一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置与流程

1.本发明涉及一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置，属于非侵入式负荷识别领域技术领域。


背景技术：

2.负荷监测技术可以分为侵入式负荷监测和非侵入式负荷监测(non-intrusive load monitoring，nilm)。
3.其中侵入式负荷监测技术需要在家庭内部每一被测量电器处安装测量设备，具有住户接纳度低、安装繁琐、后期维护成本高等缺点，而非侵入式负荷监测技术是指只需在电力系统入口处安装测量装置，通过采集总线的电压、电流等电气参数从而实现对系统内部负荷种类、负荷运行状态等的监测。
4.现有非侵入式住宅负荷监测技术可分为监督学习方法和无监督学习方法。其中监督学习方法发展相对成熟，但其对于未训练数据具有辨识准确率低的问题，在工程上也难以实现。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置，可有效降低电器误检率，提高整体辨识准确率。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种耦合神经网络与动态时间规划的居民负荷辨识方法，其中包括以下步骤：
8.获取待识别的电器的电流和电压时间序列；
9.通过概率质量函数提取待识别的电器的稳态运行状态；
10.提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得处理后序列，并根据所述处理后序列绘制v-i特性曲线灰度图；
11.将所述v-i特性曲线灰度图输入至卷积神经网络，提取出特征向量；
12.将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到第一概率向量集合p
bilstm
；利用动态时间归整算法与负荷数据库中的特征向量进行相似度对比，得到第二概率向量集合p
dtw
，耦合第一概率向量集合p
bilstm
与第二概率向量集合p
dtw
得到最终辨识结果。
13.进一步的，所述负荷数据库的构造方法包括以下步骤：
14.所述负荷数据库的构造方法包括以下步骤：
15.采集多种电器的电流和电压时间序列，通过概率质量函数提取各种电器的稳态运行状态；
16.提取各种电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得
各种电器的处理后序列，并根据各种电器的处理后序列绘制各种电器的v-i特性曲线灰度图；
17.将各种电器的v-i特性曲线灰度图输入至卷积神经网络，提取出各种电器的特征向量；
18.多种电器的特征向量组合起来形成负荷数据库。
19.进一步的，通过概率质量函数pmf提取稳态运行状态的方法包括：
20.按如下方法计算：
21.pm为电器m的离散有功功率序列，其中最大功率值为p
max
；设置分级功率间隔为20w，将p
max
按分级功率间隔分级，并统计pm中各级功率出现的次数num，并计算pm中各级功率出现的分级概率；
22.若某级的分级概率同时大于该级上一级的分级概率与该级下一级的分级概率，则认为该级的分级概率为一个pmf峰值，所述pmf峰值对应的有功功率分级范围为该电器的一个稳态运行状态。
23.进一步的，对稳态运行状态下的电流和电压时间序列进行归一化处理，获得处理后序列的方法包括：
24.取各一周期的稳态波形的电流和电压时间序列，取其一个周期为a个数据点，通过归一化将电流、电压数据转换为统一大小0～l，其公式如下：
[0025][0026][0027]
式中，bc与uc表示归一化后电流、电压的第c个采样点数据；ic与uc表示原电流、电压的第c个采样点数据；mini与maxi分别表示原电流一个周期内的最小值与最大值；minu与maxu分别表示原电压一个周期内的最小值与最大值；[]表示取整符号,l是指一个固定数值，即将电流、电压数据转换为固定l大小内。
[0028]
进一步的，根据所述处理后序列绘制v-i特性曲线灰度图的方法包括以下步骤：
[0029]
将所述处理后序列中各一个周期的电器稳态运行时波形的电流和电压数据分别作为纵坐标和横坐标绘制v-i特性曲线；
[0030]
将所述v-i特性曲线转换为47*47的矩阵，所述矩阵的矩阵元素范围为0到255；通过用所述矩阵的矩阵元素代表图像256个灰度等级，转换成灰度图片形式的v-i特性曲线灰度图。
[0031]
进一步的，所述卷积神经网络的结构包括：
[0032]
一层维度为(47，47，1)的输入层；
[0033]
一层维度为(44，44，20)的卷积层，核函数维度为5
×
5(20)，激活函数为tanh；
[0034]
一层维度为(22，22，20)的平均池化层，核函数维度为2
×
2；
[0035]
一层维度为(1，100)的全连接层，激活函数为relu；
[0036]
通过所述卷积神经网络提取的特征向量为1*100大小的特征向量。
[0037]
进一步的，所述长短期记忆人工神经网络的结构包括：一层维度为(1，100)的输入
层，一层维度为(1，100)的bilstm层，其中激活函数为sigmoid和tanh；一层维度为(1，11)的全连接层；一层维度为(1，9)的分类层，其中激活函数为softmax；
[0038]
所述长短期记忆人工神经网络的训练方法包括：
[0039]
将所述负荷数据库中的电器特征向量输入至长短期记忆人工神经网络进行训练；
[0040]
训练过程中，设置梯度阈值为1，训练周期为60，每周期迭代54次，训练过程使用自适应矩估计优化算法。
[0041]
进一步的，耦合第一概率向量集合p
bilstm
与第二概率向量集合p
dtw
得到最终辨识结果的方法包括：
[0042]
将两个算法的概率向量集合通过下面的公式结合，形成最终辨识向量集合p
final
＝{p
final
(1),p
final
(2),
…
,p
final(i)…
,p
final
(k)}：
[0043][0044]
式中，p
final
(i)代表待识别电器被识别为电器i的最终概率值，i的取值范围为1到k，k为数据库中可被识别的电器的总数，p
bilstm
＝{p
bilstm
(1),p
bilstm
(2),
…
,p
bilstm(i)…
,p
bilstm
(k)}代表着bilstm模型输出的概率值集合,p
bilstm
(i)代表待识别电器经cnn-bilstm网络辨识为电器i的概率值；p
dtw
＝{p
dtw
(1),p
dtw
(2),
…
,p
dtw(i)…
,p
dtw
(k)}代表dtw算法输出的dtw概率向量集，p
dtw
(i)代表待识别电器经dtw算法辨识为电器i的概率值，i的取值范围为1到k，k为数据库中可被识别的电器的总数；
[0045]
比较最终辨识向量集合p
final
中各元素的大小，选取出其集合中最大的元素，即可获得此待识别电器的最终辨识结果。
[0046]
第二方面，本发明提供了一种耦合神经网络与动态时间规划的居民负荷辨识装置，所述装置包括：
[0047]
采集模块：用于获取待识别的电器的电流和电压时间序列；
[0048]
稳态提取模块：用于通过概率质量函数提取待识别的电器的稳态运行状态；
[0049]
曲线提取模块：提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得处理后序列，并根据所述处理后序列绘制v-i特性曲线灰度图；
[0050]
向量提取模块：用于将所述v-i特性曲线灰度图输入至卷积神经网络，提取出特征向量；
[0051]
辨识耦合模块：用于将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到第一概率向量集合p
bilstm
；利用动态时间归整算法与负荷数据库中的特征向量进行相似度对比，得到第二概率向量集合p
dtw
，耦合第一概率向量集合p
bilstm
与第二概率向量集合p
dtw
得到最终辨识结果。
[0052]
与现有技术相比，本发明所达到的有益效果：
[0053]
1、本发明分别计算长短期记忆人工神经网络与动态时间归整算法的第一概率向量集合和第二概率向量集合，由于长短期记忆人工神经网络与动态时间归整算法的辨识机理相差巨大，因此它们所擅长辨识的电器种类具有较大差异，将两者辨识结果耦合可以结合两者的优点，降低电器误检率，提高整体辨识准确率；
[0054]
2、本发明利用卷积神经网络cnn提取v-i特性曲线灰度图的特征向量所形成的负荷印记相比其余负荷印记具有更好的辨识性能，且其数据维度更小；
[0055]
3、本发明采用基于深度学习的长短期记忆人工神经网络相比其余算法具有更高的辨识准确率以及其结果具有更高的可信度。
附图说明
[0056]
图1为本发明的流程图。
[0057]
图2为常见家电的v-i特性曲线灰度图。
[0058]
图3为lstm结构图。
[0059]
图4为不同算法辨识准确率对比图。
具体实施方式
[0060]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0061]
实施例一：
[0062]
本实施例提供一种耦合神经网络与动态时间规划的居民负荷辨识方法，其流程图如附图1所示，包含以下步骤：
[0063]
步骤1：稳态运行状态提取：采集家用电器的电压、电流数据，通过概率质量函数提取稳态运行状态。本实施例中通过计算电器有功功率的概率质量函数来统计该电器所含有的稳态运行状态，其数学模型如下所示。
[0064]
某一电器m的离散有功功率序列为pm＝{p1,p2,...,pd,
…
,pn}，其中最大功率值为p
max
。设置分级功率间隔为20w(这里分级功率间隔可以是不同设置，但按照实验经验是20w左右正好，过小会使得扰动影响变大，过大会使得小功率电器的状态误差过大)，根据p
max
分级并统计pm中各级功率出现的次数num，可由下面得公式得到分级概率：
[0065][0066]
式中，pd表示序列pm中第d个离散有功功率，pro(d)代表电器运行在第d个功率级别的概率；num(d)代表历史离散功率中数值在第d个功率级别的总数，n为离散有功功率序列的元素数量。
[0067]
统计出分级概率后，若pro(d)同时大于pro(d-1)与pro(d 1)，则认为pro(d)为一个pmf峰值，其对应的有功功率分级范围为该电器的一个稳态运行状态。
[0068]
步骤2：v-i特性曲线灰度图提取：提取每一电器稳态运行下电流、电压时间序列并进行归一化处理，绘制v-i特性曲线为统一尺度的bmp格式的灰度图片，即为v-i特性曲线的灰度图，其具体方法如下。
[0069]
取各一周期的稳态波形的电流和电压时间序列，取其一个周期为a个数据点，通过归一化将电流、电压数据转换为统一大小0～l，其公式如下：
[0070][0071][0072]
式中，bc与uc表示归一化后电流、电压的第c个采样点数据；ic与uc表示原电流、电压的第c个采样点数据；mini与maxi分别表示原电流一个周期内的最小值与最大值；minu与maxu分别表示原电压一个周期内的最小值与最大值；[]表示取整符号,l是指一个固定数值，即将电流、电压数据转换为固定l大小内。
[0073]
以电压为横坐标，电流为纵坐标画出v-i特性曲线，则其可视为l
×
l的矩阵，其内元素取值范围为0到255，用矩阵的元素取值代表其图像256个灰度等级，形成灰度图，即v-i特性曲线的灰度图。
[0074]
优选地，为使cnn提取所得特征向量更具有辨识性，转变灰度图中每个像素的灰度等级，若灰度等级《250，则将其转变为255，其余像素则均转变为0，常见家电的v-i特性曲线灰度图如附图2所示。
[0075]
步骤3：特征向量提取：将步骤2获取的v-i特性曲线的灰度图输入至卷积神经网络cnn，提取出电器特征向量，并组成负荷数据库。
[0076]
卷积神经网络cnn为深度神经网络结构的一种，常用于提取图片特征信息，在二维数据的处理上具有较大的优势。
[0077]
一般来说，卷积神经网络cnn可以分为：输入层、隐藏层、输出层。其中隐藏层又可分为卷积层(convolutional layer)、池化层(pooling layer)与全连接层(fully-connected layer)。每个层之间的神经元相互连接，同一层之间的神经元无连接。
[0078]
其中卷积层可由以下公式定义：
[0079][0080]
式中，x
jn
表示第n层的第j幅特征图片；k
ijn
表示n层的第j幅特征图和第n-1层之间的卷积核函数；b
jn
表示第n层的第j个偏置数；f为激活函数，用于将卷积结果转换为非线性输出。
[0081]
其中池化层可由以下公式定义：
[0082][0083]
式中，x
jn
表示第n层的第j幅特征图片；α
jn
表示第n层的第j个权重；β
jn
表示第n层的第j个偏置数；pool表示池化函数，一般有区域最大值函数或区域均值函数；f为激活函数。
[0084]
通过卷积层与池化层的处理后，将输出数据通过全连接层映射至分类标记空间，最后将全连接层的输出用softmax函数转换为分类标记。在发明中，截取全连接层的输出，并增加一层扁平操作层将矩阵转换为数组，以便后续算法读取。
[0085]
本实施例利用cnn来提取负荷v-i特性曲线的信息，将其从二维灰度图片转换为一维特征数组，最大程度保留了电器阻抗特性信息，并使其转变为易被神经网络读取的信息格式。
[0086]
具体来说，本实施例的负荷数据库的构造方法包括以下步骤：
[0087]
采集多种电器的电流和电压时间序列，通过概率质量函数提取各种电器的稳态运行状态；
[0088]
提取各种电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得各种电器的处理后序列，并根据各种电器的处理后序列绘制各种电器的v-i特性曲线灰度图；
[0089]
将各种电器的v-i特性曲线灰度图输入至卷积神经网络，提取出各种电器的特征向量；
[0090]
多种电器的特征向量组合起来形成负荷数据库。
[0091]
步骤4：神经网络训练：将由电器特征向量组成的负荷数据库输入至长短期记忆人工神经网络进行训练。
[0092]
长短期记忆人工神经网络是循环神经网络的一种，解决了rnn训练时梯度消失的问题，在处理长时间序列时具有良好的性能。lstm由多个相同的细胞结构构成，每个细胞结构由遗忘门、输入门、输出门组成，其拓扑结构如附图3所示：
[0093]
附图3中，c
t
表示t时刻的细胞状态信息，h
t
表示t时刻的细胞输出信息，x
t
表示t时刻的细胞输入信息。f
t
表示t时刻遗忘门的输出，其运算可由下面的公式表示：
[0094]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0095]
式中，σ为激活函数sigmoid，wf与bf分别表示遗忘门的权重与偏置，[h
t-1
,x
t
]表示t时刻输入与上一时刻输出的联合。
[0096]it
与共同表示输入门的输出，其运算可由下面的公式表示：
[0097]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0098][0099]
式中，σ与tanh表示激活函数，wi与wc表示权重，bi与bc表示偏置。
[0100]
细胞状态更新的运算可由下面的公式表示：
[0101][0102]
最后输出门的运算可由下面的公式表示：
[0103]ot
＝σ(wo[h
t-1
,x
t
] bo)
[0104]ht
＝o
t
·
tanh(c
t
)
ꢀꢀ
(9)
[0105]
式中，o
t
表示输出门中间信息，σ与tanh表示激活函数，wo表示权重，bo表示偏置。
[0106]
bilstm为lstm的变体算法，它由两层lstm组成，一层前向传播，一层反向传播，其中前向层由数列的起点开始输入迭代，反向层由数列的末端开始输入迭代，最终将两层的输出结果进行拟合得到辨识结果。
[0107]
bilstm可由以下公式表述：
[0108]ht
＝f(w1x
t
w2h
t-1
)
[0109]rt
＝f(w3x
t
w5r
t 1
)
[0110]yt
＝g(w4h
t
w6r
t
)
[0111]
式中，x
t
表示t时刻的输入量；h
t
与r
t
分别表示t时刻的前向层与反向层的输出量；y
t
表示t时刻输出层的输出；f表示前向层与反向层的激活函数；g表示输出层的激活函数；w1与w3为输入层映射至前向层与反向层的权重矩阵；w2与w5为前向层与反向层前一计算时刻
输出映射至当前计算时刻的权重矩阵；w4与w6为前向层与反向层的输出映射至输出层的权重矩阵。
[0112]
步骤5：负荷辨识：将待识别的电器提取出稳态运行状态，然后获取其稳态运行状态下的v-i特性曲线灰度图并利用cnn提取v-i特性曲线灰度图的特征向量，然后将特征向量输入至训练完毕的神经网络中进行辨识，得到概率向量p
bilstm
；同时利用dtw与负荷数据库中的特征向量进行相似度对比，得到相似度最大的概率向量p
dtw
，耦合p
bilstm
与p
dtw
得到最终辨识结果。
[0113]
dtw算法的数学模型归纳如下：设有两个时间序列信号a＝{a1,a2,
…
,an}与b＝{b1,b2,
…
,bm}。首先计算a与b之间的代价矩阵d，该矩阵为n
×
m阶矩阵，其表达式如下面的公式所示：
[0114][0115]
式中，d
nm
表示an与bm之间的欧式距离，其中d
nm
＝||a
n-bm||2，||||2表示2范数。
[0116]
随后，寻找代价矩阵中d
11
至d
nm
的最优路径，使路径上的d之和最小，构造新的代价矩阵d
dist
，其中的元素dist
ij
如下面的公式所示：
[0117][0118]
即a与b之间的最短局部代价量度的加权和为代价矩阵d
dist
的元素dist
nm
的值。
[0119]
由于bilstm与dtw的辨识机理相差巨大，因此它们对于辨识度较高的电器各有不同，综合两个算法的辨识结果能有效提升最终辨识准确率，同时，也可以拓展可识别电器的范围。
[0120]
将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到bilstm概率向量集合p
bilstm
；同时利用动态时间归整(dynamic time warping，dtw)算法与负荷数据库中的特征向量进行相似度对比，得到dtw概率向量集合p
dtw
。
[0121]
p
bilstm
＝{p
bilstm
(1),p
bilstm
(2),
…
,p
bilstm(i)…
,p
bilstm
(k)}代表着bilstm模型输出的概率值集合,p
bilstm
(i)代表待识别电器经cnn-bilstm网络辨识为电器i的概率值；
[0122]
p
dtw
＝{p
dtw
(1),p
dtw
(2),
…
,p
dtw(i)…
,p
dtw
(k)}代表dtw算法输出的dtw概率向量集，p
dtw
(i)代表待识别电器经dtw辨识为电器i的概率值，i的取值范围为1到k，k为两种算法的数据库中可被识别的电器的总数。
[0123]
将两个算法的概率向量集合通过下面的公式结合，形成最终辨识向量集合p
final
＝{p
final
(1),p
final
(2),
…
,p
final(i)…
,p
final
(k)}：
[0124]
[0125]
式中，p
final
(i)代表待识别电器被识别为电器i的最终概率值，i的取值范围为1到k，k为数据库中可被识别的电器的总数，p
bilstm
＝{p
bilstm
(1),p
bilstm
(2),
…
,p
bilstm(i)…
,p
bilstm
(k)}代表着bilstm模型输出的概率值集合,p
bilstm
(i)代表待识别电器经cnn-bilstm网络辨识为电器i的概率值；p
dtw
＝{p
dtw
(1),p
dtw
(2),
…
,p
dtw(i)…
,p
dtw
(k)}代表dtw算法输出的dtw概率向量集，p
dtw
(i)代表待识别电器经dtw辨识为电器i的概率值，i的取值范围为1到k，k为数据库中可被识别的电器的总数；
[0126]
比较最终辨识向量集合p
final
中各元素的大小，选取出其集合中最大的元素，即可获得此待识别电器的最终辨识结果。
[0127]
即，通过筛选出bilstm模型输出的bilstm概率向量集合和dtw算法输出的dtw概率向量集中最大的元素，该最大的元素即为此待识别电器的最终辨识结果。需要说明的是，筛选出两个概率向量集中的最大的元素的方法有很多，本发明的实施方法中并不仅限于这一种。
[0128]
具体的，p
bilstm
(i)与p
dtw
(i)分别代表了待识别电器被两种算法辨识为某种电器i的概率，其计算公式如下：
[0129]
p
bilstm
(i)＝softmax(w4(hi) w6(ri))
[0130][0131]
式中i为被辨识的电器；softmax为激活函数；w4与w6分别为bilstm前向层与反向层输出映射至输出层的权重矩阵；hi、ri分别为前向层与反向层对应数据库中电器i的输出神经元的输出量；dist(i)表示待识别电器与电器i特征之间计算得到的dtw距离，距离越小，则待识别与该电器越相似，∑dist(k)表示待识别电器和各电器的距离的总和。
[0132]
对于本发明的实用情况，设计以下仿真实验进行验证：
[0133]
本发明利用cnn提取v-i特性曲线灰度图的特征向量作为负荷印记，为验证该负荷印记的有效性以及相对于其余负荷印记更高的辨识性，将发明所选负荷印记与v-i特性曲线灰度图、有功功率与无功功率、电流与电压、电流谐波等其余多种负荷印记在bilstm模型下进行对比分析。
[0134]
[0135]
表1所示为同一bilstm训练模型下，采用不同负荷印记时的辨识准确率汇总表。实验表明，采用v-i特性曲线灰度图作为负荷印记时，算法辨识准确率高于除本文外的负荷印记，而采用本发明负荷印记后辨识准确率达到92.7％，高于直接使用v-i特性曲线灰度图，表明cnn转换后的特征向量不仅使得训练数据降维，减小了训练复杂度，还提升了整体负荷辨识准确率。
[0136]
为进一步验证本发明算法的优越性，将多种常见分类算法与本发明算法进行辨识准确率对比，实验数据采用plaid公开数据集，每种算法重复测试100次，其结果如附图4所示；plug-loadappliance identification dataset(plaid)为一个公开数据集的名称，包含来自不同家用电器的电压和电流测量，采样频次为30khz，收集于美国宾夕法尼亚州匹兹堡市的65个不同地点。取整体辨识准确率的算术平均值做对比，其结果如表2所示，其中k-means代表k均值聚类算法(k-means clustering algorithm)，gmm代表高斯混合模型(gaussian mixed model)。
[0137]
由附图4分析可得，神经网络类的算法辨识准确率可靠性较高，在100次测试下其结果波动较小，相对其余算法具有更高的信度，在实际应用中具有更好的复现性。本发明算法总体来说辨识准确率最高，具有更好的辨识性能。
[0138][0139]
分析表2可知，bilstm对于电器辨识的效果较好，其100次测试后得到平均辨识准确率为91.7％，高于k-means算法与gmm算法；将cnn与bilstm耦合成新网络后，平均辨识准确率达到92.5％，高于两种算法单独测试时的准确率均值，证明通过cnn提取出特征向量后再利用bilstm辨识可有效提升辨识准确率。最后，本发明算法准确率均值为94.1％，均高于以上对比算法，实验证明本发明算法有效提升了家庭负荷辨识准确率。
[0140]
实施例二：
[0141]
本实施例提供一种耦合神经网络与动态时间规划的居民负荷辨识装置，所述装置包括：
[0142]
采集模块：用于获取待识别的电器的电流和电压时间序列；
[0143]
稳态提取模块：用于通过概率质量函数提取待识别的电器的稳态运行状态；
[0144]
曲线提取模块：提取待识别的电器的稳态运行状态下的电流和电压时间序列并进行归一化处理，获得处理后序列，并根据所述处理后序列绘制v-i特性曲线灰度图；
[0145]
向量提取模块：用于将所述v-i特性曲线灰度图输入至卷积神经网络，提取出特征向量；
[0146]
辨识耦合模块：用于将所述特征向量输入至训练完毕的长短期记忆人工神经网络中进行辨识，得到第一概率向量p
bilstm
；同时利用动态时间归整算法与负荷数据库中的特征
向量进行相似度对比，得到第二概率向量p
dtw
，耦合第一概率向量p
bilstm
与第二概率向量p
dtw
得到最终辨识结果p
final
。
[0147]
本实施例的装置可用于实现实施例一所述的方法。
[0148]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0149]
本技术是参照根据本技术实施例的方法、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装置。
[0150]
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装置的制造品，该指令装置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。
[0151]
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。
[0152]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。