基于量子粒子群算法的GRU网络的能耗预测方法、装置与流程

基于量子粒子群算法的gru网络的能耗预测方法、装置
技术领域
1.本技术涉及能耗预测技术领域，具体涉及一种基于量子粒子群算法的gru网络的能耗预测方法、装置及电子设备。


背景技术：

2.随着我国工业化的快速发展，企业正面临着能源成本上涨所带来的极端挑战。通过能源管理及能耗预测技术实现企业节能已逐渐成为企业经济生产的发展趋势。能耗预测作为企业节能的重要研究方向，是能源管理系统的核心模块。通过系统性分析技术手段，探究企业生产量与能耗之间的关系，建立能源消耗预测模型，实现企业未来生产过程所需能源的总量的预估。
3.能耗预测技术根据现有的数据，利于模型对企业未来能源需求进行预测，有助于管理人员了解企业能耗趋势，为企业能源精细化管理及使用规划提供依据。国家限能限电政策的出现使得对能源实现更加精细化利用显得尤为重要，然而传统的能耗预测方法存在精度较低、适用性不强等问题。


技术实现要素：

4.本技术旨在提供一种基于量子粒子群算法的gru网络的能耗预测方法、装置及电子设备，通过基于量子粒子群算法的gru网络的能耗预测方法适用范围广、预测精度较高，能够为企业能源管理提供较为可靠的能耗预测数据，有助于企业分析未来能源消耗趋势，从而精确供给能源，有助于降低车间生产的能源成本。
5.根据本技术的一方面，提出一种基于量子粒子群算法的gru网络的能耗预测方法，所述方法包括：
6.获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据；
7.对所述分段能耗数据进行预处理，并划分训练集和测试集；
8.采用量子粒子群算法的gru网络进行网络训练，其中量子粒子群算法用于对gru网络的参数进行寻优；
9.根据所述寻优的结果，更新所述gru网络的参数；
10.将训练完成的gru网络用于能耗预测。
11.根据一些实施例，所述方法包括：
12.所述对能耗数据进行预处理，包括：
13.对所述能耗数据进行归一化处理，得到归一化的网络训练数据。
14.根据一些实施例，所述方法包括：
15.所述归一化处理采用z-score标准化方法。
16.根据一些实施例，所述方法还包括：
17.利用所述量子粒子群算法对gru网络的参数进行寻优，所述参数包括gru网络的训
练轮数和gru层的隐含单元个数。
18.根据一些实施例，所述方法包括：
19.所述利用量子粒子群算法对gru网络的参数进行寻优，包括：
20.初始化粒子群，设定粒子数；
21.根据所述gru网络的寻优参数个数，设定待优化变量数；
22.根据所述gru网络训练得到的损失函数值，评价每个粒子的适应度；
23.确定每个粒子当前时刻的位置极值和全局位置极值；
24.根据粒子群平均最优位置和当前全局最优粒子位置，更新粒子群的位置；
25.判断迭代次数达到第一设定值或粒子的适应度满足第二设定值的结束条件是否达到，达到则结束循环。
26.根据一些实施例，所述方法还包括：
27.将所述测试集数据输入训练后的gru网络，得到预测数据；
28.将所述预测数据进行反归一化，得到对应的预测能耗数据。
29.根据一些实施例，所述方法还包括：
30.根据所述预测能耗数据计算预测数据的均方根误差和平均绝对百分比误差，验证对于能耗预测的精度。
31.根据本技术的另一方面，提供一种基于量子粒子群算法的gru网络的能耗预测的装置，包括：
32.获取模块，用于获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据；
33.预处理模块，用于对能耗数据进行预处理，并划分训练集和测试集；
34.训练模块，用于采用量子粒子群算法的gru网络进行网络训练，其中量子粒子群算法用于对gru网络的参数进行寻优；
35.预测模块，用于将训练完成的gru网络用于能耗预测。
36.根据本技术的另一方面，提供一种电子设备，包括：
37.存储器、处理器以及存储在所述存储器中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计算机程序时实现上述方法中任一项所述的方法。
38.根据本技术的另一方面，提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述方法中任一项所述的方法。
39.根据本技术示例实施例，通过在gru网络训练过程中加入量子粒子群算法优化，相较于传统gru网络按照经验选取参数的方式更加合理，按照量子粒子群算法优化后的参数配置的gru网络对于车间能耗的预测精度更高。
40.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。
附图说明
41.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。
42.图1示出根据本技术示例实施例的基于量子粒子群算法的gru网络的能耗预测的
方法流程图。
43.图2是根据本技术示例实施例的车间能耗数据曲线图。
44.图3是根据本技术示例实施例的gru网络单元的内部结构图。
45.图4是根据本技术示例实施例的量子粒子群算法的流程图。
46.图5是根据本技术示例实施例的数据归一化方法z-score流程图。
47.图6示出根据本技术示例实施例的基于量子粒子群算法的gru网络的能耗预测的装置的框图。
48.图7示出根据一示例性实施例的一种电子设备的框图。
具体实施方式
49.现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本技术将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
50.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
51.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
52.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
53.应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本技术概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
54.本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本技术所必须的，因此不能用于限制本技术的保护范围。
55.能耗预测技术根据现有的数据，利于模型对企业未来能源需求进行预测，有助于管理人员了解企业能耗趋势，为企业能源精细化管理及使用规划提供依据。国家限能限电政策的出现使得对能源实现更加精细化利用显得尤为重要，然而传统的能耗预测方法存在精度较低、适用性不强等问题。
56.为此本技术提出一种基于量子粒子群(qpso-quantum particle swarm optimization)算法的gru网络(以下统称为qpso-gru网络)的车间能耗预测方法，能够实现对车间能耗的较高精度预测。
57.gru是lstm网络的一种效果很好的变体，它较lstm网络的结构更加简单，而且效果
也很好。lstm网络具有训练时间长、参数较多、内部计算复杂的缺点。gru模型是一种保持了lstm效果、具有更加简单的结构、更少的参数、更好的收敛性的模型。
58.本技术提供的一种基于qpso-gru的能耗预测方法，以中药生产车间的能耗为例，中药生产车间的能耗数据受节假日、每日不同时间段和随机需求订单影响，能耗数据呈现非线性特征，采用神经网络算法可以提取数据的深层特征，拟合效果较好。为了准确地预测车间能耗，采用了gru(门控循环单元)网络。gru网络是循环神经网络的一种，相较于传统的循环神经网络具有长期记忆的能力，对于属于时间序列数据的车间能耗数据来说预测效果较好，可以通过训练学习数据的长期性特征。
59.但是gru网络的参数一般按照经验选取，根据选取参数的不同，算法预测效果存在较大差异，因此为了更好地发挥gru网络的最佳预测能力，采用量子粒子群算法(qpso)来对gru网络的主要参数进行寻优，提高了能耗预测的准确度。
60.以下结合附图对本技术的示例实施例进行说明。
61.图1示出根据本技术示例实施例的基于量子粒子群算法的gru网络的能耗预测的方法流程图。
62.基于qpso-gru的能耗预测方法包括能耗数据预处理、数据归一化、划分训练集与测试集、gru网络训练、未来车间能耗预测、结果反归一化等，其中gru网络的训练采用qpso算法进行参数寻优。
63.以下以中药生产车间的能耗预测为例进行说明。
64.参见图1，在s101，获取车间历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据。
65.根据一些实施例，获取历史能耗数据，对历史数据进行预处理，得到按照时间划分的分段能耗数据，以小时为单位。
66.将车间历史能耗数据进行时间点筛选，得到整点时刻的能耗数据；对所述的整点时刻能耗数据进行循环作差操作，得到以小时为划分单位的分段能耗数据。
67.在s103，对所述分段能耗数据进行预处理，并划分训练集和测试集。
68.根据一些实施例，对车间能耗数据进行神经网络训练前的预处理，包括：对所述能耗数据进行归一化处理，得到归一化的网络训练数据；
69.对所述归一化后的网络训练数据进行划分，得到训练集数据和测试集数据。利用所述训练集数据和测试集数据进行网络训练，包括：
70.将所述训练集数据输入gru网络，得到训练后的gru网络及训练过程中的损失函数。
71.在s105，采用量子粒子群算法的gru网络进行网络训练，其中量子粒子群算法用于对gru网络的参数进行寻优，根据所述寻优的结果，更新所述gru网络的参数。
72.根据一些实施例，采用qpso-gru模型进行网络训练，其中qpso用于对gru网络的参数进行寻优，主要优化参数有gru层隐含单元个数和gru网络训练轮数，寻优完成后即可得到优化后的已训练gru网络。
73.将所述测试集数据输入训练后的gru网络，得到预测数据；将所述预测数据进行反归一化，得到对应的预测能耗数据。
74.根据所述预测能耗数据计算预测数据的均方根误差(rmse)和平均绝对百分比误
差(mape)，验证该方法对于车间能耗预测的精度。
75.在s107，将训练完成的gru网络用于能耗预测。
76.根据一些实施例，将训练完成的gru网络用于未来一段时间内的车间能耗预测。
77.本技术中的基于qpso-gru的车间能耗预测方法，根据gru网络的原理，将历史车间能耗数据进行预处理，得到按小时划分的分段车间能耗数据，将分段插件能耗数据作为训练数据；将训练数据进行预处理，进行归一化并划分训练集数据和测试集数据；将所述训练集数据输入gru网络进行网络训练，利用qpso方法对gru网络的参数进行寻优，主要优化参数有gru层隐含单元个数和gru网络训练轮数，寻优完成后即可得到优化后的已训练gru网络。将所述训练后的gru网络用于预测未来一段时间内的车间能耗数据。
78.图2是根据本技术示例实施例的车间能耗数据曲线图。
79.参见图2，以中药生产车间的能耗为例，能耗数据受节假日、每日不同时间段和随机需求订单影响，能耗数据呈现非线性特征，采用神经网络算法可以提取数据的深层特征，拟合效果较好。
80.图3是根据本技术示例实施例的gru网络单元的内部结构图。
81.gru把lstm中的遗忘门和输入门用更新门来替代，把细胞状态和隐状态进行合并，在计算当前时刻新信息的方法和lstm有所不同。前一个时刻的输出隐藏层对当前隐藏层的影响程度由更新门控制，更新门的值越大说明前一时刻的隐藏层输出对当前隐藏层的影响越大；前一时刻的隐藏层信息被忽略的程度由重置门控制，重置门的值越小说明忽略得越多。
82.参见图3，单个gru单元的内部具有更新门z
t
和重置门r
t
，两个门结构相较于传统的循环神经网络来说既可以记忆长期特征，又具备较快的运算速度。
83.x
t
为t时刻的输入信息；h
t
为t时刻的隐藏层输出；为候选隐藏层状态；σ为sigmoid函数；tanh为双曲正切函数；为矩阵元素相乘；h
t-1
为t-1时刻传递给t时刻的隐藏层输出。
84.重置门r
t
:重置门的作用是确定t-1时刻的隐状态h
t-1
有多大程度更新到t时刻的候选隐状态r
t
值越小，代表t-1时刻的隐状态信息被写入的越少，计算公式为：
85.r
t
＝σ(wr·
[h
t-1
,x
t
] br)
[0086]
式中：wr为重置门的权重矩阵；br为重置门的偏置项。
[0087]
更新门z
t
：重置门的作用是确定t-1时刻的隐状态h
t-1
有多大程度更新到t时刻的隐状态h
t
。z
t
值越大，代表t-1时刻的隐状态信息被写入的越多，计算公式为：
[0088]zt
＝σ(wz·
[h
t-1
,x
t
] bz)
[0089]
式中：wz为更新门的权重矩阵；bz为更新门的偏置项。
[0090]
更新候选隐藏层状态计算公式为：
[0091][0092]
式中：wh为候选隐藏层状态的权重矩阵；bh为候选隐藏层状态的偏置项。
[0093]
计算输出h
t
，计算公式为：
[0094][0095]
图4是根据本技术示例实施例的量子粒子群算法的流程图。
[0096]
参见图4，量子粒子群算法qpso的基本流程为：
[0097]
初始化粒子群，随机初始化粒子位置及速度；设定粒子数为m，待优化变量数为2个，分别为gru网络的训练轮数和gru层的隐含单元个数。
[0098]
评价每个粒子在所要优化函数中的适应度，在本技术中为gru网络训练后的损失函数值，损失函数值越小，适应度越好。本技术中gru网络损失函数选用半均方误差，计算公式为：
[0099][0100]
其中，m为预测序列的长度，yi为实际车间能耗数据，xi为gru网络训练时的预测值。gru训练结束后，损失函数值越小，证明训练出的gru网络的预测效果越好。
[0101]
对每个粒子，把它在当前时刻的适应值和之前经历最好位置p
best
进行比较，如果要优于p
best
，则将当前时刻的适应值作为新的p
best
。
[0102]
对每个粒子，将它在每一时刻的适应值与全局最好位置g
best
进行比较，如果要优于之前时刻确定的g
best
，则重新定位g
best
的位置。
[0103]
更新粒子群的位置：
[0104]
首先计算种群平均最优位置m
best
:
[0105][0106]
其中，p
best_i
为第i个粒子个体最优位置。
[0107]
然后计算用于第i个粒子位置更新的参数pi:
[0108]
pi＝φ
·
p
best_i
(1-φ)g
best
[0109]
其中，g
best
表示当前全局最优粒子，φ为(0,1)上的均匀分布数值。
[0110]
粒子位置更新公式为：
[0111][0112]
其中，li表示第i个粒子的位置，α为qpso的活力系数，u为(0,1)上的均匀分布数值。
[0113]
如果不能达到qpso算法迭代次数达到设定值或适应度满足要求的结束条件，则回到评价每个粒子在所要优化函数中的适应度，再进行后续流程，直到满足条件。
[0114]
在qpso算法中，只有参数α决定粒子的收敛速度和位置，因此收敛速度相较于传统粒子群算法来说更快，并且由于独特的粒子位置更新方式，使得qpso不易陷入局部极值，可以顺利找到全局最优解。
[0115]
图5是根据本技术示例实施例的数据归一化方法z-score流程图。
[0116]
数据归一化操作是要将原始数据化为均值为0，方差为1的序列，目的是对神经网络输入数据进行预处理，减少神经网络训练时的运算量，使gru网络收敛更快。
[0117]
本技术中的数据归一化采用z-score标准化方法，z-score标准化是基于原始数据的均值和标准差进行的数据标准化，标准化公式为：
[0118][0119]
其中，μ为均值，σ为标准差。z-score标准化后得到的数据都聚集在0附近，数据方差为1。反归一化则逆向求解即可。
[0120]
本技术中根据预测能耗数据计算预测数据的均方根误差(rmse)和平均绝对百分比误差(mape)，验证该方法对于车间能耗预测的精度，计算公式为别为：
[0121][0122][0123]
其中，yi为测试集实际能耗数据，xi为预测值。
[0124]
为了显示本技术的qpso-gru预测方法与传统的gru预测方法的预测结果差异，给出qpso-gru方法与传统gru方法进行车间能耗预测的对比数据，如表1所示：
[0125]
表1
[0126][0127]
根据表格数据可以看出，本技术采用的qpso-gru方法通过采用量子粒子群算法qpso对门控循环单元gru网络的参数进行寻优，利用训练集数据进行网络训练，训练出的网络对预测集数据进行预测，得到了较好的预测效果，均方根误差(rmse)和平均绝对百分比误差(mape)都更小，预测精度更高。
[0128]
应清楚地理解，本技术描述了如何形成和使用特定示例，但本技术不限于这些示例的任何细节。相反，基于本技术公开的内容的教导，这些原理能够应用于许多其它实施例。
[0129]
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本技术提供的上述方法所限定的上述功能的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
[0130]
此外，需要注意的是，上述附图仅是根据本技术示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0131]
通过对示例实施例的描述，本领域技术人员易于理解，根据本技术实施例的基于量子粒子群算法的gru网络的能耗预测方法至少具有以下优点中的一个或多个。
[0132]
根据示例实施例，通过在gru网络训练过程中加入了量子粒子群算法优化，相较于传统gru网络按照经验选取参数的方式更加合理，按照量子粒子群算法优化后的参数配置的gru网络对于能耗的预测精度更高。
[0133]
下面描述本技术的装置实施例，其可以用于执行本技术方法实施例。对于本技术
装置实施例中未披露的细节，可参照本技术方法实施例。
[0134]
图6示出根据一示例性实施例的基于量子粒子群算法的gru网络的能耗预测的装置的框图。图6所示装置可以执行前述根据本技术实施例的基于量子粒子群算法的gru网络的能耗预测的方法。
[0135]
如图6所示，基于量子粒子群算法的gru网络的能耗预测的装置可包括：获取模块610、预处理模块620、训练模块630、预测模块640。
[0136]
参见图6并参照前面的描述，获取模块610，用于获取历史能耗数据，对历史数据进行预处理，得到按照时间段划分的分段能耗数据。
[0137]
预处理模块620，用于对能耗数据进行预处理，并划分训练集和测试集。
[0138]
训练模块630，用于采用量子粒子群算法的gru网络进行网络训练，其中量子粒子群算法用于对gru网络的参数进行寻优，根据所述寻优的结果，更新所述gru网络的参数。
[0139]
预测模块640，用于将训练完成的gru网络用于能耗预测。
[0140]
装置执行与前面提供的方法类似的功能，其他功能可参见前面的描述，此处不再赘述。
[0141]
图7示出根据一示例性实施例的一种电子设备的框图。
[0142]
下面参照图7来描述根据本技术的这种实施方式的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0143]
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
[0144]
其中，存储单元存储有程序代码，程序代码可以被处理单元210执行，使得处理单元210执行本说明书描述的根据本技术各种示例性实施方式的方法。
[0145]
存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(rom)2203。
[0146]
存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0147]
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0148]
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0149]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本技术实施方式的上述方法。
[0150]
软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0151]
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0152]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0153]
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0154]
以上具体地示出和描述了本技术的示例性实施例。应可理解的是，本技术不限于这里描述的详细结构、设置方式或实现方法；相反，本技术意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。