互内容关键词向量集合。而协作学习任务为协作学习过程中的学习任务，在本实施例中可包括以下三类学习任务，e1为知识讲授相关活动任务，通常发生在协作学习初期，由已录制好的视频资料等进行基本知识点的讲解、总结，以及设置分组、任务布置等。e2为协作交流任务，针对协作学习过程，在学习者掌握了一定的知识后，通过设置一定的任务情境，进行交流讨论或协作探究。e3为自我学习任务，该部分主要由学习者自身完成，根据已有的学习资源或学习者自行搜索资料，进行自主知识建构的过程。而学习绩效即为在完成每一知识点学习后，通过设置对应的测验检验学习者学习效果，在学习知识点后取得的评价得分。
60.进一步作为优选的实施方式，上述步骤s102中，所述根据所述协作过程数据进行协作学习演化建模处理，确定初始协作学习演化模型，包括：
61.对所述协作过程数据进行指标量化，根据量化指标确定协作学习状态；
62.根据协作学习任务确定协作任务时间；
63.确定初始协作学习演化模型，所述初始协作学习演化模型包括协作学习状态、协作学习任务和协作任务时间。
64.参照图2，本发明实施例对协作过程数据进行指标量化，量化指标为知识掌握度和有效协作交互度，通过对量化指标进行计算能够得到协作学习状态。在线协作学习过程的知识掌握度以学习者在当前阶段已学知识的测试结果相较总分的占比进行计算，计算公式如下所示：
65.66.式中，ka
ij
表示第i名学习者在学习第j个知识点时的知识掌握度，i、j和k均表示为正整数，n为学习者总人数，p
ik
表示第i名学习者在学习第k个知识点后的测试成绩，p
′k表示第k项测试总分。
67.本实施例还定义了第一阈值ρ1与第二阈值ρ2(ρ1,ρ2∈[0,1])分别表示知识的部分掌握与完全掌握分界，在本实施例中ρ1＝0.3，ρ2＝0.85，通过计算得到学习者的知识掌握度与第一阈值和第二阈值进行比较，可以得出学习者的知识掌握程度。
[0068]
本实施例还针对交互内容与目标知识内容的相关性，定义为e[]为协方差计算，ktj表示对于第j个知识点的top-k关键词集合，ct
ij
表示第i名学习者在学习第j个知识点时发布文本内容的的top-k关键词集合，为ktj与ct
ij
的标准差，分别为ktj与ct
ij
的均值，d∈[1,n]表示正整数，n表示交互次数，以每次交互内容与主题的相关性作为衡量有效交互度的判断标准，对有效协作交互度ec
ij
进行如下计算：
[0069][0070]
本实施例为了判断学习者的有效交互程度，定义阈值ζ作为衡量有效协作交互的判别分界，在本实施例ζ＝0.75。参照图2，基于上述知识掌握度与有效协作交互度的计算结果，结合实际情况下的阈值设置，以此为依据将学习者的协作学习状态进行如下划分：
[0071]
(1)初始状态b：符合条件ka
ij
《ρ1,ec
ij
《ξ；
[0072]
(2)已掌握部分知识而无有效协作pn：符合条件ρ1《ka
ij
《ρ2,ec
ij
《ξ；
[0073]
(3)掌握部分知识并有效协作ps：符合条件ρ1《ka
ij
《ρ2,ec
ij
》ξ；
[0074]
(4)完全掌握但无有效协作cn：符合条件ka
ij
》ρ2,ec
ij
《ξ；
[0075]
(5)完全掌握并有效协作cs：符合条件ka
ij
》ρ2,ec
ij
》ξ。
[0076]
在确定协作学习状态时，根据协作学习任务能够得到协作任务时间，根据协作学习状态、协作学习任务和协作任务时间进行初始协作学习演化模型建模，定义协作演化模型为cln＝(s,e,t)，其中s表示协作过程学习者状态，e表示协作学习活动，t表示时间流程，得到初始协作学习演化模型。随着协作学习开展，学习者会被划分为不同的组别，对于第gi组学习者而言，在各项学习活动的影响下会达到不同的学习状态，以此将cln划分为3个阶段，每个阶段涵盖了学习者达到的不同学习状态，由此构成了学习者协作状态函数集段，每个阶段涵盖了学习者达到的不同学习状态，由此构成了学习者协作状态函数集其中，gi(t)为第gi组学习者在第t时刻的协作状态占比函数。此外，对于不同的协作任务的开展，随任务进展实现的状态转移概率p(s)可根据知识传递过程差异，可以分别定义为e1:α1～α4,e2:β1～β5,e3:γ1～γ7。其中，α1～α4表示e1活动在不同状态转移时的概率权重，β1～β5表示e2活动在不同状态转移时的概率权重，γ1～γ7表示e3活动在不同状态转移时的概率权重。各个阶段的变更情况是随着学习时间的改变，共同形成稳态变化的系统动力学模型，即cln应符合以下初始条件：
[0077][0078]
且动态模型在任意时刻t满足条件：
[0079][0080]
根据上述逻辑，可构建得到初始协作学习演化模型，如图2所示，初始阶段(b)：该部分表示学习者处于学习的起始状态，其并未受到e1、e2、e3任一学习活动的影响，待在线
学习活动开展后，学习者将会采用e1+e3或e1+e2+e3的方式对目标知识进行学习。部分掌握阶段(pn与ps)：该部分包含两个状态，其中pn表示学习者采用e1+e3的方式通过初始阶段后达到了已掌握部分知识但无协作的状态，此状态表示学习者通过一段时间学习后，已具有一定的相关知识储备，但并未完全掌握本课程所学内容，且此类学习者尚未与他人进行协作探究；而ps表示处于初始阶段的学习者采用e1+e2+e3的方式或处于pn状态的学习者采用e2的方式达到了掌握部分知识并有效协作的状态，此状态表示学习者虽未完全掌握本节课程所学内容，但已能与其它学习者进行有效协作交流探究。完全掌握阶段(cn与cs)：该部分包含两个状态，其中cn表示学习者已达到了基本掌握所有知识点，但未能与他人进行有效协作讨论的状态。此状态可从pn状态通过e3的方式达到，以及处于b状态的学习者在通过教师知识讲授后即能凭借其突出的自学能力直接进入；cs则表示学习者达到了已基本掌握所有知识点，又兼具协作讨论的状态。有多条路径可进入此状态：如处于b状态的具备较强学习能力者采用e1+e2+e3的方式直接进入，或处于pn及ps状态的学习者采用e2+e3的方式进入。
[0081]
进一步作为优选的实施方式，上述步骤s103中，所述对所述初始协作学习演化模型进行演化趋势计算，确定初始状态演化趋势表征集合，包括：
[0082]
对所述初始协作学习演化模型中的协作学习状态进行微分表示，确定协作学习状态演化趋势集合；
[0083]
根据状态转移概率、演化流失和演化融入对协作学习状态演化趋势集合进行表征，确定初始演化趋势表征集合。
[0084]
其中，本实施例对协作演化过程进一步进行分析，能够对演化过程的趋势进行研究从而提高协作学习的学习效果。本实施例通过对协作学习状态进行微分表示，即在已构建的初始协作学习演化模型基础上，得到初始演化趋势表征集合y，表示为：
[0085][0086]
式中，表示第gi组学习者在第t时刻协作状态占比函数的微分计算(导数)，即函数演化趋势，其中在以上论述中均有说明。接着，本实施例根据状态转移概率p(e)、演化流失y
out
和演化融入y
in
对协作学习状态演化趋势集合进行表征，其中，协作状态对应的演化流失表示y
out
与演化融入表示y
in
计算如下：
[0087][0088][0089]
上式中，y
out
表示在经过协作演化过程后，协作状态在整体系统中减少的情况；y
in
表示演化趋势中状态增加的部分；l为状态的转入/转出连接总数，i表示正整数，s(i)表示协作状态。
[0090]
根据演化流失表示y
out
与演化融入表示y
in
可计算得到初始演化趋势表征集合：
[0091]
[0092][0093][0094][0095][0096]
上式中所有变量均与在上述说明书中进行说明，在此不再做重复论述。
[0097]
进一步作为优选的实施方式，上述步骤s104中，所述对初始协作学习演化模型进行优化策略设计，确定策略支持下的目标演化模型，包括：
[0098]
对所述初始协作学习演化模型设计协作优化策略，确定策略实施下的目标演化模型，所述协作优化策略包括学习增效策略、协作强化策略和活动优化策略。
[0099]
其中，本发明实施例在初始协作学习演化模型基础上提出基于多目标优化的协作学习效能优化机制，该机制针对协作学习中的信息传播与知识建构过程，通过三类优化策略对学习者状态进行直接/间接的协作学习引导：(1)协作学习增效策略m1：提供学习诊断报告、重点资源推荐、学习任务提示等方式，使学习者能够快速掌握协作所需的重点知识；(2)协作强化策略m2：提供特定的协作任务与活动辅助，结合主题偏离提醒、可视化雷达图、主题词云等方式，增强小组整体的协作效能；(3)协作学习活动优化策略m3：在知识掌握与协作意愿两个方面进行强化，如角色分工调整、优秀作品评鉴、分享激励机制，实现整体协作学习水平的提升。本实施例通过对所述初始协作学习演化模型添加协作优化策略，得到目标演化模型，如图3所示。
[0100]
进一步作为优选的实施方式，上述步骤s105中，所述根据所述目标演化模型对所述初始演化趋势表征集合进行优化策略趋势表征处理，确定目标演化趋势表征集合，包括：
[0101]
对所述目标演化模型的优化策略设置优化权重，根据所述优化权重进行优化策略趋势表征处理，确定目标演化趋势表征集合。
[0102]
其中，参照图3，本实施例针对不同策略的实施对象与程度给出对应优化权重设置：m1:m2:ω1,ω2,m3:θ1，且满足：
[0103][0104]
式中，mi表示优化权重，表示最大优化权重，为m1策略实施的概率权重，ω1,ω2为m2策略实施的概率权重，θ1为m3策略实施的概率权重。
[0105]
本实施例根据所述优化权重进行优化策略趋势表征处理，计算得到目标演化趋势表征集合表征处理如下所示：
[0106]
[0107][0108][0109][0110]
进一步作为优选的实施方式，上述步骤s1106中，所述根据负荷约束对所述目标演化趋势表征集合进行优化参数调节，确定协作学习优化方法，包括：
[0111]
根据负荷约束对目标演化模型进行目标优化分析，确定优化目标函数；所述负荷约束包括多目标优化策略的代价损失和代价权重；
[0112]
根据所述目标演化趋势表征集合对优化目标函数进行最优化求解，确定策略调节参数；
[0113]
根据所述策略调节参数对优化策略进行调整，确定协作学习优化方法。
[0114]
其中，本实施例在得到目标演化趋势表征集合后，考虑过多干预介入会增加协作过程中的额外负荷，为实现在尽可能低的干预实施下达成最优的协作学习效果，根据负荷约束进一步提出了基于庞特里亚金最大化原理的多目标优化方法，具体过程如下：
[0115]
定义mi(t)为协作学习增效机制中的策略实施过程，负荷约束包括协作优化策略的代价损失和代价权重，c()表示策略实施过程造成的代价损失，c1～c5是策略实施的代价权重，表示不同m1、m2、m3策略实施过程会对认知负荷造成的影响程度，在本实施例中分别取0.3，0.3，0.5，0.5，0.6。在时间周期[0,t]中，为了在最小策略代价开销基础上最大化促进学习者知识获取与传递(即达到cs状态)，实现协作效果的增效调节，最终的优化目标o(t)可以描述为：
[0116][0117][0118]
针对此优化目标，构建汉密尔顿函数h(t)：
[0119][0120]
其中表示伴随函数，在汉密尔顿最优控制理论中对应于协作演化传递的状态函数。在此基础上，给出优化的前置条件分别对应协作状态s、优化策略实施概率m、动态系统伴随函数h，作为优化策略实施的已具备前置条件：
[0121][0122][0123]
[0124]
在此条件下可将协作学习演化过程视为动力系统中由一个状态转移到另一个状态的最优控制信号发现问题，可实现目标函数的最优化求解。基于庞特里亚金最大化原理与演化网络表征情况，满足以下条件：
[0125][0126][0127][0128]
可以得出：
[0129][0130][0131][0132][0133][0134]
然后，根据以上公式，可以实现对各策略调节参数的确定：
[0135][0136][0137][0138][0139][0140]
根据策略调节参数，本实施例可根据对学习策略的调节得到协作学习优化方法，从而引导学习者进行协作学习，提高协作学习效率。
[0141]
与图1的方法相对应，本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
[0142]
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0143]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的
处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0144]
综上所述，本发明实施例具备以下优点：本实施例通过提取在线协作学习要素实现在线协作状态的表征与演化建模，并利用基于负荷约束的多目标优化方法，实现学习者协作演化状态的精准描述与智能引导，对于以技术赋能的协作学习的效能效果优化与发展提供了可行方案。
[0145]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0146]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0147]
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。
[0148]
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。
[0149]
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。
[0150]
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。例如，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。
[0151]
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
[0152]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0153]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。