一种基于序列变换的柴油机状态监测方法及系统与流程

1.本发明属于设备监测技术领域，尤其涉及一种基于序列变换的柴油机状态监测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.近年来，不断有学者将gm预测建模引入到船舶柴油机研究领域，诸如冷却水温度、滑油压力监测及预测等，取得了一定的研究成果。
4.另外，由于gm模型对于波动性较强的不稳定参数存在先天性的建模缺陷，在对船舶柴油机高增长、易波动类参数进行建模应用时发现，采用平均相对误差往往会出现“误判”现象，这是由于该类参数基数和级数较大，采用相对误差的方式很难保证模型的真实精度。


技术实现要素：

5.为了解决上述背景技术中存在的技术问题，本发明提供一种基于序列变换的柴油机状态监测方法及系统，不仅定义了综合评估指数，保障了模型精度的最优，而且消除了传统评价指标体系中存在的“误判”问题。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明的第一个方面提供一种基于序列变换的柴油机状态监测方法，其包括：
8.获取待预测时刻；
9.基于待预测时刻，采用最优柴油机状态监测模型，得到待预测时刻的柴油机运行参数；
10.所述最优柴油机状态监测模型的获取步骤为：采集柴油机不同历史时刻的运行参数，构建原始序列；选取预处理方法，基于变换参数对原始序列进行变换，并以柴油机状态监测模型的综合评估指数最小化为目标，不断优化变换参数，得到最优柴油机状态监测模型。
11.本发明的第二个方面提供一种基于序列变换的柴油机状态监测系统，其包括：
12.数据获取模块，其被配置为：获取待预测时刻；
13.预测模块，其被配置为：基于待预测时刻，采用最优柴油机状态监测模型，得到待预测时刻的柴油机运行参数；
14.所述最优柴油机状态监测模型的获取步骤为：采集柴油机不同历史时刻的运行参数，构建原始序列；选取预处理方法，基于变换参数对原始序列进行变换，并以柴油机状态监测模型的综合评估指数最小化为目标，不断优化变换参数，得到最优柴油机状态监测模型。
15.本发明的第三个方面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述所述的一种基于序列变换的柴油机状态监测方法中的步骤。
16.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于序列变换的柴油机状态监测方法中的步骤。
17.与现有技术相比，本发明的有益效果是：
18.本发明提供了一种基于序列变换的柴油机状态监测方法，其针对负向平移之后的gm建模产生的“失效区”问题，不断优化变换参数，并通过定义综合评估指数，从理论上保障了模型精度的最优。
19.本发明提供了一种基于序列变换的柴油机状态监测方法，其对gm模型现有的评价指标体系进行了优化，为构造了基于最佳负向平移的多目标求解模型奠定了理论依据，从理论上彻底消除了传统评价指标体系中存在的“误判”问题。
20.本发明提供了一种基于序列变换的柴油机状态监测方法，其基于不同预处理方法对各参数原始序列光滑度、gm模型精度的影响分析，从理论上揭示了原始序列预处理的优化机理，并提出了适用于船舶柴油机不同类型参数gm建模的最佳预处理方法，即负向平移，能够显著改善“非稳定、高增长”型主机参数的拟合精度和建模精度。
附图说明
21.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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。
22.图1是本发明实施例一的一种基于序列变换的柴油机状态监测方法流程图；
23.图2是本发明实施例一的选取预处理方法的流程图；
24.图3是本发明实施例一的优化变换参数的流程图；
25.图4(a)是本发明实施例一的燃油消耗率预测模型的光滑度分析图；
26.图4(b)是本发明实施例一的涡后排气温度预测模型的光滑度分析图；
27.图5(a)是本发明实施例一的燃油消耗率预测模型的精度分析图；
28.图5(b)是本发明实施例一的涡后排气温度预测模型的精度分析图；
29.图6是本发明实施例一的模型结果仿真图；
30.图7是本发明实施例一的不同模型的试验值对比曲线图。
具体实施方式
31.下面结合附图与实施例对本发明作进一步说明。
32.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
33.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
34.实施例一
35.本实施例提供了一种基于序列变换的柴油机状态监测方法，包括以下步骤：
36.步骤1、获取待预测时刻；
37.步骤2、基于待预测时刻，采用最优柴油机状态监测模型(即megm模型)，得到待预测时刻的柴油机运行参数。
38.具体的，柴油机为船用柴油机。
39.其中，柴油机状态监测模型为其中，第k个待预测时刻的柴油机的运行参数为a
#
和b
#
分别为模型发展系数和灰作用量。
40.具体的，最优柴油机状态监测模型的获取步骤如下：
41.(a)采集柴油机不同历史时刻的运行参数，构建原始序列，即，采集船用柴油机主机不同运行参数随时间的运行状态数据,构建原始序列x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}，其中，x
(0)
(k)代表柴油机运行参数x在第k个历史时刻的数值，k＝1,2,
…
,n，即，共采集n个历史时刻的运行参数。
42.(b)选取预处理方法，基于变换参数对原始序列进行变换，基于变换后的序列，以柴油机状态监测模型的综合评估指数最小化为目标，不断优化变换参数，得到最优柴油机状态监测模型。如图3所示，具体包括：
43.(1)根据参数物理性质，设定平移边界t，即平移的最大范围和最小范围,分别用t
max
和t
min
表示。理论上t设置过小的话，容易陷入局部极值，t设置越大，迭代范围越广，寻优结果越准确，但是可能导致计算时间过长；初始化变换参数，在本实施例中，选取预处理方法为负向平移，因此，变换参数为平移量，并设定平移间隔δt，即每次迭代计算的仿真步长，同理步长δt设置过大，容易跳过全局极值，步长δt设置过小过则会导致计算时间过长；初始化发展系数、灰作用量；
44.(2)基于变换参数对原始序列进行变换，即y
(0)
(k)＝x
(0)
(k) θ，采用变换后的y
(0)
(k)代替原始序列中的x
(0)
(k)；
45.(3)基于变换后的序列，计算所述综合评估指数：
46.①
基于变换后的序列，计算每个历史时刻的背景值z
(1)
(k)＝βx
(1)
(k) (1-β)x
(1)
(k 1)，其中，z
(1)
(k)表示第k个时刻的背景值，β表示设定的参数,β∈[0,1]，第k个时刻的累积运行参数
[0047]
②
基于变换后的序列和所有历史时刻的背景值，计算最优柴油机状态监测模型的发展系数和灰作用量：
[0048]
[a,b]
t
＝(b
t
b)-1bty[0049]
其中，
[0050]
③
计算每个历史时刻的柴油机运行参数预测值：
[0051][0052]
④
基于参数预测值和变换后的序列，得到综合评估指数，综合评估指数为柴油机状态监测模型的关联度的倒数、均方差比值的倒数、平均绝对误差、平均相对误差和小概率误差的加权和，即m＝ω1mae ω2α ω3(1/ε) ω4c ω5(1/p)，m反映了模型的综合评估精度，m值越小，代表模型精度越高。
[0053]
具体的，首先，分别计算关联度ε、均方差比值c、平均绝对误差mae、平均相对误差α和小概率误差p：
[0054][0055][0056][0057][0058][0059]
其中，为原始序列均值，为残差序列，为残差序列方差，ξi(k)为原始序列和预测序列之间的灰色关联系数：
[0060][0061]
其中，ρ为分辨系数，通常设为0.5；x0(k)为原始序列；为预测序列；
[0062]
然后，进行归一化处理，使得处理后个各指标均落在[0,1]区间内，处理规则如下：
[0063][0064]
最后，计算综合评估指数
[0065][0066]
其中，ω1为平均绝对误差mae指标权重；ω2为平均相对误差α指标权重；ω3为关联度ε指标权重；ω4为小概率误差值p指标权重；ω5为均方差比值c指标权重。各评价指标的权重根据指标对于模型精度的影响程度进行赋值：模型平均绝对误差mae直接决定模型拟合程度和模拟误差，占主要因素，故ω1＝0.5；模型关联度ε主要反映预测曲线与试验值曲线的相似度，一定程度代表模型拟合贴近程度，占次要因素，故ω3＝0.2；其他三个评价指标均不对模型精度起直接影响作用，其中，模型平均相对误差α有可能存在“误判现象”，且在“失效区”附近出现“发散”，故ω2＝0.1；模型均方差比值c主要反映残差的集中程度，但是对模型的精度不具备决定因素，因此ω4＝0.1；模型小概率误差p基本不随平移量的改变而改变，故ω5＝0.1。
[0067]
其中，失效区为由于序列出现异号或者序列级比未落在有效覆盖区而导致的建模失效区域。
[0068]
(4)基于步长，更新变换参数θ＝θ-δt，判断变换参数是否超出边界，即平移量是否超出平移边界，若没有，返回步骤(2)，若超出，选取评估指数m取得最优解(最小值)时对应的最佳变换参数(评估指数m取得最小值时平移量的最大值)，并返回该平移量对应的发展系数和灰作用量a
#
和b
#
，得到最优柴油机状态监测模型。
[0069]
预处理方法选取的过程，如图2所示，包括如下步骤：
[0070]
(1)采用不同的预处理方式(对数处理、方根处理、负向平移和正向平移)，分别对原始序列进行处理，构建出新序列y
(0)
(k)；设置仿真步长
△
t和步长数t及相关关键变量；
[0071]
(2)令t＝t 1，判断y
(0)
(k)中各元素是否同号，若否，则令级比σ
(0)
(k)＝ inf，级比偏差δ
x
(k)＝ inf，并将δ
x
(k)、σ
(0)
(k)存入临时库，并执行步骤(4)；若是同号，计算原始序列差异信息δ
x(0)
(k)、级比偏差δ
x
(k)、级比σ
(0)
(k)和max(σ
(0)
(k))，并将δ
x
(k)、σ
(0)
(k)存入临时库，并执行步骤(3)，其中级比和级比偏差δ
x
(k)＝|1-σ
(0)
(k)|，δ
x(0)
(k)＝|x
(0)
(i)-x
(0)
(j)|,i,j＝1,2,
…
k；
[0072]
(3)判断是否满足若是，求解max(δ
x
(k))，基于仿真步长
△
t更新序列y
(0)
(k)，返回步骤(2)，并执行步骤(4)；否则更新δ
x
(k)＝ inf，并将更新后的δ
x
(k)存入临时库；
[0073]
(4)基于临时库内存储的所有δ
x
(k)、σ
(0)
(k)，计算max(δ
x
(k))、max(σ
(0)
(k))或min
(σ
(0)
(k))对应的预处理方式，本实施例，选取出的预处理方式为负向平移处理。
[0074]
本发明构建柴油机状态监测模型(即megm模型)的思路，如图1所示，包括：
[0075]
(1)对于不同的运行参数，获取柴油机主机随时间变化的运行数据，构建原始数据序列。
[0076]
(2)通过平移处理对原始数据序列进行预处理，并编程求解得到变换后新序列的光滑度变化规律以及gm精度影响规律。
[0077]
(3)求解不同平移量下gm模型评价指标变化规律，重新优化定义模型评价指标，并建立最佳平移量的多目标优化模型。
[0078]
(4)对优化后评价指标进行归一化处理，并定义平移边界、失效区、平移间隔以及模型综合评估指数，通过自定义寻优算法求解最佳平移量。
[0079]
(5)对各运行参数的原始数据序列进行更新并重新建立gm预测模型，经过还原后得到各参数的历史运行状态拟合趋势以及预测结果。
[0080]
本发明还包括：通过编程计算求解不同预处理方法(对数处理、方根处理和平移处理)对柴油机不同参数原始序列平滑度及模型精度的影响规律，计算主要包括以下步骤：
[0081]
(1)确立检验条件
[0082]
(2)通过计算获取最大级比序列max(σ(k))或者最小级比min(δ(k))，以及最大级比偏差序列max(δ(k))，直观的获取不同预处理方法中原始序列差异信息δ
x(0)
(k)和级比偏差δ
x
(k)的变化关系。
[0083]
(3)通过计算获取不同预处理方法与不同参数gm模型精度之间的变化关系，模型精度主要通过模型评价指标来反映。评价指标选取模型平均绝对误差(mae)、各采样时刻t的模拟绝对误差ae(absolute error)以及一步预测相对误差(re)。
[0084]
(4)绘制曲线并进行对比分析，确立最佳的预处理方法。
[0085]
相比对数处理、方根处理等其他预处理方法，平移处理则可以有效的改善模型的模拟精度和预测精度。其中，负向平移的改善效果要明显优于正向平移，即q《0，q为平移量。以柴油机运行参数为涡后排气温度和燃油消耗率为例，图4(a)和图4(b)为不同平移下新序列的光滑度分析结果，图4(a)中的左图为燃油消耗率预测模型的max(σ(k))变化图，图4(a)中的右图为涡后排气温度预测模型的min(δ(k))变化图，图4(b)中的左图为涡后排气温度预测模型的max(σ(k))变化图，图4(b)中的右图为涡后排气温度预测模型的min(δ(k))变化图；图5(a)和图5(b)为不同平移下gm模型精度分析结果，图5(a)中的左图为燃油消耗率预测模型的mae变化图，图5(a)中的右图为涡后排气温度预测模型的re变化图，图5(b)中的左图为涡后排气温度预测模型的mae变化图，图5(b)中的右图为涡后排气温度预测模型的re变化图；可以看出，通过平移处理可以明显改变原始序列的级比和级比偏差，证明了“当q》0时，即正向平移可以缩小原序列级比偏差”的结论。
[0086]
但是，当对原始序列采用负向平移即q《0时，同样可以减小原始序列的级比偏差，这是与文献《刘思峰.灰色系统理论的产生与发展.南京航空航天大学学报,2004(02):267-272.》中的结论不同，这也是本发明研究的新发现。只是当平移至“失效区”附近时，会严重
破坏新序列的光滑度，从而使gm建模失效。
[0087]
正向平移和负向平移均能有效提高原始序列光滑度，但是并不意味着模拟精度和预测精度就一定会改善。经过正向平移之后min(σ(k))和max(δ(k))的改善效果明显大于负向平移，这是由于随着平移量的增大，正向平移之后的新序列基数逐渐变大，会逐渐弱化原始序列本身的内在规律，导致建模理论精度较高而还原后预测精度不佳的现象，本发明将其定义为“误判现象”。
[0088]
相比之下，负向平移只要避开“失效区”，在特定平移量下可以强化原始序列的内在规律，尤其在对增压器转速此类“非稳定、高增长”型柴油机运行参数进行gm建模的时候，存在特定的平移量q《0，使得原始序列的级比和级比偏差得到有效改善。
[0089]
整体上来看，负向平移的效果要明显优于正向平移。当平移量|q|变化至“失效区”附近时，模型平均绝对误差mae和一步预测精度pe均会产生相应的极值，这说明理论上存在某一个最佳平移量，使得模型优化后的模型精度达到最佳效果，这也从理论上验证了本发明思路和方法的正确性。
[0090]
因此，在对柴油机进行gm优化应用时，不宜采用正向平移，可以使用负向平移的方法来重构新序列，实现优化建模。
[0091]
本发明已经证明了负向平移对于gm模型精度改善的优越性，同时也证明了理论上存在一个最佳平移量|q|使得模型精度达到最佳，因此下一步需要解决最佳平移量的求解问题。为了精准求解最佳平移量，需要综合考量不同gm模型评价指标随平移量的变化关系。
[0092]
一般地，gm模型评价指标均是通过对残差的考察来判断模型的精度，评价指标包括平均相对误差α、关联度ε、均方差比值c、小概率误差值p。其中，平均相对误差α越小代表模型精度越高，关联度ε越高代表模拟曲线越接近真实曲线，均方差比值c是残差序列方差s2与模拟序列方差s1之比，c越小说明模拟效果越好，小概率误差值p则越大越好。
[0093]
该标准是目前gm预测建模的理论检验原则，也是目前广大学者普遍采用的检验标准。但是，在对船舶柴油机高增长、易波动类参数进行建模应用时发现，采用平均相对误差往往会出现“误判”现象，这是由于该类参数基数和级数较大，采用相对误差的方式很难保证模型的真实精度。
[0094]
评价指标体系不仅直接影响着模型的理论建模精度，也进一步影响着后续优化算法的参数求解以及预测结果。因此，本发明在大量的对比分析下，经过综合评估，最终确定选用相对误差α、关联度ε、均方差比值c、小概率误差值p以及平均绝对误差mae，共计5个评价指标作为最终的模型评价指标。
[0095]
以某型柴油机涡后排气温度参数为例进行详细的论证说明，该参数属于典型的“非稳定、高增长”类型参数。由于“失效区”的存在，无法直接采用现有寻优算法，因此，通过上述算法求不同平移量对不同gm模型评价指标的影响关系。具体计算结果详见表1。
[0096]
表1、不同平移量q下gm模型的优化指标表
[0097][0098][0099]
由表1可知，当q取正数时，随着q值的增大，p0有所提高、σ减小、ε增大、mae减小、c减小。分析其原因，是由于原始数列的值增加，绝对误差的增加速率弱于原始数据的增加速率，即原始数据的增大弱化了绝对误差所占的比值，造成了相对误差的减小，实质上模型的预测精度并没有得到有效改善。当q取负数时，随着|q|的增大，p0呈现出先减小后增大的趋势，σ和mae先增大后突然减小，之后又不断增大，而ε大致上呈先增大后减小再增大的趋势，这再次验证了最佳平移量存在的理论可能性。
[0100]
综合上述结果，为了避免平均相对误差指标导致的“误评”现象，在现有评价指标体系的基础上，引入平均绝对误差mae，即本发明选取相对误差α、关联度ε、均方差比值c、小概率误差值p以及平均绝对误差mae，共计5个评价指标作为gm模型的评价指标。
[0101]
本发明将gm模型最佳平移问题变换为多目标优化问题，通过多目标优化的思路来求解最佳平移量。
[0102]
首先，结合gm模型基本求解过程，对于任意参数序列x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}，若要gm模型达到最佳模拟精度，需要理论上同时满足平均相对误差α最小、关联度ε最大、均方差比值c最小、小概率误差值p最大，上述条件可以用一个多目标优化问题来描述：
[0103][0104]
平均绝对误差mae越小越好，变换为数学表达式为：
[0105][0106]
若同时满足则模型可达到理论最佳精度。关联度ε和小概率误差值p均是越大越好，而平均相对误差α、均方差比值c和平均绝对误差mae则是越小越好，因此，将t和合并变换为如下单目标优化问题：
[0107][0108]
具体描述为：
[0109][0110]
对gm评价指标其进行归一化处理，使得处理后个各指标均落在[0,1]区间内，处理规则如下：
[0111]
[0112]
由于失效区的存在，无法直接采用现有的寻优算法进行求解，因此需要根据计算需求编程进行求解，求解获取最佳平移量之后，对原始数据序列进行更新处理，并重新建立gm预测模型，即可获得相应参数的历史运行状态拟合趋势以及未来状态预测。
[0113]
求解获取最佳平移量后重新对原始数据序列进行预处理，建立gm预测模型。下面以某型柴油机涡后排气温度参数为例，该参数属于“非稳定、高增长”型参数，直接采用传统gm建模方法很难适用，预测精度较低，因此通过本发明方法对该参数进行优化建模验证，论证本发明的可行性和优越性。
[0114]
为了避免陷入局部极值，增大仿真步长，即：t
max
＝10000，t
min
＝0，δt＝1。当迭代步数t＝606时，综合评估指数m取得最优解，即最佳平移量θ＝-606；当迭代步数大于1000以后，计算基本处于收敛状态。
[0115]
根据最佳平移量，原序列变换为：根据新序列重新建立gm模型，为了方便描述，gm原始模型定义为egm模型，本发明模型定义其为megm模型，模型仿真结果与试验值对比曲线如图6和图7所示。
[0116]
megm模型与egm模型精度对比分析如表2所示。
[0117]
表2、megm模型与egm模型精度对比表
[0118][0119]
综合上述结果可以明显看出，相比于gm原始模型，本发明所提出的megm模型的拟合效果明显提升，模型平均绝对误差mae减小了62.5％，一步预测绝对误差ae减小了94％，一步预测相对误差由4.8％降低至0.27％，涡后排气温度的gm模型精度得到了大幅度提高，验证了本发明所提方法的有效性和优越性。
[0120]
实施例二
[0121]
本实施例提供了一种基于序列变换的柴油机状态监测系统，其具体包括如下模块：
[0122]
数据获取模块，其被配置为：获取待预测时刻；
[0123]
预测模块，其被配置为：基于待预测时刻，采用最优柴油机状态监测模型，得到待预测时刻的柴油机运行参数；
[0124]
所述最优柴油机状态监测模型的获取步骤为：采集柴油机不同历史时刻的运行参数，构建原始序列；选取预处理方法，基于变换参数对原始序列进行变换，并以柴油机状态监测模型的综合评估指数最小化为目标，不断优化变换参数，得到最优柴油机状态监测模型。
[0125]
其中，综合评估指数为柴油机状态监测模型的关联度的倒数、均方差比值的倒数、平均绝对误差、平均相对误差和小概率误差的加权和。
[0126]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0127]
实施例三
[0128]
本实施例提供了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述实施例一所述的一种基于序列变换的柴油机状态监测方法中的步骤。
[0129]
实施例四
[0130]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种基于序列变换的柴油机状态监测方法中的步骤。
[0131]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0132]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0133]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0134]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0135]
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0136]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。