基于深度置信网络的用户界面测试结果分类方法及装置

技术领域

本发明涉及神经网络技术领域，具体涉及一种基于深度置信网络的用户界面测试结果分类方法及装置。

背景技术

用户界面(User Interface,用户界面)是软件系统展示给用户的内容，是用户与软件系统交互的重要媒介，随着软件行业的高速发展和用户数量的激增，用户对用户界面的要求也不断提升，因而，作为软件测试中的重要一环，用户界面测试变得尤为关键。目前，对用户界面测试用例执行结果的判别主要有两种方式：(1)人工判别：依据测试人员对软件系统的熟悉及以往的经验，判别用户界面的展示是否正确，包括：页面是否存在异常空白、是否存在元素缺失、界面元素排列是否错位、界面是否存在文字乱码、界面元素触发后的反应是否符合预期等。(2)自动化脚本关键元素检测：目前主流的用户界面自动化测试框架，如selenium框架，主要是通过定位并抓取用户界面上的特定元素，并判别当前元素状态是否符合预期来进行测试用例执行结果的判定。

以上两种判别方式都存在着一些缺点：(1)人工判别：投入人力较多，耗时较长，同时人工判别也容易出现误判的情况，对测试人员自身的素质有强依赖，需要测试人员对软件系统十分了解。(2)自动化脚本关键元素检测：该方法只能对部分页面元素进行校验，存在检测遗漏的可能，若进行全量页面元素校验则会大大增加自动化测试耗时，降低自动化测试效率，在实践中可行性非常低。同时该方法只能检测目标元素是否存在，状态是否正确，对于元素的排列布局、展示风格是否符合预期无法判定。

因此，急需一种更为自动化和智能化的用户界面测试结果分类方法。

发明内容

针对现有技术中的问题，本发明提供一种基于深度置信网络的用户界面测试结果分类方法及装置，具体包括以下技术方案：

第一方面，本发明提供一种基于深度置信网络的用户界面测试结果分类方法，包括：

采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；

对训练集中训练图片进行预处理，得到训练数据；

根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；

采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；

将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

其中，所述对图片所属的类型进行标注包括：

若用例执行成功，则对应的训练图片标注为成功；若用例执行失败，则将对应的训练图片标注为所属的错误类别；

其中，所述错误类别包含：页面元素缺失、页面大面积异常空白、页面乱码、元素顺序错位和元素状态错误中至少一种。

其中，所述对训练集中训练图片进行预处理，包括：

对训练集中训练图片进行灰度化处理和归一化处理。

其中，所述根据深度置信网络结构包括：

确定深度置信网络结构包含至少四层受限玻尔兹曼机RBM和一层BP神经网络分类器组成；

利用至少四层受限玻尔兹曼机RBM对输入数据进行数据化处理，提取特征信息；

将受限玻尔兹曼机RBM提取的特征信息输入所述BP神经网络分类器，得到数据分类结果；

其中，输入层的节点数由输入数据的维数决定，输出层的节点数由输入数据的类别数决定。

其中，所述将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型，包括：

输入训练数据并确定受限玻尔兹曼机RBM的最大层数、每层的节点数和最大迭代次数；

从第一层开始逐层进行受限玻尔兹曼机RBM的训练；

若当前层数小于最大层数则进行训练，否则无监督的预训练完成。

第二方面，本发明提供一种基于深度置信网络的用户界面测试结果分类装置，包括：

采集模块，用于采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；

数据模块，用于对训练集中训练图片进行预处理，得到训练数据；

模型模块，用于根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；

目标模块，用于采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；

分类模块，用于将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

其中，所述采集模块包括：

标记单元，用于若用例执行成功，则对应的训练图片标注为成功；若用例执行失败，则将对应的训练图片标注为所属的错误类别；

其中，所述错误类别包含：页面元素缺失、页面大面积异常空白、页面乱码、元素顺序错位和元素状态错误中至少一种。

其中，所述数据模块包括：

处理单元，用于对训练集中训练图片进行灰度化处理和归一化处理。

其中，所述模型模块包括：

构成单元，用于确定深度置信网络结构包含至少四层受限玻尔兹曼机RBM和一层BP神经网络分类器组成；

特征单元，用于利用至少四层受限玻尔兹曼机RBM对输入数据进行数据化处理，提取特征信息；

分类单元，用于将受限玻尔兹曼机RBM提取的特征信息输入所述BP神经网络分类器，得到数据分类结果；

其中，输入层的节点数由输入数据的维数决定，输出层的节点数由输入数据的类别数决定。

其中，所述模型模块包括：

输入单元，用于输入训练数据并确定受限玻尔兹曼机RBM的最大层数、每层的节点数和最大迭代次数；

训练单元，用于从第一层开始逐层进行受限玻尔兹曼机RBM的训练；

迭代单元，用于若当前层数小于最大层数则进行训练，否则无监督的预训练完成。

第三方面，本发明提供一种电子设备，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所述的基于深度置信网络的用户界面测试结果分类方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于深度置信网络的用户界面测试结果分类方法的步骤。

由上述技术方案可知，本发明提供一种基于深度置信网络的用户界面测试结果分类方法及装置，通过深度置信网络自动学习用户界面测试用例执行结果图片的特征并进行错误分类，无需人工提取图片特征，对用户界面测试用例执行结果进行智能分类，提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图是本发明的一些实施例，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为本发明实施例中的基于深度置信网络的用户界面测试结果分类方法的流程示意图。

图2为本发明实施例中深度置信网络的结构流程图。

图3为本发明实施例中深度置信网络分类模型训练过程示意图。

图4为本发明实施例中的基于深度置信网络的用户界面测试结果分类装置的结构示意图。

图5为本发明实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明提供一种基于深度置信网络的用户界面测试结果分类方法的实施例，参见图1，所述基于深度置信网络的用户界面测试结果分类方法具体包含有如下内容：

S101：采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；

在本步骤中，采集用户界面用例执行结果图片并对图片所述的类型进行标注，组成训练集。具体如下：采用用户界面测试自动化脚本，将每次用户界面测试用例执行结果进行截图作为测试用例执行结果的训练图片。

对训练图片进行标注：根据用户界面测试预期，将用例执行错误分为几类，如页面元素缺失、页面大面积异常空白、页面乱码、元素顺序错位、元素状态错误等。然后，如果用例执行成功，则对应的训练图片标注为成功；如果用例执行失败，则将对应的训练图片标注为所属的错误类别。最后，对每个训练图片进行标注，将所有图片和对应的标签组合成训练集。在训练集中，每种分类对应的训练样本不少于10张，训练样本越多，深度置信网络模型得到的分类结果准确率越高。

S102：对训练集中训练图片进行预处理，得到训练数据；

对训练集中训练图片进行预处理，包括灰度化和归一化处理，得到预处理后训练图片，即训练数据。具体如下：

1)对训练图片进行灰度化，得到灰度图片。灰度化是指将彩色的图片转化为灰度图片，其中灰度图片的灰度范围为0～255。

2)对灰度图片进行归一化处理，得到预处理后训练图片，即训练数据。归一化处理是指将灰度图片的灰度范围从0～255转化为0～1之间，将采用最大最小值归一化方法，计算公式为：

其中y

S103：根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；

在本步骤中，网络结构由若干层受限玻尔兹曼机(Restricted Boltzmann Ma-chine，RBM)和一层反向传递(Back propagation,BP)神经网络组成。将训练数据输入到深度置信网络模型进行训练，得到深度置信网络分类模型。具体如下：

1)设计深度置信网络结构。设计的深度置信网络结构，如图2所示。深度置信网络结构由m层受限玻尔兹曼机RBM和一层BP神经网络分类器组成，其中m大于等于4。首先，利用m层RBM对输入数据进行数据化处理，提取特征信息；然后，将RBM提取的特征信息输入到一个传统的有监督的分类器BP神经网络；最后，输出数据分类结果。输入层的节点数由输入数据的维数决定，输出层的节点数由输入数据的类别数决定。在本实施例中，输入数据的维数是二维，所以输入节点数是2个。

每个RBM包含一个可视层和一个隐含层，只有可视层和隐含层单元之间有双向连接权值，而可视层单元与可视层单元及隐含层单元与隐含层单元之间没有连接。在深度置信网络中，第一层网络和第二层网络形成第一个RBM，第二层网络和第三层网络形成第二个RBM，依次类推，总共形成m个RBM，其中Wi为权重。通过对多个RBM进行堆叠，深度置信网络可以从复杂数据中提取深层次的特征。最后二层网络构成1个BP神经网络分类器，对提取的特征进行分类。

2)训练深度置信网络模型。深度置信网络是结合了无监督学习和有监督学习的机器学习模型。深度置信网络模型的训练由无监督的逐层预训练和有监督的参数微调两个过程组成，其整体训练过程如图3所示。首先，输入训练数据，并设置一些基本参数，包括RBM最大层数m、每层的节点数和最大迭代次数。然后，从i＝1层开始逐层进行RBM的训练，如果则减小搜索范围进行训练，否则无监督的预训练完成，利用BP算法等全局学习算法进行参数的微调，直到满足精度要求而结束训练。

与其他机器学习模型相比，深度置信网络模型的主要区别是无监督的逐层预训练。无监督的逐层预训练通过直接把数据从输入映射到输出，能够学习非线性复杂函数，从而使其具备强大的特征提取能力。首先，在第一个RBM的可视层产生一个向量，通过RBM网络将值传递到隐藏层，把得到的隐藏层作为可视层，通过逐层堆叠，这个深度结构可以从原始数据中逐层提取特征，获得一些深层次的特征。逐层训练RBM的方法避免了整体训练深度置信网络带来的复杂运算，其将深度置信网络模型逐层演变成一个浅层神经网络。

由于每层RBM训练只能使该层网络参数达到最优，而不能使整个网络达到最优。因此，当无监督的预训练完成后，通过训练数据对应的标签，对深度置信网络进行有监督的参数微调。参数微调是使用传统的全局学习算法(如BP或者Wake-Sleep算法)对深度置信网络中所有层的参数进行微调和优化，进一步降低训练误差，提高深度置信网络分类模型的准确率。

S104：采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；

在本步骤中，采集待分类的用例执行结果图片作为目标图片，然后对目标图片进行预处理，包括灰度化和归一化处理，得到预处理后目标图片。

S105：将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

在本步骤中，将预处理后目标图片输入到训练好的深度置信网络分类模型中，输出目标图片的分类类型，将目标图片所属的分类类型作为对应的用户界面测试用例执行结果的分类结论。

从上述描述可知，本发明实施例提供的基于深度置信网络的用户界面测试结果分类方法，通过采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。能够有效提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

本发明实施例提供一种能够实现所述基于深度置信网络的用户界面测试结果分类方法中全部内容的基于深度置信网络的用户界面测试结果分类装置的具体实施方式，参见图4，所述基于深度置信网络的用户界面测试结果分类装置具体包括如下内容：

采集模块10，用于采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；

数据模块20，用于对训练集中训练图片进行预处理，得到训练数据；

模型模块30，用于根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；

目标模块40，用于采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；

分类模块50，用于将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

其中，所述采集模块包括：

标记单元，用于若用例执行成功，则对应的训练图片标注为成功；若用例执行失败，则将对应的训练图片标注为所属的错误类别；

其中，所述错误类别包含：页面元素缺失、页面大面积异常空白、页面乱码、元素顺序错位和元素状态错误中至少一种。

其中，所述数据模块包括：

处理单元，用于对训练集中训练图片进行灰度化处理和归一化处理。

其中，所述模型模块包括：

构成单元，用于确定深度置信网络结构包含至少四层受限玻尔兹曼机RBM和一层BP神经网络分类器组成；

特征单元，用于利用至少四层受限玻尔兹曼机RBM对输入数据进行数据化处理，提取特征信息；

分类单元，用于将受限玻尔兹曼机RBM提取的特征信息输入所述BP神经网络分类器，得到数据分类结果；

其中，输入层的节点数由输入数据的维数决定，输出层的节点数由输入数据的类别数决定。

其中，所述模型模块包括：

输入单元，用于输入训练数据并确定受限玻尔兹曼机RBM的最大层数、每层的节点数和最大迭代次数；

训练单元，用于从第一层开始逐层进行受限玻尔兹曼机RBM的训练；

迭代单元，用于若当前层数小于最大层数则进行训练，否则无监督的预训练完成。

从上述描述可知，本发明实施例提供的基于深度置信网络的用户界面测试结果分类装置，通过采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。能够有效提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

本申请提供一种用于实现所述基于深度置信网络的用户界面测试结果分类方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述基于深度置信网络的用户界面测试结果分类方法的实施例及用于实现所述基于深度置信网络的用户界面测试结果分类装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图5为本申请实施例的电子设备9600的系统构成的示意框图。如图5所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图5是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，基于深度置信网络的用户界面测试结果分类功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

从上述描述可知，本申请的实施例提供的电子设备，通过采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。能够有效提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

在另一个实施方式中，基于深度置信网络的用户界面测试结果分类装置可以与中央处理器9100分开配置，例如可以将基于深度置信网络的用户界面测试结果分类配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于深度置信网络的用户界面测试结果分类功能。

如图5所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图5中所示的所有部件；此外，电子设备9600还可以包括图5中没有示出的部件，可以参考现有技术。

如图5所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本发明的实施例还提供能够实现上述实施例中的基于深度置信网络的用户界面测试结果分类方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的基于深度置信网络的用户界面测试结果分类方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

从上述描述可知，本发明实施例提供的计算机可读存储介质，通过采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。能够有效提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例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，本发明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。

本发明是参照根据本发明实施例的方法、装置(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，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。

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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。