本發(fā)明涉及數(shù)據(jù)分類領(lǐng)域，具體涉及一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法及設(shè)備。

背景技術(shù)：

隨著關(guān)鍵數(shù)據(jù)在保障企業(yè)運營中的重要性不斷上升，管理者對數(shù)據(jù)安全的關(guān)注也不斷提高。與此同時，敏感文件外泄事件頻繁發(fā)生，但單憑人為的去識別并歸類敏感文件，顯然是很難完成的。針對一批文件，單靠文件名稱或文件類型是很難準(zhǔn)確地區(qū)分哪些文件屬于哪一類。對于敏感數(shù)據(jù)的提取，如果只靠人工方式，進(jìn)行過濾篩選，再提取，顯然是非常困難的。

內(nèi)部人員本身缺乏經(jīng)驗、動力和技術(shù)支持來完成數(shù)據(jù)梳理工作?，F(xiàn)有的敏感數(shù)據(jù)發(fā)現(xiàn)技術(shù)架構(gòu)一般都是要求用戶先做好數(shù)據(jù)梳理工作，為各個敏感數(shù)據(jù)打上恰當(dāng)?shù)臉?biāo)簽以后，再使用關(guān)鍵詞和正則表達(dá)式去檢測標(biāo)簽屬性，從而完成數(shù)據(jù)分類。但是出于內(nèi)部現(xiàn)有狀況的角度出發(fā)，用戶希望通過抓取敏感數(shù)據(jù)來推動數(shù)據(jù)梳理工作的進(jìn)展。

此外，還主要體現(xiàn)在以下幾個方面：

(1)聚類結(jié)果差強人意，當(dāng)?shù)玫骄垲惤Y(jié)果后，往往都是直接以分出的結(jié)果為準(zhǔn)，無法進(jìn)行更為靈活的調(diào)整。而實際上有些詞語具有多義性，在不同的文件中有不同的意思，包括成語，諺語等，這些詞在切詞過程中很有可能被分開，這就導(dǎo)致原本極具代表性的詞變成了普普通通的詞語，這就會嚴(yán)重影響聚類效果。

(2)關(guān)鍵字過短，且在其他類別的文件中也有一定幾率出現(xiàn)，這樣就需要提供足夠的關(guān)鍵字，才能作為這一類文擋的特征，而選取關(guān)鍵字的過程也不是很容易的，數(shù)量過多，就需要耗費相當(dāng)多的時間。如果為節(jié)省時間而全選，那么其中就會有相當(dāng)一部分詞匯是多余的，在一定程度上會影響匹配的結(jié)果以及效率。如果只選取一部分詞，就需要人工的到文章中去比對篩選，這種做法顯然也是不可取的。

(3)流程過于復(fù)雜，操作起來不夠連貫，上手難，在整個操作的過程中很可能漏掉某個環(huán)節(jié)，或是浪費掉不必要的時間。

基于以上分析，要想解決上述問題，不僅要能夠人為的干預(yù)聚類結(jié)果，還要提高關(guān)鍵字的代表性，使之能夠更好的作為具有代表性的敏感詞匯，且整個過程簡單易懂，操作簡單，并且可手動調(diào)整聚類的結(jié)果。

本發(fā)明正是基于對以上要素的綜合考慮，而設(shè)計的。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明提供了一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法及設(shè)備。本發(fā)明提供的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法及設(shè)備，通過機器學(xué)習(xí)建立數(shù)據(jù)分類模型，根據(jù)數(shù)據(jù)分類模型對待分類數(shù)據(jù)讀取分類，數(shù)據(jù)分類模型基于特征詞建立,特征詞不同于關(guān)鍵字，特征詞更具代表性，更適合作為敏感信息，來與其他類加以區(qū)分。

本發(fā)明采用的技術(shù)方案如下：

一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，包括如下步驟；

S11，基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

S12，根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

S13,判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至步驟S15；如果否，調(diào)整第一特征詞群，至步驟S12；

S15，基于第一特征詞群建立數(shù)據(jù)分類模型。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，其中，所述步驟S11包括：

S111，從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取N份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

S112，將S111中排序前X位詞匯選取為第一特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，其中，所述步驟S112還包括用戶根據(jù)需要對S111中排序前X位詞匯進(jìn)行篩選獲得第一特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，其中，當(dāng)步驟S13判斷學(xué)習(xí)數(shù)據(jù)分類正確時，至步驟S14，所述步驟S14包括，讀取通過S12分好類的學(xué)習(xí)數(shù)據(jù)的內(nèi)容，將每一類數(shù)據(jù)中的詞匯按照權(quán)重排序，將排序后前Y位詞匯選取為第二特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，其中，用戶根據(jù)需要對S14中排序前Y位詞匯進(jìn)行篩選獲得第二特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，其中，所述步驟S15為基于第二特征詞群建立數(shù)據(jù)分類模型。

一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，包括：

第一特征詞群確定模塊：用于基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

第一數(shù)據(jù)分類模塊：用于根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

判斷分類模塊：用于判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至建模模塊；如果否，調(diào)整第一特征詞群，至第一數(shù)據(jù)分類模塊；

建模模塊：用于基于第一特征詞群建立數(shù)據(jù)分類模型。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，其中，所述數(shù)據(jù)分類模塊包括：

權(quán)重排序單元：用于從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取N份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

第一特征詞群選取單元：用于將權(quán)重排序單元中排序前X位詞匯選取為第一特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，其中，所述第一特征詞群選取單元還用于用戶根據(jù)需要將權(quán)重排序單元排序前X位詞匯進(jìn)行篩選獲得第一特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，其中，當(dāng)判斷分類模塊判斷學(xué)習(xí)數(shù)據(jù)分類正確時，至第二特征詞群確定模塊，所述第二特征詞群確定模塊用于讀取第一數(shù)據(jù)分類模塊分好類的學(xué)習(xí)數(shù)據(jù)的內(nèi)容，將每一類數(shù)據(jù)中的詞匯按照權(quán)重排序，將排序后前Y位詞匯選取為第二特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，其中，用戶根據(jù)需要對第二特征詞群確定模塊中排序前Y位詞匯進(jìn)行篩選獲得第二特征詞群。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，其中，所述建模模塊用于基于第二特征詞群建立數(shù)據(jù)分類模型。

本發(fā)明主要采用TFIDF算法以及貝葉斯算法，整個流程操作簡單，支持自定義詞典，聚類效果好，可以進(jìn)行手動糾正，特征詞代表性強，整體效率高。

本發(fā)明會對指定范圍內(nèi)的文件進(jìn)行聚類處理，用戶可根據(jù)實際聚類結(jié)果進(jìn)行動態(tài)調(diào)整，調(diào)整分類個數(shù)和文件歸屬類別。調(diào)整完畢可針對某一類提取關(guān)鍵詞，用戶可通過手動方式篩選關(guān)鍵詞作為敏感信息，然后根據(jù)選取的關(guān)鍵詞生成模型。這個模型將被用作文檔分類，通過模型中記錄的敏感信息將匹配的文件進(jìn)行匯總，還會將匯總后的文件直接定位到敏感文件所在位置，用戶既可以跟蹤到指定目錄取收集敏感文件，亦可以將所選文件作導(dǎo)出處理。

本發(fā)明是通過對文本內(nèi)容的分析，來確定文件類型的，同時還可借助自定義詞匯來優(yōu)化關(guān)鍵詞的提取效果，幫助企業(yè)有針對性的對關(guān)鍵數(shù)據(jù)進(jìn)行聚類和分類。用戶還可實時對學(xué)習(xí)文件內(nèi)容進(jìn)行檢查，因為只靠文件名是無法確定文件類型的，因此聚類/分類結(jié)果以實際文件內(nèi)容為準(zhǔn)。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法的實施例一的流程圖；

圖2是本發(fā)明一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法的實施例二的流程圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

實施例一

如圖1所示，一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，通過機器學(xué)習(xí)建立數(shù)據(jù)分類模型，根據(jù)數(shù)據(jù)分類模型對待分類數(shù)據(jù)讀取分類，數(shù)據(jù)分類模型基于特征詞建立,對文檔進(jìn)行聚類處理。對文件內(nèi)容進(jìn)行切詞處理，采用TFIDF算法，算出詞的權(quán)重，然后計算文件相似度，將同類文件進(jìn)行聚類。

實施例一方法包括如下步驟：

S11，基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

學(xué)習(xí)數(shù)據(jù)，即所關(guān)心的用于機器學(xué)習(xí)的樣本數(shù)據(jù)，這些樣本數(shù)據(jù)為已經(jīng)分好類的數(shù)據(jù)，比如這些樣本數(shù)據(jù)選取包括醫(yī)學(xué)、林業(yè)、建筑、石油等不同領(lǐng)域的學(xué)術(shù)資料。因為相同領(lǐng)域也會分不同的種類或研究方向，因此本發(fā)明將會對這些數(shù)據(jù)進(jìn)行聚類，盡可能將相似度較高的文檔歸為一類，然后針對這一類計算出對應(yīng)的規(guī)則，即模型，這個模型中所包含的即是該類的特征，有了這個特征，用戶就可以從海量的文檔中搜索出用戶所關(guān)心的，即符合模型特征的文檔，比人工檢索、識別、分類更高效。

S111，從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取2-5份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

S112，將S111中排序前X位詞匯選取為第一特征詞群，進(jìn)一步的，用戶根據(jù)需要對S111中排序前X位詞匯進(jìn)行篩選獲得第一特征詞群；特征詞不同于關(guān)鍵字，特征詞更具代表性，更適合作為敏感信息，來與其他類加以區(qū)分。

S12，根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

S13,判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至步驟S15；如果否，調(diào)整第一特征詞群，至步驟S12；

S15，基于第一特征詞群建立數(shù)據(jù)分類模型。

一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，包括第一特征詞群確定模塊、第一數(shù)據(jù)分類模塊、判斷分類模塊、建模模塊，其中：

第一特征詞群確定模塊：用于基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

第一數(shù)據(jù)分類模塊：用于根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

判斷分類模塊：用于判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至建模模塊；如果否，調(diào)整第一特征詞群，至第一數(shù)據(jù)分類模塊；

建模模塊：用于基于第一特征詞群建立數(shù)據(jù)分類模型。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，所述數(shù)據(jù)分類模塊包括：

權(quán)重排序單元：用于從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取N份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

第一特征詞群選取單元：用于將權(quán)重排序單元中排序前X位詞匯選取為第一特征詞群，進(jìn)一步的，用戶根據(jù)需要將權(quán)重排序單元排序前X位詞匯進(jìn)行篩選獲得第一特征詞群。

實施例二

如圖2所示，一種基于機器學(xué)習(xí)的數(shù)據(jù)分類方法，包括如下步驟：

S11，基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

學(xué)習(xí)數(shù)據(jù)，即所關(guān)心的用于機器學(xué)習(xí)的樣本數(shù)據(jù)，這些樣本數(shù)據(jù)為已經(jīng)分好類的數(shù)據(jù)，比如這些樣本數(shù)據(jù)選取包括醫(yī)學(xué)、林業(yè)、建筑、石油等不同領(lǐng)域的學(xué)術(shù)資料。因為相同領(lǐng)域也會分不同的種類或研究方向，因此本發(fā)明將會對這些數(shù)據(jù)進(jìn)行聚類，盡可能將相似度較高的文檔歸為一類，然后針對這一類計算出對應(yīng)的規(guī)則，即模型，這個模型中所包含的即是該類的特征，有了這個特征，用戶就可以從海量的文檔中搜索出用戶所關(guān)心的，即符合模型特征的文檔，比人工檢索、識別、分類更高效。

S111，從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取2-5份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

S112，將S111中排序前X位詞匯選取為第一特征詞群，進(jìn)一步的，用戶根據(jù)需要對S111中排序前X位詞匯進(jìn)行篩選獲得第一特征詞群；特征詞不同于關(guān)鍵字，特征詞更具代表性，更適合作為敏感信息，來與其他類加以區(qū)分。如果某個詞或短語在一篇文章中出現(xiàn)的頻率高，并且在其他文章中很少出現(xiàn)，則認(rèn)為此詞或者短語具有很好的類別區(qū)分能力，適合作為特征詞用來分類。

S12，根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

S13,判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至步驟S14；如果否，調(diào)整第一特征詞群，至步驟S12；

在判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確時，還會根據(jù)類的數(shù)量，把相似度更高的文檔分在一起，比如，假設(shè)有5個類別，而首次分類只分了三類，這樣得到的結(jié)果肯定是與實際類別相差較大，這時，不僅要調(diào)整第一特征詞群，還要調(diào)整分類的個數(shù)，例如達(dá)到5個分類的類別，然后重新分類，這樣的到的結(jié)果會更加接近于預(yù)期的效果)。

S14，讀取通過S12分好類的學(xué)習(xí)數(shù)據(jù)的內(nèi)容，將每一類數(shù)據(jù)中的詞匯按照權(quán)重排序，將排序后前Y位詞匯選取為第二特征詞群，在排序的過程中，先使用樸素貝葉斯算法對同類的文件提取特征詞，；進(jìn)一步的，用戶根據(jù)需要對排序前Y位詞匯進(jìn)行篩選獲得第二特征詞群；S15，基于第二特征詞群建立數(shù)據(jù)分類模型，使用TFIDF算法將不同的文件分類。TFIDF算法是評估一字詞對于一個文件集或一個語料庫中的其中一份文件的重要程度；比如說：如果詞w在一篇文檔d中出現(xiàn)的頻率高，并且在其他文檔中很少出現(xiàn)，則認(rèn)為詞w具有很好的區(qū)分能力，適合用來把文章d和其他文章區(qū)分開來。

一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，包括第一特征詞群確定模塊、第一數(shù)據(jù)分類模塊、判斷分類模塊、第二特征詞群確定模塊、建模模塊，其中：

第一特征詞群確定模塊：用于基于學(xué)習(xí)數(shù)據(jù)確定每種數(shù)據(jù)對應(yīng)的第一特征詞群；

第一數(shù)據(jù)分類模塊：用于根據(jù)第一特征詞群對學(xué)習(xí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類；

判斷分類模塊：用于判斷學(xué)習(xí)數(shù)據(jù)的分類是否正確，如果是，至第二特征詞群確定模塊；如果否，調(diào)整第一特征詞群，至第一數(shù)據(jù)分類模塊；

第二特征詞群確定模塊：用于讀取第一數(shù)據(jù)分類模塊分好類的學(xué)習(xí)數(shù)據(jù)的內(nèi)容，將每一類數(shù)據(jù)中的詞匯按照權(quán)重排序，將排序后前Y位詞匯選取為第二特征詞群，進(jìn)一步的，用戶根據(jù)需要對第二特征詞群確定模塊中排序前Y位詞匯進(jìn)行篩選獲得第二特征詞群；

建模模塊：用于基于第二特征詞群建立數(shù)據(jù)分類模型。

上述的一種基于機器學(xué)習(xí)的數(shù)據(jù)分類設(shè)備，所述數(shù)據(jù)分類模塊包括：

權(quán)重排序單元：用于從學(xué)習(xí)數(shù)據(jù)中的每種數(shù)據(jù)中讀取N份數(shù)據(jù)，將其中的詞匯按照權(quán)重排序；

第一特征詞群選取單元：用于將權(quán)重排序單元中排序前X位詞匯選取為第一特征詞群，進(jìn)一步的，用戶根據(jù)需要將權(quán)重排序單元排序前X位詞匯進(jìn)行篩選獲得第一特征詞群。

基于上述兩個實施例，進(jìn)一步的，在使用本發(fā)明方法時，先通過使用內(nèi)容識別引擎，識別包括doc、docx、xls、xlsx、ppt、pptx、pdf、zip、rar、7z、txt等常見的文件內(nèi)容，包括對多層嵌套壓縮文件內(nèi)容以及由文檔轉(zhuǎn)換而成的圖片內(nèi)容的識別。進(jìn)一步的，對于不帶擴(kuò)展名或修改擴(kuò)展名的文件，同樣能根據(jù)其文件特征識別其文件類型，支持自定義文件類型。能夠識別加密的Office類文檔RAR、ZIP、ARJ壓縮包、PDF文檔。支持Unicode、GB18030、GBK編碼格式。識別圖片文件格式。識別單個大容量的文件，支持1G以內(nèi)文檔內(nèi)容識別。為達(dá)到最優(yōu)效果，使用該方法前，可針對用戶最關(guān)心的業(yè)務(wù)數(shù)據(jù)類型，提供一篇符合此業(yè)務(wù)數(shù)據(jù)類型特征的典型的實際數(shù)據(jù)樣本。根據(jù)以上典型數(shù)據(jù)樣本，提供2-3個最代表此樣本內(nèi)容的關(guān)鍵詞。然后針對一批樣本數(shù)據(jù)，按用戶調(diào)研中給出的關(guān)鍵字按關(guān)鍵字規(guī)則進(jìn)行樣本掃描，進(jìn)行初步篩選，也就是“海選”；然后將初篩樣本進(jìn)行機器學(xué)習(xí)自動聚類,建議加入一些與學(xué)習(xí)樣本具有明顯差異化的數(shù)據(jù)一起聚類，提高聚類準(zhǔn)確性，也就是“精選”，接著再制作屬于該類的模型；最后，再加載生成好的模型，對指定范圍內(nèi)的文件進(jìn)行掃描，查看掃描分類結(jié)果是否正確，以此檢驗規(guī)則是否有誤報，如上一步規(guī)則校驗發(fā)現(xiàn)誤報，通過數(shù)據(jù)梳理規(guī)則制作軟件將誤報樣本重新提取語義特征，形成對照組對比，重新選擇原規(guī)則語義特征，優(yōu)化模型，再次重復(fù)掃描過程，驗證進(jìn)一步優(yōu)化后的模型的準(zhǔn)確性。以上步驟重復(fù)迭代優(yōu)化，以達(dá)到最優(yōu)效果。

另外，本申請的一部分可被應(yīng)用為計算機程序產(chǎn)品，例如計算機程序指令，當(dāng)其被計算機執(zhí)行時，通過該計算機的操作，可以調(diào)用或提供根據(jù)本申請的方法和/或技術(shù)方案。而調(diào)用本申請的方法的程序指令，可能被存儲在固定的或可移動的記錄介質(zhì)中，和/或通過廣播或其他信號承載媒體中的數(shù)據(jù)流而被傳輸，和/或被存儲在根據(jù)所述程序指令運行的計算機設(shè)備的工作存儲器中。在此，根據(jù)本申請的一個實施例包括一個裝置，該裝置包括用于存儲計算機程序指令的存儲器和用于執(zhí)行程序指令的處理器，其中，當(dāng)該計算機程序指令被該處理器執(zhí)行時，觸發(fā)該裝置運行基于前述根據(jù)本申請的多個實施例的方法和/或技術(shù)方案。

對于本領(lǐng)域技術(shù)人員而言，顯然本申請不限于上述示范性實施例的細(xì)節(jié)，而且在不背離本申請的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本申請。因此，無論從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本申請的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化涵括在本申請內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。此外，顯然“包括”一詞不排除其他單元或步驟，單數(shù)不排除復(fù)數(shù)。裝置權(quán)利要求中陳述的多個單元或裝置也可以由一個單元或裝置通過軟件或者硬件來實現(xiàn)。第一，第二等詞語用來表示名稱，而并不表示任何特定的順序。

當(dāng)然，對于本領(lǐng)域技術(shù)人員而言，顯然本申請不限于上述示范性實施例的細(xì)節(jié)，而且在不背離本申請的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本申請。因此，無論從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本申請的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化涵括在本申請內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。