电子设备的智能回收管理系统及方法与流程

1.本技术涉及回收管理领域，且更为具体地，涉及一种电子设备的智能回收管理系统及方法。


背景技术：

2.随着电子信息技术的快速发展，电子产品越来越普及，人们在日常生活中对电子产品的使用也越来越频繁，其也为人们的生产和生活带来了较大的便利。但是，电子产品存在使用寿命，在使用过程中，也存在磨损的情况，因此，人们往往每隔一段时间就会对电子产品进行更换，对于替换的电子产品往往采用丢弃或者转卖给回收人员的方式进行处理。
3.现有的基于人工智能的电子产品回收管理系统，仅仅是对电子产品的外观或者性能情况进行简单的检测，检测精度较差，进而对电子产品的评估结果与实际情况存在较大的差异。
4.因此，期待一种优化的用于电子设备的智能回收管理方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种电子设备的智能回收管理系统及方法。其可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
6.根据本技术的一个方面，提供了一种电子设备的智能回收管理系统，其包括：
7.数据获取模块，用于获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
8.语义编码模块，用于对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
9.图像特征提取模块，用于对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
10.以及回收评估值生成模块，用于基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
11.根据本技术的另一个方面，提供了一种电子设备的智能回收管理方法，其包括：
12.获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；
13.对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；
14.对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；
15.以及基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
16.与现有技术相比，本技术提供的电子设备的智能回收管理系统及方法，其首先获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像，接着，对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量，然后，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量，最后，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。这样，可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
18.图1为根据本技术实施例的电子设备的智能回收管理系统的框图示意图。
19.图2为根据本技术实施例的电子设备的智能回收管理系统中的所述语义编码模块的框图示意图。
20.图3为根据本技术实施例的电子设备的智能回收管理系统中的所述回收评估值生成模块的框图示意图。
21.图4为根据本技术实施例的电子设备的智能回收管理系统中进一步包括的训练模块的框图示意图。
22.图5为根据本技术实施例的电子设备的智能回收管理方法的流程图。
23.图6为根据本技术实施例的电子设备的智能回收管理方法的系统架构的示意图。
24.图7为根据本技术实施例的电子设备的智能回收管理系统的应用场景图。
具体实施方式
25.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
26.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
27.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
28.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
29.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
30.针对上述技术问题，本技术的技术构思为综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。特别地，在本技术的技术方案中，所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延。所述待回收电子产品的外观图像则用于量化评估所述待回收产品的老化程度。
31.在本技术的技术方案中，另一个技术难点是在综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值的过程中，如何确定各项信息对于最终回收评估值的影响权重。传统的做法是给各项信息预设权重，例如，给系统信息、外观图像和功能信息的权重分别是a、b和c，这样在得到各项信息的评估值后，计算各项信息的加权和以得到所述回收评估值。这种传统做法的劣势在于在实际产品回收价值的评估中，各项信息的权重往往是不定的，有些产品更关注于系统信息、有些产品则更关注于外观图像，有些产品则更关注于功能信息，固定预定权重显然无法满足应用场景的复杂性和自适应性。
32.基于此，在本技术的技术方案中，引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
33.图1为根据本技术实施例的电子设备的智能回收管理系统的框图示意图。如图1所示，根据本技术实施例的电子设备的智能回收管理系统100，包括：数据获取模块110，用于获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；语义编码模块120，用于对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；图像特征提取模块130，用于对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；以及，回收评估值生成模块140，用于基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
34.相应地，首先获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像。更具体地，所述待回收电子产品的系统信息包括系统版本号、主板型号和系统激活时间；所述待回收电子产品的功能信息包括屏幕信息缺失面积比、电池老化度以及各个功能的系统反馈时延。进一步地，所述待回收电子产品的外观图像中的信息包括：电子产品背面及侧面划痕信息，电子产品正面的屏幕信息，所述屏幕信息包括屏幕破损面积比，所述屏幕破损面积比为屏幕破损区域对应的面积占屏幕总面积的比值。值得一提的是，本技术在获取待回收电子产品的系统信息、功能信息和外观图像时，是通过相应的传感器进行检测获取的。例如，可以通过摄像头来获取待回收电子产品的外观图像。
35.应可以理解，在对所述待回收电子产品进行回收价值评估时，所述待回收电子产品的系统信息和功能信息是紧密关联的，因此，在本技术的技术方案中，选择对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量。
36.例如，在本技术一个具体的示例中，首先将所述系统信息和所述功能信息中的各个数据项转化为向量（例如，通过嵌入层来进行数据项的向量化转化）以得到系统信息项向量的序列和功能信息项向量的序列。接着，将所述系统信息项向量的序列和所述功能信息
项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列。接着，将所述系统-功能信息项向量的拼接序列通过基于bilstm模型的语义编码器以得到所述系统-功能信息语义理解特征向量。
37.相应地，如图2所示，所述语义编码模块120，包括：向量转化单元121，用于将所述系统信息和所述功能信息中的各个数据项转化为向量以得到系统信息项向量的序列和功能信息项向量的序列；向量拼接单元122，用于将所述系统信息项向量的序列和所述功能信息项向量的序列进行拼接以得到系统-功能信息项向量的拼接序列；以及，bilstm编码单元123，用于将所述系统-功能信息项向量的拼接序列通过基于bilstm模型的语义编码器以得到所述系统-功能信息语义理解特征向量。应可以理解，bilstm模型是一种循环神经网络（recurrent neural network，rnn）的变种，它结合了前向（forward）和后向（backward）两个方向的lstm（long short-term memory）单元。bilstm模型的主要作用是捕捉序列数据中的上下文信息，通过同时考虑前向和后向的信息，bilstm模型能够更好地理解序列中的长距离依赖关系，并生成更准确的表示。在所述语义编码模块中，bilstm编码单元使用基于bilstm模型的语义编码器，将系统-功能信息项向量的拼接序列作为输入。通过对序列进行前向和后向的遍历，bilstm模型可以对每个时间步的输入进行编码，得到系统-功能信息的语义理解特征向量，这些特征向量可以用于后续的语义理解任务，例如意图识别、文本分类等。换言之，bilstm模型在语义编码模块中的作用是将系统-功能信息项向量序列转化为语义理解特征向量，以提供更准确的语义表示和理解。
38.其中，所述向量转化单元121，用于：将所述系统信息和所述功能信息中的各个数据项通过嵌入层以转化为向量以得到所述系统信息项向量的序列和所述功能信息项向量的序列。应可以理解，嵌入层（embedding layer）是神经网络中常用的一种层，它将离散的符号或类别（如单词、字符、特征等）映射到连续的低维向量空间中，嵌入层的作用是将离散的符号表示转化为连续的向量表示，从而为神经网络提供更好的表示能力。在自然语言处理任务中，嵌入层常用于将单词或字符转化为向量表示。每个单词或字符都被映射到一个固定长度的向量，这个向量表示了该单词或字符在语义上的特征，嵌入层的训练过程会根据任务的需求，学习到适合该任务的单词或字符表示。嵌入层的使用有以下几个好处：1.维度压缩，将离散的符号表示转化为连续的向量表示，可以大大减少特征空间的维度，从而降低模型的复杂度；2.语义表达，嵌入层通过学习语义信息，使得相似的符号在向量空间中更加接近，从而增强了模型对语义相似性的理解能力；3.泛化能力，嵌入层可以将模型训练过程中遇到的未见过的符号映射到向量空间中，使得模型能够对未知符号进行合理的推理和处理。在向量转化单元121中，嵌入层被用于将系统信息和功能信息中的各个数据项转化为向量表示，生成系统信息项向量的序列和功能信息项向量的序列。这样做的目的是为了将离散的数据项转化为连续的向量表示，以便后续的处理和建模。通过嵌入层的转化，系统信息和功能信息可以更好地被神经网络模型理解和处理。
39.同时，对所述待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量。例如，在本技术一个具体的示例中，将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量。也就是，使用所述基于卷积神经网络模型的外观老化特征提取器来对所述待回收电子产品的外观图像进行基于卷积核的特征过滤以得到所述电子产品老化特征向量，所述电子产品老化特征
向量用于表示产品外观所呈现出的电子产品的老化程度信心。
40.相应地，所述图像特征提取模块130，用于：将所述待回收电子产品的外观图像通过基于卷积神经网络模型的外观老化特征提取器以得到所述电子产品老化特征向量。应可以理解，卷积神经网络（convolutional neural network，cnn）是一种深度学习模型，主要用于处理具有网格结构的数据，例如图像或音频数据。卷积神经网络模型通过使用卷积层、池化层和全连接层等组件，可以自动从原始图像数据中学习到具有层次结构的特征表示。卷积层可以有效地捕捉图像中的局部特征，而池化层可以对特征进行降维和抽象，全连接层可以将抽象的特征映射到最终的输出类别或特征向量。在所述图像特征提取模块130中，卷积神经网络模型可以通过学习到的外观老化特征提取器，自动提取出与老化程度相关的特征，这些特征可以表示电子产品的损坏、磨损、变形等老化情况，从而为后续的电子产品回收和评估提供有用的信息。通过使用卷积神经网络模型进行特征提取，可以更好地理解和分析待回收电子产品的外观图像，从而提高电子产品回收的准确性和效率。
41.进而，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。在本技术一个具体的示例中，首先通过级联运算来融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量，并将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值。也就是，在高维特征空间中，通过级联来充分保留所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量中所蕴含的特征信息，并通过所述解码器通过可调整的权重参数来构建特征信息与回收评估值之间的解码回归映射关系。这样，引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
42.相应地，如图3所示，所述回收评估值生成模块140，包括：向量融合单元141，用于融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到电子产品多模态表达特征向量；以及，解码单元142，用于将所述电子产品多模态表达特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示回收评估值。
43.其中，所述向量融合单元141，用于：以如下级联公式融合所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量以得到所述电子产品多模态表达特征向量；其中，所述级联公式为：
[0044][0045]
其中，分别表示所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，表示级联函数，表示所述电子产品多模态表达特征向量。
[0046]
其中，解码器（decoder）是神经网络模型中的一部分，用于将输入的特征向量或编码表示解码为原始数据或目标值。在回收评估值生成模块中，解码器用于将电子产品多模态表达特征向量解码为回收评估值。解码回归是指使用解码器进行回归分析，将输入的特征向量映射到一个连续的数值范围内。在回收评估中，解码回归的目的是根据电子产品的多模态表达特征向量，预测出该电子产品的回收评估值，即对该电子产品回收价值的估计。解码回归的结果可以作为回收评估值，用于表示电子产品的回收价值或潜在的回收收益。这个值可以帮助决策者进行电子产品回收的决策，例如确定是否值得回收、如何定价回收产品等。通过使用解码器和解码回归，可以将电子产品的多模态表达特征向量转化为有实
际意义的回收评估值，提供了对电子产品回收价值的量化估计，为回收决策提供参考。
[0047]
进一步地，在本技术的技术方案中，所述的电子设备的智能回收管理系统，其还包括用于对所述基于bilstm模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练的训练模块。应可以理解，训练模块在电子设备的智能回收管理系统中起着关键的作用，它用于对语义编码器、外观老化特征提取器和解码器进行训练，以使它们能够有效地工作并提供准确的结果。训练模块的主要功能是通过使用已标记的训练数据来调整模型的参数，使其能够学习到正确的表示和预测。具体来说，训练模块通过反向传播算法和优化算法（如梯度下降）来最小化模型的损失函数，从而使模型能够逐渐优化并提高性能。对于语义编码器来说，训练模块会根据标记的语义信息和对应的输入数据，调整编码器的参数，使其能够将输入数据转化为具有更好语义表示能力的向量表示。对于外观老化特征提取器来说，训练模块会使用标记的外观图像和对应的老化程度信息，通过卷积神经网络的训练方法，调整提取器的参数，使其能够从外观图像中准确地提取与老化程度相关的特征。对于解码器来说，训练模块会使用标记的多模态表达特征向量和对应的回收评估值，通过解码器的训练方法，调整解码器的参数，使其能够将多模态特征向量解码为准确的回收评估值。通过训练模块的训练过程，语义编码器、外观老化特征提取器和解码器能够逐渐学习到更好的表示能力和预测能力，从而提高整个智能回收管理系统的性能和准确性。
[0048]
更具体地，如图4所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括训练待回收电子产品的系统信息和功能信息、所述训练待回收电子产品的外观图像，以及，所述训练待回收电子产品的回收评估值的真实值；训练语义编码单元220，用于基于所述基于bilstm模型的语义编码器，对所述训练待回收电子产品的系统信息和功能信息进行语义编码以得到训练系统-功能信息语义理解特征向量；训练图像特征提取单元230，用于基于所述基于卷积神经网络模型的外观老化特征提取器，对所述待回收电子产品的外观图像进行图像特征提取以得到训练电子产品老化特征向量；训练向量融合单元240，用于融合所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量以得到训练电子产品多模态表达特征向量；训练解码单元250，用于将所述训练电子产品多模态表达特征向量通过解码器以得到解码损失函数值；因数计算单元260，用于计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的共有流形隐式相似性因数；以及，损失训练单元270，用于以所述解码损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述基于bilstm模型的语义编码器、所述基于卷积神经网络模型的外观老化特征提取器和所述解码器进行训练。
[0049]
特别地，在本技术的技术方案中，所述训练系统-功能信息语义理解特征向量表达所述待回收电子产品的系统信息和功能信息中的各个数据项的文本语义关联特征，而所述训练电子产品老化特征向量表达所述待回收电子产品的外观图像的图像语义特征，因此，在融合所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量得到所述训练电子产品多模态表达特征向量时，需要考虑到不同模态下的特征表达在高维特征空间内的特征流形差异，提升融合后的所述训练电子产品多模态表达特征向量的高维特征流形的几何单调性，从而避免所述训练电子产品多模态表达特征向量通过解码器进行解码回归时的收敛困难。
[0050]
基于此，本技术的申请人针对所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量引入特征向量的共有流形隐式相似性因数作为损失函数。
[0051]
相应地，在一个具体示例中，所述因数计算单元260，用于：以如下因数计算公式计算所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量之间的所述共有流形隐式相似性因数；其中，所述因数计算公式为：
[0052][0053][0054][0055]
其中，表示所述训练系统-功能信息语义理解特征向量，表示所述训练电子产品老化特征向量，特征向量和均为列向量形式，表示转置操作，表示向量的二范数，且表示矩阵的frobenius范数的平方根，、、和为权重超参数，表示向量乘法，表示向量减法，表示按位置点乘，表示所述共有流形隐式相似性因数。
[0056]
这里，所述共有流形隐式相似性因数可以以所述训练系统-功能信息语义理解特征向量和所述训练电子产品老化特征向量间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享特征向量的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现跨模态特征间的融合特征的非线性几何单调性，以提升所述训练电子产品多模态表达特征向量通过解码器进行解码回归时的收敛效果。
[0057]
综上，基于本技术实施例的电子设备的智能回收管理系统100被阐明，其可以引入基于机器学习的人工智能技术来综合待回收电子产品的系统信息、外观图像和功能信息来确定回收评估值。
[0058]
如上所述，根据本技术实施例的电子设备的智能回收管理系统100可以实现在各种终端设备中，例如具有基于本技术实施例的电子设备的智能回收管理算法的服务器等。在一个示例中，基于本技术实施例的电子设备的智能回收管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本技术实施例的电子设备的智能回收管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本技术实施例的电子设备的智能回收管理系统100同样可以是该终端设备的众多硬件模块之一。
[0059]
替换地，在另一示例中，该基于本技术实施例的电子设备的智能回收管理系统100与该终端设备也可以是分立的设备，并且该电子设备的智能回收管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0060]
图5为根据本技术实施例的电子设备的智能回收管理方法的流程图。图6为根据本技术实施例的电子设备的智能回收管理方法的系统架构的示意图。如图5和图6所示，根据本技术实施例的电子设备的智能回收管理方法，其包括：s110，获取待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像；s120，对所述待回收电子产品的系统信息和功能信息进行语义编码以得到系统-功能信息语义理解特征向量；s130，对所述
待回收电子产品的外观图像进行图像特征提取以得到电子产品老化特征向量；以及，s140，基于所述系统-功能信息语义理解特征向量和所述电子产品老化特征向量，生成所述待回收电子产品的回收评估值。
[0061]
这里，本领域技术人员可以理解，上述电子设备的智能回收管理方法中的各个步骤的具体操作已经在上面参考图1到图4的电子设备的智能回收管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
[0062]
图7为根据本技术实施例的电子设备的智能回收管理系统的应用场景图。如图7所示，在该应用场景中，首先，获取待回收电子产品的系统信息和功能信息（例如，图7中所示意的d1），以及，所述待回收电子产品的外观图像（例如，图7中所示意的d2），然后，将所述待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像输入至部署有电子设备的智能回收管理算法的服务器中（例如，图7中所示意的s），其中，所述服务器能够使用所述电子设备的智能回收管理算法对所述待回收电子产品的系统信息和功能信息，以及，所述待回收电子产品的外观图像进行处理以得到用于表示回收评估值的解码值。
[0063]
应可以理解，当电子产品的回收评估值大于等于第一阈值时，则判定电子产品严重老化，无法进行零部件拆卸回收并二次利用，所述第一阈值为数据库中预制的常数；当电子产品的回收评估值小于第一阈值时，则判定电子产品轻微老化，回收电子产品后，对电子产品进行拆卸，并对拆卸的零部件进行检测回收，将检测合格的零部件进行二次利用。
[0064]
本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0065]
此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0066]
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0067]
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。