污染物的测定方法及测定装置

1.本发明涉及近红外建模数据处理的技术领域，尤其涉及一种污染物的测定方法、污染物的测定装置以及对应的计算机可读存储介质。


背景技术：

2.航空燃料是航空事业不可或缺的能源。在航空燃料的使用过程中，存在很多的安全问题。一旦这些问题出现，往往会产生严重的航空事故。例如，我国与航空燃料相关的飞行事故率约为10％～15％，而世界每年约有500起一级飞行事故，其中与燃料相关的事故约占10％，因此航空燃料的质量是关系到生产安全的一个重要因素。
3.在航空燃料的生产、储存、运输、使用的全周期内，存在航空燃料被其他油料污染的风险。例如，3号喷气燃料在机场使用时可能被车用汽油、柴油污染。然而，传统的航空燃料污染物检测标准，例如mh/t6068-2017存在取样方法复杂、操作步骤多、耗时长、单次只能分析一个污染物，且不能对油料污染物的种类、含量进行分析的缺陷。
4.为了克服现有技术存在的上述缺陷，本领域亟需一种污染物的测定技术，用于快速、方便地完成对污染物的定性和定量分析，以确定受污染的物质中污染物的种类及其含量。


技术实现要素：

5.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
6.为了克服现有技术存在的上述缺陷，本发明提供了一种污染物的分析方法、一种污染物的分析装置以及对应的计算机可读存储介质，只需对受污染的物质进行一次光谱测定即可完成定性和定量的分析，即可方便、快速地确定受污染的物质中污染物的种类及其含量。
7.具体来说，根据本发明的第一方面提供的上述污染物测定方法包括以下步骤：获取待测污染物的近红外光谱；根据所述近红外光谱，确定所述待测污染物的吸光度特征向量；根据预先建立的模拟光谱集，对所述吸光度特征向量进行分类分析，以确定所述待测污染物中包含的一种或多种污染物质，其中，所述模拟光谱集是根据所述待测污染物对应的纯净物的近红外光谱来建立；以及根据所述模拟光谱集及分类结果，对所述吸光度特征向量进行回归分析，以确定所述待测污染物中各所述污染物质的含量。
8.进一步地，在本发明的一些实施例中，建立所述模拟光谱集的步骤包括：获取所述纯净物的第一近红外光谱；获取至少一种污染物样本的第二近红外光谱；设定所述污染物样本中各种所述污染物质的种类与含量；以及分别将各所述污染物样本的第二近红外光谱的第二吸光度向量和所述纯净物的第一近红外光谱的第一吸光度向量进行拟合，以建立所
述模拟光谱集。
9.进一步地，在本发明的一些实施例中，所述分别将各所述污染物样本的第二近红外光谱的第二吸光度向量和所述纯净物的第一近红外光谱的第一吸光度向量进行拟合的步骤包括：根据设定的污染物质种类和污染物质含量，对所述第一吸光度向量和各所述污染物质的第三吸光度向量进行线性拟合计算，以确定各所述污染物样本的第二近红外光谱的第二吸光度向量，其计算表达式为：
10.absor
mix
＝x％
×
absor
air
y％absor
pol
11.其中，absor
mix
为所述污染物样本的第二吸光度向量，absor
air
为所述纯净物的第一吸光度向量，absor
pol
为各所述污染物质的第三吸光度向量组成的矩阵，x％为所述纯净物的百分比含量，y％为各所述污染物质的百分比含量向量。
12.进一步地，在本发明的一些实施例中，所述根据预先建立的模拟光谱集，对所述吸光度特征向量进行分类分析，以确定所述待测污染物中包含的一种或多种污染物质的步骤包括：将所述吸光度特征向量输入预先建立并根据所述模拟光谱集训练的分类模型，以根据所述分类模型的第一学习参数确定对应的一种或多种污染物质。
13.进一步地，在本发明的一些实施例中，建立并训练所述分类模型的步骤包括：使用一维卷积的输入层、至少一层卷积层、池化层及输出层，建立初始化的分类模型；将所述模拟光谱集中的各所述第二吸光度向量依次导入所述输入层，经过所述分类模型的初始化的第一学习参数处理后，经由所述输出层获得对应的一个或多个种类预测标签；以及根据所述种类预测标签与样本期望值的误差，调整所述第一学习参数，并重复输入第二吸光度向量、计算种类预测标签及调整第一学习参数的操作，直至所述种类预测标签和所述样本期望值的误差满足误差阈值。
14.进一步地，在本发明的一些实施例中，所述根据所述模拟光谱集及分类结果，对所述吸光度特征向量进行回归分析，以确定所述待测污染物中各所述污染物质的含量的步骤包括：将所述吸光度特征向量及分类确定的所述一种或多种污染物质的分类结果标签，输入预先建立并根据所述模拟光谱集训练的回归模型，以根据所述回归模型的第二学习参数确定各所述污染物质的含量。
15.进一步地，在本发明的一些实施例中，建立并训练所述回归模型的步骤包括：建立回归模型以构建所述待测污染物的吸光度特征向量与其对应的一种或多种所述污染物质的含量的初始化关联；将所述模拟光谱集中的各所述第二吸光度向量及其对应的一种或多种污染物质的种类标签，依次导入所述回归模型，经过所述回归模型的初始化的第二学习参数处理后获得对应的一个或多个含量预测值；根据所述含量预测值与样本期望值的误差，调整所述第二学习参数，并重复输入第二吸光度向量及种类标签、计算含量预测值及调整第二学习参数的操作，直至所述一个或多个含量预测值和所述样本期望值的误差满足误差阈值。
16.进一步地，在本发明的一些实施例中，构建所述待测污染物的吸光度特征向量与其对应的一种或多种所述污染物质的含量的初始化关联；将所述模拟光谱集中的各所述第二吸光度向量及其对应的一种或多种污染物质的种类标签，依次导入所述回归模型，经过所述回归模型的初始化的第二学习参数处理后获得对应的一个或多个含量预测值；根据所述含量预测值与样本期望值的误差，调整所述第二学习参数，并重复输入第二吸光度向量
及种类标签、计算含量预测值及调整第二学习参数的操作，直至所述一个或多个含量预测值和所述样本期望值的误差满足误差阈值。
17.进一步地，在本发明的一些实施例中，整所述第二学习参数的步骤包括：设定不同类型的误差参数；以及根据误差函数的收敛速度，调整所述第二学习参数。
18.进一步地，在本发明的一些实施例中，所述纯净物为纯净航空燃料，所述待测污染物为航空燃料污染物，所述航空燃料污染物选自原油、凝析油、石脑油、汽油、煤油、柴油、蜡油、渣油、石油醚、润滑油中的至少一者。
19.此外，根据本发明的第二方面提供的上述污染物测定装置包括存储器及处理器。所述处理器连接所述存储器，并被配置与用于实施本发明的第一方面提供的上述污染物测定方法。
20.此外，根据本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施本发明的第一方面提供的上述污染物测定方法。
附图说明
21.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
22.图1示出了根据本发明的一些实施例提供的污染物的测定装置的架构图；
23.图2示出了根据本发明的一些实施例提供的污染物的测定方法的流程图；
24.图3示出了根据本发明的一些实施例提供的分类模型的卷积神经网络示意图；
25.图4示出了根据本发明的一些实施例提供的喷气燃料的近红外光谱示意图；
26.图5示出了根据本发明的一些实施例提供的石脑油的近红外光谱示意图；
27.图6示出了根据本发明的一些实施例提供的凝析油的近红外光谱示意图；
28.图7示出了根据本发明的一些实施例提供的石油醚的近红外光谱示意图；
29.图8示出了根据本发明的一些实施例提供的石脑油回归模型的预测值与真实值的偏离程度示意图；
30.图9示出了根据本发明的一些实施例提供的含凝析油的回归模型的预测值与真实值的偏离程度示意图；以及
31.图10示出了根据本发明的一些实施例提供的石油醚回归模型的预测值与真实值的偏离程度示意图。
具体实施方式
32.以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
33.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
34.另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
35.能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
36.如上所述，在航空燃料的生产、储存、运输、使用的全周期内，存在航空燃料被其他油料污染的风险。例如，3号喷气燃料在机场使用时可能被车用汽油、柴油污染。然而，传统的航空燃料污染物检测标准，例如mh/t 6068-2017存在取样方法复杂、操作步骤多、耗时长、单次只能分析一个污染物，且不能对油料污染物的种类、含量进行分析的缺陷。
37.由于光谱学技术的成熟、计算机科学技术可靠性和准确性的提高、化学计量学的发展和应用，使近红外技术能够在短时间内完成大量的光谱数据分析和处理，从而使近红外技术得到了快速的发展。
38.为了克服现有技术存在的上述缺陷，本发明提供了一种污染物的测定方法、一种污染物测定的规划装置以及一种对应的计算机可读存储介质，只需对受污染的物质进行一次光谱测定，即可完成定性和定量的分析，从而确定受污染的物质中污染物的种类及其含量。
39.在一些非限制性的实施例中，本发明的第一方面提供的上述污染物测定方法，可以经由本发明的第二方面提供的污染物测定装置来实施。具体来说，该规划装置中配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供的污染物测定方法。
40.请参考图1。图1示出了根据本发明的一些实施例提供的污染物测定装置的架构图。污染物测定装置包括内部通信总线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可以实现污染物的测定装置组件间的数据通信。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。通信端口305可以实现污染物的测定装置与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，污染物的测定装置可以通过通信端口305从网络发送和接收信息及数据。在一些实施例中，污染物的测定装置可以通过输入/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。污染物的测定装置还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(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。
41.以下将结合一些污染物测定方法的实施例来描述上述污染物测定装置的工作原理。本领域的技术人员可以理解，这些交流方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该污染测定装置的全部功能或全部工作方式。同样地，该污染物测定装置也只是本发明提供的一种非限制性的实施方式，不对这些污染物测定方法中各步骤的执行主体构成限制。
42.如图2的步骤s1所示，在测定污染物的过程中，污染物测定装置可以首先获取待测污染物的近红外光谱，确定待测污染物的吸光度特征向量。
43.可选地，在一些实施例中，本发明可以运用布鲁克matrix-f近红外光谱仪采集3号喷气燃料和石脑油、凝析油、石油醚的光谱数据，其近红外光谱如图3～6所示。
44.进一步地，如图1的步骤s2所示，在获取待测污染物的近红外光谱和待测污染物的吸光度特征向量后，本发明可以通过设定受污染的物质中污染物的种类与比例，将污染物的近红外光谱的吸光度向量和纯净物的近红外光谱的吸光度向量进行拟合，形成所述模拟光谱集。
45.具体来说，本发明可以依据比尔-朗伯定律，按照设定的污染物种类和比例，将所述污染物的近红外光谱的吸光度向量和对应纯净物的近红外光谱的吸光度向量进行线性拟合计算，形成受污染的航空燃料模拟光谱集。此光谱集的吸光度向量的计算表达式为：
46.absor
mix
＝x％
×
absor
air
y％absor
pol
47.其中，absor
mix
、absor
air
和absor
pol
分别为受污染的航空燃料、纯净航空煤油和航空燃料常见油料污染物的吸光度向量，x％和y％分别为纯净航空煤油和航空燃料常见油料污染物的模拟质量百分比。
48.可选地，在一些实施例中，待测污染物包括但不限于喷气燃料和航空活塞式发动机燃料。该喷气燃料包括但不限于1号喷气燃料、2号喷气燃料、3号喷气燃料、4号喷气燃料、5号喷气燃料、6号喷气燃料中的至少一者。该航空汽油包括但不限于75号航空活塞式发动机燃料、ul91号航空活塞式发动机燃料、95号航空活塞式发动机燃料、100号航空活塞式发动机燃料、100l号航空活塞式发动机燃料中的至少一者。
49.可选地，在一些实施例中，污染物包括但不限于原油、凝析油、石脑油、汽油、煤油、柴油、蜡油、渣油、石油醚、润滑油中的至少一者。
50.进一步地，对于所述模拟光谱集，本发明可以根据预先建立的模拟光谱集，对所述吸光度特征向量进行分类分析，以确定所述待测污染物中包含的一种或多种污染物质。
51.具体来说，本发明可以将卷积神经网络作为分类模型进行分析，将获取的吸光度特征向量输入卷积神经网络，经过卷积神经网络处理后输出污染物的种类。
52.在本发明的一些实施例中，待测物质为航空燃料。由于航空燃料及其常见油料污染物具有相近的组成成分，模拟光谱集中的近红外光谱具有相似度高、数据维数高、冗余量大的特点。本发明可以利用卷积神经网络的强特征提取能力，发现受污染的航空燃料光谱中污染物的特征。
53.进一步地，本发明可以使用一维卷积的输入层、至少一层卷积层、池化层及输出层，建立初始化的分类模型，再通过将模拟光谱集中的各第二吸光度向量依次导入分类模型的输入层，并经过分类模型的初始化的第一学习参数处理后，经由其输出层获得对应的一个或多个种类预测标签。之后，本发明还可以根据获得的种类预测标签与样本期望值的误差，调整分类模型的第一学习参数，并重复输入第二吸光度向量、计算种类预测标签及调整第一学习参数的操作，直至获得的种类预测标签和样本期望值的误差满足误差阈值。
54.优选地，如图2所示，在污染物分类结果的过程中，本发明还可以通过两层卷积层，对于污染物的特征进行提取，再经过池化层来分别作用于受污染物质中的近红外光谱中的污染物的特征并减小其大小，并且不断地减小数据的空间大小，以降低参数的数量和计算量，从而在一定程度上控制污染物分类预测结果的过拟合。在本实施例中，池化层中的非线性池化函数可以采用最大池化函数，将输入划分为若干个矩形区域，并对每个子区域输出最大值来完成池化操作。之后，本发明还可以将数据通过两个卷积层和池化层以进一步压缩受污染物质中的近红外光谱中的污染物的特征的大小，并且进一步避免污染物分类预测结果的过拟合。再之后，本发明可以通过展平层(flatten layer)和稠密层(dense layer)，输出污染物分类结果。
55.可选地，本发明还可以在上述神经网络连接结构中加入全连接层以对提取的特征进行非线性组合以得到输出，并利用现有的所述污染物的高阶特征完成学习目标。
56.进一步地，在本发明的一些实施例中，通过调整学习率参数、正则化参数、损失函数的选择、权重初始化方法等神经网络超参数，本发明可以逐渐减小种类预测标签和样本期望值的误差直到满足误差阈值，并使得误差函数收敛速度满足收敛速度阈值。
57.进一步地，在本发明的一些实施例中，通过采用分类模型的准确率、精准率、召回率作为评价分类模型的评价指标，本发明可以进一步通过正则化、标准化处理作为误差函数。
58.可选地，在本发明的一些实施例中，污染物可以包含石脑油、凝析油、石油醚中的至少一者。如下表1所示为三种常见污染物的混淆矩阵，并示出了分类模型的准确率、精准率。
59.表1分类模型的混淆矩阵
[0060][0061][0062]
进一步地，本发明还可以基于步骤s1得到的模拟光谱集，建立预测受污染的物质中污染物含量的回归模型。
[0063]
具体来说，该回归模型可以为人工神经网络。本发明可以将输入的吸光度向量与通过分类模型的得到的污染物种类进行正则化归一化处理，并将其作为一个高维向量输入
神经网络模型。在该高维向量输入的神经网络模型中，输入数据通过三层隐藏层处理，即可通过输出层输出受污染物质的含量。
[0064]
进一步地，该回归模型可以为多元线性回归模型。本发明可以将输入的吸光度向量与通过分类模型的得到的污染物种类，作为多个自变量，同时将污染物对应的含量作为因变量代入多元线性回归模型，以确定受污染物质的含量。在此，该多元线性回归模型的函数为：
[0065]
zy＝β1z
·
1 β2z
·
2 ... βkz
·
k.
[0066]
可选地，在本发明的一些实施例中，该回归模型为偏最小二乘法模型。本发明可以将输入的吸光度向量与通过分类模型的得到的污染物种类，作为多个自变量，同时将污染物对应的含量作为因变量代入该偏最小二乘法模型，通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型以预测污染物的含量。
[0067]
进一步地，本发明还可以构建待测污染物的吸光度特征向量与其对应的一种或多种污染物质的含量的初始化关联，并随机设定回归模型的初始化参数。具体来说，本发明可以通过截断正态分布来随机设定回归模型的初始化参数。
[0068]
之后，在回归模型的训练过程中，本发明可以将模拟光谱集中的各第二吸光度向量及其对应的一种或多种污染物质的种类标签，依次导入回归模型，经过回归模型的初始化的第二学习参数处理后获得对应的一个或多个含量预测值。在此，该第二学习参数为包括但不限于核函数、损失函数、最大弱学习器个数中的至少一者。
[0069]
相较于传统的单模型预测污染物的种类与含量，本发明将传统的单模型预测解耦为双模型预测。传统的单模型预测由于无法确定污染物的种类，所需的数据处理量和计算量大，使得预测时间过长、准确率低。本发明先通过分类模型快速的对于污染物进行分类，再将污染物种类与待测污染物的吸光度向量输入回归模型中，由于明确了污染物的分类，因此在明确回归项的情况下，选择合适的回归模型，使得回归模型也能够进行快速、实时、准确的预测。
[0070]
进一步地，本发明还可以通过设定不同类型的误差参数，并根据误差函数的收敛速度，调整第二学习参数。
[0071]
优选地，在本发明的一些实施例中，本发明可以将均方根误差rmsep作为误差函数，并用此误差函数以及决定系数r-squared判断回归模型的性能。在此，rmsep的是预测均方根误差，其值越小说明拟合效果越好。假定yi为真实值，f(xi)为预测值，则rmsep可用下式表达：
[0072][0073]
决定系数r-squared的值为0-1之间。r-squared越接近于1，说明模型的效果越好。r-squared越接近于0，说明模型的效果越差。当然r-squared也存在负值，此时说明模型的效果非常差。假定yi为真实值，f(xi)为预测值，则决定系数r-squared可用下式表达：
[0074][0075][0076]
具体来说，在图8至图10所示的实施例中，三个回归模型的预测均方根误差(rmsep)都小于0.01，决定系数r-squared都大于0.999，从而可以看出这三个回归模型预测误差小，拟合效果好。
[0077]
在此，污染物包含石脑油、凝析油、石油醚，其基于近红外光谱分析法的污染物的种类及其含量的参考值和预测值的比较结果如表2所示。由表2可知，该模型分类准确性好、污染物含量预测误差小。
[0078]
表2航空燃料污染物种类和含量定性定量分析结果
[0079][0080]
综上，相比于本领域目前的污染物测定技术，本发明只需对受污染的物质进行一次光谱测定即可完成定性和定量的分析，因而具备操作方便、分析速度快等优势，并能克服受污染物质和污染物光谱相似度高、数据维数高、冗余量大的难题，因而能够高效地提取光谱特征，以支撑定性和定量模型的建立。此外，本发明建立的光谱集易拓展。若在实际应用中遇到新品种污染物，可以通过将新品种污染物加入光谱集，以实现定性和定量模型的扩展，从而使方法和系统的泛用性不断提高。
[0081]
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。
[0082]
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。
[0083]
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。
[0084]
尽管上述的实施例所述的污染物测定装置是可以通过软件与硬件的组合来实现的。但是可以理解，污染物测定装置也可在软件、硬件中加以实施。对于硬件实施而言，污染物测定装置可在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，污染物测定装置可通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。
[0085]
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。
[0086]
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。
[0087]
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。
[0088]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。