一种创新能力排名预测方法、装置、电子设备及存储介质

技术领域

本公开涉及数据预测技术领域，尤其涉及一种创新能力排名预测方法、装置、电子设备及存储介质。

背景技术

创新能力排名是对一个国家、经济体或组织机构创新能力发展的重要体现，但相关技术中通常需要等待创新能力报告发布后，根据创新能力报告对创新能力进行总结和分析，很难发挥实时监测创新能力发展的导向作用。存在着无法在创新能力报告发布前实现创新能力排名预测的问题。

发明内容

有鉴于此，本公开提出了一种创新能力排名预测方法、装置、电子设备及存储介质。

基于上述目的，本公开提供了一种创新能力排名预测方法，包括：

收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象；

基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集；

利用所述样本数据集训练预先建立的分类器以得到预测模型；

利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。

可选的，所述收集根据目标对象集的评价指标确定的历史创新指数，之后还包括：

根据所述历史创新指数构造数据矩阵X，所述数据矩阵X表示为

X＝(X

其中，n表示所述目标对象的总数量，p表示所述评价指标的数量，X

利用根据所述数据矩阵X获取的所述包含缺失值的变量X

根据所述随机森林分类器利用变量X

可选的，所述样本数据集，包括：样本数据；

所述基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集，进一步包括：

将每两个所述目标对象的所述历史创新指数进行成对比较以创建所述样本数据集，所述样本数据集表示为

其中，

可选的，所述样本数据的数量N表示为

其中，n表示所述历史创新指数的数量。

可选的，所述历史创新指数，包括：历史创新得分；

所述样本数据集中任意一个所述样本数据的标签y

其中，G(d

可选的，所述利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测，进一步包括：

将预先采集的所述待预测目标对象的所述评价指标输入至所述预测模型；

利用所述预测模型输出所述待预测目标对象的虚拟得分S(d

对所述待预测目标对象的虚拟得分S(d

可选的，所述待预测目标对象的虚拟得分S(d

基于同一发明构思，本公开还提供了一种创新能力排名预测装置，包括：

收集模块，被配置为收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象；

第一构建模块，被配置为基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集；

第二构建模块，被配置为利用所述样本数据集训练预先建立的分类器以得到预测模型；

预测模块，被配置为利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。

基于同一发明构思，本公开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上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述的创新能力排名预测方法。

基于同一发明构思，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任意一项所述的创新能力排名预测方法。

从上面所述可以看出，本公开提供的一种创新能力排名预测方法、装置、电子设备及存储介质，包括：收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象；基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集；利用所述样本数据集训练预先建立的分类器以得到预测模型；利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。本公开提供的方法，收集已有的历史创新指数，并对数据中存在的缺失值进行插补；将任意两个目标对象进行成对比较，从而构建样本数据集；利用样本数据集对分类器进行训练以得到预测模型；根据训练好的预测模型采用机器学习的分类算法来对未知标签的待预测目标对象的创新能力排名进行预测。能够实现在创新能力报告发布前利用待预测目标对象的部分评价指标对其创新能力排名进行预测，从而对待预测目标对象的创新能力发展方向进行指导。

附图说明

为了更清楚地说明本公开中一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关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公开中一个或多个实施例，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为本公开实施例中一种创新能力排名预测的示例性方法的流程图；

图2为本公开实施例中成对比较的示例性方法的流程图；

图3为本公开实施例中一种创新能力排名预测的另一示例性方法的流程示意图；

图4为本公开实施例中不同分类器对创新能力排名预测的实验结果示意图；

图5为本公开实施例中一种创新能力排名预测装置的结构示意图；

图6为本公开实施例中一种电子设备的结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开中一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术部分所述，创新能力排名是对一个国家、经济体或组织机构创新能力发展的重要体现，但相关技术中通常需要等待创新能力报告发布后，根据创新能力报告对创新能力进行总结和分析。其中，目标对象集中的目标对象，可以为具有创新能力评价指标的对象，例如可以是国家、经济体或是组织机构，而创新能力排名也可以通过创新指数(即GII)进行表示。例如，康奈尔大学，INSEAND和世界知识产权组织(WIPO)从2007年起每年发布全球创新指数(GII)报告。创新指数报告为全世界所有国家和经济体提供了国家创新能力的全球排名，并给出了GII的计算方法，主要国家排名变化的分析以及使用的指标体系等内容。GII使每个国家或经济体能够根据各种指标的得分和排名结果来衡量自己与其他国家的创新能力之间的差距。

然而，GII报告的发布周期长达一年，年度GII报告是上一年度的创新能力排名情况总结，因此GII报告很难发挥实时监测创新能力发展的导向作用。现有的研究很少提及该问题。每年GII报告中总是存在许多缺失值，这些值在一定程度上会对GII得分的预测产生影响。并且，GII的得分是为了衡量所有国家和经济体的创新能力水平，GII得分是相对的。因此，在不关注与其他国家或经济体差距的情况下，创新能力的排名比得分更具备参考价值。但由于创新能力报告的发布周期很长，很难发挥实时监测创新能力发展的导向作用。存在着无法在创新能力报告发布前实现创新能力排名预测的问题。

正因如此，本公开提供了一种创新能力排名预测方法、装置、电子设备及存储介质，收集已有的历史创新指数，并对数据中存在的缺失值进行插补；将任意两个目标对象进行成对比较，从而构建样本数据集；利用样本数据集对分类器进行训练以得到预测模型；根据训练好的预测模型采用机器学习的分类算法来对未知标签的待预测目标对象的创新能力排名进行预测。能够实现在创新能力报告发布前利用待预测目标对象的部分评价指标对其创新能力排名进行预测，从而对待预测目标对象的创新能力发展方向进行指导。

以下，通过具体的实施例进一步详细说明本公开的技术方案。

参考图1，因此本公开中一个或多个实施例提供的一种创新能力排名预测方法，具体包括以下步骤：

S101：收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象。

本实施例中，可以根据往年发布的历史创新能力报告获取目标对象集的历史创新指数，该历史创新指数是根据目标对象集的评价指标确定的。其中，目标对象集包括目标对象，为方便说明，目标对象可以是国家、经济体或组织机构，而历史创新指数可以借助GII得分进行描述。也就是说，为方便说明，本实施例中以国家或经济体的GII得分进行举例说明。

需要说明的是，每年对国家或经济体的评价指标的数量略有不同，但GII得分一般通过两个具体数据进行计算，是创新投入子指数和创新产出子指数的平均值。而创新投入子指数由五个国民经济相关的评价指标计算得出，分别为相关机构指标(Institutions)、人力资本和研究指标(Human capital and research)、基础设施指标(Infrastructure)、市场成熟度指标(Market sophistication)以及商业成熟度指标(Businesssophistication)；创新产出子指数是指提供有关经济活动中创新结果产出的信息，统计了两方面评价指标，分别为知识和技术输出指标(Knowledge and technology output)以及创造型输出指标(Creative output)。以2018年为例，GII得分由80个评价指标计算得到。由于每一年都会发布GII报告，所以目标对象集的历史创新指数可以通过已经发布的GII报告进行收集。

在一些可选的实施方式中，每年GII报告中总是存在许多缺失值(在GII报告中标示为“n/a”)，这些缺失值在一定程度上会对GII得分的预测产生影响。因此，在收集根据目标对象集的评价指标确定的历史创新指数之后，需要对缺失值进行插补，以保证历史创新指数的完整性。具体包括以下步骤：

根据历史创新指数构造n×p维的数据矩阵X，数据矩阵X表示为

X＝(X

其中，n表示目标对象的总数量，p表示评价指标的数量，X

利用根据所述数据矩阵X获取的所述包含缺失值的变量X

根据随机森林分类器利用变量X

需要说明的是，不只有X

S102：基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集。

本实施例中，参考图2，基于成对比较的方式，根据每两个目标对象的历史创新指数创建样本数据集。其中，成对比较的方法是通过将排序问题转化为分类问题来实现排序的。其基本思想是将待排序的任意两个样本进行组合，构造出新的样本数据集和标签。相关技术中的排序学习理论认为不同群组中的对象不能进行成对比较，这是因为不同的群组对应不同查询词。而本公开提供的方法假设所有的目标对象都在同一个抽象的群组中。该假设是合理的，因为例如GII需要对全世界所有国家和经济体进行排名，因此在图2中第(i)步是将任意两个待排名的国家和经济体被进行成对比较以构造新的样本数据集。其中，d

在一些可选的实施方式中，样本数据集，包括：样本数据。将d

具体地，将两个向量中相同位置上的两个数据对应相减，得到一个新的向量。例如，收集到的GII历史数据中包含了各个国家或经济体的年度GII得分。将每两个目标对象的历史创新指数进行成对比较创建的样本数据集，可以表示为

其中，

在一些可选的实施方式中，根据排列组合的公式，新构造的数据集中样本总数量N可以表示为

其中，n表示所述历史创新指数的数量。

新构造的样本数据集中的第k条样本可表示为

其中，历史创新指数，包括：历史创新得分；样本数据集中任意一个样本数据的标签y

其中，G(d

S103：利用所述样本数据集训练预先建立的分类器以得到预测模型。

本实施例中，将样本数据集划分为训练集和测试集，利用训练集训练预先建立的分类器以得到预测模型。具体地，以样本对应标签的训练集作为输入以训练一个二分类器，然后利用训练好的分类器来预测测试集的标签，对所有样本对进行分类，就可以得到一组偏序关系，从而解析出样本全集的排序关系。

在一些可选的实施方式中，样本数据集中包含了+1和-1两种数据标签，并且样本数量丰富，据此可用于训练二分类器。常用的分类算法有KNeighbors分类、贝叶斯分类法、决策树方法、随机森林方法、支持向量机方法等，这些方法都可以被用来训练分类器。

S104：利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。

本实施例中，预先采集待预测目标对象的评价指标，利用预测模型根据该评价指标对待预测目标对象的创新能力排名进行预测。具体地，将预先采集的待预测目标对象的评价指标输入至预测模型中；其中，待预测目标对象的评价指标可以选择至少五个指标，需要获取全部评价指标；利用预测模型输出待预测目标对象的虚拟得分S(d

参考图2，在第(ii)步中，机器学习中的分类算法被用于预测模型的训练和对标签的预测。将预测得到的标签值转化为每个待预测目标对象的虚拟得分S(d

其中，S(d

参考图3，作为一个可选的实施例，按照step1：2019年的GII报告中收集的数据为129×80维的数据矩阵，表示129个国家或经济体在80个指标下的数据，其中每个国家或经济体的GII的得分是已知的。利用随机森林算法对矩阵中的缺失值进行插补；

按照step2：将任意两个国家的数据进行成对比较(两个行向量对应位置的数据相减)。利用每个国家的GII得分，得到成对比较后的行向量的标签。以此即得训练数据集；

按照step3：利用训练数据集训练一个二分类器。具体细节如下：实验采用常用的分类算法来作为分类器，具体包括KNeighbors分类器、随机森林分类器、支持向量机分类器、决策树分类器、朴素贝叶斯分类器。为了达到良好的预测效果，分类器在训练过程中需要不断调整和优化参数。

对于KNeighbors分类器，邻居数K＝3。权重函数采用“distance”，意味着距离越近权重越大，反之，距离越远其权重越小；在随机森林分类器中，随机森林中树木的数量设置为73。采用“entropy”作为衡量分裂质量的函数；支持向量机分类器采用线性核函数；决策树分类器中，使用“entropy”作为决策树的特征选择标准，在所有特征中随机选择划分点；贝叶斯分类器没有需要设置的参数；

按照step4：利用2020年GII报告中的数据作为测试数据，预测2020年的全球创新能力排名，随即用2020年GII报告中提供的排名对该方法预测得到的排名结果进行验证。

随机选取2020年GII报告中的部分指标作为测试。例如，当选取的指标个数为5时，原测试数据为131×5的数据矩阵，表示131个国家和经济体在5个指标下的数据，但其中每个国家或经济体的GII的得分此时可认为是未知的，因为仅有5个指标无法按照GII报告中的方法计算GII分数，也就不能据此得到排名。因此，将任意两个国家的数据进行成对比较构造测试数据集，测试数据集中样本的标签是未知的。此时利用训练好的分类器即可对这些未知的标签进行预测，对每个国家或经济体的虚拟得分进行计算，利用虚拟得分即可得到所有国家和经济体的创新能力排名。

利用虚拟得分得到的创新能力排名和2020年GII报告中给出的真实排名之间的“贴近”程度可以斯皮尔曼相关系数衡量。斯皮尔曼相关系数的定义为：

Δd

为了验证本公开提供的方法的有效性，可以设置如下实验。

参考图4，在对创新能力排名进行实时预测时，不同时间收集到的指标也可能不同。因此，采用随机的方式从2020年GII报告中选取m个指标以得到测试集。2020年GII报告中的指标总数量M＝80，有m＜M。当选取的指标个数为m时，得到的测试集的维度为131×m。根据图3中的step4就可以得到创新能力排名的预测结果。基于公式5即可得到斯皮尔曼相关系数。为了保证随机性，当选取的指标数量为m时，从M个指标中随机选择100次，每一次都计算m个指标下的斯皮尔曼相关系数，并记录它的最优值。参考图4，当m从2到25变化时，不同分类器的预测结果表现如图4所示。结果发现，当选择的指标个数超过5个时，大多数分类器对创新能力排名的预测结果已经超过了基线。随着指标数量的增加，预测结果的准确性呈现波动上升的趋势。

使用多个分类器的目的在于证明成对比较预测全球创新能力排名的有效性。实验证明采用KNeighbors分类器时算法表现最好，因此最终选取KNeighbors作为本公开提供的方法的内置分类器。

在图4中，当m＝20时，使用KNeighbors分类器的最优斯皮尔曼相关系数值为0.9907。此时预测值与原始值的结果对比如表1所示。

表1.预测值与原始值的对比表(部分)

实验结果表明：本公开提供的方法能够有效的预测创新能力排名。采用KNeighbors算法作为本公开提供的方法的分类器时预测效果最好。最少收集5个指标就能达到理想的预测效果。所以，当决策者需要了解国家自身的创新能力发展情况时，只需要收集少量的指标就可以使用本公开提供的方法进行有效的预测。并且，指标可以按照决策者的意愿选择。利用这种方法，决策者可以在每年的GII报告发布之前了解自己国家的创新能力发展水平，以便据此调整发展创新能力的政策。

每年发布的GII报告中，GII得分的计算使用了很多个指标。例如，2017年的GII报告中共有81个指标，2018到2020年的三个GII报告中都是80个指标。实际上，利用本申请提供的方法预测创新能力排名的时候，只需要统计少量的指标就可以达到良好的预测效果。

GII通过收集社会生活各个领域的多项指标来阐明世界各个国家和经济体的创新能力。在年度GII报告发布之前对各个国家和经济体的创新能力排名情况有利于决策者调整创新能力发展政策。

从上面所述可以看出，本公开提供的一种创新能力排名预测方法、装置、电子设备及存储介质，包括：收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象；基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集；利用所述样本数据集训练预先建立的分类器以得到预测模型；利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。本公开提供的方法，收集已有的历史创新指数，并对数据中存在的缺失值进行插补；将任意两个目标对象进行成对比较，从而构建样本数据集；利用样本数据集对分类器进行训练以得到预测模型；根据训练好的预测模型采用机器学习的分类算法来对未知标签的待预测目标对象的创新能力排名进行预测。能够实现在创新能力报告发布前利用待预测目标对象的部分评价指标对其创新能力排名进行预测，从而对待预测目标对象的创新能力发展方向进行指导。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种创新能力排名预测装置，参考图5，所述创新能力排名预测装置包括：

收集模块，被配置为收集根据目标对象集的评价指标确定的历史创新指数；所述目标对象集包括：目标对象；

第一构建模块，被配置为基于成对比较的方式根据每两个所述目标对象的所述历史创新指数创建样本数据集；

第二构建模块，被配置为利用所述样本数据集训练预先建立的分类器以得到预测模型；

预测模块，被配置为利用所述预测模型根据预先采集的待预测目标对象的所述评价指标对所述待预测目标对象的创新能力排名进行预测。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的一种创新能力排名预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开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上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的一种创新能力排名预测方法。

图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器610、存储器620、输入/输出接口630、通信接口640和总线650。其中处理器610、存储器620、输入/输出接口630和通信接口640通过总线650实现彼此之间在设备内部的通信连接。

处理器610可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器620可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器620可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器620中，并由处理器610来调用执行。

输入/输出接口630用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口640用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线650包括一通路，在设备的各个组件(例如处理器610、存储器620、输入/输出接口630和通信接口640)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器610、存储器620、输入/输出接口630、通信接口640以及总线650，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的一种创新能力排名预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的一种创新能力排名预测方法。

本实施例的非暂态计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的一种创新能力排名预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

上述对本公开特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。