一种工程结构损伤识别方法、系统、设备及存储介质

技术领域

本申请属于计算机技术领域，尤其涉及一种工程结构损伤识别方法、设备和存储介质。

背景技术

混凝土结构在服役过程中易出现多种影响结构安全运营和使用寿命的危害，裂缝是最常见的一种。振捣不充分、施工工艺不充分、荷载的设置不合理、收缩徐变都会使混凝土产生裂缝。及时发现混凝土结构的裂缝，可为养护工作提供依据，因此需要一种高效、准确的混泥土裂缝检测方法用于检修工作。

随着传统机器学习算法的飞速发展，各国学者基于混泥土结构检测的方法展开了大量的研究。包龙生等通过编写神经网络证明了利用神经网络对桥梁损伤识别的可行性。另有通过去除图像中大部分杂质，后建立RBF-SVM算法实现裂缝自动判别的方案，可高效地实现裂缝识别并验证裂缝特征分配的重要性。传统算法在数据量较大时，算法性能会受到影响，易出现过拟合情况，且在提取目标丰富度的能力上低于深度学习。

深度学习作为近年来人工智能领域的新型算法，由于其相对于传统算法的优越性，在工业领域得到了广泛的应用。K.Makantasis等利用深度学习优势，分层构造复杂的特征并利用卷积神经网络构建深层特征，实现了对于隧道结构裂缝的快速预测。王丽苹等在混凝土路面裂缝识别任务中对AlexNet进行优化设计获得了更高的识别准确率。深度学习代表算法之一的卷积神经网络具有表征学习的能力，但上述卷积神经网络在混凝土结构裂缝检测任务中仍存在样本数据量较小，不能满足网络模型训练的需要，同时使用的算法模型出现的时间相对较早，对于图像的处理识别性能相对不足。

发明内容

本申请实施例的目的在于提供一种工程结构损伤识别方法，旨在解决现有算法样本数据量较小难以满足需要以及对于图像的处理识别性能相对不足的问题。

本申请实施例是这样实现的，一种工程结构损伤识别方法，所述方法包括：

获取待测试工程结构的时程数据；

根据所述时程数据，确定频谱数据；

根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到。

本申请实施例的另一目的在于一种工程结构损伤测试系统，所述系统包括：

时程数据获取模块，用于获取待测试工程结构的时程数据；

频谱数据确定模块，用于根据所述时程数据，确定频谱数据；以及

损伤特征信息确定模块，用于根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息。

本申请实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述目的中所述的工程结构损伤识别方法的步骤

本申请实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述目的中所述的工程结构损伤识别方法的步骤。

本申请实施例提供的一种工程结构损伤识别方法，对获取到的待测试工程结构的时程数据进行处理得到频谱数据，利用由卷积神经网络进行训练并以大量工程结构样本为比照基础而得到的结构损伤识别模型，以所述频谱数据为数据基础直接确定待测试工程结构的损伤特征信息，在有效提高样本数据量的同时利用结构损伤识别模型自动化地得出结论，简化了计算过程，有效提高了判别效率。

附图说明

图1为本申请实施例提供的一种工程结构损伤识别方法的流程图；

图2为本申请实施例提供的工程结构损伤识别方法中预设结构损伤识别模型的训练方法流程图；

图3为本申请实施例提供的工程结构损伤识别方法中步骤S204的实施方法流程图；

图4为本申请实施例提供的工程结构损伤识别方法中步骤S106的实施方法流程图；

图5为本申请实施例提供的一种工程结构损伤识别系统的结构简图；

图6为利用本申请实施例提供的获取所述待测试工程结构的时程数据的实施方法流程图；

图7为本申请实施例提供的用于实施工程结构损伤识别方法的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，此处所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。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

本申请实施例提供的工程结构损伤识别方法的应用环境包括终端设备。所述终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。

如图1所示，在一个实施例中，提出了一种工程结构损伤识别方法，本实施例主要以该方法应用于上述的终端设备来举例说明。一种程结构损伤识别方法，具体可以包括以下步骤：

步骤S102，获取待测试工程结构的时程数据。

在本实施例中，时程数据是指在测试过程中工程结构各测试点处的位移与时间共同构成的数据组，在本实施例提供的方法中是确定损伤特征信息的数据基础；待测试工程结构的时程数据是在现有的工程结构测试实验中通过相关的工程结构测试仪器或者经过实验性设计得到的装置获取到的；所述时程数据包括待测试工程结构上若干个测试点处的振动响应时程数据。

步骤S104，根据所述时程数据，确定频谱数据。

在本实施例中，频谱数据是将待测试工程结构的时程数据通过数学方法进行变换转置之后得到的数据汇集，是后续步骤进行计算比对的数据基础。本步骤优选地将各测试点处的时程数据分别进行时频转化得到单个测试点的频谱数据，再将所有测试点的频谱数据进行组合得到待测试工程结构的频谱数据；在组合各测试点的频谱数据时为保证各组数据量的等同，应遵循各测试点频谱数据的频域范围相同；为便于后续的数据处理与模型识别，将各测试点的数据统一按行或统一按列排列。

步骤S106，根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息。

在本实施例中，预设的结构损伤识别模型是基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到的。工程结构样本是在对结构损伤识别模型进行训练之前预先准备的，有着各不相同的损伤特征；工程结构样本的数量越大，结构损伤识别模型的基础数据量越大，从而对待测试结构样本的损伤判断就越准确；所述工程结构样本可以是事先准备的实物结构，也可以是由现有工程软件模拟的虚拟结构，本申请中优选地选用由计算机仿真得到的有限元仿真计算样本，相较于采用实物样本可以更容易地扩大样本量从而提高识别模型的判断准确度。

在一个实施例中，如图2所示，预设的结构损伤识别模型的训练方法具体可以包括以下步骤：

步骤S202，获取多个工程结构样本；

在本实施例中，工程结构样本是结构损伤识别模型训练的基础，其数量越大，对结构损伤识别模型的训练就越充分、用于比照的数据就越多，进而提高所述模型对待测试工程结构损伤程度判别的精确度。

步骤S204，获取各个所述工程结构样本的频谱数据。

在本实施例中，工程结构样本可以是实际的工程试样，如简支梁、桁架、杆件等，也可以是利用计算机模拟出来的虚拟试样。工程结构样本的频谱数据可以是利用实际实验得到的数据加以处理得到的，也可以是通过计算机模拟实验得到的模拟数据。所述频谱数据可以是根据所述工程结构样本的时程数据经时频转化得到的，也可以是预设的确定数据；所述时频转化过程中，优选地将工程结构样本各测试点处的时程数据分别进行时频转化得到单个测试点的频谱数据，再将所有测试点的频谱数据进行组合得到待测试工程结构的频谱数据；在组合各测试点的频谱数据时为保证各组数据量的等同，应遵循各测试点频谱数据的频域范围相同；为便于后续的数据处理与模型识别，将各测试点的数据统一按行或统一按列排列。

步骤S206，将各个工程结构样本的频谱数据输入至含有可变参数的卷积神经网络模型，得到所述含有可变参数的卷积神经网络模型输出的所述各个工程结构样本对应的响应损伤特征信息。

在本实施例中，将步骤S204中得到的频谱数据输入卷积神经网络进行迭代。频谱数据一般以多行多列的数据表形式存在，本申请优选地在迭代前将数据表以图像的形式输入卷积神经网络并根据一定的比例将输入的图像划分分为训练集、验证集、测试集三部分，其中训练集、验证集、测试集的数据量比优选为6∶2∶2，训练集是卷积神经网络进行迭代学习的基础数据，验证集则用于判断经由神经网络迭代学习得出的各初始模型的识别能力优劣并遴选出其中最优的初始模型，测试集则用于后续判断模型的迭代结果是否符合预设条件的步骤。得到的响应损伤特征信息表现为卷积神经网络输出的根据频谱数据得出的特征信息，具体可以表现为一个特征值，作为一个比照基础用于后续对结构损伤识别模型进行对比验证的步骤。

步骤S208，获取所述各个工程结构样本对应的响应损伤特征信息以及与所述各个工程结构样本对应的目标损伤特征信息之间的差异。

在本实施例中，目标损伤特征信息是工程结构样本本身具有的损伤特征信息，是属于已知条件，具体可以表现为该样本被预先赋予的样本编号，获取到的响应损伤特征信息与目标损伤特征信息间的差异即可以表现为卷积神经网络输出的特征值与所述工程结构样本的样本编号之间的差值；该差值即作为后续对比验证步骤的数据基础。

步骤S210，判断所述各个工程结构样本的差异是否均满足预设的条件；

若否，则调整所述卷积神经网络模型中的可变参数，并返回至步骤S206；若是，则进入步骤S212；

步骤S212，将当前所述含有可变参数的卷积神经网络模型确定为结构损伤识别模型。

在本实施例中，以步骤S208中得到的差异为基础，将该差异与预设的条件相比较，具体可以表现为卷积神经网络输出的特征值与所述工程结构样本的样本编号之间的差值小于一个预设的阈值：当存在某工程结构样本的所述差值之绝对值大于该阈值时属于不满足预设条件，则继续调整卷积神经网络中的参数，然后返回至步骤S206重新迭代计算；当所有工程结构样本的所属差值之绝对值均不大于该阈值时属于满足预设条件，执行步骤S212。经过步骤S210以及判断与循环后即可以训练得到预设的结构损伤特征识别模型。

在一个实施例中，如图3所示，步骤S204具体包括以下步骤：

步骤S302，对所述工程结构样本赋予样本编号。

在本实施例中，在获取时程数据前事先对各工程结构样本赋予样本编号，是为了便于后续在频谱数据中将与样本编号向对应的数据组编号整合进去。

步骤S304，获取各个所述工程结构样本的时程数据。

在本实施例中，可以通过实际实验的方式获取实际样本的时程数据，也可以通过纯计算机模拟实验的方式获取模拟工程结构样本的时程数据。所述时程数据包括结构样本上各测试点处的时程数据。

步骤S306，对每组所述时程数据进行傅里叶变换并获取变换后的数据之中的频率值并进行组合，得到单组模拟中间数据。

在本实施例中，时程数据是位移与时间的关系数据，将每组时程数据进行傅里叶变换后得到的是时间与频率的关系数据，此步骤的目的在于利用数学方法以时程数据为基础获取频率数据；本步骤中得到的单组模拟中间数据是从时程数据出发以得到频谱数据的一个中间量。

步骤S308，将所述单组模拟中间数据进行组合，得到单组模拟频谱数据。

在本实施例中，首尾相接以及转置为按行输出的目的在于，为频谱数据转化为图像输入到卷积神经网络时提供图像分割方面的便利；单组模拟频谱数据是工程结构样本的频谱数据中的一部分，所有单组模拟频谱数据共同构成了各个所述工程结构样本的频谱数据。

步骤S310，根据所述工程结构样本的样本编号，确定所述单组模拟频谱数据对应的数据组编号。

在本实施例中，样本编号与数据组编号是一一对应的，目的在于表明频谱数据中每一组单组模拟频谱数据分别是哪一个工程结构样本对应的频谱数据。

步骤S312，对各个所述单组模拟频谱数据与所述单组模拟频谱数据对应的数据组编号进行组合，得到各个所述工程结构样本的频谱数据。

在本实施例中，此步骤是将步骤S308与步骤S310中得到的单组模拟频谱数据与数据组编号组合为一个频谱数据集合，一般以频谱数据表的形式存在；以excel软件处理表格为例，上述的组合可以采用将数据组编号置于单组模拟频谱数据的左侧单元格中形成一行，将所有已经形成行的数据组编号以及单组模拟频谱数据以列的方向从上至下放置，形成一个完整的数据表，该数据表即为得到的各个工程结构样本的频谱数据。在单组频谱数据进行组合时，依然应满足频域相同的原则，以保持各组数据量的等同。

在一个实施例中，步骤S104包括：

步骤S402，对所述时程数据进行傅里叶变换，获取变换后数据中的频率值并进行组合，得到频谱数据。

在本实施例中，将每组时程数据进行傅里叶变换后得到的是时间与频率的关系数据，此步骤的目的在于利用数学方法以时程数据为基础获取频率数据；将待测试工程结构上各测试点处的时程数据都进行傅里叶变换并获取频率值，即得到多个测试点的频谱数据，然后将这些单点的频谱数据按照频域相同的原则按行或按列进行组合，形成待测试工程结构的频谱数据。

在一个实施例中，如图4所示，步骤S106具体包括以下步骤：

步骤S502，根据所述频谱数据与所述预设的结构损伤识别模型，得到所述预设的结构损伤识别模型输出的待测试工程结构的损伤特征值。

在本实施例中，将步骤S402得到的频谱数据以图像的形式输入预设的结构损伤识别模型，则结构损伤识别模型即根据输入的图像数据迭代计算出一个常数结果，该常数结果即为得到的所述损伤特征值且优选为正整数，其代表与待测试工程结构的损伤特征最接近的工程结构样本的样本编号。

步骤S504，获取各个所述工程结构样本的样本编号；

在本实施例中，获取样本编号的目的在于直接与步骤S502中得到的损伤特征值进行比对，以便于在后续步骤中确定待测试工程结构的损伤特征信息。

步骤S506，对比所述损伤特征值与所述样本编号，确定所述待测试工程结构的损伤特征信息。

在本实施例中，在对比损伤特征值与样本编号后，按照一定的预设条件来确定待测试工程结构的损伤特征信息。

在一个实施例中，步骤S506具体包括以下步骤：

步骤S602，根据所述损伤特征值，获取与所述损伤特征值最接近的样本编号以及所述样本编号所对应的工程结构样本的损伤特征信息。

在本实施例中，以步骤S502中得到的损伤特征值为基础，在工程结构样本中搜寻最接近于得到的损伤特征值的样本编号，并获取该样本编号对应的工程结构样本的损伤特征信息，以此作为确定待测试工程结构的损伤特征信息的特征基础。

步骤S604，将所述样本编号所对应的工程结构样本的损伤特征信息根据与所述样本编号所对应的工程结构样本的损伤特征信息，确定为待测试工程结构的损伤特征信息。

在本实施例中，在获取到对应的工程结构样本的损伤特征信息后，直接以该损伤特征信息确定为待测试工程结构的损伤特征信息，当次测试结束。

在另一个实施例中，如图5所示，本申请还提供一种工程结构损伤识别系统，所述系统用于实现如上述实施例所述的工程结构损伤识别方法，所述系统包括：

时程数据获取模块，用于获取待测试工程结构的时程数据；

频谱数据确定模块，用于根据所述时程数据，确定频谱数据；

损伤特征信息确定模块，用于根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息。

在本实施例中，时程数据获取模块中包括对待测试工程结构的时程数据进行实际获取的实验组件，时程数据获取模块获取到时程数据后将所述时程数据发送到数据处理模块；频谱数据处理模块在结构损伤识别模型进行训练时执行步骤S302～步骤S312得到待测试工程结构的频谱数据，并将所述频谱数据发送到识别模型模块；所述频谱数据处理模块在对待测试工程结构进行实际测试时执行步骤S402，将接收到的待测试工程结构的时程数据处理成频谱数据，并将所述频谱数据发送到损伤特征信息确定模块；损伤特征信息确定模块在对待测试工程结构进行实际测试时执行步骤S502～S506，得出最终的识别结论。

在一个实施例中，如图5所示，所述工程结构损伤识别系统还包括：

模型训练模块，用于获取多个工程结构样本；获取各个所述工程结构样本的频谱数据；将各个工程结构样本的频谱数据输入至含有可变参数的卷积神经网络模型，得到所述含有可变参数的卷积神经网络模型输出的所述各个工程结构样本对应的响应损伤特征信息；获取所述各个工程结构样本对应的响应损伤特征信息以及与所述各个工程结构样本对应的目标损伤特征信息之间的差异；判断所述各个工程结构样本的差异是否均满足预设的条件；当判断存在所述工程结构样本的差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述将各个工程结构样本的频谱数据输入至含有可变参数的卷积神经网络模型，得到所述含有可变参数的卷积神经网络模型输出的所述各个工程结构样本对应的响应损伤特征信息的步骤；当判断所有所述工程结构样本的差异均满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为结构损伤识别模型。

在本实施例中，模型训练模块负责对卷积神经网络进行训练以得到预设的结构损伤识别模型，优选执行步骤S202～步骤S212的判断循环流程以得到结构损伤识别模型。

在另一个实施例中，所述时程数据获取模块包括：

传感器组件，用于获取待测试工程结构的各个测试点处在待测试工程结构进行振动时的位移；

计时组件，用于获取所述待测试工程结构的振动时间；

处理输出组件，用于根据所述位移与所述实验振动时间确定所述待测试工程结构的时程数据。

在本实施例中，待测试工程结构时程数据的获取是利用所述时程数据获取模块来实现的，其中传感器组件与计时组件属于数据收集组件，负责收集测试实验过程的中的实际实验数据；处理输出组件属于数据处理与数据输出组件，负责将收集上来的实验数据进行配对组合，具体是将传感器组件收集到的每个位移数据与唯一对应的时刻数据配对并组合形成数据对，所有所述数据对共同构成所述时程数据。

在一个实施例中，所述传感器模块包括若干个位移传感器以及导线，每个所述位移传感器与所述待测试工程结构上的一个测试点固定连接，所有所述位移传感器通过导线与所述处理输出模块连接；

所述传感器模块与所述计时模块在实验开始时同时启动，所述计时模块通过导线或无线信号与所述处理输出模块连接；

可以充当所述处理输出模块的设备包括电子仪表，单片机，或安装有相关工业软件的个人电脑、手机、平板电脑。

在本实施例中，传感器模块中包含多个位移传感器，每个所述位移传感器直接安装在待测试工程结构上，具体则是直接安装在所述待测试工程结构的每一处测试点上，在测试实验中传感器会随所述待测试工程结构的振动而振动，从而每隔一段时间间隔记录一次与其固定连接的测试点相对于初始位置的位移。传感器模块与计时模块同时启动，目的在于校准传感器收集数据的时间间隔，提高数据精度；处理输出模块除了可以直接采用传统的电子仪表外，还可以使用已经编程完成的单片机以及安装有结构力学行业相关的测试工程软件的终端设备，包括但不限于个人电脑(PC)、手机、平板电脑、人工智能设备等。

在一个实施例中，如图6所示，获取所述待测试工程结构的时程数据，具体包括：

步骤S802，确定所述待测试工程结构上的若干个测试点，并将各个所述测试与所述工程结构损伤测试装置中的传感器模块连接。

在本实施例中，步骤S802是在获取数据之前进行的装置安装以及测试点选定工作。

步骤S804，在所述待测试工程结构的几何中心施加一个预设的瞬时力以使所述待测试工程结构发生振动。

在本实施例中，步骤S804是启动数据收集过程的步骤，通过在待测试工程结构上施加瞬时力来启动振动过程进行数据收集，在待测试工程结构的几何中心处施力之目的在于使各测试点处的振动数据对称化，减少失真数据、提高数据的可靠度。

步骤S806，获取振动过程中所述待测试工程结构各个测试点的位移数据与振动时间数据。

在本实施例中，待测试工程结构进行振动的过程内，传感器模块负责收集各个测试点处的位移数据，同时计时模块进行计时得到振动时间数据。

步骤S808，根据所述位移数据与所述振动时间数据，确定所述待测试工程结构的时程数据。

在本实施例中，时程数据以时间数据为自变量，每个记录时刻都有唯一的位移数据与之对应，所有的记录时刻与其对应的位移数据就共同构成了待测试工程结构的时程数据。

图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是上述的终端设备。如图7所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现工程结构损伤识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行工程结构损伤识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7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，本申请提供的工程结构损伤识别方法可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该计算机程序的各个程序模块。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待测试工程结构的时程数据；

根据所述时程数据，确定频谱数据；

根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

获取待测试工程结构的时程数据；

根据所述时程数据，确定频谱数据；

根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到。

应该理解的是，虽然本申请各实施例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，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述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本申请专利范围的限制。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。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。