模型融合方法、装置、设备及存储介质与流程

1.本技术属于数据处理领域，尤其涉及一种模型融合方法、装置、设备及存储介质。


背景技术：

2.随着计算机技术的不断发展，越来越多领域中的检测判断类工作不再人工进行，而由计算机设备完成。例如，可预先建立分类模型，利用分类模型进行检测判断类工作。但由于检测判断类工作能够参考的因素较多，每种因素对分类模型分类的准确性的影响的差异也较大。因此，虽然研发出的分类模型种类众多，但难以进一步提高分类模型分类的准确性。


技术实现要素：

3.本技术实施例提供一种模型融合方法、装置、设备及存储介质，能够提高分类的准确性。
4.第一方面，本技术实施例提供一种模型融合方法，包括：利用获取的多个分类模型、验证样本集合和分类预期要求，计算得到分类模型的分类精度；根据分类精度，选取第一目标分类模型和第二目标分类模型，第一目标分类模型为分类精度最高的分类模型，第二目标分类模型与目标分类模型与第一目标分类模型不同；基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一分类分数区间和第二分类分数区间，并生成融合模型，第一分类分数区间包括第一目标分类模型的分类阈值，第二分类分数区间为第一分类分数区间的补集，其中，融合模型的规则包括：分类分数位于第一分类分数区间的数据的分类结果基于第二目标分类模型得到，分类分数位于第二分类分数区间的数据的分类基于第一目标分类模型得到。
5.第二方面，本技术实施例提供一种模型融合装置，包括：分类精度计算模块，用于利用获取的多个分类模型、验证样本集合和分类预期要求，计算得到分类模型的分类精度；模型选取模块，用于根据分类精度，选取第一目标分类模型和第二目标分类模型，第一目标分类模型为分类精度最高的分类模型，第二目标分类模型与目标分类模型与第一目标分类模型不同；模型融合模块，用于基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一分类分数区间和第二分类分数区间，并生成融合模型，第一分类分数区间包括第一目标分类模型的分类阈值，第二分类分数区间为第一分类分数区间的补集，其中，融合模型的规则包括：分类分数位于第一分类分数区间的数据的分类结果基于第二目标分类模型得到，分类分数位于第二分类分数区间的数据的分类基于第一目标分类模型得到。
6.第三方面，本技术实施例提供一种模型融合设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面的模型融合方法。
7.第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的模型融合方法。
8.本技术实施例提供一种模型融合方法、装置、设备及存储介质，可利用多个分类模型、验证样本集合和分类预期要求，得到分类模型的分类精度，根据分类精度，在多个分类模型中选取分类精度最高的一个目标分类模型和另一个第二目标分类模型。基于分类精度最高的分类模型即第一目标分类模型对验证样本集合的分类分数和分类预期要求，得到第一分类分数区间和第二分类分数区间，并根据两个分类分数区间生成融合模型。融合模型可按照融合模型的规则对分类分数位于第一分类分数区间的数据和分类分数位于第二分类分数区间的数据进行不同的处理。对于分类分数位于不包括分类阈值的第二分类分数区间的数据，可直接利用分类精度最高的第一目标分类模型进行处理；对于分类分数位于包括分类阈值的第一分类分数区间的数据，利用第二目标分类模型对分类分数位于第一分类分数区间的数据的处理，来弥补第一目标分类模型对分类分数位于第一分类分数区间的数据处理的准确度，以提高分类的准确性。
附图说明
9.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中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1为本技术一实施例提供的模型融合方法的流程图；
11.图2为本技术另一实施例提供的模型融合方法的流程图；
12.图3为本技术实施例提供的验证样本集合中样本数量与分类分数的关系的一示例的示意图；
13.图4为本技术又一实施例提供的模型融合方法的流程图；
14.图5为本技术再一实施例提供的模型融合方法的流程图；
15.图6为本技术一实施例提供的模型融合装置的结构示意图；
16.图7为本技术另一实施例提供的模型融合装置的结构示意图；
17.图8为本技术又一实施例提供的模型融合装置的结构示意图；
18.图9为本技术一实施例提供的模型融合设备的结构示意图。
具体实施方式
19.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
20.随着计算机技术的不断发展，越来越多领域中的检测判断类工作不再人工进行，而由计算机设备完成。例如，可预先建立分类模型，利用分类模型进行检测判断类工作。但由于检测判断类工作能够参考的因素较多，每种因素对分类模型分类的准确性的影响的差异也较大。因此，虽然研发出的分类模型种类众多，但难以进一步提高分类模型分类的准确性。
21.本技术提供一种模型融合方法、装置、设备及存储介质，能够在多个分类模型中，
利用验证样本集合，根据分类预期要求，选取两个分类模型作为目标分类模型，并基于分类分数，确定两个分类分数区间。根据两个分类分数区间生成融合模型，使用该融合模型，分类分数位于一个分类分数区间的数据的分类结果基于一个目标分类模型得到，分类分数位于另一个分类分数区间的数据的分类结果基于另一个目标分类模型得到。基于多个分类模型对验证样本集合的处理的统计学分析，得到在数据的分类分数位于不同的分类分数区间时，利用不同的目标分类模型对数据进行处理即利用融合模型对数据进行分类处理，提高分类的准确性。
22.下面对本技术提供的模型融合方法、装置、设备及存储介质依次进行说明。
23.本技术提供一种模型融合方法。图1为本技术一实施例提供的模型融合方法的流程图。如图1所示，该模型融合方法可包括步骤s101至步骤s103。
24.在步骤s101中，利用获取的多个分类模型、验证样本集合和分类预期要求，计算得到分类模型的分类精度。
25.获取多个分类模型，获取的分类模型的数量为三个以上。多个分类模型各自采用的分类方法可不同，多个分类模型各自参考的分类因素可不同，在此并不限定。
26.验证样本集合包括多个正样本和多个负样本。验证样本集合中正负样本数量比例可根据期望生成的融合模型的应用场景、应用要求确定，在此并不限定。验证样本集合中正负样本数量比例为验证样本集合中正样本的数量与负样本的数量的比值。例如，在一些应用场景中，尽量避免将负样本误判为正样本，对应地，验证样本集合中正负样本数量比例可小于1，即选取负样本的数量大于正样本的数量的验证样本集合。又例如，在一些没有特定要求的应用场景中，验证样本集合中正负样本数量比例可等于1，即选取负样本的数量等于正样本的数量的验证样本集合。又例如，在一些应用场景中，尽量避免将正样本误判为负样本，对应地，验证样本集合中正负样本数量比例可大于1，即选取正样本的数量大于负样本的数量的验证样本集合。
27.分类预期要求包括对各分类模型分类效果的要求，具体可包括可表征各分类模型分类效果的参数。在一些示例中，分类预期要求可与正样本通过率(true accept rate，tar)和负样本拦截率(true reject rate，trr)相关，例如，分类预期要求包括正样本通过率和负样本拦截率，分类预期要求中各分类模型的正样本通过率和负样本拦截率是各分类模型对验证样本集合处理所期望的正样本通过率和负样本拦截率。计算得到分类模型各自的分类精度能够使分类模型处理验证样本集合的分类结果符合分类预期要求。分类模型的分类精度可表征分类模型的分类结果的准确性，分类精度越高，分类结果的准确性越高。
28.在步骤s102中，根据分类精度，选取第一目标分类模型和第二目标分类模型。
29.根据分类精度在分类模型中选取两个分类模型作为目标分类模型。其中，第一目标分类模型为分类精度最高的分类模型，第二目标分类模型与目标分类模型与第一目标分类模型不同，以增加后续生成融合模型处理数据所参考的维度，提高利用融合模型进行的测试判断类工作的准确性。
30.在一些示例中，第二目标分类模型的分类精度可满足预设精度条件，且第二目标分类模型与第一目标分类模型的相关性满足预设相关性条件。不同分类模型之间的相关性可基于分类模型处理验证样本集合的分类结果得到，在此并不限定。例如，预设精度条件可包括分类精度大于预设精度阈值，和/或，在分类精度最高的前n个分类模型中，n为正整数，
具体地，n可为大于2的正整数。例如，预设相关性条件可包括第二目标分类模型与第一目标分类模型的相关性参数小于等于预设相关性阈值。
31.在步骤s103中，基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一分类分数区间和第二分类分数区间，并生成融合模型。
32.第一目标分类模型对验证样本集合的分类分数包括第一目标分类模型处理验证样本集合得到的验证样本集合中样本的分类分数，根据分类分数和第一目标分类模型的分类阈值，可实现对验证样本集合中的样本的分类。具体地，第一目标分类模型可将分类分数小于等于第一目标分类模型的分类阈值的样本分为一类，将分类分数大于第一目标分类模型的分类阈值的样本分为另一类。第一目标分类模型的分类阈值可基于分类预期要求得到。
33.第一分类分数区间可包括第一目标分类模型的分类阈值，具体可将第一目标分类模型的分类阈值周围的区域作为第一分类分数区间。第二分类分数区间为第一分类分数区间的补集，即第二分类分数区间包括除第一分类分数区间之外的其他区间。
34.根据第一分类分数区间和第二分类分数区间，可生成融合模型。融合模型中对分类分数位于第一分类分数区间的数据的处理，和分类分数位于第二分类分数区间的数据的处理不同。具体地，融合模型的规则包括：分类分数位于第一分类分数区间的数据的分类结果基于第二目标分类模型得到，分类分数位于第二分类分数区间的数据的分类基于第一目标分类模型得到。融合模型的规则中的分类分数为数据经第一目标分类模型处理得到的分类分数。由于第一分类分数区间包括第一目标分类模型的分类阈值，分类分数位于第一分类分数区间的数据单独利用第一目标分类模型分类，分类结果的准确性较低。在本技术实施例中，可利用第二目标分类模型对分类分数位于第一分类分数区间的数据的处理，来弥补第一目标分类模型对分类分数位于第一分类分数区间的数据处理的准确度。分类分数位于第二分类分数区间的数据单独利用第一目标分类模型分类，分类结果的准确性较高，不需再引入其他的分类模型。
35.在一些示例中，分类分数位于第一分类分数区间的数据的分类结果可单独利用第二目标分类模型得到，也可利用第二目标分类模型和第一目标分类模型得到，在此并不限定。
36.得到融合模型后，可将待分类数据输入融合模型，由融合模型按照融合模型的规则对待分类数据处理，输出待分类数据的分类结果。
37.在本技术实施例中，可利用多个分类模型、验证样本集合和分类预期要求，得到分类模型的分类精度，根据分类精度，在多个分类模型中选取分类精度最高的一个目标分类模型和另一个第二目标分类模型。基于分类精度最高的分类模型即第一目标分类模型对验证样本集合的分类分数和分类预期要求，得到第一分类分数区间和第二分类分数区间，并根据两个分类分数区间生成融合模型。融合模型可按照融合模型的规则对分类分数位于第一分类分数区间的数据和分类分数位于第二分类分数区间的数据进行不同的处理。对于分类分数位于不包括分类阈值的第二分类分数区间的数据，可直接利用分类精度最高的第一目标分类模型进行处理；对于分类分数位于包括分类阈值的第一分类分数区间的数据，利用第二目标分类模型对分类分数位于第一分类分数区间的数据的处理，来弥补第一目标分类模型对分类分数位于第一分类分数区间的数据处理的准确度，以提高分类的准确性。
38.下面对上述步骤s101至步骤s103进行进一步说明。图2为本技术另一实施例提供的模型融合方法的流程图。图2与图1的不同之处在于，图1中的步骤s101可具体细化为图2中的步骤s1011至步骤s1014，图1中的步骤s102可具体细化为图2中的步骤s1021至步骤s1024，图1中的步骤s103可具体细化为图2中的步骤s1031至步骤s1033。
39.在步骤s1011中，按照分类预期要求，设置每个分类模型的分类阈值。
40.分类预期要求与正样本通过率、负样本拦截率相关。分类阈值使得分类模型满足分类预期要求。可根据分类预期要求，得到每个分类模型的能够满足分类预期要求的分类阈值。按照对应的分类阈值，分类模型对验证样本集合处理得到的分类结果可满足分类预期要求。
41.在步骤s1012中，分别利用分类模型对验证样本集合处理，得到分类结果。
42.利用分类模型对验证样本集合处理，可得到验证样本集合中每个样本对应的分类结果。步骤s1012中的分类结果可表征经分类模型分类，验证样本集合中样本被分到的类别。例如，分类结果可包括正类别和负类别。
43.在步骤s1013中，基于分类结果和验证样本集合中样本的分类标签，确定分类模型的正样本通过率和负样本拦截率。
44.验证样本集合中的样本均具有分类标签，分类标签指示该样本所属的类别，类别可包括正类别与负类别。正样本的分类标签指示正类别，负样本的分类标签指示负类别。但由于分类模型的准确率有可能不是100％，可能存在分类模型对正样本处理，将正样本分到负类别的情况，以及，可能存在分类模型对负样本处理，将正样本分到正类别的情况。可根据各样本的分类结果和各样本的分类标签，来计算分类模型的正样本通过率和负样本拦截率。正样本通过率具体可为分类结果和分类标签一致的正样本的数量与分类标签为正类别的正样本的数量的比值。负样本拦截率具体可为分类结果和分类标签一致的负样本的数量与分类标签为负类别的正样本的数量的比值。每个分类模型都有可知对应的正样本通过率和负样本拦截率。不同分类模型的正样本通过率可以相同，也可不同。不同分类模型的负样本拦截率可以相同，也可不同。
45.在步骤s1014中，根据验证样本集合中正样本占比、负样本占比，以及分类模型的正样本通过率和负样本拦截率，计算得到分类模型的分类精度。
46.验证样本集合中的正样本占比为验证样本集合中正样本的数量与验证样本集合中样本的总量的比值。验证样本集合中的负样本占比为验证样本集合中负样本的数量与验证样本集合中样本的总量的比值。验证样本集合中的正样本占比和负样本占比之和为1。分类精度可视为分类模型的正样本通过率和负样本拦截率在分类预期要求下的加权均值。例如，分类精度可根据下面的关系式(1)计算：
47.acc＝r
×
c1 (1-r)
×
c2 (1)
48.其中，acc为分类精度；r为验证样本集合中的正样本占比；1-r为验证样本集合中的负样本占比；c1为分类模型的正样本通过率；c2为分类模型的负样本拦截率。
49.在步骤s1021中，按照分类精度由高至低的顺序选取前n个分类模型。
50.要保证生成的融合模型的分类精度较高，进行融合的两个分类模型即第一目标分类模型和第二目标分类模型各自的分类精度也应满足一定要求，例如，第一目标分类模型和第二目标分类模型的分类精度大于预设精度阈值，或者，第一目标分类模型和第二目标
分类模型的分类精度在分类模型中为最高的前几个中的两个。在本实施例中，可按照分类精度由高至低的顺序选取前n个分类模型，再在这前n个模型中选取得到第一目标分类模型和第二目标分类模型。
51.n为大于1的整数，在此并不限定n的具体取值。例如，n可取3、4或5。
52.在步骤s1022中，在前n个分类模型中，选取分类精度最高的分类模型作为第一目标分类模型，其他分类模型作为候选模型。
53.这里的其他分类模型为前n个分类模型中除第一目标分类模型外的其他分类模型。
54.在步骤s1023中，基于候选模型对验证样本集合处理的分类结果与第一目标分类模型对验证样本集合处理的分类结果，分别计算各候选模型与第一目标分类模型的相关性参数。
55.基于候选模型对验证样本集合处理的分类结果，可确定候选模型对验证样本集合中样本的分类是否正确，从而确定候选模型分类的正确性。基于第一目标分类模型对验证样本集合处理的分类结果，可确定第一目标分类模型对验证样本集合中样本的分类是否正确，从而确定第一目标分类模型分类的正确性。
56.相关性参数可体现候选模型与第一目标分类模型的相关性。相关性参数值越高，表示候选模型与第一目标分类模型的相关性越大，即候选模型分类所参考的因素与第一目标分类模型分类所参考的因素越相近。
57.在一些示例中，可基于候选模型对验证样本集合处理的分类结果与第一目标分类模型对验证样本集合处理的分类结果，分别计算各候选模型与第一目标分类模型的协方差。再根据协方差，计算各候选模型与第一目标分类模型的相关性参数。
58.基于候选模型对验证样本集合处理的分类结果，可得到候选模型分类的正确性，候选模型分类的正确性可体现为候选模型分类的正确率。同理，基于第一目标分类模型对验证样本集合处理的分类结果，可得到第一目标分类模型分类的正确性，第一目标分类模型分类的正确性可体现为第一目标分类模型分类的正确率。在一些示例中，候选模型与第一目标分类模型的协方差可根据以下关系式(2)计算：
59.cov(xa,xb)＝p(ab)-p(a)p(b) (2)
60.其中，cov(xa,xb)为候选模型与第一目标分类模型的协方差；p(a)为第一目标分类模型分类的正确率；p(b)为候选模型分类的正确率；p(ab)为第一目标分类模型分类正确且候选模型分类正确的概率。
61.根据候选模型与第一目标分类模型的协方差，可计算候选模型与第一目标分类模型的相关性参数。在一些示例中，候选模型与第一目标分类模型的相关性参数可根据以下关系式(3)计算：
[0062][0063]
其中，corr(xa,xb)为候选模型与第一目标分类模型的相关性参数；cov(xa,xb)为候选模型与第一目标分类模型的协方差；p(a)为第一目标分类模型分类的正确率；为第一目标分类模型分类的错误率；p(b)为候选模型分类的正确率；为候选模型分类的
错误率。
[0064]
在步骤s1024中，选取相关性参数低于等于预设关联阈值且分类精度最高的候选模型作为第二目标分类模型。
[0065]
预设关联阈值为限定两分类模型的相关性过高的阈值。预设关联阈值可根据具体场景、需求、经验等设定，在此并不限定。例如，预设关联阈值可为0.7或其他值。若候选模型与第一目标分类模型的相关性参数高于预设关联阈值，表示候选模型分类所参考的因素与第一目标分类模型分类所参考的因素过于相近，候选模型与第一目标分类模型融合对提高分类的准确性帮助不大。与第一目标分类模型分类所参考的因素不那么相近的候选模型，与第一目标分类模型融合对提高分类的准确性帮助更大。此外，还需要保证融合后的融合模型的分类精度，因此，还需在满足相关性参数要求的候选模型中选取分类精度最高的候选模型作为第二目标分类模型。
[0066]
例如，分类模型共有10个，按照分类精度由高至低分别为分类模型a1至a10。在n＝5的情况下，可选取分类模型a1作为第一目标分类模型，将分类模型a2至a5作为候选模型。计算得到分类模型a1与分类模型a2的相关性参数0.5、分类模型a1与分类模型a3的相关性参数0.8、分类模型a1与分类模型a4的相关性参数0.6和分类模型a1与分类模型a5的相关性参数0.9。若预设关联阈值为0.7，先筛除分类模型a3和分类模型a5，在分类模型a2和分类模型a4中，选取分类精度更高的分类模型a2作为第二目标分类模型。
[0067]
在步骤s1031中，根据第一目标分类模型对验证样本集合处理的分类分数，统计验证样本集合中与各分类分数对应的样本数量。
[0068]
第一目标分类模型对验证样本集合中的样本进行处理，可得到该样本的分类分数。第一目标分类模型对验证样本集合处理的分类分数包括该验证样本集合中各样本对应的分类分数。按照验证样本集合中样本与分类分数的对应关系，可统计得到验证样本集合中与各分类分数对应的样本数量。
[0069]
在步骤s1032中，基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一目标分类模型的分类阈值。
[0070]
分类预期要求与正样本通过率、负样本拦截率相关。第一目标分类模型利用第一目标分类模型的分类阈值对验证样本集合处理的分类结果可满足分类预期要求。数据经第一目标分类处理得到分类分数大于等于第一目标分类模型的分类阈值，则该数据的分类结果为正类型；数据经第一目标分类处理得到分类分数小于第一目标分类模型的分类阈值，则该数据的分类结果为负类型。步骤s1032中确定第一目标分类模型的分类阈值的内容可参考上述步骤s1011中的相关内容，在此不再赘述。
[0071]
在步骤s1033中，根据第一目标分类模型的分类阈值、验证样本集合中与各分类分数对应的样本数量，确定第一分类分数区间和第二分类分数区间，并生成融合模型。
[0072]
第一分类分数区间和第二分类分数区间使融合模型的分类精度最高。第一分类分数区间包括第一目标分类模型的分类阈值。可先设定一个包括第一目标分类模型的分类阈值的初始分类分数区间作为第一分类分数区间，不断调节第一分类分数区间的范围，得到不同的第一分类分数区间，对应地，也会得到不同的第二分类分数区间。计算根据各种第一分类分数区间和第二分类分数区间生成的融合模型的分类精度，在融合模型的分类精度最高时，将该融合模型作为最终生成的融合模型，并将此时的两个分类分数区间作为第一分
类分数区间和第二分类分数区间。
[0073]
在一些实施例中，样本数量可包括正样本数量和负样本数量，对应地，在上述步骤中统计验证样本集合中与各分类分数对应的样本数量时，可具体统计验证样本集合中与各分类分数对应的正样本数量和负样本数量。上述步骤s1033可具体细化为步骤a1至步骤a3。
[0074]
a1、可根据第一目标分类模型的分类阈值和样本数量，确定初始分类分数区间。
[0075]
初始分类分数区间包括第一目标分类模型的分类阈值，分类分数位于初始分类分数区间的样本的分布特性与验证样本集合中样本的分布特性一致。在一些示例中，分类分数位于初始分类分数区间中正负样本数量比例与验证样本集合中正负样本数量比例的差值在第一忽略误差范围内，且第一分类精度与第二分类精度的差值在第二忽略误差范围内。第一分类精度包括第一目标分类模型处理验证样本集合中分类分数位于初始分类分数区间的样本的分类精度。第二分类精度包括第二目标分类模型处理验证样本集合的分类精度。
[0076]
分类分数位于初始分类分数区间中正负样本数量比例为分类分数位于初始分类分数区间中的正样本的数量与负样本的数量的比值。验证样本集合中正负样本数量比例为验证样本集合中正样本的数量与负样本的数量的比值。
[0077]
第一忽略误差范围为分类分数位于初始分类分数区间的正负样本数量比例与验证样本集合中正负样本数量比例之间的可接受的误差范围，可根据具体场景、需求、经验等设定，在此并不限定。若要进一步提高生成的融合模型分类的准确性，可使分类分数位于初始分类分数区间中正负样本数量比例与验证样本集合中正负样本数量比例相同。第二忽略误差范围为第一分类精度与第二分类精度之间的可接受的误差范围，可根据具体场景、需求、经验等设定，在此并不限定。若要进一步提高生成的融合模型分类的准确性，可使第一分类精度与第二分类精度相同。
[0078]
a2、逐次缩小初始分类分数区间，使分类分数位于每次缩小后的初始分类分数区间的样本的分布特性与验证样本集合中样本的分布特性一致。
[0079]
初始分类分数区间还可进一步优化，从而得到第一分类分数区间和第二分类分数区间。具体地，可逐次缩小初始分类分数区间，这里的缩小初始分类分数区间指增大初始分类分数区间的下限值，并减小分类分数区间的上限值。
[0080]
在一些示例中，初始分类分数区间缩小后，分类分数位于缩小后的初始分类分数区间中正负样本数量比例与验证样本集合中正负样本数量比例的差值在第一忽略误差范围内，且缩小后的初始分类分数区间对应的第一分类精度与第二分类精度的差值在第二忽略误差范围内。第一忽略误差范围和第二忽略误差范围的内容可参见上述实施例中的相关说明，在此不再赘述。
[0081]
a3、根据每次缩小后的初始分类分数区间和融合模型的规则，确定第一分类分数区间和第二分类分数区间，并生成融合模型。
[0082]
根据每次缩小后的初始分类分数区间和该缩小后的初始分类分数区间的补集区间，可生成初始融合模型，该初始融合模型的规则与融合模型的规则一致，初始融合模型可按照融合模型的规则对数据进行处理，得到分类结果，根据分类结果，可得到初始融合模型的分类精度。将分类精度最高的初始融合模型确定为最终需要的融合模型。
[0083]
在一些示例中，上述步骤a3可具体细化为步骤a31至步骤a35。
[0084]
a31、根据每次缩小后的初始分类分数区间，生成初始融合模型。
[0085]
可将每次缩小后的初始分类分数区间视为初始的第一分类分数区间，将缩小后的初始分类分数区间的补集区间视为初始的第二分类分数区间。基于初始的第一分类分数区间和初始的第二分类分数区间，从而生成初始融合模型。
[0086]
a32、基于每次缩小后的初始分类分数区间和融合模型的规则，计算初始融合模型处理验证样本集合的分类精度，直至初始融合模型处理验证样本集合的分类精度达到最大值。
[0087]
可根据融合模型的规则得到初始模型的规则。初始融合模型的规则与融合模型的规则类似，具体为：分类分数位于初始的第一分类分数区间的数据的分类结果基于第二目标分类模型得到，分类分数位于初始的第二分类分数区间的数据的分类基于第一目标分类模型得到。基于每次缩小后的初始分类分数区间和融合模型的规则，可得到初始融合模型对验证样本集合处理的分类结果，从而根据分类结果计算得到对应的分类精度。在逐次缩小初始分类分数区间的过程中，计算得到的分类精度会先增大再减小，在该过程中可获取到达到最大值的分类精度对应的缩小的初始分类分数区间。
[0088]
a33、将分类精度达到最大值的初始融合模型中的初始分类分数区间确定为第一分类分数区间。
[0089]
a34、根据第一分类分数区间，确定第二分类分数区间。
[0090]
第一分类分数区间的补集即为第二分类分数区间。
[0091]
a35、根据第一分类分数区间和第二分类分数区间，生成融合模型。
[0092]
融合模型的规则可参见上述实施例中的相关说明，在此不再赘述。
[0093]
下面结合一示例对上述过程进行说明。图3为本技术实施例提供的验证样本集合中样本数量与分类分数的关系的一示例的示意图。图3示出了验证样本集合中正样本的样本数量、负样本的样本数量与分类分数的对应关系。横坐标表示分类分数，纵坐标表示样本数量。如图3所示，t0为第一目标分类模型的分类阈值；t1和t2可视为初始分类分数区间的下限值和上限值，也可视为第一分类分数区间的下限值和上限值。以t1和t2为初始分类分数区间的下限值和上限值为例，为了能够提高融合模型的分类精度，即提高融合模型分类的准确性，可逐步增大t1的值，并减小t2的值，以缩小初始分类分数区间[t1,t2]，但要保证缩小的初始分类分数区间中正负样本数量比例与验证样本集合中正负样本数量比例相同。在每次缩小初始分类分数区间[t1,t2]后，都可计算缩小的初始分类分数区间对应的初始融合模型对验证样本集合处理的分类精度，该分类精度会随着初始分类分数区间[t1,t2]的缩小先增大再减小。
[0094]
图3所示的分类分数区间全集(简称全集)、分类分数区间[t1,t2]、分类分数区间(0,t1)和(t2, ∞)各自对应的第一目标分类模型的分类精度、第二目标分类模型的分类精度、第一目标分类模型和第二目标分类模型均分类正确的联合分布(简称联合分布)、第一目标分类模型和第二目标分类模型均分类正确的协方差(简称协方差)如下表一所示：
[0095]
表一
[0096][0097]
其中，acc_a1＜acc_a；acc_a2＞acc_a；acc_b＜acc_a；acc_b1＜acc_b；acc_b2＞acc_b；p(ab1)＜p(ab)；p(ab2)＞p(ab)；conv＝conv1＝conv2。
[0098]
分类分数区间[t1,t2]的分类精度可根据以下关系式(4)计算：
[0099]
acc_a1＝s
×
tar_a1 (1-s)
×
trr_a1 (4)
[0100]
其中，acc_a1为分类分数区间[t1,t2]的分类精度；s为分类分数区间[t1,t2]中的正样本占比；1-s为分类分数区间[t1,t2]中的负样本占比；tar_a1为分类分数区间[t0,t2]中的正样本数量与分类分数区间[t1,t2]中正样本数量的比值；trr_a1为分类分数区间[t1,t0]中的负样本数量与分类分数区间[t1,t2]中负样本数量的比值；acc_a1可视为tar_a1和trr_a1在分类分数区间[t1,t2]中的加权均值。
[0101]
在一些实施例中，得到融合模型后，可利用融合模型对待分类数据进行处理，以实现对待分类数据的分类。图4为本技术又一实施例提供的模型融合方法的流程图。图4与图1的不同之处在于，图4所示的模型融合方法还可包括步骤s104至步骤s106。
[0102]
在步骤s104中，获取待分类数据，利用第一目标分类模型对待分类数据处理，得到待分类数据的分类分数。
[0103]
首先通过第一目标分类模型对待分类数据处理，得到分类分数，以便于确定待分类数据的分类结果应该基于哪个目标分类模型确定。
[0104]
在步骤s105中，在待分类数据的分类分数位于第一分类分数区间的情况下，利用第二目标分类模型对待分类数据处理，将第二目标分类模型输出的结果作为待分类数据的分类结果，或，利用第一目标分类模型和第二目标分类模型对待分类数据处理，将第一目标分类模型输出的结果或第二目标分类模型输出的结果作为待分类数据的分类结果。
[0105]
在待分类数据的分类分数位于第一分类分数区间的情况下，可根据对待分类数据的分类要求，来确定是单独利用第二目标分类模型对待分类数据进行处理，还是利用第一目标分类模型和第二目标分类模型对待分类数据进行处理。
[0106]
在一些示例中，若对待分类数据的分类没有特殊要求，可单独利用第二目标分类模型对待分类数据进行处理，将第二目标分类模型输出的结果作为该待分类数据的分类结果。
[0107]
在一些示例中，若希望尽量避免将正类别的待分类数据分为负类别，或希望尽量避免将负类别的待分类数据分为正类别，则可采用取严策略，即利用第一目标分类模型和第二目标分类模型对待分类数据进行处理，若第一目标分类模型输出的结果和第二目标分类模型输出的结果不同，则取其中想要避免的情况对应的结果作为分类结果。例如，若希望尽量避免将正类别的待分类数据分为负类别，若第一目标分类模型输出的结果和第二目标
分类模型输出的结果中有一个为正类别，另一个为负类别，则选取正类别作为待分类数据的分类结果。又例如，若希望尽量避免将负类别的待分类数据分为正类别，若第一目标分类模型输出的结果和第二目标分类模型输出的结果中有一个为正类别，另一个为负类别，则选取负类别作为待分类数据的分类结果。
[0108]
在步骤s106中，在待分类数据的分类分数位于第二分类分数区间的情况下，利用第一目标分类模型对待分类数据处理，将第一目标分类模型输出的结果作为待分类数据的分类结果。
[0109]
待分类数据的分类分数位于第二分类分数区间，第一目标分类模型的分类精度已经足够准确，可单独利用第一目标分类模型对待分类数据进行处理。
[0110]
在一些实施例中，在得到融合模型后，可利用测试样本集合对融合模型进行测试，以判断融合模型是否符合期望。图5为本技术再一实施例提供的模型融合方法的流程图。图5与图1的不同之处在于，图5所示的模型融合方法还可包括步骤s107至步骤s113。
[0111]
在步骤s107中，获取测试样本集合。
[0112]
测试样本集合为与验证样本集合相互独立的样本集合。测试样本集合中至少部分样本与验证样本集合中的样本不同。在一些示例中，测试样本集合与验证样本集合的交集为空集，即测试样本集合中的样本与验证样本集合中的样本均不同。
[0113]
在步骤s108中，利用融合模型对测试样本集合处理，得到第一分类结果。
[0114]
第一分类结果包括融合模型对测试样本集合中的样本处理得到的分类结果。即第一分类结果可包括测试样本集合中的样本被融合模型分类为正类别或负类别。
[0115]
在步骤s109中，根据第一分类结果和测试样本集合中样本的分类标签，计算得到第一分类精度。
[0116]
测试样本集合中样本的分类标签标注了该样本为正类别或负类别。根据第一分类结果和测试样本集合中样本的分类标签，可确定正样本通过率和负样本拦截率。根据正样本通过率和负样本拦截率，计算得到第一分类精度。第一分类精度的计算可参见上述实施例中计算分类精度的关系式。
[0117]
在步骤s110中，分别利用第一目标分类模型和第二目标分类模型对测试样本集合处理，得到第二分类结果和第三分类结果。
[0118]
第二分类结果包括第一目标分类模型对测试样本集合中的样本处理得到的分类结果。即第二分类结果可包括测试样本集合中的样本被第一目标分类模型分类为正类别或负类别。
[0119]
第三分类结果包括第二目标分类模型对测试样本集合中的样本处理得到的分类结果。即第三分类结果可包括测试样本集合中的样本被第二目标分类模型分类为正类别或负类别。
[0120]
在步骤s111中，根据第二分类结果、第三分类结果和测试样本集合中样本的分类标签，计算得到第二分类精度。
[0121]
在一些示例中，若对待分类数据的分类没有特殊要求，第二分类精度包括第一精度和第二精度。根据第二分类结果和测试样本集合中样本的分类标签，可确定正样本通过率和负样本拦截率，根据正样本通过率和负样本拦截率，计算得到第一精度。第一精度的计算可参见上述实施例中计算分类精度的关系式。根据第三分类结果和测试样本集合中样本
的分类标签，可确定正样本通过率和负样本拦截率，根据正样本通过率和负样本拦截率，计算得到第二精度。第二精度的计算可参见上述实施例中计算分类精度的关系式。
[0122]
在一些示例中，若希望尽量避免将正类别的待分类数据分为负类别，或希望尽量避免将负类别的待分类数据分为正类别，则采用取严策略。即对第二分类结果、第三分类结果采用取严策略，结合测试样本集合中样本的分类标签，确定采用取严策略对应的正样本通过率和负样本拦截率，根据正样本通过率和负样本拦截率，计算得到第二分类精度。第二分类精度的计算可参见上述实施例中计算分类精度的关系式。
[0123]
在步骤s112中，在第一分类精度高于等于第二分类精度的情况下，使用融合模型进行分类。
[0124]
第一分类精度高于等于第二分类精度，表示融合模型测试通过，融合模型的分类精度达到期望要求，该融合模型可投入使用。
[0125]
在对待分类数据的分类没有特殊要求的情况下，第一分类精度高于等于第一精度且第一分类精度高于等于第二精度，认为第一分类精度高于等于第二分类精度，使用融合模型进行分类。
[0126]
在希望尽量避免将正类别的待分类数据分为负类别，或希望尽量避免将负类别的待分类数据分为正类别的情况下，第一分类精度高于等于第二分类精度，使用融合模型进行分类。
[0127]
在步骤s113中，在第一分类精度低于第二分类精度的情况下，重新生成融合模型。
[0128]
第一分类精度低于第二分类精度，表示融合模型测试未通过，融合模型的分类精度没有达到期望要求，需要重新生成融合模型。
[0129]
在对待分类数据的分类没有特殊要求的情况下，第一分类精度低于第一精度或第一分类精度低于第二精度，认为第一分类精度低于第二分类精度，重新生成融合模型。
[0130]
在希望尽量避免将正类别的待分类数据分为负类别，或希望尽量避免将负类别的待分类数据分为正类别的情况下，第一分类精度低于第二分类精度，重新生成融合模型。
[0131]
本技术提供的模型融合方法、装置、设备及存储介质可应用于各种检测判断类的场景中。例如，本技术实施例提供的模型融合方法、装置、设备及存储介质可应用于活体检测、信用评级、安全风险分析、任务分类等场景中，在此并不限定。
[0132]
在一些示例中，本技术实施例提供的模型融合方法、装置、设备及存储介质应用于活体检测场景，则上述实施例中的分类模型可包括活体检测模型，多个分类模型可包括侧重于防御活体检测物理造假的活体检测模型、防御活体检测图像造假的活体检测模型、参考因素包括材质、环境、摄像设备等的活体检测模型，在此并不限定。防御活体检测物理造假的活体检测模型可包括防御翻拍造假的活体检测模型、防御视频翻拍造假的活体检测模型、防御3d面具造假的活体检测模型、防御头模造假的活体检测模型等。防御活体检测图像造假的活体检测模型可包括防御人脸活化造假的活体检测模型、防御图像合成造假的活体检测模型等，在此并不限定。活体检测模型可处理数据，输出数据的来源对象为活体对象或非活体对象的结果，数据的来源对象为活体对象即为分类结果为正类别，数据的来源对象为非活体对象即为分类结果为负类别。生成的融合模型可用于进行活体检测。验证样本集合包括活体检测数据样本，测试样本集合包括活体检测数据样本。
[0133]
本技术提供一种模型融合装置。图6为本技术一实施例提供的模型融合装置的结
构示意图。如图6所示，该模型融合装置200可包括分类精度计算模块201、模型选取模块202和模型融合模块203。
[0134]
分类精度计算模块201可用于利用获取的多个分类模型、验证样本集合和分类预期要求，计算得到分类模型的分类精度。
[0135]
模型选取模块202可用于根据分类精度，选取第一目标分类模型和第二目标分类模型。
[0136]
第一目标分类模型为分类精度最高的分类模型。第二目标分类模型与目标分类模型与第一目标分类模型不同。
[0137]
模型融合模块203可用于基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一分类分数区间和第二分类分数区间，并生成融合模型。
[0138]
第一分类分数区间包括第一目标分类模型的分类阈值。第二分类分数区间为第一分类分数区间的补集。
[0139]
融合模型的规则包括：分类分数位于第一分类分数区间的数据的分类结果基于第二目标分类模型得到，分类分数位于第二分类分数区间的数据的分类基于第一目标分类模型得到。
[0140]
在本技术实施例中，可利用多个分类模型、验证样本集合和分类预期要求，得到分类模型的分类精度，根据分类精度，在多个分类模型中选取分类精度最高的一个目标分类模型和另一个第二目标分类模型。基于分类精度最高的分类模型即第一目标分类模型对验证样本集合的分类分数和分类预期要求，得到第一分类分数区间和第二分类分数区间，并根据两个分类分数区间生成融合模型。融合模型可按照融合模型的规则对分类分数位于第一分类分数区间的数据和分类分数位于第二分类分数区间的数据进行不同的处理。对于分类分数位于不包括分类阈值的第二分类分数区间的数据，可直接利用分类精度最高的第一目标分类模型进行处理；对于分类分数位于包括分类阈值的第一分类分数区间的数据，利用第二目标分类模型对分类分数位于第一分类分数区间的数据的处理，来弥补第一目标分类模型对分类分数位于第一分类分数区间的数据处理的准确度，以提高分类的准确性。
[0141]
在一些实施例中，分类预期要求与正样本通过率、负样本拦截率相关。计算模块201可用于：按照分类预期要求，设置每个分类模型的分类阈值，分类阈值使得分类模型满足分类预期要求；分别利用分类模型对验证样本集合处理，得到分类结果；基于分类结果和验证样本集合中样本的分类标签，确定分类模型的正样本通过率和负样本拦截率；根据验证样本集合中正样本占比、负样本占比，以及分类模型的正样本通过率和负样本拦截率，计算得到分类模型的分类精度。
[0142]
在一些实施例中，模型选取模块202可用于：按照分类精度由高至低的顺序选取前n个分类模型，n为大于1的整数；在前n个分类模型中，选取分类精度最高的分类模型作为第一目标分类模型，其他分类模型作为候选模型；基于候选模型对验证样本集合处理的分类结果与第一目标分类模型对验证样本集合处理的分类结果，分别计算各候选模型与第一目标分类模型的相关性参数；选取相关性参数低于等于预设关联阈值且分类精度最高的候选模型作为第二目标分类模型。
[0143]
可选地，计算模块201可用于：基于候选模型对验证样本集合处理的分类结果与第一目标分类模型对验证样本集合处理的分类结果，分别计算各候选模型与第一目标分类模
型的协方差；根据协方差，计算各候选模型与第一目标分类模型的相关性参数。
[0144]
在一些实施例中，模型融合模块203可用于：根据第一目标分类模型对验证样本集合处理的分类分数，统计验证样本集合中与各分类分数对应的样本数量；基于第一目标分类模型对验证样本集合的分类分数和分类预期要求，确定第一目标分类模型的分类阈值，分类预期要求与正样本通过率、负样本拦截率相关；根据第一目标分类模型的分类阈值、验证样本集合中与各分类分数对应的样本数量，确定第一分类分数区间和第二分类分数区间，并生成融合模型，第一分类分数区间和第二分类分数区间使融合模型的分类精度最高。
[0145]
可选地，样本数量包括正样本数量和负样本数量。模型融合模块203可用于：根据第一目标分类模型的分类阈值和样本数量，确定初始分类分数区间，初始分类分数区间包括第一目标分类模型的分类阈值，分类分数位于初始分类分数区间的样本的分布特性与验证样本集合中样本的分布特性一致；逐次缩小初始分类分数区间，使分类分数位于每次缩小后的初始分类分数区间的样本的分布特性与验证样本集合中样本的分布特性一致；根据每次缩小后的初始分类分数区间和融合模型的规则，确定第一分类分数区间和第二分类分数区间，并生成融合模型。
[0146]
在一些示例中，分类分数位于初始分类分数区间中正负样本数量比例与验证样本集合中正负样本数量比例的差值在第一忽略误差范围内，且第一分类精度与第二分类精度的差值在第二忽略误差范围内。第一分类精度包括第一目标分类模型处理验证样本集合中分类分数位于初始分类分数区间的样本的分类精度。第二分类精度包括第二目标分类模型处理验证样本集合的分类精度。
[0147]
具体地，模型融合模块203可用于：根据每次缩小后的初始分类分数区间，生成初始融合模型；基于每次缩小后的初始分类分数区间和融合模型的规则，计算初始融合模型处理验证样本集合的分类精度，直至初始融合模型处理验证样本集合的分类精度达到最大值；将分类精度达到最大值的初始融合模型中的初始分类分数区间确定为第一分类分数区间；根据第一分类分数区间，确定第二分类分数区间；根据第一分类分数区间和第二分类分数区间，生成融合模型。
[0148]
在一些实施例中，得到融合模型后，可利用融合模型对待分类数据进行处理，以实现对待分类数据的分类。图7为本技术另一实施例提供的模型融合装置的结构示意图。图7与图6的不同之处在于，图7所示的模型融合装置200还可包括处理模块204、第一分类模块205和第二分类模块206。
[0149]
处理模块204可用于获取待分类数据，利用第一目标分类模型对待分类数据处理，得到待分类数据的分类分数。
[0150]
第一分类模块205可用于在待分类数据的分类分数位于第一分类分数区间的情况下，利用第二目标分类模型对待分类数据处理，将第二目标分类模型输出的结果作为待分类数据的分类结果，或，利用第一目标分类模型和第二目标分类模型对待分类数据处理，将第一目标分类模型输出的结果或第二目标分类模型输出的结果作为待分类数据的分类结果。
[0151]
第二分类模块206可用于在待分类数据的分类分数位于第二分类分数区间的情况下，利用第一目标分类模型对待分类数据处理，将第一目标分类模型输出的结果作为待分类数据的分类结果。
[0152]
在一些实施例中，在得到融合模型后，可利用测试样本集合对融合模型进行测试，以判断融合模型是否符合期望。图8为本技术又一实施例提供的模型融合装置的结构示意图。图8与图6的不同之处在于，图8所示的模型融合装置200还可包括测试样本获取模块207和测试模块208。
[0153]
测试样本获取模块207可用于：获取测试样本集合，测试样本集合为与验证样本集合相互独立的样本集合。
[0154]
测试模块208可用于：利用融合模型对测试样本集合处理，得到第一分类结果；根据第一分类结果和测试样本集合中样本的分类标签，计算得到第一分类精度；分别利用第一目标分类模型和第二目标分类模型对测试样本集合处理，得到第二分类结果和第三分类结果；根据第二分类结果、第三分类结果和测试样本集合中样本的分类标签，计算得到第二分类精度；在第一分类精度高于等于第二分类精度的情况下，使用融合模型进行分类；在第一分类精度低于第二分类精度的情况下，使计算模块201、模型选取模块202和模型融合模块203重新生成融合模型。
[0155]
在一些示例中，分类模型包括活体检测模型，验证样本集合包括活体检测数据样本。
[0156]
本技术还提供一种模型融合设备。图9为本技术一实施例提供的模型融合设备的结构示意图。如图9所示，模型融合设备300包括存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序。
[0157]
在一个示例中，上述处理器302可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0158]
存储器301可包括只读存储器(read-only memory，rom)，随机存取存储器(random access memory，ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本技术实施例中模型融合方法所描述的操作。
[0159]
处理器302通过读取存储器301中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述实施例中的模型融合方法。
[0160]
在一个示例中，模型融合设备300还可包括通信接口303和总线304。其中，如图9所示，存储器301、处理器302、通信接口303通过总线304连接并完成相互间的通信。
[0161]
通信接口303，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口303接入输入设备和/或输出设备。
[0162]
总线304包括硬件、软件或两者，将模型融合设备300的部件彼此耦接在一起。举例来说而非限制，总线304可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(enhanced industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(low pin count，lpc)总线、存储器总线、微信道架构(micro channel architecture，mca)总线、外围组件互
连(peripheral component interconnect，pci)总线、pci-express(pci-e)总线、串行高级技术附件(serial advanced technology attachment，sata)总线、视频电子标准协会局部(video electronics standards association local bus，vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线304可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0163]
本技术还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时可实现上述实施例中的模型融合方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括非暂态计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等，在此并不限定。
[0164]
本技术实施例还提供一种计算机程序产品，该计算机程序产品中的指令由电子设备的处理器执行时，使得该电子设备执行上述实施例中的模型融合方法，且能达到相同的技术效果，具体内容可参见上述实施例的相关说明，为避免重复，这里不再赘述。
[0165]
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言，相关之处可以参见方法实施例的说明部分。本技术并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本技术的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
[0166]
上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0167]
本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。