数据驱动的高熵合金相成分预测方法及装置

1.本技术涉及金属材料相成分设计技术领域，特别涉及一种数据驱动的高熵合金相成分预测方法及装置。


背景技术：

2.过去，金属合金的开发主要基于单一主成分并添加了其他稀有金属元素以实现性能的提升，但这种发展方式已渐趋瓶颈。
3.相比之下，高熵合金以多种元素混合组成从而具有广阔的发展空间。同时，高熵合金具备力学性能、耐磨性、抗辐射等多种优势，可以按照使用需求调配元素种类和含量，满足不同场景的使役要求，这种独特的设计理念使得许多具有应用价值和前景的高熵合金被开发出来。
4.准确预测高熵合金相成分是发展高熵合金的重要课题之一，相成分在影响合金性能方面有着重要作用，其内部复杂的热力学演变与微观结构相互作用对准确预测合金的组织成分，进而确定具有发展潜力的高熵合金提出了很大挑战。
5.相关技术中，预测高熵合金的相成分主要依赖于高通量的实验摸索或借助半经验性的相图计算，但是相关技术耗时耗力，且难以保证预测的准确性，严重影响高性能合金的开发进程，亟需改善。
6.申请内容
7.本技术提供一种数据驱动的高熵合金相成分预测方法及装置，以解决相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题。
8.本技术第一方面实施例提供一种数据驱动的高熵合金相成分预测方法，包括以下步骤：获取待测高熵合金的至少一个相成分特征；由所述至少一个相成分特征筛选所述待测高熵合金的最优特征组合；以及基于所述最优特征组合，利用预先训练的相成分预测模型，预测得到所述待测高熵合金的相成分结果，其中，所述相成分结果包括固溶相、金属间化合物和非晶态中的一种。
9.可选地，在本技术的一个实施例中，在利用所述预先训练的相成分预测模型之前，还包括：获取高熵合金的相成分训练数据集；由所述相成分训练数据集计算所述高熵合金的至少一个特征；计算特征之间的皮尔逊相关系数，并根据所述特征之间的皮尔逊相关系数生成最优特征组合；利用所述最有特征组合训练机器学习模型，并基于目标准确条件确定所述相成分预测模型。
10.可选地，在本技术的一个实施例中，在基于所述目标准确条件确定所述相成分预测模型之后，还包括：根据算法中重要性分析属性得到特征的重要性排名，并在特征空间中进行网格划分，得到所述相成分预测模型的决策边界。
11.可选地，在本技术的一个实施例中，所述机器学习模型包括k-邻近模型、支持向量机模型、决策树模型、随机森林模型和极端梯度增强算法模型中的至少一种。
12.可选地，在本技术的一个实施例中，所述至少一个包括构型熵，混合焓，平均价电子浓度，价电子浓度差，平均电负性，电负性差，原子半径差，熔点差，ω参数，λ参数，局部原子畸变参数，γ参数，δh
mix
无因次混合焓方差，无因次混合焓方差，无因次混合焓方差和无因次混合焓方差中的至少一项。
13.本技术第二方面实施例提供一种数据驱动的高熵合金相成分预测装置，包括：特征获取模块，用于获取待测高熵合金的至少一个相成分特征；筛选模块，用于由所述至少一个相成分特征筛选所述待测高熵合金的最优特征组合；以及预测模块，用于基于所述最优特征组合，利用预先训练的相成分预测模型，预测得到所述待测高熵合金的相成分结果，其中，所述相成分结果包括固溶相、金属间化合物和非晶态中的一种。
14.可选地，在本技术的一个实施例中，所述预测模块，包括：获取单元，用于获取高熵合金的相成分训练数据集；计算单元，用于由所述相成分训练数据集计算所述高熵合金的至少一个特征；生成单元，用于计算特征之间的皮尔逊相关系数，并根据所述特征之间的皮尔逊相关系数生成最优特征组合；训练单元，用于利用所述最有特征组合训练机器学习模型，并基于目标准确条件确定所述相成分预测模型。
15.可选地，在本技术的一个实施例中，所述训练单元，进一步用于：根据算法中重要性分析属性得到特征的重要性排名，并在特征空间中进行网格划分，得到所述相成分预测模型的决策边界。
16.可选地，在本技术的一个实施例中，所述机器学习模型包括k-邻近模型、支持向量机模型、决策树模型、随机森林模型和极端梯度增强算法模型中的至少一种。
17.可选地，在本技术的一个实施例中，所述至少一个包括构型熵，混合焓，平均价电子浓度，价电子浓度差，平均电负性，电负性差，原子半径差，熔点差，ω参数，λ参数，局部原子畸变参数，γ参数，δh
mix
无因次混合焓方差，无因次混合焓方差，无因次混合焓方差和无因次混合焓方差中的至少一项。
18.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据驱动的高熵合金相成分预测方法。
19.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的数据驱动的高熵合金相成分预测方法。
20.本技术实施例可以对获取的相成分特征进行筛选，获得最优特征组合，并利用预先训练的相成分预测模型对最优特征组合进行预测，进而准确预测待测高熵合金的相成分结果，提高了预测的准确性，有效减少实验搜索稳定高熵合金的工作量，有利于加快开发进程和节省成本资源与时间的同时，有效满足高熵合金的相成分预测需求，提升预测体验。由此，解决了相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题。
21.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
22.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：
23.图1为根据本技术实施例提供的一种数据驱动的高熵合金相成分预测方法的流程图；
24.图2为根据本技术一个实施例的数据驱动的高熵合金相成分预测方法的特征参数相关性热力示意图；
25.图3为根据本技术一个实施例的数据驱动的高熵合金相成分预测方法的各机器学习模型在验证集上的准确率直方示意图；
26.图4为根据本技术一个实施例的数据驱动的高熵合金相成分预测方法的xgboost模型对各特征参数重要性排名直方示意图；
27.图5为根据本技术一个实施例的数据驱动的高熵合金相成分预测方法的xgboost模型的决策边界示意图；
28.图6为根据本技术一个实施例的数据驱动的高熵合金相成分预测方法的原理示意图；
29.图7为根据本技术实施例提供的一种数据驱动的高熵合金相成分预测系统的结构示意图
30.图8为根据本技术实施例提供的电子设备的结构示意图。
具体实施方式
31.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。
32.下面参考附图描述本技术实施例的数据驱动的高熵合金相成分预测方法及装置。针对上述背景技术中心提到的相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题，本技术提供了一种数据驱动的高熵合金相成分预测方法，在该方法中，可以对获取的相成分特征进行筛选，获得最优特征组合，并利用预先训练的相成分预测模型对最优特征组合进行预测，进而准确预测待测高熵合金的相成分结果，提高了预测的准确性，有效减少实验搜索稳定高熵合金的工作量，有利于加快开发进程和节省成本资源与时间的同时，有效满足高熵合金的相成分预测需求，提升预测体验。由此，解决了相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题。
33.具体而言，图1为本技术实施例所提供的一种数据驱动的高熵合金相成分预测方法的流程示意图。
34.如图1所示，该数据驱动的高熵合金相成分预测方法包括以下步骤：
35.在步骤s101中，获取待测高熵合金的至少一个相成分特征。
36.在实际执行过程中，本技术实施例可以获取待测高熵合金的至少一个相成分特征，为后续进行高熵合金最优特征组合筛选提供基础。
37.在步骤s102中，由至少一个相成分特征筛选待测高熵合金的最优特征组合。
38.具体地，本技术实施例在获取待测高熵合金的至少一个相成分特征后，可以对其进行筛选，进而获得待测高熵合金的最优特征组合。具体而言，本技术实施例可以对获取的相成分特征进行筛选，获得最优特征组合，便于后续利用预先训练的相成分预测模型对高熵合金相成分进行预测，有利于提高分析的准确性，减少实验搜索稳定高熵合金的工作量，加快开发进程，节省成本资源与时间。
39.在步骤s103中，基于最优特征组合，利用预先训练的相成分预测模型，预测得到待测高熵合金的相成分结果，其中，相成分结果包括固溶相、金属间化合物和非晶态中的一种。
40.作为一种可能实现的方式，本技术实施例可以利用预先训练的相成分预测模型，预测并得到待测高熵合金的相成分结果，其相成分结果包括固溶相、金属间化合物和非晶态中的一种，其中，预先训练的相成分模型会在后续进行详细阐述。本技术实施例可以对获取的相成分特征进行筛选，获得最优特征组合，并利用预先训练的相成分预测模型对最优特征组合进行预测，进而得到待测高熵合金的相成分结果，有利于提高分析的准确性，减少实验搜索稳定高熵合金的工作量，加快开发进程，节省成本资源与时间。
41.可选地，在本技术的一个实施例中，在利用预先训练的相成分预测模型之前，还包括：获取高熵合金的相成分训练数据集；由相成分训练数据集计算高熵合金的至少一个特征；计算特征之间的皮尔逊相关系数，并根据特征之间的皮尔逊相关系数生成最优特征组合；利用最有特征组合训练机器学习模型，并基于目标准确条件确定相成分预测模型。
42.在此，对预先训练的相成分预测模型的建立进行详细阐述。
43.预先训练的相成分预测模型的建立主要包括以下步骤：
44.1、获取高熵合金相成分数据集。其中，高熵合金相成分为固溶相、金属间化合物、非晶态三者中的一种。
45.2、根据高熵合金化学式设计特征参数计算程序。本技术实施例可以根据高熵合金化学式设计特征参数计算程序，有利于提高相成分预测模型的适用性和实用性，有利于提高相成分预测模型预测分析结果的准确性。
46.3、根据特征工程筛选最优特征组合。在实际执行过程中，本技术实施例可以对获取的至少一个相成分特征进行筛选，并获得最优特征组合。本技术实施例可以计算所有特征之间的皮尔逊相关系数，如图2所示，通常而言，相关性较大的特征，其描述的内容更为接近，因此本技术实施例可以选择剔除这三个特征δr,δ
χ
,保证剩余13个特征间的皮尔逊系数小于0.9，有助于降低训练难度，防止维度爆炸。
47.4、训练机器学习模型，并根据各模型在验证集上的准确率确定最佳模型。可以理解的是，本技术实施例可以从数据集中随机选取80％的数据作为训练集，剩余20％作为验证集，采用5折交叉验证提高数据集使用效率，并根据各模型在验证集上的准确率确定最佳模型。
48.5、评估模型的适用性及各特征参数的重要性。本技术实施例可以根据算法中重要性分析属性得到特征的重要性排名，进而实现对模型的适用性及各特征参数的重要性的评估，保证模型输出结果的准确性。
49.本技术实施例可以利用上述预先建立并训练完成的相成分预测模型，对未知的高
熵合金相成分进行预测，有利于提高分析的准确性，减少实验搜索稳定高熵合金的工作量，加快开发进程，节省成本资源与时间。
50.可选地，在本技术的一个实施例中，至少一个包括构型熵，混合焓，平均价电子浓度，价电子浓度差，平均电负性，电负性差，原子半径差，熔点差，ω参数，λ参数，局部原子畸变参数，γ参数，δh
mix
无因次混合焓方差，无因次混合焓方差，无因次混合焓方差和无因次混合焓方差中的至少一项。
51.具体地，本技术实施例可以根据高熵合金化学式设计特征参数计算程序，其中，特征参数如表1所示。
52.表1
[0053][0054]
综上所述，特征参数包括：构型熵、混合焓、平均价电子浓度、价电子浓度差、平均电负性、电负性差、原子半径差、熔点差、ω参数、λ参数、局部原子畸变参数、γ参数、δh
mix
无
因次混合焓方差、无因次混合焓方差、无因次混合焓方差和无因次混合焓方差。
[0055]
需要注意的是，本技术实施例可以在计算特征参数前引入合金成分识别程序，防止数据重复。
[0056]
可选地，在本技术的一个实施例中，机器学习模型包括k-邻近模型、支持向量机模型、决策树模型、随机森林模型和极端梯度增强算法模型中的至少一种。
[0057]
举例而言，参与训练的机器学习模型可以是k-邻近(knn)、支持向量机(svm)、决策树(dt)、随机森林(rf)、极端梯度增强算法(xgboost)中的至少一种。本技术实施例可以根据各模型在验证集上的准确率确定最佳模型，如图3所示，其中表现最佳的是xgboost算法模型，准确率达0.85，通过网格搜索方法进行超参数调优，xgboost模型参数为，弱学习器个数n_estimators:90，树的深度max_depth:12，控制每个弱学习器的权重缩减系learning_rate:0.2。
[0058]
可选地，在本技术的一个实施例中，在基于目标准确条件确定相成分预测模型之后，还包括：根据算法中重要性分析属性得到特征的重要性排名，并在特征空间中进行网格划分，得到相成分预测模型的决策边界。
[0059]
进一步地，如图4所示，从中可以看出不同分类模型对特征的敏感性不一样。由原子半径表示的几何特征，如λ，以及由熵和焓表示的热力学特征，如δh
mix
，这些特征在训练模型时具有很高的影响因子，然而，以电负性为代表的化学特征，如δ
χ
，这些特征的对训练模型的影响较小。本技术实施例可以根据上述的特征重要性分析，选择分别代表高熵合金几何特征和热力学特征的两个参数δh
mix
、γ，将它们作为特征空间分布的参考坐标，并根据训练好的xgboost模型，在空间中进行网格划分计算，得到模型中每个类别的决策边界，然后绘制决策空间中验证集数据的分布图，如图5所示，xgboost模型有大量的决策树计算，通过添加正则化项来防止过度拟合现象，因此它的决策边界通常是规则的，并且在不同样本空间分布相似的情况下仍然可以区分，决策边界精细具体，xgboost模型在高熵合金相成分预测中体现出良好的适用性和有效性。
[0060]
下面结合图2至图6所示，以一个具体实例对本技术实施例的数据驱动的高熵合金相成分预测方法的工作原理进行详细阐述。如图6所示，本技术实施例包括以下步骤：
[0061]
步骤s601：获取高熵合金相成分数据集。本技术实施例可以获取待测高熵合金的至少一个相成分特征，为后续进行高熵合金最优特征组合筛选提供基础，其中，高熵合金相成分为固溶相、金属间化合物和非晶态三者中的一种。
[0062]
步骤s602：根据高熵合金化学式设计特征参数计算程序。具体地，本技术实施例可以根据高熵合金化学式设计特征参数计算程序，其中，特征参数包括：构型熵、混合焓、平均价电子浓度、价电子浓度差、平均电负性、电负性差、原子半径差、熔点差、ω参数、λ参数、局部原子畸变参数、γ参数、δh
mix
无因次混合焓方差、无因次混合焓方差、无因次混合焓方差和无因次混合焓方差。
[0063]
需要注意的是，本技术实施例可以在计算特征参数前引入合金成分识别程序，防止数据重复。
[0064]
步骤s603：根据特征工程筛选最优特征组合。本技术实施例可以计算所有特征之
间的皮尔逊相关系数，如图2所示，通常而言，相关性较大的特征，其描述的内容更为接近，因此本技术实施例可以选择剔除这三个特征δr,δ
χ
,保证剩余13个特征间的皮尔逊系数小于0.9，有助于降低训练难度，防止维度爆炸。
[0065]
步骤s604：训练并选择机器学习模型。本技术实施例可以从数据集中随机选取80％的数据作为训练集，剩余20％作为验证集，采用5折交叉验证提高数据集使用效率，并根据各模型在验证集上的准确率确定最佳模型。
[0066]
举例而言，参与训练的机器学习模型可以是k-邻近(knn)、支持向量机(svm)、决策树(dt)、随机森林(rf)、极端梯度增强算法(xgboost)中的至少一种。本技术实施例可以根据各模型在验证集上的准确率确定最佳模型，如图3所示，其中表现最佳的是xgboost算法模型，准确率达0.85，通过网格搜索方法进行超参数调优，xgboost模型参数为，弱学习器个数n_estimators:90，树的深度max_depth:12，控制每个弱学习器的权重缩减系learning_rate:0.2。
[0067]
步骤s605：进行特征重要性与模型适用性分析。本技术实施例可以根据算法中重要性分析属性得到特征的重要性排名，进而对xgboost模型的适用性及各特征参数的重要性进行评估。
[0068]
如图4所示，从中可以看出不同分类模型对特征的敏感性不一样。由原子半径表示的几何特征，如λ，以及由熵和焓表示的热力学特征，如δh
mix
，这些特征在训练模型时具有很高的影响因子，然而，以电负性为代表的化学特征，如δ
χ
，这些特征的对训练模型的影响较小。本技术实施例可以根据上述的特征重要性分析，选择分别代表高熵合金几何特征和热力学特征的两个参数δh
mix
、γ，将它们作为特征空间分布的参考坐标，并根据训练好的xgboost模型，在空间中进行网格划分计算，得到模型中每个类别的决策边界，然后绘制决策空间中验证集数据的分布图，如图5所示，xgboost模型有大量的决策树计算，通过添加正则化项来防止过度拟合现象，因此它的决策边界通常是规则的，并且在不同样本空间分布相似的情况下仍然可以区分，决策边界精细具体，xgboost模型在高熵合金相成分预测中体现出良好的适用性和有效性。
[0069]
步骤s606：根据训练好的模型对未知高熵合金进行预测。
[0070]
需要注意的是，本技术实施例通过步骤s601-步骤s605建立并训练预测模型，在实际实施过程中，本技术实施例只需输入待预测的高熵合金化学式到预测模型中，即可获得高熵合金相成分的预测分析。
[0071]
具体地，本技术实施例可以将待预测的高熵合金化学式输入程序，并使用已经训练好的xgboost模型进行预测并输出。此处，以三种不同类型的高熵合金为例，如表2所示，与实际结果的对比表明模型能够正确预测这三种高熵合金的相成分，达到了预测效果。其中，表2为相成分预测表。
[0072]
表2
[0073]
合金预测结果实际结果femnconi固溶相固溶相alcocrcumnfe金属间化合物金属间化合物alcrtatizr非晶态非晶态
[0074]
根据本技术实施例提出的数据驱动的高熵合金相成分预测方法，可以对获取的相
成分特征进行筛选，获得最优特征组合，并利用预先训练的相成分预测模型对最优特征组合进行预测，进而准确预测待测高熵合金的相成分结果，提高了预测的准确性，有效减少实验搜索稳定高熵合金的工作量，有利于加快开发进程和节省成本资源与时间的同时，有效满足高熵合金的相成分预测需求，提升预测体验。由此，解决了相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题。
[0075]
其次参照附图描述根据本技术实施例提出的数据驱动的高熵合金相成分预测装置。
[0076]
图7是本技术实施例的数据驱动的高熵合金相成分预测装置的方框示意图。
[0077]
如图7所示，该数据驱动的高熵合金相成分预测装置10包括：特征获取模块100、筛选模块200和预测模块300。
[0078]
具体地，特征获取模块100，用于获取待测高熵合金的至少一个相成分特征。
[0079]
筛选模块200，用于由至少一个相成分特征筛选待测高熵合金的最优特征组合。
[0080]
预测模块300，用于基于最优特征组合，利用预先训练的相成分预测模型，预测得到待测高熵合金的相成分结果，其中，相成分结果包括固溶相、金属间化合物和非晶态中的一种。
[0081]
可选地，在本技术的一个实施例中，预测模块300包括：获取单元、计算单元、生成单元和训练单元。
[0082]
其中，获取单元，用于获取高熵合金的相成分训练数据集。
[0083]
计算单元，用于由相成分训练数据集计算高熵合金的至少一个特征。
[0084]
生成单元，用于计算特征之间的皮尔逊相关系数，并根据特征之间的皮尔逊相关系数生成最优特征组合。
[0085]
训练单元，用于利用最有特征组合训练机器学习模型，并基于目标准确条件确定相成分预测模型。
[0086]
可选地，在本技术的一个实施例中，训练单元进一步用于，根据算法中重要性分析属性得到特征的重要性排名，并在特征空间中进行网格划分，得到相成分预测模型的决策边界。
[0087]
可选地，在本技术的一个实施例中，机器学习模型包括k-邻近模型、支持向量机模型、决策树模型、随机森林模型和极端梯度增强算法模型中的至少一种。
[0088]
可选地，在本技术的一个实施例中，至少一个包括构型熵，混合焓，平均价电子浓度，价电子浓度差，平均电负性，电负性差，原子半径差，熔点差，ω参数，λ参数，局部原子畸变参数，γ参数，δh
mix
无因次混合焓方差，无因次混合焓方差，无因次混合焓方差和无因次混合焓方差中的至少一项。
[0089]
需要说明的是，前述对数据驱动的高熵合金相成分预测方法实施例的解释说明也适用于该实施例的数据驱动的高熵合金相成分预测装置，此处不再赘述。
[0090]
根据本技术实施例提出的数据驱动的高熵合金相成分预测装置，可以对获取的相成分特征进行筛选，获得最优特征组合，并利用预先训练的相成分预测模型对最优特征组合进行预测，进而准确预测待测高熵合金的相成分结果，提高了预测的准确性，有效减少实
验搜索稳定高熵合金的工作量，有利于加快开发进程和节省成本资源与时间的同时，有效满足高熵合金的相成分预测需求，提升预测体验。由此，解决了相关技术中通过高通量的实验摸索或借助半经验性的相图计算，预测高熵合金的相成分，耗时耗力，且难以保证预测的准确性，进而严重影响高性能合金的开发进程的技术问题。
[0091]
图8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：
[0092]
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
[0093]
处理器802执行程序时实现上述实施例中提供的数据驱动的高熵合金相成分预测方法。
[0094]
进一步地，电子设备还包括：
[0095]
通信接口803，用于存储器801和处理器802之间的通信。
[0096]
存储器801，用于存放可在处理器802上运行的计算机程序。
[0097]
存储器801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。
[0098]
如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802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8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。
[0099]
可选地，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
[0100]
处理器802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。
[0101]
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据驱动的高熵合金相成分预测方法。
[0102]
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。
[0103]
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。
[0104]
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
一个或更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。
[0105]
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。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n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。
[0106]
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。
[0107]
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。
[0108]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0109]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。