一种基于多源遥感数据的无监督特征选择方法及系统与流程

1.本发明涉及遥感图像处理技术领域，尤其是一种基于多源遥感数据的无监督特征选择方法及系统。


背景技术：

2.近年来，一方面多光谱传感器与其他图像传感器逐渐小型化并不断提升可集成性，另一方面搭载这些传感器的无人机平台的载荷与稳定性亦有了长足进步，这些变化使得多种传感器联合、同步数据获取越来越成为主流的遥感探测方案之一。多模式传感数据的结合带来特征丰富性的同时，也造成了数据特征之间的冗余性。在应用这些遥感图像数据进行更深度的智能分析时，如何对这些数据进行合适的降维处理成为了迫切需要解决的问题。
3.当前最为主流的降维处理方法是主成分分析法，其原理是构造所有特征的线性组合成为主成分，同时通过选择线性组合中的权重，使主成分具有最大可能的方差，并且与之前的所有主成分正交。既可以让数据的特征维度大大降低，又能捕获其中包含的大部分变化。但经主成分分析处理得到的新特征无法具备实际意义，而在农业领域往往更关注特征信息本身。因此，如何基于多源遥感数据的实现特征选择为一个亟需解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供一种基于多源遥感数据的无监督特征选择方法及系统，能够实现筛选出有价值的关键特征。
5.一方面，本发明的实施例提供了一种基于多源遥感数据的无监督特征选择方法，包括：
6.对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；
7.通过主成分分析方法对所述数据矩阵进行特征提取，得到主成分矩阵；
8.根据所述主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；
9.对所述系数矩阵进行分解，得到目标权重矩阵；
10.基于所述目标权重矩阵，筛选得到关键原始特征。
11.可选地，所述对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵，包括：
12.获取多源遥感数据的所有特征矩阵，确定特征矩阵数量和样本数量；
13.根据所述特征矩阵数量确定数据矩阵行数，根据所述样本数量确定数据矩阵列数；
14.基于所述数据矩阵行数和所述数据矩阵列数，对所述特征矩阵进行整合，得到数据矩阵。
15.可选地，所述通过主成分分析方法对所述数据矩阵进行特征提取，得到主成分矩
阵，包括：
16.基于主成分分析方法的目标损失函数，确定主成分方差；
17.基于所述主成分方差，通过主成分分析方法对所述数据矩阵进行特征提取，得到所述主成分方差累计贡献率达到90％的主成分矩阵。
18.可选地，还包括：
19.基于信息瓶颈方法和变分自编码器方法，构建深度原型分析网络；
20.基于所述深度原型分析网络，结合解码器分支得到第二深度原型分析网络；
21.基于所述第二深度原型分析网络，结合原型损失得到目标深度原型分析网络。
22.可选地，所述原型分析网络的表达式为：
23.min
p(t|x)
i(x；t)-λi(t；y)
24.式中，p(t|x)表示在x发生的条件下t发生的概率，min
p(t|x)
表示通过控制p(t|x)来最小化式子的值，i表示相互信息，x表示数据矩阵，t表示隐变量，λ表示第一拉格朗日乘数；
25.其中，所述原型分析网络的表达式的参数化形式为：
[0026][0027]
式中，φ＝p(t|x)，θ＝p(y|t)，p(y|t)表示在t发生的条件下y发生的概率，表示通过控制p(t|x)和p(y|t)来最大化式子的值，t表示隐变量t的第t个数据点，x表示数据矩阵x的第x个数据点，y表示主成分矩阵y的第y个数据点，i
φ
(t；x)表示编码器，i
φ，θ
(t；y)表示解码器。
[0028]
可选地，所述基于所述深度原型分析网络，结合解码器分支得到第二深度原型分析网络，包括：
[0029]
在所述深度原型分析网络增加解码器分支和与所述解码器分支关联的第二拉格朗日乘数，得到第二深度原型分析网络；
[0030]
其中，所述第二深度原型分析网络的表达式为：
[0031][0032]
式中，v表示第二拉格朗日乘数，表示在t发生的条件下发生的概率，表示数据矩阵x经过重建后得到的新数据矩阵中的第个数据点，表示解码器分支。
[0033]
可选地，所述基于所述第二深度原型分析网络，结合原型损失得到目标深度原型分析网络，包括：
[0034]
通过学习第一权重矩阵和第二权重矩阵，得到所述数据矩阵的非线性转换；
[0035]
基于所述数据矩阵的非线性转换，驱动潜在空间的结构形成原型，对原型进行定位得到初始化原型矩阵；
[0036]
基于所述第一权重矩阵、所述第二权重矩阵和所述初始化原型矩阵，得到原型损失；
[0037]
通过所述第二深度原型分析网络，结合所述原型损失得到目标深度原型分析网络；
[0038]
其中，所述目标深度原型分析网络的表达式为：
[0039][0040]
式中，l
at
表示原型损失。
[0041]
可选地，所述对所述系数矩阵进行分解，得到目标权重矩阵，包括：
[0042]
基于所述系数矩阵，通过矩阵分解计算结合线性优化，得到所述数据矩阵与所述系数矩阵之间联系的目标权重矩阵。
[0043]
可选地，所述基于所述目标权重矩阵，筛选得到关键原始特征，包括：
[0044]
基于所述目标权重矩阵，通过关键原始特征筛选计算，得到关键原始特征；
[0045]
其中，所述关键原始特征筛选计算的表达式为：
[0046]eg
＝{xi|cg(i)＝＝max(cg)}
[0047]
式中，eg表示关键原始特征的集合，xi表示数据矩阵x中的第i列数据，cg表示目标权重矩阵c中的第g列数据，cg(i)表示目标权重矩阵c中的第g列数据第i列行的值。
[0048]
另一方面，本发明的实施例提供了一种基于多源遥感数据的无监督特征选择系统，包括：
[0049]
第一模块，用于对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；
[0050]
第二模块，用于通过主成分分析方法对所述数据矩阵进行特征提取，得到主成分矩阵；
[0051]
第三模块，用于根据所述主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；
[0052]
第四模块，用于对所述系数矩阵进行分解，得到目标权重矩阵；
[0053]
第五模块，用于基于所述目标权重矩阵，筛选得到关键原始特征。
[0054]
另一方面，本发明的实施例提供了一种基于多源遥感数据的无监督特征选择系统，包括处理器以及存储器；
[0055]
所述存储器用于存储程序；
[0056]
所述处理器执行所述程序实现如前面所述的方法。
[0057]
另一方面，本发明的实施例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。
[0058]
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。
[0059]
本发明实施例首先基于对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；通过主成分分析方法对所述数据矩阵进行特征提取，得到主成分矩阵；根据所述主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；对所述系数矩阵进行分解，得到目标权重矩阵；基于所述目标权重矩阵，筛选得到关键原始特征。本发明通过将主成分分析法得到的主成分矩阵作为目标深度原型网络的辅助信息，进而通过训练目标深度原型分析网络，得到目标数据原型的系数矩阵，通过分解系数矩阵，能够得到权重矩阵并从中筛选出与原型个体相关度最高的关键原始特征。本发明在去除冗余特征实现降维效果的同时，使获得的特征保留原始特征的物理含义。
附图说明
[0060]
为了更清楚地说明本发明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。
[0061]
图1为本发明实施例提供的一种基于多源遥感数据的无监督特征选择方法的流程示意图；
[0062]
图2为本发明实施例提供的目标深度原型分析网络的示意图；
[0063]
图3为本发明实施例提供的针对甘蔗产量预测效果的拟合图；
[0064]
图4为通过现有技术得到的甘蔗产量预测效果的拟合图。
具体实施方式
[0065]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
[0066]
一方面，参照图1，本发明的实施例提供了一种基于多源遥感数据的无监督特征选择方法，包括：
[0067]
s100、对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；
[0068]
需要说明的是，一些实施例中，获取多源遥感数据的所有特征矩阵，确定特征矩阵数量和样本数量；根据特征矩阵数量确定数据矩阵行数，根据样本数量确定数据矩阵列数；基于数据矩阵行数和数据矩阵列数，对特征矩阵进行整合，得到数据矩阵。
[0069]
具体地，从传感器获取农作物多源遥感数据的所有n个特征矩阵，进行整合构建成行m为样本(也就是行m为像素点)、列n为特征的数据矩阵xm×n。
[0070]
s200、通过主成分分析方法对数据矩阵进行特征提取，得到主成分矩阵；
[0071]
需要说明的是，一些实施例中，基于主成分分析方法的目标损失函数，确定主成分方差；基于主成分方差，通过主成分分析方法对数据矩阵进行特征提取，得到主成分方差累计贡献率达到90％的主成分矩阵
[0072]
具体地，使用主成分分析方法对数据矩阵xm×n进行特征提取处理获得满足主成分方差累计贡献率达到90％的主成分矩阵y。主成分分析方法的目标损失函数如下所示：
[0073][0074]
其中，v(x)代表主成分与所有数据的方差，m代表数据矩阵x的样本数，n代表数据矩阵x的特征数，i代表第i个量化子区间，j代表第j个量化子区间，代表样本点投影到主成分主轴的距离，通过最大化方差v(x)可以得到对应的多个主成分，合并成主成分矩阵y。
[0075]
s300、根据主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；
[0076]
需要说明的是，一些实施例中，还包括：基于信息瓶颈方法和变分自编码器方法，
构建深度原型分析网络；基于深度原型分析网络，结合解码器分支得到第二深度原型分析网络；基于第二深度原型分析网络，结合原型损失得到目标深度原型分析网络。
[0077]
其中，一些实施例中，原型分析网络的表达式为：
[0078]
min
p(t|x)
i(x；t)-λi(t；y)
[0079]
式中，p(t|x)表示在x发生的条件下t发生的概率，min
p(t|x)
表示通过控制p(t|x)来最小化式子的值，i表示相互信息，x表示数据矩阵，t表示隐变量，λ表示第一拉格朗日乘数；其中，原型分析网络的表达式的参数化形式为：
[0080][0081]
式中，φ＝p(t|x)，θ＝p(y|t)，p(y|t)表示在t发生的条件下y发生的概率，表示通过控制p(t|x)和p(y|t)来最大化式子的值，t表示隐变量t的第t个数据点，x表示数据矩阵x的第x个数据点，y表示主成分矩阵y的第y个数据点，i
φ
(t；x)表示编码器，i
φ，θ
(t；y)表示解码器。
[0082]
一些实施例中，基于深度原型分析网络，结合解码器分支得到第二深度原型分析网络，包括：在深度原型分析网络增加解码器分支和与解码器分支关联的第二拉格朗日乘数，得到第二深度原型分析网络；其中，第二深度原型分析网络的表达式为：
[0083][0084]
式中，v表示第二拉格朗日乘数，表示在t发生的条件下发生的概率，表示数据矩阵x经过重建后得到的新数据矩阵中的第个数据点，表示解码器分支。
[0085]
一些实施例中，基于第二深度原型分析网络，结合原型损失得到目标深度原型分析网络，包括：
[0086]
通过学习第一权重矩阵和第二权重矩阵，得到数据矩阵的非线性转换；
[0087]
基于数据矩阵的非线性转换，驱动潜在空间的结构形成原型，对原型进行定位得到初始化原型矩阵；
[0088]
基于第一权重矩阵、第二权重矩阵和初始化原型矩阵，得到原型损失；
[0089]
通过第二深度原型分析网络，结合原型损失得到目标深度原型分析网络；
[0090]
其中，目标深度原型分析网络的表达式为：
[0091][0092]
式中，l
at
表示原型损失。
[0093]
具体地，通过使用主成分作为辅助信息y指导深度原型分析网络进行训练，得到最接近主成分的目标数据原型及其系数矩阵。
[0094]
如图2所示，深度原型分析网络结合了信息瓶颈(ib)和变分自编码器(vae)方法。ib方法的目标是找到一个隐变量t，在压缩数据x(即数据矩阵xm
×
n)，对x进行非线性变换得到高维空间的t的同时，尽可能多地保留第二个辅助信息矩阵y的信息。其目标函数如下所示：
[0095]
min
p(t|x)
i(x；t)-λi(t；y)
[0096]
式中，p(t|x)表示在x发生的条件下t发生的概率，min
p(t|x)
表示通过控制p(t|x)来
最小化式子的值，i表示相互信息，x表示数据矩阵，t表示隐变量，λ表示第一拉格朗日乘数。ib马尔可夫链t-x-y和上述公式的参数化形式可表示为：
[0097][0098]
式中，φ＝p(t|x)，θ＝p(y|t)，p(y|t)表示在t发生的条件下y发生的概率，表示通过控制p(t|x)和p(y|t)来最大化式子的值，t表示隐变量t的第t个数据点，x表示数据矩阵x的第x个数据点，y表示主成分矩阵y的第y个数据点，i
φ
(t；x)表示编码器，i
φ，θ
(t；y)表示解码器。上式中的两个项可以分别被看作是编码器和解码器，具体公式为：
[0099][0100][0101]
式中，d
kl
(*)表示相对熵(即kl散度)，p(*)表示随机变量的概率分布，p
φ
(t|x)表示表示x发生的条件下t发生的概率，p
φ
(t|x,y)表示联合事件x,y发生的条件下t发生的概率，p
θ
(y|t)表示t发生的条件下y发生的概率。
[0102]
接着使用一个额外的解码器分支来预测重建这种扩展需要增加一个项和一个额外的拉格朗日乘数v。具体目标函数公式如下：
[0103][0104]
式中，表示数据矩阵x经过重建后得到的新数据矩阵中的第个数据点，表示互信息估计值。互信息估计值的计算方法与公式i
φ，θ
(t；y)相同。
[0105]
通过学习第一权重矩阵a∈rm×k和第二权重矩阵b∈rm×k，并利用数据x的非线性转换t，能够驱动潜在空间的结构形成原型。对数据矩阵进行非线性变换的公式如下：
[0106][0107]
式中，ti表示隐变量t的具体值，x表示数据矩阵x的具体值，n表示高斯分布，z表示原型矩阵，ai表示权重矩阵a的具体参数，μi表示ai的平均值，表示ai的方差，i表示相互信息。通过ai给出的平均值μi和方差是编码器学到的数据矩阵x的具体数据点x的非线性变换。
[0108]
因为在潜在空间中没有绝对的参考框架，需要将k个原型定位在一个(k-1)的简易坐标点上，并将这些固定的坐标收集到初始化原型矩阵z
fixed
中。这导致了一个额外的与距离有关的原型损失，即：
[0109]
l
at
＝||z
fixed-baz
fixed
||2＝||z
fixed-z
pred
||2[0110]
式中，z
pred
＝baz
fixed
是给定学习到的权重矩阵a和b的预测原型位置。为了使损失函数l
at
最小化，深层原型分析网络的目标函数可提炼为：
[0111][0112]
通过不断学习权重矩阵a和b，找到满足目标函数的最佳结果，就可以获得最接近
主成分的数据原型z
fixed
及其权重矩阵a(即系数矩阵)。
[0113]
s400、对系数矩阵进行分解，得到目标权重矩阵；
[0114]
需要说明的是，一些实施例中，基于系数矩阵，通过矩阵分解计算结合线性优化，得到数据矩阵与系数矩阵之间联系的目标权重矩阵。
[0115]
具体地，对系数矩阵a∈rm×k按a＝xc的目标进行分解，x表示数据矩阵。初始化构造权重矩阵cn×k(即目标权重矩阵)，并令系数矩阵am×k≈xm×
ncn
×k。求解cn×
k问题可以转化为如下的线性优化问题：
[0116][0117]
式中，c表示目标权重矩阵，a表示系数矩阵，x表示数据矩阵，m表示样本数量，l表示第l个量化子区间，a
l
表示系数矩阵a的第l个具体值，x
l
表示数据矩阵x的第l个具体值，k表示原型个数，i表示第i个量化子区间，c
j,i
表示c矩阵中第j列第i行的值。
[0118]
通过矩阵分解计算可以得到能揭示原数据矩阵xm×n与以原型为特征的系数矩阵am×k之间联系的权重矩阵cn×k。
[0119]
s500、基于目标权重矩阵，筛选得到关键原始特征。
[0120]
需要说明的是，一些实施例中，基于目标权重矩阵，通过关键原始特征筛选计算，得到关键原始特征；
[0121]
其中，关键原始特征筛选计算的表达式为：
[0122]eg
＝{xi|cg(i)＝＝max(cg)}
[0123]
式中，eg表示关键原始特征的集合，xi表示数据矩阵x中的第i列数据，cg表示目标权重矩阵c中的第g列数据，cg(i)表示目标权重矩阵c中的第g列数据第i列行的值。
[0124]
具体地，从权重矩阵c∈rn×k中，可以知道k个原型中的每个原型主要由哪些原始特征构成，最后筛选出那些对构成原型有较大贡献的关键原始特征，其公式如下
[0125]eg
＝{xi|cg(i)＝＝max(cg)}
[0126]
由上式可以得到最终筛选出来的关键原始特征集合，即eg。
[0127]
在一个具体实施例中，应用甘蔗的多源遥感数据，通过不同特征处理方法对数据进行处理，然后应用到产量预测模型上进行比较。如图3所示，其是通过本发明对于甘蔗得到的产量预测模型性能。如图4所示，其是传统方法得到的产量预测模型性能的拟合效果图。由此，根据对比，可以看出本发明所提出的特征选择方法得到的产量预测模型的效果更优。
[0128]
综上所述，本发明通过将主成分分析法得到的数据信息作为深度原型网络的辅助信息输入，可以指导深度原型网络在输入数据的潜在空间上通过学习合适的矩阵参数来寻找最接近主成分的输入数据的代表性个体，同时反馈该原型的系数矩阵结果，然后通过分解系数矩阵，可以得到权重矩阵并从中筛选出与原型个体相关度最高的关键原始特征。这就是本发明提出的基于农作物多源遥感数据的无监督特征选择模型的处理结果。与现有技术相比，本发明的有益效果及优点：在去除冗余特征实现降维效果的同时，使获得的新特征保留原始特征的物理含义，避开了传统pca降维方法获得的特征不具备实际意义的难题，对于后续追求可解释性的机器学习工作有较大的帮助。
[0129]
另一方面，本发明的实施例提供了一种基于多源遥感数据的无监督特征选择系
统，包括：第一模块，用于对获取的多源遥感数据的特征矩阵进行整合，得到预设格式的数据矩阵；第二模块，用于通过主成分分析方法对数据矩阵进行特征提取，得到主成分矩阵；第三模块，用于根据主成分分析矩阵，训练目标深度原型分析网络，得到目标数据原型的系数矩阵；第四模块，用于对系数矩阵进行分解，得到目标权重矩阵；第五模块，用于基于目标权重矩阵，筛选得到关键原始特征。
[0130]
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0131]
本发明实施例的另一方面还提供了一种基于多源遥感数据的无监督特征选择系统，包括处理器以及存储器；
[0132]
所述存储器用于存储程序；
[0133]
所述处理器执行所述程序实现如前面所述的方法。
[0134]
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0135]
本发明实施例的另一方面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。
[0136]
本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
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-on ly 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。
[0141]
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，以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、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装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
[0142]
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。
[0143]
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装置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。
[0144]
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。
[0145]
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。
[0146]
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发明权利要求所限定的范围内。