基于大数据的食材信息溯源监测及预测系统及方法与流程

1.本发明涉及图像识别技术领域，尤其涉及一种基于大数据的食材信息溯源监测及预测系统及方法。


背景技术：

2.商品价格的预测方法是市场预测分析与商品生产销售决策的基础，是市场预测领域中的一个重要问题，在商品生产、销售等很多问题中起着关键作用，而预测方法中的数据对预测方法的通用性和准确性有着很大的影响。


技术实现要素：

3.为克服相关技术中存在的问题，本发明提供一种基于大数据的食材信息溯源监测及预测系统及方法。
4.根据本发明实施例的第一方面，提供一种基于大数据的食材信息溯源监测及预测系统，系统包括：
5.数据获取模块，用于获取目标城市、目标关联市场和目标周次的初始食材价格数据；
6.数据处理模块，用于对所述初始食材价格数据中缺少的市场价格进行补全处理，以得到完整的食材价格数据；
7.算法选择模块，用于接收对目标价格预测算法的选择指令，根据所述选择指令选中目标价格预测算法，其中，所述目标价格预测算法包括线性回归算法或时间序列算法；
8.价格预测模块，用于根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
9.在一个实施例中，优选地，采用以下技术补全原则对所述初始食材价格数据进行补全处理：
10.当所述目标关联市场只有一个且只缺少一至两周的食材价格数据时，则根据缺少的周次的前后两周的食材市场价格的平均值进行补全处理；
11.当缺少三周以上的食材价格数据时，计算历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值进行补全处理；
12.当所述目标关联市场有两个以上且缺少三周以上的食材价格数据时，计算同市场历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该关联市场的初始食材价格数据进行补全处理，若任一目标关联市场无历史数据时，则计算其他目标关联市场的历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该目标关联市场的初始食材价格数据进行补全处理。
13.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，所述价格预测模块包括：
14.提取单元，用于以statsmodels库作为基础，根据预设的因子提前量获取因子数据和完整的食材价格数据，并分为训练集和测试集；
15.计算单元，用于根据训练集中的每个因子数据进行方差膨胀因子计算，以得到每个因子数据对应的膨胀因子；
16.删除单元，用于当膨胀因子大于预设值时，将所述膨胀因子对应的因子数据删除，以去除该因子数据；
17.分析单元，用于使用所有的剩余因子数据和完整的食材价格数据，根据方程式y＝k1x1 k2x2... b0进行回归分析，以得到回归模型和食材价格数据与因子数据之间的显著性水平，其中，y表示价格预测结果，k1、k2
…
表示系数，x1、x2
…
表示因子数据，b0表示常数；
18.处理单元，用于将显著性水平大于预设阈值的因子数据删除，并重新进行回归分析，直到因子数据全部合理为止；
19.验证单元，用于根据测试集中的每个因子数据对所述回归模型进行验证，并输出价格预测结果；
20.对比单元，用于将所述价格预测结果和完整的食材价格数据进行对比，并输出对比结果，同时输出所述方程式的系数和拟合度。
21.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，所述价格预测模块还用于：
22.当接收到目标食材的价格预测指令时，根据所述回归模型和系数预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
23.在一个实施例中，优选地，当所述目标价格预测算法为时间序列算法时，所述价格预测模块包括：
24.划分单元，用于以tensorflow库作为基础，对所有完整的食材价格数据进行归一化处理，并分为训练集和测试集；
25.排序单元，用于将所述训练集中的食材价格数据按照周次的时间进行排序，并创建网络神经模型和定义训练次数；
26.训练单元，用于根据所述网络神经模型和训练次数进行迭代训练，以由排序在前的第一预设周次的食材价格数据预测排序在后的第二预设周次的食材价格数据，并得到目标网络神经模型；
27.预测单元，用于根据所述测试集中的食材价格数据和所述目标网络神经模型进行预测和拟合，并将所述食材价格数据反归一化，以得到所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
28.根据本发明实施例的第二方面，提供一种基于大数据的食材信息溯源监测及预测方法，所述方法包括：
29.获取目标城市、目标关联市场和目标周次的初始食材价格数据；
30.对所述初始食材价格数据中缺少的市场价格进行补全处理，以得到完整的食材价格数据；
31.接收对目标价格预测算法的选择指令，根据所述选择指令选中目标价格预测算法，其中，所述目标价格预测算法包括线性回归算法或时间序列算法；
32.根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目
标关联市场的未来预设时间段内的目标食材价格。
33.在一个实施例中，优选地，采用以下技术补全原则对所述初始食材价格数据进行补全处理：
34.当所述目标关联市场只有一个且只缺少一至两周的食材价格数据时，则根据缺少的周次的前后两周的食材市场价格的平均值进行补全处理；
35.当缺少三周以上的食材价格数据时，计算历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值进行补全处理；
36.当所述目标关联市场有两个以上且缺少三周以上的食材价格数据时，计算同市场历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该关联市场的初始食材价格数据进行补全处理，若任一目标关联市场无历史数据时，则计算其他目标关联市场的历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该目标关联市场的初始食材价格数据进行补全处理。
37.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格，包括：
38.以statsmodels库作为基础，根据预设的因子提前量获取因子数据和完整的食材价格数据，并分为训练集和测试集；
39.根据训练集中的每个因子数据进行方差膨胀因子计算，以得到每个因子数据对应的膨胀因子；
40.当膨胀因子大于预设值时，将所述膨胀因子对应的因子数据删除，以去除该因子数据；
41.使用所有的剩余因子数据和完整的食材价格数据，根据方程式y＝k1x1 k2x2... b0进行回归分析，以得到回归模型和食材价格数据与因子数据之间的显著性水平，其中，y表示价格预测结果，k1、k2
…
表示系数，x1、x2
…
表示因子数据，b0表示常数；
42.将显著性水平大于预设阈值的因子数据删除，并重新进行回归分析，直到因子数据全部合理为止；
43.根据测试集中的每个因子数据对所述回归模型进行验证，并输出价格预测结果；
44.将所述价格预测结果和完整的食材价格数据进行对比，并输出对比结果，同时输出所述方程式的系数和拟合度。
45.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格，包括：
46.当接收到目标食材的价格预测指令时，根据所述回归模型和系数预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
47.在一个实施例中，优选地，当所述目标价格预测算法为时间序列算法时，根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格，包括：
48.以tensorflow库作为基础，对所有完整的食材价格数据进行归一化处理，并分为
训练集和测试集；
49.将所述训练集中的食材价格数据按照周次的时间进行排序，并创建网络神经模型和定义训练次数；
50.根据所述网络神经模型和训练次数进行迭代训练，以由排序在前的第一预设周次的食材价格数据预测排序在后的第二预设周次的食材价格数据，并得到目标网络神经模型；
51.根据所述测试集中的食材价格数据和所述目标网络神经模型进行预测和拟合，并将所述食材价格数据反归一化，以得到所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
52.根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
53.本发明的实施例提供的技术方案可以包括以下有益效果：
54.本发明采用了不同的数学算法进行优化，整合，使预测数据相对合理化，使得预测结果有很好的可信的拟合度。此系统可应用在价格预测，股票预测等方面，可看其价格的走势以及进行未来时间点的预测，可视化预测数据和真实数据，可进行批量任务预测。线性回归可自定义因子及因子个数，因子提前量等。数据区间也可以自定义，是一个相对灵活的系统。
55.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
56.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
57.图1是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测系统的框图。
58.图2是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测系统中价格预测模块的框图。
59.图3是根据一示例性实施例示出的预测结果展示和对比示意图。
60.图4是根据一示例性实施例示出的另一种基于大数据的食材信息溯源监测及预测系统中价格预测模块的框图。
61.图5是根据一示例性实施例示出的预测数据和真实数据的拟合示意图。
62.图6是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测方法的流程图。
63.图7是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测方法中步骤s604的流程图。
64.图8是根据一示例性实施例示出的另一种基于大数据的食材信息溯源监测及预测方法中步骤s604的流程图。
具体实施方式
65.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
66.图1是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测系统的框图，如图1所示，该系统包括：
67.数据获取模块11，用于获取目标城市、目标关联市场和目标周次的初始食材价格数据；
68.具体的，食材价格数据按城市按市场按周进行收集好后做成excel文件在数据导入页面进行导入。
69.数据处理模块12，用于对所述初始食材价格数据中缺少的市场价格进行补全处理，以得到完整的食材价格数据；
70.例如，数据表中2021年01周和2021年30周之间广州市江南农贸市场红薯的价格，其间缺了2021年20，21周的价格，则对这两周数据进行补全。
71.技术补全市场价格数据后，再根据市场权重合成一个单周的食材价格数据。全部合成单周数据后，再检测是否存在食材在某一个周仍然空缺，如果空缺再按一定规则进行补全。数据补全解决了数据的缺少导致的数据不连贯时，预测结果误差较大的问题。
72.算法选择模块13，用于接收对目标价格预测算法的选择指令，根据所述选择指令选中目标价格预测算法，其中，所述目标价格预测算法包括线性回归算法或时间序列算法；
73.价格预测模块14，用于根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
74.在一个实施例中，优选地，采用以下技术补全原则对所述初始食材价格数据进行补全处理：
75.当所述目标关联市场只有一个且只缺少一至两周的食材价格数据时，则根据缺少的周次的前后两周的食材市场价格的平均值进行补全处理；
76.当缺少三周以上的食材价格数据时，计算历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值进行补全处理；
77.当所述目标关联市场有两个以上且缺少三周以上的食材价格数据时，计算同市场历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该关联市场的初始食材价格数据进行补全处理，若任一目标关联市场无历史数据时，则计算其他目标关联市场的历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该目标关联市场的初始食材价格数据进行补全处理。
78.图2是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测系统中价格预测模块的框图。
79.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，所述价格预测模块14包括：
80.提取单元21，用于以statsmodels库作为基础，根据预设的因子提前量获取因子数
据和完整的食材价格数据，并分为训练集和测试集；
81.本发明是根据现在时间点往前的期货或相关材料的价格数据集进行对某个食材的未来时间点的价格进行预测，如：用玉米，豆粕等价格数据作为因子数据，进行预测猪后腿肉的单价是多少；因子数据可以分别设置相应的周提前量(如10周，20周)，最后根据选定的时间区间得出相应的数据集，用此数据集进行分析计算，预测未来预设时间段内，如6周的猪后腿肉单价。
82.计算单元22，用于根据训练集中的每个因子数据进行方差膨胀因子计算，以得到每个因子数据对应的膨胀因子；
83.删除单元23，用于当膨胀因子大于预设值时，将所述膨胀因子对应的因子数据删除，以去除该因子数据；
84.把因子数据进行方差膨胀因子(vif)计算，vif等于整体模型方差与仅包含该单个自变量的模型方差之比，该比率是针对每个自变量计算的。vif值越大则说明该因子共线性问题越明显，高vif表明相关的自变量与模型中的其他变量高度共线，通常以10作为判断边界，大于10的应该把这个因子从数据集中去掉，否则会影响整体预测的拟合度和可信度。
85.分析单元24，用于使用所有的剩余因子数据和完整的食材价格数据，根据方程式y＝k1x1 k2x2... b0进行回归分析，以得到回归模型和食材价格数据与因子数据之间的显著性水平，其中，y表示价格预测结果，k1、k2
…
表示系数，x1、x2
…
表示因子数据，b0表示常数；
86.在回归分析中，会默认添加一个常数1(截距)到矩阵中进行分析，即使得方程式：y＝k1x1 k2x2... b0，使得回归分析计算拟合度时取数居中，使得回归模型更加精准合理，而此截距在计算过程是在不断自动调整的，最终求得的系数k和b0。
87.处理单元25，用于将显著性水平大于预设阈值的因子数据删除，并重新进行回归分析，直到因子数据全部合理为止；
88.回归模型分析出来后也将得到p
‑
value值，p
‑
value反映每个自变量xi与因变量y的相关性假设的显著性。p
‑
value越小越好，通常以0.05为边界，可以理解为在0.05的显著性水平下变量xi与y存在回归关系，具有显著性。大于此值的也应该在数据集中把该因子去掉，然后再进行分析，重复以上，直到因子合理为止。此过程进一步使得回归模型更加精准合理，有更好的拟合度。
89.验证单元26，用于根据测试集中的每个因子数据对所述回归模型进行验证，并输出价格预测结果；
90.对比单元27，用于将所述价格预测结果和完整的食材价格数据进行对比，并输出对比结果，同时输出所述方程式的系数和拟合度。
91.使用训练集进行模型分析后，接着进行测试集的验证，可视化输出预测结果和真实数据进行对比，同时输出系数和拟合度进行展示。接着可进行预测未来6周价格数据，点击预测按钮后，后台带入相关系数进行计算得出预测值，并可视化展示在界面上，如图3所示，与过去三年的价格数据进行比对。
92.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，所述价格预测模块还用于：
93.当接收到目标食材的价格预测指令时，根据所述回归模型和系数预测所述目标城
市的目标关联市场的未来预设时间段内的目标食材价格。
94.图4是根据一示例性实施例示出的另一种基于大数据的食材信息溯源监测及预测系统中价格预测模块的框图。
95.如图4所示，在一个实施例中，优选地，当所述目标价格预测算法为时间序列算法时，所述价格预测模块14包括：
96.划分单元41，用于以tensorflow库作为基础，对所有完整的食材价格数据进行归一化处理，并分为训练集和测试集；
97.进行数据的归一化，使数据在同一个维度大小上，这样避免了分析时的波动比较大，产生的误差比较大。
98.排序单元42，用于将所述训练集中的食材价格数据按照周次的时间进行排序，并创建网络神经模型和定义训练次数；
99.时间序列只跟时间有关，所以数据集按照周的时间进行排序，由前面周的数据进行分析后面周的数据。对数据的处理做法是用前面2周的数据预测未来6周数据，这个是一个重复的过程，不是一次性的预测6周；比如：有1
‑
53周的数据，在分析过程用1
‑
2周预测3、4、5、6、7、8周，再用2
‑
3周预测4、5、6、7、8、9周，这是一个不断重复和迭代分析的过程，迭代的过程也是数据在优化的过程。
100.训练单元43，用于根据所述网络神经模型和训练次数进行迭代训练，以由排序在前的第一预设周次的食材价格数据预测排序在后的第二预设周次的食材价格数据，并得到目标网络神经模型；
101.创建网络神经模型和定义训练次数，训练次数越大，分析越彻底，拟合度相对也高，但是也会有一个极限值，当达到一定的分析结果(使用均方误差表示)即不会再改变，所以训练次数设定在一个合理的经验值。
102.预测单元44，用于根据所述测试集中的食材价格数据和所述目标网络神经模型进行预测和拟合，并将所述食材价格数据反归一化，以得到所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
103.用训练集进行模型训练完之后带入测试集的数据进行预测和拟合，最后把数据反归一化即可得到预测值，并进行可视化展示预测值和真实值，如图5所示。
104.时间序列拟合度影响因素：数据量是时间序列拟合度的一个很大因素，数据量越多，特征越易凸显和总结，得出的预测值相对越准确。
105.图6是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测方法的流程图。
106.如图6所示，根据本发明实施例的第二方面，提供一种基于大数据的食材信息溯源监测及预测方法，所述方法包括：
107.步骤s601，获取目标城市、目标关联市场和目标周次的初始食材价格数据；
108.步骤s602，对所述初始食材价格数据中缺少的市场价格进行补全处理，以得到完整的食材价格数据；
109.步骤s603，接收对目标价格预测算法的选择指令，根据所述选择指令选中目标价格预测算法，其中，所述目标价格预测算法包括线性回归算法或时间序列算法；
110.步骤s604，根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目
标城市的目标关联市场的未来预设时间段内的目标食材价格。
111.在一个实施例中，优选地，采用以下技术补全原则对所述初始食材价格数据进行补全处理：
112.当所述目标关联市场只有一个且只缺少一至两周的食材价格数据时，则根据缺少的周次的前后两周的食材市场价格的平均值进行补全处理；
113.当缺少三周以上的食材价格数据时，计算历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值进行补全处理；
114.当所述目标关联市场有两个以上且缺少三周以上的食材价格数据时，计算同市场历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该关联市场的初始食材价格数据进行补全处理，若任一目标关联市场无历史数据时，则计算其他目标关联市场的历史同期的前后四周的食材价格数据与当期前后四周的食材价格数据之间的比值，根据所述比值对该目标关联市场的初始食材价格数据进行补全处理。
115.图7是根据一示例性实施例示出的一种基于大数据的食材信息溯源监测及预测方法中步骤s604的流程图。
116.如图7所示，在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，上述步骤s604包括：
117.步骤s701，以statsmodels库作为基础，根据预设的因子提前量获取因子数据和完整的食材价格数据，并分为训练集和测试集；
118.步骤s702，根据训练集中的每个因子数据进行方差膨胀因子计算，以得到每个因子数据对应的膨胀因子；
119.步骤s703，当膨胀因子大于预设值时，将所述膨胀因子对应的因子数据删除，以去除该因子数据；
120.步骤s704，使用所有的剩余因子数据和完整的食材价格数据，根据方程式y＝k1x1 k2x2... b0进行回归分析，以得到回归模型和食材价格数据与因子数据之间的显著性水平，其中，y表示价格预测结果，k1、k2
…
表示系数，x1、x2
…
表示因子数据，b0表示常数；
121.步骤s705，将显著性水平大于预设阈值的因子数据删除，并重新进行回归分析，直到因子数据全部合理为止；
122.步骤s706，根据测试集中的每个因子数据对所述回归模型进行验证，并输出价格预测结果；
123.步骤s707，将所述价格预测结果和完整的食材价格数据进行对比，并输出对比结果，同时输出所述方程式的系数和拟合度。
124.在一个实施例中，优选地，当所述目标价格预测算法为线性回归算法时，根据所述目标价格预测算法和所述完整的食材价格数据，预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格，还包括：
125.当接收到目标食材的价格预测指令时，根据所述回归模型和系数预测所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
126.图8是根据一示例性实施例示出的另一种基于大数据的食材信息溯源监测及预测方法中步骤s604的流程图。
127.如图8所示，在一个实施例中，优选地，当所述目标价格预测算法为时间序列算法时，上述步骤s604包括：
128.步骤s801，以tensorflow库作为基础，对所有完整的食材价格数据进行归一化处理，并分为训练集和测试集；
129.步骤s802，将所述训练集中的食材价格数据按照周次的时间进行排序，并创建网络神经模型和定义训练次数；
130.步骤s803，根据所述网络神经模型和训练次数进行迭代训练，以由排序在前的第一预设周次的食材价格数据预测排序在后的第二预设周次的食材价格数据，并得到目标网络神经模型；
131.步骤s804，根据所述测试集中的食材价格数据和所述目标网络神经模型进行预测和拟合，并将所述食材价格数据反归一化，以得到所述目标城市的目标关联市场的未来预设时间段内的目标食材价格。
132.根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
133.本发明的实施例提供的技术方案可以包括以下有益效果：
134.本发明的基于大数据的食材信息溯源监测及预测系统具有以下特点：
135.1)灵活选择因子价格数据。
136.2)灵活选择因子时间区间。
137.3)灵活设置每个因子的提前量，而且同一个因子可以有不同的提前量。
138.4)灵活选择不同的算法进行预测。
139.5)可视化训练结果，且有相应的参数输出作为可信度的参考。
140.6)每一个预测任务都可保存方案，供快速复制或选择修改不同的预测任务。
141.7)可以多城市多食材进行预测，同一个食材不同城市结果有所不同，由关联市场决定。
142.8)可预测从当前周算起未来6周的价格数据。
143.9)可设置某食材在某城市的关联市场以及市场的权重。
144.根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
145.进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
146.进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
147.进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行
全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
148.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
149.应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。