光性能监测方法、电子设备及计算机可读存储介质与流程

1.本技术涉及光通信技术领域，尤其涉及一种光性能监测方法、电子设备及计算机可读存储介质。


背景技术：

2.光性能监测是光网络系统中的重要组成部分。光性能监测的发展对数字信号处理技术的发展至关重要。在相干光通信中，选用一种优越的调制格式识别(modulation format identification，mfi)和光信噪比(optical signal to noise ratio，osnr)估计方法至关重要。目前已经提出了几种较好的方案，例如，利用信号的幅度直方图信息作为输入的深度神经网络来实现调制格式识别和光信噪比监测，但该方案以牺牲复杂性来换取监测有效性，基于累积分布函数的人工神经网络或支持向量机来实现调制格式识别和光信噪比监测，但该些方案在海量数据处理和抗噪性能方面表现出一定的局限性。


技术实现要素：

3.鉴于上述，本技术提供一种光性能监测方法、电子设备及计算机可读存储介质，其利用复值神经网络来实现调制格式识别和/或光信噪比的估算，光性能监测精度高，容噪性能佳。
4.本技术一实施方式提供一种光性能监测方法，包括：对接收的光信号进行预处理，得到复数信号；基于所述复数信号生成星座图；将所述星座图转换为灰度图，并从所述灰度图中提取灰度值；利用预设转换算法将提取的灰度值转换为复值；将所述复值输入至预先建立的复值神经网络，得到所述光信号的调制格式和/或光信噪比。
5.在一些实施方式中，所述对接收的光信号进行预处理，得到复数信号，包括：将接收的光信号转换为电信号；对所述电信号进行模数转换处理，得到数字信号；对所述数字信号进行色散补偿与内部时钟恢复处理，得到所述复数信号。
6.在一些实施方式中，所述基于所述复数信号生成星座图，包括：从所述复数信号中提取预设数量的复数信号值绘制环状的星座图。
7.在一些实施方式中，所述将所述星座图转换为灰度图，并从所述灰度图中提取灰度值，包括：将所述星座图转换为m*n像素的灰度图，并从所述灰度图中提取m*n个灰度值，其中m、n均为大于1的正整数。
8.在一些实施方式中，所述预先建立的复值神经网络包括第一复值神经网络及第二复值神经网络，所述将所述复值输入至预先建立的复值神经网络，得到所述光信号的调制格式和/或光信噪比，包括：将所述复值输入至所述第一复值神经网络，得到所述光信号的调制格式；将所述复值输入至所述第二复值神经网络，得到所述光信号的光信噪比。
9.在一些实施方式中，所述第一复值神经网络与所述第二复值神经网络中的优化算法均为有限内存broyden
‑
fletcher
‑
goldfarb
‑
shanno(l
‑
bfgs)算法。
10.在一些实施方式中，所述灰度图的像素为m*n，所述第一复值神经网络由多种调制
格式的样本光信号及所述样本光信号对应的m*n个复值训练得到，所述第一复值神经网络包括第一输入层、第一隐藏层及第一全连接输出层，所述第一输入层包括m*n个神经元。
11.在一些实施方式中，所述灰度图的像素为m*n，所述第二复值神经网络由多种光信噪比区间的样本光信号及所述样本光信号对应的m*n个复值训练得到，所述第二复值神经网络包括第二输入层、第二隐藏层及第二全连接输出层，所述第二输入层包括m*n个神经元。
12.本技术一实施方式提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行上述的光性能监测方法。
13.本技术一实施方式提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行上述的光性能监测方法。
14.上述光性能监测方法、电子设备及计算机可读存储介质，利用包含l
‑
bfgs算法的复值神经网络来实现调制格式识别和/或光信噪比的估算，内存占用少，更适合小规模光模块开发，且采用类似于神经网络的图片处理方式处理光信号数据，使得处理后的数据可应用于复值神经网络，且可保留原始数据的更多特征信息，光性能监测精度高，成本低廉，容噪性能佳。
附图说明
15.为了更清楚地说明本技术实施方式的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，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。
16.图1是本技术一实施例中光性能监测方法的步骤流程图。
17.图2a与2b分别是本技术一实施例中第一复值神经网络、第二复值神经网络的架构示意图。
18.图3是本技术一实施例在不同光信噪比下qpsk、8
‑
qam、16
‑
qam、32
‑
qam、64
‑
qam和128
‑
qam的调制格式识别精度曲线。
19.图4是本技术一实施例所估算得到的光信噪比值与真实的光信噪比值的对比图。
20.图5为本技术一实施例中光性能监测装置的功能模块图。
21.图6为本技术一实施例中电子设备示意图。
具体实施方式
22.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施方式对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施方式及实施方式中的特征可以相互组合。
23.在下面的描述中阐述了很多具体细节以便于充分理解本技术，所描述的实施方式仅是本技术一部分实施方式，而不是全部的实施方式。
24.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的
技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本技术。
25.本技术的光性能监测方法可应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于处理器、微程序控制器(microprogrammed control unit，mcu)、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
26.所述电子设备可以是桌上型计算机、光通信设备、服务器等计算设备。
27.图1是本技术光性能监测方法一实施例的步骤流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
28.参阅图1所示，所述光性能监测方法可以包括以下步骤。
29.步骤s11、对接收的光信号进行预处理，得到复数信号。
30.在一实施方式中，可以采用现有的光接收器来实现接收光信号，例如光接收器可以包括光检测器、混频器及平衡检测二极管。
31.在一实施方式中，预处理可以包括光电转换处理、模数转换处理、色散补偿处理与内部时钟恢复处理中的一种或多种。例如，对接收的光信号进行预处理，得到复数信号可以包括：a1.将接收的光信号转换为电信号；a2.对电信号进行模数转换处理，得到数字信号；a3.对数字信号进行色散补偿与内部时钟恢复处理，得到复数信号，进行实现从接收的光信号中恢复出光发射端传输的原始数据信号。
32.步骤s12、基于复数信号生成星座图。
33.在一实施方式中，可以从复数信号中提取预设数量的复数信号值绘制环状的星座图。预设数量可以根据实际需求进行设定，例如，从复数信号中提取10000个复数信号值绘制环状的星座图。
34.步骤s13、将星座图转换为灰度图，并从灰度图中提取灰度值。
35.在一实施方式中，可以将星座图转换为m*n像素的灰度图(灰度等级为0～255)，m、n为正整数，m与n的值可以根据实际光信号处理需求进行设定。例如，可以将星座图转换为50*50像素的灰度图，进而可以从灰度图中提取2500个灰度值。
36.步骤s14、利用预设转换算法将提取的灰度值转换为复值。
37.在一实施方式中，预设转换算法可以根据实际需求进行选定，例如预设转换算法可以包括以下算式(i)、(ii)：
38.θ＝π*(x
‑
a)/(b
‑
a)
…
(i)；
39.z＝e
iθ
＝cosθ i*sinθ
…
(ii)；
40.其中，z为复值，x为灰度值，i为虚数单位，a为0，b为255。可以通过上述算式(i)、(ii)实现将提取的2500个灰度值转换为对应的2500个复值。
41.步骤s15、将转换得到的复值输入至预先建立的复值神经网络，得到光信号的调制格式和/或光信噪比。
42.在一实施方式中，预先建立的复值神经网络可以包括第一复值神经网络及第二复值神经网络。可以将步骤14转换得到的复值输入至预先建立的第一复值神经网络，得到光
信号的调制格式，将步骤14转换得到的复值输入至预先建立的第二复值神经网络，得到光信号的光信噪比。
43.如图2a所示，为本技术一实施例的第一复值神经网络11的网络架构。
44.第一复值神经网络11包括第一输入层111、第一隐藏层112及第一全连接输出层113。第一复值神经网络11的训练数据可以包括多种调制格式的样本光信号，可以对样本光信号进行处理得到每一样本光信号对应的复值，每一样本光信号对应的复值作为第一复值神经网络11的输入，实现对第一复值神经网络11进行训练。
45.例如，多种调制格式的样本光信号为六种调制格式的样本光信号线。六种调制格式包括正交相移键控(quadrature phase shift keying，qpsk)、8
‑
正交振幅调制(quadrature amplitude modulation，qam)、16
‑
qam、32
‑
qam、64
‑
qam和128
‑
qam。即训练后的第一复值神经网络11可以识别六种调制格式的光信号。
46.在一实施方式中，如图2a所示，第一输入层111包括2500个神经元，2500个神经元对应2500个复值，第一隐藏层112包括19个神经元，第一全连接输出层113包括6类输出，6类输出对应六种调制格式。
47.在一实施方式中，第一复值神经网络11的训练过程可以包括：
48.s1.对于六种调制格式的训练数据，每种调制格式可以分别取300组数据集，其中，每种调制格式中的70％(210组)用作训练集，剩余的30％(90组)用作测试集，即总共1260组作为训练集，540组作为测试集；
49.s2.初始化第一复值神经网络11的权重系数w1、w2和偏置值b1、b2，权重系数w1和偏置值b1可以根据输入复值和第一隐藏层112的大小而定，权重系数w2和偏置值b2可以根据第一隐藏层112和第一全连接输出层113的大小而定；
50.例如，第一输入层111包括2500个神经元，第一隐藏层112包括19个神经元，w1可以通过以下算式(iii)计算得到，b1可以通过以下算式(iv)计算得到：
51.w1＝(c )d
‑
c(*a) j*(c (d
‑
c)*a)
…
(iii)；
52.b1＝(c (d
‑
c)*b) j*(c (d
‑
c)*b)
…
(iv)；
53.其中，a为19*2500的矩阵，b为19*1的矩阵，j为虚数单位，a为
‑
0.1，b为0.1；
54.s3.根据输入的训练集的数据对第一复值神经网络11进行训练，利用激活函数split
‑
sigmoid更新权重系数w1、w2和偏置值b1、b2，再通过反向传播输出参数dw1c、参数dw2c、参数db1c、参数db2c，根据网络学习率可以不断更新出新的权重系数w1、w2和偏置值b1、b2；
55.例如，可以根据最小均方误差定义损失函数l，损失函数l为：
[0056][0057]
其中，p为训练数据个数，o
p
为训练数据，为拟合的训练数据；
[0058]
例如，可以通过以下算式实现根据网络学习率不断更新出新的权重系数w1、w2和偏置值b1、b2：
[0059]
w1‑
new
＝w1‑
learning_rate*dw1c；
[0060]
w2‑
new
＝w2‑
learning_rate*dw2c；
[0061]
b1‑
new
＝b1‑
learning_rate*db1c；
[0062]
b2‑
new
＝b2‑
learning_rate*db2c；
[0063]
其中，w1‑
new
为对权重系数w1进行更新得到的权重系数，w2‑
new
为对权重系数w2进行更新得到的权重系数，b1‑
new
为对偏置值b1进行更新得到的偏置值，b2‑
new
为对偏置值b2进行更新得到的偏置值，learning_rate为网络学习率；网络学习率可以根据实际需求进行设定，比如将网络学习率可设置为0.01；
[0064]
s4.将权重系数w1、w2和偏置值b1、b2代入l
‑
bfgs算法求最优解，辅助完成对第一复值神经网络11的训练；
[0065]
其中，l
‑
bfgs算法的记忆长度可以设置为6～10，例如在第一复值神经网络11中，将记忆长度设置为6，进行迭代100次；第一复值神经网络11采用l
‑
bfgs算法求最优解，收敛速度快、内存开销少，既消除了一阶梯度下降算法易出现过拟合问题，又解决了二阶牛顿算法复杂度高的问题，更具有实用性，更适合小规模光模块开发；
[0066]
s5.利用测试集的数据对训练完成的第一复值神经网络11进行测试，统计测试数据的准确率，当准确率符合预设要求时，即可判定训练完成的第一复值神经网络11符合要求，否则调整第一复值神经网络11的网络参数(如隐藏层的神经元数量)，并再次利用训练集的数据对其进行训练直至测试得到的准确率符合预设要求。
[0067]
可以理解的，本技术并不限定第一输入层111具有2500个神经元，第一隐藏层112具有19个神经元，第一全连接输出层113具有6类输出，可以根据实际信号处理效果或信号处理需求调整第一输入层111、第一隐藏层112的神经元数及第一全连接输出层113的输出类别数量。例如，对光信号进行处理得到对应的2600个复值，第一输入层111可以具有2600个神经元，第一隐藏层112具有20个神经元，如果第一复值神经网络11具备识别八种调制格式的光信号，第一全连接输出层113具有8类输出。
[0068]
在一实施方式中，第二复值神经网络12包括第二输入层121、第二隐藏层122及第二全连接输出层123。第二复值神经网络12的训练数据可以包括多种光信噪比区间的样本光信号，可以对样本光信号进行处理得到每一样本光信号对应的复值，每一样本光信号对应的复值作为第二复值神经网络12的输入，实现对第二复值神经网络12进行训练。如图2b所示，第二输入层121包括2500个神经元，2500个神经元对应2500个复值，第二隐藏层122包括21个神经元，第二全连接输出层123包括8类输出，8类输出对应八种光信噪比区间。第二复值神经网络12的训练方式可以参考上述的第一复值神经网络11的训练过程进行训练，在此不再赘述。
[0069]
例如，第二复值神经网络12的训练数据为常用的qpsk、16
‑
qam和64
‑
qam三种调制格式，光信噪比区间为各自常用的八种光信噪比范围，每个光信噪比区间取200组数据集，将每个光信噪比区间的70％(140组)作为训练集，30％(60组)作为测试集，即总共包括1120组作为训练集，480组作为测试集，网络学习率设置为0.01，第二复值神经网络12中的l
‑
bfgs算法的记忆长度设置为10，迭代400次，激活函数为split
‑
sigmoid函数。
[0070]
当训练得到第一复值神经网络11之后，可将对接收的光信号转换得到的复值输入至第一复值神经网络11，得到该光信号的调制格式。当训练得到第二复值神经网络12之后，可将对接收的光信号转换得到的复值输入至第二复值神经网络12，得到该光信号的光信噪比。
[0071]
如图3所示，为本技术在不同光信噪比下qpsk、8
‑
qam、16
‑
qam、32
‑
qam、64
‑
qam和128
‑
qam的调制格式识别精度曲线。如图3所示，对于qpsk，在不同的光信噪比下可以达到近100％的准确度；对于8
‑
qam，在光信噪比为8db时可以保持90％以上的准确度，在光信噪比为12db时，8
‑
qam可以达到100％的准确度；对于16
‑
qam，在光信噪比为12db时，16
‑
qam可以达到100％的准确度；对于32
‑
qam，在光信噪比为12db时可以保持90％以上的准确度；对于64
‑
qam，在光信噪比为15db时可以保持90％以上的准确度，对于128
‑
qam，在光信噪比为15db的情况下可以达到接近100％的准确率，在光信噪比为12db的情况下可以达到94.4％的准确率。本技术方案在调制格式识别时表现出优异的容噪性能，随着光信噪比的增加，每种调制格式的识别率都会增加。
[0072]
如图4所示，为本技术估算的光信噪比值与真实的光信噪比值的对比图。以常用的qpsk、16
‑
qam和64
‑
qam为例，将qpsk、16
‑
qam和64
‑
qam的osnr范围分别设置为11～18db、16～23db、21～28db。结果如图4所示，其中直线为osnr真实值，可以看出本技术的光信噪比估算值与真实值基本一致。qpsk、16
‑
qam和64
‑
qam的平均估算误差分别为0.06db、0.05db和0.067db。
[0073]
上述光性能监测方法，利用包含l
‑
bfgs算法的复值神经网络来实现调制格式识别和/或光信噪比的估算，内存占用少，更适合小规模光模块开发，且采用类似于神经网络的图片处理方式处理光信号数据，使得处理后的数据可应用于复值神经网络，且可保留原始数据的更多特征信息，光性能监测精度高，成本低廉，容噪性能佳。
[0074]
图5为本技术光性能监测装置较佳实施例的功能模块图。
[0075]
参阅图5所示，光性能监测装置10应用于电子设备。光性能监测装置10可以包括一个或多个模块。例如，参阅图5所示，光性能监测装置10可以包括接收模块101、生成模块102、第一转换模块103、第二转换模块104及处理模块105。
[0076]
可以理解的是，对应于上述光性能监测方法中的各实施方式，光性能监测装置10可以包括图5中所示的各功能模块中的一部分或全部，各模块101～105的功能将在以下具体介绍。需要说明的是，以上光性能监测方法的各实施方式中相同的名词相关名词及其具体的解释说明也可以适用于以下对各模块101～105的功能介绍。为节省篇幅及避免重复起见，在此就不再赘述。
[0077]
接收模块101用于接收光信号，并对接收的光信号进行预处理，得到复数信号。
[0078]
在一实施方式中，接收模块101可以包括光检测器1011、混频器1012、平衡检测二极管1013、模数转换单元1014、色散补偿1015及时钟恢复1016，进而接收模块101可以实现接收光信号，将接收的光信号转换为电信号，对电信号进行模数转换处理，得到数字信号，再对数字信号进行色散补偿与内部时钟恢复处理，得到复数信号，进行实现恢复出光发射端传输的原始数据信号。
[0079]
生成模块102用于基于复数信号生成星座图。
[0080]
在一实施方式中，生成模块102可以从复数信号中提取预设数量的复数信号值绘制环状的星座图。预设数量可以根据实际需求进行设定，例如，生成模块102从复数信号中提取10000个复数信号值绘制环状的星座图。
[0081]
第一转换模块103用于将星座图转换为灰度图，并从灰度图中提取灰度值。
[0082]
在一实施方式中，第一转换模块103可以将星座图转换为m*n像素的灰度图(灰度
等级为0～255)，m、n为正整数，m与n的值可以根据实际光信号处理需求进行设定。例如，第一转换模块103可以将星座图转换为50*50像素的灰度图，进而可以从灰度图中提取2500个灰度值。
[0083]
第二转换模块104用于利用预设转换算法将提取的灰度值转换为复值。
[0084]
在一实施方式中，预设转换算法可以包括以下算式(i)、(ii)：
[0085]
θ＝π*(x
‑
a)/(b
‑
a)
…
(i)；
[0086]
z＝e
iθ
＝cosθ i*sinθ
…
(ii)；
[0087]
其中，z为复值，x为灰度值，i为虚数单位，a为0，b为255。第二转换模块104可以通过上述算式(i)、(ii)实现将提取的2500个灰度值转换为对应的2500个复值。
[0088]
处理模块105用于将转换得到的复值输入至预先建立的复值神经网络，得到光信号的调制格式和/或光信噪比。
[0089]
在一实施方式中，预先建立的复值神经网络可以包括第一复值神经网络及第二复值神经网络。处理模块105可以将第二转换模块104转换得到的复值输入至预先建立的第一复值神经网络，得到光信号的调制格式，将第二转换模块104转换得到的复值输入至预先建立的第二复值神经网络，得到光信号的光信噪比。第一复值神经网络与第二复值神经网络中的优化算法均为l
‑
bfgs算法。
[0090]
上述光性能监测装置，利用包含l
‑
bfgs算法的复值神经网络来实现调制格式识别和/或光信噪比的估算，内存占用少，更适合小规模光模块开发，且采用类似于神经网络的图片处理方式处理光信号数据，使得处理后的数据可应用于复值神经网络，且可保留原始数据的更多特征信息，光性能监测精度高，成本低廉，容噪性能佳。
[0091]
图6为本技术电子设备较佳实施例的示意图。
[0092]
电子设备100包括存储器20、处理器30以及存储在存储器20中并可在处理器30上运行的计算机程序40，例如光性能监测装置10。处理器30执行计算机程序40时实现上述光性能监测方法实施例中的步骤，例如图1所示的步骤s11～s15。或者，处理器30执行计算机程序40时实现上述光性能监测装置实施例中各模块的功能，例如图5中的模块101～105。
[0093]
在一实施方式中，图5所示的模块(101～105)中的部分模块可以由处理器30执行，另一部分可以由其他硬件(比如光检测器、混频器、平衡检测二极管、模数转换器等)执行。比如，由处理器30执行模块102～105。
[0094]
示例性的，计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器20中，并由处理器30执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述计算机程序40在电子设备100中的执行过程。例如，计算机程序40可以被分割成图5中的接收模块101、生成模块102、第一转换模块103、第二转换模块104及处理模块105。各模块具体功能参见上述实施例。
[0095]
电子设备100可以是桌上型计算机、光通信设备、服务器等计算设备。本领域技术人员可以理解，所述示意图仅是电子设备100的示例，并不构成对电子设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备100还可以包括输入输出设备、网络接入设备、总线等。
[0096]
处理器30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处理器30也可以是任何常规的处理器等，处理器30是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
[0097]
存储器20可用于存储计算机程序40和/或模块/单元，处理器30通过运行或执行存储在存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现电子设备100的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
[0098]
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术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，所述的计算机程序可存储于一计算机可读存储介质中，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。所述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电载波信号和电信信号。
[0099]
在本技术所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅是示意性的，例如，所述单元的划分，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。
[0100]
另外，在本技术各个实施例中的各功能单元可以集成在相同处理单元中，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相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0101]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0102]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。