具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例所提出的一种面向非对称毫米波大规模MIMO的多用户上下行波束对准方法和装置。

图1为本申请实施例提出的一种面向非对称毫米波大规模MIMO的多用户上下行波束对准方法的流程图，如图1所示，该方法包括以下步骤：

步骤101，构建多指向波束码本，通过码本中优化后的码字构造用于探测多个方向的全数字多指向波束。

其中，本申请实施例中的上下行波束，包括基站端到用户端的下行发送-接收波束对，用户端到基站端的上行发送窄波束，以及，基站端的上行接收波束。

在本申请实施例中，先进行基站端到用户端的下行波束训练，其中，针对多用户的应用场景，构建对应于多用户的多个方向的全数字多指向波束，以针对对多用户同时进行波束训练。

其中，本申请中的波束训练码本采用数字波束码字，可根据每个码字的中心指向角和波束宽度进行优化设计。

在本申请一个实施例中，构建多指向波束码本包括，构建优化多指向波束的最小均方误差函数，通过黎曼流形优化算法求解最小均方误差函数，获得向不同方向发射的优化后的码字，再组合码字生成多指向波束码本。

需要说明的是，理想波束在其覆盖角度内的增益是恒定的，而在其覆盖角度之外的范围增益为0，且所有不同中心角的理想波束能够不重叠地覆盖整个搜索空间。为了将本申请中构建的波束逼近理想波束，在本申请一个实施例中，可以将区间[-1,1]按△δ的步进进行格点化，记则当否则g_j＝0。进而，采用最小均方误差建模该优化问题，在本实施例中，通过以下公式表示最小均方误差函数：

其中，s.t.w^Hw＝1，

其中，w是单指向波束，为阵列响应矢量，为离开角，g为理想增益向量，L_T是下行传输时基站端发送的码本大小，g^*是理想增益向量的共轭转置。需要理解的是，求解上述最小均方误差是一种黎曼流形优化问题，在本申请实施例中通过黎曼流形优化算法求解最小均方误差函数时，作为一种示例，可以通过MATLAB的相关算法完成波束的优化和求解。

进一步的，在求解出最小均方误差后，获得多个优化后的码字，用表示向方向α(j)发射的经优化后的码字，则构成同时往M个方向(假设为M[1],M[2],...,M[M])探测的多指向波束，在本申请一个实施例中可以通过以下公式进行表示：

其中，M[·]是多指向波束的方向，M是多指向波束的方向个数，表示向任一方向发射的优化后的码字。

由此，实现了根据码本中优化后的码字构造用于探测多个方向的全数字多指向波束。

步骤102，控制基站端发送多指向波束，控制用户端使用接收波束接收多指向波束，并计算用户端的接收信号的匹配滤波输出，以进行基站端到用户端的多轮下行波束训练。

具体的，本申请实施例在进行下行波束训练时，基站端到用户端进行多轮的波束训练，在发送波束时，使用步骤101中构造的多指向波束，以减少观测次数，而用户端使用非全精度的较宽波束接收。

在本申请一个实施例中，基站端到用户端的每轮下行波束训练中，基站端发送多个训练符号，并确定在任一训练符号中收集观测信号的方向的组合，其中,观测信号即是用户端接收到的接收信号,也就是说本申请在每轮训练中确定该接收信号对应的基站端下行发送方向的组合,基站端到用户端的多轮下行波束训练，包括在每轮下行波束训练中，基站端发送预设数量的导频序列，确定用户端收到的本轮下行波束训练中任一训练符号对应的组合的信号；计算任一训练符号对应的组合的信号的匹配滤波输出。

具体而言，本申请先建立用户端与基站端间的信道矩阵，建立的基站与用户n之间的信道矩阵可通过如下公式表示：

其中，M_n为基站到用户n的分量路径条数，φ_m,n,ψ_m,n分别为基站到用户n的第m条分量路径的离开角和到达角，γ_m,n为基站到用户n的信道第m条分量路径的信道增益，v和u分别为发送端T_x和接收端R_x的阵列响应向量。

并且，探测的方向数满足M＝2^R，R∈Z，L_T＝ML。

基站端下行训练的过程如下：此阶段包括1+log₂M轮波束训练，每一轮中，BS都发送多个训练符号。对于每一轮r∈{1,2,…,log₂M+1}，用G(r,l)表示在第l个训练符号中收集观测信号的方向(以升序排列)的组合。假设总的训练开销为E_tot，用K_rE_tot来表示第r轮的训练开销，且对于K_r，r∈{1,2,…,log₂M+1}有：

其中，每一轮波束训练过程可以表示为：发送含n_s个符号的导频序列用户n使用波束k接收到的第r轮第l个组合的信号可以表示为：

进一步的，匹配滤波输出为r_n,r,k,l＝y_n,r,k,ls^H＝Eh_n,r,k,l+z_n,r,k,l，

其中，为第r轮第l个组合的码字，f_n,k是用户n的第k个码字，为经过发送端与接收端波束赋形之后的有效信道，为训练所需能量。是噪声矩阵。

下面针对第一轮和后续每轮的波束训练进行详细说明：

首先，对于r＝1，基站端将训练L个能同时探测M个方向的多指向波束：G(1,l)＝{l,l+l,…,l+(M-1)L},而用户端在下行训练的过程中，由于接收码本L_R较小，因此可以直接采用遍历的方式。

第一轮对所有候选波束对进行训练，需要观测L*L_R次，每次观测分配开销为K₁E_tot/(L*L_R)，匹配滤波输出为：

r_n,1,k,l＝K₁E_toth_n,1,k,l/(L*L_R)+z_n,1,k,l，

选出最优的波束对，因此可以得出用户端的最优接收波束。

其次，在随后log₂M轮的波束训练中，基站端利用发射波束方向的不同组合来帮助每个用户确定最佳波束方向，用户端则采用第一轮判别的最佳波束进行接收。对于r∈[2,3,…,log₂M+1]，每一轮波束扫描都由L/2个组合构成，表示为：

G(r,l)＝{[G(1,l)]_1:a(r),[G(1,l+L/2)]_a(r)+1:a(r),[G(1,l)]_{2a(r)+1:3a(r)},[G(1,l+L/2)]_{3a(r)+1:4a(r)},…,[G(1,l)]_{M-2a(r)+1:M-a(r)},[G(1,l+L/2)]_M-a(r)+1:M},

其中a(r)＝M/(2^r-1)。

进而确定第r轮的匹配滤波输出为：

r_n,r,k,l＝K_rE_toth_n,r,k,l/(L/2)+z_n,r,k,l。

由此，通过确定用户端收到的本轮下行波束训练中任一训练符号对应的组合的信号，并计算任一训练符号对应的组合的信号的匹配滤波输出的方式，进行基站端到用户端的多轮下行波束训练。

步骤103，控制用户端根据接收信号进行波束判决，从多轮下行波束训练中接收到的接收信号中，确定出最大接收功率的目标下行发送-接收波束对。

具体的，在波束训练之后，每个用户都可以根据本用户在下行训练过程中获取接收信号的接收功率独立确定其最佳波束对，做出波束判决，选出最佳的下行发送-接收波束对。

在本申请一个实施例中，对于任意用户n，令P_n(r,k,l)＝||r_n,r,k,l||²表示用户n用波束k从第r轮波束扫描的第l个组合接收的功率，表示在第r轮波束扫描后的基站端最佳发送波束方向的候选集合。针对步骤102说明的第一轮和后续每轮的波束训练方式，下面进行对应的确定每轮的目标下行发送-接收波束对的说明：

首先，对于r＝1：

P_n(1,k,l)＝||r_n,1,k,l||²，

再挑选出最大接收功率的发送—接收波束对：

其中，k^*即为用户端的最佳接收波束，表示第一轮波束扫描后最大功率的多波束组合。

而第一轮波束扫描后的最佳波束方向的候选方向集合为：

其中，定义表示与有共同方向的组合。来自覆盖/未覆盖最佳方向对应多个波束的预期接收功率分别近似为(忽略接收机噪声和波束间干扰)和0。用于判断G_n(r,l_n(r))是否含有最佳波束方向的接收功率的二进制决策阈值为:

即本申请可以通过二进制决策阈值从候选方向集合判断出基站端到用户端下行的最佳发送波束。

其次，对于随后log₂M轮，r∈{2,3,…,log₂M+1}，将二元决策与结合，可以确定如下的新的回合候选方向集合:

在获取候选方向集合后，对于随后log₂M轮中，每轮均可根据上述新的候选方向集合的公式缩小候选集合范围，直至最后确定出最大接收功率的目标下行发送-接收波束对。

步骤104，对用户端接收到的不同信噪比下的接收信号进行数据处理，生成预测用户端到基站端上行发送窄波束的训练数据，并通过训练数据对预设的卷积神经网络进行线下训练，获得训练后的网络参数。

具体的，在确定基站端到用户端的最佳下行发送-接收波束对后，进行用户端到基站端上行发送窄波束的预测。具体实施时，先生成训练数据，根据信道模型产生已知的信道矩阵，确定最佳的波束方向，基站端按照步骤102进行波束训练，而用户端根据毫米波移动通信系统模型得到不同信噪比下的接收信号，进行数据处理后获得训练数据。

在本申请一个实施例中，对用户端接收到的不同信噪比下的接收信号进行数据处理，生成预测用户端到基站端上行发送窄波束的训练数据，包括：通过以下公式组合用户端接收到的不同信噪比下的接收信号的匹配滤波输出：

其中，r为训练轮次，n为任一用户，k^*为用户端的接收波束，L_R为用户端接收码本大小，L＝L_T/M，L_T为基站端发送码本大小；将每轮下行波束训练的接收信号依次归一化后再组合；将归一化后的信号的实部和虚部，以及用户端的接收波束作为训练数据。

具体而言，对于任意用户n，将用户n第r轮的接收信号的匹配滤波输出组合为：

由于接收信号的匹配滤波输出动态范围较大，且为复数信号，不适合直接作为输入，因此将多轮的接收信号按每一轮归一化后再组合：

并将归一化信号的实部和虚部，作为所设计的神经网络的两个特征输入。此外用户端的接收宽波束k^*对其窄波束的预测也有较大影响，因此也作为特征输入：

标签即为用户端真实的最佳发送波束方向。在本申请实施例中通过改变总训练开销E_tot得到不同信噪比的训练数据。

进一步的，通过获得的训练数据对预设的卷积神经网络进行线下训练，即设置好基于数据驱动的卷积神经网络结构，以及设定的网络参数，运用生成的训练数据对网络进行线下训练，得到训练后的网络参数。

作为一种示例，本申请设置卷积神经网络主体由预处理、卷积以及输出三个模块组成，在训练过程中，将不同信噪比的数据混合训练，当损失函数不再下降，即验证集预测准确率不再提高时训练停止，并保存训练模型，从而在线下完成训练过程。

步骤105，基于训练后的网络参数和用户端的接收信号进行在线实时信号检测，以预测用户端到基站端目标上行发送窄波束。

具体的，本申请将训练后的网络参数保存用于在线实时的信号检测，根据用户端的接收信号，即下行波束训练中用户端接收到的观测信号，进行在线实时的信号检测，预测上行发送窄波束。

步骤106，控制用户端将基站端的目标下行发送窄波束的标号反馈到基站端，将目标下行发送窄波束展宽为基站端目标上行接收波束。

需要说明的是，由于基站上下行波束非对称的特性，基站端下行发送波束比上行的接收波束窄，而在上述步骤103中已可以确定基站端的最佳发送波束，因此，本申请利用上下行波束域的部分互易性，将基站下行发送波束展宽生成上行接收宽波束。

具体实施时，作为一种示例，用户端将目标下行发送窄波束的标号反馈给基站后，基于上下行波束非对称的特性，保持所述基站端目标上行接收波束的中心角与目标下行发送窄波束一致，并将基站端目标上行接收波束的宽度展宽为预设的波束宽度。由此实现基站端目标上行接收波束的生成。

综上所述，本申请实施例的面向非对称毫米波大规模MIMO的多用户上下行波束对准方法，针对下行链路，使用全数字多指向波束对多用户同时进行波束训练，以较少的训练开销和较高的可靠性，完成基站与多用户的波束对准，克服了传统方法开销大，可靠性不高的缺点；针对上行链路，借助深度学习方法，在不需要消耗额外的训练开销的条件下，根据下行训练的观测信号直接推断上行链路用户端的最佳发送窄波束，并利用上下行波束域的部分互易性，将基站下行发送波束展宽生成上行接收宽波束，由此完成上行链路收发波束的选择或生成，减少了训练开销，简化了训练过程，通过神经网络预测上行发送窄波束与展宽得到的接收宽波束能够达到较好的频谱效率，在不需要额外开销的情况下，能够保证非对称系统的上行传输速率。

为了更加清楚地说明本申请实施例的面向非对称毫米波大规模MIMO的多用户上下行波束对准方法的具体实现过程，下面结合几种实际应用中的场景中的实现方式进行说明。

图3为本申请实施例提出的一种面向非对称毫米波大规模MIMO的多用户上下行波束对准方法的应用场景示意图，其中，Tx为信号发射端，比如，可以为基站端，Rx为接收端，可包括多个用户设备UE，Tx通过多个信道发射信号值对应的接收端。其中，考虑毫米波室外移动通信典型场景，一个基站覆盖N个用户，基站处配备N_T根天线，每根天线均有一根独立的射频链路，用户端均为N_R根天线。下行传输时基站端发送码本大小为L_T，用户端接收码本大小为L_R，上行传输时基站端接收码本大小为L_R′，用户端发送码本大小为L_T′(根据非对称毫米波大规模MIMO系统的特征，有L_T>L′_R，L_T′>L_R)。

举例而言，考虑一个工作在73GHz且相干带宽为100MHz的非对称毫米波通信系统，一个基站覆盖N＝{2,4,8}个用户。基站处配备64根天线，每根天线均有一根独立的射频链路，用户端均为8根天线。

本申请提出了两种实例场景分别为：①下行传输时基站端使用64天线，发送码本大小为32，用户端使用4天线，接收码本大小为4，上行传输时基站端使用16天线，接收码本大小为16，用户端使用8天线，发送码本大小为8；②下行传输时基站端使用64天线，发送码本大小为32，用户端使用8天线，接收码本大小为4，上行传输时基站端使用64天线，接收码本大小为16，用户端使用8天线，发送码本大小为8。针对该系统进行波束对准时，本申请提出了一种具体的面向非对称毫米波大规模MIMO的多用户上下行波束对准方法，如图2所示，该方法包括以下步骤：

(1)基站端到用户端的下行波束训练：

(1.1)构造多指向波束码本：

用表示向方向α(j)发射的经优化后的码字，用如下方式构成同时往4个方向(假设为M[1],M[2],...,M[4])探测的多指向波束：

(1.2)下行波束训练：

信道建模：基于现有文献中的测量结果，采用有限数量的多径分量(来自不同的AoA和AoD)对毫米波信道进行建模。在视距场景中，信道建模成有一条主径的莱斯信道，莱斯因子设为13.2dB。

由于每个多指向波束同时探测M＝4个方向，因此总共需要进行1+log₂M＝3轮(每轮的多波束覆盖方向如图4所示)，每一轮的训练开销占比分别为{0.65,0.175,0.175}。

1)r＝1：第一轮基站端遍历整个空间需要进行L＝L_T/M＝8次观测，第l个多指向波束覆盖方向集合为G(1,l)＝{l,l+8,…,l+24},(如图三)，而用户端需要遍历4个方向，因此共需要进行L*L_R＝32次观测，每次观测的匹配滤波输出为：

r_n,1,k,l＝K₁E_toth_n,1,k,l/(L*L_R)+z_n,1,k,l，

选出最优(|r_n,1,k,l|最大)的波束对，其对应基站端便是最佳发送波束的候选集合，对应用户端即为最优接收波束。

2)r＝2：第二轮基站端发送波束方向将第一轮多指向波束方向重新组合，第l个多指向波束覆盖方向集合为G(2,l)＝{[G(1,l)]_1:2,[G(1,l+4)]_3:4}，(如图三)，只需要观测四次，覆盖离开角空间的一半即可，用户端则采用第一轮判别的最佳窄波束进行接收。

3)r＝3：第三轮基站端发送波束方向也通过第一轮多指向波束方向重新组合得到，第l个多指向波束覆盖方向集合为G(3,l)＝{[G(1,l)]₁,[G(1,l+4)]₂，[G(1,l)]₃,[G(1,l+44}，(如图三)，与第二轮一样观测四次，覆盖离开角空间的一半即可，用户端采用第一轮判别的最佳窄波束进行接收。

(1.3)波束判决：

在波束训练之后，每个用户都可以根据自己在下行训练过程的接收功率独立确定其最佳波束对。

1)r＝1：

P_n(1,k,l)＝||r_n,1,k,l||²，

挑选出最大接收功率的发送—接收波束对：

k^*即为用户端的最佳接收波束，表示第一轮波束扫描后最大功率的多波束组合。

第一轮波束扫描后的最佳波束方向的候选方向集合为：

其中，定义表示与有共同方向的组合。来自覆盖/未覆盖最佳方向对应多个波束的预期接收功率分别近似为(忽略接收机噪声和波束间干扰)和0。用于判断G_n(r,l_n(r))是否含有最佳波束方向的接收功率的二进制决策阈值为:

2)r＝2：将二元决策与结合，用户n可以确定如下的新的回合候选方向：

3)r＝3：将二元决策与结合，用户n可以最终确定最佳的基站的最佳发送波束方向：

(2)用户端到基站端上行发送窄波束的预测：

(2.1)生成训练数据：

将用户n第r轮的接收信号的匹配滤波输出组合为：

由于接收信号的匹配滤波输出动态范围较大，且为复数信号，不适合直接作为输入，因此将多轮的接收信号按每一轮归一化后再组合：

并将归一化信号的实部和虚部，作为所设计的神经网络的两个特征输入。此外用户端的接收宽波束k^*对其窄波束的预测也有较大影响，因此也作为特征输入：

标签即为用户端真实的最佳发送波束方向。改变信噪比E_tot，训练集收集11dB至16dB每个信噪比下各200000组数据，验证集每个信噪比下各20000组数据。

(2.2)网络参数的设置与训练：

网络主体由预处理、卷积以及输出三个模块组成，卷积模块由四层卷积层与四层ReLU激活层交替组成，最后连接一层池化层，输出模块由全连接层与Softmax组成。将不同信噪比的数据混合训练，使用Adam优化器优化模型参数，当损失函数不再下降(验证集预测准确率不再提高)时训练停止，保存训练模型，训练过程在线下完成。

(2.3)在线检测：

将训练后的网络参数保存用于在线实时的信号检测，根据用户端的接收信号进行在线实时的信号检测，预测上行发送窄波束。

(3)基站端上行接收波束的生成：

由于基站上下行波束非对称的特性(基站端下行发送波束比上行的接收波束窄)，而由前面步骤(1)已经可以确定基站端的最佳发送波束，用户端将此信息反馈给基站后，基站保持接收宽波束中心角与发送窄波束一致，宽度直接展宽为对应的波束宽度即可。

为了更加清楚地说明，本申请提出的面向非对称毫米波大规模MIMO的多用户上下行波束对准方法的技术效果，本申请还计算了上述两种实例场景下的性能曲线。

其中，图5和图6分别为实例场景①与实例场景②的下行波束训练误对准率性能曲线，从图5和图6可以得出在这两种实例场景中，本申请的训练方案(MBT)的性能均会优于基线算法分层搜索(HS)，且当用户数不断增大时，分层搜索的性能进一步恶化。

图7和图8分别为实例场景①与实例场景②的上行传输可达频谱效率CDF性能曲线，从图7和图8中可以得出本申请提出的神经网络预测上行发送窄波束与展宽得到的接收宽波束能够达到较好的频谱效率，在不需要额外开销的情况下，能够保证非对称系统的上行传输速率。

为了实现上述实施例，本申请还提出了一种面向非对称毫米波大规模MIMO的多用户上下行波束对准装置，图9为本申请实施例提出的一种面向非对称毫米波大规模MIMO的多用户上下行波束对准装置的结构示意图，如图9所示，该装置包括构建模块100，训练模块200，判决模块300，数据处理模块400，预测模块500和展宽模块600。

其中，构建模块100，用于构建多指向波束码本，通过码本中优化后的码字构造用于探测多个方向的全数字多指向波束。

训练模块200，用于控制基站端发送多指向波束，控制用户端使用接收波束接收多指向波束，并计算用户端的接收信号的匹配滤波输出，以进行基站端到用户端的多轮下行波束训练。

判决模块300，用于控制用户端根据接收信号进行波束判决，从多轮下行波束训练中接收到的接收信号中，确定出最大接收功率的目标下行发送-接收波束对。

数据处理模块400，用于对用户端接收到的不同信噪比下的接收信号进行数据处理，生成预测用户端到基站端上行发送窄波束的训练数据，并通过训练数据对预设的卷积神经网络进行线下训练，获得训练后的网络参数。

预测模块500，用于基于训练后的网络参数和用户端的接收信号进行在线实时信号检测，以预测用户端到基站端目标上行发送窄波束。

展宽模块600，用于控制用户端将基站端的目标下行发送窄波束的标号反馈到基站端，将目标下行发送窄波束展宽为基站端目标上行接收波束。

可选的，在本申请一个实施例中，构建模块100，具体用于：构建优化多指向波束的最小均方误差函数；通过黎曼流形优化算法求解最小均方误差函数，获得向不同方向发射的优化后的码字，组合码字生成所述码本。

可选的，在本申请一个实施例中，构建模块100，还用于：

通过以下公式表示最小均方误差函数：

其中，s.t.w^Hw＝1，

其中，w是单指向波束，为阵列响应矢量，为离开角，g为理想增益向量，L_T是下行传输时基站端发送的码本大小，g^*是理想增益向量的共轭转置；

通过以下公式构造用于探测多个方向的全数字多指向波束：

其中，M[·]是多指向波束的方向，M是多指向波束的方向个数，表示向任一方向发射的优化后的码字。

可选的，在本申请一个实施例中，训练模块200，还用于在每轮下行波束训练中，控制基站端发送预设数量的导频序列；确定用户端收到的本轮下行波束训练中任一训练符号对应的组合的信号；计算任一训练符号对应的组合的信号的匹配滤波输出。

可选的，在本申请一个实施例中，数据处理模块400，还用于通过以下公式组合所述用户端接收到的不同信噪比下的接收信号的匹配滤波输出：

其中，r为训练轮次，n为任一用户，k^*为用户端的接收波束，L_R为用户端接收码本大小，L＝L_T/M，L_T为基站端发送码本大小；将每轮下行波束训练的接收信号依次归一化后再组合；将归一化后的信号的实部和虚部，以及用户端的接收波束作为训练数据。

可选的，在本申请一个实施例中，展宽模块600，还用于基于上下行波束非对称的特性，保持基站端目标上行接收波束的中心角与所述目标下行发送窄波束一致，并将基站端目标上行接收波束的宽度展宽为预设的波束宽度。

综上所述，本申请实施例的本申请实施例的面向非对称毫米波大规模MIMO的多用户上下行波束对准装置，针对下行链路，使用全数字多指向波束对多用户同时进行波束训练，以较少的训练开销和较高的可靠性，完成基站与多用户的波束对准，克服了传统方法开销大，可靠性不高的缺点；针对上行链路，借助深度学习方法，在不需要消耗额外的训练开销的条件下，根据下行训练的观测信号直接推断上行链路用户端的最佳发送窄波束，并利用上下行波束域的部分互易性，将基站下行发送波束展宽生成上行接收宽波束，由此完成上行链路收发波束的选择或生成，减少了训练开销，简化了训练过程，通过神经网络预测上行发送窄波束与展宽得到的接收宽波束能够达到较好的频谱效率，在不需要额外开销的情况下，能够保证非对称系统的上行传输速率。

为了实现上述实施例，本申请还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述实施例中任一项所述的面向非对称毫米波大规模MIMO的多用户上下行波束对准方法。

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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

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，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、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系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。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。

应当理解，本申请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系统执行的软件或固件来实现。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。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。