用于确定结垢情况的方法、装置、电子设备和可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及用于确定结垢情况的方法、装置、电子设备和计算机可读介质。


背景技术：

2.发酵罐，指工业上用来进行微生物发酵的装置，发酵罐广泛应用于乳制品、饮料、生物工程、制药、精细化工等行业，罐体设有夹层、保温层、可加热、冷却、保温。能否有效精确的判断发酵罐结垢，并及时除垢是现在的一个重要课题。对发酵罐结垢做的预测性维护，不但节约了大量的能源，同时也提供了系统及设备的效率。合理的安排除垢，避免了极端情况下的紧急停机，为工厂带来了效益的提升。
3.相关的方式通常是通过事后判断，在能源耗量显著增加后才开始按照预定的方案，安排对发酵罐的关键部位进行清洗等维护。容易造成发酵罐换热效率降低，浪费资源并且对生产经营造成一定的损伤


技术实现要素：

4.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.本公开的一些实施例提出了用于确定结垢情况的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
6.第一方面，本公开的一些实施例提供了一种用于确定结垢情况的方法，该方法包括：获取训练样本集，其中，所述训练样本集包括目标发酵罐的数据样本和所述数据样本对应的结垢数据样本；根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少两个预测模型；获取目标发酵罐的实时数据；根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
7.第二方面，本公开的一些实施例提供了一种用于确定结垢情况的装置，装置包括：第一获取模块，被配置成获取训练样本集，其中，所述训练样本集包括目标发酵罐的数据样本和所述数据样本对应的结垢数据样本；训练模块，被配置成根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少两个预测模型；第二获取模块，被配置成获取目标发酵罐的实时数据；确定模块，被配置成根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
8.第三方面，本公开的一些实施例提供了一种电子设备，该网络设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
9.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
10.本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，以实现对至少两个初始模型进行训练，之后，获取目标发酵罐的实时数据，再利用训练好的至少两个预测模型和目标发酵罐的实时数据对目标发酵罐的结垢情况进行预测。该实施方式结合多个预测模型来确定发酵罐的结垢情况，从而可以为管理者提供更加准确的结垢情况预测，实现了更加精准的结垢情况预测，提高发酵罐的总体效率和经济效益。
附图说明
11.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
12.图1是本公开的一些实施例用于确定结垢情况的方法的一个应用场景的示意图；
13.图2是根据本公开的用于确定结垢情况的方法的一些实施例的流程图；
14.图3是根据本公开的用于确定结垢情况的方法的另一些实施例的流程图；
15.图4是根据本公开的用于确定结垢情况的装置的一些实施例的结构示意图；
16.图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
17.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
18.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
19.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
20.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
21.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
22.下面将参考附图并结合实施例来详细说明本公开。
23.图1是根据本公开一些实施例的用于确定结垢情况的方法的一个应用场景的示意图。
24.如图1所示，首先，服务器101可以通过本地预存或者网络下载等方式获取训练样本集102。在这里，训练样本集102中包括数据样本1021和数据样本1021对应的结垢数据样本1022。之后，服务器101可以根据训练样本集102，对至少两个初始模型103进行训练以得到至少两个预测模型104。
25.接着，服务器101可以获取目标发酵罐的实时数据105，并将实时数据105输入至上述至少两个预测模型104以得到发酵罐的结垢情况106。
26.可以理解的是，用于确定结垢情况的方法可以是由服务器101来执行，或者也可以
是由终端设备来执行，上述方法的执行主体还可以包括上述服务器101与上述终端设备通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。
28.继续参考图2，示出了根据本公开的用于确定结垢情况的方法的一些实施例的流程200。该用于确定结垢情况的方法，包括以下步骤：
29.步骤201，获取训练样本集。
30.在一些实施例中，用于确定结垢情况的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取训练样本集。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
31.在这里，上述训练样本集包括目标发酵罐的数据样本和所述数据样本对应的结垢数据样本。在这里，上述目标发酵罐的数据样本通常是指发酵罐的气压，温度，罐内湿度等。上述结垢数据样本通常是指发酵罐内的结垢情况。
32.步骤202，根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少两个预测模型。
33.在一些实施例中，基于步骤201中得到的训练样本集，上述执行主体(例如图1所示的服务器)可以对至少两个初始模型中的每个初始模型进行联合学习训练，以得到至少两个预测模型。在这里，上述联合学习训练中的联合学习(federated learning)通常是指联邦机器学习。
34.作为示例，上述执行主体可以通过以下方式进行联合学习训练：参与方各自从服务器下载最新模型；每个参与方利用本地数据训练模型，加密梯度上传给服务器，服务器聚合各用户的梯度更新模型参数；服务器返回更新后的模型给各参与方；各参与方更新各自模型。可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。
35.作为示例，电子设备可以首先获取多个记录有数据样本和多个数据样本所对应的结垢数据样本；然后将多个数据样本中的每个数据样本作为输入，将多个数据样本中的每个数据样本所对应的结垢数据样本作为期望输出，训练得到预测模型。
36.作为一种示例，电子设备可以基于对大量记录有数据样本和多个数据样本所对应的结垢数据样本进行统计而生成存储有多个记录有数据样本和多个数据样本所对应的结垢数据样本的对应关系的对应关系表，并将该对应关系表作为预测。这样，电子设备可以将目标数据与该对应关系表中的多个记录有数据样本依次进行比较，若该对应关系表中的一个数据样本与目标数据相同或相似，则将该对应关系表中的该数据样本所对应的结垢数据样本作为目标数据对应的烟气含氧量数据。在这里，上述目标数据通常是指用户用于查询
目标发酵罐结垢情况的数据。
37.在一些实施例的一些可选的实现方式中，上述执行主体可以对于所述至少两个初始模型中的每个初始模型，执行以下训练步骤：将所述训练样本集中的数据样本输入至所述待训练模型，得到结垢数据；将所述结垢数据与所述结垢数据样本进行对比，得到对比结果；响应于确定所述对比结果满足预设条件，确定所述待训练模型训练完成，将所述初始模型确定为预测模型。在这里，上述对比结果通常是指上述结垢数据和上述结垢数据样本相同或相似。
38.在一些实施例的一些可选的实现方式中，得到所述预测模型的训练步骤还包括：响应于确定所述对比结果未满足预设条件，确定所述初始模型未训练完成，调整所述初始模型中的相关参数，使用调整后的初始模型作为初始模型，再次执行所述训练步骤。
39.步骤203，获取目标发酵罐的实时数据。
40.在一些实施例中，上述执行主体可以获取目标发酵罐的实时数据。在这里，上述实时数据通常是指目标发酵罐的气压，温度，罐内湿度等数据。
41.步骤204，根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
42.在一些实施例中，上述执行主体可以根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。作为示例，上述执行主体可以将上述实时数据输入至上述至少两个预测模型中，以得到至少两个预测结果，之后，上述执行主体可以根据上述预测模型的损失函数确定每个预测结果的损失值，将损失值最小的预测结果确定为目标发酵罐的结构情况。
43.在一些实施例的一些可选的实现方式中，上述执行主体可以对于所述至少两个预测模型中的每个预测模型，将所述实时数据输入至所述预测模型中，得到每个预测模型输出的预测结垢情况；将每个预测模型输出的预测结垢情况进行融合，得到目标发酵罐的结垢情况。在这里，上述融合通常是指对至少两个预测结垢情况进行加权平均的方式进行融合，将得到的结果确定为目标发酵罐的结垢情况。
44.在一些实施例的一些可选的实现方式中，上述执行主体可以根据以下公式，将所述至少两种预测模型进行融合，得到融合模型：其中，表示t时刻组合预测值。y
i,t
为t时刻第i种模型的预测值。wi表示第i种预测模型的权重，表示第i种预测模型的权重，其中，预测模型的权重是根据以下公式确定的：其中，w表示预测模型的权重。er表示信息误差矩阵，根据以下公式确定：其中，t表示转置。rr表示r种预测模型的权重向量，其中，rr＝[1,1,
…
,1]
t
，表示元素全为1的r维向量。e表示误差矩阵，根据以下公式确定：e＝[f1,f2,
…
,fr]，其中，fi表示第i种预测模型的预测误差向量，根据以下公式确定：fi＝[e
i,1
,e
i,2
,
…
,e
i,n
]
t
，其中，e
i,t
表示第i种预测模型在第t时刻的预测误差，根据以下公式确定：e
i,t
＝y
t-y
i,t
，其中，y
t
表示第t时刻的实际值。将所述实时数据输入至所述融合模型，得到目标发酵罐的结垢情况。在这里，上述将至少两种预测模型进行融合通常是指将上述至少两种模型
的参数通过上述公式进行融合。
[0045]
本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，以实现对至少两个初始模型进行训练，之后，获取目标发酵罐的实时数据，再利用训练好的至少两个预测模型和目标发酵罐的实时数据对目标发酵罐的结垢情况进行预测。该实施方式结合多个预测模型来确定发酵罐的结垢情况，从而可以为管理者提供更加准确的结垢情况预测，实现了更加精准的结垢情况预测，提高发酵罐的总体效率和经济效益。
[0046]
进一步参考图3，其示出了用于确定结垢情况的方法的另一些实施例的流程300。该用于确定结垢情况的方法的流程300，包括以下步骤：
[0047]
步骤301，获取训练样本集。
[0048]
步骤302，根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少两个预测模型。
[0049]
步骤303，获取目标发酵罐的实时数据。
[0050]
步骤304，根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
[0051]
在一些实施例中，步骤301-304的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-204，在此不再赘述。
[0052]
步骤305，响应于所述结垢情况满足预设条件，控制具有清洁功能的电子设备对所述目标发酵罐进行清洁。
[0053]
在一些实施例中，响应于所述结垢情况满足预设条件，上述执行主体可以控制具有清洁功能的电子设备对所述目标发酵罐进行清洁。
[0054]
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的用于确定结垢情况的方法的流程300体现了对目标发酵罐进行清洁的步骤。由此，这些实施例描述的方案可以在确定发酵罐的结垢情况的同时对发酵罐进行清洁，从而实现了更加自动化，更加简单，更加方便的运营，使管理者更加轻松，并提升工作效率，提高产能。
[0055]
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于确定结垢情况的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0056]
如图4所示，一些实施例的用于确定结垢情况的装置400包括：
[0057]
第一获取模块401、训练模块402、第二获取模块403和确定模块404。其中，第一获取模块401配置用于获取训练样本集，其中，所述训练样本集包括目标发酵罐的数据样本和所述数据样本对应的结垢数据样本；训练模块402配置用于根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少两个预测模型；第二获取模块403配置用于获取目标发酵罐的实时数据；而确定模块404配置根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
[0058]
在一些实施例的可选实现方式中，上述用于确定结垢情况的装置400还包括清洁模块，配置用于：响应于所述结垢情况满足预设条件，控制具有清洁功能的电子设备对所述目标发酵罐进行清洁。
[0059]
在一些实施例的可选实现方式中，训练模块被进一步的配置成：对于所述至少两个初始模型中的每个初始模型，执行以下训练步骤：将所述训练样本集中的数据样本输入
至所述待训练模型，得到结垢数据；将所述结垢数据与所述结垢数据样本进行对比，得到对比结果；响应于确定所述对比结果满足预设条件，确定所述待训练模型训练完成，将所述初始模型确定为预测模型。
[0060]
在一些实施例的可选实现方式中，训练模块还包括调整单元，被配置成：响应于确定所述对比结果未满足预设条件，确定所述初始模型未训练完成，调整所述初始模型中的相关参数，使用调整后的初始模型作为初始模型，再次执行所述训练步骤。
[0061]
在一些实施例的可选实现方式中，确定模块被进一步的配置成：对于所述至少两个预测模型中的每个预测模型，将所述实时数据输入至所述预测模型中，得到每个预测模型输出的预测结垢情况；将每个预测模型输出的预测结垢情况进行融合，得到目标发酵罐的结垢情况。
[0062]
在一些实施例的可选实现方式中，确定模块被进一步的配置成：根据以下公式，将所述至少两种预测模型进行融合，得到融合模型：其中，表示t时刻组合预测值；y
i,t
为t时刻第i种模型的预测值；wi表示第i种预测模型的权重，重，其中，预测模型的权重是根据以下公式确定的：其中，w表示预测模型的权重；er表示信息误差矩阵，根据以下公式确定：其中，t表示转置；rr表示r种预测模型的权重向量，其中，rr＝[1,1,
…
,1]
t
，表示元素全为1的r维向量；e表示误差矩阵，根据以下公式确定：e＝[f1,f2,
…
,fr]，其中，fi表示第i种预测模型的预测误差向量，根据以下公式确定：fi＝[e
i,1
,e
i,2
,
…
,e
i,n
]
t
，其中，e
i,t
表示第i种预测模型在第t时刻的预测误差，根据以下公式确定：e
i,t
＝y
t-y
i,t
，其中，y
t
表示第t时刻的实际值；将所述实时数据输入至所述融合模型，得到目标发酵罐的结垢情况。
[0063]
可以理解的是，该装置400中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的模块，在此不再赘述。
[0064]
本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取训练样本集，以实现对至少两个初始模型进行训练，之后，获取目标发酵罐的实时数据，再利用训练好的至少两个预测模型和目标发酵罐的实时数据对目标发酵罐的结垢情况进行预测。该实施方式结合多个预测模型来确定发酵罐的结垢情况，从而可以为管理者提供更加准确的结垢情况预测，实现了更加精准的结垢情况预测，提高发酵罐的总体效率和经济效益。
[0065]
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0066]
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相
连。输入/输出(i/o)接口505也连接至总线504。
[0067]
通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0068]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0069]
需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0070]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0071]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集，其中，所述训练样本集包括目标发酵罐的数据样本和所述数据样本对应的结垢数据样本；根据所述训练样本集，对于至少两个初始模型中的每一个初始模型，对所述初始模型进行联合学习训练，得到至少
两个预测模型；获取目标发酵罐的实时数据；根据所述实时数据和所述至少两个预测模型，确定所述目标发酵罐的结垢情况。
[0072]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0073]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0074]
描述于本公开的一些实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取模块、训练模块、第二获取模块和确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取训练样本集的模块”。
[0075]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0076]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。