基于多特征融合与改进谱聚类的用电行为分析方法及系统与流程

1.本发明涉及用电行为分析技术领域，特别是涉及一种基于多特征融合与改进谱聚类的用电行为分析方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.传统的用电行为分析方法大都基于用电数据从单一方面提取用电特征，因此对居民用电大数据缺乏深入挖掘，提取的用电特征对用电行为的表征能力有限，因此用此类特征往往无法取得理想的分析效果。此外，传统分析方法大都使用最典型的k-means聚类模型进行用户分类，k-means虽然模型简单且实现速度快，但其仅基于特征间的欧氏距离远近作为分类的评价指标，分类标准过于粗暴；且对异常点比较敏感，在数据类型不平衡时聚类效果不佳；而以上因素在电力大数据中是不可避免的，因此使用k-means进行用户分类存在局限性。


技术实现要素：

4.为了解决上述问题，本发明提出了一种基于多特征融合与改进谱聚类的用电行为分析方法及系统，通过对用电数据提取的各类型用电特征进行多特征融合，以及基于改进谱聚类算法进行分类，实现对用户用电行为的分析。
5.为了实现上述目的，本发明采用如下技术方案：
6.第一方面，本发明提供一种基于多特征融合与改进谱聚类的用电行为分析方法，包括：
7.对获取的用电数据进行数据清洗；
8.基于负载特性曲线、信号处理和负荷特征构造方法对清洗后的用电数据提取用电特征；
9.根据用电特征与用电行为的关联，对用电特征进行递归特征消除的特征选择，对选择的用电特征进行特征融合；
10.基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行为的分类；其中，改进的谱聚类模型包括基于增强高斯核函数构建特征子集的邻接矩阵，并以此进行分类，所述增强高斯核函数为根据特征子集中样本点间的距离与预设正参数得到边权重，由边权重构建邻接矩阵。
11.作为可选择的实施方式，所述数据清洗包括：缺失值补全、低电量数据剔除和大电量数据剔除；其中，低电量数据剔除为若用电数据中连续若干天的用电量小于用电量阈值时，视为异常数据并剔除；大电量数据剔除为用电数据中大于正常阈值的用电数据的剔除。
12.作为可选择的实施方式，基于负载特性曲线提取的用电特征包括：负载特性曲线、平均周用电曲线、周平均用电曲线、日用电量差分曲线、平均周用电量差分曲线、周平均用
电量差分曲线、日用电量累加曲线和周平均用电量累加曲线。
13.作为可选择的实施方式，基于信号处理提取用电特征包括：采用小波变换和特征降维提取用电特征，提取的用电特征包括：近似系数与三阶细节系数、近似系数与三阶二阶细节系数、标准化的近似系数与三阶细节系数、标准化的近似系数与三阶二阶细节系数以及对4个系数降维后的特征。
14.作为可选择的实施方式，基于负荷特征构造方法提取的用电特征包括：平均用电量、最大用电量、最小用电量、峰谷差、平段用电比、皮尔逊相关系数、周用电分布、周用电稳定性、月用电波动、月用电离散度和月用电趋势。
15.作为可选择的实施方式，所述特征融合的过程包括对选择的用电特征转换为一维行向量的形式后进行拼接。
16.作为可选择的实施方式，所述增强高斯核函数为：其中，w
ij
为样本点xi,xj之间连线的边权重；α、σ为正参数。
17.作为可选择的实施方式，采用改进的谱聚类模型进行不同用电行为的分类的过程包括，基于邻接矩阵构建度矩阵与拉普拉斯矩阵，计算拉普拉斯矩阵的特征值及其对应的特征向量，对特征向量组成的矩阵按行单位化，以得到降维后的新特征矩阵，基于新特征矩阵进行聚类。
18.作为可选择的实施方式，基于新特征矩阵采用模糊c均值聚类方法进行分类。
19.第二方面，本发明提供一种基于多特征融合与改进谱聚类的用电行为分析系统，包括：
20.数据清洗模块，被配置为对获取的用电数据进行数据清洗；
21.特征提取模块，被配置为基于负载特性曲线、信号处理和负荷特征构造方法对清洗后的用电数据提取用电特征；
22.特征融合模块，被配置为根据用电特征与用电行为的关联，对用电特征进行递归特征消除的特征选择，对选择的用电特征进行特征融合；
23.用电行为分类模块，被配置为基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行为的分类；其中，改进的谱聚类模型包括基于增强高斯核函数构建特征子集的邻接矩阵，并以此进行分类，所述增强高斯核函数为根据特征子集中样本点间的距离与预设正参数得到边权重，由边权重构建邻接矩阵。
24.第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
25.第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
26.与现有技术相比，本发明的有益效果为：
27.本发明提出一种基于多特征融合与改进谱聚类的用电行为分析方法及系统中，在对用电数据的预处理方面，采用三步走的数据清洗方法，即缺失值补全、低电量数据剔除以及大电量数据剔除方法，有效清洗了数据中的异常数据，提高了用户用电数据的质量，保证后续分类的准确性。
28.本发明提出一种基于多特征融合与改进谱聚类的用电行为分析方法及系统中，在用电特征提取方面，分别从负载特性曲线、小波变换、特征构造三个不同方面提取更完备的用电特征；并使用递归特征消除算法rfe删除冗余特征，筛选出与用电行为分析关联明显的特征子集；对特征子集中的特征进行拼接融合以得到更具差异化的用户用电特征。
29.本发明提出一种基于多特征融合与改进谱聚类的用电行为分析方法及系统中，在分类模型方面，本发明对传统谱聚类模型进行改进，通过构建增强高斯核函数egk更好地生成样本点之间的边权重，得到更精确、质量更高的临近矩阵用于表征样本间的相似性；通过使用模糊c均值聚类执行分类任务，可更合理地划分用户类型，得到更好的用户分类效果，可显著提高社区用户用电行为分析的效果。
30.本发明附加方面的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，或通过本发明的实践了解到。
附图说明
31.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
32.图1为本发明实施例1提供的基于多特征融合与改进谱聚类的用电行为分析方法流程图；
33.图2(a)-2(b)为本发明实施例1提供的社区用户三个月的负载特性曲线示意图；
34.图3(a)-3(b)为本发明实施例1提供的数据清洗前后的样本分布示意图；
35.图4为本发明实施例1提供的递归特征消除算法rfe的特征选择过程示意图；
36.图5为本发明实施例1提供的增强高斯核函数egk示意图。
具体实施方式
37.下面结合附图与实施例对本发明做进一步说明。
38.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
39.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
40.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
41.实施例1
42.如图1所示，本实施例提供一种基于多特征融合与改进谱聚类的用电行为分析方法，包括：
43.s1：获取用电数据；
44.s2：对用电数据进行数据清洗；
45.s3：基于负载特性曲线、信号处理和负荷特征构造方法对清洗后的用电数据提取用电特征；
46.s4：根据用电特征与用电行为的关联，对用电特征进行递归特征消除的特征选择，对选择的用电特征进行特征融合；
47.s5：基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行为的分类；其中，改进的谱聚类模型包括基于增强高斯核函数构建特征子集的邻接矩阵，并以此进行分类，所述增强高斯核函数为根据特征子集中样本点间的距离与预设正参数得到边权重，由边权重构建邻接矩阵。
48.所述步骤s1中，通过智能电表进行用电数据的采集，在每天24时采集一次用户当日的用电量，得到记录用户用电特征的负载特性曲线数据；
49.其中，智能电表采集的用电数据中每个数据点代表用户一天的用电量，一年的用电量数据就是365维，由于聚类模型对输入维度的要求，本实施例选用三个月的负载特性曲线，共93维用电特征，用于用户用电行为分析。如图2(a)-2(b)所示为以独居老人用户与正常家庭用户两种用电类型为例，其3个月的负载特性数据。
50.所述步骤s2中，由于原始负载特性曲线数据中存在数据缺失、异常数据等问题，所以本实施例进行数据清洗，以剔除异常数据，提高用户用电数据的质量；本实施例设计“三步走”的数据清洗方法，分别对用电数据缺失、低电量数据、大电量数据进行处理；详细处理步骤如下：
51.步骤s2.1：缺失值补全：当缺失数据量较短时(如仅缺失几天的用电量)，使用插补法进行数据填充，采用缺失部分两端的非缺失数据进行插值补全；当缺失数据量较长时(如连续缺失15天以上)，插补法已无法对用电行为进行准确刻画，因此本实施例将此类缺失用0填充，并在下一步处理中将这类数据剔除。
52.步骤s2.2：低电量数据剔除：用电数据中部分数据长时间处于极低值，这类数据不携带用电特征，其存在反而会降低数据质量。因此本实施例设置用电量阈值，当检测到用电数据中，连续若干天，如连续15天的用电量小于用电量阈值时，即判为异常数据并剔除，同时此步骤会将上一步中补全为0的数据剔除。
53.步骤s2.3：大电量数据剔除：用电数据中还存在一类明显大于正常值的用电数据，这类数据在总体数据分布中为离群点，其对聚类效果的影响很大，会严重降低聚类效果，如图3(a)所示；但人工在用电大数据中对其进行查找剔除，不仅费时费力且可能存在遗漏。因此本实施例使用pca将用电数据降为2维并进行可视化，观察2维特征空间中明显的离群点，得到其索引，依照索引返回用电数据中对该条数据进行人工复检，若确实为大用电异常数据则进行剔除。
54.至此，数据清洗过程完成，得到携带用电特征的标准负载特性曲线本实施例采用时间跨度为3个月的用电数据，如图3(b)所示，可见清洗后异常数据被剔除，样本的分布范围更合理。
55.所述步骤s3中，本实施例分别从负载特性曲线、信号处理方法、负荷特征构造方法的三个方面提取用户多种类型的用电特征(部分特征在实际计算时仅使用了12个周的用电数据)；具体包括：
56.步骤s3.1：基于负载特性曲线的用电特征提取。该组特征使用原始的负载特性曲
线，或仅对其进行求均值与差分等浅层处理来获取用电特征，该组特征记为a，其包含的各特征如下：
57.(1)负载特性曲线a1：直接以负载特性曲线作为特征。
58.(2)平均周用电曲线a2：将一个月内四周的用电量求平均，得到7维的平均周用电量，再将三个月的平均周用电量特征拼接，得到21维特征；即：
[0059][0060]
其中，week1表示一周的用电数据。
[0061]
(3)周平均用电曲线a3：将每周的用电量求平均得到1维特征，再将12个周的周平均用电特征拼接得到a3；
[0062][0063]
(4)日用电量差分曲线a4：在负载特性曲线a1中求相邻两天的用电量差值得到特征a4；
[0064][0065]
其中，v
dayi
为某一天的用电量。
[0066]
(5)平均周用电量差分曲线a5：在21维特征a2中，计算相邻特征的差值，记为特征a5：
[0067][0068]
(6)周平均用电量差分曲线a6：对12维特征a3求差值：
[0069][0070]
(7)日用电量累加曲线a7：负载特性曲线中的每个数据点代表当日用电量，而不带有用户累加用电量的趋势信息，因此计算累加用电量得到特征a7：
[0071][0072]
其中，vi为用户某天用电量，sumi为当前累加用电量。
[0073]
(8)周平均用电量累加曲线a8：对12维特征a3计算累加特征：
[0074][0075]
如表1所示为基于负载特性曲线提取的8组用电特征；
[0076]
表格1基于负载特性曲线的特征a
[0077][0078][0079]
步骤s3.2：基于信号处理方法的用电特征提取。该组特征使用小波变换以及特征降维技术来获取用电特征，该组特征记为b；其中，jinsi curve表示近似系数，3 order xijie curve表示三阶细节系数，std jinsi curve表示标准化的近似系数；b包含的各特征如下：
[0080]
(1)近似系数与三阶细节系数b1：将近似系数与三阶细节系数拼接构成第一组小波特征b1：
[0081]
b1＝[jinsi curve,3 order xijie curve]。
[0082]
(2)近似系数与三阶二阶细节系数b2：将近似系数与三阶二阶小波系数拼接构成特征b2：
[0083]
b2＝[jinsi curve,3 order xijie curve,2 order xijie curve]。
[0084]
(3)标准化的近似系数与三阶细节系数b3：查阅相关文献了解到对近似系数进行标准化操作可更好的提取特征，因此使用标准化后的近似系数重构b1特征：
[0085][0086]
(4)标准化的近似系数与三阶二阶细节系数b4：使用标准化后的近似系数重构b2特征：
[0087]
b4＝[std jinsi curve,3 order xijie curve,2 order xijie curve]。
[0088]
(5)使用pca降维技术对b1～b4降维：提取的小波系数特征特征维度较高，而聚类模型的输入特征最好为低维；因此使用主成分分析pca进行特征降维，将上述b1～b4特征均降维到8维：
[0089][0090]
(6)使用lda降维技术对b1～b4降维：lda是一种与pca相似的降维方法，两者在降维过程中关注的角度不同；使用lda对前述b1～b4特征降维到8维：
[0091][0092]
如表2所示为基于小波变换提取12组用电特征；
[0093]
表格2基于小波变换的特征b
[0094]
特征编号特征维度特征编号特征维度b134b78b264b88b334b98b464b108b58b118b68b128
[0095]
步骤s3.3：基于负荷特征构造方法的用电特征提取。该组特征通过构造各类负荷指标来提取用电特征；由于其针对用电行为特性设计，因此对于用电特征的提取更具有针对性；所用负载特性曲线设为electricity consumption curve，该组特征记为c，其包含的各特征值如下：
[0096]
(1)平均用电量c1：计算三个月内用电量的平均值，得到1维特征：
[0097]
c1＝mean(electricity consumption curve)。
[0098]
(2)最大用电量c2：计算用电量的最大值，得到1维特征：
[0099]
c2＝max(electricity consumption curve)。
[0100]
(3)最小用电量c3：计算用电量的最小值，得到1维特征：
[0101]
c3＝min(electricity consumption curve)。
[0102]
(4)峰谷差c4：计算用电量的最大值与最小值的差，得到1维的峰谷差特征c4：
[0103]
c4＝c2-c3。
[0104]
(5)平段用电比c5：定义一个月内的平段用电量为低于用电均值的用电量；计算平段用电量的和并除以该月总用电量，得到该月的平段用电比；将三个月的平段用电比拼接得到3维特征；
[0105][0106]
其中，v
monthi
为一个月的用电量数据。
[0107]
(6)皮尔逊相关系数c6：为描述各月间用电量的相似性，计算各月间用电量的皮尔逊相关系数：
[0108][0109]
(7)周用电分布c7：以每天的用电量除以本周内用电量的和得到周用电分布；为降
低随机因素的影响，将一个月内四周的周用电分布求均值；再将各月所得结果拼接为21维周用电分布；
[0110][0111]
其中，v
week
表示一周的用电数据。
[0112]
(8)周用电稳定性c8：基于周用电分布c7，计算周用电稳定性特征c8：
[0113][0114]
(9)月用电波动c9：用方差来表征各月用电量的波动情况：
[0115][0116]
(10)月用电离散度c10：将月用电量的标准差除均值定义为月用电离散度：
[0117][0118]
(11)月用电趋势c11：以各月用电量的均值差与均值比来表征月用电趋势：
[0119][0120]
如表3所示为基于特征构造方法提取11组用电特征；
[0121]
表格3基于特征构造方法的特征c
[0122]
特征编号特征维度特征编号特征维度c11c721c21c83
c31c94c41c103c53c114c63
ꢀꢀ
[0123]
所述步骤s4中，从提取的各类用电特征中使用递归特征消除算法rfe挑选与用电行为分析关联明显的特征，并将挑选后得到的特征子集进行特征融合。
[0124]
递归特征消除算法rfe的特征选择流程如图4所示，通过迭代循环“评估器训练—删除低影响力特征—剩余特征子集重新训练评估器”的操作，从原始特征集中筛选出与用电行为分析关联密切的特征子集。具体包括：
[0125]
rfe算法首先需确定一个为各特征分配权重的外部估计器，本实施例选用svm；使用原始特征集训练估计器，通过估计器的coef属性获得每个特征的重要性；从当前的特征集中删除最不重要的特征，得到经过修剪的特征子集；在特征子集上递归地重复这个过程，直到遍历所有特征；这个过程中特征被消除的次序就是特征的重要性排序，因此这是一种寻找最优特征子集的贪心算法，在特征遍历结束后，选择分类效果最好的特征子集作为特征选择结果。
[0126]
因此，将提取的三组用户行为特征作为递归特征消除算法rfe的输入进行递归选择，设置需要保留的特征数为1(即对所有特征都进行rfe处理)，设置每次要删除的特征数量为1；经过不断迭代，得到特征选择后的特征子集g，g中包含了对用电行为分析影响较大的特征。
[0127]
特征融合时，将特征子集中所有筛选后的特征转换为一维行向量的形式，进行拼接，拼接顺序对特征的融合质量没有影响，将特征融合后所得特征用于社区用户用电行为分析。
[0128]
特征融合时，对特征子集g中特征进行融合，将各个分散特征整合为一组特征作为谱聚类模型的输入；本实施例使用的融合方法为将特征子集中所有筛选后的特征转换为一维行向量的形式进行拼接，拼接顺序对特征的融合质量没有影响。设共有n组用电用户，每组用户特征融合后的特征为1*m的特征；则特征融合后得到的特征子集的尺寸变为n*m，记为h＝{x1,x2,
…
,xn}，其中每个x为一个1*m样本特征。
[0129]
所述步骤s5中，基于融合后的用电特征采用谱聚类模型，用电特征的每一行代表一个样本，通过遍历法选择最合适的聚类中心数，进行谱聚类操作，聚类得到不同类型的簇，以进行用电行为的分类。
[0130]
本实施例通过谱聚类进行用电行为分析。谱聚类的主要思想是把所有的样本看做空间中的点，这些点之间可以用边连接起来构成图；距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高；通过对所有样本点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。将h中每个样本看作样本空间中的一个点进行谱聚类，具体流程如下：
[0131]
步骤s5.1：构建邻接矩阵w。邻接矩阵用于表示样本空间中各个点之间的连接关系，为一个二维矩阵，其中每个值表示两个样本点xi,xj之间连线的边权重w
ij
，当没有边连接时w
ij
＝0，有边连接时w
ij
》0；为了能定量的度量样本点间距离的远近，需使用权重生成方法得到w
ij
；而常用的边权重度量方法对距离的刻画均存在局限性。因此，本实施例设计一种
增强高斯核函数egk(enhanced gaussian kernel)来更好地生成边权重，刻画样本点的距离远近。egk公式如下。
[0132][0133]
由于相似的样本点距离较近，其间的欧氏距离较小；而距离较远的样本点其欧氏距离较大；所以本实施例在欧氏距离上减去正数α，使得距离较近的样本点间的欧氏距离进一步减小，甚至为负值；而距离较远的样本点间所得结果仍为一较大值。结合指数函数的特性，可以进一步拉大近距离点与远距离点边权重的差距，例如若近距离点的欧氏距离为1，远距离为10，本实施例将α与σ暂定为3和1，则通过egk得到的连接线边权重分别为e2与如图5所示为边权重w随欧氏距离的变化趋势，在欧氏距离较小时权重w较大，距离较远的样本点间权重w较小，实现近距离处样本边权重的放大，具有更好的权重生成效果，可更好的度量样本的距离远近，因此可更好的进行切图聚类。使用各样本点间边权重w
ij
构成邻接矩阵w，其为n*n的对称矩阵，矩阵的横纵坐标代表样本点的序号。
[0134]
步骤s5.2：计算度矩阵d与拉普拉斯矩阵l；
[0135]
样本点的度d为该样本点与其他样本点边权重之和，即邻接矩阵中每一行元素的和：
[0136][0137]
使用各样本点的度构成一个n*n的度矩阵d，它是一个对角矩阵，如下所示：
[0138][0139]
使用度矩阵d与邻接矩阵w，计算拉普拉斯矩阵l：
[0140]
l＝d-0.5
ld-0.5
＝d-0.5
(d-w)d-0.5
。
[0141]
步骤s5.3：计算拉普拉斯矩阵l的特征值与特征向量；求解下述方程得到拉普拉斯矩阵l的所有特征值：
[0142]
|λe-l|＝0；
[0143]
由于l的阶数等于样本数n，因此会得到n个特征值λ1,λ2,
…
,λn；将特征值从小到大排序，取前k个特征值，记为λ
′1,λ
′2,
…
,λ
′k(k《n)，并按下式计算其对应的特征向量u1,u2,
…
,uk；由于l为n*n，因此u的大小为n*1；
[0144]
(λ
′ie-l)ui＝0i＝1，2，
…
,k。
[0145]
步骤s5.4：构建新特征矩阵f；将得到的k个特征列向量组成尺寸为n*k的矩阵u；
[0146]
u＝{u1,u2,
…
,uk}；
[0147]
设yi∈rk为矩阵u的第i行向量，其中i＝1,2,
…
,n；将各yi依次单位化：
[0148][0149]
[0150]
单位化后的构成n*k的特征矩阵f，f中每一行为一个样本的特征，且样本的特征量由原来的n降维到k，实现特征降维。
[0151]
步骤s5.5：基于新构建的特征矩阵f采用谱聚类模型中进行用户分类，本实施例使用模糊c均值聚类，模糊c均值聚类使得样本对各个类都有一个隶属度，可获得更好的聚类效果。对聚类中心数进行遍历，选择聚类效果最好的中心数进行设置，聚类模型最后会将输入用电特征聚类成不同的簇c1,c2,
…
,ck。
[0152]
至此，本实施例通过对提取的各类型用电特征进行多特征融合构建新用电特征，以及通过改进谱聚类进行用户分类，实现了对社区用户用电行为的分析。
[0153]
实施例2
[0154]
本实施例提供一种基于多特征融合与改进谱聚类的用电行为分析系统，包括：
[0155]
数据清洗模块，被配置为对获取的用电数据进行数据清洗；
[0156]
特征提取模块，被配置为基于负载特性曲线、信号处理和负荷特征构造方法对清洗后的用电数据提取用电特征；
[0157]
特征融合模块，被配置为根据用电特征与用电行为的关联，对用电特征进行递归特征消除的特征选择，对选择的用电特征进行特征融合；
[0158]
用电行为分类模块，被配置为基于融合得到的特征子集采用改进的谱聚类模型进行不同用电行为的分类；其中，改进的谱聚类模型包括基于增强高斯核函数构建特征子集的邻接矩阵，并以此进行分类，所述增强高斯核函数为根据特征子集中样本点间的距离与预设正参数得到边权重，由边权重构建邻接矩阵。
[0159]
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0160]
在更多实施例中，还提供：
[0161]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
[0162]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列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该处理器也可以是任何常规的处理器等。
[0163]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0164]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
[0165]
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0166]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0167]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。