工业数据特征选择方法、装置、计算机设备和存储介质

技术领域

本申请涉及工业大数据的数据处理技术领域，特别是涉及一种工业数据特征选择方法、装置、计算机设备和存储介质。

背景技术

在例如有色金属冶炼过程等工业场景下会产生大量数据，这些数据包括企业内部制造系统数据和企业外部数据，具有大体量、多源性、连续采样、价值密度低、复杂度高和动态性强等特点。这些特点使其不同于互联网等数据流，分析难度与对分析精度的要求都相对较高。而多源性及复杂性导致了大数据的高维性，为准确进行企业大数据分析与预测，需要对数据降维。

特征选择是一种常用的降低数据维度的方法。其原理是利用原始的特征空间构建一个新的低维空间，消除冗余特征及不相关特征，有效降低数据的维度。特征选择是选择关键特征子集的过程，这些子集可以有效地描述输入数据，同时减少噪声或不相关变量的影响，提供良好的预测结果。

然而，工业数据对处理分析的实时性和预测精度的要求很高，传统的特征提取方法如主成分分析、线性判别分析和偏最小二乘法等已不能满足要求。因此，设计一种快速有效的特征选择方法对工业数据中的关键特征进行准确的提取——选择出最优特征子集，是必要和必须的。此外，提取关键特征还能实现数据降维，减少计算需求。这对于建立基于SOA(Service-Oriented Architecture，面向服务的架构)的服务数据跨域集成架构，实现有色金属冶炼流程工业跨域数据融合与集成是关键重要的环节。

发明内容

基于此，有必要针对上述技术问题，提供一种工业数据特征选择方法、装置、计算机设备和存储介质。

第一方面，提供了一种工业数据特征选择方法，该方法包括：

利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选；

根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体；

当第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当第一父代个体和第二父代个体的基因编码不相同时，保留预测准确度较高的父代个体所对应的基因编码为子代的基因编码，得到一个子代；

根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群；

基于更新后的初始种群从待选特征集合中选择工业数据的目标特征集合。

在其中一个实施例中，根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体之前，该方法还包括：

将多个特征子集输入预先构建的神经网络，以使神经网络输出各特征子集对应的预测准确度。

在其中一个实施例中，神经网络包括多个隐藏层，神经网络的激活函数采用线性整流函数，神经网络的随机梯度下降的并行计算基于Hogwild！算法实现。

在其中一个实施例中，将多个特征子集输入预先构建的神经网络，包括：

将多个特征子集中的特征进行二进制编码后输入神经网络。

在其中一个实施例中，根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体，包括：

基于锦标赛选择策略，按照从初始种群中随机选取至少两个个体，将所述至少两个个体中预测准确度高的个体作为父代个体的父代筛选方式，依次获取第一父代个体和第二父代个体。

在其中一个实施例中，根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群，包括：

利用子代所表征的特征选择方式，从待选特征集合中选取一个新的特征子集；

根据新的特征子集，计算子代的预测准确度；

如果子代的预测准确度大于初始种群的平均预测准确度，将子代随机替换初始种群中预测准确度小于子代的一个个体。

在其中一个实施例中，利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集之前，该方法还包括：

将待处理的工业数据转化为特征向量，对特征向量进行预处理，得到待选特征集合。

第二方面，提供了一种工业数据特征选择装置，该装置包括：

特征子集选取模块，用于利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选；

父代选取模块，用于根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体；

子代生成模块，用于当第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当第一父代个体和第二父代个体的基因编码不相同时，保留预测准确度较高的父代个体所对应的基因编码为子代的基因编码，得到一个子代；

种群优化模块，用于根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群；

特征选择模块，用于基于更新后的初始种群从待选特征集合中选择工业数据的目标特征集合。

第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述第一方面任一项的方法的步骤。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项的方法的步骤。

上述工业数据特征选择方法、装置、计算机设备和存储介质，通过将编码不一致的特征根据第一父代个体和第二个体的预测准确度的相对大小形成第二部分特征子集，使得预测准确度越高的父代的基因被子代继承的可能性更大，能够尽可能让子代获得更优的基因，让整个种群更快的朝着好的方向优化，提高了优化速度，同时保留一定的灵活性，从而快速有效的对工业数据中的关键特征进行准确的提取。

附图说明

图1为一个实施例中工业数据选择方法的流程示意图；

图2为一个实施例中工业数据选择方法的流程示意图；

图3为一个实施例中根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群步骤的流程示意图；

图4为一个实施例中工业数据选择方法的流程示意图；

图5为一个实施例中工业数据选择方法的流程示意图；

图6为一个实施例中工业数据选择方法的具体流程图；

图7为一个实施例中工业数据选择装置的框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种工业数据特征选择方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤S102，利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选。

其中，初始种群是随机生成的，可以包括m个个体，每个个体有n个基因。将初始种群作为初始特征空间，对特征进行0-1二进制编码，值为“1”的基因表示选择了相应的输入特征，而“0”表示未选择。由此，经过二进制编码后，初始种群的每个个体可以用n位二进制字符串来表示基因结构。

具体地，将初始种群中的每个个体都视为一种特征选择方式，分别选择待选特征集合中的特征，得到不同个体所对应的特征子集。

步骤S104，根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体。

在本申请可选的实施例中，预测准确度用对设定预测结果的均方根误差(RootMean Squared Error，下称RMSE)进行计算，公式为：

其中y

利用上述预测准确度，从初始种群的m个个体中选取两个父代个体。

步骤S106，当所述第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当所述第一父代个体和第二父代个体的基因编码不相同时，保留所述预测准确度较高的父代个体所对应的基因编码为所述子代的基因编码，得到一个子代。

当父代个体的预测准确度越高时，其基因(0或1)被保留到子代的可能性更大。具体地，从第一个基因开始比较第一父代个体和第二父代个体的基因编码，当P

其中P

步骤S108，根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群。

新生成的子代能够得到一个新的特征子集，根据这一新的特征子集计算得到对应的预测准确度，基于上述预测准确度判断是否更新优化初始种群。在本申请可选的实施例中，比较子代是否与初始种群中已有个体重复，并判断子代的预测准确度与初始种群的平均预测准确度相比是否提高，来判断是否将子代替换初始种群中的个体，否则重新生成新的子代直到满足更新条件。

步骤S110，基于更新后的初始种群从待选特征集合中选择所述工业数据的目标特征集合。

重复执行步骤S104、S106和S108，新的子代不断地生成、种群也不断地更新。当达到最大迭代次数或目标优化值，即迭代到阈值次数或者种群平均适应度值达到期望阈值时，得到最终种群。最终种群中的每个个体代表一种特征选择方式，但是大致会趋于选择某些特征，这些被大多数个体所选择的特征为最优特征子集，即工业大数据中的关键特征。

上述工业数据特征选择方法中，通过将编码不一致的特征根据第一父代个体和第二个体的预测准确度的相对大小形成第二部分特征子集，使得预测准确度越高的父代的基因被子代继承的可能性更大，能够尽可能让子代获得更优的基因，让整个种群更快的朝着好的方向优化，提高了优化速度，同时保留一定的灵活性，从而快速有效的对工业数据中的关键特征进行准确的提取。

在一个实施例中，如图2所示，根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体之前，该工业数据特征选择方法还包括：

步骤S202，将多个特征子集输入预先构建的神经网络，以使神经网络输出各特征子集对应的预测准确度。

神经网络的预测结果用来评估特征子集的性能。在本申请可选的实施例中，将基因编码为1的特征被保留作为神经网络的输入要素。

本实施例中，通过神经网络作为特征子集的训练方法和评价指标，提高了算法效率，降低了预测误差。

在一个实施例中，神经网络包括多个隐藏层，神经网络的激活函数采用线性整流函数，神经网络的随机梯度下降的并行计算基于Hogwild！算法实现。

具体地，神经网络具体配置为：

a.神经网络设置有3个隐藏层，太复杂的网络会影响计算速度；

b.激活函数选用线性整流函数(ReLU)，函数公式：

f(x)＝max(0，x)

c.Hogwild！算法被用来实现随机梯度下降的并行计算。

结合以上三种配置方式，训练效率得到巨大提升，能够满足工业大数据的实时训练及监测要求。

在一个实施例中，将多个特征子集输入预先构建的神经网络，包括：将所述多个特征子集中的特征进行二进制编码后输入所述神经网络。具体地，将基因编码为1的特征被保留作为神经网络的输入要素。

在一个实施例中，根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体，包括：基于锦标赛选择策略，按照从初始种群中随机选取至少两个个体，将至少两个个体中预测准确度高的个体作为父代个体的父代筛选方式，依次获取第一父代个体和第二父代个体。

从初始种群中随机选取2个个体，其中RMSE值更小的被保留，作为第一父代个体P

在一个实施例中，如图3所示，根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群，包括：步骤S302，利用子代所表征的特征选择方式，从待选特征集合中选取一个新的特征子集；步骤S304，根据新的特征子集，计算子代的预测准确度；步骤S306，如果子代的预测准确度大于初始种群的平均预测准确度，将子代随机替换初始种群中预测准确度小于子代的一个个体。

首先，将新生成的子代作为一种新的特征选择方式，从工业数据的待选特征集合中选取一个新的特征子集。基因编码为0的特征被舍去，基因编码为1的特征被保留作为神经网络的输入计算出子代的RMSE值。

然后，判断是否更新优化种群。具体地，比较子代是否与初始种群中的个体重复，并判断子代的预测准确度是否提高，即子代的RMSE值是否小于初始种群的平均RMSE值。

最后，当子代与初始种群中的个体不重复且预测准确度提高时，将子代随机替换初始种群中大于平均RMSE的一个个体。否则重新生成新的子代直到满足更新条件。

在一个实施例中，如图4所示，利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集之前，该方法还包括：

步骤S402，将待处理的工业数据转化为特征向量，对特征向量进行预处理，得到待选特征集合。

首先，将收集的数据转化为特征向量。数据样本i的特征向量记作x

然后，采用独热编码处理无大小比较的字符型数据特征，采用数字编码处理有大小比较的字符型数据特征，采用数值标准化处理连续型数据特征。数值标准化是为了避免某个特征的重要程度过大或过小，即把数据变换到均值为0，标准差为1范围内，数值标准化公式：

其中mean(k)为样本集第k个特征对应特征列的平均值，σ(k)为特征列的标准差，x

本申请方案的具体实施场景中，待处理的工业数据可以包括有色金属加工公司提供的数据，例如企业通过部署的传感器、智能摄像机、射频识别、网关等数字化工具和设备，融合高温热管、图像识别、声音识别等关键技术，收集的包括设备数据、产品标识数据、工厂环境数据等生产现场数据，生产过程和关键装备运行数据和状态等相关数据。待处理的工业数据还可以包括对火法熔炼、余热锅炉、烟气收尘、高温排烟、管道溶出、萃取分离等有色冶炼重点工序的控制系统进行采集的数据。

所有采集的数据可分为以下特征，包括：物料成分在线检测、烟气成分在线检测、产品外观质昰检测、光谱分析仪、荧光分析仪等通用仪器仪表采集的特征；炉体熔池高度检测、炉窑热场图像识别、固体物料自动取样分析、料堆形态自动监测、熔体温度在线检测、炉膛温度在线检测、熔体成分在检测等火法冶金采集的特征；高压釜内液位检测、溶液/料浆成分在线分析/PH值在线检测、电势电位在线检测、管道结疤厚度判断、在线粒度分析仪、泥层探测仪、在线浊度仪、管道磨损检测仪器等湿法冶金采集的特征；阴极温度在线检测、阴阳极电流在线检测、铝液与电解质水平在线检测装置、电解槽在线测温装置、热成像分析仪、电解槽极板短路自动识别等电冶金采集的特征；其他特征。

如图5所示，本申请工业数据的特征选择方法可以包含两个阶段：

阶段一，收集企业数据并进行预处理；具体的，采用独热编码处理无大小比较的字符型数据特征，采用数字编码处理有大小比较的字符型数据特征，采用数值标准化处理连续型数据特征；

阶段二，采用基于适应度值的特征选择方法作为特征子集的优化策略，遗传算法作为特征优化方法的主体，神经网络方法作为特征子集的训练方法和评价指标。两个阶段共同组成工业数据特征选择方法，通过不断迭代更新种群，最终得到最优特征子集；具体的，将种群初始化得到的特征子集，基于适应度值进行特征选择，从而对种群进行更新，在满足终止条件时得到最优特征子集。

在一个实施例中，如图6所示，本申请提供的工业数据的特征选择方法的具体流程包括：

第一步：导入企业采集的数据，包括但不限于火法熔炼、余热锅炉、烟气收尘、高温排烟、管道溶出、萃取分离等有色冶炼重点工序的控制系统采集的数据；

第二步：根据不同的数据类别提取出各种特征数据，并对数据进行预处理；

第三步：生成一个初始种群作为初始特征空间，对特征进行0-1二进制编码；

第四步：将第三步生成的种群中的每个个体都作为一种特征选择方式，分别去选择第二步处理好的特征，得到不同的特征子集，采用神经网络的预测准确性作为遗传算法中适应度函数的计算与特征选择结果性能的评估；

第五步：采用锦标赛选择从种群中选出两个父代，基于适应度值的交叉运算生成一个新的子代；

第六步：第五步生成的子代作为一种新的特征选择方式得到一个新的特征子集，计算其适应度值并判断是否优化种群；

第七步：重复执行第五步、第六步，直到达到最大迭代次数或满足算法终止条件，最终种群中个体所选择的特征为最优特征子集。

与现有技术相比，本发明的有益效果在于：

(1)本发明可以为其他算法提供一种关键特征提取策略；

(2)本发明结合了遗传算法和深度神经网络算法的优点，提高了算法效率，降低了预测误差；

(3)本发明改进了传统的遗传算法，子代保留了特征组合的联合信息。。

应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种工业数据特征选择装置，包括：特征子集选择模块702、父代选取模块704、子代生成模块706、种群优化模块708和特征选择模块710，其中：

特征子集选取模块702，用于利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选；

父代选取模块704，用于根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体；

子代生成模块706，用于当第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当第一父代个体和第二父代个体的基因编码不相同时，保留预测准确度较高的父代个体所对应的基因编码为子代的基因编码，得到一个子代；

种群优化模块708，用于根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群；

特征选择模块710，用于基于更新后的初始种群从待选特征集合中选择工业数据的目标特征集合。

在一个实施例中，该工业数据特征选择装置还包括：

预测准确度计算模块，用于将多个特征子集输入预先构建的神经网络，以使神经网络输出各特征子集对应的预测准确度。

在一个实施例中，该神经网络包括多个隐藏层，该神经网络的激活函数采用线性整流函数，该神经网络的随机梯度下降的并行计算基于Hogwild！算法实现。

在一个实施例中，该预测准确度计算模块还用于，将所述多个特征子集中的特征进行二进制编码后输入所述神经网络。

在一个实施例中，该父代选取模块704还用于，基于锦标赛选择策略，按照从初始种群中随机选取至少两个个体，将至少两个个体中预测准确度高的个体作为父代个体的父代筛选方式，依次获取第一父代个体和第二父代个体。

在一个实施例中，该种群优化模块708还用于，利用子代所表征的特征选择方式，从待选特征集合中选取一个新的特征子集；根据新的特征子集，计算子代的预测准确度；如果子代的预测准确度大于初始种群的平均预测准确度，将子代随机替换初始种群中预测准确度小于子代的一个个体。

在一个实施例中，该工业数据特征选择装置还包括：

数据预处理模块，用于将待处理的工业数据转化为特征向量，对特征向量进行预处理，得到待选特征集合。

关于工业数据特征选择装置的具体限定可以参见上文中对于工业数据特征选择方法的限定，在此不再赘述。上述工业数据特征选择装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储工业数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工业数据特征选择方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选；

根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体；

当第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当第一父代个体和第二父代个体的基因编码不相同时，保留预测准确度较高的父代个体所对应的基因编码为子代的基因编码，得到一个子代；

根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群；

基于更新后的初始种群从待选特征集合中选择工业数据的目标特征集合。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将多个特征子集输入预先构建的神经网络，以使神经网络输出各特征子集对应的预测准确度。

在一个实施例中，神经网络包括多个隐藏层，神经网络的激活函数采用线性整流函数，神经网络的随机梯度下降的并行计算基于Hogwild！算法实现。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将多个特征子集中的特征进行二进制编码后输入神经网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于锦标赛选择策略，按照从初始种群中随机选取至少两个个体，将至少两个个体中预测准确度高的个体作为父代个体的父代筛选方式，依次获取第一父代个体和第二父代个体。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

利用子代所表征的特征选择方式，从待选特征集合中选取一个新的特征子集；

根据新的特征子集，计算子代的预测准确度；

如果子代的预测准确度大于初始种群的平均预测准确度，将子代随机替换初始种群中预测准确度小于子代的一个个体。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将待处理的工业数据转化为特征向量，对特征向量进行预处理，得到待选特征集合。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

利用初始种群包含的多个个体所表征的特征选择方式，从工业数据的待选特征集合中选取多个特征子集；初始种群用于特征筛选；

根据各特征子集对设定预测结果的预测准确度，从多个个体中选取第一父代个体和第二父代个体；

当第一父代个体和第二父代个体的基因编码相同时，保留为子代的基因编码，以及当第一父代个体和第二父代个体的基因编码不相同时，保留预测准确度较高的父代个体所对应的基因编码为子代的基因编码，得到一个子代；

根据基于一个子代选取的新特征子集对应的预测准确度，更新初始种群；

基于更新后的初始种群从待选特征集合中选择工业数据的目标特征集合。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将多个特征子集输入预先构建的神经网络，以使神经网络输出各特征子集对应的预测准确度。

在一个实施例中，神经网络包括多个隐藏层，神经网络的激活函数采用线性整流函数，神经网络的随机梯度下降的并行计算基于Hogwild！算法实现。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将多个特征子集中的特征进行二进制编码后输入神经网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于锦标赛选择策略，按照从初始种群中随机选取至少两个个体，将至少两个个体中预测准确度高的个体作为父代个体的父代筛选方式，依次获取第一父代个体和第二父代个体。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

利用子代所表征的特征选择方式，从待选特征集合中选取一个新的特征子集；

根据新的特征子集，计算子代的预测准确度；

如果子代的预测准确度大于初始种群的平均预测准确度，将子代随机替换初始种群中预测准确度小于子代的一个个体。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将待处理的工业数据转化为特征向量，对特征向量进行预处理，得到待选特征集合。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。