污染类型识别方法及装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种污染类型识别方法及装置、电子设备和存储介质。


背景技术：

2.水资源是人类赖以生存的资源，饮用水质量的好坏直接关系到人类的生命安全。随着几十年来的经济高速发展，环境污染事件也呈现高发态势，近年来的重大水体污染事件造成了严重的社会、经济和环境损失。
3.当前，对于环境保护管理十分重视，水体监测基础设施日益健全，监测数据日益丰富，一方面，通过对水质数据的异常监测及时发现突发污染事件，及时核查处理，例如，监测水质化学需氧量(chemical oxygen demand)等指标可及时捕捉水体中有机污染物浓度的异常变化，是水环境质量的重要监测手段；另一方面，也需要基于监测数据，对污染类别、污染原因、污染源做出预判，这对于科学合理地预测污染发展、制定应急处置预案、控制污染影响有着极为重要的意义。
4.然而，河流水质由于受到水文、气象、污染物等多种因素的综合影响,其变化规律难以获得，目前为止国内外基于河流水质在线监测数据的污染类型判断仅针对特定污染物的监测，其适用范围较局限，泛化能力较弱。并且，化学需氧量等指标通常需要通过在实验室进行化学测定，实时性较差。
5.并且，随着天气变化，水质指标可发生相应地变化，相关技术难以对天气的影响进行有效监测，也难以判断各种天气中水质的污染状况。


技术实现要素：

6.本公开提出了一种污染类型识别方法及装置、电子设备和存储介质。
7.根据本公开的一方面，提供了一种污染类型识别方法，包括：根据预定水域的水质信息，确定所述预定水域在第一时间段内的水质指标序列，并根据预定水域的气象监测数据，确定所述预定水域在第一时间段内的气象指标序列，其中，所述水质指标序列包括所述第一时间段内的多个时刻获得的水质指标，所述气象指标序列包括所述第一时间段内的多个时刻获得的气象指标；根据所述水质指标序列和所述气象指标序列，确定至少一个污染识别参数，其中，所述污染识别参数包括单序列特征参数以及序列间特征参数；根据所述污染识别参数，确定所述预定水域的水质污染类型。
8.在一种可能的实现方式中，根据预定水域的水质信息，确定所述预定水域在第一时间段内的水质指标序列，并根据预定水域的气象监测数据，确定所述预定水域在第一时间段内的气象指标序列，包括：确定所述多个水质指标与所述多个气象指标的采集频率与采集相位；根据所述采集频率与所述采集相位，对所述多个水质指标进行插值处理，获得所述水质指标序列，和/或对所述多个气象指标进行插值处理，获得所述气象指标序列。
9.在一种可能的实现方式中，所述水质指标包括化学需氧量指标和/或浊度指标，所
述气象指标包括风速指标和/或降雨量指标。
10.在一种可能的实现方式中，所述单序列特征参数包括述水质指标序列或所述气象指标序列的均值、标准差、自相关系数、波峰数量、波峰高度中的至少一种；所述序列间特征参数包括两个指标序列之间的相关系数和动态时间规整距离中的至少一种，所述两个指标序列包括两个水质指标序列，或者一个水质指标序列和一个气象指标序列。
11.在一种可能的实现方式中，所述两个指标序列包括第一指标序列和第二指标序列，其中，根据所述水质指标序列和所述气象指标序列，确定至少一个污染识别参数，包括：根据所述两个指标序列中的指标，确定所述两个指标序列之间的路径规整矩阵，其中，所述路径规整矩阵中的第i行，第j列的元素为第一指标序列中的第i个指标与第二指标序列中的第j个指标之间的距离，i和j为正整数；根据所述路径规整矩阵，确定规整路径，其中，所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中，途径的元素之和最小的路径，其中，所述第一元素为所述路径规整矩阵中第n行，第1列的元素，所述第二元素为所述路径规整矩阵中第1行，第m列的元素，第一指标序列包括n个指标，第二指标序列包括m个指标，n≥i，m≥j；根据所述规整路径，确定所述两个指标序列之间的动态时间规整距离。
12.在一种可能的实现方式中，根据所述污染识别参数，确定所述预定水域的水质污染类型，包括：根据所述至少一个污染识别参数，对所述气象指标序列与所述水质指标序列进行聚类处理，确定所述预定水域的水质污染类型。
13.在一种可能的实现方式中，所述水质污染类型包括气象因素影响下的水质波动以及气象因素影响下的水质污染。
14.根据本公开的一方面，提供了一种污染类型识别装置，包括：序列模块，用于根据预定水域的水质信息，确定所述预定水域在第一时间段内的水质指标序列，并根据预定水域的气象监测数据，确定所述预定水域在第一时间段内的气象指标序列，其中，所述水质指标序列包括所述第一时间段内的多个时刻获得的水质指标，所述气象指标序列包括所述第一时间段内的多个时刻获得的气象指标；参数模块，用于根据所述水质指标序列和所述气象指标序列，确定至少一个污染识别参数，其中，所述污染识别参数包括单序列特征参数以及序列间特征参数；识别模块，用于根据所述污染识别参数，确定所述预定水域的水质污染类型。
15.在一种可能的实现方式中，所述序列模块进一步用于：确定所述多个水质指标与所述多个气象指标的采集频率与采集相位；根据所述采集频率与所述采集相位，对所述多个水质指标进行插值处理，获得所述水质指标序列，和/或对所述多个气象指标进行插值处理，获得所述气象指标序列。
16.在一种可能的实现方式中，所述水质指标包括化学需氧量指标和/或浊度指标，所述气象指标包括风速指标和/或降雨量指标。
17.在一种可能的实现方式中，所述单序列特征参数包括述水质指标序列或所述气象指标序列的均值、标准差、自相关系数、波峰数量、波峰高度中的至少一种；所述序列间特征参数包括两个指标序列之间的相关系数和动态时间规整距离中的至少一种，所述两个指标序列包括两个水质指标序列，或者一个水质指标序列和一个气象指标序列。
18.在一种可能的实现方式中，所述两个指标序列包括第一指标序列和第二指标序列，所述参数模块进一步用于：根据所述两个指标序列中的指标，确定所述两个指标序列之
间的路径规整矩阵，其中，所述路径规整矩阵中的第i行，第j列的元素为第一指标序列中的第i个指标与第二指标序列中的第j个指标之间的距离，i和j为正整数；根据所述路径规整矩阵，确定规整路径，其中，所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中，途径的元素之和最小的路径，其中，所述第一元素为所述路径规整矩阵中第n行，第1列的元素，所述第二元素为所述路径规整矩阵中第1行，第m列的元素，第一指标序列包括n个指标，第二指标序列包括m个指标，n≥i，m≥j；根据所述规整路径，确定所述两个指标序列之间的动态时间规整距离。
19.在一种可能的实现方式中，所述识别模块进一步用于：根据所述至少一个污染识别参数，对所述气象指标序列与所述水质指标序列进行聚类处理，确定所述预定水域的水质污染类型。
20.在一种可能的实现方式中，所述水质污染类型包括气象因素影响下的水质波动以及气象因素影响下的水质污染。
21.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述污染类型识别方法。
22.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述污染类型识别方法。
23.根据本公开的实施例的污染类型识别方法，可通过例如量子点光谱仪实现原位、实时、在线且高频地测量水质信息，并通过水质信息确定预定水域的水质指标，并通过插值处理，使得水质指标序列和气象指标序列的采集频率和采集相位相同，提高了分析准确率。并可通过水质指标序列和气象指标序列实时确定在多种天气环境中的水质污染类型，确定天气变化对水质指标的影响，提高了污染类型识别的准确性和适用范围。
24.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
25.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
26.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
27.图1示出根据本公开实施例的污染类型识别方法的流程图；
28.图2a、图2b、图2c、图2d示出根据本公开实施例的污染类型识别方法的应用示意图；
29.图3示出根据本公开实施例的污染类型识别装置的框图；
30.图4示出根据本公开实施例的电子装置的框图；
31.图5示出根据本公开实施例的电子装置的框图。
具体实施方式
32.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除
非特别指出，不必按比例绘制附图。
33.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
34.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
35.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
36.图1示出根据本公开实施例的污染类型识别方法的流程图，如图1所示，所述方法包括：
37.在步骤s11中，根据预定水域的水质信息，确定所述预定水域在第一时间段内的水质指标序列，并根据预定水域的气象监测数据，确定所述预定水域在第一时间段内的气象指标序列，其中，所述水质指标序列包括所述第一时间段内的多个时刻获得的水质指标，所述气象指标序列包括所述第一时间段内的多个时刻获得的气象指标；
38.在步骤s12中，根据所述水质指标序列和所述气象指标序列，确定至少一个污染识别参数，其中，所述污染识别参数包括单序列特征参数以及序列间特征参数；
39.在步骤s13中，根据所述污染识别参数，确定所述预定水域的水质污染类型。
40.根据本公开的实施例的污染类型识别方法，可通过水质监测设备获得水质指标，所述的水质监测设备搭载有光谱水质传感器，以及可选的其他水质传感器。所述的光谱水质传感器优选为微型光谱水质传感器，例如量子点光谱传感器，可以实现原位、实时、在线且高频地测量水质信息，并通过水质信息确定预定水域的水质指标序列，并可通过水质指标序列和气象指标序列实时确定在多种天气环境中的水质污染类型，确定天气变化对水质指标的影响，提高了污染类型识别的准确性和适用范围。
41.在示例中，所述的微型光谱传感器例如可以为量子点光谱传感器，量子点光谱传感器可基于纳米晶体的物理特性和光学特性，对入射光线(例如，光线经过预定区域水样进行透射或散射后的光线)进行测量，以获得入射光线的光谱信息，该光谱信息可表示水域的水质信息。例如，量子点光谱传感器中可包括由多种纳米晶体制成的纳米晶体芯片，所述纳米晶体芯片包含多种纳米晶体的一定排列(例如，纳米晶体阵列)，其中，每种纳米晶体具有不同光吸收特性或发射特性，不同种类半导体纳米晶体例如，可以为不同材料、尺寸等，使得纳米晶体芯片可对较宽波长范围内的波长进行调制响应，以获得对较宽波长范围内入射光调整后的光谱。
42.在一种可能的实现方式中，光线经水进行透射或散射后的光线可受到水中的物质(例如，悬浮物、污染物等)的影响，从而获得特定光谱信息。量子点光谱传感器可实时获得该光谱信息，并确定该光谱信息代表的水质指标。例如，通过水样对不同波长光的吸收强弱，可获得不同频段的光的光谱信息，通过该光谱信息可换算出水质指标。在示例中，所述水质指标包括水质化学需氧量(chemical oxygen demand，cod)、浊度、高锰酸盐指数、总悬浮物、生物需氧量、总有机碳、硫酸盐含量、氯化物含量、溶解性铁含量、溶解性锰含量、溶解
性铜含量、溶解性锌含量、硝酸盐含量、亚硝酸盐含量、总氮含量、氟化物含量、硒含量、总砷含量、总汞含量、总镉含量、铬含量、总铅含量、总氰化物、挥发酚含量、类大肠菌群含量、硫化物含量等。还可根据光谱信息中的红外光谱测定水温。或者，量子点光谱传感器可通过神经网络来推断水质指标，例如，可将光谱信息输入神经网络，神经网络可推断出各种物质的浓度(水质指标)。本公开对确定水质指标的方式不做限制。本公开对量子点光谱传感器的工作原理不做限制。
43.在示例中，量子点光谱传感器可通过水中包含的各种物质对光的吸收特性确定水质指标，例如，可通过光谱信息分析特定波长的光线的光强，进而获得与所述特定波长范围的光线对应的物质的浓度(水质指标)。通过量子点光谱传感器测量指标可实现在线、原位、高频、实时测量。在检测水质指标时，可通过量子点光谱传感器检测经过预定水域的光线的光谱信息，进而可基于光谱信息快速计算出水质指标，以获得实时性较强的水质指标，相比于将水质带回实验室的化验过程，通过量子点光谱传感器进行检测具有更好的实时性(即，检测出的水质指标即为当前的水质指标，而实验室化验所需时间较长，等待化验结果的时间段内，预定水域的水质指标可能已经发生变化)。通过设置在预设水域的量子点光谱传感器在某个时间段内多次测量，可获得该水域的包含上述两种水质指标的水质指标序列，水质指标序列中的水质指标为在同一地点的多个时刻获取的水质指标，因而具有一致性和可比性，可用于观测水质指标在一段时间内的变化规律，以进行水质污染的判断。例如，量子点光谱传感器的测量频率可达3-60min/次，优选5-30min/次，特别优选8-20min/次，最优选10-15min/次，测量频率远高于将水体带回实验室化验的频率，并且量子点光谱传感器可设置于预定水域的固定位置，可保证水体样本的一致性。而将水体带回实验室进行化验，则难以保证两次测量时完全在同一地点进行取样，且由于测量频率较低，两次测量之间间隔时间较长，即使能够保证两次测量时完全在同一地点进行取样，但由于水的流动性，该地点的水质在较长的间隔时间中可能已发生重大变化，难以保证测量的一致性以及测量结果的可比性。
44.在一种可能的实现方式中，所述气象指标包括风速指标和/或降雨量指标等。天气变化可能对预定水域的水质指标造成影响，例如，雨水可能对预定水域中的水质指标造成影响，也可能带来水质污染。例如，雨水进入预定水域，或者风力吹拂预定水域，可能会搅动预定水域水底的泥沙或水藻等有机物等，使得预定水域的浊度或cod指标发生变化。例如，雨水流经屋顶、水沟、下水道等之后，又流入预定水域，可能将上述地点的污染物(例如，尘土、有机物等)冲刷进预定水域，或者风力将上述污染物吹进预定水域，并造成预定水域的浊度或cod指标发生变化。又例如，雨水天气导致污水池或污水管道溢出，使得污水流入预定水域，造成污染。水中的污染物可以是工业污染(例如，工业废水)、农业污染(例如，含有化肥、或牲畜粪便等有机物的废水)以及生活污染(例如，厨余废水等)，本公开对污染物的类型不做限制。
45.在示例中，所述气象指标还可包括风向指标(例如，可用数字或特定标识表示风向的指标)、气温指标、湿度指标、紫外线强度等指标，本公开对气象指标的类型不做限制。
46.在一种可能的实现方式中，在步骤s11中，获取气象指标的开始时刻与获取水质指标的开始时刻可能不同，结束时刻也可能不同。因此，可在水质测量设备(例如微型光谱仪，具体可以为：量子点光谱仪)的测量时间段和获取气象数据的时间段中选取交集，并在该交
集中选取第一时间段。本公开对第一时间段的选取方式不做限制。
47.进一步地，在第一时间段中，水质测量设备的测量频率与气象监测数据的获取频率可能不同，可统一二者的频率。例如，量子点光谱仪测得的多个cod指标可表示为{(t
1,1
,x
1,1
),(t
1,2
,x
1,2
),(t
1,3
,x
1,3
),
…
,(t
1,n
,x
1,n
)}，其中，n为正整数，t
1,i
为获得第i(i为正整数，且i≤n)个cod指标x
1,i
的时刻。例如，量子点光谱仪测得的多个浊度指标可表示为{(t
2,1
,x
2,1
),(t
2,2
,x
2,2
),(t
2,3
,x
2,3
),
…
,(t
2,n
,x
2,n
)}，其中，t
2,j
为获得第j(j为正整数，且i≤n)个浊度指标x
2,j
的时刻。气象指标中的多个风速指标可表示为{(t
3,1
,x
3,1
),(t
3,2
,x
3,2
),(t
3,3
,x
3,3
),
…
,(t
3,n
,x
3,m
)}，其中，m为正整数，t
3,k
为获得第k(k为正整数，且k≤m)个风速指标x
3,k
的时刻。气象指标中的多个降雨量指标可表示为{(t
4,1
,x
4,1
),(t
4,2
,x
4,2
),(t
4,3
,x
4,3
),
…
,(t
4,n
,x
4,m
)}，其中，t
4,l
为获得第l(l为正整数，且l≤m)个风速指标x
4,l
的时刻。由于频率不统一，相邻时刻的水质指标序列之间的时间间隔与相邻时刻的气象指标之间的时间间隔可能不一致，也造成了在第一时间段内测得的水质指标的数量与气象指标的数量不一致。例如，第一时间段为12小时，水质指标的测量频率为10分钟/次，则在第一时间段内获得了72个水质指标。气象指标的测量频率为5分钟/次，则在第一时间段内获得了144个气象指标。测量频率与指标数量不统一，则难以对多种指标进行统一的处理，例如，难以获得指标序列之间的相关性等指标，也难以进一步估计污染类型。
48.在一种可能的实现方式中，针对上述问题，可将多种指标的数量与频率进行统一，步骤s11可包括：确定所述多个水质指标与所述多个气象指标的采集频率与采集相位；根据所述采集频率与所述采集相位，对所述多个水质指标进行插值处理，获得所述水质指标序列，和/或对所述多个气象指标进行插值处理，获得所述气象指标序列。可通过插值处理，使得上述两个指标序列的采集频率一致。例如，可以对采集频率较低的指标进行插值处理，例如，水质指标的测量频率为10分钟/次，气象指标的测量频率为5分钟/次，则可对水质指标进行插值处理，获得更多水质指标，且使得水质指标的采集频率与气象指标的采集频率一致。
49.在示例中，可确定水质测量设备的测量频率，即为水质指标的采集频率。并可确定获取气象指标的仪器的采集频率，例如，可确定风速计的采集频率，即可确定风速指标的采集频率，可确定雨量计的采集频率，即可确定降雨量指标的采集频率。
50.在示例中，采集相位可基于采集时刻来确定。例如，水质指标的开始采集的时刻为下午15:00，气象指标的开始采集时刻为下午15:05，则水质指标的相位在气象指标之前5分钟。
51.在一种可能的实现方式中，可统一水质指标和气象指标的采集频率和采集相位。例如，可选择水质指标的采集开始时刻与气象指标的采集开始时刻中的较晚者，作为第一时间段的开始时刻，并选择水质指标的采集结束时刻与气象指标的采集结束时刻中的较早者，作为第一时间段的结束时刻。或者，可通过插值法(例如，利用回归分析进行插值)来预测相位差距中的指标，如上例，水质指标的相位在气象指标之前5分钟，则可对气象指标进行插值处理(例如，通过归回分析进行插值)，预测在5分钟内的气象指标。
52.在一种可能的实现方式中，在采集频率不统一的情况下，可对采集频率较低的指标进行插值处理，以预测部分指标。例如，如上例，水质指标的测量频率为10分钟/次，则在第一时间段内获得了72个水质指标。气象指标的测量频率为5分钟/次，则在第一时间段内
获得了144个气象指标。则可通过插值处理，预测第一时间段内的72个水质指标，使得第一时间段内水质指标的数量达到144个，即，使气象指标的获取频率与水质指标相同。反之，如果气象指标的获取频率大于水质指标的获取频率，也可对气象指标进行插值处理。在示例中，也可同时对水质指标和气象指标进行插值处理。例如，在12小时内，获得了24个水质指标，并获得了36个气象指标，可对水质指标进行插值处理，使水质指标的数量达到72个，并对气象指标进行插值处理，使气象指标的数量同样达到72个。本公开对指标的数量不做限制。
53.在示例中，经过上述处理，可获得测量频率以及起止时刻均相同的气象指标序列和水质指标序列。例如，cod指标序列{(t1,x’1,1
),(t2,x’1,2
),(t3,x’1,3
),
…
,(tn,x’1,n
)}，浊度指标序列{(t1,x’2,1
),(t2,x’2,2
),(t3,x’2,3
),
…
,(tn,x’2,n
)}，风速指标序列{(t1,x’3,1
),(t2,x’3,2
),(t3,x’3,3
),
…
,(tn,x’3,n
)}和降雨量指标序列{(t1,x’4,1
),(t2,x’4,2
),(t3,x’4,3
),
…
,(tn,x’4,n
)}。
54.通过这种方式，可通过插值等处理使气象指标序列和水质指标序列的采集频率与采集相位相同，便于分析处理，提高识别水质污染类型的准确率。
55.在一种可能的实现方式中，可通过上述指标结合来分析水质污染的类型。在示例中，每个指标序列均包括多个数据，根据多个数据可获得峰值、变化率、均值、标准差等数据特征，也可确定指标序列之间的相关性等数据特征。可根据两个或多个指标序列的数据特征来分析水质污染的类型。通过两个或多个指标序列的数据特征分析水质污染的类型，可增加数据特征的种类。单一水质指标的数据特征较少，可识别的水质污染类型较少，适用范围较小，使用两个或多个指标序列的数据特征来共同分析水质污染类型，可减少上述问题。
56.在一种可能的实现方式中，可根据上述指标序列，确定多种污染识别参数。污染识别参数可包括单序列特征参数和序列间特征参数。单序列特征参数可根据单个指标序列确定，例如，单序列特征参数包括述水质指标序列或所述气象指标序列的均值、标准差、自相关系数、波峰数量、波峰高度中的至少一种。序列间特征参数可通过两个指标序列来确定，例如，序列间特征参数包括两个指标序列之间的相关系数和动态时间规整距离中的至少一种，所述两个指标序列包括两个水质指标序列，或者一个水质指标序列和一个气象指标序列。
57.在一种可能的实现方式中，在步骤s12中，可确定上述单序列特征参数。在示例中，上述各指标序列可包括多个指标，可确定上述指标的均值。例如，可确定风速指标序列的均值、降雨量指标序列的均值、cod指标序列的均值和浊度指标序列的均值。
58.在一种可能的实现方式中，可基于上述均值，确定各序列的标准差，例如，可确定风速指标序列的标准差、降雨量指标序列的标准差、cod指标序列的标准差和浊度指标序列的标准差。
59.在一种可能的实现方式中，可根据上述均值和标准差，确定各序列的自相关系数，例如，可确定风速指标序列的自相关系数、降雨量指标序列的自相关系数、cod指标序列的自相关系数和浊度指标序列的自相关系数。
60.在一种可能的实现方式中，可根据各指标序列的多个指标，确定波峰高度。例如，可确定各指标序列中的极大值点，并将这些极大值点确定为波峰高度。例如，可确定风速指标序列的波峰高度、降雨量指标序列的波峰高度、cod指标序列的波峰高度和浊度指标序列
的波峰高度。
61.在一种可能的实现方式中，可根据各指标序列的多个指标，确定波峰数量。例如，可确定各指标序列中的极大值点，并确定极大值点的数量，并将所述极大值点的数量确定为波峰数量。例如，可确定风速指标序列的波峰数量、降雨量指标序列的波峰数量、cod指标序列的波峰数量和浊度指标序列的波峰数量。
62.在一种可能的实现方式中，在步骤s12中，可确定上述序列间特征参数。在示例中，可确定两个指标序列之间的相似度，例如，可利用上述均值和方差，确定两个指标序列之间的相关系数，例如，可确定降雨量指标序列与cod指标序列之间的相关系数、风速指标序列与cod指标序列之间的相关系数、风速指标序列与浊度指标序列之间的相关系数、降雨量指标序列与浊度指标序列之间的相关系数以及浊度指标序列与cod指标序列之间的相关系数。
63.在一种可能的实现方式中，两个指标序列中的指标可能不是同时变化，两种指标的变化可能存在时间差或相位差，例如，化学需氧量指标的波峰比浊度指标的波峰更早出现等。通过相关系数来确定两个序列的相似度，可能出现两个序列的波形类似，但由于指标变化时间差而导致相似度较低的情况。例如，两个序列的指标均包括一个波峰和一个波谷，且两个序列的波峰和波谷的时间差相近，即，两个序列的波形相似，但由于两个序列中的指标的变化存在时间差，例如，第一指标序列中的指标早于第二指标序列中的指标发生变化，可能导致第一指标序列中的波谷和第二指标序列中的波峰出现的时刻接近，进而导致两个指标序列的相关系数较低，即，确定相似度时准确性较低。
64.在一种可能的实现方式中，所述序列间特征参数包括两个指标序列之间的动态时间规整距离，步骤s13可包括：根据所述两个指标序列中的指标，确定所述两个指标序列之间的路径规整矩阵，其中，所述路径规整矩阵中的第i行，第j列的元素为第一指标序列中的第i个指标与第二指标序列中的第j个指标之间的距离，i和j为正整数；根据所述路径规整矩阵，确定规整路径，其中，所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中，途径的元素之和最小的路径，其中，所述第一元素为所述路径规整矩阵中第n行，第1列的元素，所述第二元素为所述路径规整矩阵中第1行，第m列的元素，第一指标序列包括n个指标，第二指标序列包括m个指标，n≥i，m≥j；根据所述规整路径，确定所述两个指标序列之间的动态时间规整距离。
65.在一种可能的实现方式中，可利用动态时间规整距离来确定两个指标序列的相似度，以减小两个序列中的指标的变化存在时间差引起的相似度计算精度较低的问题。可根据第一指标序列中的指标和第二指标序列中的指标来确定路径规整矩阵。路径规整矩阵中的第i行，第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离，i和j为正整数。在示例中，所述距离可以是第一指标序列和第二指标序列中对应的指标之差的绝对值，例如，在确定浊度指标序列和cod指标序列的正规矩阵时，第1个化学需氧量指标为10，第1个浊度指标为15，则路径规整矩阵中的第1行，第1列的元素值为5，第1个化学需氧量指标为10，第2个浊度指标为18，则路径规整矩阵中的第1行，第2列的元素值为8
……
本公开对路径规整矩阵中元素的值不做限制。
66.在一种可能的实现方式中，可在路径规划矩阵中确定出第一元素到第二元素的规整路径(即，元素之和最小的路径)。在示例中，第一元素为路径规整矩阵中第n行，第1列的
元素(即，左下角的元素)，第二元素为路径规整矩阵中第1行，第m列的元素(即，右上角的元素)，从第一元素到第二元素的路径需要遍历路径规整矩阵中的每行和每列，即，在规整路径中，路径规整矩阵每行均会有一个元素包括在规整路径中，路径规整矩阵每列也均会有一个元素包括在规整路径中。即，从第n行，第1列的元素到第1行，第m列的元素的路径中，该路径会途经第n行、第n-1行
…
第1行(该路径在行方向上是单调递减的，且不会跳过任何行)，该路径也会途经第1列、第2列
…
第m列(该路径在列方向上是单调递增的，且不会跳过任何列)。由于第i行，第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离，则该规整路径遍历了第一指标序列中的每个指标，以及第二指标序列中的每个指标。并且规整路径为第一元素到第二元素的路径中，途径的元素之和最小的路径，即，n个指标与m指标之间的距离之和最小的路径。
67.在一种可能的实现方式中，可根据该路径来确定第一指标序列与第二指标序列的相似度，该规整路径为第一指标序列的n个指标与第二指标序列的m指标之间的距离之和最小的路径，可将第一指标序列的n个指标与第二指标序列的m指标之间的距离之和最小时的距离确定为动态时间规整距离。
68.在示例中，可通过以下公式(1)来确定动态时间规整距离：
69.d(e,f)＝dist(e,f) min{d(e-1,f)，d(e,f-1)，d(e-1,f-1)}
ꢀꢀꢀ
(1)
70.其中，dist(e,f)表示第一指标序列中第e(e为正整数)个指标与第二指标序列中第f(f为正整数)个指标之间的距离，即，路径规整矩阵的(e,f)元素，d(e,f)表示第一指标序列中前e个指标与第二指标序列中前f个指标之间的动态时间规整距离，在示例中，可使e＝n，并使f＝m，并通过上述公式(1)进行迭代，以获得第一指标序列与第二指标序列的动态时间规整距离。
71.在一种可能的实现方式中，并通过该动态时间规整距离确定第一指标序列与第二指标序列的相似度。例如，如果该动态时间规整距离小于或等于预设的距离阈值，则可认为第一指标序列和第二指标序列之间具有较高的相似度，否则，可认为第一指标序列和第二指标序列之间相似度较低。
72.通过这种方式，可通过路径规整矩阵和规整路径遍历第一指标序列与第二指标序列中所有指标，确定使各指标之间的距离之和最小的动态时间规整距离，通过动态时间规整距离确定第一指标序列和第二指标序列之间相似度，可参考第一指标序列中所有指标和第二指标序列中所有指标之间的距离，减少由于时间差异造成波形偏移而导致相似度的计算精度较低的问题。
73.在一种可能的实现方式中，在步骤s13中，可根据上述污染识别参数来确定水质污染类型。基于上述气象指标序列和水质指标序列可确定水质指标的变化是否受到气象因素的影响。在示例中，可能由于气象因素导致水质指标的暂时性变化，例如，由于雨水或风力使得水底的泥沙翻滚，并使得浊度上升，但这种情况引起的水质指标变化是暂时性的，可认为未发生水质污染。又例如，由于雨水或风力使得陆地上的地染污被冲刷进水中，引起水质指标发生变化，这种情况可认为发生了水质污染。又例如，由于雨水导致污水系统溢流，将污水溢出至正常水体中，导致水质指标发生变化，这种情况可认为发生了水质污染。
74.在一种可能的实现方式中，所述水质污染类型包括气象因素影响下的水质波动以及气象因素影响下的水质污染。可通过上述污染识别参数来确定水质污染的类型。步骤s13
可包括：根据所述至少一个污染识别参数，对所述气象指标序列与所述水质指标序列进行聚类处理，确定所述预定水域的水质污染类型。
75.在示例中，可将第一时间段内的水质指标序列和气象指标序列的多个污染识别参数作为聚类的特征进行聚类处理，以确定第一时间段内的水质污染类型。
76.在示例中，可通过多个样本时间段内的多个污染识别参数进行聚类，以确定各类别的聚类中心，进一步地，可对第一时间段内的污染识别参数进行聚类，以确定与第一时间段内的污染识别参数的特征距离最接近的聚类中心，并将该聚类中心所述的类别确定为第一时间段内的水质污染类型。例如，可确定第一时间段内发生的水质指标波动属于气象因素影响下的水质波动(即，暂时性波动，例如，风力或降雨引起的水质浊度的暂时性波动，不作为水质污染)还是气象因素影响下的水质污染。进一步地，气象因素影响下的水质污染还可进一步划分为初雨径流污染和污水溢流污染。雨水流经屋顶、水沟、下水道等之后，又流入预定水域，可能将上述地点的污染物(例如，尘土、有机物等)冲刷进预定水域，并造成预定水域的浊度或cod指标发生变化，这种情况为初雨径流污染。雨水天气导致污水池或污水管道溢出，使得污水流入预定水域，造成污染，这种情况为污水溢流污染。可通过聚类处理，确定第一时间段内发生的水质污染类型。
77.根据本公开的实施例的污染类型识别方法，可通过水质信息实时且高频地测量预定水域的水质指标，并通过插值处理，使得水质指标序列和气象指标序列的采集频率和采集相位相同，提高了分析准确率。并可通过水质指标序列和气象指标序列实时确定在多种天气环境中的水质污染类型，确定天气变化对水质指标的影响，提高了污染类型识别的准确性和适用范围。
78.图2a、图2b、图2c、图2d示出根据本公开实施例的污染类型识别方法的应用示意图。
79.在一种可能的实现方式中，预定水域可以是水池、河流、湖泊等水域，在不同的气象环境中，预定水域可能受到污染，也可能由于气象的变化导致预定水域的水质指标发生波动。可通过水质指标序列与气象指标序列确定污染识别参数，并通过污染识别参数来确定水质污染类型。
80.在一种可能的实现方式中，第一时间段可以是气象环境发生变化的时间段，例如，刮风或下雨天气中的时间段，可确定第一时间段内的气象指标序列和水质指标序列。
81.在一种可能的实现方式中，水质指标序列包括cod指标序列和浊度指标序列，气象指标序列可包括风速指标序列和降雨量指标序列。所述污染识别参数可包括上述指标序列的均值、标准差、自相关系数、波峰高度、波峰数量等单序列特征参数。也可包括降雨量指标序列与cod指标序列之间的相关系数或动态时间规整距离、风速指标序列与cod指标序列之间的相关系数或动态时间规整距离、风速指标序列与浊度指标序列之间的相关系数或动态时间规整距离、降雨量指标序列与浊度指标序列之间的相关系数或动态时间规整距离、浊度指标序列与cod指标序列之间的相关系数或动态时间规整距离等序列间特征参数。
82.在示例中，如图2a所示，浊度指标与cod指标均与风速指标具有较强的相关性，例如，浊度指标与风速指标的相关系数较高，cod指标与风速指标的相关系数也较高。即，当风速较大时，水体翻滚，浊度指标升高，cod指标也升高，风速下降时，水体恢复平静，浊度指标下降，cod指标也下降。可认为水质指标的变化是由于风力引起的暂时性波动，因此，可认为
该种情况未发生水质污染。
83.在示例中，如图2b所示，在下雨的天气中，雨水未将污染物冲刷入预定水域，cod指标序列与浊度指标序列未发生明显变化，例如，波峰高度较小，可认为预定水域未发生水质污染。
84.在示例中，如图2c所示，第一指标序列和第二指标序列均发生明显变化，即，cod指标序列的波峰高度和浊度指标序列的波峰高度均较大，且波峰之间的时间差较小。并且发生波动的时间接近，即，cod指标序列和浊度指标序列几乎同时发生波动，且几乎同时达到波峰，并几乎同时恢复平静。进一步地，cod指标序列和浊度指标序列相似度较高，即，cod指标序列和浊度指标序列的动态时间规整距离较小。综上所述，cod指标序列和浊度指标序列的变化趋势比较接近，几乎同时产生变化，并且波动比较剧烈。上述波动是由于雨水冲刷地面、屋顶、水沟、下水道等之后，将多种污染物(包括有机物、灰尘等)同时冲刷进预定水域引起的。因此，污染类型识别模型可将上述波动确定为初雨径流污染。
85.在示例中，如图2d所示，cod指标序列和浊度指标序列均发生明显变化，即，两个指标序列的波峰高度均较大。但波峰时间差较大。并且，浊度指标上升较快(可能是由于大量污水涌入，导致预定水域内的泥沙翻滚造成水体浑浊)且下降较快，cod指标序列在上升后下降速度较慢，且峰值数量多于浊度指标序列(可能由于泥沙翻滚后迅速恢复平静，因此浊度下降，但污染物含量较高，cod指标难以快速下降)。进一步地，cod指标序列和浊度指标序列相似度低，即，cod指标序列和浊度指标序列的变化趋势不同，动态时间规整距离较大。综上所述，cod指标序列和浊度指标序列的均发生剧烈变化，但变化不同步，可能是由于雨水使污水池溢流，造成大量污水溢出，导致预定水域浊度突然升高后迅速下降，并由于污水中污染物含量较高，导致预定水域的cod指标保持在高位的时间较长。因此，污染类型识别模型可将上述波动确定为污水溢流污染。
86.在一种可能的实现方式中，所述污染类型识别方法可用于确定水质指标的变化与气象指标之间的关系，判断在不同的气象环境中的水质污染类型，并有针对性地进行治理。本公开对所述污染类型识别方法的应用领域不做限制。
87.图3示出根据本公开实施例的污染类型识别装置的框图，如图3所示，所述装置包括：序列模块11，用于根据预定水域的水质信息，确定所述预定水域在第一时间段内的水质指标序列，并根据预定水域的气象监测数据，确定所述预定水域在第一时间段内的气象指标序列，其中，所述水质指标序列包括所述第一时间段内的多个时刻获得的水质指标，所述气象指标序列包括所述第一时间段内的多个时刻获得的气象指标；参数模块12，用于根据所述水质指标序列和所述气象指标序列，确定至少一个污染识别参数，其中，所述污染识别参数包括单序列特征参数以及序列间特征参数；识别模块13，用于根据所述污染识别参数，确定所述预定水域的水质污染类型。
88.在一种可能的实现方式中，所述序列模块进一步用于：确定所述多个水质指标与所述多个气象指标的采集频率与采集相位；根据所述采集频率与所述采集相位，对所述多个水质指标进行插值处理，获得所述水质指标序列，和/或对所述多个气象指标进行插值处理，获得所述气象指标序列。
89.在一种可能的实现方式中，所述水质指标包括化学需氧量指标和/或浊度指标，所述气象指标包括风速指标和/或降雨量指标。
90.在一种可能的实现方式中，所述单序列特征参数包括述水质指标序列或所述气象指标序列的均值、标准差、自相关系数、波峰数量、波峰高度中的至少一种；所述序列间特征参数包括两个指标序列之间的相关系数和动态时间规整距离中的至少一种，所述两个指标序列包括两个水质指标序列，或者一个水质指标序列和一个气象指标序列。
91.在一种可能的实现方式中，所述两个指标序列包括第一指标序列和第二指标序列，所述参数模块进一步用于：根据所述两个指标序列中的指标，确定所述两个指标序列之间的路径规整矩阵，其中，所述路径规整矩阵中的第i行，第j列的元素为第一指标序列中的第i个指标与第二指标序列中的第j个指标之间的距离，i和j为正整数；根据所述路径规整矩阵，确定规整路径，其中，所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中，途径的元素之和最小的路径，其中，所述第一元素为所述路径规整矩阵中第n行，第1列的元素，所述第二元素为所述路径规整矩阵中第1行，第m列的元素，第一指标序列包括n个指标，第二指标序列包括m个指标，n≥i，m≥j；根据所述规整路径，确定所述两个指标序列之间的动态时间规整距离。
92.在一种可能的实现方式中，所述识别模块进一步用于：根据所述至少一个污染识别参数，对所述气象指标序列与所述水质指标序列进行聚类处理，确定所述预定水域的水质污染类型。
93.在一种可能的实现方式中，所述水质污染类型包括气象因素影响下的水质波动以及气象因素影响下的水质污染。
94.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
95.此外，本公开还提供了污染类型识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种污染类型识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
96.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
97.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
98.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
99.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
100.电子设备可以被提供为终端、服务器或其它形态的设备。
101.图4是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
102.参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，
电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
103.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
104.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
105.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
106.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
107.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
108.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
109.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
110.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。
电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
111.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
112.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
113.图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
114.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os
xtm
，unix
tm
,linux
tm
，freebsd
tm
或类似。
115.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
116.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
117.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
118.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计
算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
119.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
120.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
121.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
122.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
123.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
124.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨
在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。