难度自适应学习方法、系统、电子设备以及存储介质

1.本技术实施例涉及模型训练的技术领域，具体而言，涉及一种难度自适应学习方法、系统、电子设备以及存储介质。


背景技术：

2.旅行商问题(tsp)常作为衡量组合优化问题求解算法性能的基准，在现实世界中有广泛的应用场景，比如物流运输、城市规划等，然而目前求解旅行商问题的深度学习模型只研究训练和测试数据相同的情况，并在训练和测试数据分布不同时表现较差，这将导致求解旅行商问题的求解器的性能在实验时与应用时会有较大差距，即求解旅行商问题的求解器的泛化能力不足。


技术实现要素：

3.本技术实施例提供一种难度自适应学习方法、系统、电子设备以及存储介质，旨在提高求解器的泛化能力。
4.第一方面，本技术实施例提供一种旅行商问题难度自适应学习方法，所述方法包括：
5.将训练样本集输入所述预设模型进行多次训练，其中，所述多次训练包括：根据所述预设模型对所述训练样本集的本次训练结果，通过难度评估器确定本次所述训练样本集的难度值；根据本次所述训练样本集的难度值，通过难度调整器调整所述预设模型下一次对训练样本集训练时的训练权重；
6.在所述预设模型针对训练样本集的多次训练达到标定训练状态时，通过难度自适应生成器生成难度值增加的新样本集，所述新样本集作为训练样本集输入所述预设模型进行所述多次训练；
7.在所述预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
8.可选地，将训练样本集输入所述预设模型进行多次训练，包括：
9.通过固定均匀分布生成器生成训练样本集，所述训练样本集为对不同难度的样本进行均匀采样得到的；
10.将所述均匀分布的训练样本集作为首次输入预设模型的训练样本集；
11.所述预设模型针对所述均匀分布的训练样本集进行多次训练。
12.可选地，所述预设模型对训练样本集的本次训练结果包括成本；
13.根据所述预设模型对所述训练样本集的本次训练结果，通过难度评估器确定本次所述训练样本集的难度值，包括：
14.获取所述预设模型对训练样本集的本次训练的成本，通过难度评估器确定本次所述训练样本集的难度值。
15.可选地，根据本次所述训练样本集的难度值，通过难度调整器调整所述预设模型
下一次对训练样本集训练时的训练权重，包括：
16.获取训练过程中的玻尔兹曼温度；
17.根据所述本次训练样本集的难度值以及所述玻尔兹曼温度，通过难度调整器确定训练样本集的样本权重，以增加训练样本集中难度值大的样本的权重；
18.基于调整后的样本权重更新所述预设模型的训练参数，调整所述预设模型下一次对训练样本集训练时的训练权重。
19.可选地，在所述预设模型针对训练样本集的多次训练达到标定训练状态时，通过难度自适应生成器生成难度值增加的新样本集，包括：
20.获取所述预设模型达到标定训练状态时的当前训练样本集的难度值；
21.难度自适应生成器根据所述当前训练样本集的难度值，自适应地生成难度值不小于所述当前训练样本集的难度值的新样本集。
22.可选地，所述难度自适应生成器设置有调节参数，通过设置所述调节参数的值，调节所述难度自适应生成器生成的样本集的难度。
23.第二方面，本技术实施例提供一种旅行商问题难度自适应学习系统，所述系统包括：
24.训练模块，用于将训练样本集输入所述预设模型进行多次训练；
25.难度评估器，用于根据预设模型对训练样本集的本次训练结果，确定本次所述训练样本集的难度值；
26.难度调整器，用于根据本次所述训练样本集的难度值，调整所述预设模型下一次对训练样本集训练时的训练权重；
27.难度自适应生成器，用于在所述预设模型针对训练样本集的多次训练达到标定训练状态时，生成难度值增加的新样本集，将所述新样本集作为训练样本集输入所述预设模型进行所述多次训练；
28.控制模块，用于在所述预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
29.第三方面，本技术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计算机程序时实现实施例第一方面所述的方法。
30.第四方面，本技术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上存储计算机程序，所述计算机程序被处理器执行时实现实施例第一方面所述的方法。
31.有益效果：
32.首先，将训练样本集输入所述预设模型进行多次训练，其中，所述多次训练包括：根据所述预设模型对所述训练样本集的本次训练结果，通过难度评估器确定本次所述训练样本集的难度值；根据本次所述训练样本集的难度值，通过难度调整器调整所述预设模型下一次对训练样本集训练时的训练权重；然后，在所述预设模型针对训练样本集的多次训练达到标定训练状态时，通过难度自适应生成器生成难度值增加的新样本集，所述新样本集作为训练样本集输入所述预设模型进行所述多次训练。
33.本技术中在训练预设模型时，对训练样本集的难度进行量化，并根据预设模型的训练结果调节训练样本集的难度，在基于一个训练样本集进行多次训练的过程中，根据难
度评估器确定的本次训练中训练样本集的难度值，由难度调整器调整预设模型下一次训练时针对训练样本的训练权重，进而使得预设模型可以逐步训练训练样本集中较难的样本；在预设模型针对训练样本集的多次训练达到标定训练状态时，由难度自适应生成器生成难度值增加的新样本集，预设模型模型基于难度值增加后的新样本集再次进行多次训练，通过改变训练样本集中多个训练样本的训练权重以及生成新的更具难度的训练样本集，可以使得预设模型基于不同难度的样本进行学习。
34.如此针对不同难度值的训练样本集分别进行多次训练，直到预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器；所得到的用于解决行商问题(tsp)的预设模型由于基于不同难度的样本进行学习，因此相比于现有的基于与测试相同的训练样本训练得到的求解器，本技术得到的用于解决行商问题(tsp)的求解器的泛化能力更高。
附图说明
35.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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性的前提下，还可以根据这些附图获得其他的附图。
36.图1是本技术一实施例提出的旅行商问题难度自适应学习方法的步骤流程图；
37.图2是本技术一实施例提出的旅行商问题难度自适应学习方法的步骤流程图；
38.图3是本技术一实施例提出的固定均匀分布生成器和难度自适应生成器的比较示意图；
39.图4是本技术一实施例提出的旅行商问题难度自适应学习系统的功能模块图。
具体实施方式
40.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。
41.目前求解旅行商问题的方法包括两类，第一类是旅行商问题神经网络方法，基于指针神经网络，将每一个节点的坐标编码嵌入，使用注意力机制来计算每一步需要选择的下一个节点；或者使用图神经网络来编码旅行商图,能够更好地利用图结构的信息。
42.第二类是课程学习，课程学习通过改变数据分布来提高模型训练时的收敛速度和泛化能力，模型需要先学习简单的样本，再学习难的样本。课程学习首先需要难度评估器来评估样本的难易度，并使用课程调度器来决定什么时候和怎么把该样本给模型进行训练，通常把tsp的规模当成难度指标，通过逐渐增加数据规模大小来对模型进行训练。
43.但是现有的求解旅行商问题的方法只研究训练和测试数据相同的情况，并在训练和测试数据分布不同时表现较差，这将导致求解旅行商问题的求解器的性能在实验时与应用时会有较大差距，即求解旅行商问题的求解器的泛化能力不足，本技术为了提高求解旅行商问题的求解器的泛化能力，提出了一种旅行商问题难度自适应学习方法。
44.参照图1，示出了本发明实施例中的一种旅行商问题难度自适应学习方法的步骤流程图，如图1所示，所述方法具体可以包括以下步骤：
45.s101：将训练样本集输入所述预设模型进行多次训练，其中，所述多次训练包括：根据所述预设模型对所述训练样本集的本次训练结果，通过难度评估器确定本次所述训练样本集的难度值；根据本次所述训练样本集的难度值，通过难度调整器调整所述预设模型下一次对训练样本集训练时的训练权重。
46.预设模型可以是用于求解旅行商问题的初始求解器，也可以是自定义设置的模型，对预设模型进行训练的以得到泛化能力更高的求解器的过程中，首先生成一批训练样本作为训练样本集，在实际应用中，首先输入预设模型进行训练的训练样本集整体的难度应该最为简单，进而可以使得预设模型从简单的训练样本集开始进行训练，一批训练样本集中的多个训练样本的难度可以不一致。
47.预设模型基于输入的该批训练样本集进行多次训练，预设模型在每一次训练时，预设模型中的编码器对训练样本集生成对应的多个样本的图，经过强化学习得到该次训练的训练结果，训练结果包括训练样本集的解、训练时的损失以及成本。
48.难度评估器根据每次训练得到的训练结果，对本次训练的训练样本集的难度值进行评估，进而对训练样本集的难度进行量化，示例地，本次训练的成本大则表征该次训练中的训练样本集的难度值高，或者本次训练的损失大则表征该次训练中的训练样本集的难度值高。
49.本次训练完成后，在下一次训练之前，难度调整器根据本次训练中训练样本集的难度值，调整预设模型在下一次训练中针对训练样本集的训练权重；进而可以根据预设模型当前的训练状态，调整下一次训练中训练样本集中多个样本的训练权重，使得模型训练不会过于简单也不会过于困难，进而可以加快训练的速度；示例地，在训练的成本表征当前训练样本集对于预设模型简单时，可以增加训练样本集中难度较大的样本的训练权重，进而通过逐步凸显训练样本集中难度更大的样本，让预设模型逐步专注于学习难度更大的样本。s102：在所述预设模型针对训练样本集的多次训练达到标定训练状态时，通过难度自适应生成器生成难度值增加的新样本集，所述新样本集作为训练样本集输入所述预设模型进行所述多次训练。
50.预设模型对一批训练样本集进行多次权重调整训练的过程中，若预设模型的达到标定训练状态时，表征预设模型已经对该批训练样本训练完毕。
51.标定训练状态可以是当预设模型输出的训练结果中成本或损失小于标定值，也可以是当难度调整器权重调整的次数超过标定次数，且预设模型输出的训练结果中成本或损失小于标定值，在其他实施方式中，还可以自定义设置其他标定训练状态。
52.在预设模型针对该批训练样本集达到标定训练状态后，难度自适应生成器生成器可以生成新样本集，相对于上一批训练样本集的难度值，新样本集的难度值增加，新样本集中多个训练样本的难度可以不一致，然后将新样本集作为训练样本集输入预设模型中进行训练，使得预设模型基于更难的样本进行学习。
53.s103：在所述预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
54.在达到停止训练状态之前，可以执行步骤s101-s102进行反复的学习，直到预设模
型达到预设的停止训练状态后，停止对预设模型的训练，从而将训练完毕后得到预设模型作为旅行商问题的求解器。
55.本技术中在训练预设模型时，对训练样本集的难度进行量化，并根据预设模型的训练结果调节训练样本集的难度，在基于一个训练样本集进行多次训练的过程中，根据难度评估器确定的本次训练中训练样本集的难度值，由难度调整器调整预设模型下一次训练时针对训练样本的训练权重，进而使得预设模型可以逐步训练训练样本集中较难的样本；在预设模型针对训练样本集的多次训练达到标定训练状态时，由难度自适应生成器生成难度值增加的新样本集，预设模型模型基于难度值增加后的新样本集再次进行多次训练，通过改变训练样本集中多个训练样本的训练权重以及生成新的更具难度的训练样本集，可以使得预设模型基于不同难度的样本进行学习。
56.如此针对不同难度值的训练样本集分别进行多次训练，直到预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器；所得到的用于解决行商问题(tsp)的预设模型由于基于不同难度的样本进行学习，因此相比于现有的基于与测试相同的训练样本训练得到的求解器，本技术得到的用于解决行商问题(tsp)的求解器的泛化能力更高。
57.参照图2，示出了本发明实施例中的一种旅行商问题难度自适应学习方法的步骤流程图，如图2所示，所述方法具体可以包括以下步骤：
58.s201：通过固定均匀分布生成器生成训练样本集，所述训练样本集为对不同难度的样本进行均匀采样得到的；将所述均匀分布的训练样本集作为首次输入预设模型的训练样本集；所述预设模型针对所述均匀分布的训练样本集进行多次训练。
59.一般的固定均匀分布生成器生成的样本在难度上分布较窄，并且对固定均匀分布生成器生成训练样本进行均匀采样，即得到的训练样本集中难易训练样本的分布是均匀的，通过固定均匀分布生成器生成首先输入预设模型的训练样本集。
60.s202：获取所述预设模型对训练样本集的本次训练的成本，通过难度评估器确定本次所述训练样本集的难度值。
61.最优度间隙自然地测量了与最优解相比预设模型m的质量，可以用来计算样本对于预设模型的难度值；然而获得最佳解成本是不切实际的，因为最佳解成本本身就是tsp的决策问题。因此需要直接计算而不计算另外预设模型m在训练期间可能会有很大差异，例如，对于预设模型m，在先前阶段中被视为困难的训练样本可能不再困难，并且对于难度值测量如何保证捕获这种难度值改变至关重要。为了解决这个问题，本实施方式提出了一种改进的难度值测量方法。
62.所述预设模型对训练样本集的本次训练结果包括成本，本实施方式中，基于每次训练的成本，通过难度评估器确定本次训练的训练样本集的难度。
63.为了定量地测量训练样本集的难度值，将训练样本集中每个训练样本记为x，训练样本相对于预设模型的难度值记为
64.65.其中，m
′
为贪婪更新的代理模型，为预设模型m针对训练样本x的成本，为代理模型m
′
针对训练样本x的成本，其中成本的含义是旅行商问题样本对应的解，也就是模型推断出的旅行商路径总长度。
66.当预设模型m可微分时，可以执行几个步骤的梯度下降以获得代理模型m
′
；也就是，计算难度值时不是基于最优解，而是将预设模型m与代理模型m
′
进行比较，即，若代理模型m
′
针对训练样本x的成本比预设模型m针对训练样本x的成本小得多，表征训练样本x对预设模型m来说仍然是难度值大的。从另一个角度来看，难度值测量仍可以基于最优度间隙的下限：
[0067][0068]
当代理模型m
′
生成训练样本x的最优解时，相等性成立；
[0069]
值得注意的是，如果预设模型m输出的是具有概率而非确定性的路径，则将具有概率而非预期的成本路径定义为期望，即：
[0070][0071]
式中，pm(π|x)是预设模型m输出的针对训练样本x的路径π，本实施方式中不采用最小值，即因为这种测量由于可微性问题而难以优化；因此，难度评估器还被定义为一种期望，由于列举所有可能的路线是困难的，因此可以通过对路径进行抽样，以获得一个无偏估量器。
[0072]
s203：获取训练过程中的玻尔兹曼温度；根据所述本次训练样本集的难度值以及所述玻尔兹曼温度，通过难度调整器确定训练样本集的样本权重，以增加训练样本集中难度值大的样本的权重；基于调整后的样本权重更新所述预设模型的训练参数，调整所述预设模型下一次对训练样本集训练时的训练权重。
[0073]
现有的训练旅行商问题tsp的求解器的方法包括课程学习方法，本实施方式中提供一种基于训练权重的简单课程策略，该方法也可以直接推广到更高级的课程学习方法中。
[0074]
简单地说，在训练过程中，应该令预设模型逐步关注难度值更大的样本，难度值更大的样本可以显露出预设模型当前的缺点，因此在预设模型进行下一次训练的过程中，可以改变预设模型对多个训练样本的训练权重，使得预设模型可以逐步学习难度值增大的样本。
[0075]
对于不同的训练样本xi，其对应的重加权计算如下：
[0076][0077]
式中，为变换函数，exp(x)表示的是e的x次方；t为课程学习阶段的玻尔兹曼
温度，i与j为训练样本集中样本的下标；当温度较高时，所有的样本训练处理过程大致相同，随着温度t的降低，权重分布会发生变化，难度值较大的训练样本被赋予的权重，比难度值较小的训练样本被赋予的权重更大。
[0078]
对于训练样本集重加权损失计算如下式：
[0079][0080]
式中，θ为预设模型的可学习参数，b为样本集中样本的个数，本实施例中，可以基于预设模型的强化学习来优化预设模型，首先损失函数定义为：
[0081][0082]
然后，可以使用策略梯度和强化算法最小化损失：
[0083][0084]
式中，为减少梯度方差的基线成本，我们将设置为迄今为止最佳模型的确定贪婪输出；l为损失，为梯度符号，x为样本，e为期望，p为概率，m为模型，θ为模型参数，π为路径，c为成本即路径长度，b为基线。
[0085]
最后，通过训练数据集的重加权损失更新预设模型参数，从而改变预设模型对于训练样本集中样本的训练权重。
[0086]
s204：获取所述预设模型达到标定训练状态时的当前训练样本集的难度值；难度自适应生成器根据所述当前训练样本集的难度值，自适应地生成难度值不小于所述当前训练样本集的难度值的新样本集；所述新样本集作为训练样本集输入所述预设模型进行所述多次训练。
[0087]
若预设模型的达到标定训练状态时，表征预设模型已经对该批训练样本训练完毕，获取预设模型在达到标定训练状态时当前训练样本集的难度值，由难度自适应生成器生成更难的训练样本集。
[0088]
本实施方式中，通过难度值对具有不同难度的样本进行采样，而难度自适应生成器的主要困难在于如何生成足够难度的样本，为解决该问题，本实施例利用基于能量的模型，采用了能量函数作为生成模型。具体来说，使用难度值将能量函数定义为：
[0089][0090]
然后，将概率分布定义为：
[0091][0092]
式中，exp(x)表示的是e的x次方，e(x)为样本x对应的能量函数，x
′
为任意一个样本。
[0093]
换句话说，具有较大难度值的样本更有可能被采样；在生成样本时，首
先随机生成一个样本x
(0)
，例如，可以通过均匀抽样生成样本；然后，进一步优化样本，通过梯度上升来增加难度值：
[0094][0095]
x
(t 1)
＝φ(x
(t)
′
)，
[0096]
式中，t表示优化步骤的数量，η是梯度步长，p为概率，为梯度符号，φ(
·
)是确保生成样本有效性的投影函数；t和η作为难度自适应生成器的调节参数，通过设置调节参数t和η的值，可以生成具有不同难度的样本，构建新样本集，并将新样本集作为训练样本集输入所述预设模型进行所述多次训练，多次训练包括通过难度评估器计算难度值以及通过难度调整器调整样本权重。
[0097]
参照图3，示出了固定均匀分布生成器和本技术中难度自适应生成器的比较示意图，如图3所示，横轴为为生成样本x对于预设模型m的难度值、为固定均匀分布生成器生成的样本x的难度值，纵轴为生成该难度样本的概率p。一般固定均匀分布生成器生成的数据在难度上分布比较窄，不能根据预设模型的训练阶段动态调整，也没有参数可以控制；而本技术提出的难度自适应生成器生成样本的难度分布更宽，同时可以使用参数对难度分布进行控制，使得该分布适配于预设模型的训练阶段。
[0098]
由于初次输入预设模型的样本训练集的难度值还未进行计算，因此本实施例中有固定均匀分布生成器生成初次输入预设模型的样本训练集，之后训练过程中由难度自适应生成器生成新样本集。
[0099]
s205：在所述预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
[0100]
如此针对不同难度值的训练样本集分别进行多次训练，直到预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
[0101]
本技术至少具有以下有益效果：
[0102]
1、对训练样本集的难度进行量化，并根据预设模型的训练结果调节训练样本集的难度；
[0103]
2、不仅通过难度调整器调整预设模型下一次训练时针对训练样本的训练权重，进而使得预设模型可以逐步训练训练样本集中较难的样本；还可以由难度自适应生成器生成难度值增加的新样本集，预设模型模型基于难度值增加后的新样本集再次进行多次训练；
[0104]
3、所得到的用于解决行商问题(tsp)的预设模型由于基于不同难度的样本进行学习，因此相比于现有的基于与测试相同的训练样本训练得到的求解器，本技术得到的用于解决行商问题(tsp)的求解器的泛化能力更高。
[0105]
参照图4，示出了本发明实施例中的一种旅行商问题难度自适应学习系统的功能模块图，参照图4，所述系统具体可以包括：
[0106]
训练模块100，用于将训练样本集输入所述预设模型进行多次训练；
[0107]
难度评估器200，用于根据预设模型对训练样本集的本次训练结果，确定本次所述训练样本集的难度值；
[0108]
难度调整器300，用于根据本次所述训练样本集的难度值，调整所述预设模型下一次对训练样本集训练时的训练权重；
[0109]
难度自适应生成器400，用于在所述预设模型针对训练样本集的多次训练达到标定训练状态时，生成难度值增加的新样本集，将所述新样本集作为训练样本集输入所述预设模型进行所述多次训练；
[0110]
控制模块500，用于在所述预设模型达到预设的停止训练状态时，停止对所述预设模型的训练，将训练完毕后得到预设模型作为旅行商问题的求解器。
[0111]
可选地，所述训练模块包括：
[0112]
均匀采样单元，用于通过固定均匀分布生成器生成训练样本集，所述训练样本集为对不同难度的样本进行均匀采样得到的；
[0113]
输入单元，用于将所述均匀分布的训练样本集作为首次输入预设模型的训练样本集；所述预设模型针对所述均匀分布的训练样本集进行多次训练。
[0114]
可选地，所述预设模型对训练样本集的本次训练结果包括成本；
[0115]
所述难度评估器包括第一评估单元，所述第一评估单元用于获取所述预设模型对训练样本集的本次训练的成本，通过难度评估器确定本次所述训练样本集的难度值。
[0116]
可选地，所述难度调整器包括：
[0117]
温度获取单元，用于获取训练过程中的玻尔兹曼温度；
[0118]
调整单元，用于根据所述本次训练样本集的难度值以及所述玻尔兹曼温度，通过难度调整器确定训练样本集的样本权重，以增加训练样本集中难度值大的样本的权重；
[0119]
更新单元，用于基于调整后的样本权重更新所述预设模型的训练参数，调整所述预设模型下一次对训练样本集训练时的训练权重。
[0120]
可选地，所述难度自适应生成器包括：
[0121]
难度值获取单元，用于获取所述预设模型达到标定训练状态时的当前训练样本集的难度值；
[0122]
生成单元，用于难度自适应生成器根据所述当前训练样本集的难度值，自适应地生成难度值不小于所述当前训练样本集的难度值的新样本集。
[0123]
可选地，所述难度自适应生成器设置有调节参数，所述难度自适应生成器包括调节单元，所述调节单元用于通过设置所述调节参数的值，调节所述难度自适应生成器生成的样本集的难度。
[0124]
本技术实施例还提供一种电子设备，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计算机程序时实现实施例所述的方法。
[0125]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例所述的方法。
[0126]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0127]
本领域内的技术人员应明白，本技术实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本技术实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例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、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0128]
本技术实施例是参照根据本技术实施例的方法、终端设备(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终端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终端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。
[0129]
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终端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。
[0130]
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终端设备上，使得在计算机或其他可编程终端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终端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。
[0131]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0132]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0133]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。