基于随机投影算法的近红外光谱定量分析降维方法及系统

1.本发明涉及近红外建模数据处理技术领域，更具体的说，涉及一种基于随机投影算法的近红外光谱定量分析降维方法及系统。


背景技术：

2.近红外分析技术是依据被检测样品中某一化学成分对近红外光谱区的吸收特性进行分析的一种方法，通过化学计量学多元校正方法，依靠样品间光谱信息的细微差别来对样品进行定性和定量分析。由于受到光谱仪器噪声、外界环境变动等不稳定因素的影响，近红外光谱某些波段信噪比低、光谱质量差，这些波段会引起模型不稳定，且样本光谱波长之间存在多重相关性，光谱信息中存在冗余信息，使近红外分析模型计算复杂。
3.因此，建立近红外分析模型时常常需要进行波长选择。目前，波长选择的方法有相关系数法、遗传算法、模拟退火算法和间隔偏最小二乘法等。
4.但是，波长选择的过程非常繁琐，是建模前最费时费力的过程。
5.目前，近红外建模常用的方法主要有多元线性回归、偏最小二乘法、人工神经网络和支持向量机等。
6.偏最小二乘法是近红外建模最常用的建模方法之一，它能有效的降维，提取出自变量矩阵的有效信息，反映了近红外光谱波数与待分析油品属性之间的线性关系，建模可靠准确。但是，偏最小二乘法不能有效的反映近红外光谱与待分析油品属性的之间的非线性关系。
7.因此，亟需改进解决现有近红外光谱定量分析技术的上述不足。


技术实现要素：

8.本发明的目的是提供一种基于随机投影算法的近红外光谱定量分析降维方法及系统，解决现有技术对近红外分析需要进行波长选择而费时费力的问题。
9.为了实现上述目的，本发明提供了一种基于随机投影算法的近红外光谱定量分析降维方法，包括以下步骤：
10.步骤s1、获取近红外光谱x
val
样本及对应的理化性质值y
val
作为样本集；
11.步骤s2、将样本集划分为校正集和验证集，根据校正集的近红外光谱x
val
计算平均光谱x
avg
；
12.步骤s3、对校正集的近红外光谱x
val
进行预处理得到光谱矩阵x
val
，对校正集的平均光谱x
avg
进行预处理得到平均光谱矩阵x
avg
；
13.步骤s4、基于高斯随机投影算法对校正集的光谱矩阵x
val
进行随机降维投影，得到降维后的光谱矩阵x
valred
；
14.步骤s5、基于降维后的光谱矩阵x
valred
，建立人工神经网络预测模型；
15.步骤s6、采用验证集对步骤s5建立的人工神经网络预测模型进行检验；
16.步骤s7、基于步骤s6检验后的人工神经网络预测模型，对输入的近红外光谱进行
定量分析，输出对应的理化性质预测值。
17.在一实施例中，所述步骤s2中，平均光谱x
avg
对应的表达式为：
[0018][0019]
其中，n为近红外光谱个数，x
vali
为第i个光谱。
[0020]
在一实施例中，所述步骤s2中，将样本集划分为校正集和验证集，进一步包括：
[0021]
采用基于欧式距离的k-s算法或基于性质变量的spxy算法，从样本集中选择m个光谱作为校正集，将剩余样本作为验证集。
[0022]
在一实施例中，所述步骤s3中的预处理方式包括：一阶导数、二阶导数和最大最小归一化。
[0023]
在一实施例中，所述步骤s3进一步包括：
[0024]
对近红外光谱x
val
同时进行多种预处理，得到光谱矩阵x
val
；
[0025]
对平均光谱x
avg
同时进行多种预处理，得到平均光谱矩阵x
avg
。
[0026]
在一实施例中，所述步骤s4，进一步包括：
[0027]
步骤s41、根据平均光谱矩阵x
avg
得到高斯随机投影过渡矩阵p；
[0028]
步骤s42、基于高斯随机投影过渡矩阵p，对光谱矩阵x
val
进行随机降维投影，得到降维后的光谱矩阵x
valred
。
[0029]
在一实施例中，所述步骤s41，进一步包括：
[0030]
将p个波长点的平均光谱矩阵x
avg
进行随机降维投影，得到q个波长点的降维后的平均光谱矩阵x
avgred
；
[0031]
根据表达式x
avgred
＝p*x
avg
，求解高斯随机投影过渡矩阵p。
[0032]
在一实施例中，平均光谱矩阵x
avg
和平均光谱矩阵x
avgred
满足以下不等式：
[0033]
(1-eps)||x
avg-x
avgred
||2《||x
avg-x
avgred
||2《(1 eps)||x
avg-x
avgred
||2；
[0034]
p个波长点和降维后的q个波长点，满足以下不等式：
[0035][0036]
其中，eps为降维误差。
[0037]
在一实施例中，所述人工神经网络预测模型为二维卷积预测模型；
[0038]
所述步骤s5，进一步包括：
[0039]
步骤s51、将降维后的光谱矩阵导入二维卷积的输入层，经过两层卷积层、权重和激活函数、一层池化层的计算，在通过多次卷积层和池化层的计算后传到输出层；
[0040]
步骤s52、将输出层获得的预测值与样本期望值进行比较，如果两者之间存在误差，则返回步骤s51调整权重，直至预测值与样本期望值之差达到第一阈值。
[0041]
在一实施例中，所述步骤s6，进一步包括：
[0042]
采用验证集对步骤s5建立的人工神经网络预测模型进行验证集检验，计算预测标准偏差rmsep，对应表达式为：
[0043][0044]
其中，m为验证集的光谱数量，y
i,actual1
为验证集第i个光谱的测定值，y
i,predicted1
为
验证集第i光谱的预测值。
[0045]
在一实施例中，所述步骤s6，进一步包括：
[0046]
采用校正集对步骤s5建立的人工神经网络预测模型进行交叉检验，计算交叉验证标准偏差rmsecv，对应的表达式为：
[0047][0048]
其中，n为校正集的光谱数量，y
i,actual2
为校正集第i个光谱的测定值，y
i,predicted2
为校正集第i光谱的预测值。
[0049]
为了实现上述目的，本发明提供了一种基于随机投影算法的近红外光谱定量分析降维系统，包括：
[0050]
存储器，用于存储可由处理器执行的指令；
[0051]
处理器，用于执行所述指令以实现如上述任一项所述的方法
[0052]
为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。
[0053]
本发明提供的一种基于随机投影算法的近红外光谱定量分析降维方法及系统，使用高斯随机投影进行降维，不需要进行光谱的波长选择，降低了建模难度，缩短了建模的时间，可为近红外分析进行简明、快速地建模。
附图说明
[0054]
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
[0055]
图1揭示了根据本发明一实施例的基于随机投影算法的近红外光谱定量分析降维方法流程图；
[0056]
图2揭示了根据本发明一实施例的样本原始光谱图；
[0057]
图3揭示了根据本发明一实施例的基于随机投影算法的近红外光谱定量分析降维系统原理图。
具体实施方式
[0058]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
[0059]
针对现有的近红外技术的不足，本发明提供一种基于随机投影算法的近红外光谱定量分析降维方法及系统，能广泛应用于石油化工、农业、食品等行业。
[0060]
图1揭示了根据本发明一实施例的基于随机投影算法的近红外光谱定量分析降维方法流程图，如图1所示，本发明提出的基于随机投影算法的近红外光谱定量分析降维方法，具体包括以下步骤：
[0061]
步骤s1、获取近红外光谱x
val
样本及对应的理化性质值y
val
作为样本集；
[0062]
步骤s2、将样本集划分为校正集和验证集，根据校正集的近红外光谱x
val
计算平均光谱x
avg
；
[0063]
步骤s3、对校正集的近红外光谱x
val
进行预处理得到光谱矩阵x
val
，对校正集的平均光谱x
avg
进行预处理得到平均光谱矩阵x
avg
；
[0064]
步骤s4、基于高斯随机投影算法对校正集的光谱矩阵x
val
进行随机降维投影，得到降维后的光谱矩阵x
valred
；
[0065]
步骤s5、基于降维后的光谱矩阵x
valred
，建立人工神经网络预测模型；
[0066]
步骤s6、采用验证集对步骤s5建立的人工神经网络预测模型进行检验；
[0067]
步骤s7、基于步骤s6检验后的人工神经网络预测模型，对输入的近红外光谱进行定量分析，输出对应的理化性质预测值。
[0068]
下文将对这些步骤进行详细描述。应理解，在本发明范围内，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，相互关联，从而构成优选的技术方案。
[0069]
步骤s1、获取近红外光谱x
val
样本及对应的理化性质值y
val
作为样本集。
[0070]
获取一批样品的近红外光谱及其对应的理化性质值用于建模。
[0071]
理化性质包括物理性质和化学性质。
[0072]
可选的，物理性质包括但不限于密度、凝固点和粘度、馏程等；
[0073]
可选的，化学性质包括组分组成、元素含量等。
[0074]
可选的，理化性质值可以通过实验室方式测得，作为测定值。
[0075]
在本实施例中，获取一批近红外光谱x
val
和理化性质值y
val
用于建模；
[0076]
其中，近红外光谱x
val
包括n个光谱x
vali
，其中，i取值为1至n，x
vali
表示第i个光谱；
[0077]
第i个光谱x
vali
标签属性对应的理化性质值y
vali
；
[0078]
所述近红外光谱有p个波长点。
[0079]
步骤s2、将样本集划分为校正集和验证集，根据校正集的近红外光谱x
val
计算平均光谱x
avg
。
[0080]
更进一步的，n个近红外光谱的平均光谱x
avg
，计算公式如(1)所示：
[0081][0082]
其中，n为近红外光谱个数，x
vali
为第i个光谱。
[0083]
更进一步的，采用基于欧式距离的k-s算法或基于性质变量的spxy算法从样本集中选择m个光谱代表性强的光谱作为校正集，将剩余样本作为验证集。
[0084]
k-s(kennard-stone)算法原理是把所有的样本都看作训练集候选样本，依次从中挑选样本进训练集。首先选择欧式距离最远的两个样本进入训练集，通过计算剩下的每一个样品到训练集内每一个已知样品的欧式距离，找到距离已选样本最远以及最近的两个样本，并将这两个样本选入训练集，重复上述步骤直至样本数量达到要求。
[0085]
spxy(sample set partitioning based on joint x-y distance)算法，是在k-s算法基础上发展而来的，spxy算法在样品间距离计算时将x变量和y变量同时考虑在内。
[0086]
步骤s3、对校正集的近红外光谱x
val
进行预处理得到光谱矩阵x
val
，对校正集的平均光谱x
avg
进行预处理得到平均光谱矩阵x
avg
。
[0087]
近红外光谱易受到测量时一些环境因素的干扰，产生噪声，使得光谱中包含了一些无法被利用的波长点，因此，在本步骤中对光谱进行预处理。
[0088]
光谱预处理可以放大光谱的有效信息，过滤光谱中的噪声信息，从而降低建模复杂度，提高模型的稳健性。
[0089]
预处理的方式包括并不限于一阶导数、二阶导数和最大最小归一化。
[0090]
更进一步的，所述步骤s3进一步包括：
[0091]
对近红外光谱x
val
同时进行多种预处理，得到光谱矩阵x
val
；
[0092]
对平均光谱x
avg
同时进行多种预处理，得到平均光谱矩阵x
avg
。
[0093]
普通的预处理方式只使用上述一种，本实施例中，同时采用上述三种预处理方式，使得一个样本光谱x
val
和平均光谱x
avg
变成含有三种预处理方式的光谱矩阵x
val
和平均光谱矩阵x
avg
。
[0094]
对一个样本光谱进行多种预处理，得到的多种预处理的数据合并为一个矩阵。
[0095]
步骤s4、基于高斯随机投影算法对校正集的光谱矩阵x
val
进行随机降维投影，得到降维后的光谱矩阵x
valred
。
[0096]
对每个样本矩阵进行高斯随机投影到一个低维的矩阵。
[0097]
更进一步的，所述步骤s4，进一步包括：
[0098]
步骤s41、根据平均光谱矩阵x
avg
得到高斯随机投影过渡矩阵p；
[0099]
步骤s42、基于高斯随机投影过渡矩阵p，对近红外光谱x
val
进行随机降维投影，得到降维后的光谱矩阵x
valred
。
[0100]
更具体的说，步骤s41的高斯随机投影过渡矩阵p，通过以下方式得到：
[0101]
将p个波长点的平均光谱矩阵x
avg
进行随机降维投影，得到q个波长点的降维后的平均光谱矩阵x
avgred
，降维后的平均光谱矩阵x
avgred
满足以下公式(2)：
[0102]
x
avgred
＝p*x
avg
ꢀꢀꢀ
(2)
[0103]
其中，p是使用平均光谱矩阵降维的高斯随机投影过渡矩阵(服从高斯分布)，根据公式(2)就可以求解出过渡矩阵p。
[0104]
其中，平均光谱矩阵x
avg
和降维后的平均光谱矩阵x
avgred
满足以下不等式(3)：
[0105]
(1-eps)||x
avg-x
avgred
||2《||x
avg-x
avgred
||2《(1 eps)||x
avg-x
avgred
||2ꢀꢀꢀ
(3)
[0106]
p个波长点和降维后的q个波长点，满足以下不等式(4)：
[0107][0108]
eps为降维误差。
[0109]
在本实施例中，eps使用默认值0.1。
[0110]
对每个光谱进行随机降维，其计算如公式(5)所表示：
[0111]
x
valredi
＝p*x
vali
ꢀꢀꢀ
(5)
[0112]
其中：x
valredi
是降维后的光谱矩阵x
valred
的第i个元素，x
vali
是待降维的光谱矩阵x
val
的第i个元素。
[0113]
通过公式(5)可以实现p个波长点到q个波长点的降维，且极大地保持了数据的特征。
[0114]
步骤s5、基于降维后的光谱矩阵x
valred
，建立人工神经网络预测模型。
[0115]
使用校正集，建立人工神经网络预测模型。所述人工神经网络模型包括但不限于多层感知器预测模型、反向传播神经网络预测模型和卷积神经网络预测模型等。
[0116]
多层感知器(mlp，multilayer perceptron)是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。
[0117]
卷积神经网络具有极强的提取特征的能力，使用卷积神经网络可以实现输入到输出的任意的非线性映射，从而克服偏最小二乘法不能反应非线性关系的难题。
[0118]
在本实施例中，采用二维卷积神经网络建立分析模型，得到定量分析的预测值。
[0119]
从而，所述步骤s5，进一步包括：
[0120]
步骤s51、将降维后的光谱矩阵x
valredi
导入二维卷积的输入层，经过两层卷积层、权重和激活函数、一层池化层的计算，在通过多次卷积层和池化层的计算后传到输出层；
[0121]
步骤s52、将输出层获得的预测值与样本期望值进行比较，如果两者之间存在误差，则返回步骤s51调整权重，不断调整权重直至预测值与样本期望值之差达到第一阈值。
[0122]
其中，所述第一阈值为预设的最小值或者极小值。
[0123]
步骤s6、采用验证集对步骤s5建立的人工神经网络预测模型进行检验。
[0124]
采用验证集对步骤s5建立的人工神经网络预测模型进行验证集检验，根据公式(6)计算预测标准偏差rmsep，对应表达式为：
[0125][0126]
其中，m为验证集的光谱数量，y
i,actual1
为验证集第i个光谱的测定值，y
i,predicted1
为验证集第i光谱的预测值。
[0127]
采用校正集对步骤s5建立的人工神经网络预测模型进行交叉检验，根据公式(7)计算交叉验证标准偏差rmsecv，对应的表达式为：
[0128][0129]
其中，n为校正集的光谱数量，y
i,actual2
为校正集第i个光谱的测定值，y
i,predicted2
为校正集第i光谱的预测值。
[0130]
利用验证集的光谱真实测定值对模型进行检验，判断是否满足预测准确度要求，如果不满足，则返回步骤s1重新开始建模流程，如果满足则进入步骤s7进行模型应用。
[0131]
步骤s7、基于步骤s6检验后的人工神经网络预测模型，对输入的近红外光谱进行定量分析，输出对应的理化性质预测值。
[0132]
经过步骤s6检验后的模型已经满足预测准确度要求，可以用于实际的红外光谱进行定量分析。将需要分析的近红外光谱数据导入模型中，则可以输出对应的理化性质预测值。
[0133]
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
[0134]
本发明提出的基于随机投影算法的近红外光谱定量分析降维方法，以高斯随机投影降维而不用进行波长选择，解决现有技术对波长选择过程需要大量人工经验干预和消耗大量时间的问题，化繁为简。
[0135]
同时，借助神经网络模型优异的非线性拟合能力和二维卷积神经网络强大的特征
提取能力，克服传统方法不能拟合非线性的困难。
[0136]
因此，本发明提出的基于随机投影算法的近红外光谱定量分析降维方法，可以在保证建模精度的同时，大量减少建模时间，建立快速和准确的近红外定量分析模型。
[0137]
下面采用航空煤油近红外光谱和对应实验室分析报告的数据作为实验对象，对本发明提出的基于随机投影算法的近红外光谱定量分析降维方法进行具体详细说明。
[0138]
步骤s1、获取一批近红外光谱及其对应的理化性质值。
[0139]
具体过程为：
[0140]
获取近红外光谱仪获取52个样本的光谱图，光谱的波长点数p为2074，并将样品光谱对应与实验室分析报告的理化性质值，样本原始光谱如图2所示。
[0141]
步骤s2、采用基于欧式距离的k-s算法，从样本集中选择36个光谱代表性强的光谱作为校正集，计算平均光谱x
avg
。
[0142]
步骤s3、对近红外光谱同时进行三种预处理得到光谱矩阵。
[0143]
具体过程为：
[0144]
将近红外光谱转换为行矩阵，同时使用最大最小预处理，一阶导数和二阶导数预处理，形成一个为3行的光谱行矩阵。
[0145]
步骤s4、对光谱矩阵x
val
进行随机高斯随机投影得到降维后的每个样本光谱矩阵x
valred
；
[0146]
具体过程为：
[0147]
通过光谱矩阵x
val
计算出平均光谱x
avg
，通过高斯随机投影获得高斯分布的过渡矩阵p，得到降维后的光谱矩阵x
avlred
，即降维后的一个3行941波长点的光谱行矩阵。
[0148]
步骤s5、建立二维卷积预测模型；
[0149]
具体过程为：
[0150]
将输入的降维的光谱矩阵样本x
valredi
导入二维卷积的输入层，经过卷积、池化和输出层，对理化性质(密度)进行拟合，生成的二维卷积预测模型称为“本方法模型”。
[0151]
特别地，作为对照，将未降维的光谱矩阵x
val
导入二维卷积的输入层，经过卷积、池化和输出层，对密度进行拟合，生成的用于对照的二维卷积预测模型，称为“未降维模型”。
[0152]
步骤s6、对建立的模型进行验证；
[0153]
具体过程为：
[0154]
将验证集的16个验证样本分别导入“本方法模型”与“未降维模型”，分别预测16个样本的密度。
[0155]“本方法模型”与“未降维模型”的验证集的测定值和预测值如表1所示，生成模型所需训练时间、模型评价结果如表2所示。
[0156]
表1两个模型验证集样品密度测定值与预测值结果(单位kg/m3)
[0157][0158][0159]
表2两个模型的模型评价数据对比表
[0160]
方法训练时间(s)rmsep(kg/m3)rmsecv(kg/m3)本方法模型652.902.38未降维模型4462.802.22
[0161]
如表1和表2可见，本方法模型相对于未降维模型节约了85％的训练时间，并且仅增加不超过10％的预测偏差。
[0162]
图3表示了根据本发明一实施例的基于随机投影算法的近红外光谱定量分析降维系统框图。基于随机投影算法的近红外光谱定量分析降维系统可包括内部通信总线301、处理器(processor)302、只读存储器(rom)303、随机存取存储器(ram)304、通信端口305、以及硬盘307。内部通信总线301可以实现基于随机投影算法的近红外光谱定量分析降维系统组件间的数据通信。处理器302可以进行判断和发出提示。在一些实施例中，处理器302可以由一个或多个处理器组成。
[0163]
通信端口305可以实现基于随机投影算法的近红外光谱定量分析降维系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，基于随机投影算法的近红外光谱定量分析降维系统可以通过通信端口305从网络发送和接收信息及数据。在一些实施例中，基于随机投影算法的近红外光谱定量分析降维系统可以通过输入/输出端306以有线
的形式与外部的输入/输出设备之间进行数据传输与通信。
[0164]
基于随机投影算法的近红外光谱定量分析降维系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘307，只读存储器(rom)303和随机存取存储器(ram)304，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器302所执行的可能的程序指令。处理器302执行这些指令以实现方法的主要部分。处理器302处理的结果通过通信端口305传给外部的输出设备，在输出设备的用户界面上显示。
[0165]
举例来说，上述的基于随机投影算法的近红外光谱定量分析降维方法的实施过程文件可以为计算机程序，保存在硬盘307中，并可记载到处理器302中执行，以实施本技术的方法。
[0166]
基于随机投影算法的近红外光谱定量分析降维方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(cd)、数字多功能盘(dvd))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(eprom)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
[0167]
与现有技术相比较，本发明提供一种基于随机投影算法的近红外光谱定量分析降维方法及系统，具体具有以下有益效果：
[0168]
1)既不用进行复杂的波长选择，又保证了模型的可靠性和准确性，同时降低了对技术人员的要求和建模的复杂度，促进近红外定量建模方法的改进和提高；
[0169]
2)使用高斯随机投影方法降维，在保证提取了足够的光谱信息的同时，避免了信息的损失，降低了空间维度，从而减少建模的处理数据量；
[0170]
3)同时使用多种典型的预处理方法，有效地减少了光谱噪声，为后续建模打下了坚实的基础。
[0171]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0172]
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
[0173]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0174]
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、
数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0175]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0176]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0177]
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。