移动网络定位方法、装置及其介质与流程

1.本公开涉及移动网络定位方法、装置及其介质。


背景技术：

2.移动网络定位是指基于无线网络的测量报告提供定位能力。测量报告(measurment report，mr)包括移动网络中的各种测量信令，通过基站获取用户提供的无线信号测量的报告，是移动网络覆盖质量评估主要依据之一。为mr数据赋予位置而提供定位能力，由此可进行无线网络指标的地理化、数字化呈现，实现无线网络的全网全覆盖质量测评，进而可以更高效解决网络问题，并支撑无线网优数字化转型。
3.然而4g网络仅有3％的mr具有agps(辅助全球定位系统)信息，97％的mr没有位置信息(例如，经度和纬度信息)，需通过移动网络定位来回填位置。传统方法是基于空间几何定位方法，容易受无线环境影响，定位精度并不高，为了适应多种无线网络环境，要对覆盖区域进行数据采样而建立位置指纹库。但这种方法要将所有数据和样本指纹进行匹配计算，消耗存储空间，计算量非常大，预测速度很慢。
4.为了解决现有技术中的一个或多个问题，提出了本公开。


技术实现要素：

5.在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
6.根据本公开的一个方面，提供一种移动网络定位方法，包括：接收与位置数据相关联的多个测量报告数据，并基于所述位置数据识别每个小区的多个覆盖区域；构建所述多个测量报告数据中的每个测量报告数据的多个特征；使用所述多个测量报告数据的所述多个特征以及对应覆盖区域编号值，对每个小区的覆盖区域分类模型进行训练；按覆盖区域对所述多个测量报告数据进行分组，并使用分组后的所述多个测量报告数据的所述多个特征以及与每个测量报告数据相关联的位置数据，对每个小区的每个覆盖区域的回归模型进行训练；构建待定位测量报告数据的所述多个特征，并基于该多个特征，使用与所述待定位测量报告数据对应的小区的覆盖区域分类模型预测所述待定位测量报告数据的归属覆盖区域编号值；以及基于待定位测量报告数据的所述多个特征，使用所述归属覆盖区域的回归模型预测与所述待定位测量报告数据相关联的位置。
7.根据本公开的另一个方面，提供一种移动网络定位装置，包括：存储器，其上存储有指令；以及处理器，被配置为执行存储在所述存储器上的指令，以执行如上所述的方法。
8.根据本公开的又一个方面，提供一种计算机可读存储介质，其包括计算机可执行指令，所述计算机可执行指令在由一个或多个处理器执行时，使得所述一个或多个处理器执行根据本公开的上述方面所述的方法。
9.根据本公开的又一个方面，提供一种移动网络定位装置，包括：数据处理模块，被配置成接收与位置数据相关联的多个测量报告数据并对测量报告数据进行处理；小区覆盖区域识别模块，被配置成基于所述位置数据识别每个小区的多个覆盖区域；特征构建模块，被配置成构建所述多个测量报告数据中的每个测量报告数据的多个特征，以及构建待定位测量报告数据的所述多个特征；覆盖区域分类模型训练模块，被配置成使用所述多个测量报告数据的所述多个特征以及对应覆盖区域编号值，对每个小区的覆盖区域分类模型进行训练；回归模型训练模块，被配置成按覆盖区域对所述多个测量报告数据进行分组，并使用分组后的所述多个测量报告数据的所述多个特征以及与每个测量报告数据相关联的位置数据，对每个小区的每个覆盖区域的回归模型进行训练；以及位置预测模块，被配置成基于待定位测量报告数据的所述多个特征，使用与所述待定位测量报告数据对应的小区的覆盖区域分类模型预测所述待定位测量报告数据的归属覆盖区域编号值，并且基于待定位测量报告数据的所述多个特征，使用所述归属覆盖区域的回归模型预测与所述待定位测量报告数据相关联的位置。
附图说明
10.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
11.参照附图，根据下面的详细描述，可以更清楚地理解本公开，其中：
12.图1示出了现有技术的移动网络定位方法的流程；
13.图2示出了根据本公开的一个实施例的移动网络定位方法的流程；
14.图3示出了根据本公开的一个实施例的移动网络定位方法的流程；
15.图4示出了根据本公开的小区的多个多边形覆盖区域的示例；
16.图5示出了根据本公开的测量报告的邻区特征的排列顺序的调整示例；
17.图6示出了根据本公开的定位方法与现有方法的精度比较示例；
18.图7示出了根据本公开的一个实施例的移动网络定位装置的框图；
19.图8示出了可以实现根据本公开的实施例的计算设备的示例性配置。
具体实施方式
20.参考附图进行以下详细描述，并且提供以下详细描述以帮助全面理解本公开的各种示例实施例。以下描述包括各种细节以帮助理解，但是这些细节仅被认为是示例，而不是为了限制本公开，本公开是由随附权利要求及其等同内容限定的。在以下描述中使用的词语和短语仅用于能够清楚一致地理解本公开。另外，为了清楚和简洁起见，可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对本文描述的示例进行各种改变和修改。
21.在现有技术中，较多地通过机器学习建立小区级位置预测回归模型，进行mr位置预测并回填位置。如图1所示，将agps-mr和台账(即，基站小区的台账数据，主要记录基站小区的物理小区标识、挂高、方位角、频点配置、经纬度等工程参数信息)作为输入，首先关联获取到基站小区位置，再以小区为模型对象，并以小区和邻区(即，邻小区)的位置、rsrp等构建特征，采用决策树建立回归模型。通过建立的回归模型，对非agps的mr进行位置预测，
给没有位置的mr赋予位置信息。
22.目前上述方案存在两个问题：1.基站台账数据需要人工维护，错误较多，影响定位精度；2.小区级模型无法考虑不同环境下信号的差异性，定位特征区分度不够，难以泛化通用，导致定位精度不高、稳定性较差。
23.本公开要解决的一个技术问题是如何实现移动网络定位精度提升的方法。此外，本公开还旨在解决目前回归模型导致的定位精度不高、定位稳定性较差的问题，以支撑提升4g网络、5g网络的mr定位精度和移动网络定位服务能力，推动实现移动网络智慧运营。
24.如图2所示，根据本公开的一个实施例，提供了一种移动网络定位方法(10)，包括：接收与位置数据相关联的多个测量报告数据，并基于所述位置数据识别每个小区的多个覆盖区域(101)；构建所述多个测量报告数据中的每个测量报告数据的多个特征(102)；使用所述多个测量报告数据的所述多个特征以及对应覆盖区域编号值，对每个小区的覆盖区域分类模型进行训练(103)；按覆盖区域对所述多个测量报告数据进行分组，并使用分组后的所述多个测量报告数据的所述多个特征以及与每个测量报告数据相关联的位置数据，对每个小区的每个覆盖区域的回归模型进行训练(104)；构建待定位测量报告数据的所述多个特征，并基于该多个特征，使用与所述待定位测量报告数据对应的小区的覆盖区域分类模型预测所述待定位测量报告数据的归属覆盖区域编号值(105)；以及基于待定位测量报告数据的所述多个特征，使用所述归属覆盖区域的回归模型预测与所述待定位测量报告数据相关联的位置(106)。
25.通过上述方法，本公开将小区的覆盖区域分类模型和每个覆盖区域的回归模型融合起来，首先使用覆盖区域分类模型预测待定位测量报告数据所属于的小区覆盖区域，然后使用预测出的小区覆盖区域的回归模型(位置回归模型)预测待定位测量报告数据的具体位置。通过所述两个模型的组合预测，能够缩小回归模型所针对的地理区域，使得位置特征区分度更精细化，模型泛化能力较好，提升了定位精度和稳定性。
26.在一个实施例中，可选地，基于位置数据识别每个小区的多个覆盖区域的步骤(101)可以包括：按小区对所述多个测量报告数据进行分组；以及基于与同一小区的多个测量报告数据相关联的位置数据，通过密度聚类算法识别每个小区的多个覆盖区域。
27.在一个实施例中，可选地，所述多个特征可以包括主小区特征和邻区特征。
28.在一个实施例中，可选地，所述多个特征可以包括主小区时间提前量、主小区参考信号接收强度、主小区参考信号接收质量、主小区方位到达角、邻区参考信号接收强度以及邻区参考信号接收质量。
29.在一个实施例中，可选地，所述多个特征可以包括多个邻区的邻区特征(例如，邻区参考信号接收强度以及邻区参考信号接收质量)，并且，其中，针对每个小区，可以统计与每个小区相关联的所有邻区的邻区频点和邻区物理小区识别码的组合数量(即，邻区频点及其所属的邻区物理小区识别码的组合的出现次数)，按所述组合数量的降序对邻区进行排序，并按排序后的邻区顺序确定每个小区的各个邻区特征的排列顺序。
30.在一个实施例中，可选地，待定位测量报告数据的所述多个特征的排列顺序与所述测量报告数据的所述多个特征的排列顺序相同。
31.在一个实施例中，可选地，所述多个覆盖区域中的每个覆盖区域是连续区域。
32.在一个实施例中，可选地，通过密度聚类算法识别每个小区的多个覆盖区域的步
骤可以包括：通过多边形滚边算法将每个小区识别为多个多边形覆盖区域。
33.以下更具体地描述根据本公开的移动网络定位方法。
34.图3是示出根据本公开的移动网络定位方法的流程的流程图。
35.本公开的方法用于移动网络数据定位，其具体实施分为两个阶段，一是建立定位模型阶段，二是调用定位模型预测位置阶段，具体实现步骤如图3所示。
36.1、小区覆盖区域的识别。获取带位置标签(即，位置数据)的mr数据，如4g网络agps-mr数据。利用这些mr数据中的位置数据，针对每个小区，例如基于诸如密度聚类之类的方法，识别每个小区的多个覆盖区域。覆盖区域可以是任何形状的区域，例如，可以是多边形区域、三角形区域、圆形区域、椭圆形区域、不规则形状区域等。覆盖区域可以是连续区域，也可以是不连续区域。
37.在一个实施例中，覆盖区域的识别的一种具体实现方式可以如下。先把小区mr栅格化为20*20米栅格，并按栅格中心点采用诸如dbscan(具有噪声的基于密度的聚类方法)之类的算法进行密度聚类，其中聚类半径设置为例如50米。最小点数例如可以设置为10个栅格，得到满足条件的类簇。在一个实施例中，可以根据诸如多边形滚边算法之类的算法识别出类簇包含栅格轮廓而构成的多边形区域，作为最终小区覆盖的连片区域。
38.图4示出了根据本公开的小区的多个多边形覆盖区域的示例。示例小区含有5个小区覆盖区域。其中，dbscan的聚类半径为连片栅格之间的最大距离，最小点数为连片栅格的数量的最小值。栅格大小、聚类半径、最小点数可以根据基站站间距、覆盖场景进行动态设置，比如：覆盖市区的基站小区，栅格大小可以配置为20*20米，聚类半径可以设置为1个栅格的边长，最小点数可以设置为10个；覆盖郊区的基站小区，栅格大小可以配置为50*50米，聚类半径可以设置为2个栅格的边长，最小点数可以设置为5个；覆盖农村的基站小区，栅格大小可以配置为100*100米，聚类半径可以设置为3个栅格的边长，最小点数可以设置为3个。
39.2、对根据上一步骤识别出来的小区的多个覆盖区域按顺序编号，每个小区的每个覆盖区域都具有唯一编号值。作为一个示例，该唯一编号值可以为小区标识与顺序编号的组合。针对每条有位置标签的mr数据，对每条mr赋予其所归属于的覆盖区域的编号值。在一个实施例中，可选地，如果mr不在识别的小区的任何一个覆盖区域的内部，则可以将其视为异常值丢弃，由此可以清除一些异常的噪声点。
40.3、mr无线参数的模型特征构建。抽取每条mr的主邻区小区的信号强度等特征。具体实现可以通过诸如随机森林之类的方法进行特征选择。根据案例实际数据，较为重要的特征例如包括主小区ta(时间提前量)、主小区rsrp(参考信号强度)、主小区rsrq(参考信号质量)、主小区aoa(方位到达角)、邻区rsrp、邻区rsrq。此外，还可以将邻区fcn(频点)和邻区pci(物理小区识别码)作为辅助信息，以帮助确定mr的特征。
41.此外，由于原始mr中的邻区信息是按rsrp由强到弱进行排序的，因此每条mr的邻区信息(邻区特征)的排列顺序可能都不相同。因此，不能直接按该排列顺序作为特征进行输入。为此，需要根据mr统计与mr的归属小区相关联的所有邻区的邻区标识fcn和pci的组合及其出现次数(即，组合数量或频次)，并按组合数量由大到小对所有邻区进行排序(即，按降序)，将排序后的邻区顺序作为邻区特征的输入顺序(序列)。最终小区mr无线参数特征维度为：主小区ta、主小区rsrp、主小区rsrq、主小区aoa以及各邻区的特征序列rsrp、rsrq。
42.在一个实施例中，邻区rsrp、rsrq序列的默认值可以为0。可以根据mr中邻区的频点和pci标识，查找该邻区在邻区特征输入序列中的顺序(即，位置)，并在相应的位置赋予邻区rsrp、rsrq的值。比如：邻区序列的rsrp填写方法如图5所示。在原始的mr中，邻区特征(信息)是按rsrp强度进行排序的，rsrp强度排列可能对于每个mr来说记录顺序都不一样，不能直接按照rsrp强度排列的顺序作为特征进行输入。图5的上表示出了作为示例的三个mr的原始邻区特征列表，每一行是一个mr的原始邻区特征列表。如图5的上表所示，第一列(最左侧的列)中示出的第1个邻区有可能为邻区a、邻区b、邻区e的rsrp强度。换句话说，第1个邻区可能是彼此不统一的。
43.为了对邻区特征的排列顺序进行统一，对每个邻区出现次数进行统计，按数量从大到小进行排序，并按排序后的顺序固定邻区出现的位置。由此，使得每个mr的同一列的输入特征都是来源于相同小区(邻区)的特征。由此构建并重新排序后的邻区特征列表如图5的下表所示，第1个邻区特征只能来源于邻区出现数量(次数)最大的邻区a的强度。
44.4、以小区为模型对象构建定位分类模型。由上面步骤可以得到每个小区下的每条mr的无线参数特征和每条mr所归属于的覆盖区域编号值。采用机器学习分类算法，如随机森林、lightgbm、xgboost等分类算法，使用每个小区下的每条mr的无线参数特征以及对应覆盖区域编号值进行每个小区的覆盖区域分类模型的构建和训练，从而获得每个小区的训练后的覆盖区域分类模型。
45.5、以小区覆盖区域为模型对象构建回归模型(定位回归模型)。在一个实施例中，可以把赋有例如小区覆盖区域编号的mr，按例如小区覆盖区域标识分组，将同一个小区覆盖区域分组下的mr无线参数按照上述的mr无线参数特征构建方法进行小区覆盖区域特征构建，或者可以使用如上所述的已经构建的mr的多个特征。使用每一分组的每一条mr无线参数特征以及对应的位置数据(例如，经度和纬度)，采用机器学习回归算法，如随机森林、lightgbm、xgboost等回归算法，进行回归模型的构建和训练。由此，输出小区的每个覆盖区域的mr位置(例如，经度和纬度)的回归模型。
46.6、经过上述步骤，已经得到每个小区的覆盖区域分类模型以及每个小区的每个覆盖区域的用于进行位置预测的回归模型，并存储在定位模型库中，以供预测阶段进行调用。
47.7、在定位预测阶段，先对待预测的没有位置标签的非agps-mr按照mr无线参数的模型特征构建方法进行预测阶段的模型输入特征构建。特征维度可以与上面的训练阶段中的mr的特征维度一致，即主小区ta、主小区rsrp、主小区rsrq、主小区aoa以及邻区序列的rsrp、rsrq，其中邻区rsrp、rsrq的输入顺序(序列)与以上模型训练时采用的邻区特征输入序列一致。
48.8、根据待预测mr所归属于的小区的小区编号，在定位模型库中查找并调用相应的小区的覆盖区域分类模型，由此得到待预测mr所归属于的小区的覆盖区域编号值。
49.9、根据上一步骤得到的小区的覆盖区域编号值，在定位模型库中查找并调用相应的覆盖区域的回归模型，由此预测出待预测mr的位置(例如，经度和纬度)。
50.在一个实施例中，可选地，在预测阶段中，可以输入多个待预测mr，并按小区对这些待预测mr进行分组，进而可以针对每个小区的mr分组地进行预测，如图3中的方框“按小区分组”所示。显然，可以不进行这种按小区分组，因为可以每次仅对一个mr进行预测。此外，可以不输入多个待预测mr，而是每次仅输入一个待预测mr并对该一个mr进行预测。
51.通过本公开的上述方法，如图6所示，抽取10个小区进行验证，小区分类多边形f1值(见图6中的“按小区边形建立模型”的各列)可以达到0.92，与直接按小区建立回归模型的预测结果(即，现有技术的方法，见图6中的“按小区建立模型”的各列)相比，本公开的分类模型+回归模型的方法的平均精度(51米)比直接用回归模型的现有技术的方法的平均精度(86米)明显提高，精度提升大概40％。因此，增加小区的覆盖区域分类模型可有效提升定位精度。
52.上述分类f1是分类模型的一种标准通用评估方法。分类多边形f1值，就是在分类模型中应用f1值进行评估，是评价预测点归属小区的覆盖多边形区域的分类模型的优劣指标，f1值越高则表示分类模型越好。具体计算过程为：首先计算每个多边形区域预测准确率p，即计算每个多边形预测点中预测正确的点占比，如预测在某个多边形区域的点有100个，其中正确地在该多边形区域的有80个，那么正确率p为80/100＝80％。然后再计算每个多边形区域预测召回率r，即计算每个多边形区域中预测正确的点与多边形区域应包含的点占比，如预测在某个多边形区域的点有100个，其中正确地在该多边形区域中的点有80个，而该多边形区域实际上有200个点，那么召回率为80/200＝40％，最后根据公式计算每个多边形区域f1＝2
×
(p
×
r)/(p+r)，对小区包含的所有多边形区域的f1求平均即得到该小区分类多边形f1值。
53.图6中的“累积67％”是指小区中的所有预测点与实际位置的偏差距离，根据数量从小到大进行排序，数量累积到67％时的偏差距离。
54.以下，对本公开的技术方案进行总结。
55.针对目前移动网络mr定位方式，每个基站小区建立一个定位回归模型导致定位精度不高、定位稳定性较差的问题，提出了基于小区覆盖区域的移动网络定位方法及系统。首先，将mr数据按小区进行分组，根据小区的agps-mr位置(或者诸如路测样本之类的测量位置)数据通过密度聚类算法，识别出每个小区的覆盖范围的多个连片区域，并以主小区ta、rsrp以及邻区序列的rsrp等无线参数构建模型特征；其次，根据mr无线参数特征与小区覆盖区域先建立分类模型，再根据小区覆盖区域，利用mr无线参数特征以及诸如具体mr位置标签之类的位置数据建立回归模型；最后，在对待定位的mr数据进行位置预测时，先根据分类模型识别该mr数据的归属小区下的某一个覆盖区域，再根据所属的覆盖区域通过回归模型预测出mr的具体位置。本方案可用于4g网络、5g网络的mr定位，提升mr定位精度和网络定位服务能力，高效支撑解决无线网络问题。
56.本方案包括数据处理、小区覆盖区域识别、特征构建、覆盖区域分类模型训练、覆盖区域的回归模型训练、预测mr位置等6个模块。这些模块包括：数据处理模块：完成mr数据清洗和按照小区进行分组预处理；小区覆盖区域识别模块：通过诸如聚类算法之类的方法实现小区覆盖的多个覆盖区域的识别；特征构建模块：抽取mr的重要无线参数进行模型特征工程构建；覆盖区域分类模型训练模块：以小区的覆盖区域为对象，采用分类算法训练并输出分类模型；回归模型训练模块：以小区的每个覆盖区域为对象，采用回归算法训练并输出回归模型；mr位置预测模块：根据分类模型和回归模型的组合(融合)，预测并输出mr的位置(例如，经纬度)。
57.更具体来说，在一个实施例中，本公开提供了一种移动网络定位装置。如图7所示，该移动网络定位装置20包括：数据处理模块201，被配置成接收与位置数据相关联的多个测
量报告数据并对测量报告数据进行处理；小区覆盖区域识别模块202，被配置成基于所述位置数据识别每个小区的多个覆盖区域；特征构建模块203，被配置成构建所述多个测量报告数据中的每个测量报告数据的多个特征，以及构建待定位测量报告数据的所述多个特征；覆盖区域分类模型训练模块204，被配置成使用所述多个测量报告数据的所述多个特征以及对应覆盖区域编号值，对每个小区的覆盖区域分类模型进行训练；回归模型训练模块205，被配置成按覆盖区域对所述多个测量报告数据进行分组，并使用分组后的所述多个测量报告数据的所述多个特征以及与每个测量报告数据相关联的位置数据，对每个小区的每个覆盖区域的回归模型进行训练；以及位置预测模块206，被配置成基于待定位测量报告数据的所述多个特征，使用与所述待定位测量报告数据对应的小区的覆盖区域分类模型预测所述待定位测量报告数据的归属覆盖区域编号值，并且基于待定位测量报告数据的所述多个特征，使用所述归属覆盖区域的回归模型预测与所述待定位测量报告数据相关联的位置。
58.根据本公开的技术方案，不需要通过关联工参(即，工程参数)和台账来获取小区位置等台账信息，减小由于人工维护台账不准确而增加的定位误差。此外，以小区的覆盖区域为对象增加了分类模型，由此，回归模型所针对的覆盖区域较小，使得位置特征区分度更精细化，模型泛化能力较好，提升了定位精度和稳定性。
59.图8示出了能够实现根据本公开的实施例的计算设备1200的示例性配置。
60.计算设备1200是能够应用本公开的上述方面的硬件设备的实例。计算设备1200可以是被配置为执行处理和/或计算的任何机器。计算设备1200可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(pda)、智能电话、车载计算机或以上组合。
61.如图8所示，计算设备1200可以包括可以经由一个或多个接口与总线1202连接或通信的一个或多个元件。总线1202可以包括但不限于，工业标准架构(industry standard architecture，isa)总线、微通道架构(micro channel architecture，mca)总线、增强isa(eisa)总线、视频电子标准协会(vesa)局部总线、以及外设组件互连(pci)总线等。计算设备1200可以包括例如一个或多个处理器1204、一个或多个输入设备1206以及一个或多个输出设备1208。一个或多个处理器1204可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。处理器1204例如被配置为实现如上所述的移动网络定位方法。输入设备1206可以是能够向计算设备输入信息的任何类型的输入设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备1208可以是能够呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
62.计算设备1200还可以包括或被连接至非暂态存储设备1214，该非暂态存储设备1214可以是任何非暂态的并且可以实现数据存储的存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备1200还可以包括随机存取存储器(ram)1210和只读存储器(rom)1212。rom 1212可以以非易失性方式存储待执行的程序、实用程序或进程。ram 1210可提供易失性数据存储，并存储与计算设备1200的操作相关的指令。计算
设备1200还可包括耦接至数据链路1218的网络/总线接口1216。网络/总线接口1216可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙
tm
设备、802.11设备、wifi设备、wimax设备、蜂窝通信设施等)。
63.本公开可以被实现为装置、系统、集成电路和非瞬时性计算机可读介质上的计算机程序的任何组合。可以将一个或多个处理器实现为执行本公开中描述的部分或全部功能的集成电路(ic)、专用集成电路(asic)或大规模集成电路(lsi)、系统lsi，超级lsi或超lsi组件。
64.本公开包括软件、应用程序、计算机程序或算法的使用。可以将软件、应用程序、计算机程序或算法存储在非瞬时性计算机可读介质上，以使诸如一个或多个处理器的计算机执行上述步骤和附图中描述的步骤。例如，一个或多个存储器以可执行指令存储软件或算法，并且一个或多个处理器可以关联执行该软件或算法的一组指令，以根据本公开中描述的实施例提供各种功能。
65.软件和计算机程序(也可以称为程序、软件应用程序、应用程序、组件或代码)包括用于可编程处理器的机器指令，并且可以以高级过程性语言、面向对象编程语言、功能性编程语言、逻辑编程语言或汇编语言或机器语言来实现。术语“计算机可读介质”是指用于向可编程数据处理器提供机器指令或数据的任何计算机程序产品、装置或设备，例如磁盘、光盘、固态存储设备、存储器和可编程逻辑设备(pld)，包括将机器指令作为计算机可读信号来接收的计算机可读介质。
66.举例来说，计算机可读介质可以包括动态随机存取存储器(dram)、随机存取存储器(ram)、只读存储器(rom)、电可擦只读存储器(eeprom)、紧凑盘只读存储器(cd-rom)或其他光盘存储设备、磁盘存储设备或其他磁性存储设备，或可以用于以指令或数据结构的形式携带或存储所需的计算机可读程序代码以及能够被通用或专用计算机或通用或专用处理器访问的任何其它介质。如本文中所使用的，磁盘或盘包括紧凑盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘和蓝光盘，其中磁盘通常以磁性方式复制数据，而盘则通过激光以光学方式复制数据。上述的组合也包括在计算机可读介质的范围内。
67.提供本公开的主题作为用于执行本公开中描述的特征的装置、系统、方法和程序的示例。但是，除了上述特征之外，还可以预期其他特征或变型。可以预期的是，可以用可能代替任何上述实现的技术的任何新出现的技术来完成本公开的部件和功能的实现。
68.另外，以上描述提供了示例，而不限制权利要求中阐述的范围、适用性或配置。在不脱离本公开的精神和范围的情况下，可以对所讨论的元件的功能和布置进行改变。各种实施例可以适当地省略、替代或添加各种过程或部件。例如，关于某些实施例描述的特征可以在其他实施例中被结合。
69.另外，在本公开的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性和顺序。
70.类似地，虽然在附图中以特定次序描绘了操作，但是这不应该被理解为要求以所示的特定次序或者以顺序次序执行这样的操作，或者要求执行所有图示的操作以实现所希望的结果。在某些情况下，多任务处理和并行处理可以是有利的。