无线网络连接方法及终端设备与流程

本发明涉及通信技术领域，尤其涉及一种无线网络连接方法及终端设备。

背景技术：

随着智能设备的普及，带来了无线网络的繁荣。每当用户打开智能设备搜索时，周围可能发现多个可供连接的无线网络，这给用户带来便利的同时，也导致不少困扰。目前在智能设备发现多个无线网络时，通常会选择一个信号强的无线网络进行自动连接，如果自动连接的无线网络不能使用(如有的无线网络连接后需要登录相应的网站进行认证才能使用)，或者该无线网络不是用户当前想要连接的无线网络，用户需要手动进行无线网络的切换。现有智能设备的无线网络连接方式容易自动连接到错误的无线网络，需要用户进行手动切换，导致用户操作繁琐，使用不便。

技术实现要素：

有鉴于此，本发明实施例提供了无线网络连接方法及终端设备，以解决目前无线网络连接方式容易自动连接到错误的无线网络，需要用户进行手动切换，导致用户操作繁琐的问题。

本发明实施例的第一方面提供了无线网络连接方法，包括：

扫描所述终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络；

从所述连接记录中获取各个第一无线网络的历史信息；

根据机器学习模型和各个第一无线网络的历史信息进行预测处理；

获取预测出的预测无线网络，并连接所述预测无线网络。

本发明实施例的第二方面提供了无线网络连接装置，包括：

选取模块，用于扫描所述终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络；

获取模块，用于从所述连接记录中获取各个第一无线网络的历史信息；

预测模块，用于根据机器学习模型和各个第一无线网络的历史信息进行预测处理；

连接模块，用于获取预测出的预测无线网络，并连接所述预测无线网络。

本发明实施例的第三方面提供了终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中的无线网络连接方法。

本发明实施例的第四方面提供了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的无线网络连接方法。

本发明实施例与现有技术相比存在的有益效果是：通过扫描终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络，从连接记录中获取各个第一无线网络的历史信息，根据机器学习模型和各个第一无线网络的历史信息进行预测处理，获取预测出的预测无线网络，并连接预测无线网络，能够利用机器学习模型根据用户的连接习惯预测出当前最适合的无线网络，在有多个可连接的无线网络的情况下，能够智能连接最适合的无线网络，从而降低用户需要手动重新选择无线网络的可能性，减少用户操作，增强无线网络连接的便捷性，提升用户体验。

附图说明

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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的无线网络连接方法的实现流程图；

图2是本发明实施例提供的无线网络连接方法中进行预测处理的实现流程图；

图3是本发明实施例提供的无线网络连接方法中根据机器学习模型的第一预设预测模式进行预测处理的实现流程图；

图4是本发明实施例提供的无线网络连接方法中进行预测处理的实现流程图；

图5是本发明实施例提供的无线网络连接方法中根据所述机器学习模型的第二预设预测模式进行预测处理的实现流程图；

图6是本发明实施例提供的无线网络连接方法中根据智能连接开关选择连接方式的程序流程图；

图7是本发明实施例提供的无线网络连接装置的示意图；

图8是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1为本发明实施例提供的无线网络连接方法的实现流程图，详述如下：

在s101中，扫描所述终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络。

在本实施例中，终端设备为能够连接无线网络的计算设备，如手机、桌上型计算机、笔记本、平板电脑等。无线网络为通过采用无线通信技术实现的网络，如通过蓝牙通信、wi-fi(wirelessfidelity，无线保真)通信、gprs(generalpacketradioservice，通用分组无线服务技术)通信等无线通信技术的无线网络。

连接记录为保存终端设备无线网络历史连接的相关信息的数据库。连接记录可以保存终端设备成功连接过的无线网络的网络信息，网络信息可以包括但不限于网络标识、网络密码、连接时间、连接地点和连接状态中的一种或多种。

连接记录可以保存于终端设备的内部存储中，在需要获取连接记录时直接从内部存储中读取；连接记录也可以保存于服务器中，在需要获取连接记录时从服务器获取相应的记录。第一无线网络为既被终端设备扫描到，又存在于连接记录中的无线网络。终端设备可以扫描周围可连接的无线网络，并获取连接记录，通过对比扫描到的无线网络和连接记录中的无线网络，从扫描到的无线网络中选取出第一无线网络。

可选地，终端设备可以按照预设周期扫描周围可连接的无线网络，并获取每个无线网络的网络标识等信息。对于每个无线网络，根据网络标识在连接记录中查找是否存在该无线网络，将在连接记录中查找到的无线网络作为第一无线网络。

在s102中，从所述连接记录中获取各个第一无线网络的历史信息。

在本实施例中，可以从连接记录中获取各个第一无线网络的历史信息，例如，可以获取预设时间段内各个第一无线网络的历史信息。预设时间段可以根据需求进行设定，如可以设为30天，或者以当前时间为截止的10天内等。

可选地，所述历史信息包括历史连接位置、历史连接时间和历史连接状态信息。其中，历史连接位置为连接该第一无线网络时终端设备的位置信息。历史连接时间为连接该第一无线网络的时间。历史连接状态信息为连接该第一无线网络时的状态信息，可以包括但不限于信号强度、连接速度、连接频率中的一种或多种。一个第一无线网络对应一个历史信息，一个历史信息对应至少一个历史连接位置、至少一个历史连接时间和至少一个历史连接状态。一个历史信息中的历史连接位置、历史连接时间和历史连接状态的个数相同。

终端设备每成功连接一次第一无线网络，将该次的连接信息保存于连接记录中该第一无线网络的历史信息。历史信息中包含的历史连接位置的个数越多，该历史信息对应的第一无线网络与终端设备的连接次数越多。

在s103中，根据机器学习模型和各个第一无线网络的历史信息进行预测处理。

在本实施例中，可以根据机器学习模型和各个第一无线网络的历史信息进行预测，预测当前最合适的无线网络。采用机器学习方法可以通过用户选择无线网络的习惯生成的模型进行预测。模型预测时，会从输入的多个无线网络信息中，输出一个用户最有可能连接的无线网络。例如，可以根据第一无线网络的历史连接位置和历史连接时间对用户习惯进行推理，进而预测出当前时间和当前位置用户最有可能会连接的无线网络。

作为本发明的一个实施例，如图2所示，s103可以包括：

在s201中，将各个第一无线网络的历史信息输入所述机器学习模型。

在本实施例中，可以预先建立机器学习模型，并利用训练数据集对机器学习模型进行训练。将各个第一无线网络的历史信息输入到机器学习模型中。

在s202中，根据所述机器学习模型的第一预设预测模式进行预测处理。

在本实施例中，可以根据机器学习模型的第一预设预测模式和输入的各个第一无线网络的历史信息进行预测。其中，第一预设预测模式可以根据各个第一无线网络的历史信息计算各个第一无线网络的连接频次，再根据各个第一无线网络的连接频次进行预测处理。

作为本发明的一个实施例，如图3所示，s202可以包括：

在s301中，根据第一预设时间段内各个第一无线网络的历史连接位置和历史连接时间确定各个第一无线网络对应的连接频次。

在本实施例中，在第一预设时间段内，一个第一无线网络的历史信息中可能包括一个或多个历史连接位置，同一历史连接位置可能对应多个历史连接时间。例如，对于一个第一无线网络，历史信息中包括历史连接位置a和历史连接位置b，其中历史连接位置a对应的历史连接时间为3个，历史连接位置b对应的历史连接时间为7个，则表明该第一无线网络在第一预设时间段内与终端设备共连接了10次，在a处连接了3次，在b处连接了7次。

可选地，可以根据第一预设时间段内各个第一无线网络的历史连接位置和历史连接时间可以分别计算第一预设时间段内各个第一无线网络在各个连接位置的连接次数，将各个第一无线网络对应的连接次数中的最大次数确定为各个第一无线网络对应的连接频次。还以之前的例子进行说明，一个第一无线网络在第一预设时间段内与终端设备在a处连接了3次，在b处连接了7次，那么可以将7确定为该第一无线网络对应的连接频次。

可选地，可以根据第一预设时间段内各个第一无线网络的历史连接位置和历史连接时间可以分别计算第一预设时间段内各个第一无线网络在各个连接位置的连接次数，将各个第一无线网络对应的连接次数之和确定为各个第一无线网络对应的连接频次。还以之前的例子进行说明，一个第一无线网络在第一预设时间段内与终端设备在a处连接了3次，在b处连接了7次，那么可以将10确定为该第一无线网络对应的连接频次。

在s302中，按照各个第一无线网络对应的连接频次对各个第一无线网络进行排序，选取预设个数的连接频次最大的第二无线网络。

在本实施例中，预设个数可以根据实际需求进行设定，如预设个数可以为3，5等。可选地，可以根据第一无线网络的个数和预设比例系数确定预设个数。例如，若第一无线网络的个数为10，预设比例系数为30％，则预设个数可以确定为10*30％＝3。

第二无线网络为所有第一无线网络中连接频次较高的无线网络。例如，预设个数为3，对各个第一无线网络按照从大到小的顺序进行排序，则选取前三个第一无线网络作为第二无线网络。

在s303中，根据各个第二无线网络的历史连接状态信息对各个第二无线网络进行评估，并根据评估结果确定所述预测无线网络。

在本实施例中，可以根据各个第二无线网络的历史连接状态信息对各个第二无线网络进行评估，将其中评估结果最好的第二无线网络确定为预测无线网络。

本实施例首先根据第一预设时间段内各个第一无线网络的历史连接位置和历史连接时间确定各个第一无线网络对应的连接频次，从各个第一无线网络中选取预设个数的连接频次最大的第二无线网络，然后根据各个第二无线网络的历史连接状态信息对各个第二无线网络进行评估，并根据评估结果确定预测无线网络，能够利用连接频次对第一无线网络进行一次筛选，排除掉连接频次较小的第一无线网络，一方面能够减少评估处理的数据量，提高预测速度；另一方面能够将用户不常连接的无线网络排除在预测结果之外，使预测结果更符合用户的连接习惯，从而降低用户需要手动重新选择无线网络的可能性。

作为本发明的一个实施例，在s101之后，s103之前还可以包括：

获取各个第一无线网络的当前信息。

在本实施例中，终端设备可以通过扫描获取各个第一无线网络的当前信息。步骤“获取各个第一无线网络的当前信息”可以在s102之前，也可以在s102之后，也可以并列进行，在此不作限定。

如图4所示，s103可以包括：

在s401中，将各个第一无线网络的历史信息和当前信息输入所述机器学习模型。

在本实施例中，将各个第一无线网络的历史信息和各个第一无线网络的当前信息输入到机器学习模型中。

在s402中，根据所述机器学习模型的第二预设预测模式进行预测处理。

在本实施例中，可以根据机器学习模型的第二预设预测模式、各个第一无线网络的历史信息和各个第一无线网络的当前信息进行预测。

作为本发明的一个实施例，所述当前信息包括当前连接位置、当前连接时间和当前连接状态信息。

在本实施例中，当前连接位置为终端设备当前所在的位置。当前连接时间为当前的时间。当前连接状态信息为当前第一无线网络的连接状态信息，可以包括但不限于信号强度、连接速度、连接频率中的一种或多种。

如图5所示，s402可以包括：

在s501中，根据第二预设时间段内各个第一无线网络的历史连接位置计算各个第一无线网络对应的历史平均位置。

在实施例中，可以将第二预设时间段内的各个第一无线网络的所有历史连接位置的坐标信息求平均，计算各个第一无线网络对应的历史平均位置。例如，一个第一无线网络的历史信息中包括历史连接位置a和历史连接位置b，其中在a处的连接次数为3次，在b处连接次数为7次，a处的坐标信息为(x1,y1)，b处的坐标信息为(x2,y2)，则计算出的该第一无线网络对应的历史平均位置为

在s502中，将各个第一无线网络对应的历史平均位置和当前连接位置之间的距离作为各个第一无线网络的第一差值。

在本实施例中，一个第一无线网络对应一个历史平均位置和一个当前连接位置，计算该第一无线网络对应的历史平均位置和当前连接位置之间的距离，将二者之间的距离作为第一差值。

在s503中，根据第二预设时间段内各个第一无线网络的历史连接时间计算各个第一无线网络对应的历史平均时间。

在本实施例中，可以将第二预设时间段内的各个第一无线网络的所有历史连接时间求平均，计算各个第一无线网络对应的历史平均时间。例如，一个第一无线网络的历史信息中包括历史连接时间c和历史连接时间d，其中在时间c时的连接次数为3次，在时间d时连接次数为7次，则计算出的该第一无线网络对应的历史平均时间为假设c为16:00，d为18:00，则历史平均时间为17:24。

在s504中，将各个第一无线网络对应的历史平均时间和当前连接时间作差，计算各个第一无线网络的第二差值。

在本实施例中，一个第一无线网络对应一个历史平均时间和一个当前连接时间，计算该第一无线网络对应的历史平均时间和当前连接时间之间的差值，将二者之间的差值作为第二差值。

在s505中，根据各个第一无线网络的第一差值、第二差值和当前连接状态信息确定所述预测无线网络。

在本实施例中，可以将各个第一无线网络的第一差值、第二差值和当前连接状态信息输入预测模块，对最合适的无线网络进行预测。

本实施例通过将各个第一无线网络对应的历史平均位置和当前连接位置之间的距离作为各个第一无线网络的第一差值，将各个第一无线网络对应的历史平均时间和当前连接时间作差，计算各个第一无线网络的第二差值，再根据各个第一无线网络的第一差值、第二差值和当前连接状态信息确定预测无线网络，能够将历史平均位置和当前连接位置之间的距离，以及历史平均时间和当前连接时间的差值加入到预测的参考量，使位置因素和时间因素能够充分参与到预测过程，从而使预测出的预测无线网络更加符合用户的连接习惯，从而降低用户需要手动重新选择无线网络的可能性，增强无线网络连接的便捷性，提升用户体验。

在s104中，获取预测出的预测无线网络，并连接所述预测无线网络。

在本实施例中，终端设备可以获取机器学习模型预测出的预测无线网络，自动连接到该预测无线网络。

本发明实施例通过扫描终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络，从连接记录中获取各个第一无线网络的历史信息，根据机器学习模型和各个第一无线网络的历史信息进行预测处理，获取预测出的预测无线网络，并连接预测无线网络，能够利用机器学习模型根据用户的连接习惯预测出当前最适合的无线网络，在有多个可连接的无线网络的情况下，能够智能连接最适合的无线网络，从而降低用户需要手动重新选择无线网络的可能性，减少用户操作，增强无线网络连接的便捷性，提升用户体验。

作为本发明的一个实施例，如图6所示，该无线网络连接方法还可以包括：

在s601中，获取智能连接开关的状态信息。

在本实施例中，终端设备可以设置智能连接开关，智能连接开关用于控制本实施例提供的无线网络连接方法功能的开启或关闭。智能连接开关的状态信息可以包括但不限于开始和关闭。用户可以通过对智能连接开关设置来选择终端设备是否使用本实施例提供的无线网络连接方法功能。

在s602中，若所述智能连接开关的状态信息为关闭，则根据系统默认方式连接无线网络。

在本实施例中，若智能连接开关的状态信息为关闭，则根据系统默认方式连接无线网络。其中，系统默认方式可以包括但不限于选择当前信号强度最大的无线网络进行连接、选择上一次连接的无线网络进行连接、选择用户预选设定的默认无线网络进行连接中的一种或多种方式。若智能连接开关的状态信息为开启，则终端设备根据本实施例提供的无线网络连接方法连接无线网络。

本实施例通过智能连接开关，能够方便用户对无线网络的连接方式进行选择，使终端设备连接无线网络的方式更为灵活。

本发明实施例通过扫描终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络，从连接记录中获取各个第一无线网络的历史信息，根据机器学习模型和各个第一无线网络的历史信息进行预测处理，获取预测出的预测无线网络，并连接预测无线网络，能够利用机器学习模型根据用户的连接习惯预测出当前最适合的无线网络，在有多个可连接的无线网络的情况下，能够智能连接最适合的无线网络，从而降低用户需要手动重新选择无线网络的可能性，减少用户操作，增强无线网络连接的便捷性，提升用户体验。

应理解，上述实施例中各步骤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，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的无线网络连接方法，图7示出了本发明实施例提供的无线网络连接装置的示意图。为了便于说明，仅示出了与本实施例相关的部分。

参照图7，该装置包括选取模块71、获取模块72、预测模块73和连接模块74。

选取模块71，用于扫描所述终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络。

获取模块72，用于从所述连接记录中获取各个第一无线网络的历史信息。

预测模块73，用于根据机器学习模型和各个第一无线网络的历史信息进行预测处理。

连接模块74，用于获取预测出的预测无线网络，并连接所述预测无线网络。

可选地，所述历史信息包括历史连接位置、历史连接时间和历史连接状态信息。

可选地，所述预测模块73用于：

将各个第一无线网络的历史信息输入所述机器学习模型；

根据所述机器学习模型的第一预设预测模式进行预测处理。

可选地，所述预测模块73用于：

根据第一预设时间段内各个第一无线网络的历史连接位置和历史连接时间确定各个第一无线网络对应的连接频次；

按照各个第一无线网络对应的连接频次对各个第一无线网络进行排序，选取预设个数的连接频次最大的第二无线网络；根据各个第二无线网络的历史连接状态信息对各个第二无线网络进行评估，并根据评估结果确定所述预测无线网络。

可选地，所述获取模块72还用于：

获取各个第一无线网络的当前信息。

所述预测模块73用于：

将各个第一无线网络的历史信息和当前信息输入所述机器学习模型；

根据所述机器学习模型的第二预设预测模式进行预测处理。

可选地，所述预测模块73用于：

根据第二预设时间段内各个第一无线网络的历史连接位置计算各个第一无线网络对应的历史平均位置；

将各个第一无线网络对应的历史平均位置和当前连接位置之间的距离作为各个第一无线网络的第一差值；

根据第二预设时间段内各个第一无线网络的历史连接时间计算各个第一无线网络对应的历史平均时间；

将各个第一无线网络对应的历史平均时间和当前连接时间作差，计算各个第一无线网络的第二差值；

根据各个第一无线网络的第一差值、第二差值和当前连接状态信息确定所述预测无线网络。

可选地，该装置还包括开关设置模块；所述开关设置模块用于：

获取智能连接开关的状态信息；

若所述智能连接开关的状态信息为关闭，则根据系统默认方式连接无线网络。

本发明实施例通过扫描终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络，从连接记录中获取各个第一无线网络的历史信息，根据机器学习模型和各个第一无线网络的历史信息进行预测处理，获取预测出的预测无线网络，并连接预测无线网络，能够利用机器学习模型根据用户的连接习惯预测出当前最适合的无线网络，在有多个可连接的无线网络的情况下，能够智能连接最适合的无线网络，从而降低用户需要手动重新选择无线网络的可能性，减少用户操作，增强无线网络连接的便捷性，提升用户体验。

图8是本发明一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如程序。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块71至74的功能。

示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如，所述计算机程序82可以被分割成选取模块、获取模块、预测模块和连接模块，各模块具体功能如下：

选取模块，用于扫描所述终端设备周围的各个无线网络，并从各个无线网络中选取保存于连接记录中的第一无线网络；

获取模块，用于从所述连接记录中获取各个第一无线网络的历史信息；

预测模块，用于根据机器学习模型和各个第一无线网络的历史信息进行预测处理；

连接模块，用于获取预测出的预测无线网络，并连接所述预测无线网络。

所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。

所称处理器80可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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、或者计算机软件和电子硬件的结合来实现。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发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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实施例方案的目的。

另外，在本发明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。

所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述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，均应包含在本发明的保护范围之内。