一种云底高度的确定方法、装置、介质及电子设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种云底高度的确定方法、装置、介质及电子设备。

背景技术

随着科技水平的迅速发展，卫星的数量的逐渐增加，人们对精准的天气信息的要求也越来越高。

然而，对于卫星探测数据而言，云顶高度往往是比较容易进行直接探测的，而云底高度却需要通过对探测数据的反演来得到。反演过程中，无论是使用的反演算法，还是采用的反演数据，都很难对云底高度进行进准的判断。同时反演计算过程复杂，需要耗费大量的算力。

发明内容

本申请实施例提供一种云底高度的确定方法、装置、介质及电子设备。本申请通过机器学习模型的训练，在云底高度确定的过程中，使用机器学习即可以快速并且准确的输出云底高度，提高运算效率，降低算力负担。

本申请实施例提供一种云底高度的确定方法，所述方法包括：

获取目标云团的云参数数据；

根据所述云参数数据确定目标云团的所属云类型；

将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；

根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

进一步的，所述机器学习模型的训练过程，包括：

获取探测范围的云参数样本数据，并通过带有激光雷达探测器的极轨卫星测得的云底高度数据；

将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本；

对所述训练样本进行云类型划分，得到各云类型的训练样本集合；

构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型。

进一步的，所述云参数样本数据包括：云顶高度、云顶温度、云光学厚度以及云粒子有效半径中的一种或者多种。

进一步的，在对所述训练样本进行云类型划分，得到各云类型的训练样本集合之后，所述方法还包括：

对各云类型的训练样本集合进行划分，得到各云类型的训练集和测试集；

相应的，构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型，包括：

构建初始模型，并以各云类型的训练集的云参数样本数据作为输入数据，以各云类型的训练集的云底高度数据作为真值，针对各云类型的初始模型进行训练；

采用测试集的云参数样本数据和云底高度数据对得到的机器学习模型进行测试；

若测试成功，则确定所述机器学习模型训练完成。

进一步的，所述初始模型为随机森林模型。

进一步的，将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本，包括：

基于所述云参数样本数据的坐标信息和所述云底高度数据的坐标信息，对所述云参数样本数据与所述云底高度数据进行空间匹配；

以及，

基于所述云参数样本数据的时间信息和所述云底高度数据的时间信息，对所述云参数样本数据与所述云底高度数据进行时间匹配；

基于空间匹配的结果和时间匹配的结果，对探测区域的各个点位的数据进行组合，以构建具有云参数样本数据和云底高度数据的训练样本。

进一步的，所述云参数数据为静止卫星通过传感器采集到的数据。

本申请实施例还提供了一种云底高度的确定装置，所述装置包括：

云参数数据获取模块，用于获取目标云团的云参数数据；

所属云类型确定模块，用于根据所述云参数数据确定目标云团的所属云类型；

数据输入模块，用于将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；

云底高度确定模块，用于根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的云底高度的确定方法。

本申请实施例还提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的云底高度的确定方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请利提供的技术方案，相比于传统的卫星被动传感器云底高度反演方法，随机森林算法能够考虑更多潜在的云底高度影响因素，卫星数据也容易获取，为快速准确获取大范围云底高度信息提供了帮助。并在提高准确性和效率的同时降低了计算的负担。

附图说明

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

图1是本申请实施例一提供的云底高度的确定方法的流程示意图；

图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图；

图3是本申请实施例三提供的云底高度的确定方法的流程示意图；

图4是本申请实施例三提供的另一云底高度的确定方法的流程示意图；

图5是本申请实施例四提供的云底高度的确定装置的结构示意图；

图6是本申请实施例六提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例一

图1是本申请实施例一提供的云底高度的确定方法的流程示意图，本实施例可适用于基于卫星数据进行云底高度计算的情况，该方法可以由本申请实施例所提供的云底高度的确定装置执行，该装置可以由软件和/或硬件的方式来实现，并且可以集成于用于云底高度的确定的电子设备当中。

如图1所示，所述方法包括：

S110、获取目标云团的云参数数据。

具体的，目标云团可以是卫星探测范围内的任意一种云团。此处可以是通过静止卫星、极轨卫星等来获取云参数数据。由于静止卫星高度较高，具体地面多达几千或者上万公里。所以其探测的数据往往范围较广，但是没办法使用激光雷达等探测技术，所以只能够通过采集云参数数据来进行反演计算云底高度。

此处所说的云参数可以是二级(L2)云参数数据，例如，其中可以包括云顶高度(Cloud Top Height，CTH)、云顶温度(Cloud Top Temperature，CTT)、云光学厚度(CloudOptical Thickness，COT)、云粒子有效半径(Cloud Effective Radius，CER)和云类型(Cloud Type，CT)等。

其中，云顶高度即为云团顶端的离地高度。云顶温度即为云团顶端的温度。云光学厚度，可以是基于太阳光线衰减量来确定的云厚度。其中，云顶光线量由于高度相近，往往可以设为常量。云底的光线量往往与云团的厚度以及其中的粒子数量有关。云粒子有效半径，可以是云团中粒子的平均半径。云类型可以是根据云的特性和形成过程将云区分归类的体系，通常考虑的几个因子是：云的外观、高度、形成过程和云粒子组成。目前，按云底高度将云分为低、中、高3族，然后再区分为10属，如：卷云、卷层云、卷积云、高层云、高积云、层云、层积云、雨层云、积云和积雨云，并进一步细分为29类，如：淡积云、碎积云、透光层积云、堡状高积云、毛卷云等。

本方案中，可选的，所述云参数数据为静止卫星通过传感器采集到的数据。

该云参数数据可以是通过新一代高时空分辨率的Himawari-8静止气象卫星采集的。本方案通过这样的设置，可以直接利用静止卫星获取整个探测范围内部的全部云团的云底高度数据，简便高效。

S120、根据所述云参数数据确定目标云团的所属云类型。

其中，可以根据云参数数据中的云类型确定目标云团的所属云类型，还可以结合其他云参数数据共同确定。此处的云类型可以是自定义的，也可以根据国际的定义标准进行定义。

S130、将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的。

其中，机器学习模型是通过预先训练得到的。其训练数据可以是基于历史的云参数数据进行的无监督训练，还可以是结合云参数数据和云底高度真值来进行有监督训练，得到的机器学习模型。该机器学习模型的输入数据可以是云参数数据，输出数据可以是预测的云底高度数值，也可以是云底高度范围值。

S140、根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

此处，可以根据机器学习模型的输出的云底高度的估计值，来确定所述目标云团的云底高度。还可以根据云底高度的估计范围，结合工作人员的主观判断来确定最终的云底高度数值。

本申请提供的实施例，通过对云参数数据的获取和输入，使用机器学习模型来得到最终的云底高度的结果。通过这样的确定方式，不仅节省了算力，还能够有效的提高计算的准确度，由于机器学习模型可以更加准确的把握影响云底高度计算的一些细节数据，同时对于噪声的过滤效果也好于普通的反演过程。因此，本方案可以高效、准确的计算云底高度。

实施例二

本实施例二是在上述各实施例的基础上进行的进一步优化。具体优化为：所述机器学习模型的训练过程，包括：获取探测范围的云参数样本数据，并通过带有激光雷达探测器的极轨卫星测得的云底高度数据；将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本；对所述训练样本进行云类型划分，得到各云类型的训练样本集合；构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型。

图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图。如图2所示，该过程主要包括：

S210、获取探测范围的云参数样本数据，并通过带有激光雷达探测器的极轨卫星测得的云底高度数据。

云参数样本数据，可以是预先通过静止卫星获取的云顶高度、云顶温度、云有效半径、云光学厚度以及地理位置信息等数据。其中，地理位置信息可以是结合静止卫星的所在位置以及探测方位，来确定的表征上述云参数样本数据的采集位置的数据。

此处，云底高度数据可以是通过极轨卫星采用激光雷达探测器来测得的数据。由于极轨卫星的离地高度较小，一般为几百公里，且采用激光雷达探测器可以准确的确定云团的云底高度。

S220、将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本。

可以理解的，通过静止卫星和通过极轨卫星采集的数据在位置上可以是不完全吻合的，但是两者采集的数据均可以包含坐标信息，因此可以基于坐标信息对两者进行配准，得到同一位置的云参数样本数据和云底高度数据的组合结果。

例如，每一个训练样本，既可以包括云参数样本数据，又可以包括云底高度数据。

本方案中，可选的，所述云参数样本数据包括：云顶高度、云顶温度、云光学厚度以及云粒子有效半径中的一种或者多种。

本方案通过这样的设置，可以在训练过程中充分体现出云顶高度、云顶温度、云光学厚度以及云粒子有效半径中各种因素对云底高度的影响，挖掘出各种因素对云底高度影响的潜在因素，从而提高云底高度的确定过程的准确度。

S230、对所述训练样本进行云类型划分，得到各云类型的训练样本集合。

其中，训练样本进行云类型的划分，可以是将云参数样本数据和云底高度数据绑定划分，也可以划分之后再进行绑定，本方案对此不进行限定。

可以理解的，本方案通过云类型的划分，并针对每一类型形成各自的训练样本集合，可以更好的为每种类型的模型进行训练，提高模型的精度，以及加快模型的收敛速度，可以很好的为后期模型的形成和使用提供基础。

此处的划分，可以依据所属云类型来划分。其中的云类型可以是参照国际标准或者其他标准确定的，也可以在国际标准或者其他标准的基础上，根据需求进行增、删以及改等，得到更加符合实际使用需求的训练样本集合的划分结果。

S240、构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型。

本方案中，初始模型可以是预先选定的模型架构，可以是有监督模型、无监督模型，还可以是弱监督模型，等等。本方案中，由于云底高度数据可以作为真值，即可以作为输入数据的标签，因此可以采用上述任意一种模型来进行训练。

其中，采用输入数据和真值对初始模型进行训练的过程，可以是对初始模型的参数进行调试的过程，其中的神经网络架构可以根据需要来进行调整。在参数确定之后，就可以确定机器学习模型训练完成。

本方案中，可选的，在对所述训练样本进行云类型划分，得到各云类型的训练样本集合之后，所述方法还包括：

对各云类型的训练样本集合进行划分，得到各云类型的训练集和测试集；

相应的，构建初始模型，并以训练样本集合中的云参数样本数据作为输入数据，以云底高度数据作为真值，针对各云类型的初始模型进行训练，以得到各云类型的机器学习模型，包括：

构建初始模型，并以各云类型的训练集的云参数样本数据作为输入数据，以各云类型的训练集的云底高度数据作为真值，针对各云类型的初始模型进行训练；

采用测试集的云参数样本数据和云底高度数据对得到的机器学习模型进行测试；

若测试成功，则确定所述机器学习模型训练完成。

其中，对于训练集和测试集的划分，可以通过训练集进行训练，再通过测试集对训练得到的机器学习模型进行测试，检验测试结果完全收敛之后，即可以确定机器学习模型是准确的。

本方案中，可选的，所述初始模型为随机森林模型。

随机森林是一种比较新的机器学习模型(非线性基于树的模型)集成学习方法。上世纪八十年代Breiman等人发明分类树算法，通过反复二分数据进行分类或回归，计算量大大降低，2001年Breiman把分类树组合成随机森林。即在变量(列)的使用和数据(行)的使用上进行随机化，生成很多分类树，再汇总分类树结果。随机森林在运算量没有显著提高前提下提高了预测精度，随机森林对多元共线性不敏感，结果对缺失数据和非平衡数据比较稳健，可以很好地预测多达几千个解释变量的作用，被誉为当前最好算法之一。

随机森林是集群分类模型中的一种，随机森林是用随机的方式建立一个森林，森林由很多的决策树组成，且每一棵决策树之间是没有关联的。得到随机森林模型后，当新样本进入时随机森林中的每一棵决策树分别进行判断。bagging集合策略比较简单，对于分类问题通常使用投票法，得到最多票数类别或者类别之一为最终模型输出。对于回归通常使用简单平均法，T个弱学习器得到的回归结果进行算术平均即最终模型输出随机森林使用CART决策树作为弱学习器。

其具有以下优点：

在数据集上表现良好，两个随机性的引入使随机森林不容易陷入过拟合；

在当前很多数据集上，相对其他算法有很大优势，两个随机性的引入使得随机森林具有很好的抗噪声能力；

能处理高维度(feature很多)数据，且不用做特征选择，对数据集适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化；

可生成一个Proximities＝p

创建随机森林时，对generlization error使用的是无偏估计；

训练速度快，可得到变量重要性排序；

在训练过程中，能够检测到feature间的互相影响；

容易做成并行化方法，针对大样本训练速度有优势。

本实施例在上述实施例的基础上，提供了一种机器学习模型的训练方法，通过采用本实施例提供的训练方法，可以高效的完成训练，得到较为准确的机器学习模型。

在上述各实施例的基础上，可选的，将所述云参数样本数据与所述云底高度数据进行时空匹配，以构建训练样本，包括：

基于所述云参数样本数据的坐标信息和所述云底高度数据的坐标信息，对所述云参数样本数据与所述云底高度数据进行空间匹配；

以及，

基于所述云参数样本数据的时间信息和所述云底高度数据的时间信息，对所述云参数样本数据与所述云底高度数据进行时间匹配；

基于空间匹配的结果和时间匹配的结果，对探测区域的各个点位的数据进行组合，以构建具有云参数样本数据和云底高度数据的训练样本。

本方案既能够对云参数样本数据和云底高度数据进行匹配，又能够利用匹配后得到的数据来作为绑定的训练样本，使得云底高度数据可以在模型训练的过程中起到标签的作用。空间匹配和时间匹配可以提高样本数据的真实性，为后续的训练带来更好的数据基础，提高训练精度。

实施例三

本实施例在上述各实施例基础上提供了一个优选实施方式。图3是本申请实施例三提供的云底高度的确定方法的流程示意图。如图3所示：

本方法以新一代高时空分辨率的Himawari-8静止气象卫星二级(L2)云参数数据作为输入，应用随机森林方法反演得到高精度云底高度结果，所用的二级(L2)云参数包含云顶高度(CTH)、云顶温度(CTT)、云光学厚度(COT)、云粒子有效半径(CER)和云类型(CT)，并使用CloudSat/CALIPSO数据产品的云底高度来作为随机森林模型的训练真值。

首先，基于来自Himawari-8卫星的云类型数据对所有数据进行区分，分别提取出来自不同云类型的各项数据；

其次，针对各云类型利用Himawari-8的云顶高度、云顶温度、云有效半径、云光学厚度、地理位置信息和CloudSat/CALIPSO数据的云底高度信息，采用随机森林方法建立各个训练模型；

最终，利用训练好的随机森林模型，可以在Himawari-8全盘区域利用上述输入数据进行云底高度反演。

本发明实现了较为准确的云底高度数据反演，相比于传统的卫星被动传感器云底高度反演方法，随机森林算法能够考虑更多潜在的云底高度影响因素，卫星数据也容易获取，为快速准确获取大范围云底高度信息提供了帮助。

图4是本申请实施例三提供的另一云底高度的确定方法的流程示意图。如图4所示：

针对待研究区域，准备数据建立数据集：数据包括从Himawari-8二级(L2)产品中提取CTT、CTH、CER、COT、CT和经纬度等参数，从CloudSat/CALIPSO的2B-CLDCLASS-LIDAR产品中提取云底高度信息；

将Himawari-8和CloudSat/CALIPSO数据进行时空匹配，按照Himawari-8的云类型对所有数据进行分类，提取不同云类型条件下的各项参数；

再利用随机森林方法将云底高度作为真值，其他参数作为输入值来进行模型训练，得到不同云类型条件下的云底高度反演模型；

最后利用未参加训练的数据进行模型验证，并与研究区域内的地基云底高度数据作验证。

这样得到模型后就能够利用训练好的随机森林模型，在Himawari-8全盘区域利用CTT、CTH、CER、COT、CT和经纬度等输入数据进行云底高度反演。

本方案利用随机森林算法，构建基于Himawari-8卫星数据的云底高度反演模型，能够产生时间连续性好的云底高度反演产品。新一代静止气象卫星Himawari-8具有丰富的光谱信息，能够提供可靠的输入数据支持；随机森林方法的使用提高了反演的计算速度与精度，对云底高度信息的获取更加充分。

本发明的方法能够为改进数值天气预报和确保飞行安全等领域提供云底高度数据和技术支持，针对不同的云类型分别训练反演模型，提高反演精度。最终开发得到的云底高度反演算法具有通用性，仅依靠Himawari-8卫星数据获取反演结果，能够移植于其他带有相似传感器的新一代静止卫星如FY-4A、GEOS-R和MSG等的产品研究中。

实施例四

图5是本申请实施例四提供的云底高度的确定装置的结构示意图。如图5所示，所述装置包括：

云参数数据获取模块510，用于获取目标云团的云参数数据；

所属云类型确定模块520，用于根据所述云参数数据确定目标云团的所属云类型；

数据输入模块530，用于将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；

云底高度确定模块540，用于根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

本装置可以执行上述各实施例所提供的云底高度的确定方法，具有与之相应的功能模块和有益效果。此处不再赘述。

实施例五

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种云底高度的确定方法，该方法包括：

获取目标云团的云参数数据；

根据所述云参数数据确定目标云团的所属云类型；

将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；

根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的云底高度的确定操作，还可以执行本申请任意实施例所提供的云底高度的确定方法中的相关操作。

实施例六

本申请实施例提供了一种电子设备。图6是本申请实施例六提供的一种电子设备的结构示意图。如图6所示，本实施例提供了一种电子设备600，其包括：一个或多个处理器620；存储装置610，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器620运行，使得所述一个或多个处理器620实现本申请实施例所提供的云底高度的确定方法，该方法包括：

获取目标云团的云参数数据；

根据所述云参数数据确定目标云团的所属云类型；

将所述云参数数据输入至与所述所属云类型匹配的机器学习模型；其中，所述机器学习模型是预先基于样本数据进行训练得到的；

根据所述机器学习模型的输出结果，确定所述目标云团的云底高度。

图6显示的电子设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，该电子设备600包括处理器620、存储装置610、输入装置630和输出装置640；电子设备中处理器620的数量可以是一个或多个，图6中以一个处理器620为例；电子设备中的处理器620、存储装置610、输入装置630和输出装置640可以通过总线或其他方式连接，图6中以通过总线650连接为例。

存储装置610作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本申请实施例中的云底高度的确定方法对应的程序指令。

存储装置610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接。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。

输入装置630可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏、扬声器等电子设备。

本申请实施例提供的电子设备，一种云底高度反演方法，解决目前基于卫星数据的云底高度反演精度差、反演效率低下的问题，为改进数值天气预报和确保飞行安全等领域提供云底高度数据和技术支持。

上述实施例中提供的云底高度的确定装置、介质及电子设备可运行本申请任意实施例所提供的云底高度的确定方法，具备运行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的云底高度的确定方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得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计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。