基于深度学习的垃圾焚烧状态辨识方法和焚烧控制方法

技术领域

本发明涉及垃圾焚烧技术领域，具体涉及一种基于深度学习的垃圾焚烧状态辨识方法和焚烧控制方法。

背景技术

我国城市生活垃圾年清运量和焚烧处置率逐年递增，垃圾焚烧发电项目日渐增多，但我国垃圾组分复杂多变，且随着国民经济发展，垃圾热值日渐高于焚烧炉设计热值，从而导致燃烧恶化，造成污染物原始生成浓度剧增、垃圾焚烧不彻底、炉渣热灼减率偏高等诸多燃烧问题。

目前，对垃圾焚烧的现场优化调控主要基于传统热电偶等测量元件的反馈值和人工观测火焰得出的燃烧诊断结论进行，调控方式也取决于运行人员的经验和习惯。然而基于传统热电偶等测量元件的监测系统覆盖范围窄且参数的测量具有滞后性，对垃圾焚烧过程中出现的燃烧问题反馈不及时；人工操作则更多依靠主观经验，其焚烧效果不稳定且给企业带来很大的人员培养负担，同时焚烧厂中较为恶劣的工作环境也容易对工人健康产生危害。因此有必要提高垃圾焚烧过程中垃圾焚烧状态辨识的智能化水平及自动化水平。

发明内容

本申请提供一种基于深度学习的垃圾焚烧状态辨识方法和焚烧控制方法，旨在解决现有垃圾焚烧技术中对于垃圾焚烧状态的判断主要依赖人工经验，导致判断不准确、焚烧效果不稳定的问题。

根据第一方面，一种实施例中提供一种基于深度学习的垃圾焚烧状态辨识方法，包括：

获取垃圾焚烧图像；

将所述垃圾焚烧图像输入垃圾焚烧状态辨识模型中，以得到垃圾焚烧状态；

其中所述垃圾焚烧状态辨识模型通过以下步骤得到：

计算预设的垃圾焚烧样本图像集中的垃圾焚烧样本图像的焚烧状态参数；

依据所述焚烧状态参数，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类；

构建一神经网络模型，将所述垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对所述神经网络模型进行训练，得到所述垃圾焚烧状态辨识模型。

一种实施例中，所述焚烧状态参数包括图像平均灰度、火焰有效面积率、高温有效面积率、火焰高温率、火焰质心、火焰质心偏移距离、高温区圆形度、单位时间火焰有效面积方差和单位时间图像灰度均值方差中的一者或多者。

一种实施例中，所述依据所述焚烧状态参数，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类，包括：

采用EM算法对所述焚烧状态参数进行聚类分析，得到所述垃圾焚烧样本图像的火焰形体、火焰温度和火焰闪动三类指标，根据火焰形体、火焰温度和火焰闪动这三类指标，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类。

一种实施例中，所述根据火焰形体、火焰温度和火焰闪动这三类指标，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类，包括：

将所述垃圾焚烧样本图像的火焰形体、火焰温度和火焰闪动三类指标输入预设的专家系统中，得到所述垃圾焚烧样本图像所属的焚烧状态类别，其中所述专家系统存有依据火焰形体、火焰温度和火焰闪动对所述垃圾焚烧样本图像按所述预定的焚烧状态类别进行分类的专家经验。

一种实施例中，所述将所述垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对所述神经网络模型进行训练，包括：

将所述垃圾焚烧样本图像集按一定比例分为训练集、验证集和测试集，利用所述训练集对所述神经网络模型进行训练，利用所述验证集对经训练的所述神经网络模型进行超参数调优，利用所述测试集验证经训练的所述神经网络模型的准确性。

一种实施例中，所述焚烧状态类别包括燃烧均匀、燃烧不充分、横向偏烧和纵向偏烧。

一种实施例中，所述基于深度学习的垃圾焚烧状态辨识方法还包括：当某段时间内连续得到的垃圾焚烧状态都一致时，则判定该时间段内的垃圾焚烧状态为该一致的垃圾焚烧状态。

根据第二方面，一种实施例中提供一种基于深度学习的垃圾焚烧控制方法，包括：

获取垃圾焚烧图像，将所述垃圾焚烧图像输入垃圾焚烧状态辨识模型中，以得到垃圾焚烧状态；

获取焚烧炉环境监测数据和焚烧炉运行数据，根据所述垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布；

将所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数；

向焚烧炉发送所述焚烧控制参数，使焚烧炉做出相应调整；

其中所述垃圾焚烧状态辨识模型通过以下步骤得到：

计算预设的垃圾焚烧样本图像集中的垃圾焚烧样本图像的焚烧状态参数；

依据所述焚烧状态参数，按预定的焚烧状态类别，对所述垃圾焚烧样本图像进行分类；

构建一神经网络模型，将所述垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对所述神经网络模型进行训练，得到所述垃圾焚烧状态辨识模型。

一种实施例中，所述强化学习控制模型包括Dyna-Q算法模型和DDPG算法模型；所述DDPG算法模型用于根据预测的烟气污染物浓度和预测的主燃段温度场分布，计算得到所述焚烧控制参数；所述Dyna-Q算法模型用于根据所述焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布，学习得到不同状态下输出不同焚烧控制参数后将会进入的下一状态，并提供给所述DDPG算法模型进行学习，所述状态包括烟气污染物浓度和主燃段温度场分布。

根据第三方面，一种实施例中提供一种计算机可读存储介质，所述介质包括程序，所述程序能够被处理器执行以实现上述基于深度学习的垃圾焚烧状态辨识方法和垃圾焚烧控制方法。

依据上述实施例的基于深度学习的垃圾焚烧状态辨识方法、焚烧控制方法和计算机可读存储介质，首先对预设的垃圾焚烧样本图像集中的垃圾焚烧样本图像计算焚烧状态参数，依据焚烧状态参数，按预定的焚烧状态类别，对垃圾焚烧样本图像进行分类，从而实现训练样本的自动化构建，有利于构建大型的样本数据库以提高垃圾焚烧状态识别的准确率；然后将垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对一神经网络模型进行训练，得到垃圾焚烧状态辨识模型，将垃圾焚烧图像输入垃圾焚烧状态辨识模型中即可得到垃圾焚烧状态，从而实现垃圾焚烧状态的实时自动化监控，有利于提高垃圾焚烧状态识别的准确性，从而提高垃圾焚烧效果的稳定性，给垃圾焚烧发电厂带来更高的边际经济效益，同时解放人力，减少人力成本，改善劳工的工作环境。

附图说明

图1为一种实施例的垃圾焚烧控制方法的流程图；

图2为焚烧炉环境监测数据与各控制量的关系图；

图3为一种实施例的基于深度学习的垃圾焚烧状态辨识方法的流程图；

图4为一种实施例的垃圾焚烧状态辨识模型的构建方法的流程图；

图5为一种实施例的用于构建垃圾焚烧状态辨识模型的卷积神经网络的结构示意图；

图6为一种实施例中垃圾焚烧过程的人工智能控制方法的算法框架图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

请参考图1，本申请一种实施例中提供一种垃圾焚烧控制方法，包括步骤101～104，下面具体说明。

步骤101：获取焚烧炉环境监测数据、垃圾焚烧状态和焚烧炉运行数据。

如图2所示，焚烧炉环境监测数据包括锅炉出口主蒸汽量、烟气中CO浓度、干燥段炉排空气流量、二级燃烧室烟气温度、燃烧段入口空气流量、一次风量、燃烧一段炉排速度、出口烟气氧气浓度、一次风压力和温度、炉膛负压和炉排片面积等，具体使用哪些数据可以根据需要进行选择，例如需要对进料器速度进行控制则需要监测锅炉出口主蒸汽量、烟气中CO浓度、干燥段炉排空气流量，需要对燃烧段炉排速度进行控制则需要监测二级燃烧室烟气温度、锅炉出口主蒸汽量、燃烧段入口空气流量，需要对氧量进行控制则需要对二次风量进行控制，因此需要监测出口烟气氧气浓度、烟气中CO浓度、一级燃烧室烟气温度、锅炉出口主蒸汽量，等等。对于焚烧炉环境进行实时监测，不断更新监测数据。

焚烧炉运行数据包括干燥段温度场分布、料层厚度、主燃段当前温度场分布、主燃段风量、炉排滑动速度、炉排翻动频率等，同样可根据需要选择一项或多项数据来使用。

对于垃圾焚烧状态，本申请提供一种基于深度学习的垃圾焚烧状态辨识方法来获得垃圾焚烧状态，请参考图3，一种实施例中的垃圾焚烧状态辨识方法包括以下步骤：

步骤301：获取垃圾焚烧图像。垃圾焚烧图像可以通过CCD(Charge CoupledDevice，电荷耦合器件)相机对全炉膛垃圾燃烧火焰进行拍摄得到。

步骤302：将垃圾焚烧图像输入垃圾焚烧状态辨识模型中，以得到垃圾焚烧状态。为了使辨识结果更准确，可以对连续一段时间输出的垃圾焚烧状态进行监测，当某段时间内连续得到的垃圾焚烧状态都一致时，则判定该时间段内的垃圾焚烧状态为该一致的垃圾焚烧状态。本申请中垃圾焚烧状态辨识模型可以通过神经网络模型来构建，具体构建流程请参考图4，包括步骤311～313，下面具体说明。

步骤311：计算预设的垃圾焚烧样本图像集中的垃圾焚烧样本图像的焚烧状态参数。焚烧状态参数包括图像平均灰度、火焰有效面积率、高温有效面积率、火焰高温率、火焰质心、火焰质心偏移距离、高温区圆形度、单位时间火焰有效面积方差和单位时间图像灰度均值方差中的一者或多者，下面分别介绍这些参数的计算方式。

由于焚烧状态参数是根据灰度图像来计算的，因此首先需要将所获得的R、G、B三通道彩色图像转换为单通道灰度图像，计算公式如下：

g(x,y)＝0.299R(x,y)+0.587G(x,y)+0.114B(x,y)，

其中g(x,y)为(x,y)处的灰度图像灰度值，R(x,y)为(x,y)处的原彩色图像红色通道中的像素值，G(x,y)为(x,y)处的原彩色图像绿色通道中的像素值，B(x,y)为(x,y)处的原彩色图像蓝色通道中的像素值。

(1)图像平均灰度

图像平均灰度可以用于评估燃烧火焰的整体温度水平。求取图像的平均灰度值，则是通过遍历整幅图像的所有像素点，累加求取所有像素点的灰度值总和，则平均灰度值为灰度值总和与像素点个数之商，步骤如下：

1)遍历待计算图像的像素，对每个像素点的灰度值进行累加求和得到灰度值总和sum；

2)计算图像的像素点总个数n；

3)求图像的平均灰度值g

(2)火焰有效面积率

火焰有效面积率用于评估灰度图像中火焰充斥图像空间的面积，表征燃烧火焰在监测区域的覆盖程度。计算公式如下：

其中S

(3)高温有效面积率

高温有效面积率主要反映燃烧火焰温度较高的区域占整个图像空间的面积，温度越高图像的灰度值越高。计算公式为：

其中S

(4)高温率

高温率主要反映燃烧火焰温度较高的区域占火焰有效面积的比率，其反映了高温区的充满度，其值越高，说明炉内高温的面积越大，充满度越高，燃烧状态越好。高温率等于高温有效面积率S

(5)火焰质心

火焰质心反映燃烧的空间位置信息，能全面、准确地反映出区域内火焰是否在合理的位置，用于燃烧问题的诊断。其计算公式如下：

其中，

(6)火焰质心偏移距离

随着旧的燃烧物燃尽和新的燃烧物被点燃，火焰位置不断移动，但这种移动是非跳跃的，是整体上连续移动的，即火焰满足运动的相对稳定性，可以通过计算火焰质心偏移距离来描述火焰的整体移动。火焰质心偏移距离d是指火焰质心

(7)高温区圆形度

高温区圆形度表征燃烧火焰的几何外形的特征，它反映了空气动力场的好坏。以高温有效面积的轮廓线长度作为周长L

L

(8)单位时间火焰有效面积方差

单位时间火焰有效面积方差反映单位时间内火焰面积的变化情况，其计算公式如下：

其中D

(9)单位时间图像灰度均值方差

单位时间图像灰度均值方差反映火焰温度的波动情况，其计算公式如下：

其中D

步骤312：依据焚烧状态参数，按预定的焚烧状态类别，对垃圾焚烧样本图像进行分类。焚烧状态类别可以分为燃烧均匀、燃烧不充分、横向偏烧和纵向偏烧四种。

本实施例中采用EM(Expectation-maximization，期望最大化)算法和专家系统对垃圾焚烧样本图像进行分类。首先使用EM算法对焚烧状态参数进行聚类分析，得到垃圾焚烧样本图像的火焰形体、火焰温度和火焰闪动三类指标，火焰形体、火焰温度和火焰闪动这三个指标就是三个聚类簇的质心。EM算法是在概率模型中寻找参数的最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量，这里的隐性变量就是聚类簇的质心：火焰形体、火焰温度和火焰闪动这三个指标。EM算法主要包括两个步骤：第一步是计算期望(E步)，利用对隐性变量(即质心)的现有估计值，计算其最大似然估计值；第二步是最大化(M步)，计算得到每个样本图像最近的质心，并把样本图像聚类到最近的这个质心，得到概率模型的参数估计值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行，直到质心不再变化为止，这样就完成了拥有3个质心的聚类簇，最终提取出火焰形体、火焰温度和火焰闪动这三个指标。

在得到火焰形体、火焰温度和火焰闪动这三个指标后，将它们输入到预先设置的专家系统中，得到垃圾焚烧样本图像所属的焚烧状态类别，专家系统中存储有依据火焰形体、火焰温度和火焰闪动对垃圾焚烧样本图像按预定的焚烧状态类别进行分类的专家经验，根据专家经验，专家系统就能够根据输入的火焰形体、火焰温度和火焰闪动指标对样本图像进行分类。这样一来，垃圾焚烧样本图像就都有了各自的类别标签，从而实现了训练样本集的自动化构建，有利于构建大型的样本数据库以提高垃圾焚烧状态识别的准确率。

步骤313：构建一神经网络模型，将垃圾焚烧样本图像集作为训练数据，将垃圾焚烧样本图像的类别作为数据标签，对神经网络模型进行训练，得到垃圾焚烧状态辨识模型。

所构建的神经网络模型可以是一卷积神经网络模型，请参考图5，卷积神经网络包括卷积层、批标准化层、池化层和全连接网络等。垃圾焚烧样本图像经过卷积、批标准化和池化后得到一特征向量，将特征向量输入全连接网络后得到4种类别的概率进行判别。其中卷积是一种有效提取图像特征的方法，一般会用一个正方形的卷积核，按指定步长，在输入图像上滑动，遍历输入图像中的每个像素点，进行卷积计算，提取出图像中的特征，得到特征图。

批标准化则是针对网络各层输出的一小批数据做标准化处理，其实现的公式为：

其中

池化的作用是减少特征数量(降维)，其中最大池化可提取图片纹理，均值池化可保留背景特征。

将垃圾焚烧样本图像输入神经网络前需要先进行预处理，主要是对垃圾焚烧样本图像依次进行标准差标准化和白化。其中数据标准差标准化的目的是通过数据的缩放使数据落入特定的区间，可以有效避免数量级较大的数据在算法中权重太大而数量级较小的数据权重太小的问题；白化则用于减少特征之间的关联性，提高算法的稳定性。

在训练时可以将垃圾焚烧样本图像集按一定比例分为训练集、验证集和测试集，首先利用训练集对神经网络模型进行训练，按批次将训练集中的垃圾焚烧样本图像送入神经网络中，得到垃圾焚烧状态的预测结果，然后和对应的数据标签进行比较计算损失值，根据损失值通过反向传播算法对神经网络的参数进行迭代修正，直到满足预设的停止条件为止，停止条件可以是预测误差小于阈值、训练时间达到要求或预测结果已经收敛等，同时使用验证集估计训练中或训练后的神经网络模型的泛化误差，更新神经网络的超参数。训练完成后再将测试集中的垃圾焚烧样本图像送入神经网络中，得到预测的垃圾焚烧状态，然后和对应的数据标签进行比较，验证经训练的神经网络模型的准确性。经过若干次训练和超参数调优后就得到了最终的垃圾焚烧状态辨识模型。

可以使用Tensorflow框架和keras库建立用于垃圾焚烧状态辨识的卷积神经网络，主要使用其中的四个模块，分别为model、model.compile、model.fit和model.summary四个模块。其中model模块主要负责定义网络结构，包括卷积层的层数、卷积核的个数和大小、是否进行批标准化处理、激活函数的选择、池化的方法，全连接网络的层数、神经元个数和激活函数等；model.compile模块负责配置训练方法，包括定义优化器、损失函数、模型评测指标等；model.fit模块负责训练参数，包括定义训练集和验证集、每次输入神经网络的样本个数，迭代轮数等；model.summary模块负责参数提取和预测效果可视化。以上每个模块在实际应用中根据实际情况采用不同的设置方法。

本申请提供的基于深度学习的垃圾焚烧状态辨识方法，利用神经网络模型构建垃圾焚烧状态辨识模型，将垃圾焚烧图像输入垃圾焚烧状态辨识模型中即可得到垃圾焚烧状态，从而实现垃圾焚烧状态的实时自动化监控，有利于提高垃圾焚烧状态识别的准确性，同时解放人力，减少人力成本，改善劳工的工作环境。

下面继续对步骤102～104进行说明。

步骤102：根据垃圾焚烧状态和焚烧炉运行数据预测烟气污染物浓度和主燃段温度场分布。预知下一时序的烟气污染物浓度和主燃段温度场分布，有利于提前做出调整，适应焚烧过程的变化，提高焚烧的稳定性。

本实施例中使用LSTM(Long Short-Term Memory，长短期记忆)模型来预测下一时序的烟气污染物浓度和主燃段温度场分布。LSTM是一种特殊的RNN(Recurrent NeuralNetwork，循环神经网络)神经网络算法，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，适合用于长序列的趋势预测。和普通神经网络相比，循环神经网络结构更加符合生物神经网络的实际构造。LSTM在接受其他神经元信息的同时还可以接受自己的信息，从而形成具有环路的网络结构以产生“记忆”的效果。与其他神经网络相同，循环神经网络可以通过按照时间逆序的反向传播算法进行参数训练。

在应用过程中，可根据实际经验对数据进行时序划分，例如每隔15分钟作为一个时序，将若干个时序的垃圾焚烧状态和焚烧炉运行数据输入预设的LSTM模型中，得到预测的烟气污染物浓度和预测的主燃段温度场分布。

步骤103：将焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数。

强化学习是指智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的方法，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励或反馈获得学习信息并更新模型参数。本申请中使用强化学习控制模型在焚烧过程中不断地根据焚烧结果进行学习，以适应复杂的垃圾焚烧过程，得到最优的焚烧控制参数。

请参考图6，本申请一种实施例中的强化学习控制模型包括Dyna-Q算法模型和DDPG算法模型。DDPG算法是在确定性梯度(Deterministic Policy Gradient)算法上发展起来的。它包含一个策略网络用来生成动作，一个价值网络用来评判动作的好坏，并吸取DQN的成功经验，使用了样本池和固定目标网络，是一种结合了深度网络的Actor-Critic方法。它既拥有Actor-Critic算法单步更新的特点，又通过借鉴DQN算法双网络结构和经验回放的成功经验提高了算法收敛性。和DQN这种基于值函数的算法相比，DDPG适用于输出连续动作的任务，可用于动作维度爆炸的场景。Dyna-Q算法是强化学习中的Model-based算法(基于模型的算法)。Dyna-Q算法通过利用神经网络拟合环境变化，为复杂且不便于直接部署训练强化学习算法的环境提供环境经验。

本实施例中，DDPG算法模型接收LSTM输出的预测的烟气污染物浓度和预测的主燃段温度场分布，寻找最优动作组合，输出连续的焚烧控制参数，焚烧控制参数可以包括给料速度、焚烧炉排运行周期及燃烧空气分配比等。Dyna-Q算法模型则接收焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布，学习得到不同状态下输出不同焚烧控制参数后将会进入的下一状态，并提供给所述DDPG算法模型进行学习，这里的状态包括烟气污染物浓度和主燃段温度场分布。焚烧炉环境监测数据一定程度上代表了焚烧炉根据焚烧控制参数进行垃圾焚烧所得到的燃烧结果，因此，实际上Dyna-Q算法模型是根据DDPG算法模型与实际环境交互生成的数据模拟出了一个虚拟的环境模型，用于模拟焚烧炉在不同状态、不同焚烧控制参数下将会产生的燃烧结果，并将所模拟出的燃烧结果作为DDPG算法的反馈，使算法参数训练更为稳定的同时，减少DDPG算法与实际环境交互的次数，节约算法训练成本。

步骤104：向焚烧炉发送所述焚烧控制参数，使焚烧炉做出相应调整。

依据上述实施例的垃圾焚烧控制方法，通过基于深度学习的方法获得垃圾焚烧状态，实现垃圾焚烧状态的实时自动化监控，有利于提高垃圾焚烧状态识别的准确性，从而提高垃圾焚烧的稳定性，给垃圾焚烧发电厂带来更高的边际经济效益，同时解放人力，改善劳工的工作环境；同时获取焚烧炉环境监测数据和焚烧炉运行数据，根据垃圾焚烧状态和焚烧炉运行数据采用LSTM模型进行仿真预测，得到预测的烟气污染物浓度和主燃段温度场分布，然后将焚烧炉环境监测数据、预测的烟气污染物浓度和预测的主燃段温度场分布输入一强化学习控制模型中以得到焚烧控制参数，向焚烧炉发送焚烧控制参数，使焚烧炉做出相应调整，使得垃圾焚烧控制参数得到优化，能够适应复杂的垃圾焚烧过程，实现垃圾焚烧过程的自动化控制，提高了垃圾焚烧的稳定性，同时解放人力，减少了人力成本。

本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(CD至ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。

虽然在各种实施例中已经示出了本文的原理，但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。

前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。

具有本领域技术的人将认识到，在不脱离本发明的基本原理的情况下，可以对上述实施例的细节进行许多改变。因此，本发明的范围应仅由权利要求确定。