一种重介分选精煤灰分预测方法、装置、电子设备及介质与流程

1.本技术涉及煤矿生产技术领域，尤其是涉及一种重介分选精煤灰分预测方法、装置、电子设备及介质。


背景技术：

2.煤炭重介分选是煤炭行业的重要组成部分，在新发展理念的大背景下，改进重介分选工艺来提高精煤质量、节约能源和保护生态环境是一条有效路径。煤炭重介分选是根据阿基米德定律通过改变重介质悬浮液密度分选出符合质量要求的精煤产品，重介精煤灰分作为衡量重介精煤质量最主要的指标。
3.但是，目前重介选精煤灰分闭环处于起步阶段，由于选煤属于流程性工艺，实时重介精煤灰分检测相对于其对应的重介悬浮液密度设定存在一定的滞后性，所以重介精煤灰分还不能及时有效地反馈知道重介悬浮液密度的自动设置，从而无法充分保证重介精煤灰分能长期稳定在合理区间内。


技术实现要素：

4.为了解决重介分选过程中实时重介精煤灰分检测相对于对应的重介悬浮密度设定存在较大的滞后性的问题，本技术提供一种重介分选精煤灰分预测方法、装置、电子设备及介质。
5.第一方面，本技术提供一种重介分选精煤灰分预测方法，采用如下的技术方案：一种重介分选精煤灰分方法，包括：获取原始精煤灰分时序信号；根据原始精煤灰分时序信号确定imf分量和残差；根据imf分量和残差分别确定与之相对应的预测时间序列；所述预测时间序列与原始精煤灰分时序信号进行对比，确定出最优预测模型。
6.通过采用上述技术方案，将原始精煤灰分时序信号分解成有限个imf分量和一个残差；并选用长短记忆神经网络（long short-term memory, lstm）对获得的有限个imf分量和一个残差分别进行训练学习，获得多个预测信号，并与原始精煤灰分时序信号进行显示，通过预测信号与原始精煤灰分时序信号对比，确定最优的预测模型；并根据最优的预测模型实时自动设定重介悬液密度值。
7.在另一种可能实现的方式中，根据原始精煤灰分时序信号确定imf分量和残差，包括：基于所述原始精煤灰分时序信号，生成对应的imf分量并输出，并计算所述原始精煤灰分时序信号与所述对应的imf分量的差值，生成去高频时间序列信号；判断获取去高频时间序列信号是否为单调函数；若是，则将所述去高频时间序列信号作为残差信号输出；若否，则将所述去高频时间序列信号作为原始精煤灰分时序信号，循环执行上述
操作，直至所述去高频时间序列信号为单调函数。
8.通过采用上述技术方案，对原始精煤灰分时序信号进行运算，并生成对应原始精煤灰分时序信号任一时间的imf分量；将原始精煤灰分时序信号与获得对应原始精煤灰分时序信号任一时间的imf分量进行差值计算，获得到去高频时间序列信号；之后，将获得的该去高频时间序列信息所构建的函数进行判断，若该去高频时间序列信号所构建的函数为单调函数，则判定该去高频时间序列信息作为残杀信息号，最终输出一个imf分量以及一个残杀信号；若该去高频时间序列信号所构建的函数并不是单调函数，则将所述去高频时间序列信号作为原始精煤灰分时序信号，循环执行上述操作。
9.在另一种可能实现的方式中，基于所述原始精煤灰分时序信号，生成对应的imf分量，包括：基于所述原始精煤灰分时序信号，生成对应的均值包络线；计算所述原始精煤灰分时序信号与均值包络线的差值，生成去点低频信号时间序列；基于所述去点低频信号时间序列，判断所述去点低频信号时间序列是否满足预设分量条件；若是，则将所述去点低频信号时间序列作为imf分量输出；若否，则将所述去点低频信号时间序列作为原始精煤灰分时序信号，循环执行上述操作，至所述去点低频信号时间序列满足预设分量条件。
10.通过采用上述技术方案，在将原始精煤灰分时序信号进行计算imf分量以及残差过程中，首先确定原始精煤灰分时序信号的上极值点以及下极值点，基于确定的上极值点以及下价值点分别计算出与之对应的上包络线以及下包络线，再与原始精煤灰分时序信息号进行差值计算，生成去点低频信号时间序列；之后，判断低频信号时间序列作为imf分量判断是否满足预设分量条件；若满足则判定该缺点低频信号时间序列为第一imf分量；若不满足以该去点低频信息号时间序列作为原始精煤灰分时序信息号进行上输出执行过程。
11.在另一种可能实现的方式中，判断去点低频信号的时间序列是否满足imf分量，包括：计算所述去点低频信号时间序列的极值数量以及零穿越数量；所述极值数量表征去点低频时间信号序列的极大值与极小值的数量和；计算所述极值数量与所述零穿越数量的差值，并生成差值信号；判断所述差值信号是否大于预设的差值阈值；若否，则所述去点低频信号的时间序列不满足imf分量；若是，则判断局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值是否等于零；若所述局部最大值定义的包络线的平均值和/或所述局部最小值定义的包络线平均值不等于零，则所述去点低频信号的时间序列不满足imf分量；若所述局部最大值定义的包络线的平均值以及所述局部最小值定义的包络线的平均值均等于零，则所述去点低频信号的时间序列满足imf分量。
12.通过采用上述技术方案，判断去点低频信号的时间序列是否满足imf分量时，计算去点低频信号时间序列的极值数量以及零穿越数量同时，对去点低频信号时间序列的极值
数量以及零穿越数量差值进行计算，生成差值信号；以该差值信号是否满足预设的差值阈值以及判断局部最大值定义的包络线的平均值和局部最小定义的包络线的平均值是否等于零作为判断条件进行判断；若不满足上述两个条件，将生成去点低频信号时间序列作为下一轮的原始数据，重复上述计算过程，直到满足判据；若满足，则低频信号时间序列等于第1个imf分量；同时用原始精煤灰分时间序列信号减去1个imf分量，得到一个去掉高频的剩余分量。
13.在另一种可能实现的方式中，根据imf分量和残差分别确定与之相对应的预测时间序列，包括：将所述imf分量和所述残差归一化预处理；获取预测精度信号和预测时长信号；基于所述预测精度信号和所述预测时间信号，建立预测模型；将预处理后的数据经所述预测模型进行处理，获得预测时间序列。
14.通过采用上述技术方案，首先对有限个imf分量和残差进行归一化处理；同时获取预测精度信号和预测时长信号；将归一化处理的有限个imf分量和残差作为测试数据，并依据预测精度信号和预测时长信号进行长短记忆神经网络的预设模型构建；之后将获得的新的原始精煤灰分时序信号的有限个imf分量和残差作为训练数据进行上述训练过程学习，并输出基于每个imf和一个残差所对应的重介悬浮液时间序列信号。
15.在另一种可能实现的方式中，分别将对应于imf分量和残差的预测时间序列与原始精煤灰分时序信号进行对比，确定出最优预测模型，之后包括：根据频率分布确定重介悬浮液预测时间序列信号的高频信号、中频信号以及低频信号；对所述高频信号、所述中频信号以及所述低频信号进行加和计算，并输出多个预测信号；将所述多个预测信号与所述原始精煤灰分时序信号进行对比，确定最优预测模型。
16.通过采用上述技术方案，根据训练学习所获得的重介悬浮液预测时间序列信号频率分布获取到高频部分、中频部分和低频部分，并将各频率极性累加重构计算，获取多个重介悬浮液预测时间序列信号，从而将原始精煤灰分时序信号进行上述计算过程中产生的噪声进行剔除。
17.第二方面，本技术提供一种重介分选精煤灰分预测装置，采用如下的技术方案：一种煤矿自动化管理装置具体可以包括：时序信号获取模块、第一确定模块、第二确定模块、第一对比模块以及第三确定模块，其中：时序信号获取模块，用于获取原始精煤灰分时序信号；第一确定模块，用于根据原始精煤灰分时序信号确定imf分量和残差；第二确定模块，用于根据imf分量和残差分别确定与之对应的预测时间序列；第一对比模块，用于对应于imf分量和残差的预测时间序列与原始精煤灰分时序信号进行对比并输出最优预测模型。
18.通过采用上述技术方案，通过时序信号获取到原始精煤灰分时序信息，并通过第一确定模块将原始精煤灰分时序信号分解，从而确定出有限个imf分量和一个残差；之后第
二确定模块运用长短记忆神经网络对有限个imf分量和一个残差进行训练和学习并确定出预测时间，并与原始精煤灰分时序信号进行显示；使用第一对比模块将对应于imf分量和残差的预测时间序列与原始精煤灰分时序信号进行对比，通过对比结果输出最优预测模型，根据预测模型实现了对重介悬浮液密度值的自动设定。
19.在一种可能的实现方式中，装置还包括：第一生成模块，用于生成imf分量；第一判断模块，用于判断获取去高频时间序列信号是否为单调函数。
20.在一种可能的实现方式中，装置还包括：均值包络线生成模块，用于基于原始精煤灰分时序信号生成对应的举止包络线；第二判断模块，用于判断去点低频信号时间序列是否满足预设分量条件。
21.在一种可能的实现方式中，装置还包括：第一计算模块，用于计算去点低频信号时间序列的极值数量以及零穿越数量；差值生成模块，用于生成差值信号；第三判断模块，用于判断局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值是否等于零。
22.在一种可能的实现方式中，装置还包括：预处理模块，用于将imf粉恋和残差进行归一化处理；第一获取模块，用于获取预测精度信号和预测时长信号；模型建立模块，用于基于所述预测精度信号和所述预测时间信号，建立预测模型；第二获取模块，用于获取预测重介悬浮液时间序列信号。
23.在一种可能的实现方式中，装置还包括：第四确定模块，用于确定重介悬浮液预测时间序列信号的高频信号、中频信号以及低频信号；第二计算模块，用于对高频信号、中频信号以及低频信号相加计算；第一对比模块，用于将多个预测信号与原始精煤灰分时序信号进行对比。
24.第三方面，本技术提供一种电子设备，采用如下的技术方案：一种电子设备，该电子设备包括：至少一个处理器；存储器；至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述重介分选精煤灰分预测的方法。
25.第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述重介分选精煤灰分预测方法的计算机程序。
26.综上所述，本技术包括以下有益技术效果：将原始精煤灰分时序信号分解成有限个imf分量和一个残差；并选用长短记忆神经网络对获得的有限个imf分量和一个残差分别进行训练学习，获得多个预测信号，并与原始精煤灰分时序信号进行显示，通过预测信号与原始精煤灰分时序信号对比，确定并根据
最优的预测模型实时自动设定重介悬液密度值。
附图说明
27.图1是本技术实施例重介分选精煤灰分预测方法的流程示意图；图2是本技术实施例重介分选精煤灰分预测装置的方框示意图；图3是本技术实施例电子设备的示意图。
具体实施方式
28.以下结合附图1-3对本技术作进一步详细说明。
29.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.本技术实施例提供了一种重介分选精煤灰分预测方法，由电子设备执行，该方法包括：s101、获取原始精煤灰分时序信号。
31.其中，在煤矿生产过程中，通常选用重介精煤灰分检测来对重介悬浮液密度值进行计算，选取该密度值的重介悬浮密度液将精煤从原煤中分离出来；但存在所述精煤灰分检测不能及时有效的反馈指导重介悬浮液密度的自动设定，即存在一定程度的滞后性；以原始精煤灰分时序信号作为进行预测模型的搭建，可以有效解决通过精煤灰分检测的快速自动设定重介悬浮液密度值。
32.s102、根据原始精煤灰分时序信号确定imf分量和残差。
33.其中，将原始精煤灰分时序信号分解成多个时序信号分量，即有限个imf分量和一个残差；该有限个imf分量和一个残差能够全面反映出原始精煤灰分时序信号在任何时间的局部频率特征，为后续进行预测时间训练学习提供原始信号。
34.s103、根据imf分量和残差分别确定与之相对应的预测时间序列。
35.其中，在确定原始精煤灰分时序信号的imf分量和残差后，选用网络模型对获得的有限个imf分量和一个残差分别进行训练学习，并输出分别 对应imf分量和一个残差的多个预测时间序列，该网络模型为长短记忆神经网络（long short-term memory, lstm）；从而确定原始精煤灰分时序信号在任一时间的局部预测时间序列。
36.s104、所述预测时间序列与原始精煤灰分时序信号进行对比，确定出最优预测模型。
37.其中，将训练学习获得的有限个imf分量和一个残差的预测时间序列分别进行剔除计算以及训练学习过程中产生的噪音后进行重构，获得多个预测信号，并与原始精煤灰分时序信号进行显示，通过预测信号与原始精煤灰分时序信号对比，确定出最优的预测模型；根据最优的预测模型所提供的所有时间相对应的重介密度数值最为重介精煤灰分检测的输出结果，来实时自动设定重介悬液密度值；从而实现了重介精煤灰分及时有效地反馈指导重介悬浮液密度的自动设定。
38.本技术实施例提供了一种重介分选精煤灰分预测方法，
将原始精煤灰分时序信号分解成多个时序信号分量，即有限个imf分量和一个残差；并选用网络模型对获得的有限个imf分量和一个残差分别进行训练学习后，输出分别对应imf分量和一个残差的多个预测时间序列，该网络模型为长短记忆神经网络（long short-term memory, lstm）；并输出分别对应imf分量和一个残差的多个预测时间序列；之后，将训练学习获得的有限个imf分量和一个残差的预测时间序列分别剔除在计算以及训练学习过程中产生的噪音后进行重构，获得多个预测信号，并与原始精煤灰分时序信号进行显示，通过预测信号与原始精煤灰分时序信号对比，确定出最优的预测模型；根据最优的预测模型所提供的于时间相对应的重介密度数值最为重介精煤灰分检测的输出结果，来实时自动设定重介悬液密度值。
39.本技术实施例的一种可能的实现方式，具体地，步骤s102包括步骤s021（图中未示出），步骤s021（图中未示出）、基于所述原始精煤灰分时序信号，生成对应的imf分量并输出，并计算所述原始精煤灰分时序信号与所述对应的imf分量的差值，生成去高频时间序列信号；判断获取去高频时间序列信号是否为单调函数若是，则将所述去高频时间序列信号作为残差信号输出；若否，则将所述去高频时间序列信号作为原始精煤灰分时序信号，循环执行上述操作，直至所述去高频时间序列信号为单调函数。
40.对于本技术实施例，以原始精煤灰分时序信号最为运算的原始信号，并生成对应原始精煤灰分时序信号任一时间的imf分量，将原始精煤灰分时序信号与获得对应原始精煤灰分时序信号任一时间的imf分量进行差值计算，因该imf分量为高频时序分量信号，致使原始精煤灰分时序信号在进行差值计算后，获得到去高频时间序列信号；之后，将获得的该去高频时间序列信息所构建的函数进行判断，若该去高频时间序列信号所构建的函数为单调函数，则判定该去高频时间序列信息作为残杀信息号，最终输出一个imf分量以及一个残杀信号；若该去高频时间序列信号所构建的函数并不是单调函数，则判定将该去高频时间序列信号作为新的原始姐妹灰分时序信号再次进行差值计算，获取第二个imf分量以及第二去高频时间序列信号，并对第二去高频时间序列信号所构建的函数进行判断，即执行上述操作；最终获得有限个imf分量和一个残差信号。
41.本技术实施例的一种可能的实现方式，具体地，步骤s021（图中未示出）包括步骤s211（图中未示出），s211（图中未示出）、基于所述原始精煤灰分时序信号，生成对应的均值包络线；计算所述原始精煤灰分时序信号与均值包络线的差值，生成去点低频信号时间序列；基于所述去点低频信号时间序列，判断所述去点低频信号时间序列是否满足预设分量条件；若是，则将所述去点低频信号时间序列作为imf分量输出；若否，则将所述去点低频信号时间序列作为原始精煤灰分时序信号，循环执行上述操作，至所述去点低频信号时间序列满足预设分量条件。
42.对于本技术实施例，在将原始精煤灰分时序信号进行计算imf分量以及残差过程中，首先确定原始精煤灰分时序信号的上极值点以及下极值点，基于确定的上极值点以及下价值点分别计算出与之对应的上包络线以及下包络线，所述上包络线计为emax(t)、下包络线计为emin(t)，并计算出上包络线与下包络线之间均值，即
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1）再与原始精煤灰分时序信息号进行差值计算，生成去点低频信号时间序列，即h1(t)；计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中x(t)为原始精煤灰分时序信号，m1(t)为 精煤灰分时间序列均值包络线；以去点低频信号时间序列作为imf分量判断是否满足预设分量条件的原始信号；若满足则判定该缺点低频信号时间序列为第一imf分量；若不满足以该去点低频信息号时间序列作为原始精煤灰分时序信息号进行上输出执行过程。
43.本技术实施例的一种可能的实现方式，具体地，步骤s211（图中未示出）包括步骤s111（图中未示出），s111（图中未示出）、计算所述去点低频信号时间序列的极值数量以及零穿越数量；所述极值数量表征去点低频时间信号序列的极大值与极小值的数量和；计算所述极值数量与所述零穿越数量的差值，并生成差值信号；判断所述差值信号是否大于预设的差值阈值；若否，则所述去点低频信号的时间序列不满足imf分量；若是，则判断局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值是否等于零，若所述局部最大值定义的包络线的平均值和/或所述局部最小值定义的包络线平均值不等于零，则所述去点低频信号的时间序列不满足imf分量；若所述局部最大值定义的包络线的平均值以及所述局部最小值定义的包络线的平均值均等于零，则所述去点低频信号的时间序列满足imf分量。
44.对于本技术实施例，在判断去点低频信号的时间序列是否满足imf分量过程中，首先对去点低频信号时间序列的极值数量以及零穿越数量进行计算，并将极值数量与零穿越数量进行差值计算，生成差值信号；以该差值信号是否满足预设的差值阈值以及判断局部最大值定义的包络线的平均值和局部最小定义的包络线的平均值是否等于零作为判断条件进行判断；若不满足上述2个条件，将生成去点低频信号时间序列h1(t)作为下一轮的原始数据，重复上述计算过程，直到满足判据；若满足，记c1(t)= h1(t)，所述c1(t)为第1个imf分量；同时用原始精煤灰分时间序列信号x(t)减去1个imf分量c1(t)，得到一个去掉高频的剩余分量,即r1(t)。公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）本技术实施例的一种可能的实现方式，具体地，步骤s103包括步骤s031（图中未示出）步骤s031（图中未示出）、将所述imf分量和所述残差归一化预处理；获取预测精度信号和预测时长信号；基于所述预测精度信号和所述预测时间信号，建立预测模型；将预处理后的数据经所述预测模型进行处理，获得预测时间序列。
45.对于本技术实施例，在获得原始精煤灰分时序信号的有限个imf分量和残差后，对有限个imf分量和残差进行归一化处理；同时获取预测精度信号和预测时长信号；将归一化处理的有限个imf分量和残差作为测试数据，并依据预测精度信号和预测时长信号进行长短记忆神经网络的构建，即建立预测模型；之后将获得的新的原始精煤灰分时序信号的有限个imf分量和残差作为训练数据进行上述训练过程学习，并输出基于每个imf和一个残差
所对应的重介悬浮液时间序列信号。
46.本技术实施例的一种可能的实现方式，具体地，步骤s104之后包括步骤s106（图中未示出），s106（图中未示出）、根据频率分布确定重介悬浮液预测时间序列信号的高频信号、中频信号以及低频信号；对所述高频信号、所述中频信号以及所述低频信号进行加和计算，并输出多个预测信号；将所述多个预测信号与所述原始精煤灰分时序信号进行对比，确定最优预测模型。
47.对于本技术实施例，根据训练学习所获得的重介悬浮液预测时间序列信号频率分布获取到高频部分、中频部分和低频部分，并将各频率极性累加重构计算，获取多个重介悬浮液预测时间序列信号，计算如下：
ꢀꢀꢀꢀꢀꢀꢀ
（4）其中所述为重介悬浮液预测时间序列信号；为由残差进行训练学习的重介悬浮液预测时间序列信号，从而将原始精煤灰分时序信号进行上述计算过程中产生的噪声进行剔除，使所获的重介悬浮液预测时间序列信号能够更加准确。
48.上述实施例从方法流程的角度介绍一种重介分选精煤灰分预测的方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种重介分选精煤灰分预测的装置，具体详见下述实施例。
49.重介分选精煤灰分预测装置100具体可以包括：时序信号获取模块1001、第一确定模块1002、第二确定模块1003、第一对比模块1004以及第三确定模块1005，其中：时序信号获取模块1001，用于获取原始精煤灰分时序信号；第一确定模块1002，用于根据原始精煤灰分时序信号确定imf分量和残差；第二确定模块1003，用于根据imf分量和残差分别确定与之对应的预测时间序列；第一对比模块1004，用于对应于imf分量和残差的预测时间序列与原始精煤灰分时序信号进行对比并输出最优预测模型。
50.对于本技术实施例，通过时序信号模块1001获取到原始精煤灰分时序信息，并通过第一确定模块1002将原始精煤灰分时序信号分解，从而确定出有限个imf分量和一个残差；之后第二确定模块1003运用长短记忆神经网络对有限个imf分量和一个残差进行训练和学习并确定出预测时间，并与原始精煤灰分时序信号进行显示；使用第一对比模块1004将对应于imf分量和残差的预测时间序列与原始精煤灰分时序信号进行对比，通过对比结果输出最优预测模型，根据预测模型实现了对重介悬浮液密度值的自动设定。
51.本技术实施例的一种可能的实现方式，装置100还包括：第一生成模块，用于生成imf分量；第一判断模块，用于判断获取去高频时间序列信号是否为单调函数。
52.本技术实施例的一种可能的实现方式，装置100还包括：均值包络线生成模块，用于基于原始精煤灰分时序信号生成对应的举止包络线；第二判断模块，用于判断去点低频信号时间序列是否满足预设分量条件。
53.本技术实施例的一种可能的实现方式，装置100还包括：第一计算模块，用于计算去点低频信号时间序列的极值数量以及零穿越数量；差值生成模块，用于生成差值信号；第三判断模块，用于判断局部最大值定义的包络线的平均值和局部最小值定义的包络线的平均值是否等于零。
54.本技术实施例的一种可能的实现方式，装置100还包括：预处理模块，用于将imf粉恋和残差进行归一化处理；第一获取模块，用于获取预测精度信号和预测时长信号；模型建立模块，用于基于所述预测精度信号和所述预测时间信号，建立预测模型；第二获取模块，用于获取预测重介悬浮液时间序列信号。
55.本技术实施例的一种可能的实现方式，装置100还包括：第四确定模块，用于确定重介悬浮液预测时间序列信号的高频信号、中频信号以及低频信号；第二计算模块，用于对高频信号、中频信号以及低频信号相加计算；第一对比模块，用于将多个预测信号与原始精煤灰分时序信号进行对比。
56.本技术实施例还从实体装置的角度介绍了一种电子设备，如图3所示，电子设备1100包括：处理器1101和存储器1103。其中，处理器1101和存储器1103相连，如通过总线1102相连。可选地，电子设备1100还可以包括收发器1104。需要说明的是，实际应用中收发器1104不限于一个，该电子设备1100的结构并不构成对本技术实施例的限定。
57.处理器1101可以是cpu（central processing unit，中央处理器），通用处理器，dsp（digital signal processor，数据信号处理器），asic（application specific integrated circuit，专用集成电路），fpga（field programmable gate array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
58.总线1102可包括一通路，在上述组件之间传送信号。总线1102可以是pci（peripheral component interconnect，外设部件互连标准）总线或eisa（extended industry standard architecture，扩展工业标准结构）总线等。总线1102可以分为地址总线、数据总线、控制总线等。为便于表示，图3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。
59.存储器1103可以是rom（read only memory，只读存储器）或可存储静态信号和指令的其他类型的静态存储设备，ram（random access memory，随机存取存储器）或者可存储信号和指令的其他类型的动态存储设备，也可以是eeprom（electrically erasable programmable read only memory，电可擦可编程只读存储器）、cd-rom（compact disc read only memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
60.存储器1103用于存储执行本技术方案的应用程序代码，并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的应用程序代码，以实现前述方法实施例所示的内容。
61.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
62.以上仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。