数据分类方法及装置、存储介质及电子设备

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种数据分类方法、数据分类装置、电子设备以及计算机可读存储介质。

背景技术

随着云时代的来临，大数据也吸引了越来越多的关注。大数据通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些海量数据包含了丰富的信息和价值，提高对这些数据的加工处理能力，可以实现数据的增值。

发明内容

本公开实施例的目的在于提供一种数据分类方法、数据分类装置、电子设备以及计算机可读存储介质，从而在一定程度上可以提高对大数据的加工处理能力，实现数据的增值。

根据本公开的第一方面，提供一种数据分类方法，包括：采集目标领域数据，并对所述目标领域数据进行数据预处理；将所述目标领域数据转换为文本数据，并通过预先训练好的神经网络对所述文本数据进行特征提取，得到所述目标领域数据的训练数据集；确定所述训练数据集中各样本数据的时变权重，并基于所述时变权重从所述训练数据集中抽取得到第一样本集；针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；依据所述第一样本集及所述第二样本集通过随机森林算法训练得到所述目标领域数据的随机森林分类器，以通过所述随机森林分类器实现对所述目标领域数据的数据分类。

在本公开的一种示例性实施例中，所述对所述目标领域数据进行数据预处理，包括：对所述目标领域数据进行缺失值处理、异常值处理及数据变换处理。

在本公开的一种示例性实施例中，所述对所述目标领域数据进行缺失值处理，包括：计算所述目标领域数据的平均值和众数；使用所述平均值填充所述目标领域数据中数值型数据的缺失值，使用所述众数填充所述目标领域数据中分类变量中的缺失值。

在本公开的一种示例性实施例中，所述对所述目标领域数据进行异常值处理，包括：通过z分数标准化算法识别所述目标领域数据中的异常值，删除或使用插值方法填充所述异常值。

在本公开的一种示例性实施例中，所述对所述目标领域数据进行数据变换处理，包括：通过最小-最大规范化方法将所述目标领域数据转换到相同的度量尺度。

在本公开的一种示例性实施例中，所述预先训练好的神经网络包括卷积神经网络及循环神经网络；所述通过预先训练好的神经网络对所述文本数据进行特征提取，得到所述目标领域数据的训练数据集，包括：在所述卷积神经网络中使用多个卷积核对所述文本数据进行卷积操作，并通过池化操作提取目标特征；在循环神经网络中使用长短时记忆网络和门控循环单元网络捕捉所述文本数据的序列信息；使用全连接神经网络进行特征融合，得到所述目标领域数据的训练数据集。

在本公开的一种示例性实施例中，所述确定所述训练数据集中各样本数据的时变权重，并基于所述时变权重从所述训练数据集中抽取得到第一样本集，包括：将所述训练数据集中的各所述样本数据按时间排序，并依据时间顺序为各所述样本数据设置对应的所述时变权重；根据所述时变权重在所述训练数据集中进行有放回抽样，得到所述第一样本集。

在本公开的一种示例性实施例中，所述针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集，包括：针对各所述决策树，计算所述决策树中各所述样本数据的所述特征重要性指标，并依据所述特征重要性指标对各所述样本数据进行降序排列；依据所述样本数据的排序顺序随机选择所述决策树对应的所述第二样本集。

在本公开的一种示例性实施例中，所述依据所述第一样本集及所述第二样本集通过随机森林算法训练得到所述目标领域数据的随机森林分类器，包括：基于所述第一样本集及各所述第二样本集训练得到多个决策树分类器，并对所述决策树分类器采用随机森林算法训练得到所述目标领域数据的随机森林分类器。

根据本公开的第二方面，提供一种数据分类装置，包括：数据采集及预处理模块，用于采集目标领域数据，并对所述目标领域数据进行数据预处理；特征提取模块，用于将所述目标领域数据转换为文本数据，并通过预先训练好的神经网络对所述文本数据进行特征提取，得到所述目标领域数据的训练数据集；第一样本集抽取模块，用于确定所述训练数据集中各样本数据的时变权重，并基于所述时变权重从所述训练数据集中抽取得到第一样本集；第二样本集选择模块，用于针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；数据分类模块，用于依据所述第一样本集及所述第二样本集通过随机森林算法训练得到所述目标领域数据的随机森林分类器，以通过所述随机森林分类器实现对所述目标领域数据的数据分类。

在本公开的一种示例性实施例中，所述数据采集及预处理模块具体用于：对所述目标领域数据进行缺失值处理、异常值处理及数据变换处理。

在本公开的一种示例性实施例中，所述第一样本集抽取模块具体用于：将所述训练数据集中的各所述样本数据按时间排序，并依据时间顺序为各所述样本数据设置对应的所述时变权重；根据所述时变权重在所述训练数据集中进行有放回抽样，得到所述第一样本集。

在本公开的一种示例性实施例中，所述第二样本集选择模块具体用于：针对各所述决策树，计算所述决策树中各所述样本数据的所述特征重要性指标，并依据所述特征重要性指标对各所述样本数据进行降序排列；依据所述样本数据的排序顺序随机选择所述决策树对应的所述第二样本集。

在本公开的一种示例性实施例中，所述数据分类模块具体用于：基于所述第一样本集及各所述第二样本集训练得到多个决策树分类器，并对所述决策树分类器采用随机森林算法训练得到所述目标领域数据的随机森林分类器。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开示例性实施例可以具有以下部分或全部有益效果：

在本公开示例实施方式所提供的数据分类方法中，采集目标领域数据，并对所述目标领域数据进行数据预处理；将所述目标领域数据转换为文本数据，并通过预先训练好的神经网络对所述文本数据进行特征提取，得到所述目标领域数据的训练数据集；确定所述训练数据集中各样本数据的时变权重，并基于所述时变权重从所述训练数据集中抽取得到第一样本集；针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；依据所述第一样本集及所述第二样本集通过随机森林算法训练得到所述目标领域数据的随机森林分类器，以通过所述随机森林分类器实现对所述目标领域数据的数据分类。一方面，本公开将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，能够捕捉复杂的数据模式。另一方面，本公开在随机森林分类器的过程中引入了时变权重及特征重要性指标，提高了模型的预测性能和准确度，降低了过拟合风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出了根据本公开的一个实施例的数据分类方法的流程示意图；

图2示意性示出了根据本公开的一个实施例的数据分类装置的框图；

图3示意性示出了根据本公开的一个实施例的电子设备的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式提出了一种数据分类方法、数据分类装置、电子设备以及计算机可读存储介质。以下对本公开实施例的技术方案进行详细阐述：

本示例实施方式首先提供了一种数据分类方法。参考图1所示，该数据分类方法具体包括以下步骤：

步骤S110：采集目标领域数据，并对目标领域数据进行数据预处理；

步骤S120：将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，得到目标领域数据的训练数据集；

步骤S130：确定训练数据集中各样本数据的时变权重，并基于时变权重从训练数据集中抽取得到第一样本集；

步骤S140：针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；

步骤S150：依据第一样本集及第二样本集通过随机森林算法训练得到目标领域数据的随机森林分类器，以通过随机森林分类器实现对目标领域数据的数据分类。

在本公开示例实施方式所提供的数据分类方法中，一方面，本公开将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，能够捕捉复杂的数据模式。另一方面，本公开在随机森林分类器的过程中引入了时变权重及特征重要性指标，提高了模型的预测性能和准确度，降低了过拟合风险。

下面，在另一实施例中，对上述步骤进行更加详细的说明。

在步骤S110中，采集目标领域数据，并对目标领域数据进行数据预处理。

在本公开实施例中，上述目标领域数据可以从多个不同的数据源采集。示例性地，上述目标领域可以为金融领域。其中，由于不同数据源的数据格式、存储方式、数据量等不同，故需要选择适合的数据采集方法。常用的数据采集方法包括API接口、爬虫技术、数据库连接等。此外，优选地，在采集数据的过程中，还可以对数据进行初步清洗和处理，去除重复数据、缺失值等异常数据，保证数据的质量和准确性。

在一具体实施例中，上述对目标领域数据进行数据预处理可以包括对目标领域数据进行缺失值处理、异常值处理及数据变换处理。其中：

示例性地，上述对缺失值的处理可以实现如下：计算目标领域数据的平均值和众数；使用平均值填充目标领域数据中数值型数据的缺失值，使用众数填充目标领域数据中分类变量中的缺失值。具体地：

数值型数据缺失值的处理可通过如下公式实现：

其中，x

分类变量缺失值处理可通过如下公式实现：

其中，mode(x

示例性地，上述对异常值的处理可以实现如下：通过z分数标准化算法识别目标领域数据中的异常值，删除或使用插值方法填充异常值。其中，上述异常值是指与其它数据明显不同的数据点。以金融大数据为例，异常值可能是由于数据输入错误、测量误差或数据处理错误等原因引起的。本公开实施例使用Z-score标准化方法来识别和处理异常值的具体实现可以如下：

假设x

依据上述公式，将z

示例性地，上述数据变换处理可以实现如下：通过最小-最大规范化方法将目标领域数据转换到相同的度量尺度。具体地，以金融大数据分析为例，数据通常存在不同的度量单位或范围，需要进行数据变换。本公开实施例使用最小-最大规范化方法来将数据转换到相同尺度上的实现过程可以如下：

对于数值型变量x

其中，min和max分别表示变量x

需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。

在步骤S120中，将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，得到目标领域数据的训练数据集。

在本公开实施例中，示例性地，上述神经网络可以包括卷积神经网络及循环神经网络，则上述通过预先训练好的神经网络对文本数据进行特征提取，得到目标领域数据的训练数据集可以实现如下：在卷积神经网络中使用多个卷积核对文本数据进行卷积操作，并通过池化操作提取目标特征；在循环神经网络中使用长短时记忆网络和门控循环单元网络捕捉文本数据的序列信息；使用全连接神经网络进行特征融合，得到目标领域数据的训练数据集。

在一具体实施例，以金融数据为例，上述特征提取过程可以实现如下：

S1：将金融数据转换成文本格式，并使用词向量模型将每个单词映射到高维向量空间中。

S2：在卷积神经网络中，使用多个卷积核来对文本进行卷积操作，并通过池化操作来提取最显著的特征。

具体而言，使用以下公式来表示CNN(卷积神经网络)的卷积操作：

H

其中，X

S3：在循环神经网络中，使用长短时记忆网络(LSTM)和门控循环单元网络(GRU)等模型来捕捉序列信息。

具体而言，使用以下公式来表示RNN的前向传播过程：

h

其中，x

S4：在提取完文本特征后，使用全连接神经网络来进行进一步特征融合。具体而言，使用以下公式来表示全连接神经网络的前向传播过程：

y＝f(W

其中，h表示文本特征向量，W

优选地，本公开实施例还可以使用注意力机制来加强模型对关键信息的关注程度，从而提高模型的鲁棒性和准确度。具体而言，可实现如下：

使用以下公式来表示注意力机制的计算过程：

其中，α

以金融领域为例，本步骤的特征提取算法可以有效地从金融数据中提取有用的特征信息，并用于金融数据的风险识别。此外，本公开实施例所提出的算法结合了自然语言处理技术和深度神经网络模型，能够自动地从大量金融数据中提取有用的信息。

在步骤S130中，确定训练数据集中各样本数据的时变权重，并基于时变权重从训练数据集中抽取得到第一样本集。

在本公开实施例中，上述时变权重根据样本在训练数据集中的时间位置调整。示例性地，上述确定训练数据集中各样本数据的时变权重，并基于时变权重从训练数据集中抽取得到第一样本集可以实现如下：将训练数据集中的各样本数据按时间排序，并依据时间顺序为各样本数据设置对应的时变权重；根据时变权重在训练数据集中进行有放回抽样，得到第一样本集。

在一具体实施例中，上述过程可以实现如下：

设经过特征提取后得到金融数据集为

其中，α是一个衰减参数，满足0<α<1。较大的α值表示对近期样本的关注度更高。

从数据集D中，根据时变权重w

需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。

在步骤S140中，针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集。

在本公开实施例中，上述特征重要性指标用于表示每个特征的重要性。示例性地，上述针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集可以实现如下：针对各决策树，计算决策树中各样本数据的特征重要性指标，并依据特征重要性指标对各样本数据进行降序排列；依据样本数据的排序顺序随机选择决策树对应的第二样本集。

在一具体实施例中，上述过程可以实现如下：

采用自适应特征子集选择方法来实现特征选择。对于每棵决策树，随机选择一个特征子集来进行训练。特征子集的选择概率与特征重要性成正比。

特征重要性通过以下公式计算：

其中，I

选择特征子集F

S1.计算每个特征的重要性I

S2.按照特征重要性对所有特征进行降序排列。

S3.随机选择一个大小为p的特征子集F

需要说明的是，上述场景只是一种示例性说明，本公开实施例的保护范畴并不以此为限。

在步骤S150中，依据第一样本集及第二样本集通过随机森林算法训练得到目标领域数据的随机森林分类器，以通过随机森林分类器实现对目标领域数据的数据分类。

在本公开实施例中，在通过上述步骤得到第一样本集及第二样本集后，示例性地，上述依据第一样本集及第二样本集通过随机森林算法训练得到目标领域数据的随机森林分类器的过程可以实现如下：基于第一样本集及各第二样本集训练得到多个决策树分类器，并对决策树分类器采用随机森林算法训练得到目标领域数据的随机森林分类器。

在一具体实施例中，上述基于时变权重和特征选择的随机森林算法的训练方式如下：

S1：从数据集D中，根据时变权重w

S2：使用以下方法选择特征子集F

S21：计算每个特征的重要性I

S22：按照特征重要性对所有特征进行降序排列。

S23：随机选择一个大小为p的特征子集F

S24：使用自助样本集D

S25：输出：随机森林分类器

在本公开实施例中，在训练得到上述随机森林分类器后，还可以基于该随机森林分类器对目标领域的数据进行分类。以金融领域为例，可应用训练好的模型进行金融大数据分类，进一步实现对金融大数据的分析。

本步骤提出了一种基于时变权重和特征选择的随机森林算法用于金融数据分类。算法通过动态权重分配和特征选择技术提高预测性能和降低过拟合风险。时变权重分配根据样本在训练集中的时间位置调整权重，特征选择技术则基于自适应特征子集选择降低特征空间的维数。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中，还提供了一种数据分类装置，参考图2所示，该数据分类装置200可以包括数据采集及预处理模块210、特征提取模块220、第一样本集抽取模块230、第二样本集选择模块240以及数据分类模块250。其中：

数据采集及预处理模块210，可以用于采集目标领域数据，并对目标领域数据进行数据预处理；

特征提取模块220，可以用于将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，得到目标领域数据的训练数据集；

第一样本集抽取模块230，可以用于确定训练数据集中各样本数据的时变权重，并基于时变权重从训练数据集中抽取得到第一样本集；

第二样本集选择模块240，可以用于针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；

数据分类模块250，可以用于依据第一样本集及第二样本集通过随机森林算法训练得到目标领域数据的随机森林分类器，以通过随机森林分类器实现对目标领域数据的数据分类。

上述数据分类装置的具体实现细节在上述数据分类方法的对应位置已经进行了详细的说明，故此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

图3为本公开实施例中的一种电子设备的结构示意图。下面具体参考图3，其示出了适于用来实现本公开实施例中的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的数据分类方法。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的数据分类方法。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

采集目标领域数据，并对目标领域数据进行数据预处理；

将目标领域数据转换为文本数据，并通过预先训练好的神经网络对文本数据进行特征提取，得到目标领域数据的训练数据集；

确定训练数据集中各样本数据的时变权重，并基于时变权重从训练数据集中抽取得到第一样本集；

针对每一个决策树，依据特征重要性指标随机选择对应的特征子集，得到多个第二样本集；

依据第一样本集及第二样本集通过随机森林算法训练得到目标领域数据的随机森林分类器，以通过随机森林分类器实现对目标领域数据的数据分类。

可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。