基于神经网络的预测方法及装置

技术领域

本发明涉及通信领域，具体而言，涉及一种基于神经网络的预测方法及装置。

背景技术

量化领域认为不同环境条件下，影响因子的有效性不同。例如，同一对象在不同的时间段的受欢迎程度不同，或者同一对象在不同的人群受欢迎程度不同。外界环境因素会导致影响因子的有效性发生变化。

目前，大部分依靠人工经验来确定不同环境条件下的影响因子，但是人工经验的方式通常情况下仅以主要的影响因子作为评判对象的因素，忽略了其他影响因子的影响。而且在多个影响因子的影响程度相差较小的情况下，会出现难以选择，也就是日常场景中出现的“选择恐惧”的情况。

例如，股票的牛市与熊市下发挥作用的因子不同，而市场的状态无法准确定义，大部分依靠人工经验仅从股票价格考虑，未考虑市场的影响，导致选择的股票并不是最适合当前市场的。又例如，对于多个同类物品(例如，多件风格不同的服装或多个口味不同的食物)在不同的环境下影响因子是不同的。而通过人工经验的方式在多种物品中选择时，仅考虑了主要的影响因素，而忽略了其他影响因素，导致所选择的物品并不是真正需要的。

针对相关技术中，由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题，目前尚未存在有效的解决方案。

发明内容

本发明实施例提供了一种基于神经网络的预测方法及装置，以至少解决相关技术中由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题。

根据本发明的一个实施例，提供了一种基于神经网络的预测方法，包括：获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

可选地，在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，所述方法还包括：获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。

可选地，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，所述方法包括：将所述第一特征矩阵和所述第二特征矩阵输入至所述目标网络模型，得到所述目标网络模型输出的所述M个目标对象的预测排名顺序。

可选地，所述目标网络模型输出的所述预测结果与预定的已知结果之间的损失函数满足目标收敛条件，所述目标收敛条件用于表示所述损失函数的输出值在预定范围之内。

根据本发明的另一个实施例，提供了一种基于神经网络的预测装置，包括：第一获取模块，用于获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；第一排序模块，用于对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；第一提取模块，用于在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；输入模块，用于将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

可选地，所述装置还包括：第二获取模块，用于在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；第二排序模块，用于对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；第二提取模块，用于在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；训练模块，用于使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。

可选地，所述输入模块还包括：输入单元，用于将所述第一特征矩阵和所述第二特征矩阵输入至所述目标网络模型，得到所述目标网络模型输出的所述M个目标对象的预测排名顺序。

可选地，所述目标网络模型输出的所述预测结果与预定的已知结果之间的损失函数满足目标收敛条件，所述目标收敛条件用于表示所述损失函数的输出值在预定范围之内。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，由于通过获取在预定时刻的M个目标对象的目标数据，以及在预定时刻选取的S个第一对象的数据；对M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵；在S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵；将第一特征矩阵和第二特征矩阵输入至目标网络模型，得到目标网络模型输出的预测结果。可以达到引入其他影响因素进行预测的目的，进而解决了现有技术中由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题，达到提高预测结果准确率的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种基于神经网络的预测方法的移动终端的硬件结构框图；

图2根据本发明实施例的基于神经网络的预测方法的流程图；

图3根据本发明实施例的基于神经网络的预测方法的示意图一；

图4据本发明实施例的基于神经网络的预测方法的示意图二；

图5根据本发明实施例的基于神经网络的预测装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于神经网络的预测方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的基于神经网络的预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于上述移动终端的基于神经网络的预测方法，图2是根据本发明实施例的基于神经网络的预测方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；

其中，目标对象可以是多个待选择的对象，可以是现实的物品，例如食品或者衣物，也可以是虚拟对象，例如可以是游戏中玩家控的虚拟角色。目标数据可以是目标对象的选择情况或销售情况，例如可以是牛奶、面包、服装等物品的销售情况，或者可以游戏中虚拟角色的选择情况。预定时刻选取的S个第一对象的数据可以表示对象的市场数据。

步骤S204，对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；

其中，第一影响因子可以是环境影响因子，例如可以是时间影响因子，天气影响因子等。

步骤S206，在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；

其中，第二影响因子可以是市场因子，市场因子是指市场中可引起对某种商品需要的相关因子，例如，在疫情期间口罩在市场中的需求量较大，市场因子值较高。

步骤S208，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

其中，可以将目标对象按照环境影响因子进行排序得到第一特征矩阵，在市场数据中选取出某个对象在多种不同的影响下的影响因子值得到第二特征矩阵，通过目标网络模型对第一特征矩阵和第二特征矩阵进行处理，得到输出的预测结果，得到综合环境影响和市场影响下最优的对象预测结果。以目标对象为超市中销售的口罩为例，分为医用口罩、保暖口罩、防雾霾口罩，可以在预定时间内选取医用口罩、保暖口罩、防雾霾口罩中的部分或全部口罩的市场销售情况，作为市场数据。N种影响因子可以是环境影响因子，例如，气温，空气指数等，按照环境影响因子对医用口罩、保暖口罩、防雾霾口罩进行排序，得到第一特征矩阵。根据市场中各种口罩的销售情况得到市场因子值，将口罩的销售排名和口罩的市场因子输入值神经网络模型，可以得到神经网络模型输出的预测结果，该预测结果用于表示符合当前环境的最优选择方式。

通过上述步骤，由于通过获取在预定时刻的M个目标对象的目标数据，以及在预定时刻选取的S个第一对象的数据；对M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵；在S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵；将第一特征矩阵和第二特征矩阵输入至目标网络模型，得到目标网络模型输出的预测结果。可以达到引入其他影响因素进行预测的目的，进而解决了现有技术中由于不同环境条件下影响因子的有效性不同，人工经验方式常常忽略其他影响因素的影响，导致预测结果准确率较低的技术问题，达到提高预测结果准确率的效果。

可选地，上述步骤的执行主体可以为终端等，但不限于此。

可选地，在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，所述方法还包括：获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。

作为一个可选的实施方式，可以使用历史数据对初始模型进行训练，历史出具包括训练对象在历史时间内的销售数据，以及环境影响因子和市场影响因子。根据训练对象在历史时间内的相关数据对初始的神经网络模型进行训练，得到的训练好的模型可以进行预测。

可选地，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，所述方法包括：将所述第一特征矩阵和所述第二特征矩阵输入至所述目标网络模型，得到所述目标网络模型输出的所述M个目标对象的预测排名顺序。

作为一个可选的实施方式，目标神经网络模型的预测结果可以包括目标对象的排序，以目标对象为超市中销售的医用口罩、保暖口罩、防雾霾口罩为例，目标神经网络模型可以根据环境影响因子和市场影响因子对这几种口罩进行排序，例如预测结果为医用口罩、防雾霾口罩、保暖口罩，表示在当前环境和市场影响下，最优的选择结果是医用口罩。在本实施例中，通过训练好的神经网络模型可以结合当前的环境影响因素和市场影响因素，为用户预测出符合当前实际情况的最优选择结果。

可选地，所述目标网络模型输出的所述预测结果与预定的已知结果之间的损失函数满足目标收敛条件，所述目标收敛条件用于表示所述损失函数的输出值在预定范围之内。

作为一个可选实施例，目标网络模型可以采用rank loss的损失函数进行训练，rank loss表达是可以是：

下面以目标对象是虚拟对象股票，目标数据时股票交易数据，预定时刻选取的S个第一对象的数据表示股票的市场数据。对于股票而言，第一影响因子可以是股票因子，包括：动量因子、波动率因子、规模因子、盈利因子、估值因子、成长因子、资本效率等。第二影响因子可以是股票的市场因子，包括：波动率指数，月均收益方差等。以股票为例，市场可以是中正500，沪深300之类的指数价格。股票因子可以是从股票价格数据里提取的特征，股票因子可以包括：动量因子、波动率因子、规模因子、盈利因子、估值因子、成长因子、资本效率等，例如可以是股票10日内的涨幅、20日内的涨跌比率等。市场因子：相当于从市场价格数据里提取的特征，市场因子包括：波动率指数，月均收益方差等。例如可以是中证500大盘10日涨幅。在本实施例中，历史时间段可以是近一周或者近一个月，具体的时间范围可以根据实际情况而定。

对初始模型训练得到目标网络模型，目标网络模型可以是训练好的神经网络模型，具体地可以包括如下步骤：

第一步：股票因子计算。选择需要计算的N种股票因子，计算T只股票中的每支股票在每种股票因子中的因子值，比如计算中证500的500支股票的“股票最近10日涨幅”的值。

第二步：股票依据因子大小排名。根据股票每类因子的值，计算该市场下每个股票按照该种因子值的排名，以此得到第三特征矩阵。比如，将计算出的中证500的500支股票的“股票最近10日涨幅”的值按照从大到小的顺序对500支股票进行排序。

第三步：市场的因子提取。选择D种市场因子指标，进行市场因子值的计算，以此得到第四矩阵。比如计算中证500的大盘价格，按照中证500的价格数据，提取相应的价格因子。比如提取大盘价格的“最近10日涨幅”因子。

第四步：按照每天实际的得到真实的T只股票的排名，比如，真实的股票排名按照从大到小的顺序进行排序。

第六步：将第二步，第三步得到的结果第三特征矩阵和第四特征矩阵，作为市场注意力初始网络的输入特征，将得到的排序结果作为初始网络的标签，可选地，初始网络可以是神经网络，对初始网络进行训练得到目标网络模型，保存模型。

作为一个可选的实施方式，使用训练好的目标网络模型对待预测的股票进行预测，获取市场数据和待预测的股票数据。提取市场因子与各个股票因子，然后按照股票因子排名得到输入的特征，将该特征与市场因子的特征输入到网络里，得到预侧的股票收益排名，进行交易即可。图3根据本发明实施例的基于神经网络的预测方法的示意图一，在图3中，M代表股票的数量，N代表股票因子的数量，D代表市场因子的数量。可见网络的输入为(1*D)维的市场因子特征与(M*N)的股票因子策略排名的特征，输出为(M*1)维的股票排名得分。图4据本发明实施例的基于神经网络的预测方法的示意图二。

本申请使用一种新型的深度学习算法来进行股票价格趋势的预测，训练好的目标网络模型可以称为市场注意力模型。本文提出的市场注意力模型，将市场的信息融入到股票预侧的神经网络设计中。不同市场调节下，自动输出每个因子的注意力系数，从而更准确与灵活的进行投资策略的制定，可用于支持智能投顾的理财业务开展。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种基于神经网络的预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5是根据本发明实施例的基于神经网络的预测装置的结构框图，如图5所示，该装置包括：第一获取模块52，用于获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；第一排序模块54，用于对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；第一提取模块56，用于在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；输入模块58，用于将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

作为一个可选的实施方案，所述装置还包括：第二获取模块，用于在将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型之前，获取在历史时间段内的T个训练对象的训练数据，以及在所述历史时间选取的F个第二对象的数据，其中，F大于或等于T，F和T均为大于或等于1的整数；第二排序模块，用于对所述T个训练对象的训练数据按照所述N种第一影响因子进行排序，得到第三特征矩阵，其中，所述第三特征矩阵包括：所述T个训练对象分别在每种第一影响因子中的排列顺序；第二提取模块，用于在所述F个第二对象的数据中提取出分别与所述D种第二影响因子相对应的影响因子值，得到第四特征矩阵；训练模块，用于使用所述第三特征矩阵、所述第四特征矩阵，以及所述T个训练对象在历史时间段内的真实排名顺序对初始模型进行训练，得到所述目标网络模型。

可选地，所述输入模块还包括：输入单元，用于将所述第一特征矩阵和所述第二特征矩阵输入至所述目标网络模型，得到所述目标网络模型输出的所述M个目标对象的预测排名顺序。

可选地，所述目标网络模型输出的所述预测结果与预定的已知结果之间的损失函数满足目标收敛条件，所述目标收敛条件用于表示所述损失函数的输出值在预定范围之内。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；

S2，对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；

S3，在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；

S4，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取在预定时刻的M个目标对象的目标数据，以及在所述预定时刻选取的S个第一对象的数据，其中，S大于或等于M，S和M均为大于或等于1的整数；

S2，对所述M个目标对象按照N种第一影响因子进行排序，得到第一特征矩阵，其中，所述第一特征矩阵包括：所述M个目标对象分别在每种第一影响因子中的排列顺序，其中，N大于或等于1；

S3，在所述S个第一对象的数据中提取出分别与D种第二影响因子相对应的影响因子值，得到第二特征矩阵，其中，D大于或等于1；

S4，将所述第一特征矩阵和所述第二特征矩阵输入至目标网络模型，得到所述目标网络模型输出的预测结果，其中，所述目标网络模型是使用多组训练数据通过神经网络训练得到的。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。