一种疲劳驾驶预测模型的构建方法与系统

技术领域

本发明属于疲劳驾驶预测技术领域，尤其涉及一种疲劳驾驶预测模型的构建方法与系统。

背景技术

驾驶疲劳，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。

驾驶人疲劳时，驾驶员的判断能力下降、反应迟钝和操作失误增加，因此需要对驾驶员进行疲劳驾驶预测，及时发现驾驶员的疲劳驾驶状态，并在驾驶员出现疲劳驾驶时及时提醒。对于疲劳驾驶预测，通常是通过疲劳驾驶预测模型对驾驶员的眼部采集数据进行处理，预测驾驶员是否出现疲劳驾驶。

现有的疲劳驾驶预测模型虽然能够在一定程度上满足对不同人的疲劳驾驶预测。然而，由于每个人的眼部特征不同，在不同情况下，现有的疲劳驾驶预测模型对不同人的疲劳驾驶不能够进行准确的预测。基于此，有必要提出一种疲劳驾驶预测模型的构建方法与系统，以解决上述技术问题。

发明内容

本发明实施例的目的在于提供一种疲劳驾驶预测模型的构建方法与系统，旨在解决背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种疲劳驾驶预测模型的构建方法，所述方法具体包括以下步骤：

基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型；

按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据；

获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据；

对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集；

根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。

作为本发明实施例技术方案进一步的限定，所述基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型具体包括以下步骤：

基于大数据，获取多个疲劳驾驶预测模型；

获取用户输入的预测场景信息；

根据所述预测场景信息，对多个所述疲劳驾驶预测模型进行预测模型筛选，得到基础疲劳驾驶预测模型。

作为本发明实施例技术方案进一步的限定，所述按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据具体包括以下步骤：

将所述基础疲劳驾驶预测模型导入，构建预测测试环境；

在所述预测测试环境，进行疲劳驾驶预测测试；

进行预测测试数据记录，获取多个测试输入数据和多个相对应的测试输出数据。

作为本发明实施例技术方案进一步的限定，所述获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据具体包括以下步骤：

获取测试结果信息；

根据所述测试结果信息，获取多个预测测试结果；

提取多个所述预测测试结果中的多个测试失败结果；

根据多个所述测试失败结果，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

作为本发明实施例技术方案进一步的限定，所述对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集具体包括以下步骤：

对多个所述失败输入数据进行特征分析，获取多个输入特征数据；

建立多个所述输入特征数据与相对应的多个失败输出数据之间的联系；

按照预设的分配比例，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集。

作为本发明实施例技术方案进一步的限定，所述根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型具体包括以下步骤：

根据所述优化训练集，对所述基础疲劳驾驶预测模型进行优化构建，生成过渡疲劳驾驶预测模型；

根据所述优化测试集，对所述过渡疲劳驾驶预测模型进行测试调整，生成优化疲劳驾驶预测模型。

一种疲劳驾驶预测模型的构建系统，所述系统包括预测模型获取单元、预测测试记录单元、测试数据提取单元、特征分析处理单元和模型优化构建单元，其中：

预测模型获取单元，用于基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型；

预测测试记录单元，用于按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据；

测试数据提取单元，用于获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据；

特征分析处理单元，用于对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集；

模型优化构建单元，用于根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。

作为本发明实施例技术方案进一步的限定，所述预测模型获取单元具体包括：

模型获取模块，用于基于大数据，获取多个疲劳驾驶预测模型；

信息获取模块，用于获取用户输入的预测场景信息；

模型筛选模块，用于根据所述预测场景信息，对多个所述疲劳驾驶预测模型进行预测模型筛选，得到基础疲劳驾驶预测模型。

作为本发明实施例技术方案进一步的限定，所述预测测试记录单元具体包括：

环境构建模块，用于将所述基础疲劳驾驶预测模型导入，构建预测测试环境；

预测测试模块，用于在所述预测测试环境，进行疲劳驾驶预测测试；

数据记录模块，用于进行预测测试数据记录，获取多个测试输入数据和多个相对应的测试输出数据。

作为本发明实施例技术方案进一步的限定，所述测试数据提取单元具体包括：

测试获取模块，用于获取测试结果信息；

结果获取模块，用于根据所述测试结果信息，获取多个预测测试结果；

结果提取模块，用于提取多个所述预测测试结果中的多个测试失败结果；

数据提取模块，用于根据多个所述测试失败结果，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

与现有技术相比，本发明的有益效果是：

本发明实施例通过基于大数据，获取基础疲劳驾驶预测模型；进行疲劳驾驶预测测试；提取多个失败输入数据和多个失败输出数据；进行特征分析，得到优化训练集和优化测试集；对基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。能够获取基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，提取测试失败的多个失败输入数据和多个失败输出数据，对基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型，从而使得优化之后的疲劳驾驶预测模型，能够适应于当前驾驶员的疲劳驾驶预测，能够为当前驾驶员提供更加准确的疲劳驾驶预测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。

图1示出了本发明实施例提供的方法的流程图。

图2示出了本发明实施例提供的方法中预测模型获取筛选的流程图。

图3示出了本发明实施例提供的方法中疲劳驾驶预测测试的流程图。

图4示出了本发明实施例提供的方法中结果信息获取处理的流程图。

图5示出了本发明实施例提供的方法中特征分析分配处理的流程图。

图6示出了本发明实施例提供的方法中预测模型优化构建的流程图。

图7示出了本发明实施例提供的系统的应用架构图。

图8示出了本发明实施例提供的系统中预测模型获取单元的结构框图。

图9示出了本发明实施例提供的系统中预测测试记录单元的结构框图。

图10示出了本发明实施例提供的系统中测试数据提取单元的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。

可以理解的是，对于疲劳驾驶预测，通常是通过疲劳驾驶预测模型对驾驶员的眼部采集数据进行处理，预测驾驶员是否出现疲劳驾驶，现有的疲劳驾驶预测模型虽然能够在一定程度上满足对不同人的疲劳驾驶预测，然而，由于每个人的眼部特征不同，在不同情况下，现有的疲劳驾驶预测模型对不同人的疲劳驾驶不能够进行准确的预测。

为解决上述问题，本发明实施例通过基于大数据，获取基础疲劳驾驶预测模型；进行疲劳驾驶预测测试；提取多个失败输入数据和多个失败输出数据；进行特征分析，得到优化训练集和优化测试集；对基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。能够获取基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，提取测试失败的多个失败输入数据和多个失败输出数据，对基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型，从而使得优化之后的疲劳驾驶预测模型，能够适应于当前驾驶员的疲劳驾驶预测，能够为当前驾驶员提供更加准确的疲劳驾驶预测。

图1示出了本发明实施例提供的方法的流程图。

具体的，一种疲劳驾驶预测模型的构建方法，所述方法具体包括以下步骤：

步骤S101，基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型。

在本发明实施例中，基于大数据技术，从大数据平台上获取多个疲劳驾驶预测模型，并获取用户输入的预测场景信息，按照预测场景信息，对多个疲劳驾驶预测模型进行场景适应性评分，获取多个疲劳驾驶预测模型对应的场景适应性评分，按照多个疲劳驾驶预测模型对应的场景适应性评分，将场景适应性评分最高的疲劳驾驶预测模型标记为基础疲劳驾驶预测模型。

可以理解的是，预测场景信息可以包括驾驶车辆类型、用户性别、用户年龄、驾驶场景等。

在本实施例中，其中一个当前疲劳驾驶预测模型对应的场景适应性评分的计算公式表示为：

其中，Score表示当前疲劳驾驶预测模型对应的场景适应性评分，V

在本发明中，若用户输入的预测场景信息中的驾驶车辆类型与当前疲劳驾驶预测模型中的驾驶车辆类型相同，则ΔV

对于用户输入的预测场景信息中的用户年龄与当前疲劳驾驶预测模型中的用户年龄，对应的ΔV

其中，Y

对于用户输入的预测场景信息中的驾驶场景与当前疲劳驾驶预测模型中的驾驶场景，对应的ΔV

其中，L

具体的，图2示出了本发明实施例提供的方法中预测模型获取筛选的流程图。

其中，在本发明提供的优选实施方式中，所述基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型具体包括以下步骤：

步骤S1011，基于大数据，获取多个疲劳驾驶预测模型。

步骤S1012，获取用户输入的预测场景信息。

步骤S1013，根据所述预测场景信息，对多个所述疲劳驾驶预测模型进行预测模型筛选，得到基础疲劳驾驶预测模型。

进一步的，所述疲劳驾驶预测模型的构建方法还包括以下步骤：

步骤S102，按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据。

在本发明实施例中，将基础疲劳驾驶预测模型导入对应的测试车辆，按照预测场景信息，构建相对应的预测测试环境，在预测测试环境中，进行疲劳驾驶预测测试，通过实时拍摄驾驶用户的面部，得到驾驶用户的实时面部数据，将实时面部数据导入基础疲劳驾驶预测模型中，进行预测分析，并将预测分析结果输出。

具体的，可以是设置预测分析周期，按照预测分析周期，进行周期性的拍摄驾驶用户的实时面部数据，进而通过基础疲劳驾驶预测模型，对实时面部数据进行周期性的分析，得到周期性输出的预测分析结果，多个实时面部数据为多个测试输入数据，多个预测分析结果为多个测试输出数据，且多个测试输入数据与多个测试输出数据一一对应。

具体的，图3示出了本发明实施例提供的方法中疲劳驾驶预测测试的流程图。

其中，在本发明提供的优选实施方式中，所述按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据具体包括以下步骤：

步骤S1021，将所述基础疲劳驾驶预测模型导入，构建预测测试环境。

步骤S1022，在所述预测测试环境，进行疲劳驾驶预测测试。

步骤S1023，进行预测测试数据记录，获取多个测试输入数据和多个相对应的测试输出数据。

进一步的，所述疲劳驾驶预测模型的构建方法还包括以下步骤：

步骤S103，获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

在本发明实施例中，获取测试结果信息，按照测试结果信息，确定多个测试输入数据与多个测试输出数据相对应的预测测试结果，将多个预测测试结果中的多个测试失败结果提取，并提取多个测试失败结果相对应的多个测试输入数据和多个测试输出数据，将提取的多个测试失败结果相对应的多个测试输入数据标记为多个失败输入数据，将提取的多个测试失败结果相对应的多个测试输出数据标记为多个失败输出数据。

具体的，图4示出了本发明实施例提供的方法中结果信息获取处理的流程图。

其中，在本发明提供的优选实施方式中，所述获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据具体包括以下步骤：

步骤S1031，获取测试结果信息；

步骤S1032，根据所述测试结果信息，获取多个预测测试结果。

步骤S1033，提取多个所述预测测试结果中的多个测试失败结果。

步骤S1034，根据多个所述测试失败结果，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

进一步的，所述疲劳驾驶预测模型的构建方法还包括以下步骤：

步骤S104，对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集。

在本发明实施例中，通过对多个失败输入数据分别进行特征分析，获取多个输入特征数据，建立多个输入特征数据与相对应的多个失败输出数据之间的联系，构建多个数据联系对，按照预设的分配比例，对多个数据联系对进行随机分配，得到优化训练集和优化测试集。

可以理解的是，对失败输入数据进行特征分析的过程，是对驾驶用户进行眼部特征、嘴部特征、表情特征等分析提取，从而确定驾驶用户的眨眼频率、哈欠频率、点头频率等。

具体的，图5示出了本发明实施例提供的方法中特征分析分配处理的流程图。

其中，在本发明提供的优选实施方式中，所述对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集具体包括以下步骤：

步骤S1041，对多个所述失败输入数据进行特征分析，获取多个输入特征数据。

步骤S1042，建立多个所述输入特征数据与相对应的多个失败输出数据之间的联系。

步骤S1043，按照预设的分配比例，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集。

进一步的，所述疲劳驾驶预测模型的构建方法还包括以下步骤：

步骤S105，根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。

在本发明实施例中，按照优化训练集，对基础疲劳驾驶预测模型进行优化构建，生成过渡疲劳驾驶预测模型，进而按照优化测试集，对过渡疲劳驾驶预测模型进行测试调整，生成优化疲劳驾驶预测模型，使得生成的优化疲劳驾驶预测模型，更加满足驾驶用户的疲劳驾驶的准确预测。

具体的，图6示出了本发明实施例提供的方法中预测模型优化构建的流程图。

其中，在本发明提供的优选实施方式中，所述根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型具体包括以下步骤：

步骤S1051，根据所述优化训练集，对所述基础疲劳驾驶预测模型进行优化构建，生成过渡疲劳驾驶预测模型。

步骤S1052，根据所述优化测试集，对所述过渡疲劳驾驶预测模型进行测试调整，生成优化疲劳驾驶预测模型。

进一步的，图7示出了本发明实施例提供的系统的应用架构图。

其中，在本发明提供的又一个优选实施方式中，一种疲劳驾驶预测模型的构建系统，包括：

预测模型获取单元101，用于基于大数据，获取多个疲劳驾驶预测模型，并进行预测模型筛选，得到基础疲劳驾驶预测模型。

在本发明实施例中，预测模型获取单元101基于大数据技术，从大数据平台上获取多个疲劳驾驶预测模型，并获取用户输入的预测场景信息，按照预测场景信息，对多个疲劳驾驶预测模型进行场景适应性评分，获取多个疲劳驾驶预测模型对应的场景适应性分数，按照多个疲劳驾驶预测模型对应的场景适应性分数，将场景适应性分数最高的疲劳驾驶预测模型标记为基础疲劳驾驶预测模型。

具体的，图8示出了本发明实施例提供的系统中预测模型获取单元101的结构框图。

其中，在本发明提供的优选实施方式中，所述预测模型获取单元101具体包括：

模型获取模块1011，用于基于大数据，获取多个疲劳驾驶预测模型。

信息获取模块1012，用于获取用户输入的预测场景信息。

模型筛选模块1013，用于根据所述预测场景信息，对多个所述疲劳驾驶预测模型进行预测模型筛选，得到基础疲劳驾驶预测模型。

进一步的，所述疲劳驾驶预测模型的构建系统还包括：

预测测试记录单元102，用于按照所述基础疲劳驾驶预测模型，进行疲劳驾驶预测测试，获取多个测试输入数据和多个相对应的测试输出数据。

在本发明实施例中，预测测试记录单元102将基础疲劳驾驶预测模型导入对应的测试车辆，按照预测场景信息，构建相对应的预测测试环境，在预测测试环境中，进行疲劳驾驶预测测试，通过实时拍摄驾驶用户的面部，得到驾驶用户的实时面部数据，将实时面部数据导入基础疲劳驾驶预测模型中，进行预测分析，并将预测分析结果输出。具体的，可以是设置预测分析周期，按照预测分析周期，进行周期性的拍摄驾驶用户的实时面部数据，进而通过基础疲劳驾驶预测模型，对实时面部数据进行周期性的分析，得到周期性输出的预测分析结果，多个实时面部数据为多个测试输入数据，多个预测分析结果为多个测试输出数据，且多个测试输入数据与多个测试输出数据一一对应。

具体的，图9示出了本发明实施例提供的系统中预测测试记录单元102的结构框图。

其中，在本发明提供的优选实施方式中，所述预测测试记录单元102具体包括：

环境构建模块1021，用于将所述基础疲劳驾驶预测模型导入，构建预测测试环境。

预测测试模块1022，用于在所述预测测试环境，进行疲劳驾驶预测测试。

数据记录模块1023，用于进行预测测试数据记录，获取多个测试输入数据和多个相对应的测试输出数据。

进一步的，所述疲劳驾驶预测模型的构建系统还包括：

测试数据提取单元103，用于获取测试结果信息，根据所述测试结果信息，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

在本发明实施例中，测试数据提取单元103获取测试结果信息，按照测试结果信息，确定多个测试输入数据与多个测试输出数据相对应的预测测试结果，将多个预测测试结果中的多个测试失败结果提取，并提取多个测试失败结果相对应的多个测试输入数据和多个测试输出数据，将提取的多个测试失败结果相对应的多个测试输入数据标记为多个失败输入数据，将提取的多个测试失败结果相对应的多个测试输出数据标记为多个失败输出数据。

具体的，图10示出了本发明实施例提供的系统中测试数据提取单元103的结构框图。

其中，在本发明提供的优选实施方式中，所述测试数据提取单元103具体包括：

测试获取模块1031，用于获取测试结果信息。

结果获取模块1032，用于根据所述测试结果信息，获取多个预测测试结果。

结果提取模块1033，用于提取多个所述预测测试结果中的多个测试失败结果。

数据提取模块1034，用于根据多个所述测试失败结果，从多个所述测试输入数据和多个相对应的测试输出数据中，提取测试失败的多个失败输入数据和多个失败输出数据。

进一步的，所述疲劳驾驶预测模型的构建系统还包括：

特征分析处理单元104，用于对多个所述失败输入数据进行特征分析，获取多个输入特征数据，随机分配多个所述输入特征数据和对应的多个失败输出数据，得到优化训练集和优化测试集。

在本发明实施例中，特征分析处理单元104通过对多个失败输入数据分别进行特征分析，获取多个输入特征数据，建立多个输入特征数据与相对应的多个失败输出数据之间的联系，构建多个数据联系对，按照预设的分配比例，对多个数据联系对进行随机分配，得到优化训练集和优化测试集。

模型优化构建单元105，用于根据所述优化训练集和所述优化测试集，对所述基础疲劳驾驶预测模型进行优化构建，生成优化疲劳驾驶预测模型。

在本发明实施例中，模型优化构建单元105按照优化训练集，对基础疲劳驾驶预测模型进行优化构建，生成过渡疲劳驾驶预测模型，进而按照优化测试集，对过渡疲劳驾驶预测模型进行测试调整，生成优化疲劳驾驶预测模型，使得生成的优化疲劳驾驶预测模型，更加满足驾驶用户的疲劳驾驶的准确预测。

应该理解的是，虽然本发明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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

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