阅读说明：本技术 基于堆叠自编码器的特征提取方法、装置及终端设备 (Feature extraction method and device based on stacked self-encoder and terminal equipment ) 是由 *** 王莎 孙晓云 狄卫国 金安 杨小帆 于 2019-09-12 设计创作，主要内容包括：本发明提供了一种基于堆叠自编码器的特征提取方法、装置及终端设备,该方法应用于特征提取技术领域,所述方法包括：设定堆叠自编码器的当前自编码器个数k＝1；基于改进的混合蛙跳算法确定k-自编码器的结构参数；基于k-自编码器的结构参数确定k-自编码器的重构误差；若k-自编码器的重构误差大于预设阈值,则在堆叠自编码器中增加一个自编码器,令k＝k+1,并返回执行基于改进的混合蛙跳算法确定k-自编码器的结构参数的步骤；若k-自编码器的重构误差不大于预设阈值,则确定堆叠自编码器训练完成,并基于训练完成的堆叠自编码器对数据进行特征提取。本发明提供的基于堆叠自编码器的特征提取方法、装置及终端设备能够提高特征提取的速度和精度。(The invention provides a method, a device and a terminal device for extracting features based on a stacked self-encoder, wherein the method is applied to the technical field of feature extraction, and comprises the following steps: setting the number k of current self-encoders of the stacked self-encoders to be 1; determining structural parameters of a k-self encoder based on an improved mixed frog-leaping algorithm; determining a reconstruction error of the k-self encoder based on the structural parameters of the k-self encoder; if the reconstruction error of the k-self encoder is larger than a preset threshold value, adding a self encoder in the stacked self encoders, enabling k to be k +1, and returning to the step of determining the structural parameters of the k-self encoder based on the improved mixed leapfrogging algorithm; and if the reconstruction error of the k-self encoder is not larger than the preset threshold value, determining that the training of the stacked self encoder is finished, and extracting the characteristics of the data based on the trained stacked self encoder. The feature extraction method, the feature extraction device and the terminal equipment based on the stacked self-encoder can improve the speed and the precision of feature extraction.)

基于堆叠自编码器的特征提取方法、装置及终端设备

技术领域

本发明属于特征提取技术领域，更具体地说，是涉及一种基于堆叠自编码器的特征提取方法、装置及终端设备。

背景技术

堆叠自编码器作为深度学习的一种典型架构，通过逐层贪婪的学习方式，能够降维得到一系列简单的能够很好的表达输入数据的高阶特征，在数据的特征提取方面具有明显的优势。

现有的特征提取过程中，在对堆叠自编码器进行训练时，堆叠自编码器中自编码器的堆叠个数是难以确定的，各个自编码器的结构参数也是随机初始化的，这就导致了在进行堆叠自编码器的训练时，堆叠自编码器收敛速度慢、收敛精度低。其中，堆叠自编码器的收敛速度慢会导致训练得到的堆叠自编码器的网络深度值较大，进而影响特征提取的速度，堆叠自编码器的收敛精度低会影响特征提取的精度。

发明内容

本发明的目的在于提供一种基于堆叠自编码器的特征提取方法、装置及终端设备，以提高特征提取的速度和精度。

本发明实施例的第一方面，提供了一种基于堆叠自编码器的特征提取方法，包括：

设定堆叠自编码器的当前自编码器个数k＝1；

基于改进的混合蛙跳算法确定k-自编码器的结构参数；

基于k-自编码器的结构参数确定k-自编码器的重构误差；

若k-自编码器的重构误差大于预设阈值，则在堆叠自编码器中增加一个自编码器，令k＝k+1，并返回执行基于改进的混合蛙跳算法确定k-自编码器的结构参数的步骤；

若k-自编码器的重构误差不大于预设阈值，则确定堆叠自编码器训练完成，并基于训练完成的堆叠自编码器对数据进行特征提取。

本发明实施例的第二方面，提供了一种基于堆叠自编码器的特征提取装置，包括：

计数模块，用于设定堆叠自编码器的当前自编码器个数k＝1；

参数优化模块，用于基于改进的混合蛙跳算法确定k-自编码器的结构参数；

误差确定模块，用于基于k-自编码器的结构参数确定k-自编码器的重构误差；

循环模块，用于若k-自编码器的重构误差大于预设阈值，则在堆叠自编码器中增加一个自编码器，令k＝k+1，并返回执行基于改进的混合蛙跳算法确定k-自编码器的结构参数的步骤；

特征提取模块，用于若k-自编码器的重构误差不大于预设阈值，则确定堆叠自编码器训练完成，并基于训练完成的堆叠自编码器对数据进行特征提取。

本发明实施例的第三方面，提供了一种终端设备，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上述的基于堆叠自编码器的特征提取方法的步骤。

本发明实施例的第四方面，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有计算机程序，所述计算机程序被处理器执行时实现上述的基于堆叠自编码器的特征提取方法的步骤。

本发明提供的基于堆叠自编码器的特征提取方法、装置及终端设备的有益效果在于：一方面，本发明实施例基于重构误差对堆叠自编码器的深度进行确定，有效地解决了现有技术中堆叠自编码器中自编码器的个数无法确定的问题；另一方面，不同于现有技术中随机初始化自编码器的结构参数，本发明实施例采用改进的混合蛙跳算法确定自编码器的结构参数，可有效降低各个自编码器的训练次数并提高各个自编码器结构参数的训练精度，从而提高整个堆叠自编码器网络的收敛速度和精度，进而提高特征提取的速度和精度。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的基于堆叠自编码器的特征提取方法的流程示意图；

图2的本发明另一实施例提供的基于堆叠自编码器的特征提取方法的流程示意图；

图3为本发明一实施例提供的基于堆叠自编码器的特征提取装置的结构示意图；

图4为本发明一实施例提供的终端设备的示意框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，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。

请参考图1，图1为本发明一实施例提供的基于堆叠自编码器的特征提取方法的流程示意图。该方法包括：

S101：设定堆叠自编码器的当前自编码器个数k＝1。

在本实施例中，可首先设置k个自编码器(记为k-自编码器)，若该k-自编码器的重构误差大于预设阈值，则在k-自编码器的基础上增加一个自编码器，并更新k的值(令k＝k+1)，直至k-自编码器的重构误差小于或等于预设阈值。

S102：基于改进的混合蛙跳算法确定k-自编码器的结构参数。

在本实施例中，k-自编码器的结构参数不再随机生成，而是基于改进的混合蛙跳算法确定k-自编码器的结构参数，可有效提高k-自编码器的收敛速度和精度。

其中，相对于现有技术中只对最差的蛙进行更新的方法(也就是说最优的蛙没有更新能力，这就容易造成蛙的更新率低，收敛精度低，蛙群早熟)，改进的混合蛙跳算法同时对最优的蛙和最差的蛙进行更新。

S103：基于k-自编码器的结构参数确定k-自编码器的重构误差。

在本实施例中，基于k-自编码器的结构参数确定k-自编码器的重构误差可以详述为：

在当前的k-自编码器的结构参数下，将训练数据输入至k-自编码器，得到训练数据对应的输出数据，并根据训练数据以及训练数据对应的输出数据，计算当前k-自编码器的结构参数下k-自编码器的重构误差。

S104：若k-自编码器的重构误差大于预设阈值，则在堆叠自编码器中增加一个自编码器，令k＝k+1，并返回执行基于改进的混合蛙跳算法确定k-自编码器的结构参数的步骤。

在本实施例中，在堆叠自编码器中增加一个自编码器即为：在当前k-自编码器的基础上增加一个自编码器，将当前k-自编码器的输出作为新增自编码器的输入。

S105：若k-自编码器的重构误差不大于预设阈值，则确定堆叠自编码器训练完成，并基于训练完成的堆叠自编码器对数据进行特征提取。

在本实施例中，可直接将待提取的数据输入至训练完成的堆叠自编码器进行特征提取。

从上述描述可知，一方面，本发明实施例基于重构误差对堆叠自编码器的深度进行确定，有效地解决了现有技术中堆叠自编码器中自编码器的个数无法确定的问题。另一方面，不同于现有技术中随机初始化自编码器的结构参数，本发明实施例采用改进的混合蛙跳算法确定自编码器的结构参数，可有效降低各个自编码器的训练次数并提高各个自编码器结构参数的训练精度，从而提高整个堆叠自编码器网络的收敛速度和精度，进而提高特征提取的速度和精度。

请一并参考图1及图2，图2为本申请另一实施例提供的基于堆叠自编码器的特征提取方法的流程示意图。在上述实施例的基础上，步骤S102可以详述为：

S1：随机生成预设数量的蛙，并对每只蛙的位置参数进行初始化。

S2：基于每只蛙的位置参数对该蛙的适应度值进行计算，对所有蛙按照适应度值进行排序，根据所有蛙的适应度值排序结果确定全局最优蛙以及所有蛙的族群分配结果。

S3：对每个族群内的蛙按照适应度值进行排序，并根据每个族群内的蛙的适应度值排序结果以及全局最优蛙更新该族群内最优的蛙和最差的蛙。

S4：重复执行步骤S3直至步骤S3的执行次数达到第一预设次数。

S5：重复执行步骤S2～S4直至步骤S2的执行次数达到第二预设次数。

S6：对所有蛙按照适应度值进行排序，根据所有蛙的适应度值排序结果确定全局最优蛙，并将全局最优蛙的位置参数作为k-自编码器的结构参数。

其中，图2中，num1为步骤S3的执行次数，num2为步骤S2(或步骤S2～S4)的执行次数，T1为第一预设次数，T2为第二预设次数。

在本实施例中，改进的混合蛙跳逻辑上可分为两部分内容：局部优化和全局优化：

局部优化主要包括步骤S3和S4，其主要通过不断更新(更新T1次)各个族群内最优的蛙和最差的蛙来实现局部优化。

全局优化主要包括步骤S2～S5，其主要通过不断生成族群(生成T2次)，并对族群进行局部优化来实现全局优化。

在本实施例中，确定所有蛙的预设数量P后，可通过将每只蛙的位置参数z(j)定义为k-自编码器的结构参数来将k-自编码器的结构参数确定问题转化为改进的混合蛙跳算法的寻优问题：

具体可定义为：z(j)＝{w1(j)_s*h,b1(j)_h,w2(j)_h*s,b2(j)_s}，w1(j)_s*h和b1(j)_h为k-自编码器的编码器参数，w2(j)_h*s和b2(j)_s为k-自编码器的解码器参数，s和h分别为k-自编码器输入层和隐含层的节点个数。

其中，在步骤S1前，还可包括对改进的混合蛙跳算法的属性参数进行设置的过程，该属性参数包括但不限于：蛙的预设数量P(也就是蛙的总数量)、蛙的族群数量m、第一预设次数T1、第二预设次数T2等。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取方法的一种具体实施方式，根据所有蛙的适应度值排序结果确定全局最优蛙的方法为：将适应度值最低的蛙确定为全局最优蛙。

在本实施例中，可通过k-自编码器的重构误差函数来确定蛙的适应度值的计算方法，将适应度值最低的蛙确定为全局最优蛙也即将重构误差最小的结构参数作为k-自编码器的结构参数，此方法可将k-自编码器的结构参数确定问题转换为改进的混合蛙跳算法的寻优问题。

改进的混合蛙跳算法在进行局部优化时同时对族群内最优的蛙和最差的蛙进行了更新，可以有效提高改进的混合蛙跳算法的收敛速度和精度，也即提高了k-自编码器训练的收敛速度和精度。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取方法的一种具体实施方式，根据所有蛙的适应度值排序结果确定所有蛙的族群分配结果，包括：

若所有蛙的预设数量为P，所有蛙的预设族群数量为m，则将适应度值排在第n*m+i个位置的蛙添加至第i族群。

其中，n、m、i、均为整数，1≤i≤m，

在本实施例中，若所有蛙的预设数量为10，适应度值排序为1、2、3、4、5、6、7、8、9、10，所有蛙的预设族群数量为5，则所有蛙的族群分配结果为：

第一族群：{1，6}，第二族群：{2，7}，第三族群：{3，8}，第四族群：{4，9}，第五族群：{5，10}。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取方法的一种具体实施方式，族群内最优的蛙的更新方法为：

A1：令z(i)_b,new＝z(i)_b,old+rand(0,1)[z_g-z(i)_b,old+z(i)_c-z(i)_d]。

A2：若L(z(i)_b,new)>L(z(i)_b,old)，则令z(i)_b,new＝z(i)_b,old。

其中，z(i)_b,new为更新后的第i族群中最优的蛙，z(i)_b,old为更新前的第i族群中最优的蛙，z_g为全局最优蛙，z(i)_c为第i族群中第二优或第三优的蛙，z(i)_d为第i族群中第四优或第五优的蛙，L(z(i)_b,new)为更新后的第i族群中最优的蛙的适应度值，L(z(i)_b,old)为更新前的第i族群中最优的蛙的适应度值。

在本实施例中，对族群内最优的蛙进行更新即对族群内最优的蛙的位置信息进行更新。其中，族群内最优的蛙是指族群内适应度值最小的蛙。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取方法的一种具体实施方式，族群内最差的蛙的更新方法为：

B1：令z(i)_w,new＝z(i)_w,old+rand(0,1)[z(i)_b,new-z(i)_w,old+z(i)_c-z(i)_d]。

B2：若L(z(i)_w,new)>L(z(i)_w,old)，则令z(i)_w,new＝z(i)_w,old+rand(0,1)[z_g-z(i)_w,old]。

B3：若L(z(i)_w,new)>L(z(i)_w,old)，则对z(i)_w,new随机赋值。

B4：若L(z(i)_w,new)>L(z(i)_w,old)，则令z(i)_w,new＝z(i)_w,old。

其中，z(i)_w,new为更新后的第i族群中最差的蛙，z(i)_w,old为更新前的第i族群中最差的蛙，z(i)_c为第i族群中第二优或第三优的蛙，z(i)_d为第i族群中第四优或第五优的蛙，L(z(i)_w,new)为更新后的第i族群中最差的蛙的适应度值，L(z(i)_w,old)为更新前的第i族群中最差的蛙的适应度值。

在本实施例中，对族群内最差的蛙进行更新即对族群内最差的蛙的位置信息进行更新。其中，族群内最差的蛙是指族群内适应度值最大的蛙。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取方法的一种具体实施方式，蛙的适应度值的确定方法为：

其中，x⁽ⁿ⁾为k-自编码器的输入，为k-自编码器的输出，z(j)为第j只蛙的位置参数，为将蛙z(j)的位置参数作为k-自编码器的结构参数时，第j只蛙的适应度值，E为k-自编码器的输入x⁽ⁿ⁾以及k-自编码器的输出的维数；

其中，z(j)＝{w1(j)_s*h,b1(j)_h,w2(j)_h*s,b2(j)_s}，w1(j)_s*h和b1(j)_h为k-自编码器的编码器参数，w2(j)_h*s和b2(j)_s为k-自编码器的解码器参数，s和h分别为k-自编码器输入层和隐含层的节点个数。

对应于上文实施例的基于堆叠自编码器的特征提取方法，图3为本发明一实施例提供的基于堆叠自编码器的特征提取装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图3，该装置包括：计数模块310、参数优化模块320、误差确定模块330、循环模块340、特征提取模块350。

其中，计数模块310，用于设定堆叠自编码器的当前自编码器个数k＝1。

参数优化模块320，用于基于改进的混合蛙跳算法确定k-自编码器的结构参数。

误差确定模块330，用于基于k-自编码器的结构参数确定k-自编码器的重构误差。

循环模块340，用于若k-自编码器的重构误差大于预设阈值，则在堆叠自编码器中增加一个自编码器，令k＝k+1，并返回执行基于改进的混合蛙跳算法确定k-自编码器的结构参数的步骤。

特征提取模块350，用于若k-自编码器的重构误差不大于预设阈值，则确定堆叠自编码器训练完成，并基于训练完成的堆叠自编码器对数据进行特征提取。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取装置的一种具体实施方式，根据所有蛙的适应度值排序结果确定全局最优蛙的方法为：将适应度值最低的蛙确定为全局最优蛙。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取装置的一种具体实施方式，根据所有蛙的适应度值排序结果确定所有蛙的族群分配结果，包括：

若所有蛙的预设数量为P，所有蛙的预设族群数量为m，则将适应度值排在第n*m+i个位置的蛙添加至第i族群。

其中，n、m、i、均为整数，1≤i≤m，

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取装置的一种具体实施方式，族群内最优的蛙的更新方法为：

A1：令z(i)_b,new＝z(i)_b,old+rand(0,1)[z_g-z(i)_b,old+z(i)_c-z(i)_d]。

A2：若L(z(i)_b,new)>L(z(i)_b,old)，则令z(i)_b,new＝z(i)_b,old。

其中，z(i)_b,new为更新后的第i族群中最优的蛙，z(i)_b,old为更新前的第i族群中最优的蛙，z_g为全局最优蛙，z(i)_c为第i族群中第二优或第三优的蛙，z(i)_d为第i族群中第四优或第五优的蛙，L(z(i)_b,new)为更新后的第i族群中最优的蛙的适应度值，L(z(i)_b,old)为更新前的第i族群中最优的蛙的适应度值。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取装置的一种具体实施方式，族群内最差的蛙的更新方法为：

B1：令z(i)_w,new＝z(i)_w,old+rand(0,1)[z(i)_b,new-z(i)_w,old+z(i)_c-z(i)_d]。

B2：若L(z(i)_w,new)>L(z(i)_w,old)，则令z(i)_w,new＝z(i)_w,old+rand(0,1)[z_g-z(i)_w,old]。

B3：若L(z(i)_w,new)>L(z(i)_w,old)，则对z(i)_w,new随机赋值。

B4：若L(z(i)_w,new)>L(z(i)_w,old)，则令z(i)_w,new＝z(i)_w,old。

其中，z(i)_w,new为更新后的第i族群中最差的蛙，z(i)_w,old为更新前的第i族群中最差的蛙，z(i)_c为第i族群中第二优或第三优的蛙，z(i)_d为第i族群中第四优或第五优的蛙，L(z(i)_w,new)为更新后的第i族群中最差的蛙的适应度值，L(z(i)_w,old)为更新前的第i族群中最差的蛙的适应度值。

可选地，作为本发明实施例提供的基于堆叠自编码器的特征提取装置的一种具体实施方式，蛙的适应度值的确定方法为：

其中，x⁽ⁿ⁾为k-自编码器的输入，为k-自编码器的输出，z(j)为第j只蛙的位置参数，为将蛙z(j)的位置参数作为k-自编码器的结构参数时，第j只蛙的适应度值，E为k-自编码器的输入x⁽ⁿ⁾以及k-自编码器的输出的维数；

其中，z(j)＝{w1(j)_s*h,b1(j)_h,w2(j)_h*s,b2(j)_s}，w1(j)_s*h和b1(j)_h为k-自编码器的编码器参数，w2(j)_h*s和b2(j)_s为k-自编码器的解码器参数，s和h分别为k-自编码器输入层和隐含层的节点个数。

参见图4，图4为本发明一实施例提供的一种终端设备的示意框图。如图4所示的本实施例中的终端400可以包括：一个或多个处理器401、一个或多个输入设备402、一个或多个输出设备403及一个或多个存储器404。上述处理器401、输入设备402、则输出设备403及存储器404通过通信总线405完成相互间的通信。存储器404用于存储计算机程序，计算机程序包括程序指令。处理器401用于执行存储器404存储的程序指令。其中，处理器401被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图3所示模块310至350的功能。

应当理解，在本发明实施例中，所称处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。

输入设备402可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备403可以包括显示器(LCD等)、扬声器等。

该存储器404可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如，存储器404还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器401、输入设备402、输出设备403可执行本发明实施例提供的基于堆叠自编码器的特征提取方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。

在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时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，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，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，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。

计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端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，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。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。

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发明的范围。

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，上述描述的终端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。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，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，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。

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发明实施例方案的目的。

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。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。