配电网故障监测轻量化实现方法、装置、设备及存储介质与流程

1.本发明涉及技术领域，具体涉及一种配电网故障监测轻量化实现方法、装置、设备及存储介质。


背景技术：

2.配电网安全问题一直都是电力行业普遍关注的问题，随着智能电网的发展，对电网故障检测提出了更高的要求。当前针对配电网故障监测任务的研究，主要基于大规模数据训练机器学习或者深度学习模型，获取故障检测模型，进而部署到中央处理集群，实现配电网故障检测。
3.在训练过程中，需要使用复杂的模型，大量的计算资源，以便从非常大、高度冗余的数据集中提取出信息。使得现有对于配电网设备故障检测的模型的结构和运算复杂程度也随之增加，这直接导致现有模型对部署平台硬件的需求增高，限制了现有模型在低配置平台的部署和应用。因此，如何平衡算法性能与模型规模对配电网故障检测至关重要。
4.相关技术中，公布号为cn113987953a的中国发明专利文献记载了一种故障检测模型轻量化的方法，方法包括：利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，利用轻量化网络结构对第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型，将第三电力设备故障检测模型输入到预设压缩微调算法中，进行压缩微调，获得第四电力设备故障检测模型，将第四电力设备故障检测模型输入到预设优化引擎中，以使预设优化引擎对第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型。该方案实现了在保证输出结果准确的前提下，降低神经网络模型的结构复杂程度。
5.但该方案中，将得轻量化的电力设备故障检测模型部署到中央处理集群，在进行故障检测时，需要访问故障检测模型权重参数，进行运算实现故障监测，存在内存访问次数高，运行速度慢，能耗较高。


技术实现要素：

6.本发明所要解决的技术问题在于如何在保证模型性能的前提下，减少内存访问次数，降低功耗。
7.本发明通过以下技术手段实现解决上述技术问题的：
8.本发明提出了一种配电网故障监测轻量化实现方法，故障监测神经网络部署于嵌入式微处理器，所述嵌入式微处理器包含两级存储器结构，一级存储器存储有所述故障监测神经网络的权重参数，所述方法包括：
9.获取配电网线路的三相电流电压数据；
10.二级存储器从所述一级存储器中读取所述权重参数，并基于所述故障监测神经网络，对所述三相电流电压数据进行处理，得到配电网故障类型；
11.其中，所述故障监测神经网络为基于网络权重参数图内距离聚类与类内均匀剪枝
得到的轻量化lstm神经网络。
12.本发明中将轻量化lstm神经网络部署于嵌入式微处理器，且嵌入式微处理器采用两级存储器结构，神经网络权重参数存储于一级存储器中，在使用轻量化lstm神经网络时，权重参数由一级存储器中读取到二级存储器中，并在二级存储器中完成相应计算，减少了两级存储器之间对于神经网络模型权重参数的内存访问次数，从而降低了功耗；并且故障监测神经网络模型为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，减少了网络模型内权重参数数量，模型规模小，更易于在嵌入式设备上部署。
13.进一步地，所述故障监测神经网络包括依次连接的maxpooling1d层、lstm层、dropout层和dense层；
14.所述lstm层包括输入门、输出门、遗忘门和细胞状态。
15.进一步地，所述基于网络权重参数图内距离聚类与类内均匀剪枝得到轻量化lstm神经网络的过程包括：
16.基于所述lstm层的单元结构，建立有向无环图g＝{v,e}，其中，v为节点集合，由单元结构内权重参数矩阵中的所有元素组成；e为边集合，由单元结构内权重参数矩阵中所有元素间的乘法和加法关系组成；
17.计算对所述有向无环图g进行聚类的类数；
18.基于所述聚类的类数，对所述有向无环图g中节点集合v进行聚类，得到k类权重参数；
19.基于k类所述权重参数，对所述lstm层进行剪枝处理，得到所述轻量化lstm神经网络。
20.进一步地，所述计算对所述有向无环图g进行聚类的类数，包括：
21.根据所述三相电流电压数据的输入向量维度、所述lstm层的单元结构中输入门内的控制向量维度以及所述lstm层的单元结构中输入门内的偏置向量维度，计算所述lstm层的单元结构中参与运算的乘积项数a；
22.计算利用所述二级存储器最多可产生的乘积项数t(s)，所述二级存储器的最大存储空间不超过空间阈值s；
23.基于所述乘积项数t(s)和所述空间阈值s，计算有向无环图g聚类后每个子类最多包含的乘积项数q(s)；
24.基于所述乘积项数a和所述乘积项数q(s)，计算在所述二级存储器上对有向无环图g进行聚类所能得到的子类个数的最小值p(s)，作为对所述有向无环图g进行聚类的类数。
25.进一步地，所述基于所述聚类的类数，对所述有向无环图g中节点集合v进行聚类，得到k类权重参数，包括：
26.a)根据权重参数ni在所述有向无环图g中与权重参数nj间的最短路径长度d
ij
，计算权重参数ni的坐标为ai(d
i1
,d
i2
,
…
,d
ij
,
…
,d
ix
)；
27.b)选取k个点作为簇心m1,m2,
…
,mi,
…
,mk，记簇心mi坐标为mi(m
i1
,m
i2
,
…
,m
ij
,
…
,m
ix
)；
28.c)计算每一权重参数到每个簇心的欧式距离，找到离该权重参数最近的簇心，并将该权重参数归属到距离离该权重参数最近的簇心；
29.d)计算每个簇心包含的所有权重参数的平均坐标，并将所述平均坐标作为新的簇心；
30.e)重复执行步骤c)～d)，直至第i个簇心的变化率为αi满足：αi《α0,i∈{1,2,
…
,k}，α0为迭代终止簇心变化率，得到k类权重参数。
31.进一步地，第i个所述簇心的变化率为αi的计算公式为：
[0032][0033]
式中：为第k次执行所述步骤c)时第i个簇心，为第k 1次执行所述步骤c)时第i个簇心，为第k 2次执行所述步骤c)时第i个簇心。
[0034]
进一步地，所述基于k类所述权重参数，对所述lstm层进行剪枝处理，得到所述轻量化lstm神经网络，包括：
[0035]
对每一类参数由大到小进行排序，将排序在βk*nk后的参数均置为0，得到剪枝后网络，其中，βk为第k类权重参数的剪枝阈值，nk为第k类权重参数的个数；
[0036]
检验所述剪枝后网络的精度γ，并判断是所述剪枝后网络的精度γ否大于等于设置预期精度γ0，
[0037]
若是，则得到所述轻量化lstm神经网络；
[0038]
若否，则对所述lstm层进行再训练，直至得到所述轻量化lstm神经网络。
[0039]
此外，本发明还提出了一种配电网故障监测轻量化实现装置，所述装置包括：三相电流电压采集模块和故障分析模块，故障分析模块包括嵌入式微处理器，故障监测神经网络部署于嵌入式微处理器，所述故障监测神经网络为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，所述嵌入式微处理器包括一级存储器和二级存储器，一级存储器存储有所述故障监测神经网络的权重参数，其中：
[0040]
三相电流电压采集模块，用于获取配电网线路的三相电流电压数据；
[0041]
二级存储器，用于从所述一级存储器中读取所述权重参数，并基于所述故障监测神经网络，对所述三相电流电压数据进行处理，得到配电网故障类型。
[0042]
此外，本发明还提出了一种配电网故障监测轻量化实现设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的配电网故障监测轻量化实现方法。
[0043]
此外，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权上所述的配电网故障监测轻量化实现方法。
[0044]
本发明的优点在于：
[0045]
(1)本发明中将轻量化lstm神经网络部署于嵌入式微处理器，且嵌入式微处理器采用两级存储器结构，神经网络权重参数存储于一级存储器中，在使用轻量化lstm神经网络时，权重参数由一级存储器中读取到二级存储器中，并在二级存储器中完成相应计算，减少了两级存储器之间对于神经网络模型权重参数的内存访问次数，从而降低了功耗；并且故障监测神经网络模型为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，减少了网络模型内权重参数数量，模型规模小，更易于在嵌入式设备上部署。
[0046]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0047]
图1是本发明第一实施例中配电网故障监测轻量化实现方法的流程示意图；
[0048]
图2是本发明第一实施例中轻量化lstm神经网络设计流程示意图；
[0049]
图3是本发明第二实施例中配电网故障监测轻量化实现装置的结构示意图。
具体实施方式
[0050]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
如图1所示，本发明第一实施例提出了一种配电网故障监测轻量化实现方法，故障监测神经网络部署于嵌入式微处理器，所述嵌入式微处理器包含两级存储器结构，一级存储器存储有所述故障监测神经网络的权重参数，所述故障监测神经网络为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，所述方法包括以下步骤：
[0052]
s101、获取配电网线路的三相电流电压数据；
[0053]
s102、二级存储器从所述一级存储器中读取所述权重参数，并基于所述故障监测神经网络，对所述三相电流电压数据进行处理，得到配电网故障类型。
[0054]
本实施例中，将轻量化lstm神经网络部署于嵌入式微处理器，且嵌入式微处理器采用两级存储器结构，神经网络权重参数存储于一级存储器中，在使用轻量化lstm神经网络时，权重参数由一级存储器中读取到二级存储器中，并在二级存储器中完成相应计算，减少了两级存储器之间对于神经网络模型权重参数的内存访问次数，从而降低了功耗；并且故障监测神经网络模型为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，减少了网络模型内权重参数数量，模型规模小，更易于在嵌入式设备上部署。
[0055]
具体地，嵌入式微处理器包含的两级存储器分别为随机存取存储器(random access memory，ram)和flash，其中，lstm层内权重参数存储在flash中，在使用该装置进行故障分析时，ram从flash中读取权重参数并与输入三相电流电压数据进行运算。
[0056]
其中，ram作为大小为s的快速存储器，flash为一个无限存储空间的慢速存储器，有限存储空间和无限存储空间是相对于要存储的数据而言，有限即存储空间无法满足一次全部装下待存数据，无限即可以一次全部装下，
[0057]
需要说明的是，ram又称为随机存取存储器，其存储单元存储的内容可按需随意取出或存入，且存取的速度与存储单元的位置无关的存储器。这种存储器在断电时将丢失其存储内容，主要用于存储短时间使用的程序。
[0058]
flash存储器由擦除单元(也称为块)组成，具有速度快、方便等特点，即使在供电电源关闭后仍然能保留信息，以对存储器单元块进行擦除和再编程，并且不需要额外的编程电压。
[0059]
在一实施例中，所述故障监测神经网络包括依次连接的maxpooling1d层、lstm层、dropout层和dense层；
[0060]
所述lstm层包括输入门、输出门、遗忘门和细胞状态。
[0061]
需要说明的是，maxpooling1d层为最大池化层，用于限制每一步的池化的大小，比如，若输入数据维度是[10,4,10]，池化层大小pooling_size＝2，步长stride＝1，那么经过maxpooling(pooling_size＝2,stride＝1)后，输出数据维度是[10,3,10]。
[0062]
lstm(long short-term memory)层是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。本实施例中lstm层包括输入门、输出门、遗忘门和细胞状态，遗忘门(forget gate)决定了上一时刻的单元状态c_t-1有多少保留到当前时刻c_t；输入门(input gate)决定了当前时刻网络的输入x_t有多少保存到单元状态c_t；输出门(output gate)控制单元状态c_t有多少输出到lstm的当前输出值h_t。
[0063]
在一实施例中，如图2所示，所述基于网络权重参数图内距离聚类与类内均匀剪枝得到轻量化lstm神经网络的过程包括以下步骤：
[0064]
s201、基于所述lstm层的单元结构，建立有向无环图g＝{v,e}，其中，v为节点集合，由单元结构内权重参数矩阵中的所有元素组成；e为边集合，由单元结构内权重参数矩阵中所有元素间的乘法和加法关系组成；
[0065]
需要说明的是，在lstm层单元结构的前向传播过程中，满足如下约束：
[0066]
遗忘门：
[0067]ft
＝σ(wfh
t-1
ufx
t
bf)#(1)
[0068]
输入门：
[0069]it
＝σ(w
iht-1
uix
t
bi)#(2)
[0070][0071]
细胞状态：
[0072][0073]
输出门
[0074]ot
＝σ(w
oht-1
uox
t
bo)#(5)
[0075]ht
＝o
t
⊙
tanh(c
t
)#(6)
[0076]
其中，有且仅有普通乘积(左行乘右列)和哈达玛积(两矩阵对应元素相乘)，均为矩阵乘法，故lstm可等效为矩阵乘法，对其建立有向无环图dag，在有向无环图中，每个节点表示一种数据输入或操作(这个操作处理输入数据并得出输出结果)，每条边表示数据操作节点之间的依赖关系。
[0077]
需要说明的是，假设a和b是权重参数矩阵中的元素，且元素a和b有直接加法或乘法关系，那么边e
ab
为1。
[0078]
s202、计算对所述有向无环图g进行聚类的类数；
[0079]
s203、基于所述聚类的类数，对所述有向无环图g中节点集合v进行聚类，得到k类权重参数；
[0080]
s204、基于k类所述权重参数，对所述lstm层进行剪枝处理，得到所述轻量化lstm
神经网络。
[0081]
在一实施例中，所述步骤s202，具体包括以下步骤：
[0082]
s2021、根据所述三相电流电压数据的输入向量维度、所述lstm层的单元结构中输入门内的控制向量维度以及所述lstm层的单元结构中输入门内的偏置向量维度，计算所述lstm层的单元结构中参与运算的乘积项数a；
[0083]
lstm单元结构内权重参数间存在乘法和加法关系，记其中直接以乘法关系相连接的为乘积项，乘积项之间通过加法关系连接，记乘积项的总数为乘积项数，利用如下公式计算lstm单元结构中参与运算的乘积项数a：
[0084]
a＝4m3t 4mn2t 3m2t2 9mt
[0085]
式中：m为三相电流电压数据的输入向量维度，n为lstm单元结构中输入门内的控制向量维度，t为lstm单元结构中输入门内的偏置向量维度。
[0086]
s2022、计算利用所述二级存储器最多可产生的乘积项数t(s)，所述二级存储器的最大存储空间不超过空间阈值s；
[0087]
对于一个lstm层的单元结构，有：
[0088][0089]
式中：o()为复杂度函数，表示复杂度与相关。
[0090]
s2023、基于所述乘积项数t(s)和所述空间阈值s，计算有向无环图g聚类后每个子类最多包含的乘积项数q(s)；
[0091]
需要说明的是，假设v1,v2,
…
,vh是对有向无环图g对于聚类后所得的子类，则有任一子类最多包含乘积项数q(s)：
[0092]
q(s)＝2t(s) s。
[0093]
s2024、基于所述乘积项数a和所述乘积项数q(s)，计算在所述二级存储器上对有向无环图g进行聚类所能得到的子类个数的最小值p(s)，作为对所述有向无环图g进行聚类的类数。
[0094]
需要说明的是，最小值p(s)的计算公式为：
[0095][0096]
在一实施例中，所述步骤s203，包括以下步骤：
[0097]
a)根据权重参数ni在所述有向无环图g中与权重参数nj间的最短路径长度d
ij
，计算权重参数ni的坐标为ai(d
i1
,d
i2
,
…
,d
ij
,
…
,d
ix
)；
[0098]
b)选取k个点作为簇心m1,m2,
…
,mi,
…
,mk，记簇心mi坐标为mi(m
i1
,m
i2
,
…
,m
ij
,
…
,m
ix
)，其中k＝p(s)；
[0099]
c)计算每一权重参数到每个簇心的欧式距离，找到离该权重参数最近的簇心，并将该权重参数归属到距离离该权重参数最近的簇心；
[0100]
需要说明的是，记节点即权重参数ni到簇心mi的欧氏距离为d(ni,mi)，比较权重ni到每个簇心的欧式距离，找到距离该节点最近的簇心，将该节点归属为该簇心对应的簇。
[0101]
d)计算每个簇心包含的所有权重参数的平均坐标，并将所述平均坐标作为新的簇心；
[0102]
需要说明的是，所有节点归属到对应的簇后，计算每个簇中包含的所有节点的平均坐标，对于原簇心为mi的簇，设其包含节点为ni,n
j,
…
,nk共p个节点,记这些节点的平均坐标为mi'，有：
[0103][0104]
记点mi'的坐标为mi'，令mi'为mi更新的簇心。
[0105]
e)重复执行步骤c)～d)，直至第i个簇心的变化率为αi满足：αi《α0,i∈{1,2,
…
,k}，α0为迭代终止簇心变化率，得到k类权重参数。
[0106]
在一实施例中，第i个所述簇心的变化率为αi的计算公式为：
[0107][0108]
式中：为第k次执行所述步骤c)时第i个簇心，为第k 1次执行所述步骤c)时第i个簇心，为第k 2次执行所述步骤c)时第i个簇心。
[0109]
在一实施例中，所述步骤s204，包括以下步骤：
[0110]
s2041、对每一类参数由大到小进行排序，将排序在βk*nk后的参数均置为0，得到剪枝后网络，其中，βk为第k类权重参数的剪枝阈值，nk为第k类权重参数的个数，*表示乘积；
[0111]
s2042、检验所述剪枝后网络的精度γ，并判断是否满足：γ≥γ0，γ0为设置预期精度，若是则执行步骤s2043，若否则重复执行步骤s2041～s2042，直至直至得到所述轻量化lstm神经网络
[0112]
s2043、得到所述轻量化lstm神经网络。
[0113]
此外，如图3所示，本发明第二实施例提出了一种配电网故障监测轻量化实现装置，所述装置包括：三相电流电压采集模块10和故障分析模块20，故障分析模块20包括嵌入式微处理器，故障监测神经网络部署于嵌入式微处理器30，所述故障监测神经网络为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经网络，所述嵌入式微处理器30包括一级存储器31和二级存储器32，一级存储器31存储有所述故障监测神经网络的权重参数，其中：
[0114]
三相电流电压采集模块10，用于获取配电网线路的三相电流电压数据；
[0115]
二级存储器32，用于从所述一级存储器中读取所述权重参数，并基于所述故障监测神经网络，对所述三相电流电压数据进行处理，得到配电网故障类型。
[0116]
本实施例中，由配电网故障智能监测装置的三相电流电压采集模块10获取三相电流电压数据，作为输入，由部署在配电网故障监测装置的故障分析模块20中的轻量化lstm神经网络进行故障分析，得到输出结果为三相电流电压故障类型。
[0117]
通过将轻量化lstm神经网络部署于嵌入式微处理器，且嵌入式微处理器采用两级存储器结构，神经网络权重参数存储于一级存储器中，在使用轻量化lstm神经网络时，权重参数由一级存储器中读取到二级存储器中，并在二级存储器中完成相应计算，减少了两级存储器之间对于神经网络模型权重参数的内存访问次数，从而降低了功耗；并且故障监测神经网络模型为基于网络权重参数图内距离聚类与类内均匀剪枝得到的轻量化lstm神经
网络，减少了网络模型内权重参数数量，模型规模小，更易于在嵌入式设备上部署。
[0118]
在一实施例中，所述装置还包括轻量化处理模块，具体包括：
[0119]
有向无环图建立单元，用于基于所述lstm层的单元结构，建立有向无环图g＝{v,e}，其中，v为节点集合，由单元结构内权重参数矩阵中的所有元素组成；e为边集合，由单元结构内权重参数矩阵中所有元素间的乘法和加法关系组成；
[0120]
聚类类数计算单元，用于计算对所述有向无环图g进行聚类的类数；
[0121]
聚类单元，用于基于所述聚类的类数，对所述有向无环图g中节点集合v进行聚类，得到k类权重参数；
[0122]
剪枝处理单元，用于基于k类所述权重参数，对所述lstm层进行剪枝处理，得到所述轻量化lstm神经网络。
[0123]
在一实施例中，所述聚类类数计算单元，用于执行以下步骤：
[0124]
根据所述三相电流电压数据的输入向量维度、所述lstm层的单元结构中输入门内的控制向量维度以及所述lstm层的单元结构中输入门内的偏置向量维度，计算所述lstm层的单元结构中参与运算的乘积项数a；
[0125]
计算利用所述二级存储器最多可产生的乘积项数t(s)，所述二级存储器的最大存储空间不超过空间阈值s；
[0126]
基于所述乘积项数t(s)和所述空间阈值s，计算有向无环图g聚类后每个子类最多包含的乘积项数q(s)；
[0127]
基于所述乘积项数a和所述乘积项数q(s)，计算在所述二级存储器上对有向无环图g进行聚类所能得到的子类个数的最小值p(s)，作为对所述有向无环图g进行聚类的类数。
[0128]
在一实施例中，所述聚类单元，用于执行以下步骤：
[0129]
a)根据权重参数ni在所述有向无环图g中与权重参数nj间的最短路径长度d
ij
，计算权重参数ni的坐标为ai(d
i1
,d
i2
,
…
,d
ij
,
…
,d
ix
)；
[0130]
b)选取k个点作为簇心m1,m2,
…
,mi,
…
,mk，记簇心mi坐标为mi(m
i1
,m
i2
,
…
,m
ij
,
…
,m
ix
)；
[0131]
c)计算每一权重参数到每个簇心的欧式距离，找到离该权重参数最近的簇心，并将该权重参数归属到距离离该权重参数最近的簇心；
[0132]
d)计算每个簇心包含的所有权重参数的平均坐标，并将所述平均坐标作为新的簇心；
[0133]
e)重复执行步骤c)～d)，直至第i个簇心的变化率为αi满足：αi《α0,i∈{1,2,
…
,k}，α0为迭代终止簇心变化率，得到k类权重参数。
[0134]
其中，第i个所述簇心的变化率为αi的计算公式为：
[0135][0136]
式中：为第k次执行所述步骤c)时第i个簇心，为第k 1次执行所述步骤c)时第i个簇心，为第k 2次执行所述步骤c)时第i个簇心。
[0137]
在一实施例中，所述剪枝处理单元，用于执行以下步骤：
[0138]
对每一类参数由大到小进行排序，将排序在βk*nk后的参数均置为0，得到剪枝后网络，其中，βk为第k类权重参数的剪枝阈值，nk为第k类权重参数的个数；
[0139]
检验所述剪枝后网络的精度γ，并判断是所述剪枝后网络的精度γ否大于等于设置预期精度γ0，
[0140]
若是，则得到所述轻量化lstm神经网络；
[0141]
若否，则对所述lstm层进行再训练，直至得到所述轻量化lstm神经网络。
[0142]
需要说明的是，本发明所述配电网故障监测轻量化实现装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
[0143]
此外，本发明第三实施例还提出了一种配电网故障监测轻量化实现设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上第一实施例所述的配电网故障监测轻量化实现方法。
[0144]
此外，本发明第四实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上第一实施例所述的配电网故障监测轻量化实现方法。
[0145]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0146]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0147]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0148]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0149]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。