基于多源数据的自然灾害预警方法、装置及计算机设备与流程

1.本技术涉及信息处理技术领域，尤其涉及一种基于多源数据的自然灾害预警方法、装置及计算机设备。


背景技术：

2.相关技术中，农村地区的自然灾害预警主要依靠农业农村部门和气象部门的数据合作，由于数据存储在各个部门以及数据的安全性保密性限制，需要各部门之间经过长时间的沟通商讨来交换数据，且各个数据源平台的数据结构不一致，导致预警成本高，预警及时性差。


技术实现要素：

3.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
4.本技术提出一种基于多源数据的自然灾害预警方法、装置及计算机设备，以实现对待预测地块的各个数据源特征的获取以及自然灾害预测，避免各个数据源平台的数据结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
5.本技术第一方面实施例提出了一种基于多源数据的自然灾害预警方法，包括：
6.获取待预测地块的标识；
7.根据所述标识，从各个数据源平台上获取所述待预测地块的各个数据源特征，其中，所述数据源特征为数据源平台从所述待预测地块的相关数据中提取的特征；
8.根据所述待预测地块的各个数据源特征，对所述待预测地块进行自然灾害预测，获取自然灾害预测结果；
9.根据所述自然灾害预测结果，对所述待预测地块进行自然灾害预警处理。
10.本技术实施例的基于多源数据的自然灾害预警方法，通过获取待预测地块的标识；根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征；根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果；根据自然灾害预测结果，对待预测地块进行自然灾害预警处理，从而能够根据自然灾害预测结果进行后续灾害物资的调配或者进行提前疏散等，且上述方案中，利用特征抽取方法对各平台多源异构的数据进行特征提取，避免数据源结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
11.本技术第二方面实施例提出了一种基于多源数据的自然灾害预警装置，包括：
12.第一获取模块，用于获取待预测地块的标识；
13.第二获取模块，用于根据所述标识，从各个数据源平台上获取所述待预测地块的各个数据源特征，其中，所述数据源特征为数据源平台从所述待预测地块的相关数据中提取的特征；
14.预测模块，用于根据所述待预测地块的各个数据源特征，对所述待预测地块进行
自然灾害预测，获取自然灾害预测结果；
15.处理模块，用于根据所述自然灾害预测结果，对所述待预测地块进行自然灾害预警处理。
16.本技术实施例的基于多源数据的自然灾害预警装置，通过获取待预测地块的标识；根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征；根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果；根据自然灾害预测结果，对待预测地块进行自然灾害预警处理，从而能够根据自然灾害预测结果进行后续灾害物资的调配或者进行提前疏散等，且上述方案中，利用特征抽取方法对各平台多源异构的数据进行特征提取，避免数据源结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
17.本技术第三方面实施例提出了一种计算机设备，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，所述处理器执行所述程序时，实现如本技术第一方面实施例提出的基于多源数据的自然灾害预警方法。
18.本技术第四方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本技术第一方面实施例提出的基于多源数据的自然灾害预警方法。
19.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
20.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
21.图1为本技术实施例一所提供的基于多源数据的自然灾害预警方法的流程示意图；
22.图2为基于多源数据的自然灾害预警的示意图；
23.图3为本技术实施例三所提供的基于多源数据的自然灾害预警装置的结构示意图；
24.图4示出了适于用来实现本技术实施方式的示例性计算机设备的框图。
具体实施方式
25.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
26.传统的自然灾害预警方法，需要农业农村部门和气象部门的数据合作，由于数据存储在各个部门以及数据的安全性保密性限制，需要各部门之间经过长时间的沟通商讨来交换数据，预警成本高，及时性差。且预警时参考的数据量较少，预警准确度低。
27.因此，本技术主要针对现有技术中预警成本高，及时性差，预警准确度低的技术问题，提出一种基于多源数据的自然灾害预警方法。
28.本技术实施例的基于多源数据的自然灾害预警方法，通过获取待预测地块的标识；根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征；根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果；根据自然灾害预测结果，对待预测地块进行自然灾害预警处理，从而能够根据自然灾害预测结果进行后续灾害物资的调配或者进行提前疏散等，且上述方案中，利用特征抽取方法对各平台多源异构的数据进行特征提取，避免数据源结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
29.下面参考附图描述本技术实施例的基于多源数据的自然灾害预警方法、装置及计算机设备。
30.图1为本技术实施例一所提供的基于多源数据的自然灾害预警方法的流程示意图。
31.本技术实施例以该基于多源数据的自然灾害预警方法被配置于基于多源数据的自然灾害预警装置中来举例说明，该基于多源数据的自然灾害预警装置可以应用于任一计算机设备中，以使该计算机设备可以执行基于多源数据的自然灾害预警功能。
32.其中，计算机设备可以为个人电脑(personal computer，简称pc)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
33.如图1所示，该基于多源数据的自然灾害预警方法可以包括以下步骤：
34.步骤101，获取待预测地块的标识。
35.本技术实施例中，地块，可以指土地区域，例如，可以按照固定的面积大小对地面进行划分，得到多个地块。又例如，可以设置地块划分模型，地块划分模型结合面积、肥沃度、出产量等对地面进行划分，得到多个地块。其中，待预测地块可以为任意一个地块，例如，位于自然灾害常发区域的地块。
36.步骤102，根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征。
37.本技术实施例中，数据源平台例如可以为生产相关平台、农用品平台等。生产相关平台例如，农业平台、气象平台等。农业平台上存储的数据例如可以为，各个地块的土壤数据、耕种数据、农产品数据、土肥数据等。农业平台采集到这些数据后，可以对这些数据进行数据清洗等预处理，然后进行存储。
38.本技术实施例中，气象平台上存储的数据例如可以为，各个地块的气象数据、水文数据等。气象平台采集到这些数据后，可以对这些数据进行数据清洗等预处理，然后进行存储。本技术实施例中，农用品平台上存储的数据例如可以为，与地块相关的农用品、以及农用品的消费数据等。其中，农用品例如各种化肥、杀虫剂、除草剂等。
39.本技术实施例中，可以通过数据加密、安全计算、数据扰动等对各个数据源平台上的数据源特征进行处理，来确保基于多源数据的自然灾害预警装置与各个数据源平台之间数据交互的安全性，确保各个数据源平台的隐私数据不被泄漏。
40.本技术实施例中，数据源平台从待预测地块的相关数据中提取特征的方式为，根据标识，获取待预测地块的相关数据；获取与数据源平台的数据匹配的特征提取模型；结合
特征提取模型，从待预测地块的相关数据中提取待预测地块的数据源特征。
41.本技术实施例中，以生产相关平台为例，生产相关平台从数据中提到的特征为生产特征，例如，农业平台的农业生产特征以及气象平台的气象生产特征。与数据源平台的数据匹配的特征提取模型，例如可以为门控循环单元网络模型或者长短期记忆人工神经网络模型。生产相关平台采集的数据，是按照时间的发展发生变化的，因此，特征提取模型需要根据的各个时间点的数据来提取特征，而门控循环单元网络模型和长短期记忆人工神经网络模型，能够对序列数据进行特征提取，从而能够提取一段时间内生产相关平台的数据的特征。具体地，在数据源平台为生产相关平台时，数据源平台结合特征提取模型，从待预测地块的相关数据中提取待预测地块的数据源特征的方式为，对预设时间段进行划分，得到多个时间片段；结合特征提取模型中的多个门控循环单元或者多个人工神经网络层对多个时间片段内的生产相关数据进行处理；将最后一个门控循环单元或者人工神经网络层的处理结果，作为待预测地块的生产特征。
42.本技术实施例中，以农用品平台为例，农用品平台从数据中提取的特征为消费特征。农用品平台采集的数据，为与地块相关的农用品的消费数据等，与数据源平台的数据匹配的特征提取模型，例如可以为矢量表示模型。在数据源平台为农用品平台时，数据源平台结合特征提取模型，从待预测地块的相关数据中提取待预测地块的数据源特征，包括：获取待预测地块的相关数据中各个农用品的消费数据；基于各个农用品的消费数据，建立待预测地块的农用品网络图；基于矢量表示模型对农用品网络图进行随机游走处理，获取待预测地块的消费特征。
43.本技术实施例中，农用品网络图的建立过程例如可以为，获取各个农用品的消费数据中的价格、销量等参数，结合各个农用品的参数确定各个农用品之间的距离，其中，确定方法例如可以为余弦距离计算、欧式距离计算、马氏距离计算等，可以根据实际需要进行设定。确定各个农用品之间的距离之后，可以结合各个农用品之间的距离以及各个农用品的消费数据，构建农用品网络图。
44.步骤103，根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果。
45.本技术实施例中，基于多源数据的自然灾害预警装置执行步骤103的过程例如可以为，结合预设的融合预测模型，对待预测地块的各个数据源特征进行融合以及预测处理，获取待预测地块的自然灾害预测结果。
46.本技术实施例中，融合预测模型具体可以包括：融合模块和预测模块；其中，融合模块用于对待预测地块的各个数据源特征进行拼接处理，得到拼接处理后的特征；预测模块用于对拼接处理后的特征进行预测，得到自然灾害预测结果。其中，自然灾害预测结果例如可以包括是否有自然灾害，另外还可以包括：自然灾害的具体类型等。其中，自然灾害的具体类型例如可以为旱灾、水灾、病虫害、土壤恶化等。
47.本技术实施例中，基于多源数据的自然灾害预警的示意图例如可以如图2所示，在图2中，包括数据层、模型层和应用层，其中，数据层包括：农业平台、气象平台和农用品平台。模型层包括：特征抽取模型对特征的抽取，以及融合预测模型的预测。应用层包括：旱灾预警应用、水灾预警应用、病虫害预警应用、土壤恶化预警应用等，每种应用可以对应一个融合预测模型，或者多种应用可以采用同一个融合预测模型来实现。
48.本技术实施例中，在数据源平台采用匹配的特征提取模型从待预测地块的相关数据中提取特征的情况下，所述的方法还可以包括以下步骤：获取训练数据，其中，训练数据包括：样本地块的各个样本数据源数据，以及对应的自然灾害结果；针对每个样本地块，将样本地块的各个样本数据源数据发送给相应的数据源平台，以获取数据源平台采用匹配的特征提取模型提取到的样本数据源特征；结合样本地块的各个样本数据源特征以及融合预测模型，获取样本预测结果；结合样本预测结果以及自然灾害结果，确定预设的损失函数的值；结合损失函数的值，确定融合预测模型和各个特征提取模型的反向传播梯度值，以结合反向传播梯度值对融合预测模型和各个特征提取模型的参数进行调整，实现训练。
49.本技术实施例中，通过反向传播梯度值，能够实现融合预测模型以及位于不同数据源平台上的特征提取模型的联合训练，提高模型的训练效果，提高训练得到的模型的准确度。
50.步骤104，根据自然灾害预测结果，对待预测地块进行自然灾害预警处理。
51.本技术实施例的基于多源数据的自然灾害预警方法，通过获取待预测地块的标识；根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征；根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果；根据自然灾害预测结果，对待预测地块进行自然灾害预警处理，从而能够根据自然灾害预测结果进行后续灾害物资的调配或者进行提前疏散等，且上述方案中，利用特征抽取方法对各平台多源异构的数据进行特征提取，避免数据源结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
52.图3为本技术实施例二所提供的基于多源数据的自然灾害预警装置的结构示意图。
53.如图3所示，该基于多源数据的自然灾害预警装置300可以包括：第一获取模块310、第二获取模块320、预测模块330和处理模块340。
54.其中，第一获取模块310，用于获取待预测地块的标识；
55.第二获取模块320，用于根据所述标识，从各个数据源平台上获取所述待预测地块的各个数据源特征，其中，所述数据源特征为数据源平台从所述待预测地块的相关数据中提取的特征；
56.预测模块330，用于根据所述待预测地块的各个数据源特征，对所述待预测地块进行自然灾害预测，获取自然灾害预测结果；
57.处理模块340，用于根据所述自然灾害预测结果，对所述待预测地块进行自然灾害预警处理。
58.进一步地，在本技术实施例的一种可能的实现方式中，所述数据源平台从所述待预测地块的相关数据中提取的特征的方式为，
59.根据所述标识，获取所述待预测地块的相关数据；
60.获取与数据源平台的数据匹配的特征提取模型；
61.结合所述特征提取模型，从所述待预测地块的相关数据中提取所述待预测地块的数据源特征。
62.进一步地，在本技术实施例的一种可能的实现方式中，所述各个数据源平台包括：
生产相关平台，所述生产相关平台包括：农业平台和气象平台；所述各个数据源特征包括：生产特征；所述生产特征包括：农业生产特征和气象生产特征；
63.与生产相关平台的数据匹配的特征提取模型，为门控循环单元网络模型或者长短期记忆人工神经网络模型。
64.进一步地，在本技术实施例的一种可能的实现方式中，在所述数据源平台为生产相关平台时，所述待预测地块的相关数据为，预设时间段内的生产相关数据；
65.所述数据源平台结合所述特征提取模型，从所述待预测地块的相关数据中提取所述待预测地块的数据源特征的方式为，
66.对所述预设时间段进行划分，得到多个时间片段；
67.结合所述特征提取模型中的多个门控循环单元或者多个人工神经网络层对所述多个时间片段内的生产相关数据进行处理；
68.将最后一个门控循环单元或者人工神经网络层的处理结果，作为所述待预测地块的生产特征。
69.进一步地，在本技术实施例的一种可能的实现方式中，所述各个数据源平台还包括：农用品平台；所述各个数据源特征还包括：消费特征；
70.与农用品平台的数据匹配的特征提取模型，为矢量表示模型；
71.在所述数据源平台为农用品平台时，所述数据源平台结合所述特征提取模型，从所述待预测地块的相关数据中提取所述待预测地块的数据源特征，包括：
72.获取所述待预测地块的相关数据中各个农用品的消费数据；
73.基于所述各个农用品的消费数据，建立所述待预测地块的农用品网络图；
74.基于矢量表示模型对所述农用品网络图进行随机游走处理，获取所述待预测地块的消费特征。
75.进一步地，在本技术实施例的一种可能的实现方式中，所述预测模块330具体用于，
76.结合预设的融合预测模型，对所述待预测地块的各个数据源特征进行融合以及预测处理，获取所述待预测地块的自然灾害预测结果。
77.进一步地，在本技术实施例的一种可能的实现方式中，所述的装置还包括：训练模块；
78.所述训练模块用于，获取训练数据，其中，所述训练数据包括：样本地块的各个样本数据源数据，以及对应的自然灾害结果；针对每个样本地块，将所述样本地块的各个样本数据源数据发送给相应的数据源平台，以获取所述数据源平台采用匹配的特征提取模型提取到的样本数据源特征；结合所述样本地块的各个样本数据源特征以及融合预测模型，获取样本预测结果；结合所述样本预测结果以及所述自然灾害结果，确定预设的损失函数的值；结合所述损失函数的值，确定融合预测模型和各个特征提取模型的反向传播梯度值，以结合所述反向传播梯度值对所述融合预测模型和所述各个特征提取模型的参数进行调整，实现训练。
79.需要说明的是，前述实施例一中的解释说明也适用于该实施例的基于多源数据的自然灾害预警装置，此处不再赘述。
80.本技术实施例的基于多源数据的自然灾害预警装置，通过获取待预测地块的标
识；根据标识，从各个数据源平台上获取待预测地块的各个数据源特征，其中，数据源特征为数据源平台从待预测地块的相关数据中提取的特征；根据待预测地块的各个数据源特征，对待预测地块进行自然灾害预测，获取自然灾害预测结果；根据自然灾害预测结果，对待预测地块进行自然灾害预警处理，从而能够根据自然灾害预测结果进行后续灾害物资的调配或者进行提前疏散等，且上述方案中，利用特征抽取方法对各平台多源异构的数据进行特征提取，避免数据源结构不一致带来的预测困难，从而降低预警成本，提高预警及时性。
81.为了实现上述实施例，本技术还提出一种计算机设备，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，处理器执行程序时，实现如本技术前述实施例提出的基于多源数据的自然灾害预警方法。
82.为了实现上述实施例，本技术还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本技术前述实施例提出的基于多源数据的自然灾害预警方法。
83.图4示出了适于用来实现本技术实施方式的示例性计算机设备的框图。图4显示的计算机设备12仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
84.如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
85.总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standards association；以下简称：vesa)局域总线以及外围组件互连(peripheral component interconnection；以下简称：pci)总线。
86.计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
87.存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory；以下简称：ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compact disc read only memory；以下简称：cd
‑
rom)、数字多功能只读光盘(digital video disc read only memory；以下简称：dvd
‑
rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
88.具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28
中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本技术所描述的实施例中的功能和/或方法。
89.计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
90.处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
91.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
92.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
93.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
94.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存
储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
95.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
96.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
97.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
98.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。