一种残膜回收机防缠绕挑膜装置的制 一种秧草收获机用电力驱动行走机构

数字孪生网络低时延高可靠传输方法、装置、设备及介质与流程

2022-03-02 03:13:04 来源:中国专利 TAG:


1.本技术涉及无线通信技术领域,特别涉及一种数字孪生网络低时延高可靠传输方法、装置、设备及介质。


背景技术:

2.目前,在工业领域,基于物联网实时进行在线的传感监测和更高效的控制,可有效降低成本,提升效率,为工业发展带来革命性的变革。特别地,工业物联网智能化连接设备组件,通过实时监控、高效管理来控制流程、资产和操作时间,提高设备生产率并降低运营成本。工业物联网作为物联网的一个子集,需要更高级别的安全性、可靠通信、低延迟、处理和控制,确保整个流程的连续性和稳定性。
3.现阶段,采用传统基于人工智能算法的数据处理方法,其数据分析结果与真实反映其物理系统之间仍存在较大的差距。数字孪生技术伴随着物联网、大数据、云计算、人工智能等新一代信息技术的发展,逐渐成为缩小这一差距的潜在技术,以实现工业物联网中真实世界与数字世界的无缝实时互联。
4.申请内容
5.本技术提供一种数字孪生网络低时延高可靠传输方法、装置、设备及介质,以提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。
6.本技术第一方面实施例提供一种数字孪生网络低时延高可靠传输方法,包括以下步骤:
7.同步终端设备生成的运行数据和aps上运行的数字孪生体,并由所述终端设备选择的目标ap创建相应的数字孪生体;
8.接收所述终端设备发送的信号,使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型;
9.通过cpu(central processing unit,中央处理器)进行集中处理所有ap发送的信号,确定用于优化的加权系数,并采集所有运行数字孪生aps的模型参数,分析局部模型的更新范式,基于aps训练后的数字孪生体聚合数据不断迭代更新全局模型。
10.可选地,还包括:
11.在每次迭代过程中,将机器学习模型参数分配至所述aps进行训练,使得所述aps根据所述数字孪生体实时传输的数据进行训练模型,并将模型参数返回至所述cpu进行迭代更新。
12.可选地,所述目标ap与所述相应的数字孪生体之间的互联关系《dtk,apm》表示为:
13.δ(k,m)=f(dk,cm,r
k,m
),
14.其中,dtk为aps上运行的数字孪生体,apm为第m个接入点,m为正整数,dk为第k个终端设备的数据,k为正整数,cm为所述第m个接入点的计算能力,r
k,m
是所述第k个终端设备与所述第m个接入点的传输速率。
15.可选地,所述终端设备发送的信号为:
[0016][0017]
其中,与分别为所述第m个接入点接收的导频信号与数据信号,为所述终端设备的平均发送功率,gm是终端设备与所述第m个接入点的信道状态信息矩阵,x
(p)
与x
(d)
为所述终端设备的发送信号,为噪声与其他干扰。
[0018]
可选地,所述使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型,包括:
[0019]
利用预设的梯度下降法,以预设的学习速率最小化局部数据上的损失函数,并将局部梯度或局部模型传输至所述cpu。
[0020]
可选地,所述采集所有运行数字孪生aps的模型参数,分析局部模型的更新范式,包括:
[0021]
基于多个数字孪生体传输的数据训练并更新全局模型,并基于梯度下降法,确定可最小化全局损失函数的参数,不断更新全局模型,得到更新后的全局模型。
[0022]
本技术第二方面实施例提供一种数字孪生网络低时延高可靠传输装置,包括:
[0023]
创建模块,用于同步终端设备生成的运行数据和aps上运行的数字孪生体,并由所述终端设备选择的目标ap创建相应的数字孪生体;
[0024]
训练模块,用于接收所述终端设备发送的信号,使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型;
[0025]
传输模块,用于通过cpu进行集中处理所有ap发送的信号,确定用于优化的加权系数,并采集所有运行数字孪生aps的模型参数,分析局部模型的更新范式,基于aps训练后的数字孪生体聚合数据不断迭代更新全局模型。
[0026]
可选地,还包括:
[0027]
更新模块,用于在每次迭代过程中,将机器学习模型参数分配至所述aps进行训练,使得所述aps根据所述数字孪生体实时传输的数据进行训练模型,并将模型参数返回至所述cpu进行迭代更新。
[0028]
可选地,所述目标ap与所述相应的数字孪生体之间的互联关系《dtk,apm》表示为:
[0029]
δ(k,m)=f(dk,cm,r
k,m
),
[0030]
其中,dtk为aps上运行的数字孪生体,apm为第m个接入点,m为正整数,dk为第k个终端设备的数据,k为正整数,cm为所述第m个接入点的计算能力,r
k,m
是所述第k个终端设备与所述第m个接入点的传输速率。
[0031]
可选地,所述终端设备发送的信号为:
[0032][0033]
其中,与分别为所述第m个接入点接收的导频信号与数据信号,为所述终端设备的平均发送功率,gm是终端设备与所述第m个接入点的信道状态信息矩阵,x
(p)
与x
(d)
为所述终端设备的发送信号,为噪声与其他干扰。
[0034]
可选地,所述训练模块,具体用于:
[0035]
利用预设的梯度下降法,以预设的学习速率最小化局部数据上的损失函数,并将
局部梯度或局部模型传输至所述cpu。
[0036]
可选地,所述传输模块,具体用于:
[0037]
基于多个数字孪生体传输的数据训练并更新全局模型,并基于梯度下降法,确定可最小化全局损失函数的参数,不断更新全局模型,得到更新后的全局模型。
[0038]
本技术第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的数字孪生网络低时延高可靠传输方法。
[0039]
本技术第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的数字孪生网络低时延高可靠传输方法。
[0040]
由此,将数字孪生技术与无线网络融合,形成数字孪生无线网络架构,终端设备选择目标服务器,将物联网设备与数字孪生体映射,以提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。数字孪生无线网络架构通过数据收集和分析与现实真实工业物联网系统交互,以保持虚拟世界和物理系统的同步。此外,借助联邦学习,使终端设备与服务器间传输模型参数而不是原始数据,降低了传输负载,提升安全性。最后,在无线网络中采用去蜂窝网络架构,保障终端设备和服务器间的实时、可靠、稳定的信号传输。本技术将真实工业物联网环境中设备与数字孪生体之间的数据稳定形成闭环反馈链条并可以完成即时交换,通过分析数字孪生数据,直接对终端设备的运行状态进行分析和优化,还可超前预测物联网环境中的各种风险。
[0041]
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
[0042]
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:
[0043]
图1为根据本技术实施例提供的一种数字孪生网络低时延高可靠传输方法的流程图;
[0044]
图2为本技术一个实施例的数字孪生网络低时延高可靠传输方法的网络结构示意图;
[0045]
图3为本技术一个实施例的数字孪生网络低时延高可靠传输方法的流程图;
[0046]
图4为根据本技术实施例的数字孪生网络低时延高可靠传输装置的示例图;
[0047]
图5为申请实施例提供的电子设备的结构示意图。
具体实施方式
[0048]
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。
[0049]
下面参考附图描述本技术实施例的数字孪生网络低时延高可靠传输方法、装置、设备及介质。本技术提供了一种数字孪生网络低时延高可靠传输方法,在该方法中,将数字
孪生技术与无线网络融合,形成数字孪生无线网络架构,终端设备选择目标服务器,将物联网设备与数字孪生体映射,以提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。数字孪生无线网络架构通过数据收集和分析与现实真实工业物联网系统交互,以保持虚拟世界和物理系统的同步。此外,借助联邦学习,使终端设备与服务器间传输模型参数而不是原始数据,降低了传输负载,提升安全性。最后,在无线网络中采用去蜂窝网络架构,保障终端设备和服务器间的实时、可靠、稳定的信号传输。本技术将真实工业物联网环境中设备与数字孪生体之间的数据稳定形成闭环反馈链条并可以完成即时交换,通过分析数字孪生数据,直接对终端设备的运行状态进行分析和优化,还可超前预测物联网环境中的各种风险。
[0050]
具体而言,图1为本技术实施例所提供的一种数字孪生网络低时延高可靠传输方法的流程示意图。
[0051]
该实施例中,数字孪生技术作为一种集成多物理量、多维度、多学科属性的通用使能技术,具有实时同步、忠于映射的特征,弥补了物理空间和数字系统之间的连接鸿沟,可实现物理世界与信息世界的交互融合。数字孪生基于真实物理世界的历史数据及相关参数、实时了解运行状态、仿真或训练机器学习与深度学习模型,结合数据分析,建模并进行模型更新,真实反应物理世界变化,完成对真实世界的理解、学习和推理,并通过从物理实体到虚拟对等体的闭环数据进行持续评估、监控、主动维护和超前决策。数字孪生模型是动态的,建模、控制和预测都基于实时上传的采样数据并对数据进行高效处理,对信息传输和处理时延有较高的要求。因此,数字孪生需要高效且可靠的数据处理及传输技术,以支持大规模的传输数据,满足更低的传输时延和更高的安全指标,同时支持分布式信息汇总。
[0052]
去蜂窝网络架构利用相同的时频资源为所有接入用户提供服务,用户与部分接入点距离较近,大尺度衰落影响减弱,获得空间宏分集增益,大幅降低路径损耗。并利用大量接入点带来的有利传播,减少多用户干扰,可在较大覆盖范围内提供稳定、可靠、均匀的用户服务质量。
[0053]
如图1所示,该数字孪生网络低时延高可靠传输方法包括以下步骤:
[0054]
在步骤s101中,同步终端设备生成的运行数据和aps上运行的数字孪生体,并由终端设备选择的目标ap创建相应的数字孪生体。
[0055]
可选地,在一些实施例中,目标ap与相应的数字孪生体之间的互联关系《dtk,apm》表示为:
[0056]
δ(k,m)=f(dk,cm,r
k,m
),
[0057]
其中,dtk为aps上运行的数字孪生体,apm为第m个接入点,m为正整数,m={1,2,

,m},dk为第k个终端设备的数据,k为正整数,k={1,2,

,k},cm为第m个接入点的计算能力,r
k,m
是第k个终端设备与第m个接入点的传输速率。
[0058]
具体地,结合图2和图3而言,图2为本技术一个实施例的数字孪生网络低时延高可靠传输方法的网络结构示意图,图3为本技术一个实施例的数字孪生网络低时延高可靠传输方法的流程图。
[0059]
假设系统中存在k个终端用户,包括工业物联网的设备及移动设备等,m个接入点(ap)即服务器,以及一个中央处理单元(central processing unit,cpu),其中,ap与cpu都配备移动边缘计算服务器。
[0060]
具体而言,终端设备生成运行数据,终端设备k的数据其中dk表示数据大小,xk是终端设备收集的数据,yk是数据xk的标签;将终端设备k的数据dk与aps上运行的数字孪生体同步。其中,是行为模型,s
t
为实时动态状态。终端设备k的数据dk始终与aps中运行的相应数字孪生体保持同步
[0061]
进一步地,终端设备k需要选择目标ap创建相应的数字孪生体,两者的互联关系《dtk,apm》表示为δ(k,m)=f(dk,cm,r
k,m
)。其中,dk是创建数字孪生体k的数据大小,cm是该目标apm的计算能力,r
k,m
是终端设备k与apm的传输速率。一个ap可传输数据创建多个数字孪生体,而某一个数字孪生体只能连接一个ap,即由此,终端设备k可选择目标ap创建相应数字孪生体,以提高计算和通信资源利用率。
[0062]
在步骤s102中,接收终端设备发送的信号,使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型。
[0063]
可选地,在一些实施例中,终端设备发送的信号为:
[0064][0065]
其中,与分别为第m个接入点接收的导频信号与数据信号,为终端设备的平均发送功率,gm是终端设备与第m个接入点的信道状态信息矩阵,x
(p)
与x
(d)
为终端设备的发送信号,为噪声与其他干扰。
[0066]
可选地,在一些实施例中,使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型,包括:利用预设的梯度下降法,以预设的学习速率最小化局部数据上的损失函数,并将局部梯度或局部模型传输至cpu。
[0067]
具体而言,各终端设备与ap间采用无线连接,apm的接收信号表示为其中,与分别是apm接收的导频信号与数据信号,是终端设备的平均发送功率,gm是终端设备与apm的信道状态信息矩阵,x
(p)
与x
(d)
是终端设备的发送信号,表示噪声与其他干扰。
[0068]
其中,ap采用导频辅助信道估计方法及最小二乘估计方法完成对信道状态信息的估计,考虑估计误差,并采用黄金分割搜索方法寻找出满足错误概率最小的最优导频长度。基于不同的信道增益采用优化后的线性检测方法实现多用户检测。各ap聚合覆盖范围内自身接收到的km个终端设备传输的数字孪生体,训练局部模型,apm中多个数字孪生体的聚合表示为表示为是数字孪生体dtj的训练数据,是数字孪生体dtj的训练模型。局部模型的聚合利用梯度下降法并以预定义的学习速率最小化局部数据上的损失函数。然后,将局部梯度或局部模型传输至cpu,以此替换传统数字孪生模型直接传输原始数据的方法,缓解超量数据传输负载与数据泄露问题。
[0069]
在步骤s103中,通过cpu(central processing unit,中央处理器)进行集中处理所有ap发送的信号,确定用于优化的加权系数,并采集所有运行数字孪生aps的模型参数,
分析局部模型的更新范式,基于aps训练后的数字孪生体聚合数据不断迭代更新全局模型。
[0070]
可选地,在一些实施例中,采集所有运行数字孪生aps的模型参数,分析局部模型的更新范式,包括:基于多个数字孪生体传输的数据训练并更新全局模型,并基于梯度下降法,确定可最小化全局损失函数的参数,不断更新全局模型,得到更新后的全局模型。
[0071]
具体地,本技术实施例可以在cpu中集中处理所有ap发送的信号,其中,终端设备k在cpu中的接收信号表示为:
[0072][0073]
其中,δ
m,k
是实现传统线性检测方法优化的加权系数,a
m,k
是与信道状态信息相关的线性检测矩阵,是apm所接收的数据信号,dsk是期望信号,ui
ki
是其他终端设备造成的干扰,wn
ki
是信道估计误差,znk是高斯噪声,采用优化的最大比合并方法,上述参数具体定义如下:
[0074][0075]
进一步地,确定加权系数δ
m,k
。一般而言,去蜂窝大规模mimo系统使用集中式解码,通常将δ
m,k
设置为一固定常量,例如1或者ap数量的倒数。为了进一步提高系统性能,在不失一般性的情况下,假设每个用户的δk=[δ
k,1
,...,δ
k,m
]的模||δk||=1。按照不同ap下用户发送信号功率的比值来分配δ
m,k
,以此最大化后处理信噪比。当线性检测方法采用优化的最大比合并方法其后处理信噪比表示为:
[0076][0077]
其中,
[0078]
同时,cpu也作为联邦学习的聚合器(服务器),需要收集所有运行数字孪生aps的模型参数,分析局部模型的更新范式。基于多个数字孪生体传输的数据训练并更新全局模型基于梯度下降法,μ的t次迭代学习模型参数可以表示为其中,ζ是学习速率,是参数μ(t-1)损失函数的梯度值。以此,找出可最小化全局损失函数的参数μ,并不断
更新全局模型全局模型更新为:
[0079]
进一步地,在一些实施例中,本技术实施例的方法,还包括:在每次迭代过程中,cpu将机器学习模型参数分配至aps进行训练,使得aps根据数字孪生体实时传输的数据进行训练模型,并将模型参数返回至cpu进行迭代更新。
[0080]
由上述可知,本技术实施例的数字孪生网络低时延高可靠传输方法的优点如下:
[0081]
(1)将数字孪生技术与无线网络融合,形成数字孪生无线网络架构,提升了终端设备与服务器间通信的可靠性,通过数据收集和分析与现实真实工业物联网系统交互,以保持虚拟世界和物理系统的同步;
[0082]
(2)与传统人工智能算法直接将数据传至服务器相比,联邦学习中原始数据存储在终端设备中,仅传输训练模型参数至服务器,降低了传输负载,提高了数据处理计算能力和安全性;
[0083]
(3)无线连接采用去蜂窝网络架构,缩短终端设备与服务器间的距离,减弱路径损耗等影响,可支持更多数量的终端设备接入,并保障终端设备和服务器间的实时、可靠、稳定的信号传输。
[0084]
根据本技术实施例提出的数字孪生网络低时延高可靠传输方法,将数字孪生技术与无线网络融合,形成数字孪生无线网络架构,终端设备选择目标服务器,将物联网设备与数字孪生体映射,以提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。数字孪生无线网络架构通过数据收集和分析与现实真实工业物联网系统交互,以保持虚拟世界和物理系统的同步。此外,借助联邦学习,使终端设备与服务器间传输模型参数而不是原始数据,降低了传输负载,提升安全性。最后,在无线网络中采用去蜂窝网络架构,保障终端设备和服务器间的实时、可靠、稳定的信号传输。本技术将真实工业物联网环境中设备与数字孪生体之间的数据稳定形成闭环反馈链条并可以完成即时交换,通过分析数字孪生数据,直接对终端设备的运行状态进行分析和优化,还可超前预测物联网环境中的各种风险。
[0085]
其次参照附图描述根据本技术实施例提出的数字孪生网络低时延高可靠传输装置。
[0086]
图4是本技术实施例的数字孪生网络低时延高可靠传输装置的方框示意图。
[0087]
如图4所示,该数字孪生网络低时延高可靠传输装置10包括:创建模块100、训练模块200和传输模块300。
[0088]
其中,创建模块100用于同步终端设备生成的运行数据和aps上运行的数字孪生体,并由终端设备选择的目标ap创建相应的数字孪生体;
[0089]
训练模块200用于接收终端设备发送的信号,使得各ap聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体,训练局部模型;
[0090]
传输模块300用于通过cpu进行集中处理所有ap发送的信号,确定用于优化的加权系数,并采集所有运行数字孪生aps的模型参数,分析局部模型的更新范式,基于aps训练后的数字孪生体聚合数据不断迭代更新全局模型。
[0091]
可选地,在一些实施例中,还包括:
[0092]
更新模块,用于在每次迭代过程中,将机器学习模型参数分配至aps进行训练,使
得aps根据数字孪生体实时传输的数据进行训练模型,并将模型参数返回至cpu进行迭代更新。
[0093]
可选地,在一些实施例中,目标ap与相应的数字孪生体之间的互联关系《dtk,apm》表示为:
[0094]
δ(k,m)=f(dk,cm,r
k,m
),
[0095]
其中,dtk为aps上运行的数字孪生体,apm为第m个接入点,m为正整数,dk为第k个终端设备的数据,k为正整数,cm为第m个接入点的计算能力,r
k,m
是第k个终端设备与第m个接入点的传输速率。
[0096]
可选地,在一些实施例中,终端设备发送的信号为:
[0097][0098]
其中,与分别为第m个接入点接收的导频信号与数据信号,为终端设备的平均发送功率,gm是终端设备与第m个接入点的信道状态信息矩阵,x
(p)
与x
(d)
为终端设备的发送信号,为噪声与其他干扰。
[0099]
可选地,在一些实施例中,训练模块200具体用于:
[0100]
利用预设的梯度下降法,以预设的学习速率最小化局部数据上的损失函数,并将局部梯度或局部模型传输至cpu。
[0101]
可选地,在一些实施例中,传输模块300具体用于:
[0102]
基于多个数字孪生体传输的数据训练并更新全局模型,并基于梯度下降法,确定可最小化全局损失函数的参数,不断更新全局模型,得到更新后的全局模型。
[0103]
需要说明的是,前述对数字孪生网络低时延高可靠传输方法实施例的解释说明也适用于该实施例的数字孪生网络低时延高可靠传输装置,此处不再赘述。
[0104]
根据本技术实施例提出的数字孪生网络低时延高可靠传输装置,将数字孪生技术与无线网络融合,形成数字孪生无线网络架构,终端设备选择目标服务器,将物联网设备与数字孪生体映射,以提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。数字孪生无线网络架构通过数据收集和分析与现实真实工业物联网系统交互,以保持虚拟世界和物理系统的同步。此外,借助联邦学习,使终端设备与服务器间传输模型参数而不是原始数据,降低了传输负载,提升安全性。最后,在无线网络中采用去蜂窝网络架构,保障终端设备和服务器间的实时、可靠、稳定的信号传输。本技术将真实工业物联网环境中设备与数字孪生体之间的数据稳定形成闭环反馈链条并可以完成即时交换,通过分析数字孪生数据,直接对终端设备的运行状态进行分析和优化,还可超前预测物联网环境中的各种风险。
[0105]
图5为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括:
[0106]
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
[0107]
处理器502执行程序时实现上述实施例中提供的数字孪生网络低时延高可靠传输方法。
[0108]
进一步地,电子设备还包括:
[0109]
通信接口503,用于存储器501和处理器502之间的通信。
[0110]
存储器501,用于存放可在处理器502上运行的计算机程序。
[0111]
存储器501可能包含高速ram存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
[0112]
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture,简称为isa)总线、外部设备互连(peripheral component,简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture,简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
[0113]
可选的,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
[0114]
处理器502可能是一个中央处理器(central processing unit,简称为cpu),或者是特定集成电路(application specific integrated circuit,简称为asic),或者是被配置成实施本技术实施例的一个或多个集成电路。
[0115]
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的数字孪生网络低时延高可靠传输方法。
[0116]
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n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。
[0117]
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,“n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。
[0118]
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n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。
[0119]
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,n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。
[0120]
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。
再多了解一些

本文用于企业家、创业者技术爱好者查询,结果仅供参考。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

相关文献