物联网数据处理方法、装置、计算机设备和存储介质

1.本发明涉及物联网数据处理技术领域，特别涉及一种物联网数据处理方法、装置、计算机设备和存储介质。


背景技术：

2.近年来，物联网作为新一代信息技术的重要组成部分，已经被应用在日常生活中的各个领域。在物联网和传统无线传感器网络中，需要传输由大量传感器收集到的标量数据(如温度、压力、湿度和位置等)，也有丰富的多媒体数据，如图像、视频和音频。这些实时数据种类繁多，来源复杂，更新速度快。压缩感知是一种全新的信息获取和处理框架，对于本身稀疏或在某个稀疏变换域内稀疏的信号，采用一个与稀疏变换基非相干的测量矩阵进行观测，利用较少的观测值即可以远低于nyquist(奈奎斯特)频率的采用频率通过优化算法以很高的概率准确的恢复重构出信号。将采用和压缩融合，提高了采用效率，减小了数据传输量从而节省了功率和能量损耗。
3.随着物联网的不断发展，数据处理量的大幅提升成为必然的趋势，这也意味着采集效率需求的进一步加大。许多时候，用来收集数据的传感器通常会被放置地相距很远，有时甚至有上千米之远，并且需要连续数月甚至数年、无间断地进行数据采集工作，工作人员也无法做到经常性的维护。因此随着时间的推移，每个节点中传感器的采样数据将会积累地越多。
4.面对如此庞大的数据信息，传统的奈奎斯特采样法会加大物联网的能量损耗，同时过高的采样频率也是实际采集过程中无法实现的。随着物联网采集的信息量的不断增大，两倍甚至更高的采样频率不仅可能会对物联网信号处理造成阻碍，同时也会造成大量的数据冗余和资源浪费。
5.在物联网系统中，对数据进行压缩有助于实现海量数据的实时传输，同时也可以有效降低海量数据对存储容量的需求，缓解海量iot(internet of things，物联网)数据增长速度。数据压缩从对原始数据保留程度的角度可分为两种：无损压缩和有损压缩。无损压缩是指压缩后的数据，重构之后与原来的数据完全相同。有损压缩是经过压缩、解压后与原始数据不同但接近的压缩方法。
6.因此，如何使得重构后的数据尽可能与原数据保持一致，并且降低压缩采样率，降低压缩后的数据量，从而提高数据传输效率，降低存储容量的需求，是目前急需解决的。


技术实现要素：

7.基于此，有必要针对上述技术问题，提供一种物联网数据处理方法、装置、计算机设备和存储介质。
8.一种物联网数据处理方法，包括：
9.通过无线传感网络采集数据，获得原始数据；
10.基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始
数据。
11.在一个实施例中，所述基于压缩感知算法，对所述原始数据进行稀疏化表示，得到稀疏信号的步骤之后还包括：
12.基于压缩感知方程对稀疏化后的所述原始数据进行观测；
13.求解所述压缩感知方程，得到稀疏信号。
14.在一个实施例中，所述求解所述压缩感知方程，得到稀疏信号的步骤之后包括：
15.利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
16.在一个实施例中，所述通过无线传感网络采集数据，获得原始数据的步骤之后还包括：
17.利用预设融合算法对所述原始数据进行融合处理，得到融合后的原始数据；
18.所述基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据的步骤包括：
19.基于预设稀疏表征算法，对融合后的所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
20.在一个实施例中，所述预设融合算法包括综合平均法、贝叶斯估计法、d-s法、神经网络法和卡尔曼滤波法中的任一种。
21.一种物联网数据处理装置，包括：
22.原始数据获取模块，用于通过无线传感网络采集数据，获得原始数据；
23.稀疏化模块，用于基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
24.在一个实施例中，所述物联网数据处理装置还包括：
25.数据观测模块，用于基于压缩感知方程对稀疏化后的所述原始数据进行观测；
26.压缩方程求解模块，用于求解所述压缩感知方程，得到稀疏信号。
27.在一个实施例中，所述物联网数据处理装置还包括：
28.数据重构模块，用于利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
29.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
30.通过无线传感网络采集数据，获得原始数据；
31.基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
32.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
33.通过无线传感网络采集数据，获得原始数据；
34.基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
35.上述物联网数据处理方法、装置、计算机设备和存储介质，利用预设稀疏表征算法对物联网数据进行稀疏化表示，从而降低了采样率，减小了需要传输的数据量，从而提高了数据传输效率，降低存储容量，提高了数据的存储和管理效率。
36.本技术，在稀疏化表示数据后，还利用压缩感知算法对稀疏化后的数据进行重构，能够提高信号还原的精度，实现了通过少量的采样信号将原始信号完整还原。
附图说明
37.图1为一个实施例中物联网数据处理方法的流程示意图；
38.图2为一个实施例中物联网数据处理装置的结构框图；
39.图3为一个实施例中计算机设备的内部结构图；
40.图4a为一个实施例中的卡尔曼滤波算法估计值与真实值、测量值的比较的示意图；
41.图4b为一个实施例中的测量误差与卡尔曼滤波算法误差的比较的示意图；
42.图5为一个实施例中的正则化正交匹配追踪算法流程图；
43.图6a为一个实施例中的数据信号的时域图和频域图；
44.图6b为一个实施例中的romp算法重构结果与测量误差的对比的示意图；
45.图7为另一个实施例中物联网数据处理方法的流程示意图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.实施例一
48.本实施例中，如图1所示，提供了一种物联网数据处理方法，其包括：
49.步骤110，通过无线传感网络采集数据，获得原始数据。
50.本实施例中，通过无线传感网络中的节点传感器采集数据，该无线传感网络包括多个相互连接的节点传感器和交换机等。
51.步骤120，基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
52.本实施例中，对原始数据进行稀疏化表示即为对原始数据进行压缩采样，通过对原始数据进行稀疏化表示，得到压缩采样后的数据，因此，该稀疏化后的原始数据即压缩采样后的数据。本实施例中，预设稀疏表征算法用于对数据进行稀疏化表征，以对数据进行压缩采样。
53.应该理解的是，信号的稀疏性是指信号中非零项较少，自然界中存在的真实信号一般不是绝对稀疏的，而是在某个变换域下近似稀疏，即为可压缩信号。因此如果找到与之对应的稀疏表示空间，就可以对任何信号进行压缩采样。稀疏表示的意义：只要信号是s稀疏的(s《m《《n)，就可以在观测m个观测值时，从s个较大的系数中重建原始长度为n的信号。本实施例中，对所述原始数据进行稀疏化表示，为压缩感知的其中一个环节。
54.上述实施例中，利用预设稀疏表征算法对物联网数据进行稀疏化表示，从而降低了采样率，减小了需要传输的数据量，从而提高了数据传输效率，降低存储容量，提高了数据的存储和管理效率。
55.在一个实施例中，所述基于压缩感知算法，对所述原始数据进行稀疏化表示，得到
稀疏信号的步骤之后还包括：基于压缩感知方程对稀疏化后的所述原始数据进行观测；求解所述压缩感知方程，得到稀疏信号。
56.本实施例中，对稀疏化后的所述原始数据进行观测的过程称为观测数据，该过程为压缩感知的其中一个环节。
57.本实施例中，压缩感知方程可列为b＝ax，其中b为压缩感知的观测矢量，x为数据的原始信号，a为观测矩阵。由于公式b＝ax是一个欠定线性方程组，因此观测向量求解出的稀疏信号x有无穷多解。因此在使用观测向量b求解时，观测矩阵a需要结合信号稀疏度s，同时观测值也要满足一定的条件。通过求解该压缩感知方程，可得到稀疏信号。
58.在一个实施例中，所述求解所述压缩感知方程，得到稀疏信号的步骤之后包括：利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
59.本实施例中，正则化正交匹配追踪算法，对稀疏信号进行重构，得到重构数据，该重构数据即为被恢复的原始数据，通过基于压缩感知的正则化正交匹配追踪算法，能够使得重构数据更为精确。
60.应该理解的是，压缩感知的最终目的就是从少量的线性测量里恢复稀疏信号x，使得b＝ax，即求解线性方程组的最稀疏解，因为这是一个np-hard问题，需要用到贪婪算法，此方法用到的贪婪算法为romp算法(正则化正交匹配追踪算法)，正则化正交匹配追踪算法流程与传统的omp(orthogonal matching pursuit，正交匹配追踪算法)的最大不同之处就在于从传感矩阵a中选择列向量的标准，omp每次只选择与残差内积绝对值最大的那一列，而romp则是先选出内积绝对值最大的k列，然后再从这k列中按正则化标准再选择一遍，即为本次迭代选出的列向量。
61.本实施例中，在稀疏化表示数据后，利用压缩感知算法对稀疏化后的数据进行重构，能够提高信号还原的精度，实现了通过少量的采样信号将原始信号完整还原。
62.在一个实施例中，所述通过无线传感网络采集数据，获得原始数据的步骤之后还包括：利用预设融合算法对所述原始数据进行融合处理，得到融合后的原始数据；所述基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据的步骤包括：基于预设稀疏表征算法，对融合后的所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
63.值得一提的是，将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式称为信息融合，也即数据融合。应该理解的是，由于无线传感网络采集的数据具有来源多、异构性强的特点，采用数据融合算法能够极大的降低数据的冗余，提高系统的工作效率，因此在物联网当中使用数据融合算法具有较高的实际应用意义。所以，首先要利用融合算法将数据进行融合，融合实现后，再对数据进行稀疏表征。
64.在一个实施例中，所述预设融合算法包括综合平均法、贝叶斯估计法、d-s法、神经网络法和卡尔曼滤波法中的任一种。
65.其中，综合平均法，器融合过程为把各节点传感器采集的数据求平均，并乘以权重系数，从而得到融合后的数据；贝叶斯估计法，通过先验信息和样本信息得到后验分布，再对目标进行预测；d-s法，采用概率区间和不确定区间判定多证据体下假设的似然函数进行推理；神经网络法，以测量目标的各种参数集为神经网络的输入，输出推荐的目标特征或权重；此外，还有卡尔曼滤波法、专家系统法等。
66.本实施例中，以该卡尔曼滤波法作为预设融合算法作进一步阐述：
67.本实施例中，卡尔曼滤波法利用被测模块的统计特性，然后对其进行递推，确定融合数据的估计，主要用来对低层次传感器实时动态数据进行数据融合，减少传感数据的冗余，提高数据的准确性。该卡尔曼滤波法可应用于红外遥感、导航等传感器网络中。
68.卡尔曼滤波法也称为kalman滤波器(kf)，是一种最优化自回归的数据处理算法，主要用它去解决线性系统中的估计问题。卡尔曼滤波的实质是通过测量值重构系统的状态向量。它得到系统的测量值以此来消除随机干扰，再重构出系统的状态。kf计算分为时间更新过程和测量更新两个过程。
69.首先，引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述，假设卡尔曼滤波用于温度测量，这也是物联网中非常常见的一种标量数据，温度传感器采集的数据经过采集节点的采集后，需要进行卡尔曼滤波。其融合过程请参见图4a和图4b，图4a为卡尔曼滤波算法估计值与真实值、测量值的比较，图4b为测量误差与卡尔曼滤波误差的比较，由图4a和图4b可以得出，在多传感器测量环境下，引入卡尔曼滤波可以显著降低测量误差，使测量精度显著提升。
70.实施例二
71.本实施例中，提供一种基于压缩感知的物联网系统感知数据处理方法，请一并结合图7，该方法包括：
72.步骤一，根据不同的物联网网络业务特征，研究相应的多源异构感知融合iot数据的融合算法，对iot数据的融合可以大大提高效率，以降低网络传输压力。
73.由于无线传感网络采集的数据具有来源多、异构性强的特点，采用数据融合算法能够极大的降低数据的冗余，提高系统的工作效率，因此在物联网当中使用数据融合算法具有较高的实际应用意义。所以，首先要利用融合算法将数据进行融合，融合实现后，对数据进行稀疏表征，之后在利用压缩感知实现数据恢复和重构，从而实现对多源异构融合物联网数据的操作，降低物联网传输的压力。
74.将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式称为信息融合。常见有以下几种信息融合方法。
75.(1)综合平均法，即把各传感器数据求平均，乘上权重系数；
76.(2)贝叶斯估计法，通过先验信息和样本信息得到后验分布，再对目标进行预测；
77.(3)d-s法，采用概率区间和不确定区间判定多证据体下假设的似然函数进行推理；
78.(4)神经网络法，以测量目标的各种参数集为神经网络的输入，输出推荐的目标特征或权重；
79.(5)卡尔曼滤波法、专家系统法等。。。
80.这里采用的融合算法为卡尔曼滤波法，是利用被测模块的统计特性，然后对其进行递推，确定融合数据的估计，主要用来对低层次传感器实时动态数据进行数据融合，减少传感数据的冗余，提高数据的准确性。主要用在红外遥感、导航等方面。
81.kalman滤波器(kf)是一种最优化自回归的数据处理算法，主要用它去解决线性系统中的估计问题。卡尔曼滤波的实质是通过测量值重构系统的状态向量。它得到系统的测量值以此来消除随机干扰，再重构出系统的状态。kf计算分为时间更新过程和测量更新两
个过程。
82.首先，引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述，假设卡尔曼滤波用于温度测量，这也是物联网中非常常见的一种标量数据，温度传感器采集的数据经过采集节点的采集后，需要进行卡尔曼滤波。
83.图4a为卡尔曼滤波算法估计值与真实值、测量值的比较，图4b为测量误差与卡尔曼滤波误差的比较，由图4a和图4b可以得出，在多传感器测量环境下，引入卡尔曼滤波可以显著降低测量误差，使测量精度显著提升。
84.步骤二，基于物联网的数据在时间序列和空间位置上的平滑特性，因其与压缩感知所需求得稀疏性和不相关性性相契合，故可利用压缩感知实现数据恢复和重构方案。
85.压缩感知的实现有三个主要环节，即数据信号的稀疏表示、观测数据以及数据的恢复与重构三个步骤。
86.数据信号的稀疏表示：信号的稀疏性是指信号中非零项较少，自然界中存在的真实信号一般不是绝对稀疏的，而是在某个变换域下近似稀疏，即为可压缩信号。因此如果找到与之对应的稀疏表示空间，就可以对任何信号进行压缩采样。稀疏表示的意义：只要信号是s稀疏的(s《m《《n)，就可以在观测m个观测值时，从s个较大的系数中重建原始长度为n的信号。
87.观测数据：压缩感知方程可列为，其中b为压缩感知的观测矢量，x为数据的原始信号，a为观测矩阵。但是由于公式b＝ax是一个欠定线性方程组，因此观测向量求解出的稀疏信号x有无穷多解。因此在使用观测向量b求解时，观测矩阵a需要结合信号稀疏度s，同时观测值也要满足一定的条件。
88.数据的恢复与重构：压缩感知的最终目的就是从少量的线性测量里恢复稀疏信号x，使得b＝ax，即求解线性方程组的最稀疏解，因为这是一个np-hard问题，需要用到贪婪算法，此方法用到的贪婪算法为romp算法(正则化正交匹配追踪算法)，正则化正交匹配追踪算法流程与omp的最大不同之处就在于从传感矩阵a中选择列向量的标准，omp每次只选择与残差内积绝对值最大的那一列，而romp则是先选出内积绝对值最大的k列，然后再从这k列中按正则化标准再选择一遍，即为本次迭代选出的列向量。该正则化正交匹配追踪算法流程请参见图5。
89.假设数据信号为一个加噪正弦信号，信号中掺杂着高斯白噪声，这对信号的恢复和重构会造成较大的困难，但是使用romp算法即可实现对信号去噪并且恢复重构信号，原始信号图如图6a，仿真图如图6b。
90.由图6a和图6b可知，与mp和omp算法相比，romp算法可以更好地恢复重构加噪数据信号，测量误差也很小,是很适合应用于一种压缩感知应用在物联网系统感知层的数据传输方法的恢复重构算法。
91.步骤三、通过对物联网数据的压缩感知实现海量数据的实时传输，同时也可以有效降低海量数据对存储容量的需求，缓解海量数据增长速度。
92.物联网的应用十分广泛，比如环境监测、森林火灾监测、交通运输监控、智能家居等。大规模和超大规模物联网主要应用在大型监测系统中，是由大量智能感知系统把数以亿计的“物体”连接而成的动态网络，这些“物体”信息的采集和交互将产生巨大的数据量。在一个由物联网支持的大型物流系统中，如果要跟踪1000万件包裹或商品的位置和状态等
信息，则每天产生的数据量可达10gb，1年的数据量为3.65tb。如此数量庞大的智能感知系统的海量物联网数据，需要边采样、边压缩、边处理的新型数据采集方法。压缩感知方法是一种边采样、边压缩的新型采样方法，在物联网数据处理中引入并行的压缩感知方法可以显著减少采集的数据量。
93.实施例三
94.本实施例中，如图2所示，提供一种物联网数据处理装置，包括：
95.原始数据获取模块210，用于通过无线传感网络采集数据，获得原始数据；
96.稀疏化模块220，用于基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
97.在一个实施例中，所述物联网数据处理装置还包括：
98.数据观测模块，用于基于压缩感知方程对稀疏化后的所述原始数据进行观测；
99.压缩方程求解模块，用于求解所述压缩感知方程，得到稀疏信号。
100.在一个实施例中，所述物联网数据处理装置还包括：
101.数据重构模块，用于利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
102.在一个实施例中，所述物联网数据处理装置还包括：
103.数据融合模块，用于利用预设融合算法对所述原始数据进行融合处理，得到融合后的原始数据；
104.所述基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据的步骤包括：
105.所述稀疏化模块还用于基于预设稀疏表征算法，对融合后的所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
106.在一个实施例中，所述预设融合算法包括综合平均法、贝叶斯估计法、d-s法、神经网络法和卡尔曼滤波法中的任一种。
107.关于物联网数据处理装置的具体限定可以参见上文中对于物联网数据处理方法的限定，在此不再赘述。上述物联网数据处理装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
108.实施例四
109.本实施例中，提供了计算机设备。其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序，且该非易失性存储介质部署有数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与部署了应用软件的其他计算机设备通信。该计算机程序被处理器执行时以实现一种物联网数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
110.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
111.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
112.通过无线传感网络采集数据，获得原始数据；
113.基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
114.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
115.基于压缩感知方程对稀疏化后的所述原始数据进行观测；
116.求解所述压缩感知方程，得到稀疏信号。
117.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
118.利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
119.在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用预设融合算法对所述原始数据进行融合处理，得到融合后的原始数据；
120.基于预设稀疏表征算法，对融合后的所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
121.在一个实施例中，所述预设融合算法包括综合平均法、贝叶斯估计法、d-s法、神经网络法和卡尔曼滤波法中的任一种。
122.实施例五
123.本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
124.通过无线传感网络采集数据，获得原始数据；
125.基于预设稀疏表征算法，对所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
126.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
127.基于压缩感知方程对稀疏化后的所述原始数据进行观测；
128.求解所述压缩感知方程，得到稀疏信号。
129.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
130.利用正则化正交匹配追踪算法，对所述稀疏信号进行重构，得到重构数据。
131.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
132.利用预设融合算法对所述原始数据进行融合处理，得到融合后的原始数据；
133.基于预设稀疏表征算法，对融合后的所述原始数据进行稀疏化表示，得到稀疏化后的原始数据。
134.在一个实施例中，所述预设融合算法包括综合平均法、贝叶斯估计法、d-s法、神经网络法和卡尔曼滤波法中的任一种。
135.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
136.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
137.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。