一种基于测井曲线的古水深预测模型建立及应用方法与流程

1.本发明涉及油气田开发领域，特别地，涉及一种基于测井曲线的古水深预测模型建立及应用方法。


背景技术：

2.岩心化学元素测试数据是进行地层古水深数据评价的直接数据，但是由于岩心化学元素测试数据较少，难以有效的进行古水深数据变化规律的分析，利用测井曲线进行古水深数据的预测成为现阶段的常用手段。然而由于化学元素测试数据与测井曲线之间，测井曲线与古水深数据之间不具有直接的一一对应关系，导致通过测井曲线进行古水深数据预测的模型精度不高，泛化能力差。
3.因此，现在亟需一种基于测井曲线的古水深预测模型建立方法，具有较高的预测精度和较强的泛化能力。


技术实现要素：

4.本文实施例的目的在于提供一种基于测井曲线的古水深预测模型建立及应用方法，以提高预测精度和泛化能力。
5.为达到上述目的，一方面，本文实施例提供了一种基于测井曲线的古水深预测模型建立方法，包括：
6.获取已知井沿井深方向的测井曲线和古水深数据；
7.利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据；
8.根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线；
9.将所述古水深敏感测井曲线作为样本参数，将所述矫正后的古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模型。
10.优选的，所述利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据进一步包括：
11.将古水深数据沿测井曲线在滑动长度范围内按照滑动步长进行滑动，计算不同井深下古水深数据与测井曲线之间的相关系数；
12.选取其中绝对值最大的相关系数对应的井深位置为选定井深位置；
13.根据所述选定井深位置对所述古水深数据矫正，得到沿井深方向矫正后的古水深数据。
14.优选的，所述根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线进一步包括：
15.s1：将所述矫正后的古水深数据和所述测井曲线合并为数据集，其中所述矫正后的古水深数据和所述测井曲线均为数据集中的元素；
16.s2：计算所述数据集中任意两个元素之间的相关系数，构建相关系数矩阵；
17.s3：将相关系数矩阵中大于设定阈值的相关系数对应的元素合并为一个簇，将该簇作为所述数据集中的元素；
18.s4：循环执行上述s1至s3步骤，直至所述相关系数矩阵中所有相关系数均不大于设定阈值，或所述数据集中所有元素均合并为一个簇；
19.其中，将相关系数矩阵中大于设定阈值的相关系数对应的测井曲线作为古水深敏感测井曲线。
20.优选的，通过如下公式计算所述数据集中任意两个元素之间的相关系数：
[0021][0022]
其中，r表示x和y之间的相关系数，x和y分别表示任意的两个元素，var[x]表示元素x的方差，var[y]表示元素y的方差，cov(x，y)表示任意两个元素x和y的协方差。
[0023]
优选的，所述将所述古水深敏感测井曲线作为样本参数，将所述古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模型进一步包括：
[0024]
将所述古水深敏感测井曲线作为样本参数；
[0025]
利用遗传算法驱动多个机器学习模型分别对样本参数进行优化，优选出目标机器学习模型以及选定样本参数；
[0026]
将所述古水深数据作为样本标签，利用选定样本参数对目标机器学习模型进行训练，得到用于预测古水深数据的预测模型。
[0027]
优选的，所述利用遗传算法驱动多个机器学习模型分别对样本参数进行优化，优选出目标机器学习模型以及选定样本参数进一步包括：
[0028]
将所述样本参数划分为训练集、测试集和验证集；
[0029]
利用遗传算法以训练集分别对多个机器学习模型进行训练；以验证集的正判率最高或平均误差最低为优选条件，对多个机器学习模型进行样本参数优化，得到每一机器学习模型对应的选定样本参数；以测试集的正判率最高或平均绝对误差最低为优选条件，由多个机器学习模型中优选出目标机器学习模型。
[0030]
另一方面，本文实施例还提供了一种基于测井曲线的古水深预测模型应用方法，包括：
[0031]
获取未知井的古水深敏感测井曲线；
[0032]
将所述古水深敏感测井曲线输入预测模型中，得到所述未知井的古水深数据。
[0033]
另一方面，本文实施例提供了一种基于测井曲线的古水深预测模型建立装置，所述装置包括：
[0034]
获取模块，用于获取已知井沿井深方向的测井曲线和古水深数据；
[0035]
矫正模块，用于利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据；
[0036]
敏感确定模块，用于根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线；
[0037]
模型建立模块，用于将所述古水深敏感测井曲线作为样本参数，将所述矫正后的古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模
型。
[0038]
又一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
[0039]
又一方面，本文实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
[0040]
由以上本文实施例提供的技术方案可见，通过本文的方法，能够建立测井曲线与古水深数据之间的联系，通过数据矫正方法对古水深数据进行矫正后，测井曲线和古水深数据之间的关联性更高，相关关系更加准确。以此计算得到与测井曲线之间的相关程度超过设定程度的古水深敏感测井曲线对机器学习模型进行训练，所得到的预测模型预测精准度更高，泛化能力更强。
[0041]
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0042]
为了更清楚地说明本文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简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，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。
[0043]
图1示出了本文实施例提供的一种基于测井曲线的古水深预测模型建立方法的流程示意图；
[0044]
图2示出了本文实施例提供的利用数据矫正方法对古水深数据进行矫正，得到沿井深方向矫正后的古水深数据的流程示意图；
[0045]
图3示出了本文实施例提供的用于得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线的流程示意图；
[0046]
图4示出了本文实施例提供的对机器学习模型进行训练，得到用于预测古水深数据的预测模型的流程示意图；
[0047]
图5示出了本文实施例提供的用于优选目标机器学习模型以及选定样本参数的流程示意图；
[0048]
图6示出了本文实施例提供的一种基于测井曲线的古水深预测模型应用方法的流程示意图；
[0049]
图7示出了本文实施例提供的一种基于测井曲线的古水深预测模型建立装置的模块结构示意图；
[0050]
图8示出了本文实施例提供的一种基于测井曲线的古水深预测模型应用装置的模块结构示意图；
[0051]
图9示出了本文实施例提供的计算机设备的结构示意图。
[0052]
附图符号说明：
[0053]
100、获取模块；
[0054]
200、矫正模块；
[0055]
300、敏感确定模块；
[0056]
400、模型建立模块；
[0057]
500、未知井获取模块；
[0058]
600、古水深数据确定模块；
[0059]
902、计算机设备；
[0060]
904、处理器；
[0061]
906、存储器；
[0062]
908、驱动机构；
[0063]
910、输入/输出模块；
[0064]
912、输入设备；
[0065]
914、输出设备；
[0066]
916、呈现设备；
[0067]
918、图形用户接口；
[0068]
920、网络接口；
[0069]
922、通信链路；
[0070]
924、通信总线。
具体实施方式
[0071]
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
[0072]
岩心化学元素测试数据是进行地层古水深数据评价的直接数据，但是由于岩心化学元素测试数据较少，难以有效的进行古水深数据变化规律的分析，利用测井曲线进行古水深数据的预测成为现阶段的常用手段。然而由于化学元素测试数据与测井曲线之间，测井曲线与古水深数据之间不具有直接的一一对应关系，导致通过测井曲线进行古水深数据预测的模型精度不高，泛化能力差。
[0073]
为了解决上述问题，本文实施例提供了一种基于测井曲线的古水深预测模型建立方法。图1是本文实施例提供的一种基于测井曲线的古水深预测模型建立方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
[0074]
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设
备固有的其它步骤或单元。
[0075]
参照图1，本文提供了一种基于测井曲线的古水深预测模型建立方法，包括：
[0076]
s101：获取已知井沿井深方向的测井曲线和古水深数据；
[0077]
s102：利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据；
[0078]
s103：根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线；
[0079]
s104：将所述古水深敏感测井曲线作为样本参数，将所述矫正后的古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模型。
[0080]
其中，沿井深方向的古水深数据可以通过在不同井深下进行岩心取样，利用岩心样品的化学元素测试数据在实验室测量计算不同井深下岩心样品的古水深数据。沿井深方向的测井曲线可以包括但不限于：自然伽马测井曲线、gr测井曲线、sp测井曲线、自然电位测井曲线、井径测井曲线、cal测井曲线、深侧向电阻rllda测井曲线、浅侧向电阻rlls测井曲线、微球聚焦电阻率测井曲线、msfl测井曲线、声波测井曲线、dt测井曲线、密度测井曲线、den测井曲线和中子cnl测井曲线。
[0081]
在实际应用中，由于岩心样品及其对应的古水深数据的深度是以钻杆深度记录的，而测井数据是以电缆深度记录的，因电缆和钻杆压缩系数不同而产生测量系统误差，导致古水深数据出现系统误差，因此在对古水深数据进行分析研究之前需要先利用数据矫正方法对古水深数据进行矫正，来避免误差。
[0082]
进一步的，根据矫正后的古水深数据与测井曲线之间的相关程度，可以得到古水深敏感测井曲线，古水深敏感测井曲线为测井曲线中的一者或多者，其中古水深敏感测井曲线与古水深数据之间的相关程度较高。
[0083]
最后将古水深敏感测井曲线作为样本参数，矫正后的古水深数据作为样本标签，对机器学习模型进行训练，得到预测模型。
[0084]
通过本文的方法，能够建立测井曲线与古水深数据之间的联系，通过数据矫正方法对古水深数据进行矫正后，测井曲线和古水深数据之间的关联性更高，相关关系更加准确。以此计算得到与测井曲线之间的相关程度超过设定程度的古水深敏感测井曲线对机器学习模型进行训练，所得到的预测模型预测精准度更高，泛化能力更强。
[0085]
在本文实施例中，参照图2，所述利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据进一步包括：
[0086]
s201：将古水深数据沿测井曲线在滑动长度范围内按照滑动步长进行滑动，计算不同井深下古水深数据与测井曲线之间的相关系数；
[0087]
s202：选取其中绝对值最大的相关系数对应的井深位置为选定井深位置；
[0088]
s203：根据所述选定井深位置对所述古水深数据矫正，得到沿井深方向矫正后的古水深数据。
[0089]
其中滑动长度范围可以根据实际工况设定，例如可以设定滑动长度范围为10m，滑动步长可以为0.1m或者0.15m，在滑动时的窗长可以为岩心样品对应的顶底深度。
[0090]
具体的，滑动窗口以窗长滑动，任意两次滑动之间的间隔为滑动步长，每次滑动都获取对应的古水深数据，进而可以得到不同井深下的古水深数据，同时每次滑动都将古水
深数据域测井曲线进行匹配，进而计算得到不同井深下古水深数据与测井曲线之间的相关系数，该相关系数指的可以是皮尔逊相关系数。
[0091]
选取其中绝对值最大的相关系数对应的井深位置，即为选定井深位置，将古水深数据移动至选定井深位置处，即可得到沿井深方向矫正后的古水深数据。需要说明的是，由于设定滑动长度范围为10m，因此，该矫正后的古水深数据对应的是10m范围内的矫正后的古水深数据。假设井深1000m，需要沿深度方向将井深划分为100组，每组均通过上述s201至s203步骤计算得到对应的矫正后的古水深数据。
[0092]
本文中可以通过上述s201至s203步骤根据不同的测井曲线逐一进行矫正，但由于有的测井曲线对古水深数据并不敏感，因此在相同的滑动长度范围内，计算得到不同测井曲线中绝对值最大的相关系数时，本文实施例中可以选取不同测井曲线中相关系数的绝对值最大的测井曲线，将该测井曲线作为选定测井曲线，仅需通过选定测井曲线来矫正古水深数据，这样可以提高计算效率和准确度。
[0093]
在本文实施例中，参照图3，所述根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线进一步包括：
[0094]
s1：将所述矫正后的古水深数据和所述测井曲线合并为数据集，其中所述矫正后的古水深数据和所述测井曲线均为数据集中的元素；
[0095]
s2：计算所述数据集中任意两个元素之间的相关系数，构建相关系数矩阵；
[0096]
s3：将相关系数矩阵中大于设定阈值的相关系数对应的元素合并为一个簇，将该簇作为所述数据集中的元素；
[0097]
s4：循环执行上述s1至s3步骤，直至所述相关系数矩阵中所有相关系数均不大于设定阈值，或所述数据集中所有元素均合并为一个簇；
[0098]
其中，将相关系数矩阵中大于设定阈值的相关系数对应的测井曲线作为古水深敏感测井曲线。
[0099]
进一步的，通过如下公式计算所述数据集中任意两个元素之间的相关系数：
[0100][0101]
其中，r表示x和y之间的相关系数，x和y分别表示任意的两个元素，var[x]表示元素x的方差，var[y]表示元素y的方差，cov(x，y)表示任意两个元素x和y的协方差。
[0102]
本文实施例中通过层次聚类算法来表征任意两个元素之间的相关系数，该算法在处理高维度或多类别数据问题上具有不可替代的优势，该算法可以根据数据点、数据变量和数据簇之间相似度系数进行相似度层次结构的构建。开始时，点、变量或聚类等数据样本分别被视为一个单独的聚类，即每个聚类只包含一个数据样本(点、变量或聚类)。然后计算出数据样本之间的相似系数矩阵，并将大多数相似的数据聚类合并成一个新的聚类。重复上述步骤，直到所有样本(或变量)被合并到一个聚类中，或者所有相似性系数大于设定阈值的多个类别中。通常，数据点或数据簇以距离为度量进行聚类，其中具有最小距离的两个点首先被合并。本文以相关系数为相似度计算指标代替距离重构基于相关系数的层次聚类算法，解决连续型数据之间层次结构关系分析问题，应用该算法可以实现古水深敏感特征的定量分析。
[0103]
在本文实施例中，参照图4，所述将所述古水深敏感测井曲线作为样本参数，将所述古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模型进一步包括：
[0104]
s301：将所述古水深敏感测井曲线作为样本参数；
[0105]
s302：利用遗传算法驱动多个机器学习模型分别对样本参数进行优化，优选出目标机器学习模型以及选定样本参数；
[0106]
s303：将所述古水深数据作为样本标签，利用选定样本参数对目标机器学习模型进行训练，得到用于预测古水深数据的预测模型。
[0107]
其中，参照图5，所述利用遗传算法驱动多个机器学习模型分别对样本参数进行优化，优选出目标机器学习模型以及选定样本参数进一步包括：
[0108]
s401：将所述样本参数划分为训练集、测试集和验证集；
[0109]
s402：利用遗传算法以训练集分别对多个机器学习模型进行训练；以验证集的正判率最高或平均误差最低为优选条件，对多个机器学习模型进行样本参数优化，得到每一机器学习模型对应的选定样本参数；以测试集的正判率最高或平均绝对误差最低为优选条件，由多个机器学习模型中优选出目标机器学习模型。
[0110]
进一步的，s401中可以将已知井的部分古水深敏感测井曲线作为测试集，测试集只作为模型评估数据，不参与模型训练，但要作为模型的评估；利用交叉验证的方法将剩余其他古水深敏感测井曲线随机循环划分为训练集和验证集。
[0111]
在s402中利用基于遗传优化算法以交叉验证方法获得的验证集正判率最高或平均误差最低为决策条件，对机器学习特征选择、多机器学习算法以及各算法附属参数为目标优化参数进行高精度、高速度智能优化。
[0112]
例如，将除m井125个数据点作为盲井测试集外，其余654个古水深数据设置为参数优化集，以交叉验证技术按照5等份进行数据集剖分，轮番以其中4份数据作为训练集，剩余1份作为验证集。利用遗传算法驱动15种机器学习模型，以5次验证集古水深正判率最高或平均绝对误差最低为决策指标进行迭代运算进行算法参数优化，并以m井测试集古水深正判率最高或平均绝对误差最低为决策指标进行层次迭代优化。最终利用遗传算法优选出随机森林回归算法在max_depth＝17，max_features＝0.43，n_estimators＝31的参数组合下可实现训练集平均绝对误差2.18，符合率91.82％；验证集平均绝对误差2.29，符合率91.04％；m井测试集粒子群优化算法参数优化后的随机森林算法可以将古水深预测平均绝对误差降低为5.47，预测符合率可达80.9％。
[0113]
参照图6，基于本文所述的一种基于测井曲线的古水深预测模型建立方法，本文还提供了一种基于测井曲线的古水深预测模型应用方法，预测方法包括：
[0114]
s501：获取未知井的古水深敏感测井曲线；
[0115]
s502：将所述古水深敏感测井曲线输入预测模型中，得到所述未知井的古水深数据。
[0116]
基于上述所述的一种基于测井曲线的古水深预测模型建立方法，本文实施例还提供一种基于测井曲线的古水深预测模型建立装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如
下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0117]
具体地，图4是本文实施例提供的一种基于测井曲线的古水深预测模型建立装置一个实施例的模块结构示意图，参照图7所示，本文实施例提供的一种基于测井曲线的古水深预测模型建立装置包括：获取模块100、矫正模块200、敏感确定模块300、模型建立模块400。
[0118]
获取模块100，用于获取已知井沿井深方向的测井曲线和古水深数据；
[0119]
矫正模块200，用于利用数据矫正方法对所述古水深数据进行矫正，得到沿井深方向矫正后的古水深数据；
[0120]
敏感确定模块300，用于根据所述矫正后的古水深数据与所述测井曲线之间的相关程度，得到与古水深数据之间的相关程度超过设定程度的古水深敏感测井曲线；
[0121]
模型建立模块400，用于将所述古水深敏感测井曲线作为样本参数，将所述矫正后的古水深数据作为样本标签，对机器学习模型进行训练，得到用于预测古水深数据的预测模型。
[0122]
基于上述一种基于测井曲线的古水深预测模型应用方法，本文实施例提供的一种基于测井曲线的古水深预测模型应用装置，参照图8所示，本文实施例提供的一种基于测井曲线的古水深预测模型应用装置包括：未知井获取模块500、古水深数据确定模块600。
[0123]
未知井获取模块500，用于获取未知井的古水深敏感测井曲线；
[0124]
古水深数据确定模块600，用于将所述古水深敏感测井曲线输入预测模型中，得到所述未知井的古水深数据。
[0125]
参照图9所示，基于上述所述的一种基于测井曲线的古水深预测模型建立方法，本文一实施例中还提供一种计算机设备902，其中上述方法运行在计算机设备902上。计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(cpu)或图形处理器(gpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器906上并可在处理器904上运行的计算机程序，所述计算机程序被所述处理器904运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
[0126]
计算机设备902还可以包括输入/输出模块910(i/o)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(gui)。在其他实施例中，还可以不包括输入/输出模块910(i/o)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备
902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
[0127]
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0128]
对应于图1-图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0129]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图6所示的方法。
[0130]
应理解，在本文的各种实施例中，上述各过程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，而不应对本文实施例的实施过程构成任何限定。
[0131]
还应理解，在本文实施例中，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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0132]
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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文的范围。
[0133]
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0134]
在本文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。例如，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，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。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0135]
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文实施例方案的目的。
[0136]
另外，在本文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，也可以是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。
[0137]
所述集成的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，本文的技术方案本质上或
者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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。
[0138]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。