一种数据预处理模型构建方法、装置、设备及存储介质与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种数据预处理模型构建方法、装置、设备及存储介质。


背景技术：

2.在全球化趋势明显的今天，飞机已经是大众出行的重要交通工具之一，而当今世界的民航科技领域几乎被国外垄断，我国民用航空起步晚，累计投入低，落后非常明显。飞机的安全试飞直接影响到该型号飞机的成功与否，制造方通常都会建立试飞数据处理分析平台，提供可视化交互以及各类数据处理、分析的方法，方便工程技术人员使用。在对各类数据进行处理分析时，涉及到异常值检测以及缺失值填充的数据预处理过程，目前通常是根据经验对试飞数据进行数据预处理，例如：在对某些试飞数据进行异常值检测或者缺失值填充时，往往根据历史试飞数据或者此次试飞数据的平均值作为异常值检测或缺失值填充的依据。
3.然而，采用根据历史经验进行数据预处理的方式，会导致分析处理效率低、分析处理准确性差的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种数据预处理模型构建方法、装置、设备及存储介质，解决了在对试飞时序数据进行预处理时分析处理效率低、分析处理准确性差的问题。
5.第一方面，本技术实施例提供了一种数据预处理模型构建方法，包括：
6.获取历史试飞时序数据集，历史试飞时序数据集包括不同专业类别的多个试飞时序数据集；
7.利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业时序数据集；
8.从多个专业时序数据集中选取多个采样值，将多个采样值从多个专业时序数据集中去除获取多个待处理专业时序数据集；
9.将多个待处理专业时序数据集作为多维输入数据输入至目标预处理模型获得多个预测值；
10.基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型。
11.可选地，从多个专业时序数据集中选取多个采样值，包括：针对每个专业时序数据集，将该专业时序数据集中相互之间呈单调线性关系的多个数据作为目标专业时序数据；从目标专业时序数据中选取该专业时序数据集对应的多个专业采样值；将每个专业时序数据集对应的多个专业采样值组合在一起，获得多个采样值。
12.可选地，目标预处理模型包括权重参数矩阵；基于多个预测值以及多个采样值对
目标预处理模型进行优化获得优化后的目标预处理模型，包括：确定目标预处理模型对应的损失函数；将多个预测值以及多个采样值输入至损失函数确定误差值；确定误差值是否满足预设条件；若不满足预设条件则调整权重参数矩阵，利用调整后的权重参数矩阵更新目标预处理模型的权重参数矩阵，返回执行将多个待处理专业时序数据集输入至目标预处理模型获得多个预测值的步骤。
13.可选地，在基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型之后，还包括：针对每个预测值，将该预测值与对应的采样值的差值的绝对值作为候选差值，从多个候选差值中选取数值最大的候选差值作为最大绝对误差；将多个候选差值的平均值作为平均绝对误差；基于最大绝对误差以及平均绝对误差，确定目标预处理模型是否满足拟合度要求；若目标预处理模型不满足拟合度要求，则从多个候选预处理模型中选取除目标预处理模型外的其他预处理模型作为当前的目标预处理模型，返回执行将多个待处理专业时序数据集输入至目标预处理模型获得多个预测值的步骤。
14.可选地，利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业试飞时序数据集，包括：按照飞行状态对历史试飞时序数据集进行分组，获取多个历史时序数据子集；针对每个历史试飞时序数据子集，确定与专业类别数量对应的多个聚类中心；基于多个聚类中心，将每个历史时序数据子集划分为多个专业时序数据集。
15.可选地，获取历史试飞时序数据集，包括：获取试飞过程产生的原始试飞时序数据集；针对原始试飞时序数据集进行异常值处理，获取经过异常值处理的历史试飞时序数据集，异常值处理包括以下项中的至少一项：滤波处理、升频处理、降频处理、空缺值填充处理、去除异常值处理、数据整形处理。
16.可选地，方法还包括：将待预测试飞时序数据集输入至优化后的目标预处理模型，获取经过预处理后的试飞时序数据集。
17.第二方面，本技术实施例还提供了一种数据预处理模型构建装置，所述装置包括：
18.数据获取模块，用于获取历史试飞时序数据集，历史试飞时序数据集包括不同专业类别的多个试飞时序数据集；
19.数据分类模块，用于利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业时序数据集；
20.数据处理模块，用于从多个专业时序数据集中选取多个采样值，将多个采样值从多个专业时序数据集中去除获取多个待处理专业时序数据集；
21.数据运算模块，用于将多个待处理专业时序数据集作为多维输入数据输入至目标预处理模型获得多个预测值；
22.模型优化模块，用于基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型。
23.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的数据预处理模型构建方法的步骤。
24.第四方面，本技术实施例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，该计算机程序被处理器运行时执行如上述的数据预处理模型构建
方法的步骤。
25.本技术实施例带来了以下有益效果：
26.本技术实施例提供的一种数据预处理模型构建方法、装置、设备及存储介质，能够针对不同专业类别对试飞时序数据集进行划分，并将划分后获得的多维输入数据输入值目标预处理模型中获得多个预测值，利用预测值以及选取的采样值对目标预处理模型进行优化，与现有技术中的数据预处理模型构建方法相比，解决了在对试飞时序数据进行预处理时，分析处理效率低、分析处理准确性差的问题。
27.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
28.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
29.图1示出了本技术实施例所提供的数据预处理模型构建方法的流程图；
30.图2示出了本技术实施例所提供的数据预处理模型构建装置的结构示意图；
31.图3示出了本技术实施例所提供的电子设备的结构示意图。
具体实施方式
32.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。
33.值得注意的是，在本技术提出之前，在全球化趋势明显的今天，飞机已经是大众出行的重要交通工具之一，而当今世界的民航科技领域几乎被国外垄断，我国民用航空起步晚，累计投入低，落后非常明显。飞机的安全试飞直接影响到该型号飞机的成功与否，制造方通常都会建立试飞数据处理分析平台，提供可视化交互以及各类数据处理、分析的方法，方便工程技术人员使用。在对各类数据进行处理分析时，涉及到异常值检测以及缺失值填充的数据预处理过程，目前通常是根据经验对试飞数据进行数据预处理，例如：在对某些试飞数据进行异常值检测或者缺失值填充时，往往根据历史试飞数据或者此次试飞数据的平均值作为异常值检测或缺失值填充的依据。然而，采用根据历史经验进行数据预处理的方式，会导致分析处理效率低、分析处理准确性差的问题。
34.基于此，本技术实施例提供了一种数据预处理模型构建方法，以提高在对试飞时序数据进行预处理时的分析处理效率以及准确性。
35.请参阅图1，图1为本技术实施例所提供的一种数据预处理模型构建方法的流程
图。如图1所示，本技术实施例提供的数据预处理模型构建方法，包括：
36.步骤s101，获取历史试飞时序数据集。
37.该步骤中，历史试飞时序数据集可指以往试飞过程中产生的时序数据集，历史试飞时序数据集用于获取多个专业时序数据集。
38.历史试飞时序数据集包括不同专业类别的多个试飞时序数据集，其中，专业类别可指保证飞机按照试飞要求飞行的不同专业，例如：发动机专业，通过这些专业类别能够对试飞飞机的不同性能进行调整优化。
39.在本技术实施例中，在飞机生产、试飞和适航过程中会产生大量数据，这些数据通常是高维时序数据，这些高维时序数据通过飞机上设置的不同位置处的传感器采集获得。研发人员会针对获取的高维时序数据进行分析处理，并挖掘出有用的数据信息，利用这些数据信息对飞机在试飞过程中的各项飞控指标进行评价。
40.在一可选实施例中，获取历史试飞时序数据集，包括：获取试飞过程产生的原始试飞时序数据集；针对原始试飞时序数据集进行异常值处理，获取经过异常值处理的历史试飞时序数据集，异常值处理包括以下项中的至少一项：滤波处理、升频处理、降频处理、空缺值填充处理、去除异常值处理、数据整形处理。
41.这里，将飞机生产、试飞和适航过程中产生的大量数据称为原始试飞时序数据集，这些原始试飞时序数据集是未经过异常值处理的时序数据集，对原始试飞时序数据集进行异常值处理后得到历史试飞时序数据集。异常值处理的过程是：对原始试飞时序数据集进行滤波处理、升频处理、降频处理、空缺值填充处理、去除异常值处理、数据整形处理。
42.其中，滤波处理是指限幅滤波，滤波处理用于为原始试飞时序数据集设置数据波动幅度，将超出数据波动幅度外的数据作为异常数据进行剔除。
43.升频处理可指提升采集频率，升频处理用于获取时序数列规整的数据集，例如：某传感器应该在1秒内采集200个数据，但是当该传感器在某段时间内出现1秒内采集100个数据的情况时，需要对采集到的100个数据进行升频处理。这里，可利用选取两个相邻的采集数据，将这两个采集数据进行加权后取中值得方式进行数据填充。
44.降频处理可指降低采集频率，降频处理用于获取时序数列规整的数据集，例如：某传感器应该在1秒内采集200个数据，但是当该传感器在某段时间内出现1秒内采集300个数据的情况时，需要对采集到的300个数据进行降频处理。这里，可通过选取三个相邻的采集数据，将这三个采集数据中处于中间位置的采集数据剔除的方式进行降频处理。
45.数据整形可指数据向量化处理，数据整形用于统一数据格式，例如：飞机试飞时不同传感器采集数据的数据格式是不同的，组织方式也是多种多样，而不是完全同意的，因此，需要对采集到的不同数据格式的原始试飞时序数据集进行整理，对原始试飞时序数据进行向量化处理。
46.空缺值填充处理可指填充空缺值的处理，原始试飞时序数据集中可能存在空缺值，在未确定目标预处理模型前可通过历史经验对空缺值进行填充，然后利用填充空缺值后的历史试飞时序数据对目标预处理模型进行训练，以保证目标预处理模型进行空缺值填充预处理时的准确性。
47.去除异常值处理可指剔除异常值的处理，原始试飞时序数据集中可能存在异常值，在未确定目标预处理模型前可通过历史经验对数据是否为异常值进行判断，如果是异
常值则从原始试飞时序数据集中剔除，然后利用剔除异常值后的历史试飞时序数据对目标预处理模型进行训练，以保证目标预处理模型在进行异常值剔除预处理时的准确性。
48.步骤s102，利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业时序数据集。
49.该步骤中，聚类算法可指群分析算法，聚类算法用于研究分类问题的一种统计分析方法。
50.示例性的，聚类算法包括但不限于以下项中的任意一项：k-means算法、k-medoids算法、clarans算法。
51.专业类别数量可指专业的数量，例如：共有10个专业类别，则专业类被数量为10。
52.专业时序数据集可指不同专业类别对应的时序数据集，专业时序数据集用于区分不同专业的时序数据，每个专业对应一个维度，多个专业时序数据集对应多个维度，例如：共有10个专业类别，则可对应获得10个专业时序数据集，每个专业时序数据集对应一个维度输入数据。
53.在一可选实施例中，利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业试飞时序数据集，包括：按照飞行状态对历史试飞时序数据集进行分组，获取多个历史时序数据子集；针对每个历史试飞时序数据子集，确定与专业类别数量对应的多个聚类中心；基于多个聚类中心，将每个历史时序数据子集划分为多个专业时序数据集。
54.这里，飞行状态可指飞机在飞行过程中所处的阶段，示例性的，飞行状态包括但不限于：起飞状态、巡航状态、降落状态。
55.具体的，假设飞行状态仅有起飞、巡航、降落三个状态，则将历史试飞时序数据集分为起飞状态对应的第一历史试飞时序数据子集、巡航状态对应的第二历史试飞时序数据子集、降落状态对应的第三历史试飞时序数据子集，共三个历史试飞时序数据子集。通过记载传感器采集到的原始试飞时间序列数据集为高维时间序列，数据分布会随着飞行状态出现不同的样本分布，因此，针对不同飞行状态对历史试飞时序数据集进行分组更有便于研发人员对数据进行分析及处理，有利于研发人员深入理解参数之间的隐藏关系。
56.以专业类别数量是10为例，针对第一历史试飞时序数据子集，选取 10个初始聚类中心，然后计算第一历史试飞时序数据子集中的每个数据与各个初始聚类中心之间的距离，将每个数据分配给距离它最近的初始聚类中心，由初始聚类中心和分配给该初始聚类中心的多个数据构成一个聚类，所有数据被分配完成后，每个聚类的聚类中心会根据该聚类中现有的数据进行重新计算，直至满足终止条件后确定该第一历史试飞时序数据子集对应的10个专业时序数据集。最终，可得到3个飞行状态对应的共30 个专业时序数据集。由于利用聚类算法对数据进行聚类属于现有技术，这里不再赘述。
57.步骤s103，从多个专业时序数据集中选取多个采样值，将多个采样值从多个专业时序数据集中去除获取多个待处理专业时序数据集。
58.该步骤中，采样值可指专业时序数据集中的原始数值，采样值用于与预测值进行比较，确定如何对目标预处理模型进行优化。
59.在本技术实施例中，可针对每个专业时序数据集，从该专业时序数据集中选取多个该专业的采样值，并将选取的该专业的采样值从该专业时序数据集中去除，获取该专业对应的待处理专业时序数据集。
60.以每个专业时序数据集选取3个采样值为例，则10个专业类别对应的10个专业时序数据集共选取30个采样值，并将这30个采样值从10个专业时序数据集中去除，获得10个待处理专业时序数据集。
61.在一可选实施例中，从多个专业时序数据集中选取多个采样值，包括：针对每个专业时序数据集，将该专业时序数据集中相互之间呈单调线性关系的多个数据作为目标专业时序数据；从目标专业时序数据中选取该专业时序数据集对应的多个专业采样值；将每个专业时序数据集对应的多个专业采样值组合在一起，获得多个采样值。
62.这里，由于专业时序数据集中的数据本身可能是存在波动的，波动幅度越大表明采集数据的准确性越低。为了保证选取采样值是较为准确的数据，可首先确定专业时序数据集中相互之间呈单调线性关系的多个时序数据，将这些时序数据作为目标专业时序数据，然后从目标专业时序数据中选取多个专业采样值。
63.具体的，假设有两组时序数据，第一组时序数据是a、b、c、d、 e，第二组时序数据是h、i、j、k、l、m，第一组时序数据中的5个数值之间是呈单调线性关系的，第二组时序数据中的5个数值之间也是呈单调线性关系的，则可以从第一组时序数据以及第二组时序数据中分别选取一个或多个数据作为专业采样值，例如：分别选取c和k作为专业采样值。若每个专业时序数据集对应2个专业采样值，则10个专业时序数据集共可确定20个采样值。
64.步骤s104，将多个待处理专业时序数据集作为多维输入数据输入至目标预处理模型获得多个预测值。
65.该步骤中，目标预处理模型可指神经网络模型，目标预处理模型用于对待预测试飞时序数据集进行预处理。
66.作为示例，目标预处理模型可以是rnn神经网络模型，也可以是 lstm神经网络模型。
67.示例性的，目标预处理模型包括但不限于：rnn神经网络模型、 lstm神经网络模型、gru神经网络模型。
68.预测值可指针对去除的采样值的预测数值，预测值用于确定目标预处理模型的预测精度。
69.在本技术实施例中，目标预处理模型是引入多重注意力机制的神经网络模型，将多个待处理专业时序数据集作为多维输入数据输入至多重注意力神经网络模型，经过运算后多重注意力神经网络模型输出多个预测值，将输出的预测值与采样值进行比较，以优化多重注意力神经网络模型。
70.需要说明的是，多个待处理专业时序数据集和待预测试飞时序数据集的相关程度是不同的，不同的待处理专业时序数据集对预测值的影响也是不同的。同时，多个待处理专业时序数据集的时间步对预测值对应的当前时间步的影响程度也是不同的，例如：执行操作的一段时间步对预测值的影响明显高于其他时间步。因此，将注意力机制引入目标预处理模型中，通过引入多维输入数据之间的注意力机制以及不同时间步隐藏状态的注意力机制，可以对不同专业类别的多维输入数据在维度上进行权重参数分配，在时序上进行权重参数分配，注意力机制就是负责学习权重参数，让目标预处理模型自适应地选择最相关的输入以及最相关的时间点，通过调整权重参数来优化目标预处理模型。
71.这里，注意力机制是一种模拟人脑注意力机制的模型，它可以看成是一个组合函
数，通过计算注意力的概率分布，来突出某个关键输入对输出的影响。由于注意力机制属于现有技术，这里不再赘述。
72.在一可选实施例中，在基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型之后，还包括：针对每个预测值，将该预测值与对应的采样值的差值的绝对值作为候选差值，从多个候选差值中选取数值最大的候选差值作为最大绝对误差；将多个候选差值的平均值作为平均绝对误差；基于最大绝对误差以及平均绝对误差，确定目标预处理模型是否满足拟合度要求；若目标预处理模型不满足拟合度要求，则从多个候选预处理模型中选取除目标预处理模型外的其他预处理模型作为当前的目标预处理模型，返回执行将多个待处理专业时序数据集输入至目标预处理模型获得多个预测值的步骤。
73.这里，分别计算多个采样值与对应的多个预测值的均方根误差、最大绝对值误差以及平均绝对误差，通过均方根误差来衡量目标预处理模型的预测精度，通过最大绝对误差以及平均绝对误差来衡量预测值与采样值之间的拟合精度。其中，均方根误差、最大绝对值误差以及平均绝对误差三者共同构成了损失函数。
74.如果确定最大绝对值误差小于第一误差阈值，并且平均绝对误差小于第二误差阈值，则确定目标预处理模型满足拟合度要求。
75.如果确定最大绝对值误差不小于第一误差阈值，或者平均绝对误差不小于第二误差阈值，则确定目标预处理模型不满足拟合度要求。
76.在确定目标预处理模型不满足拟合度要求的情况下，会从预设的多个候选预处理模型中选取其他预处理模型作为目标预处理模型重新进行预测值计算。其中，多个候选预处理模型均为多重注意力神经网络模型。
77.步骤s105，基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型。
78.该步骤中，引入损失函数来对目标预处理模型进行优化，将目标预处理模型输出的多个预测值以及多个采样值输入至损失函数中，损失函数通过计算得到的结果对目标预处理函数的模型参数进行调整，以达到优化目标预处理模型的目的。
79.损失函数用于衡量目标预处理模型的预测精度，损失函数是从多个候选损失函数中选取的函数。
80.在一可选实施例中，目标预处理模型包括权重参数矩阵；基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型，包括：确定目标预处理模型对应的损失函数；将多个预测值以及多个采样值输入至损失函数确定误差值；确定误差值是否满足预设条件；若不满足预设条件则调整权重参数矩阵，利用调整后的权重参数矩阵更新目标预处理模型的权重参数矩阵，返回执行将多个待处理专业时序数据集输入至目标预处理模型获得多个预测值的步骤。
81.这里，损失函数将计算出多个预测值与多个采样值之间的误差大小，如果误差较大说明预测值与采样值之间存在较大差异，需要对目标预处理模型的模型参数进行调整，即，对权重参数矩阵进行调整，调整权重参数矩阵后得到更新后的目标预处理模型，将多个待处理专业时序数据集输入到更新后的目标预处理模型得到新的多个预测值，再将得到的新的多个预测值与采样值输入至损失函数确定误差值，如此进行多次循环处理，直至误差
值满足预设条件，将此时的权重参数矩阵作为目标权重参数矩阵，目标权重参数矩阵对应的目标预处理模型即为优化后的目标预处理模型。
82.需要说明的是，本技术采用监督式学习算法对目标预处理模型进行优化，监督式学习算法利用损失函数得到对预测精度的评价，以最小化损失函数为目标，在每次前向传播过程结束后调整目标预处理模型的权重参数矩阵，以此来不断迭代优化目标预处理模型，即反向传播。
83.在一可选实施例中，方法还包括：将待预测试飞时序数据集输入至优化后的目标预处理模型，获取经过预处理后的试飞时序数据集。
84.这里，确定优化后的目标预处理模型后，将待预测试飞时序数据集输入至该优化后的目标预处理模型中，通过优化后的目标预处理模型对待预测试飞时序数据集进行空缺值填充、异常值标注、滤波、离群点检测等。
85.与现有技术中数据预处理模型构建方法相比，本技术能够针对不同专业类别对试飞时序数据集进行划分，并将划分后获得的多维输入数据输入值目标预处理模型中获得多个预测值，利用预测值以及选取的采样值对目标预处理模型进行优化，解决了在对试飞时序数据进行预处理时，分析处理效率低、分析处理准确性差的问题。
86.基于同一发明构思，本技术实施例中还提供了与数据预处理模型构建方法对应的数据预处理模型构建装置，由于本技术实施例中的装置解决问题的原理与本技术实施例上述数据预处理模型构建方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
87.请参阅图2，图2为本技术实施例所提供的一种数据预处理模型构建装置的结构示意图。如图2中所示，所述数据预处理模型构建装置200包括：
88.数据获取模块201，用于获取历史试飞时序数据集，历史试飞时序数据集包括不同专业类别的多个试飞时序数据集；
89.数据分类模块202，用于利用聚类算法将历史试飞时序数据集划分为与专业类别数量对应的多个专业时序数据集；
90.数据处理模块203，用于从多个专业时序数据集中选取多个采样值，将多个采样值从多个专业时序数据集中去除获取多个待处理专业时序数据集；
91.数据运算模块204，用于将多个待处理专业时序数据集作为多维输入数据输入至目标预处理模型获得多个预测值；
92.模型优化模块205，用于基于多个预测值以及多个采样值对目标预处理模型进行优化获得优化后的目标预处理模型。
93.请参阅图3，图3为本技术实施例所提供的一种电子设备的结构示意图。如图3中所示，所述电子设备300包括处理器310、存储器320和总线330。
94.所述存储器320存储有所述处理器310可执行的机器可读指令，当电子设备300运行时，所述处理器310与所述存储器320之间通过总线330 通信，所述机器可读指令被所述处理器310执行时，可以执行如上述图1 所示方法实施例中的数据预处理模型构建方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
95.本技术实施例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，该计算机程序被处理器运行时可以执行如上述图 1所示方法实施例中的数据
预处理模型构建方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
96.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
97.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
98.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
99.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
100.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(randomaccess memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
101.最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。