一种复杂环境下的无人机集群无源定位方法及装置

1.本发明涉及目标定位的技术领域，尤其是一种复杂环境下的无人机集群无源定位方法及装置。


背景技术：

2.随着电子对抗技术的发展，在复杂的电磁环境下，与主动发射电磁波的有源定位技术相比，无源定位技术只需要接收辐射源的信号并分析，就可以得到辐射源的位置，此类定位方式更具备隐蔽性的优势。通常在无源定位中，需要获取目标辐射源的到达角(arrival of angle,aoa)、到达频率差(frequency difference of arrival,fdoa)、到达时间差(time difference of arrival,tdoa)和接收信号强度(received signal strength,rss)等量测信息。在上述定位方法中，tdoa和fdoa需要保证时间同步，而目标的到达角量测信息获取较为简单，得到了广泛的应用。
3.同时在战场环境中，由于基站布置耗时耗力，采用灵活机动的无人机平台取代固定基站成为了未来的趋势。在大多数的情况下，单架无人机通常无法完成定位的任务，而多无人机则具备更多优势。通过利用多无人机系统，一方面可以扩大作用范围，完成复杂度更高的任务；同时可以提高系统的抗毁性，当一架无人机或几架无人机遭到损坏后，其他无人机仍然可以继续工作。
4.在无源定位场景中，无人机通常是充当信息收集的角色，即将接收到的目标量测信息(如到达角)传输到地面的融合中心，然后由融合中心对所有无人机获取的量测信息进行融合处理，进而得到目标的估计位置。但是实际上受到室外条件的约束，可能无法在地面建立融合处理的设备；同时无人机在运动过程中，其侦察天线并不是全部对准目标的，这样就会造成只有少量无人机获取到目标的量测信息，降低系统的定位精度。


技术实现要素：

5.有鉴于此，本发明实施例提供一种精确度高的，复杂环境下的无人机集群无源定位方法及装置。
6.本发明的一方面提供了一种复杂环境下的无人机集群无源定位方法，包括：
7.根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
8.将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
9.根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
10.将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
11.可选地，所述根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目
标对象进行粗定位，得到所述目标对象的粗定位信息，包括：
12.获取各个目标无人机中传感器的测量信息；
13.将所有传感器的测量信息融合，得到汇合信息；
14.通过ple算法对所述汇合信息进行计算，得到所述目标对象的粗定位信息；
15.其中，所述通过ple算法对所述汇合信息进行计算的计算公式为：
[0016][0017]
其中，代表所述目标对象的粗定位信息；无人机集群的观测信息矩阵；b代表真实的目标方位信息。
[0018]
可选地，所述根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息，具体为：
[0019]
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，通过mle算法对所述目标对象的位置进行更新。
[0020]
可选地，所述目标方位信息包括目标方位角测量值；
[0021]
所述目标方位角测量值的似然函数的表达式为：
[0022][0023]
其中，代表所述目标方位角测量值的似然函数值；为所述目标无人机获取到的目标方位角信息的量测值；k为所述目标无人机的数量；是目标方位角量测噪声的对角协方差矩阵；θ(t)为t时刻所述目标无人机与所述目标对象之间的夹角；
[0024]
所述目标对象的位置的更新公式为：
[0025][0026]
其中，p
old
表示更新前的目标对象的位置；p
new
表示更新后的目标对象的位置；α为预设的学习率；和为代价函数的导数。
[0027]
可选地，所述将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果，包括：
[0028]
根据多元函数求极限理论，计算最小均方误差下各个目标无人机量测值对应的加权系数；
[0029]
根据所述加权系数计算所述加权融合后得到的误差协方差矩阵；
[0030]
根据所述误差协方差矩阵，计算所述目标对象的最终位置估计结果。
[0031]
可选地，其中，所述加权系数的计算公式为：
[0032][0033]
ω
k,n
代表加权系数；k代表无人机的序号；代表第m架无人机的观测噪声方差；rm
代表第m架无人机的通信半径；代表第k架无人机的观测噪声方差；rk代表第k架无人机的通信半径；k代表无人机的数量；
[0034]
其中，所述误差协方差矩阵的计算公式为：
[0035][0036]rk
代表观测误差的协方差矩阵；代表第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；
[0037]
其中，所述目标对象的最终位置估计结果的计算公式为：
[0038][0039]
代表所述目标对象的最终位置估计结果；rk代表观测误差的协方差矩阵；第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；z
k,n
代表第n架无人机观测的目标位置信息。
[0040]
可选地，所述方法还包括构建测量模型的步骤，该步骤具体包括：
[0041]
配置目标无人机在预设空间中的位置向量和坐标信息；
[0042]
根据所述位置向量和所述坐标信息，构建目标无人机的位置矩阵；
[0043]
根据所述目标无人机的位置矩阵以及辐射源的预设位置，计算所述目标无人机与所述辐射源之间的夹角；
[0044]
根据所述夹角，获取每个目标无人机测量得到的观测值和观测噪声；
[0045]
根据所述观测值和所述观测噪声，计算目标对象的预测坐标信息。
[0046]
本发明实施例的另一方面还提供了一种复杂环境下的无人机集群无源定位装置，包括：
[0047]
第一模块，用于根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
[0048]
第二模块，用于将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
[0049]
第三模块，用于根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
[0050]
第四模块，用于将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
[0051]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0052]
所述存储器用于存储程序；
[0053]
所述处理器执行所述程序实现如前面所述的方法。
[0054]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0055]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的
处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0056]
本发明的实施例根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。本发明提高了在复杂环境下无人机集群的无源定位精确度。
附图说明
[0057]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明实施例提供的整体步骤流程图；
[0059]
图2为本发明实施例提供的无人机集群无源定位的建模示意图；
[0060]
图3为本发明实施例提供的无人机集群无源定位场景图；
[0061]
图4为本发明实施例提供的基于邻域信息融合的无人机集群无源定位算法流程图。
具体实施方式
[0062]
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，此处所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。
[0063]
针对现有技术存在的问题，本发明提出一种基于邻域信息的无人机集群无源定位方法，通过对每架无人机的邻域信息进行加权融合，在空中即可完成对目标位置的估计。
[0064]
如图1所示，本发明实施例的一方面提供了一种复杂环境下的无人机集群无源定位方法，包括：
[0065]
根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
[0066]
将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
[0067]
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
[0068]
将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
[0069]
可选地，所述根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目
标对象进行粗定位，得到所述目标对象的粗定位信息，包括：
[0070]
获取各个目标无人机中传感器的测量信息；
[0071]
将所有传感器的测量信息融合，得到汇合信息；
[0072]
通过ple算法对所述汇合信息进行计算，得到所述目标对象的粗定位信息；
[0073]
其中，所述通过ple算法对所述汇合信息进行计算的计算公式为：
[0074][0075]
其中，代表所述目标对象的粗定位信息；a代表无人机集群的观测信息矩阵；b代表真实的目标方位信息。
[0076]
可选地，所述根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息，具体为：
[0077]
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，通过mle算法对所述目标对象的位置进行更新。
[0078]
可选地，所述目标方位信息包括目标方位角测量值；
[0079]
所述目标方位角测量值的似然函数的表达式为：
[0080][0081]
其中，代表所述目标方位角测量值的似然函数值；为所述目标无人机获取到的目标方位角信息的量测值；k为所述目标无人机的数量；是目标方位角量测噪声的对角协方差矩阵；θ(t)为t时刻所述目标无人机与所述目标对象之间的夹角；
[0082]
所述目标对象的位置的更新公式为：
[0083][0084]
其中，p
old
表示更新前的目标对象的位置；p
new
表示更新后的目标对象的位置；α为预设的学习率；和为代价函数的导数。
[0085]
可选地，所述将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果，包括：
[0086]
根据多元函数求极限理论，计算最小均方误差下各个目标无人机量测值对应的加权系数；
[0087]
根据所述加权系数计算所述加权融合后得到的误差协方差矩阵；
[0088]
根据所述误差协方差矩阵，计算所述目标对象的最终位置估计结果。
[0089]
可选地，其中，所述加权系数的计算公式为：
[0090][0091]
ω
k,n
代表加权系数；k代表无人机的序号；代表第m架无人机的观测噪声方差；rm
代表第m架无人机的通信半径；代表第k架无人机的观测噪声方差；rk代表第k架无人机的通信半径；k代表无人机的数量；
[0092]
其中，所述误差协方差矩阵的计算公式为：
[0093][0094]rk
代表观测误差的协方差矩阵；代表第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；
[0095]
其中，所述目标对象的最终位置估计结果的计算公式为：
[0096][0097]
代表所述目标对象的最终位置估计结果；rk代表观测误差的协方差矩阵；第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；z
k,n
代表第n架无人机观测的目标位置信息。
[0098]
可选地，所述方法还包括构建测量模型的步骤，该步骤具体包括：
[0099]
配置目标无人机在预设空间中的位置向量和坐标信息；
[0100]
根据所述位置向量和所述坐标信息，构建目标无人机的位置矩阵；
[0101]
根据所述目标无人机的位置矩阵以及辐射源的预设位置，计算所述目标无人机与所述辐射源之间的夹角；
[0102]
根据所述夹角，获取每个目标无人机测量得到的观测值和观测噪声；
[0103]
根据所述观测值和所述观测噪声，计算目标对象的预测坐标信息。
[0104]
本发明实施例的另一方面还提供了一种复杂环境下的无人机集群无源定位装置，包括：
[0105]
第一模块，用于根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
[0106]
第二模块，用于将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
[0107]
第三模块，用于根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
[0108]
第四模块，用于将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
[0109]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0110]
所述存储器用于存储程序；
[0111]
所述处理器执行所述程序实现如前面所述的方法。
[0112]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0113]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的
处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0114]
下面结合说明书附图，进一步详细描述本发明的具体实现过程：
[0115]
本发明提出的方法实现的过程如下：首先利用少量侦测到目标的无人机，采用伪线性随机估计(pseudolinear estimation,ple)算法对目标进行粗定位；然后通过短程通信的方式，将粗估计的目标位置信息传递给邻域的无人机，同时调整侦察方向到目标的粗估计方法；接着每架无人机通过利用目标粗定位位置、自身位置、当前时刻获取的目标方位等信息，采用最大似然估计(maximum likelihood estimator,mle)算法对目标位置进行初步修正；最后每架无人机对其通信范围内邻域无人机的目标位置信息进行加权融合，得到目标位置的精确估计结果。
[0116]
首先，本实施例可以构建一个测量模型，来对无人机的侦察过程进行模拟，并能够计算采用本发明的方法带来的显著效果。
[0117]
参照图2，无人机的位置矩阵可以表示为：
[0118]
u＝[u1，u2，...，un]
t
，uk＝[xk，yk]
t
，k＝1，2，...，n
[0119]
其中，ui表示每架无人机的位置向量，xk和yk代表无人机具体的坐标信息；k表示无人机的序号。
[0120]
辐射源的位置为p＝[x,y]
t
，无人机与辐射源所成的夹角为θk，其计算公式为：
[0121][0122]
其中，rk为传感器与目标之间的距离。
[0123]rk
＝||p-sk||
[0124]
p表示辐射源目标的位置；sk表示第k架无人机的位置信息。
[0125]
假设方位测量收到独立且同分布的高斯噪声的影响，第k次的测量可以建模为：
[0126][0127]
其中，为第k次测量获得的观测值，nk则为零均值加性高斯白噪声。
[0128]
从k架无人机得到的单次测量向量为：
[0129][0130]
其中，为量测信息，θ＝[θ1,θ2,...,θk]
t
表示真实的方位向量，n＝[n1,n2,...,nk]
t
表示观测的噪声。
[0131]
通过辐射源目标方位的观测值，可以进一步得到预测的x和y的值。
[0132]
通过上述测量模型，本发明实施例的量测数据加权融合过程如下：
[0133]
图3为无人机集群无源定位场景图，无人机均匀分布在二维平面上。利用多个无人机对同一目标进行测量，由于无人机携带的传感器之间存在物理属性差异，导致各无人机之间存在测量精度差异，直接对得到的无人机量测数据进行等权平均，将导致结果的不准确性，为此考虑使用无人机精度对量测数据进行处理，从而得到更加准确的量测值。
[0134]
首先考虑两个不同的无人机在k时刻对同一目标进行测量，量测值分别为：
[0135]zk，1
＝xk v
k，1
，z
k，2
＝xk v
k，2
[0136]
其中，z
k，1
表示第1架无人机获得的目标量测值；z
k，1
表示第2架无人机获取的目标
量测值；k表示时间参数，xk表示目标真实值，v
k，1
和v
k，2
表示随机误差，且随机误差满足
[0137][0138]
两个无人机获取的量测值相互独立。假定xk的估计值与量测值z
k，1
和z
k，2
成线性关系，由于估计值是xk的无偏估计，则有
[0139][0140]
ω
k，1
和ω
k，2
表示各无人机量测值的权重。此时估计误差为
[0141][0142]
使用代价函数j表示的均方根误差，则有
[0143][0144]
e()表示求解数学期望的表达式；
[0145]
因为是xk的无偏估计，所以可得到
[0146][0147]
由于e(v
k，1
)＝e(v
k，2
)＝0，则可以得到
[0148]
ω
k，2
＝i-ω
k，1
[0149]
其中，i为适维单位矩阵。代价函数j可改写为
[0150]
j＝e[(ω
k，1
)2(v
k，1
)2 (i-ω
k，1
)2(v
k，2
)2 2(ω
k，1
)(i-ω
k，1
)(v
k，1
)(v
k，2
)]
[0151]
由于并且v
k，1
和v
k，2
之间相互独立，可得
[0152][0153][0154]
e[(v
k,i
)(v
k,2
)]＝o
[0155]
则有：
[0156][0157]
为求得最小的代价函数j，令ω＝(ω
k,1
,ω
k,2
)，对ω进行求导
[0158][0159]
解出最优权值
[0160][0161]
最终，得到最优估计值为
[0162][0163]
融合后的误差协方差矩阵为
[0164][0165]
下面结合说明书附图，对本发明的无人机集群无源定位方法的具体应用过程进行详细描述：
[0166]
本发明实施例基于邻域信息融合的无人机集群无源定位算法流程图如图4所示，首先对系统参数进行初始化，无人机个体均匀分布在二维平面上，且侦察方向随机；假设初始时刻，只有少量无人机侦测到目标的方位信息，则该部分无人机利用ple算法，对目标进行粗略定位。然后通过短程通信的方式，将目标位置粗定位信息传递到邻域通信半径范围内的无人机。邻域无人机在接收到目标位置粗定位信息后，调整其侦察方向，继续执行侦察任务。
[0167]
由于已知无人机的位置信息、目标的粗估计位置信息，此时可以利用接收到的目标方位信息，利用mle算法对目标估计位置进行更新。
[0168]
无人机获取到的目标方位角测量值的似然函数可以表示为：
[0169][0170]
其中是目标方位角量测噪声的对角协方差矩阵，k为无人机的数量，为无人机获取到的目标方位角信息的量测值，θ(t)为t时刻无人机与目标之间的夹角。目标位置估计值就是似然函数最大化获得的最大似然值。最大似然函数问题也可以改写为使得代价函数f(t)最小的形式：
[0171][0172]
目标估计位置的迭代公式可以表示为：
[0173][0174]
其中p
old
和p
new
分别表示更新前后的目标位置，α为算法中设定的学习率，和为代价函数的导数。
[0175]
最后每架无人机将自己侦测到的目标位置信息与邻域通信范围内的其他无人机信息进行加权融合，在每次融合的过程中，系统的置信度步进增加，当置信度值达到系统设定的阈值后，实现目标位置估计结果的上报。
[0176]
由之前量测数据加权融合的过程分析可知，假设邻域通信范围内的无人机数量为
n架，相对应的量测集合和量测噪声矩阵分别为{z
k,n
}和{v
k,n
},n＝1,2,...,n，{v
k,n
}表示高斯白噪声，满足且噪声各不相关。根据多元函数求极限理论，可以求得最小均方误差下各无人机量测值对应的加权系数
[0177][0178]
融合后的误差协方差矩阵为
[0179][0180]
可以得到融合后的目标估计位置为
[0181][0182]
综上所述，为了解决复杂电磁环境下无人机集群无源定位的问题，本发明首先对无人机集群无源定位的场景进行了建模，然后提出了一种基于邻域信息融合的无源定位方法，提高了对目标辐射源的定位精度，与原始方案相比：
[0183]
(a)不需要地面融合中心进行数据处理
[0184]
该发明提出的方法将可以在空中完成对目标位置的估计，通过对邻域通信范围内的无人机信息进行融合加权，提高了系统定位的精度。
[0185]
(b)提高了系统的抗毁性能
[0186]
由于每架无人机都是独立获取其邻域通信范围内的信息进行融合，当侦察信息的置信度达到设定的阈值后，均可实现目标位置估计结果的上报。即便单架或少量无人机受到损坏，其他无人机仍然可以继续执行定位任务。
[0187]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0188]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0189]
所述功能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(可以是个人计算机，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、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0190]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0191]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0192]
应当理解，本发明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，多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。例如，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。
[0193]
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
[0194]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0195]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。