一种基于反向传播神经网络的个人信用评估方法及系统与流程

1.本发明涉及个人信用评估相关领域，尤其涉及一种基于反向传播神经网络的个人信用评估方法及系统。


背景技术：

2.各银行、金融机构在评估个人信用风险时，往往通过客户主动提交的各项申请资料、金融机构内部累计的客户的历史数据、央行征信系统数据进行个人信用风险评估，这些指标体系纬度单一，内容刻板，灵活性差，并且多年来的衡量指标变化幅度小，难以与快速发展的金融业完全契合。
3.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
4.现有技术中存在对于客户信用等级评估存在偏差，不能科学准确的对客户进行信用风险评估的技术问题。


技术实现要素：

5.本技术实施例通过提供一种基于反向传播神经网络的个人信用评估方法及系统，解决了现有技术中存在对于客户信用等级评估存在偏差，不能科学准确的对客户进行信用风险评估的技术问题，达到对客户信用等级科学准确的评估，降低信用风险，挽留优质客户的技术效果。
6.鉴于上述问题，提出了本技术实施例提供一种基于反向传播神经网络的个人信用评估方法及系统。
7.第一方面，本技术实施例提供了一种基于反向传播神经网络的个人信用评估方法，所述方法应用于一风险评估系统，且所述系统具有一数据预处理单元、模型构建单元、模型实施单元，其中，所述方法包括：获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；构建反向传播神经网络模型，其中，所述反向传播神经网络模型包括输入层、输出层以及隐藏层；基于数据库获得第一样本信息；采用所述第一样本信息，对所述反向传播神经网络模型进行训练；通过所述模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分值。
8.另一方面，本技术还提供了一种基于反向传播神经网络的个人信用评估系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；第二获得单元，所述第二获得单元用于通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；第一构建单元，所述第一构建单元用于构建反向传播神经网络模型，其中，所述反向传
播神经网络模型包括输入层、输出层以及隐藏层；第三获得单元，所述第三获得单元用于基于数据库获得第一样本信息；第一训练单元，所述第一训练单元用于采用所述第一样本信息，对所述反向传播神经网络模型进行训练；第四获得单元，所述第四获得单元用于通过所述模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分值。
9.第三方面，本发明提供了一种基于反向传播神经网络的个人信用评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
10.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
11.由于采用了根据所述第一用户的第一数据信息进行预处理，构建反向传播神经网络模型，根据第一样本信息对所述反向传播神经网络模型进行训练，将所述进行预处理后的第一数据信息输入所述反向传播神经网络模型的方式，获得所述反向传播神经网络模型的第一输出结果，所述第一输出结果包括所述第一用户的信用评估分值，达到对所述用户的信用评估分值评估更加准确，降低信用风险，挽留优质客户的技术效果。
12.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
13.图1为本技术实施例一种基于反向传播神经网络的个人信用评估方法的流程示意图；
14.图2为本技术实施例一种基于反向传播神经网络的个人信用评估系统的结构示意图；
15.图3为本技术实施例示例性电子设备的结构示意图。
16.附图标记说明：第一获得单元11，第二获得单元12，第一构建单元13，第三获得单元14，第一训练单元15，第四获得单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
17.本技术实施例通过提供一种基于反向传播神经网络的个人信用评估方法及系统，解决了现有技术中存在对于客户信用等级评估存在偏差，不能科学准确的对客户进行信用风险评估的技术问题，达到对客户信用等级科学准确的评估，降低信用风险，挽留优质客户的技术效果。下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
18.申请概述
19.各银行、金融机构在评估个人信用风险时，往往通过客户主动提交的各项申请资料、金融机构内部累计的客户的历史数据、央行征信系统数据进行个人信用风险评估，这些
指标体系纬度单一，内容刻板，灵活性差，并且多年来的衡量指标变化幅度小，难以与快速发展的金融业完全契合。但现有技术中存在对于客户信用等级评估存在偏差，不能科学准确的对客户进行信用风险评估的技术问题。
20.针对上述技术问题，本技术提供的技术方案总体思路如下：
21.本技术实施例提供了一种基于反向传播神经网络的个人信用评估方法，所述方法应用于一风险评估系统，且所述系统具有一数据预处理单元、模型构建单元、模型实施单元，其中，所述方法包括：获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；构建反向传播神经网络模型，其中，所述反向传播神经网络模型包括输入层、输出层以及隐藏层；基于数据库获得第一样本信息；采用所述第一样本信息，对所述反向传播神经网络模型进行训练；通过所述模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分值。
22.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
23.实施例一
24.如图1所示，本技术实施例提供了一种基于反向传播神经网络的个人信用评估方法，所述方法应用于一风险评估系统，且所述系统具有一数据预处理单元、模型构建单元、模型实施单元，其中，所述方法包括：
25.步骤s100：获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；
26.具体而言，所述第一用户为银行、金融机构要进行信用风险评估的用户，所述第一数据信息为所述第一用户的相关数据信息，所述数据信息为对所述第一用户进行采集获得的。
27.步骤s200：通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；
28.具体而言，所述预处理单元为对所述采集的第一用户的第一数据进行预处理的单元，所述预处理包括数据清洗、数据转化、数据归一化等。
29.步骤s300：构建反向传播神经网络模型，其中，所述反向传播神经网络模型包括输入层、输出层以及隐藏层；
30.具体而言，神经网络(neuralnetworks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(artificialneuralnetworks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。
31.进一步而言，所述构建反向传播神经网络模型，本技术实施例步骤s300还包括：
32.步骤s310：采用蛙跳算法获得所述反向传播神经网络模型中所述输入层的第一输入节点数；
33.步骤s320：采用所述蛙跳算法获得所述反向传播神经网络模型中所述输出层的第
一输出节点数；
34.步骤s330：获得所述反向传播神经网络模型中所述隐藏层的第一隐藏节点数；
35.步骤s340：根据所述第一输入节点数、第一输出节点数和第一隐藏节点数，构建所述反向传播神经网络模型。
36.具体而言，所述反向传播神经网络模型使用3层的反向传播神经网络进行训练，因为靠增加隐藏层的节点数来获得较低的误差，其训练效果要比增加模型的隐藏层数更容易实现。所述第一输入节点数确认，即所选用的指标数：结合行业流行的信用评估指标，选用年龄、性别、婚姻状况、文化程度、住房性质、职业、入职年限、职务、职称、年收入、与本行的关系、持有信用卡情况等属性作为节点进行训练。所述确定模型的第一输出节点数，本技术实施例采用五个风险等级，所以选择输出层的节点数为5。引入蛙跳算法，由于bp算法神经网络受初始权值和阀值的约束，容易陷入局部极小值，使用蛙跳算法让其跳出此限制，最终找到全局极值，最终根据所述第一输入节点数、第一输出节点数和第一隐藏节点数，构建所述反向传播神经网络模型。
37.步骤s400：基于数据库获得第一样本信息；
38.具体而言，所述数据库是通过结合银行系统的数据获得的数据库，基于所述数据库，寻找合适的样本信息，所述样本信息为基于所述个人信息、行为习惯、金融机构内部累计的客户历史数据及众多影响因素和个人信用风险评估结果形成的具有参考价值的样本信息。
39.步骤s500：采用所述第一样本信息，对所述反向传播神经网络模型进行训练；
40.步骤s600：通过所述模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分值。
41.具体而言，根据所述第一样本信息对所述反向传播神经网络模型进行训练，根据所述训练结果，所述反向传播神经网络模型不断地进行自我的修正调整，获得更加准确的“经验”处理所述输入数据，通过所述模拟实施单元，将所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，所述第一输出结果包含所述第一用户的信用评估分值。通过训练所述反向传播神经网络模型，将所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果的方式，所述第一输出结果包括所述第一用户的信用评估分值，达到对所述用户的信用评估分值评估更加准确，降低信用风险，挽留优质客户的技术效果。
42.进一步而言，所述通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息，本技术实施例步骤s200还包括：
43.步骤s210：获得第一数据清洗指令；
44.步骤s220：根据所述第一数据清洗指令，判断所述第一数据信息中是否存在无效数据，和/或，缺损数据；
45.步骤s230：如果存在，则对所述无效数据，和/或，缺损数据进行删除。
46.具体而言，所述获得第一数据清洗指令，对所述第一数据信息进行判断，实际上是在采集到的数据中，对数据的完整性和是否有效进行判断，当所述采集数据中存在不完整，
即缺损数据时，对所述缺损数据进行删除，如检测到无效数据，同样根据所述第一数据清洗指令，对所述无效数据进行删除处理。通过对所述第一数据进行数据清洗，达到保证数据的完整性和可靠性的技术效果，为后续获得用户准确的信用评估分值夯实了基础。
47.进一步而言，所述如果存在，则对所述无效数据，和/或，缺损数据进行删除之后，本技术实施例步骤s230还包括：
48.步骤s231：判断所述清洗之后的所述第一数据信息中是否存在第一类型指标信息，其中，所述第一类型指标信息为非数值型信息；
49.步骤s232：如果存在，则获得第一转化指令；
50.步骤s233：根据所述第一转化指令，将所述第一类型指标信息进行转化，获得第二类型指标信息，其中，所述第二类型指标信息为数值型信息。
51.进一步而言，所述根据所述第一转化指令，将所述清洗之后的所述第一数据信息中的第一类型指标信息进行转化，获得第二类型指标信息，本技术实施例步骤s233还包括：
52.步骤s2331：获得预设转化数值列表信息；
53.步骤s2332：根据所述预设转化数值列表信息，获得所述第一类型指标信息的第一数值信息；
54.步骤s2333：根据所述第一数值信息，获得第二类型指标信息。
55.具体而言，所述第一类型指标信息具体指非数值型信息，当所述第一数据信息中存在所述非数值型信息时，根据所述第一转化指令对所述非数值型信息转化为数值型信息，具体的转化方式为：首先，获得预设转化数值列表信息，其中，预设转化数值列表信息为预先设置的不同分类指标信息所对应的不同数值信息，即为根据所述第一数据的分类或需求的数据分类获得的列表信息，相对应的位置出现的数值代表所述位置的信息，进而从该预设转化数值列表信息中，可以获得与第一类型指标信息相对应的第一数值信息，从而通过第一数值信息，获得第二类型指标信息即可。举例而言，将非数值型数值转化为数值型，例如学历转化即为，硕士：10，本科：7，大专：5，高中及以下：2；工作单位的稳定性，国家机关/事业单位：10，三资企业：7，民营：5，私营：4，将所述第一数据中相对应的信息转化为与之对应的数值信息进行替代，为后续方便所述第一数据的计算奠定了基础。
56.进一步而言，本技术实施例还包括：
57.步骤s240：判断所述清洗之后的所述第一数据信息中是否存在第三类型指标信息，其中，所述第三类型指标信息包括多个维度的指标信息；
58.步骤s250：如果存在，则获得第一归一化指令；
59.步骤s260：根据所述第一归一化指令，对所述第三类型指标信息中的所述多个维度的指标信息进行归一化处理，以平衡所述多个维度的指标信息之间的差距。
60.具体而言，所述多个维度的指标信息即同时存在年龄、贷款数额、信用卡额度、互联网认证记录次数、线上年支出总额等，将上述指标信息的真实值代入计算，即进行归一化处理，达到平衡不同维度指标之间的差距的技术效果。
61.进一步而言，所述获得所述反向传播神经网络模型中隐藏层的第一隐藏节点数，本技术实施例步骤s330还包括：
62.步骤s331：获得第一初始节点数；
63.步骤s332：获得第一调节指令；
64.步骤s333：根据所述第一调节指令，按照第一计算公式，对所述第一初始节点数进行调整，获得所述第一隐藏节点数，其中，所述第一计算公式包括：l<n
‑
1、其中，l为所述第一隐藏节点数，n为所述第一输入节点数，k为所述第一输出节点数，i的取值范围为0～9之间的任意数字。
65.具体而言，所述确定隐藏节点数的确定为按照经验或试错法进行设置的，即根据所述第一调节指令，按照所述第一计算公式，计算获得所述隐藏层的初始节点数，并通过试错法，不断地调整所述隐藏层的初始节点数。而后，引入蛙跳算法，由于bp算法神经网络受初始权值和阀值的约束，容易陷入局部极小值，使用蛙跳算法让其跳出此限制，最终找到全局极值，最后通过样本数据对所述模型进行训练，将所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，所述第一输出结果包括所述第一用户的信用评估分值，达到对所述用户的信用评估分值评估更加准确，降低信用风险，挽留优质客户的技术效果。
66.综上所述，本技术实施例所提供的一种基于反向传播神经网络的个人信用评估方法及系统具有如下技术效果：
67.1、由于采用了根据所述第一用户的第一数据信息进行预处理，构建反向传播神经网络模型，根据第一样本信息对所述反向传播神经网络模型进行训练，将所述进行预处理后的第一数据信息输入所述反向传播神经网络模型的方式，获得所述反向传播神经网络模型的第一输出结果，所述第一输出结果包括所述第一用户的信用评估分值，达到对所述用户的信用评估分值评估更加准确，降低信用风险，挽留优质客户的技术效果。
68.2、由于采用了通过对所述第一数据进行数据清洗的方式，达到保证数据的完整性和可靠性的技术效果，为后续获得用户准确的信用评估分值夯实了基础。
69.3、由于采用了通过归一化处理的方式，达到平衡不同维度指标之间的差距的技术效果。
70.实施例二
71.基于与前述实施例中一种基于反向传播神经网络的个人信用评估方法同样发明构思，本发明还提供了一种基于反向传播神经网络的个人信用评估系统，如图2所示，所述系统包括：
72.第一获得单元11，所述第一获得单元11用于获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；
73.第二获得单元12，所述第二获得单元12用于通过数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；
74.第一构建单元13，所述第一构建单元13用于构建反向传播神经网络模型，其中，所述反向传播神经网络模型包括输入层、输出层以及隐藏层；
75.第三获得单元14，所述第三获得单元14用于基于数据库获得第一样本信息；
76.第一训练单元15，所述第一训练单元15用于采用所述第一样本信息，对所述反向传播神经网络模型进行训练；
77.第四获得单元16，所述第四获得单元16用于通过模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分
值。
78.进一步的，所述系统还包括：
79.第五获得单元，所述第五获得单元用于获得第一数据清洗指令；
80.第一判断单元，所述第一判断单元用于根据所述第一数据清洗指令，判断所述第一数据信息中是否存在无效数据，和/或，缺损数据；
81.第一删除单元，所述第一删除单元用于如果存在，则对所述无效数据，和/或，缺损数据进行删除。
82.进一步的，所述系统还包括：
83.第二判断单元，所述第二判断单元用于判断所述清洗之后的所述第一数据信息中是否存在第一类型指标信息，其中，所述第一类型指标信息为非数值型信息；
84.第六获得单元，所述第六获得单元用于如果存在，则获得第一转化指令；
85.第一转化单元，所述第一转化单元用于根据所述第一转化指令，将所述第一类型指标信息进行转化，获得第二类型指标信息，其中，所述第二类型指标信息为数值型信息。
86.进一步的，所述系统还包括：
87.第七获得单元，所述第七获得单元用于获得预设转化数值列表信息；
88.第八获得单元，所述第八获得单元用于根据所述预设转化数值列表信息，获得所述第一类型指标信息的第一数值信息；
89.第九获得单元，所述第九获得单元用于根据所述第一数值信息，获得第二类型指标信息。
90.进一步的，所述系统还包括：
91.第三判断单元，所述第三判断单元用于判断所述清洗之后的所述第一数据信息中是否存在第三类型指标信息，其中，所述第三类型指标信息包括多个维度的指标信息；
92.第十获得单元，所述第十获得单元用于如果存在，则获得第一归一化指令；
93.第一处理单元，所述第一处理单元用于根据所述第一归一化指令，对所述第三类型指标信息中的所述多个维度的指标信息进行归一化处理，以平衡所述多个维度的指标信息之间的差距。
94.进一步的，所述系统还包括：
95.第十一获得单元，所述第十一获得单元用于采用蛙跳算法获得所述反向传播神经网络模型中所述输入层的第一输入节点数；
96.第十二获得单元，所述第十二获得单元用于采用所述蛙跳算法获得所述反向传播神经网络模型中所述输出层的第一输出节点数；
97.第十三获得单元，所述第十三获得单元用于获得所述反向传播神经网络模型中所述隐藏层的第一隐藏节点数；
98.第二构建单元，所述第二构建单元用于根据所述第一输入节点数、第一输出节点数和第一隐藏节点数，构建所述反向传播神经网络模型。
99.进一步的，所述系统还包括：
100.第十四获得单元，所述第十四获得单元用于获得第一初始节点数；
101.第十五获得单元，所述第十五获得单元用于获得第一调节指令；
102.第一调整单元，所述第一调整单元用于根据所述第一调节指令，按照第一计算公
式，对所述第一初始节点数进行调整，获得所述第一隐藏节点数，其中，所述第一计算公式包括：l<n
‑
1、其中，l为所述第一隐藏节点数，n为所述第一输入节点数，k为所述第一输出节点数，i的取值范围为0～9之间的任意数字。
103.前述图1实施例一中的一种基于反向传播神经网络的个人信用评估方法的各种变化方式和具体实例同样适用于本实施例的一种基于反向传播神经网络的个人信用评估系统，通过前述对一种基于反向传播神经网络的个人信用评估方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于反向传播神经网络的个人信用评估系统的实施方法，所以为了说明书的简洁，在此不再详述。
104.示例性电子设备
105.下面参考图3来描述本技术实施例的电子设备。
106.图3图示了根据本技术实施例的电子设备的结构示意图。
107.基于与前述实施例中一种基于反向传播神经网络的个人信用评估方法的发明构思，本发明还提供一种基于反向传播神经网络的个人信用评估系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于反向传播神经网络的个人信用评估方法的任一方法的步骤。
108.其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
109.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
110.本发明实施例提供的一种基于反向传播神经网络的个人信用评估方法，所述方法应用于一风险评估系统，且所述系统具有一数据预处理单元、模型构建单元、模型实施单元，其中，所述方法包括：获得第一用户的第一数据信息，其中，所述第一数据信息为待处理数据信息；通过所述数据预处理单元，对所述第一数据信息进行预处理之后，获得预处理之后的所述第一数据信息；构建反向传播神经网络模型，其中，所述反向传播神经网络模型包括输入层、输出层以及隐藏层；基于数据库获得第一样本信息；采用所述第一样本信息，对所述反向传播神经网络模型进行训练；通过所述模型实施单元，将所述预处理之后的所述第一数据信息输入至训练完成的所述反向传播神经网络模型中，获得所述反向传播神经网络模型的第一输出结果，其中，所述第一输出结果为所述第一用户的信用评估分值。解决了现有技术中存在对于客户信用等级评估存在偏差，不能科学准确的对客户进行信用风险评估的技术问题，达到对客户信用等级科学准确的评估，降低信用风险，挽留优质客户的技术效果。
111.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产
品的形式。
112.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
113.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
114.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
115.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。