一种智能数据提取的选择方法及系统与流程

1.本发明涉及数据处理领域，具体而言，涉及一种智能数据提取的选择方法及系统。


背景技术：

2.随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。另外，在系统集成公司为政企客户提供信息化服务过程中，往往需要在既定时间内结合客户需求、行业特点、专业经验快速生成决策信息或信息化解决方案，而决策信息(信息化解决方案)的质量与效率往往决定了项目归属甚至是市场竞争格局。在决策分层创建方面，往往通过区块链或者服务器中的决策树逻辑算法，针对逻辑对抗模型来进行决策结果数据的生成，在逻辑生成过程之中，训练对抗模型和模型的输入数据均采用大量的历史数据或者采集器采集到的待处理数据进行分析和处理。
3.但是现有技术中的决策生成方法仅仅是根据本地决策参数和决策因子来进行最终决策数据的生成，而不能针对多元数据的采集进行决策生成，更不能针对现有数据情况自动判断是否选择更多的数据，从而限制了决策生成的灵活性和全面性。现有技术往往不对数据的必要性进行判断，仅仅是统一的数据采集以及数据处理，需要大量的计算资源，而且现有技术中对于大数据模型的获取，也不会通过选取数据的方式来影响大数据模型选取何种数据、选择此种数据的数据量，总体上降低了决策生成的准确度和效率。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种智能数据提取的选择方法及系统，以至少解决现有技术中的决策生成方法仅仅是根据本地决策参数和决策因子来进行最终决策数据的生成，而不能针对多元数据的采集进行决策生成，更不能针对现有数据情况自动判断是否选择更多的数据，总体上降低了决策生成的准确度和效率的技术问题。
6.根据本发明实施例的一个方面，提供了一种智能数据提取的选择方法，包括：获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据；获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值；根据所述对比结果获取第二特征向量种类数据；将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。
7.可选的，在所述获取经验库数据之后，所述方法还包括：根据所述经验库数据训练决策模型。
8.可选的，所述根据所述对比结果获取第二特征向量种类数据包括：当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。
9.可选的，所述大数据平台泰勒高阶模型包括：
10.pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0011][0012]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。根据本发明实施例的另一方面，还提供了一种智能数据提取的选择系统，包括：第一获取模块，用于获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据；对比模块，用于获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值；第二获取模块，用于根据所述对比结果获取第二特征向量种类数据；提取模块，用于将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。
[0013]
可选的，所述装置还包括：训练模块，用于根据所述经验库数据训练决策模型。
[0014]
可选的，所述第二获取模块包括：获取单元，用于当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。
[0015]
可选的，所述大数据平台泰勒高阶模型包括：
[0016]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0017][0018]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种智能数据提取的选择方法。
[0019]
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种智能数据提取的选择方法。
[0020]
与现有技术相比，本发明的有益效果是：在本发明实施例中，采用决策生成历史训练数据、决策生成因素种类数据；获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值；根据所述对比结果获取第二特征向量种类数据；将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果的方式，解决了现有技术中的决策生成方法仅仅是根据本地决策参数和决策因子来进行最终决策数据的生成，而不能针对多元数据的采集进行决策生成，更不能针对现有数据情况自动判断是否选择更多的数据，总体上降低了决策生成的准确度和效率的技术问题。
附图说明
[0021]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，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。在附图中：
[0022]
图1是根据本发明实施例的一种智能数据提取的选择方法的流程图；
[0023]
图2是根据本发明实施例的一种智能数据提取的选择系统的结构框图；
[0024]
图3是根据本发明实施例的泰勒展开极值示意图。
具体实施方式
[0025]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0026]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。
[0027]
根据本发明实施例，提供了一种智能数据提取的选择方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0028]
实施例一
[0029]
图1是根据本发明实施例的一种智能数据提取的选择方法的流程图，如图1所示，该方法包括如下步骤：
[0030]
步骤s102，获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据。
[0031]
步骤s104，获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值。
[0032]
步骤s106，根据所述对比结果获取第二特征向量种类数据。
[0033]
步骤s108，将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。
[0034]
可选的，在所述获取经验库数据之后，所述方法还包括：根据所述经验库数据训练决策模型。
[0035]
可选的，所述根据所述对比结果获取第二特征向量种类数据包括：当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。
[0036]
可选的，所述大数据平台泰勒高阶模型包括：
[0037]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0038]
[0039]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。在具体实施当中，首先获取经验库数据信息，其中，经验库数据包括了决策生成历史训练数据和决策生成因素种类。具体的，由于经验库中包括了决策生成历史训练数据和决策生成因素种类，所有在生成训练模型之前，需要通过存储器中预存的经验库来进行数据信息的获取，该数据信息可以是n项历史决策成功数据，每一套决策成功的历史数据作为一个集合进行采集，例如，(输入特征向量α，输出数据β)＝x，那么集合x便是n想历史数据中的其中一个子集合，所有的x类集合在一起组成了经验库数据y，当用户需要获取某一方面的决策数据的时候，需要将相关指令输入到处理器中，那么处理器会从y中调取相应的x1、x2
…
直到满足用户的决策模型训练需求。
[0040]
根据所述经验库数据信息训练决策模型，并将通过经验库训练后的决策模型进行验证，得到最终可以用于实时决策生成的模型数据，并将上述数据进行存储。具体的，在得到了经验库数据信息之后，需要根据经验库数据信息来训练决策模型，决策模型可以是对抗网络模型，通过不同的输入特征向量来不断进行模型算法的精炼和完善，从而得到可以用于实时决策操作的模型数学结构。上述对抗网络在训练的过程中，固定一方且更新另一方的网络权重，通过交替迭代，在这个过程中，双方都极力优化自己的网络，从而形成不同输入参数的竞争对抗，直到双方达到一个动态的平衡(纳什均衡)，此时生成模型g恢复了训练数据的分布(造出了和真实数据一模一样的样本)。
[0041]
上述过程可以表述为如下公式：
[0042][0043]
当固定生成网络g的时候，对于判别网络d的优化，可以这样理解：输入来自于真实数据，d优化网络结构使自己输出1，输入来自于生成数据，d优化网络结构使自己输出0；当固定判别网络d的时候，g优化自己的网络使自己输出尽可能和真实数据一样的样本，并且使得生成的样本经过d的判别之后，d输出高概率。
[0044]
训练网络的代码可以是：
[0045]
for epoch in range(25):
[0046]
batch_idxs＝1093
[0047]
foridx in range(batch_idxs):
[0048]
batch_images＝data_x[idx*64:(idx 1)*64]
[0049]
batch_labels＝data_y[idx*64:(idx 1)*64]
[0050]
batch_z＝np.random.uniform(-1,1,size＝(batch_size,100))
[0051]
#更新d的参数
[0052]
summary_str＝sess.run([d_optim,d_sum],
[0053]
feed_dict＝{images:batch_images,z:batch_z,yatch_labels})
[0054]
writer.add_summary(summary_str,idx 1)
[0055]
#更新g的参数
[0056]
_,summary_str＝sess.run([g_optim,g_sum],
[0057]
feed_dict＝{z:batch_z,y:batch_labels})
[0058]
writer.add_summary(summary_str,idx 1)
[0059]
#更新两次g的参数确保网络的稳定
[0060]
summary_str＝sess.run([g_optim,g_sum],
[0061]
feed_dict＝{z:batch_z,y:batch_labels})
[0062]
writer.add_summary(summary_str,idx 1)
[0063]
在所述决策模型的基础上，获取模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括大于阈值、不大于阈值。具体的，为了判断是否进一步进行大数据平台的数据采集和获取，从而用于进阶决策模型的训练，需要根据当前决策模型的第一特征项链的种类数目，来进行参数阈值对比，其中，预设参数阈值可以是用户根据大数据的需求程度，设置的n元特征向量输入标准值，从而根据当前决策模型的输入n元来判断是否增加的n 1或n m元特征向量种类的数目。
[0064]
当所述对比结果为不大于阈值的时候，激活大数据平台传输通道，获取大数据平台中与所述经验库数据信息所匹配的其他类型的第二特征向量种类数目。
[0065]
将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果，用于对所述大数据模型提取数据内容的判断。其中，所述大数据平台泰勒高阶模型为：
[0066]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0067][0068]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。另外，如图3所示，根据a\b点取泰勒极值的方式对数据获取内容进行近似泰勒处理，得到最终泰勒高阶模型的输出结果，并根据所述最终泰勒高阶模型的输出结果生成所述数据提取评价结果。
[0069]
根据所述数据提取评价结果的输出结果和所述第二特征向量的种类数目来进行大数据平台的数据提取，并将提取的数据进行优化筛选操作，得到可以用于训练进阶决策模型的训练数据，将所述决策模型的灵活度提高，最终得到通过经验库以及大数据平台共同训练出的，可以接收多元化特征输入向量的决策模型。具体的，当对比结果的n元数目不大于用户预设的阈值的时候，需要激活大数据平台的传输通道，在无需进行大数据传输的时候，大数据平台传输通道是关闭的，以便节省计算资源，进一步地，对大数据平台中若干多元化数据项目进行匹配，匹配过程可以是通过对经验库类型，即用户需求的分析，从而进行相关匹配规则的确认和应用，从大数据平台中调取与该经验库相关的其他方面的数据源，从而增加数据的多元化，并将从大数据获取到的数据进行优化筛选，筛选出可以对gan对抗网络进行训练的第二特征向量种类数据，从而训练进阶的决策模型，其中，进阶的决策模型具有多元化输入，精准输出的特征，可以满足用户对于灵活因素决策的需求。
[0070]
通过上述实施例，解决了现有技术中的决策生成方法仅仅是根据本地决策参数和决策因子来进行最终决策数据的生成，而不能针对多元数据的采集进行决策生成，更不能针对现有数据情况自动判断是否选择更多的数据，总体上降低了决策生成的准确度和效率的技术问题。
[0071]
实施例二
[0072]
图2是根据本发明实施例的一种智能数据提取的选择系统的结构框图，如图2所
示，该系统包括：
[0073]
第一获取模块20，用于获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据。
[0074]
对比模块22，用于获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值。
[0075]
第二获取模块24，用于根据所述对比结果获取第二特征向量种类数据。
[0076]
提取模块26，用于将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。
[0077]
可选的，所述装置还包括：训练模块，用于根据所述经验库数据训练决策模型。
[0078]
可选的，所述第二获取模块包括：获取单元，用于当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。
[0079]
可选的，所述大数据平台泰勒高阶模型包括：
[0080]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0081][0082]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。
[0083]
在具体实施当中，首先获取经验库数据信息，其中，经验库数据包括了决策生成历史训练数据和决策生成因素种类。具体的，由于经验库中包括了决策生成历史训练数据和决策生成因素种类，所有在生成训练模型之前，需要通过存储器中预存的经验库来进行数据信息的获取，该数据信息可以是n项历史决策成功数据，每一套决策成功的历史数据作为一个集合进行采集，例如，(输入特征向量α，输出数据β)＝x，那么集合x便是n想历史数据中的其中一个子集合，所有的x类集合在一起组成了经验库数据y，当用户需要获取某一方面的决策数据的时候，需要将相关指令输入到处理器中，那么处理器会从y中调取相应的x1、x2
…
直到满足用户的决策模型训练需求。
[0084]
根据所述经验库数据信息训练决策模型，并将通过经验库训练后的决策模型进行验证，得到最终可以用于实时决策生成的模型数据，并将上述数据进行存储。具体的，在得到了经验库数据信息之后，需要根据经验库数据信息来训练决策模型，决策模型可以是对抗网络模型，通过不同的输入特征向量来不断进行模型算法的精炼和完善，从而得到可以用于实时决策操作的模型数学结构。上述对抗网络在训练的过程中，固定一方且更新另一方的网络权重，通过交替迭代，在这个过程中，双方都极力优化自己的网络，从而形成不同输入参数的竞争对抗，直到双方达到一个动态的平衡(纳什均衡)，此时生成模型g恢复了训练数据的分布(造出了和真实数据一模一样的样本)。
[0085]
上述过程可以表述为如下公式：
[0086][0087]
当固定生成网络g的时候，对于判别网络d的优化，可以这样理解：输入来自于真实数据，d优化网络结构使自己输出1，输入来自于生成数据，d优化网络结构使自己输出0；当固定判别网络d的时候，g优化自己的网络使自己输出尽可能和真实数据一样的样本，并且使得生成的样本经过d的判别之后，d输出高概率。
[0088]
训练网络的代码可以是：
[0089]
for epoch in range(25):
[0090]
batch_idxs＝1093
[0091]
foridx in range(batch_idxs):
[0092]
batch_images＝data_x[idx*64:(idx 1)*64]
[0093]
batch_labels＝data_y[idx*64:(idx 1)*64]
[0094]
batch_z＝np.random.uniform(-1,1,size＝(batch_size,100))
[0095]
#更新d的参数
[0096]
summary_str＝sess.run([d_optim,d_sum],
[0097]
feed_dict＝{images:batch_images,z:batch_z,yatch_labels})
[0098]
writer.add_summary(summary_str,idx 1)
[0099]
#更新g的参数
[0100]
_,summary_str＝sess.run([g_optim,g_sum],
[0101]
feed_dict＝{z:batch_z,y:batch_labels})
[0102]
writer.add_summary(summary_str,idx 1)
[0103]
#更新两次g的参数确保网络的稳定
[0104]
summary_str＝sess.run([g_optim,g_sum],
[0105]
feed_dict＝{z:batch_z,y:batch_labels})
[0106]
writer.add_summary(summary_str,idx 1)
[0107]
在所述决策模型的基础上，获取模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括大于阈值、不大于阈值。具体的，为了判断是否进一步进行大数据平台的数据采集和获取，从而用于进阶决策模型的训练，需要根据当前决策模型的第一特征项链的种类数目，来进行参数阈值对比，其中，预设参数阈值可以是用户根据大数据的需求程度，设置的n元特征向量输入标准值，从而根据当前决策模型的输入n元来判断是否增加的n 1或n m元特征向量种类的数目。
[0108]
当所述对比结果为不大于阈值的时候，激活大数据平台传输通道，获取大数据平台中与所述经验库数据信息所匹配的其他类型的第二特征向量种类数目。
[0109]
将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果，用于对所述大数据模型提取数据内容的判断。其中，所述大数据平台泰勒高阶模型为：
[0110]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0111][0112]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。另外，如图3所示，根据a\b点取泰勒极值的方式对数据获取内容进行近似泰勒处理，得到最终泰勒高阶模型的输出结果，并根据所述最终泰勒高阶模型的输出结果生成所述数据提取评价结果。
[0113]
根据所述数据提取评价结果的输出结果和所述第二特征向量的种类数目来进行
大数据平台的数据提取，并将提取的数据进行优化筛选操作，得到可以用于训练进阶决策模型的训练数据，将所述决策模型的灵活度提高，最终得到通过经验库以及大数据平台共同训练出的，可以接收多元化特征输入向量的决策模型。具体的，当对比结果的n元数目不大于用户预设的阈值的时候，需要激活大数据平台的传输通道，在无需进行大数据传输的时候，大数据平台传输通道是关闭的，以便节省计算资源，进一步地，对大数据平台中若干多元化数据项目进行匹配，匹配过程可以是通过对经验库类型，即用户需求的分析，从而进行相关匹配规则的确认和应用，从大数据平台中调取与该经验库相关的其他方面的数据源，从而增加数据的多元化，并将从大数据获取到的数据进行优化筛选，筛选出可以对gan对抗网络进行训练的第二特征向量种类数据，从而训练进阶的决策模型，其中，进阶的决策模型具有多元化输入，精准输出的特征，可以满足用户对于灵活因素决策的需求。
[0114]
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种智能数据提取的选择方法。
[0115]
具体的，上述一种智能数据提取的选择方法包括：获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据；获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值；根据所述对比结果获取第二特征向量种类数据；将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。可选的，在所述获取经验库数据之后，所述方法还包括：根据所述经验库数据训练决策模型。可选的，所述根据所述对比结果获取第二特征向量种类数据包括：当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。可选的，所述大数据平台泰勒高阶模型包括：
[0116]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0117][0118]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种智能数据提取的选择方法。
[0119]
具体的，上述一种智能数据提取的选择方法包括：获取经验库数据，其中，所述经验库数据包括：决策生成历史训练数据、决策生成因素种类数据；获取决策模型输入层的第一特征向量的种类数目，并将所述特征向量的种类数目与预设参数阈值进行对比，得到对比结果，其中，所述对比结果包括：大于阈值、不大于阈值；根据所述对比结果获取第二特征向量种类数据；将所述第二特征向量种类数目输入至大数据平台泰勒高阶模型中，得到所述第二特征向量种类数目的数据提取评价结果。可选的，在所述获取经验库数据之后，所述方法还包括：根据所述经验库数据训练决策模型。可选的，所述根据所述对比结果获取第二特征向量种类数据包括：当所述对比结果为不大于阈值时，获取大数据平台中与所述经验库数据相匹配的第二特征向量种类数目。可选的，所述大数据平台泰勒高阶模型包括：
[0120]
pn(x0)＝f(x0)，p’n(x0)＝f’(x0)，
[0121][0122]
其中，pn为数据输入参量，x0为参变量，f(*)为泰勒高阶模型输出参量的导数。通过上述实施例，解决了现有技术中的决策生成方法仅仅是根据本地决策参数和决策因子来进行最终决策数据的生成，而不能针对多元数据的采集进行决策生成，更不能针对现有数据情况自动判断是否选择更多的数据，总体上降低了决策生成的准确度和效率的技术问题。
[0123]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0124]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0125]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0126]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0127]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0128]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0129]
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。