一种磷吸附量数据处理方法、系统、设备及介质

1.本发明涉及数据处理技术领域，具体涉及一种磷吸附量数据处理方法、系统、设备及介质。


背景技术：

2.随着工业的不断发展，农业上磷肥的使用量在增加，但作物对磷肥的利用率依然很低。季节性利用率通常仅为5％至10％，加上农作物的后效应，通常不超过25％。大部分转化为植物难以吸收利用的难溶性磷，都积累在土壤中，导致土壤中的总磷含量更高，有效磷含量非常低。例如，中国黄土高原的总磷含量为0.123％，有效磷含量仅为6mg/kg，土壤对磷的吸附固定特性影响到作物对磷肥的吸收利用。因此，提高土壤中磷的利用率已成为许多科研单位关注的焦点。
3.磷的低利用率是作物生产的主要制约因素。土壤中磷的可利用性是由物理吸附和化学沉淀过程共同控制的。土壤溶液中的磷浓度受土壤性质的影响，例如粘粒、土壤有机质、ph值、碳酸钙和铁铝氧化物。这导致了磷肥当季利用率仅15％～20％
4.目前，能够获取的磷吸附量数据集太小，无法对参数进行有效的估计。特别是土壤属性数据中的土壤属性多、缺失值多、完整数据量小的时候，容易产生过拟合，且完整数据集太小(《50)时，无法划分足够的训练集和验证集。而数据中存在大量缺失值时，也相对压缩了样本量，导致现模型在评估土壤的最大吸磷量时误差较大。


技术实现要素：

5.针对现有技术中的缺陷，本发明提供一种磷吸附量数据处理方法、系统、设备及介质。
6.第一方面，一种磷吸附量数据处理方法，包括以下步骤，
7.s1，获取原始磷吸附量数据集，所述原始磷吸附量数据集包括土壤属性数据和最大吸磷量数据；
8.s2，按预设方法对所述原始磷吸附量数据集进行处理，获取目标磷吸附量数据集；
9.s3，利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型。
10.优选地，步骤s2中，按预设方法对所述原始磷吸附量数据集进行处理，获取目标磷吸附量数据集的方法包括以下步骤：
11.步骤s21，从所述土壤属性数据中随机选择一组相关序列，对所述相关序列进行多项式扩展，得到高维随机且与扩展项相关的工具变量；
12.步骤s22，判断所述工具变量是否满足预设对称性条件，若是，执行步骤s23，若否，执行步骤s21；
13.步骤s23，利用所述工具变量补足所述土壤属性数据中的缺失值；
14.步骤s24，重复上述步骤，直到得到完整的原始磷吸附量数据集。
15.优选地，步骤s23中，利用所述工具变量补足所述土壤属性数据中的缺失值的方法包括以下步骤：
16.步骤201，分别构建所述最大吸磷量到工具变量的第一过拟合关系和所述工具变量到所述土壤属性数据的第二过拟合关系；
17.步骤202，利用所述第一过拟合关系和第二过拟合关系，获取所述土壤属性数据中的缺失值。
18.优选地，步骤s2，按预设方法对所述原始磷吸附量数据集进行处理，获取目标磷吸附量数据集的方法还包括以下步骤：
19.步骤s25，基于分段插值法或者高斯混合模型，从所述最大吸磷量数据中获取目标最大吸磷量数据；
20.步骤s26，基于所述目标最大吸磷量数据、所述第一过拟合关系，得到工具变量数据，判断所述工具变量数据是否满足预设对称性条件，若是，执行步骤s27，若否，执行步骤s21；
21.步骤s27，基于所述工具变量数据和所述第二过拟合关系，得到目标土壤属性数据，将所述目标最大吸磷数据和所述目标土壤属性数据的集合作为目标磷吸附量数据集。
22.优选地，步骤s3中，利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型的方法包括：
23.s31，将所述目标磷吸附量数据集划分为训练集和验证集；
24.s32，利用所述训练集对所述机器学习模型进行训练，得到所述最大吸磷量预测模型，利用所述验证集对所述最大吸磷量预测模型进行验证；
25.s33，判断验证结果是否满足精度要求，若否，执行步骤s21，若是，输出所述最大吸磷量预测模型。
26.第二方面，一种磷吸附量数据处理系统，包括：
27.数据获取模块，用于获取原始磷吸附量数据集，所述原始磷吸附量数据集包括土壤属性数据和最大吸磷量数据；
28.数据处理模块，用于按预设方法对所述原磷吸附量数据集进行处理，获取目标磷吸附量数据集；
29.模型生成模块，用于利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型。
30.第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行上述任一所述方法的步骤的指令。
31.第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现上述任一所述方法的步骤。
32.本发明的有益效果体现在，本发明提供了一种磷吸附量数据处理方法、系统、设备及介质。本发明能够从较少的土壤属性数据中确定出工具变量，根据工具变量与原始磷吸附量数据集的关系对土壤属性数据进行缺失值补充，从而实现样本数据的清洗与增强，能够产生大量的样本集，从而构建更有效的最大吸磷量预测模型，实现土壤最大吸磷量的精准预测。
附图说明
33.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
34.图1为本发明实施例所提供的一种磷吸附量数据处理方法的流程图；
35.图2为本发明实施例所提供的一种磷吸附量数据处理方法的一子流程图；
36.图3为本发明实施例所提供的一种磷吸附量数据处理方法的另一子流程图；
37.图4为本发明实施例所提供的缺失的原始磷吸附数据集；
38.图5为本发明实施例所提供的补充完整的原始磷吸附数据集；
39.图6为本发明实施例所提供的最大吸磷量预测模型的预测结果图；
40.图7为本发明实施例所提供的一种磷吸附量数据处理系统的系统框图；
41.图8为本发明实施例所提供的一种计算机设备的结构示意图。
具体实施方式
42.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
43.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
44.实施例一
45.参考图1，图1为本发明实施例所提供的一种磷吸附量数据处理方法的流程图，所述方法包括以下步骤，
46.s1，获取原始磷吸附量数据集，所述原始磷吸附量数据集包括土壤属性数据和最大吸磷量数据；
47.具体的，通过文献检索(中英文)的方法利用关键词下载大量文献，并进行筛选，其次，对已筛选的文献按照本地值和langmuir方程最大吸磷量来获取数据；最后，利用一般线性函数对最大吸磷量与影响吸磷量的因素进行相关性分析，探讨土壤粘粒、ph值、有机质、碳酸钙和铁铝氧化物等对土壤吸磷量的影响，确定多组包含缺失值的土壤属性数据和最大吸磷量数据作为原始磷吸附量数据集。
48.s2，按预设方法对所述原始磷吸附量数据集进行处理，获取目标磷吸附量数据集；
49.有时由于数据集太小，无法产生对参数有效的估计。特别是当属性太多，样本太少的时候，容易产生过拟合。一般来说数据集的数据数量小于50个时，无法划分足够的校验集和测试集。数据中往往还有许多缺失值需要不断补全的。我们用工具变量补齐缺失值，进行数据清洗和数据增强，产生足够多的(例如超过1000000个)的新样本集作为训练样本,然后就可以做神经网络拟合和各种机器数据学习拟合，获取最大磷吸附量预测模型。
50.工具变量是在模型估计过程中被作为工具使用，以替代模型中与误差项相关的随机解释变量的变量，称为工具变量λ。假设待求关系为y＝a x+b+ε，其中自变量为x，因变量为y，ε为随机误差项。
51.作为工具变量λ，必须满足下述四个条件：
52.(1)与自变量x高度相关，即cov(x,λ)》0；
53.(2)与随机误差项ε不相关，即cov(ε,λ)＝0；
54.(3)与常数b有cov(b,λ)＝0；
55.(4)同一模型中需要引入多个工具变量时，这些工具变量之间不相关。
56.其中，第1条讲到工具变量λ与x的相关关系，后3条讲到工具变量λ的随机性和不相关性。于是得到上面方程式的系数：b＝e(y)-ae(x)。我们定义工具变量的多项式扩展方法为定义随机序列z:量的多项式扩展方法为定义随机序列z:当然，也可以使用z的其它形式,比如：p
最稳定
x
l
x
p
、等等。
57.按照p
最收敛
x
l-1
x
p-1
和x
l
，x
p
的定义与多项式展开，可以求出x
l
，x
p
和z的相关系数，为了化简，设定对称性条件φ1：
58.cov(x
p
,z)＝cov(x
p
,p
最收敛
x
l-1
x
p-1
)≠0(相关性)
59.cov(x
l
,z)＝cov(x
l
,p
最收敛
x
l-1
x
p-1
)≠0(相关性)
60.cov(x
p
,z-1
)＝0(随机性，见x
p
定义)
61.cov(x
l
,z-1
)＝0(随机性，见x
l
定义)
62.cov(x
p-1
,z)＝0(随机性，见z定义)
63.cov(x
l-1
,z)＝0(随机性，见z定义)
64.对称性条件φ1的后4条是由于x
l
，x
p
，x
l-1
，x
p-1
和z的随机性。
65.然后试图用神经网络或者各种机器学习方法简化关系{z
→
x
l
，x
p
}为如下两个多项式关系：和如果找不到，那就等于否定了对称性条件φ1里的相关性条件，直接否定了对称性条件φ1，需要重新寻找新的(k,l,p)。如果找到合适的(k,l,p)满足对称性条件φ1，z必定与x
li
和x
pi
(i》0)都相关。这是对关系式cov(x,λ)》0的重新定义。
66.然后检查对称性条件φ2：
67.cov(x
li
,z)≠0(i》0)(相关性)
68.cov(x
pj
,z)≠0(j》0)(相关性)
69.在使用中，如果{z}对于每个x
l
和x
p
，检查是否满足对称性条件φ1,φ2。如果满足，则继续选择工具变量λ＝z。否则，更换(k,l,p)组合，重新计算z。
70.选择这样一个工具变量{z}，作为模型中随机解释变量{x
l
，x
p
}的工具变量，与模型中的其他变量一起构造出相应参数的一个一致估计量，即求出系数{αi}和{βi}，这种估计方法我们称为工具变量法的多项式扩展。这就从理论上证明了用神经网络或者各种机器学习拟合等效于求出多项式系数{αi}和{βi}的过程。
71.工具变量法的关键是选择一个有效的工具变量，由于工具变量选择中的困难，工
具变量法本身存在两方面不足：一是由于工具变量不是惟一的，因而工具变量估计量有一定的任意性；二是由于误差项实际上是不可观测的，因而要寻找严格意义上与误差项无关而与所替代的随机解释变量高度相关的变量事实上是困难的。这里我们用不断替换随机序列z：{z}作为工具变量和不断检查对称性条件就解决了上面的问题。
72.如果满足了对称性条件φ1和φ2，x
l
和x
p
可以表达为如下两个多项式关系：
73.和
74.后面会看到更多的对称性条件要求x
l
和x
p
具有独立的随机性，即系数{αi}和{βi}具有独立性。用神经网络拟合或者各种机器学习拟合学习关系{z，x
l
，x
p
}就等效于求出多项式系数{αi}和{βi}来，然后从z
生成
生成x{x
l生成
，x
p生成
}，得到cov(x
l生成-1
,z
生成
)，cov(x
p生成-1
,z
生成
)，检查工具变量z:{z
生成
}和x{x
l生成
，x
p生成
}是否满足对称性条件φ1和φ2，就证明能否求出多项式系数{αi}和{βi}，然后求出x
l
，x
p
的缺失值。这个过程等效于从神经网络拟合或者各种机器学习拟合学习关系{z，x
l
，x
p
}，得到模型θ-1
，就能求出多项式的多项式系数{αi}和{βi}，求出x{x
l
，x
p
}里的缺失值。
75.为了更好地理解通过工具变量填补缺失值的方法，我们从土壤属性数据中随机选择3个列作为相关随机序列，按照泰勒级数展开成为多项式级数。其中，最基础的多项式表达式是p＝mc2(质能方程式)或者p＝xkx
l
x
p
。我们选择质能方程式是因为它反映了一个对称的，随机的过程。当p收敛时，m和c(或者xk与x
l
，x
p
)被打乱时，此式得到随机的，同时又与x
l
和x
p
相关的结果，可以产生需要的同时满足随机性和相关性的工具变量。此算法就是基于这个表达式，在p收敛时，打乱xk与x
l
，x
p
，得到随机的工具变量z：，得到随机的工具变量z：当然也有其它打乱方式，比如：p
最稳定
x
l
x
p
、、等等。
76.对相关序列(k,l,p)组合计算关系p(k，l,p)＝{xkx
l
x
p
}，选择最收敛的p
最收敛
(不限于此，也可以选择p
最小
或是p
最大
，或者p
最混乱
)，求出z:)，求出z:为工具变量。
77.由于存在如下泰勒展开式：
78.79.这是一个二维的关系式，分析起来比较复杂。我们在这里利用随机性和对称性化简整个分析。当x
l
和x
p
，和都随机不相关(见对称性条件φ2)时，以上表达式即为对称，也可以检查是否满足更严格的对称性条件φ3：
[0080][0081][0082]
p(x
p
|x
l
)p(x
l
|z)＝p(x
l
|x
p
)p(x
p
|z)
[0083]
p(x
p
|x
l
)p(x
l
|y)＝p(x
l
|x
p
)p(x
p
|y)
[0084]
对称性条件φ3不仅表示{x
p
}和{x
l
}的对称性，也表示{y}和{z}可以互换。
[0085]
只要每个相关序列{k,l,p}，满足对称性条件φ1,φ2,φ3，可以求出多项式关系θ-1
的多项式系数{αi}和{βi}。也就是说，只要满足对称性条件φ1,φ2,φ3，就可以在实际中等效地用神经网络用{z}拟合出{x
l
}和{x
p
},也能从{y}拟合出{z}(这在后面的运算中用到)。这就确定选出这样一个变量z:{z}，作为模型中随机解释变量{x
l
}，{x
p
}的工具变量，与模型中的其他变量一起构造出相应参数{αi}和{βi}的一致估计量，这种估计方法称为工具变量法。
[0086]
工具变量法的关键是选择一个有效的工具变量，由于工具变量选择中的困难，工具变量法本身存在两方面不足：一是由于工具变量不是惟一的，因而工具变量估计量有一定的任意性；二是由于误差项实际上是不可观测的，因而要寻找严格意义上与误差项无关而与所替代的随机解释变量高度相关的变量事实上是困难的。这里我们用随机序列z作为同时满足随机性和(x，z)的相关性的工具变量就解决了上面的问题。
[0087]
由上述可知，参考图2，步骤s2中，按预设方法对所述原始磷吸附量数据集进行处理，获取目标磷吸附量数据集的方法具体包括以下步骤：
[0088]
步骤s21，从所述土壤属性数据中随机选择一组相关序列，对所述相关序列进行多项式扩展，得到随机且相关的工具变量；
[0089]
步骤s22，判断所述工具变量是否满足预设对称性条件，若是，执行步骤s23，若否，执行步骤s21；
[0090]
步骤s23，利用所述工具变量补足所述土壤属性数据中的缺失值；
[0091]
其中，步骤s23具体包括：步骤201，分别构建所述最大吸磷量到工具变量的第一过拟合关系和所述工具变量到所述土壤属性数据的第二过拟合关系；步骤202，利用所述第一过拟合关系和第二过拟合关系，获取所述土壤属性数据中的缺失值；
[0092]
步骤s24，重复上述步骤，直到得到完整的原始磷吸附量数据集；
[0093]
步骤s25，基于分段插值法或者高斯混合模型，从所述最大吸磷量数据中获取目标最大吸磷量数据；
[0094]
步骤s26，基于所述目标最大吸磷量数据、所述第一过拟合关系，得到工具变量数
据，判断所述工具变量数据是否满足预设对称性条件，若是，执行步骤s27，若否，执行步骤s21；
[0095]
步骤s27，基于所述工具变量数据和所述第二过拟合关系，得到目标土壤属性数据，将所述目标最大吸磷数据和所述目标土壤属性数据的集合作为目标磷吸附量数据集。
[0096]
s3，利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型。
[0097]
由于{y}和{z}在满足对称性条件φ1，φ2，φ3时，二者具有对称性(可以互换)，就可以得到如下多项式关系式其中γ：和γ-1
：用神经网络拟合和机器学习拟合就可以算出关系{y
→
z}，等效于算出简化的关系γ-1
{y
→
z}的多项式系数{ωi}来。最后结合关系γ-1
和θ-1
就可以从{y}计算出{x}的缺失值。同样，用关系γ-1
和θ-1
可以从{y
生成
}算出{x
生成
}，然后从数据{x
生成
}和{y
生成
}可以算出关系σ{x
生成
→y生成
}作为输出的模型。
[0098]
由上述可知，参考图3，步骤s3中，利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型的方法包括：
[0099]
s31，将所述目标磷吸附量数据集划分为训练集和验证集；
[0100]
s32，利用所述训练集对所述机器学习模型进行训练，得到所述最大吸磷量预测模型，利用所述验证集对所述最大吸磷量预测模型进行验证；
[0101]
s33，判断验证结果是否满足精度要求，若否，执行步骤s21，若是，输出所述最大吸磷量预测模型。
[0102]
综上所述，本发明实施例所提供的一种磷吸附量数据处理方法，能够从较少的土壤属性数据中确定出工具变量，根据工具变量与原始磷吸附量数据集的关系对土壤属性数据进行缺失值补充，从而实现样本数据的清洗与增强，能够产生大量的样本集，从而构建更有效的最大吸磷量预测模型，实现土壤最大吸磷量的精准预测。
[0103]
为了更好地理解本发明的方案，下面对磷吸附量数据处理过程进行详细阐述。
[0104]
1)获取磷吸附量数据集，其中x:{x}是土壤属性,如等等，为自变量，y:{y}是langmuir方程式最大吸磷量(qm)，为因变量；对数据集分开各列数据或者各个土壤的属性，按ph值》7与否分为碱性或酸性，分成两个典型数据集h
碱性
:{x，y}和h
酸性
:{x，y}。
[0105]
2)对h
碱性
和h
酸性
，以对称性条件φ1筛选并计算其中三个包含缺失值的列之间相关的关系p(k，l,p)＝{xkx
l
x
p
},得到最收敛p
最收敛
，获取工具变量z:得到典型数据集g:{x
l
，x
p
，z},检查z:{z}是否通过对称性条件φ1，φ2，φ3检查，如果检查能通过，继续下面的操作,否则重新选择(k，l,p)并计算z。
[0106]
3)用工具变量z:{z}对x:{x
l
,x
p
}进行逆向拟合，即用神经网络拟合得到z:{z}到x:{x
l
,x
p
}的过拟合关系θ-1
{z
→
x
l
,x
p
}，用过拟合过程一个是为了加噪声，一个是为了提高拟合多项式的阶次，用y:{y}到工具变量z:{z}进行逆向拟合，即用神经网络拟合获取y:{y}到z:{z}的过拟合关系γ-1
{y
→
z}，同理，用过拟合过程一个是为了加噪声，一个是为了提高拟合多项式的阶次；s5：用γ-1
和θ-1
从数据y:{y}求出数据x:{x}里的缺失项，不断从s3递归
重复执行，补足所有缺失项，再从y:{y}到x:{x}用神经网络拟合或者各种机器学习算法求出过拟合模型σ-1
{y
→
x}。
[0107]
4)用分段插值的办法或者高斯混合模型(gaussian mixture model)获得因变量y的随机分布，产生大量(》1000000个)的因变量y:{y
产生
}数据；使用关系γ-1
计算出大量(》1000000个)的工具变量数据z:{z
产生
}；使用关系θ-1
计算出大量(》1000000个)的自变量数据x:{x
产生
}；检查工具变量z:{z
产生
}是否能通过对称性条件φ1，φ2，φ3检查，如果能通过则继续后面的操作，否则重新选择(k，l,p)并计算z。
[0108]
5)用大量产生的自变量x:{x
产生
}与因变量y:{y
产生
}，构建数据分析模型σ；将数据代入数据分析模型σ，检验模型效果。如果模型检验结果不理想，重新选择(k，l,p)并计算z；否则输出模型σ，结束。
[0109]
为了更好地理解本发明的方案，下面对通过matlab工具和c#程序进行磷吸附量数据处理的过程进行详细阐述。
[0110]
1)获取并输入图4中的数据集至matlab 2022。
[0111]
2)用matlab 2022做主成分分析(pca)或者相关性分析，得到以下主要数据集为x的各个列：x:{x}是土壤属性,如粘粒、土壤有机质、ph值、碳酸钙和铁铝氧化物等等，为自变量，y:{y}是langmuir方程式最大吸磷量(qm)，为因变量。
[0112]
3)用c#程序选择列(k,l,p)组合并计算工具变量以对称性条件φ1筛选并计算其中三个包含缺失值的列之间相关的关系；调用matlab 2022神经网络拟合模块学习y，z关系和z，x关系，选择节点数为100，进行过拟合学习，保存模型为γ-1
和θ-1
。检查工具变量z{z}是否满足随机性，对称性φ1，φ2，φ3；如果不满足，重新选择(k，l,p)组合并计算z，继续如上检查,直至成立，通过工具变量补足数据集中的缺失值，补足后的数据如图5所述。
[0113]
4)用matlab 2022中高斯混合模型(gaussian mixture model，gmm)学习数据，并产生大量y
产生
(超过1000000个)，或者用matlab的interp命令进行y的插值，并结合前面的模型γ-1
，θ-1
，产生大量z
产生
数据，x
产生
数据(超过1000000个)。
[0114]
5)用c#程序检查z
产生
数据是否满足满足随机性，对称性φ1，φ2，φ3；如果不满足，重新选择(k，l,p)并计算z，继续如上检查,直至成立。
[0115]
6)用matlab 2022做神经网络拟合或者各种机器学习过程拟合学习(x
产生
，y
产生
)关系，保存模型σ。
[0116]
7)用此模型σ计算校验和测试数据，得到验证结果。如果不满意，重新选择(k，l,p)组合并计算z，重复上面的运算，直到满意为止。
[0117]
通过matlab工具和c#程序就得到了满足要求的最大吸磷量预测模型σ，通过该模型可实现土壤吸磷量的精准预测，其预测结果如图6所示。
[0118]
实施例二
[0119]
参考图7，图7为本发明实施例所提供的一种磷吸附量数据处理系统的系统框图，所述系统包括：
[0120]
数据获取模块100，用于获取原始磷吸附量数据集，所述原始磷吸附量数据集包括
土壤属性数据和最大吸磷量数据；
[0121]
数据处理模块200，用于按预设方法对所述原磷吸附量数据集进行处理，获取目标磷吸附量数据集；
[0122]
模型生成模块300，用于利用所述目标磷吸附量数据集对机器学习模型进行训练，获取最大吸磷量预测模型。
[0123]
本发明实施例所提供的一种磷吸附量数据处理系统与上述实施例所提供的一种磷吸附量数据处理方法出于相同的发明构思，关于本发明实施例中各个模块更加具体的工作原理参考上述实施例，在本发明实施例中不做赘述。
[0124]
实施例三
[0125]
参考图8，图8为本发明实施例所提供的一种计算机设备的结构示意图。所述计算机设备包括存储器500和处理器400，所述存储器500存储计算机程序，所述计算机程序被配置为由所述处理器400执行，所述计算机程序包括用于执行上述实施例中的任一项所述方法的指令。
[0126]
应当理解，在本发明实施例中，所述处理器400可以是中央处理单元(central processing unit，cpu)，该处理器400还可以是其他通用处理器400、数字信号处理器400(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器400可以是微处理器400或者该处理器400也可以是任何常规的处理器400等。
[0127]
在本发明实施例中，所述存储器500可以包括只读存储器500和随机存取存储器500，并向处理器400提供指令和数据。存储器500的一部分还可以包括非易失性随机存取存储器500。例如，存储器500还可以存储设备类型的信息。
[0128]
本实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现上述实施例中的任一项所述的方法。
[0129]
所述计算机可读存储介质可以是前述实施例所提供的识别设备的存储器500，例如识别设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储器500，例如所述识别设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述计算机可读存储介质还可以既包括所述识别设备的内部存储器500也包括外部存储器500。所述计算机可读存储介质用于存储所述计算机程序以及其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0130]
最后应说明的是，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。