阅读说明：本技术 一种卫星坐标估计方法及装置 (Satellite coordinate estimation method and device ) 是由 孙希延 徐林柱 纪元法 付文涛 李有明 严素清 符强 王守华 黄建华 于 2019-08-13 设计创作，主要内容包括：本发明提出一种卫星坐标估计方法及装置,该方法包括：将根据GPS星的广播星历得出一个粗略的卫星位置；通过DR神经网络和人工蜂群算法得到ABC-DR模型；将收集的历史数据输入到ABC-DR模型中,得到最优误差补偿值；将所述粗略的卫星位置与最优误差补偿值相加,得到精确的卫星位置。(The invention provides a satellite coordinate estimation method and a device, wherein the method comprises the following steps: obtaining a rough satellite position according to the broadcast ephemeris of the GPS satellite; obtaining an ABC-DR model through a DR neural network and an artificial bee colony algorithm; inputting the collected historical data into an ABC-DR model to obtain an optimal error compensation value; and adding the rough satellite position and the optimal error compensation value to obtain an accurate satellite position.)

一种卫星坐标估计方法及装置

技术领域

本发明属于GPS卫星导航处理领域，具体涉及一种卫星坐标估计方法及装置。

背景技术

近年来，GPS产业飞速发展，在各个领域都得到了广泛应用，GPS接收机在定位时需要知道各个可见卫星在某一任意时刻的空间位置，而随时间变化的卫星空间位置被称为卫星的运行轨道。轨道误差直接影响着接收机的定位精度因此，卫星轨道的精确性在GPS定位中是一件关键性的工作。卫星的坐标位置是通过星历来获取的，广播星历的精度较低，目前的广播星历都是基于轨道根数型的。根据轨道特征，需要设计不同的参数星历模型。而由于空间摄动因素的复杂性和模型参数的高动态等特性，其数学建模的复杂程度可见一般。在很多有关模拟卫星轨道的论文中，能够发现广播星历轨道误差明显存在一种周期性，所以除了建立更为精密的星历参数模型外，还可以从轨道误差中尝试着去修正卫星的定位坐标。

神经网络技术在近年来飞速发展，人工神经网络的基本结构能够模仿人脑，反应人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或控制过程。其强大的自学习、自适应性和非线性，使得误差预测在很多领域都体现了突出的作用。

神经网络虽然具有较强的非线性映射能力和容错能力，但由于误差反馈算法实质是采用梯度下降算法，所以模型对权值和阈值较为敏感，且容易陷入局部最优解。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供提出一种卫星坐标估计方法及装置，将广播星历与神经网络算法相融合，很好的规避了数学建模的复杂性和适应性。

为实现上述目的及其他相关目的，本发明提供一种卫星坐标估计方法，该方法包括：

根据GPS星的广播星历得出一个粗略的卫星位置；

通过DR神经网络和人工蜂群算法得到ABC-DR模型；

将收集的历史数据输入到ABC-DR模型中，得到最优误差补偿值；

将所述粗略的卫星位置与最优误差补偿值相加，得到精确的卫星位置。

可选地，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，包括：

S21使用DR神经网络对星历轨道的非线性误差进行学习；

S22使用ABC算法对DR神经网络的参数进行优化；

S23将优化后的参数作为DR算法的初始值进行再训练；

S24重复步骤S21～S23，直至得最优解。

可选地，使用单极型Sigmoid函数作为DR神经网络的激活函数，

其中，ρ(·)是隐藏神经元的激活函数，ε是抖度参数。

可选地，对DR神经网络使用BP学习算法，误差函数为：

其中，J(k)表示误差函数，d(k)表示样本的原始值，表示样本的实际输出。

可选地，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，具体包括:

Step1:选定训练样本数据，将有关卫星轨道信息的16个参数作为网络输输入，将位置误差补偿值作为网络输出,随机产生网络输入层和中间层、中间层和输出层的连接权重、中间层的反馈权值w_ij、

Step2:计算样本的实际输出

Step3:计算样本误差值J；

Step4:若J<ε满足误差要求，训练结束，转至Step11，否则进入Step5；

Step5:计算各层的权值变化量以及阈值变化量；

Step6:重新计算连接权重w_ij、

Step7:根据新的权重和样本数据，重新计算实际输出和误差；

Step8:若J<ε满足误差要求，训练结束，转到Step11；

Step9:将阈值和各层权重作为ABC算法的初始解，设定参数MCN、Limit，将误差值J作为食物源的花蜜量对应相应解的质量fit的目标函数；

Step10:根据ABC算法产生的权重和阈值作为DR神经网络下一次的训练的初始权重和阈值，转至Step5；

Step11:训练结束，输出满足训练精度的权重w_ij、

Step12:根据最终确定的权重和Step1选定的输入值，求出最终的结果。

本发明还提供一种卫星坐标估计装置，该装置包括：

第一位置估计值，用于根据GPS星的广播星历得出一个粗略的卫星位置；

模型创建模块，用于通过DR神经网络和人工蜂群算法得到ABC-DR模型；

补偿值计算模块，用于将收集的历史数据输入到ABC-DR模型中，得到最优误差补偿值；

第二卫位置估计值，用于将所述粗略的卫星位置与最优误差补偿值相加，得到精确的卫星位置。

可选地，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，包括：

S21使用DR神经网络对星历轨道的非线性误差进行学习；

S22使用ABC算法对DR神经网络的参数进行优化；

S23将优化后的参数作为DR算法的初始值进行再训练；

S24重复步骤S21～S23，直至得最优解。

可选地，使用单极型Sigmoid函数作为DR神经网络的激活函数，

其中，ρ(·)是隐藏神经元的激活函数，ε是抖度参数。

可选地，对DR神经网络使用BP学习算法，误差函数为：

其中，J(k)表示误差函数，d(k)表示样本的原始值，表示样本的实际输出。

可选地，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，具体包括:

Step1:选定训练样本数据，将有关卫星轨道信息的16个参数作为网络输输入，将位置误差补偿值作为网络输出,随机产生网络输入层和中间层、中间层和输出层的连接权重、中间层的反馈权值w_ij、

Step2:计算样本的实际输出

Step3:计算样本误差值J；

Step4:若J<ε满足误差要求，训练结束，转至Step11，否则进入Step5；

Step5:计算各层的权值变化量以及阈值变化量；

Step6:重新计算连接权重w_ij、

Step7:根据新的权重和样本数据，重新计算实际输出和误差；

Step8:若J<ε满足误差要求，训练结束，转到Step11；

Step9:将阈值和各层权重作为ABC算法的初始解，设定参数MCN、Limit，将误差值J作为食物源的花蜜量对应相应解的质量fit的目标函数；

Step10:根据ABC算法产生的权重和阈值作为DR神经网络下一次的训练的初始权重和阈值，转至Step5；

Step11:训练结束，输出满足训练精度的权重w_ij、

Step12:根据最终确定的权重和Step1选定的输入值，求出最终的结果。

如上所述，本发明的一种卫星坐标估计方法及装置，具有以下有益效果：

本发明在基于广播星历轨道误差周期性的规律上，避免了数学建模的各种困难，通过神经网络的强大自学习自适应性就能得到很好的轨道精度。

附图说明

为了进一步阐述本发明所描述的内容，下面结合附图对本发明的

具体实施方式

作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。

图1为本发明一种卫星坐标估计方法的示意图；

图2为本发明中对角神经网络结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供一种卫星坐标估计方法，包括：

S1根据GPS星的广播星历得出一个粗略的卫星位置；

S2通过DR神经网络和人工蜂群算法得到ABC-DR模型；

S3将收集的历史数据输入到ABC-DR模型中，得到最优误差补偿值；

S4将所述粗略的卫星位置与最优误差补偿值相加，得到精确的卫星位置。

本发明提出的一种卫星坐标估计方法，将DR神经网络(对角递归神经网络)算法应用于卫星轨道坐标计算，将DR神经网络与ABC算法(人工蜂群算法，Artificialbeecolonyalgorithm)结合，探讨一种非常规增加预报精度的方法。

其中，在步骤S1中，通过以下步骤得到粗略的卫星位置。

Step1：计算规化时间t_k，其中t_k＝t-t_oe；

Step2：计算卫星的平均角速度n；其中n＝n₀+Δn；

Step3：计算信号发射时刻的平近点角M_k，其中M_k＝M₀+nt_k；

Step4：计算信号发射时刻的偏近点角E_k，E_k根据e_s和M_k通过E_j＝M+e_ssin(E_j-1)得到；

Step5：计算信号发射时刻的真近点角v_k；

Step6：计算信号发射时刻的升交点角距Φ_k，其中Φ_k＝v_k+ω；

Step7：计算信号发射时刻的摄动校正项δu_k，δr_k，δi_k，其中

δu_k＝C_ussin(2Φ_k)+C_uccos(2Φ_k)

δr_k＝C_rssin(2Φ_k)+C_rccos(2Φ_k)

δi_k＝C_issin(2Φ_k)+C_iccos(2Φ_k)

Step8：计算摄动校正后的升交点u_k、卫星矢径长度r_k和轨道倾角i_k，其中

u_k＝Φ_k+δu_k

r_k＝a_s(1-e_scosE_k)+δr_k

Step9：计算信号发射时刻卫星在轨道平面的位置(x′_k,y′_k)，其中x′_k＝r_kcosu_k，y′_k＝r_ksinu_k；

Step10：计算信号发射时刻的升交点赤经Ω_k，其中

Step11：计算卫星在WGS-84地心地固直角坐标系(X_T,Y_T,Z_T)中的坐标(x_k,y_k,z_k)，其中

x_k＝x_k′cosΩ_k-y_k′cosi_ksinΩ_k

y_k＝x_k′sinΩ_k+y_k′cosi_kcosΩ_k

z_k＝y_k′sini_k

以上的未知参数都是由广播星历得到。

在多种递归神经网络中，对角递归神经网络可以体现系统的动态性，动态神经网络能够处理静态神经网络无法克服的问题，通过改进普通多层前向神经网络就可得到对角递归神经网络，它的结构简单，仅通过增加内部反馈通道就可以使网络能够自身处理动态信息。其简单的连接和递归网络的通性。使得可以直接使用梯度下降的算法来训练网络中的不同参数。所以采用DR神经网络对星历轨道这种非线性误差进行学习。

对角神经网络可以简化为一个包含输入层、隐层和输出层的输出神经元。其结构如图2所示。

隐层中的神经元是延时反馈的，所以此网络就具有动态的特性，设网络的输入是x(k)＝[u₁(k),u₂(k),…,u_m(k),y(k)]^T；隐层中有h个神经元，并且隐层神经元i的输入是s_i(k)，其输出是是该网络在k+1时刻的输出；是第j个输入神经元与第i个隐层神经元件的连接权值，是隐层神经元i的阈值，是隐层神经元i的反馈连接权值，是隐层神经元i与输出神经元间的连接权值。

则输入与输出关系为：

h_i(k)＝ρ(s_i(k)) (2)

式中：ρ(·)是隐藏神经元的激活函数，取单极型Sigmoid函数为激活函数：其中ε是抖度参数。

对角递归神经网络使用BP学习算法，误差函数为：

网络参数调整如下：

(1)使用梯度下降的算法对输入神经元和隐层神经元的联接权值的调整

式中：i＝1,2,···,h,j＝1,2,···,m+1,q_ij(0)＝0，α为动量因子，η为步长，表示第k次时对权重的调整值，q_ij(k-1)表示h_i(k-1)对的偏导，ρ'(s_i(k))表示将s_i(k)作为自变量时激活函数的导数。

(2)阈值的调整算法：

式中：i＝1,2,···,h,r_i(0)＝0,r_i(k-1)表示h_i(k-1)对的偏导，。

(3)反馈权值的调整算法

式中：i＝1,2,···,h,p_i(0)＝0,p_i(k-1)表示h_i(k-1)对的偏导。

(4)输出权值的调整算法

式中：i＝1,2,···,h。

由于神经网络算法对权值的敏感性和容易陷入局部最优解，采用ABC算法完成对DR神经网络的优化。

ABC算法中，引领蜂去寻找食物源，跟随蜂根据信息选择食物源，侦查蜂则随机寻找食物源。食物源的花蜜量对应相应解的质量fit，fit根据以下式计算：

f_i为误差函数J，abs(f_i)表示f_i的绝对值。

步骤如下：

Step1:初始化算法的所有参数；

Step2:将引领蜂与蜜源一一对应，根据公式更新蜜源信息，同时确定蜜源的花蜜量，x_ij表示第j个优化参数，第i的蜜源的解,k为不等于i的任意蜜源，为[-1,1]之间的任意随机数；

Step3：观察蜂根据引领蜂所提供的信息采用一定的策略选择蜜源，根据Step2的公式更新蜜源信息，同时确定蜜源的花蜜量；

Step4:确定侦查蜂，并根据寻找新的蜜源，rand(0,1)为(0,1)之间的任意随机数，表示当Step2中陷入局部最优解时，由侦查蜂产生的一个代替的新解，max和min表示除去第i个蜜源之后剩余蜜源的最大值和最小值；

Step5:记忆迄今为止最好的蜜源；

Step6:判断终止条件是否成立，不成立则重复Step2-Step5；

从算法流程可以看出ABC算法能够加快算法的收敛，减少算法的振荡，且能够跳出局部最优解。所以采用ABC算法与DR神经网络算法相结合，即ABC-DR算法对数据进行学习。

ABC-DR算法的基本思路为：在DR算法出现收敛速度慢或陷入局部最优解是启用ABC算法优化其参数，并将优化结果作为DR算法的初始值再训练，这样交替使用两个算法，直到算出来全局最优解为止。具体算法步骤如下：

Step1:选定训练样本数据，这里将有关卫星轨道信息的7个参数(1个参考时刻t，3个位置x,y,z和速度矢量v_x,v_y,v_z信息，)和9个比较敏感的摄动参数(地球非球形引力、太阳引力、月球引力、固体潮、海洋潮、大气潮、相对论效应、重力梯度力矩、地球磁场力矩)作为网络输出，将位置误差参数作为网络输出。随机产生网络输入层和中间层、中间层和输出层的连接权重、中间层的反馈权值w_ij、

Step2:根据公式(1)～(3)计算样本的实际输出

Step3:根据公式(4)计算样本误差平方和的价值函数J；

Step4:若J<ε满足误差要求，训练结束，转至Step11，否则进入Step5；

Step5:根据(5)～(8)计算各层的权值变化量以及阈值变化量；

Step6:重新计算连接权重w_ij、

Step7:根据新的权重和样本数据，重新根据公式计算实际输和误差；

Step8:若J<ε满足误差要求，训练结束，转到Step11；

Step9:将阈值和各层权重作为ABC算法的初始解，设定参数MCN(最大迭代次数)、Limit(放弃搜索阈值)，将误差J作为公式(9)的目标函数；

Step10:调用ABC算法，求最优解。根据ABC算法产生的权重和阈值作为DR神经网络下一次的训练的初始权重和阈值，转至Step5；

Step11:训练结束，输出满足训练精度的权重w_ij、

Step12:根据最终确定的权重和Step1选定的输入值，求出最终的结果。

本发明提出了一种基于广播星历和人工蜂群的DR神经网络的卫星坐标估计，该算法能够在不进行复杂的数学建模的情况下，通过迭代的方式找到最优误差值。大大的提升卫星定位精度。对GPS导航领域的进一步发展提供一种新思路。

本发明还提供一种卫星坐标估计装置，该装置包括：

第一位置估计值，用于根据GPS星的广播星历得出一个粗略的卫星位置；

模型创建模块，用于通过DR神经网络和人工蜂群算法得到ABC-DR模型；

补偿值计算模块，用于将收集的历史数据输入到ABC-DR模型中，得到最优误差补偿值；

第二卫星位置估计值，用于将所述粗略的卫星位置与最优误差补偿值相加，得到精确的卫星位置。其中，根据GPS星的广播星历得出一个粗略的卫星位置，包括以下步骤：

Step1：计算规化时间t_k，其中t_k＝t-t_oe，其中t_oe为星历参考时间；

Step2：计算卫星的平均角速度n；其中n＝n₀+Δn，其中n₀为圆周轨道上运行的假想卫星的(平均)角速度，Δn为平均角速度校正值；

Step3：计算信号发射时刻的平近点角M_k，其中M_k＝M₀+nt_k，其中M₀为平近点角的初始值；

Step4：计算信号发射时刻的偏近点角E_k，E_k根据e_s和M_k通过E_j＝M+e_ssin(E_j-1)得到，其中e_s为椭圆轨道偏心率，因为这是个迭代过程，k与k-1分别代表当前和上一次的偏近点角值，M为M_k；

Step5：计算信号发射时刻的真近点角v_k；

Step6：计算信号发射时刻的升交点角距Φ_k，其中Φ_k＝v_k+ω，其中ω为轨道近地角距；

Step7：计算信号发射时刻的摄动校正项δu_k，δr_k，δi_k，其中

δu_k＝C_ussin(2Φ_k)+C_uccos(2Φ_k)

δr_k＝C_rssin(2Φ_k)+C_rccos(2Φ_k)

δi_k＝C_issin(2Φ_k)+C_iccos(2Φ_k)

其中C_us为升交点角距正弦调和校正振幅，C_rs轨道半径正弦调和校正振幅，C_is为轨道倾角正弦调和校正幅度；

Step8：计算摄动校正后的升交点u_k、卫星矢径长度r_k和轨道倾角i_k，其中

u_k＝Φ_k+δu_k

r_k＝a_s(1-e_scosE_k)+δr_k

其中a_s为卫星轨道长半轴，i₀为t_oe时的轨道倾角，为轨道倾角对时间的变化率；

Step9：计算信号发射时刻卫星在轨道平面的位置(x′_k,y′_k)，其中x′_k＝r_kcosu_k，y′_k＝r_ksinu_k；

Step10：计算信号发射时刻的升交点赤经Ω_k，其中其中Ω₀为周内时等于0时的轨道升交点赤经，为轨道升交点赤经对时间的变化率，为地球自转角速度常数的值；

Step10：计算卫星在WGS-84地心地固直角坐标系(X_T,Y_T,Z_T)中的坐标(x_k,y_k,z_k)，其中

x_k＝x_k′cosΩ_k-y_k′cosi_ksinΩ_k

y_k＝x_k′sinΩ_k+y_k′cosi_kcosΩ_k

z_k＝y_k′sini_k

其中i_k为X′轴的旋转角度，Ω_k为Z′轴的旋转角度；

以上的未知参数都是由广播星历得到。

在一些实施例中，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，包括：

S21使用DR神经网络对星历轨道的非线性误差进行学习；

S22使用ABC算法对DR神经网络的参数进行优化；

S23将优化后的参数作为DR算法的初始值进行再训练；

S24重复步骤S21～S23，直至得最优解。

在一些实施例中，使用单极型Sigmoid函数作为DR神经网络的激活函数，

其中，ρ(·)是隐藏神经元的激活函数，ε是抖度参数。

在一些实施例中，对DR神经网络使用BP学习算法，误差函数为：

其中，J(k)表示误差函数，d(k)表示样本的原始值，表示样本的实际输出。

在一些实施例中，所述通过DR神经网络和人工蜂群算法得到ABC-DR模型，具体包括:

Step1:选定训练样本数据，将有关卫星轨道信息的16个参数(1个参考时刻t，3个位置x,y,z和速度矢量v_x,v_y,v_z信息，地球非球形引力、太阳引力、月球引力、固体潮、海洋潮、大气潮、相对论效应、重力梯度力矩、地球磁场力矩)作为网络输输入，将位置误差补偿值作为网络输出,随机产生网络输入层和中间层、中间层和输出层的连接权重、中间层的反馈权值w_ij、

Step2:计算样本的实际输出

Step3:计算样本误差值J；

Step4:若J<ε满足误差要求，训练结束，转至Step11，否则进入Step5；

Step5:计算各层的权值变化量以及阈值变化量；

Step6:重新计算连接权重w_ij、

Step7:根据新的权重和样本数据，重新计算实际输和误差；

Step8:若J<ε满足误差要求，训练结束，转到Step11；

Step9:将阈值和各层权重作为ABC算法的初始解，设定参数MCN(最大迭代次数)、Limit(放弃搜索阈值)，将误差值J作为食物源的花蜜量对应相应解的质量fit的目标函数；

Step10:根据ABC算法产生的权重和阈值作为DR神经网络下一次的训练的初始权重和阈值，转至Step5；

Step11:训练结束，输出满足训练精度的权重w_ij、

Step12:根据最终确定的权重和Step1选定的输入值，求出最终的结果

需要说明的是，由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例的内容请参见方法部分的实施例的描述，这里暂不赘述。

本发明还提供一种存储介质，存储计算机程序，所述计算机程序被处理器运行时执行前述的方法。

本发明还提供一种电子终端，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行前述的方法。

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(ROM,Read-Only Memory)、随机存取存储器((RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。

所述处理器可以是中央处理单元(Central Processing Unit,CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable 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。

所述存储器可以是内部存储单元或外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括内部存储单元，也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储己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。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。