本發(fā)明涉及山火甄別技術領域，尤其涉及一種山火火點二次甄別方法及系統(tǒng)。

背景技術：

山火是影響電網(wǎng)安全穩(wěn)定運行的重要因素之一，輸電線路走廊附近的山火容易引起線路跳閘，且發(fā)生故障后難以重合成功,影響供電可靠性。使用衛(wèi)星監(jiān)測山火發(fā)生情況，可及時發(fā)現(xiàn)輸電線路山火，為應急處置提供指導。

然而，利用衛(wèi)星遙感技術獲取熱點信息之后，還需要對熱點進行二次甄別。首先，由于云層、耀斑、城市熱源等因素的影響，衛(wèi)星熱點并不一定全是真正的火點。其次，提取火點的算法對于不同地區(qū)不同時段都存在差異。故需采用其他手段做修正性判斷，判別獲得的熱點是否真的是火點?，F(xiàn)有的火點二次甄別方法一般采用專家打分法，很大程度上依賴于專家經(jīng)驗,且難以根據(jù)不同地區(qū)不同氣候不斷進行調整，無法滿足現(xiàn)有山火監(jiān)測的準確度要求。故本發(fā)明提出一種新的方法，以歷史山火數(shù)據(jù)作為資料庫，建立二次甄別模型，有針對性的解決山火火點二次甄別的問題，提高衛(wèi)星遙感監(jiān)測山火的準確性。

技術實現(xiàn)要素：

本發(fā)明實施例提供了一種山火火點二次甄別方法及系統(tǒng)，用于對衛(wèi)星監(jiān)測熱點進行二次甄別，減少衛(wèi)星監(jiān)測火點的誤判問題，提升輸電線路山火預警準確度。

本發(fā)明實施例提供的一種山火火點二次甄別方法，包括：

s1、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；

其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；

s2、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；

s3、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；

s4、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。

優(yōu)選地，步驟s1與步驟s2之間還包括：

隨機選取部分樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)。

優(yōu)選地，步驟s2具體包括：

對提取后的特征量通過公式一進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量，公式一具體如下：

式中，為歸一化處理后的數(shù)據(jù)；xi代表特征量的原始數(shù)據(jù)值；xmax代表各特征量序列中的最大值；xmin代表各特征序列中的最小值。

優(yōu)選地，步驟s3具體包括：

以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，利用ls-svm方法建立svm分類模型并根據(jù)訓練樣本數(shù)據(jù)對svm分類模型進行訓練。

優(yōu)選地，步驟s3與步驟s4之間還包括：

根據(jù)甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證。

本發(fā)明實施例提供的一種山火火點二次甄別系統(tǒng)，包括：

提取模塊，用于獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；

其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；

歸一化處理模塊，用于對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；

訓練模塊，用于以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；

甄別模塊，用于根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。

優(yōu)選地，還包括：

選取模塊，用于隨機選取部分樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)。

優(yōu)選地，歸一化處理模塊具體包括：

歸一化處理單元，用于對提取后的特征量通過公式一進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量，公式一具體如下：

式中，為歸一化處理后的數(shù)據(jù)；xi代表特征量的原始數(shù)據(jù)值；xmax代表各特征量序列中的最大值；xmin代表各特征序列中的最小值。

優(yōu)選地，訓練模塊具體包括：

訓練單元，用于以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，利用ls-svm方法建立svm分類模型并根據(jù)訓練樣本數(shù)據(jù)對svm分類模型進行訓練。

優(yōu)選地，還包括：

評價模塊，用于根據(jù)甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證。

從以上技術方案可以看出，本發(fā)明實施例具有以下優(yōu)點：

本發(fā)明實施例提供了一種山火火點二次甄別方法及系統(tǒng)，包括：s1、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；s2、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；s3、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；s4、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。本發(fā)明實施例中通過針對衛(wèi)星遙感熱點信息的誤判問題，根據(jù)歷史山火數(shù)據(jù)，以山火的特征量t，r，h，w，z，d，y，k為輸入變量，以“真火點”或“假火點”為輸出量，利用支持向量機方法，對兩者之間存在的非線性、不確定性和復雜性的內在定量關系進行有效的訓練，從而建立山火火點二次甄別模型，再利用所建立的二次甄別模型，對衛(wèi)星遙感提供的熱點信息進行判斷，具有減少誤判、提高山火預警準確度的優(yōu)點，可以彌補常規(guī)火點判斷算法的模糊性，在實際工程應用中有著良好的應用前景，用于對衛(wèi)星監(jiān)測熱點進行二次甄別，減少衛(wèi)星監(jiān)測火點的誤判問題，提升輸電線路山火預警準確度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術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，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1為本發(fā)明實施例提供的一種山火火點二次甄別方法的一個實施例的流程示意圖；

圖2為本發(fā)明實施例提供的一種山火火點二次甄別方法的另一個實施例的流程示意圖；

圖3為本發(fā)明實施例提供的一種山火火點二次甄別方法的另一個實施例的應用流程示意圖；

圖4為本發(fā)明實施例提供的一種山火火點二次甄別系統(tǒng)的一個實施例的結構示意圖。

具體實施方式

本發(fā)明實施例提供了一種山火火點二次甄別方法及系統(tǒng)，用于對衛(wèi)星監(jiān)測熱點進行二次甄別，減少衛(wèi)星監(jiān)測火點的誤判問題，提升輸電線路山火預警準確度。

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點能夠更加的明顯和易懂，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，下面所描述的實施例僅僅是本發(fā)明一部分實施例，而非全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1，本發(fā)明實施例提供的一種山火火點二次甄別方法，包括：

101、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；

其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；

首先，選取用于建立山火二次甄別模型的歷史衛(wèi)星熱點信息樣本數(shù)據(jù)，其中樣本數(shù)據(jù)可以為具體的某一年至今的n組歷史衛(wèi)星熱點信息，并針對真火點和假火點兩種情況下的歷史樣本數(shù)據(jù)進行特征量提取，特征量包括：t，r，h，w，z，d，y，k；t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間(24小時制)。即將每組歷史衛(wèi)星熱點信息中其是否為真火點與其日最高氣溫、日降水量、日最小相對濕度、日平均風速、植被指數(shù)、地形地貌、月份、時間等信息對應的聯(lián)系起來。

102、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；

由于提取的特征量之間的數(shù)量級相差較大，所以在進行訓練之前必須對提取的特征量進行歸一化處理，使所有的數(shù)據(jù)調整到同一數(shù)量級范圍內；對提取后的特征量進行歸一化處理之后，即可根據(jù)歸一化處理后的特征量構造輸入空間向量。

103、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；

在根據(jù)歸一化處理后的特征量構造好輸入空間向量之后，以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練。即以歸一化處理后的特征量作為輸入，以該組特征量所對應的為“真火點”或“假火點”的結果作為輸出，進行svm分類模型的構建和訓練。

104、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。

最后，在獲得訓練好的svm分類模型之后，將通過衛(wèi)星獲得的需要進行山火甄別的衛(wèi)星遙感熱點信息輸入訓練后的svm分類模型，獲得火點甄別輸出結果。

本發(fā)明實施例提供了一種山火火點二次甄別方法，包括：101、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；102、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；103、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；104、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。本發(fā)明實施例中通過針對衛(wèi)星遙感熱點信息的誤判問題，根據(jù)歷史山火數(shù)據(jù)，以山火的特征量t，r，h，w，z，d，y，k為輸入變量，以“真火點”或“假火點”為輸出量，利用支持向量機方法，對兩者之間存在的非線性、不確定性和復雜性的內在定量關系進行有效的訓練，從而建立山火火點二次甄別模型，再利用所建立的二次甄別模型，對衛(wèi)星遙感提供的熱點信息進行判斷，具有減少誤判、提高山火預警準確度的優(yōu)點，可以彌補常規(guī)火點判斷算法的模糊性，在實際工程應用中有著良好的應用前景，用于對衛(wèi)星監(jiān)測熱點進行二次甄別，減少衛(wèi)星監(jiān)測火點的誤判問題，提升輸電線路山火預警準確度。

以上為對本發(fā)明實施例提供的一種山火火點二次甄別方法的一個實施例的詳細描述，以下將對本發(fā)明實施例提供的一種山火火點二次甄別方法的另一個實施例進行詳細的描述。

請參閱圖2和圖3，本發(fā)明實施例提供的一種山火火點二次甄別方法的另一個實施例包括：

201、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；

其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間；

首先，選取用于建立山火二次甄別模型的歷史衛(wèi)星熱點信息樣本數(shù)據(jù)，其中樣本數(shù)據(jù)可以為具體的某一年至今的n組歷史衛(wèi)星熱點信息，并針對真火點和假火點兩種情況下的歷史樣本數(shù)據(jù)進行特征量提取，特征量包括：t，r，h，w，z，d，y，k；t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間(24小時制)。即將每組歷史衛(wèi)星熱點信息中其是否為真火點與其日最高氣溫、日降水量、日最小相對濕度、日平均風速、植被指數(shù)、地形地貌、月份、時間等信息對應的聯(lián)系起來。

202、隨機選取部分樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)；

為了在對獲得的訓練后的山火二次甄別模型進行評價和驗證，可以在n組樣本數(shù)據(jù)中隨機選擇部分樣本數(shù)據(jù)，例如三分之二，作為訓練樣本數(shù)據(jù)，用于建立甄別模型；剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)，用于對所建的模型進行評價和驗證。若對評價和驗證后的模型不滿意，可以重新選擇樣本或增加樣本數(shù)量及調整相關參數(shù)等重新進行模型的構建和訓練。

203、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；

由于提取的特征量之間的數(shù)量級相差較大，所以在進行訓練之前必須對提取的特征量進行歸一化處理，使所有的數(shù)據(jù)調整到同一數(shù)量級范圍內；對提取后的特征量進行歸一化處理之后，即可根據(jù)歸一化處理后的特征量構造輸入空間向量。其中，對提取后的特征量可以通過公式一進行歸一化處理，將提取的連續(xù)特征量歸一化到[-1,1]之間，并根據(jù)歸一化處理后的特征量構造輸入空間向量，公式一具體如下：

式中，為歸一化處理后的數(shù)據(jù)；xi代表特征量的原始數(shù)據(jù)值；xmax代表各特征量序列中的最大值；xmin代表各特征序列中的最小值。

分別把提取的特征量t，r，h，w，z代入上式，得到特征量歸一化數(shù)據(jù)可得到火點二次甄別模型的輸入向量g：

204、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，利用ls-svm方法建立svm分類模型并根據(jù)訓練樣本數(shù)據(jù)對svm分類模型進行訓練；

在根據(jù)歸一化處理后的特征量構造好輸入空間向量之后，以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練。即以歸一化處理后的特征量作為輸入，以該組特征量所對應的為“真火點”或“假火點”的結果作為輸出，進行svm分類模型的構建和訓練。

具體的，利用ls-svm方法構造對應的二分類svm，如果存在一個非線性映射將樣本從原n維低維空間映射到某一m維高維特征空間；則其分類超平面可以表示為：

式中：x是與山火密切相關的特征量t，r，h，w，z，d，y，k；f(x)是待甄別的結果值；ω，為m維向量，b為偏置量，在最優(yōu)超平面上要求2/‖ω‖最大，因此轉化為用拉格朗日法求解二次規(guī)劃問題；

ls-svm選擇了誤差ei的二次項，其優(yōu)化問題為：

式中，e指總的誤差，ei指的是類i的誤差，yi為對應xi的期望輸出，c為懲罰系數(shù)；

通過上式(3)-(4)的對偶形式求最優(yōu)解，對偶形式根據(jù)目標函數(shù)和約束條件建立拉格朗日函數(shù)：

式中，a為拉格朗日乘子，根據(jù)庫恩-塔克條件

得：

式中，y＝[y1,y2,...,yi]t；ηi＝[1,1,...,1]^t；a＝[a1,a2,...,ai]；

用最小二乘解求出a和b，得到分類決策函數(shù)為：

得到原輸入空間對應的判別函數(shù)為：

對svm訓練后找出對應的支持向量，建立最優(yōu)分類面。

本發(fā)明實施例中建立的火點二次甄別模型選用徑向基函數(shù)(rbf)作為核函數(shù)，徑向基函數(shù)的形式如下：

k(x,ui)＝exp(-x-ui/σ²；(10)

式中，σ為核寬度控制因子；ui是核函數(shù)的中心。

通過核函數(shù)對特征量g進行轉換進一步確定模型的ci，σi，最后得到二叉樹svm分類器。

205、根據(jù)甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證；

在獲得訓練后的svm分類模型之后，根據(jù)所篩選出來的甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證。若評價和驗證的結果精度高，且獲得預期的效果，則可以以此模型作為山火的二次甄別模型，若對評價和驗證后的模型不滿意，則可以重新選擇樣本或增加樣本數(shù)量及調整相關參數(shù)等重新進行模型的構建和訓練。

206、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。

最后，在獲得訓練好的svm分類模型之后，將通過衛(wèi)星獲得的需要進行山火甄別的衛(wèi)星遙感熱點信息輸入訓練后的svm分類模型，獲得火點甄別輸出結果。

本發(fā)明實施例提供了一種山火火點二次甄別方法，包括：201、獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量；202、隨機選取部分樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)；203、對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；204、以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，利用ls-svm方法建立svm分類模型并根據(jù)訓練樣本數(shù)據(jù)對svm分類模型進行訓練；205、根據(jù)甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證；206、根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。本發(fā)明實施例中通過針對衛(wèi)星遙感熱點信息的誤判問題，根據(jù)歷史山火數(shù)據(jù)，以山火的特征量t，r，h，w，z，d，y，k為輸入變量，以“真火點”或“假火點”為輸出量，利用支持向量機方法，對兩者之間存在的非線性、不確定性和復雜性的內在定量關系進行有效的訓練，從而建立山火火點二次甄別模型，并對模型進行訓練和評價、驗證，再利用所建立的二次甄別模型，對衛(wèi)星遙感提供的熱點信息進行判斷，具有減少誤判、提高山火預警準確度的優(yōu)點，可以彌補常規(guī)火點判斷算法的模糊性，在實際工程應用中有著良好的應用前景，用于對衛(wèi)星監(jiān)測熱點進行二次甄別，減少衛(wèi)星監(jiān)測火點的誤判問題，提升輸電線路山火預警準確度。

以上為對本發(fā)明實施例提供的一種山火火點二次甄別方法的另一個實施例的詳細描述，以下將對本發(fā)明實施例提供的一種山火火點二次甄別系統(tǒng)進行詳細的描述。

請參閱圖4，本發(fā)明實施例提供的一種山火火點二次甄別系統(tǒng)包括：

提取模塊301，用于獲取歷史衛(wèi)星熱點信息作為樣本數(shù)據(jù)，并針對真火點和假火點兩種不同情況下的樣本數(shù)據(jù)進行特征量提取，獲得提取后的特征量，特征量包括：t，r，h，w，z，d，y，k；

其中，t為日最高氣溫，r為日降水量，h為日最小相對濕度，w為日平均風速，z為植被指數(shù)，d為地形地貌，y為月份，k為時間。

選取模塊302，用于隨機選取部分樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將剩余的樣本數(shù)據(jù)作為甄別樣本數(shù)據(jù)。

歸一化處理模塊303，用于對提取后的特征量進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量；歸一化處理模塊303具體包括：

歸一化處理單元3031，用于對提取后的特征量通過公式一進行歸一化處理，并根據(jù)歸一化處理后的特征量構造輸入空間向量，公式一具體如下：

式中，為歸一化處理后的數(shù)據(jù)；xi代表特征量的原始數(shù)據(jù)值；xmax代表各特征量序列中的最大值；xmin代表各特征序列中的最小值。

訓練模塊304，用于以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，建立svm分類模型并對svm分類模型進行訓練；訓練模塊304具體包括：

訓練單元3041，用于以輸入空間向量作為輸入、輸入空間向量對應的真火點或假火點的結果作為輸出，利用ls-svm方法建立svm分類模型并根據(jù)訓練樣本數(shù)據(jù)對svm分類模型進行訓練。

評價模塊305，用于根據(jù)甄別樣本數(shù)據(jù)對訓練后的svm分類模型進行評價和驗證。

甄別模塊306，用于根據(jù)訓練后的svm分類模型輸入衛(wèi)星遙感熱點信息，獲得火點甄別輸出結果。

所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

在本申請所提供的幾個實施例中，應該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中?；谶@樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

以上所述，以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。