可视化的数据分析系统及其方法

技术领域

本公开涉及数据分析领域，且更为具体地，涉及一种可视化的数据分析系统及其方法。

背景技术

电力二次设备是对电力系统内一次设备进行监察，测量，控制，保护，调节的辅助设备，即不直接和电能产生联系的设备，二次设备的种类很多，电网中的二次设备系统更是庞杂。

电力二次设备的运行状态直接影响电力系统的安全经济稳定运行。如果二次设备出现故障或异常，可能会导致电网事故，造成巨大的经济损失和社会影响。因此，期待一种针对于二次设备的数据分析方案，以及时发现和处理二次设备的异常情况，保障电网可靠性。

发明内容

有鉴于此，本公开提出了一种可视化的数据分析系统及其方法，其综合利用二次设备在不同时间点的温度、电流和噪声数据，并结合深度学习和人工智能技术来监测和识别电力二次设备的异常情况，以保障电力系统的安全稳定运行。

根据本公开的一方面，提供了一种可视化的数据分析方法，其包括：

获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值；

从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量；以及

基于所述上下文关联特征向量，确定分析结果。

根据本公开的另一方面，提供了一种可视化的数据分析系统，其包括：

数据获取模块，用于获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值；

特征向量提取模块，用于从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量；以及

分析结果确定模块，用于基于所述上下文关联特征向量，确定分析结果。

根据本公开的实施例，其首先获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值，接着，从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量，最后，基于所述上下文关联特征向量，确定分析结果。通过这样的方式，综合利用二次设备在不同时间点的温度、电流和噪声数据，并结合深度学习和人工智能技术来监测和识别电力二次设备的异常情况，以保障电力系统的安全稳定运行。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的可视化的数据分析方法的流程图。

图2示出根据本公开的实施例的可视化的数据分析方法的架构示意图。

图3示出根据本公开的实施例的可视化的数据分析方法的子步骤S120的流程图。

图4示出根据本公开的实施例的可视化的数据分析方法的子步骤S130的流程图。

图5示出根据本公开的实施例的可视化的数据分析方法进一步包括的训练步骤的流程图。

图6示出根据本公开的实施例的可视化的数据分析系统的框图。

图7示出根据本公开的实施例的可视化的数据分析方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

电力二次设备是指对电力系统的一次设备进行监测、测量、控制、保护和调节的辅助设备。电力二次设备不直接与电能产生联系，而是通过采集一次设备的信号和数据，并进行处理和分析，以保证电力系统的安全、经济和稳定运行。电力二次设备的种类很多，包括但不限于继电器、保护装置、自动化装置、测量仪表、通信设备等，电力二次设备在电力系统中起着重要的作用，对电力系统的运行状态进行监测和控制，保障电网的可靠性和稳定性。

针对上述技术问题，本申请的技术构思为综合利用二次设备在不同时间点的温度、电流和噪声数据，并结合深度学习和人工智能技术来监测和识别电力二次设备的异常情况，以保障电力系统的安全稳定运行。

图1示出根据本公开的实施例的可视化的数据分析方法的流程图。图2示出根据本公开的实施例的可视化的数据分析方法的架构示意图。如图1和图2所示，根据本公开实施例的可视化的数据分析方法，包括步骤：S110，获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值；S120，从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量；以及，S130，基于所述上下文关联特征向量，确定分析结果。

更具体地，在步骤S110中，获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值。这些数据可以提供所述被监控二次设备的性能和运行状态的信息。也就是，从温度数据中可以了解设备是否过热或过冷，电流可用于判断设备是否正常运行以及是否存在电流泄漏等问题，而噪声值可以提供关于设备工作过程中的状态信息。相应地，获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值，可以通过传感器进行数据采集，通过安装相应的传感器设备，如温度传感器、电流传感器和噪声传感器等，将其连接到被监控的二次设备上，这些传感器可以实时测量温度、电流和噪声等数据，并将其转化为电信号进行采集。其中，温度传感器用于测量二次设备的温度，可以使用热敏电阻（如热敏电阻NTC、PTC）、热电偶和红外线传感器等温度传感器，温度传感器可以将温度转换为电信号，进而被记录或传输给监测系统；电流传感器用于测量二次设备的电流，可以使用电流互感器（如电流互感器CT）、霍尔效应传感器和电阻式传感器等电流传感器，电流传感器可以将电流转换为电信号，以便进行记录和监测；噪声传感器用于测量二次设备产生的噪声水平，噪声传感器可以通过麦克风或压电传感器等将噪声转换为电信号，噪声传感器通常用于检测设备的振动、机械运行状态和环境噪声等。这些传感器通常与二次设备直接连接或安装在其附近，以便准确测量温度、电流和噪声等数据。传感器的选择取决于具体的应用需求和监测要求。在安装和使用传感器时，并确保传感器的准确性、可靠性和稳定性。

应可以理解，在本申请的其它示例中，还可以使用数据记录仪来记录被监控二次设备的温度、电流和噪声等数据，数据记录仪可以在预定时间段内按照预定时间点进行数据采集，并将数据存储在内部存储器或外部存储介质中；或者，还可以利用远程监测系统来获取被监控二次设备的数据，通过连接被监控设备和监测系统，可以实时获取温度、电流和噪声等数据，这种系统通常使用传感器和通信设备来实现数据的采集和传输。

更具体地，在步骤S120中，从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量。相应地，在一种可能的实现方式中，如图3所示，从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量，包括：S121，对所述多个预定时间点的温度值、电流值和噪声值分别进行数据预处理以得到温度时序输入向量、电流时序输入向量和噪声时序输入向量；S122，基于深度卷积神经网络模型对所述温度时序输入向量、所述电流时序输入向量和所述噪声时序输入向量进行时序特征提取以得到温度时序特征向量、电流时序特征向量和噪声时序特征向量；以及，S123，融合所述温度时序特征向量、所述电流时序特征向量和所述噪声时序特征向量以得到所述上下文关联特征向量。

相应地，在一种可能的实现方式中，对所述多个预定时间点的温度值、电流值和噪声值分别进行数据预处理以得到温度时序输入向量、电流时序输入向量和噪声时序输入向量，包括：将所述多个预定时间点的温度值、电流值和噪声值分别按照时间维度排列为所述温度时序输入向量、所述电流时序输入向量和所述噪声时序输入向量。也就是，将所述温度值、电流值和噪声值的时序离散数据转化为结构化的所述温度时序输入向量、所述电流时序输入向量和所述噪声时序输入向量。于此同时，按照时间维度排列的操作方式得到的向量可以反映这些参数在时间维度上的变化和趋势，为后续的分析提供重要的数据来源。

应可以理解，在一个具体示例中，将多个预定时间点的温度值、电流值和噪声值转化为时序输入向量，可以按照以下步骤进行数据预处理：1.时间维度排列，将每个时间点的温度值、电流值和噪声值按照时间顺序排列，形成时间序列，其中需要确保时间序列的顺序与采集数据的时间顺序一致；2.归一化，对每个参数（温度、电流、噪声）的数值进行归一化处理，将其缩放到一个统一的范围内，例如[0,1]，这可以消除不同参数之间的量纲差异，使得它们可以进行比较和分析；3.窗口划分，将时间序列划分为固定大小的窗口，每个窗口包含连续的时间点，窗口的大小可以根据需求进行设置，例如每个窗口包含5个时间点，这样可以将时序数据转化为矩阵形式；4.特征提取，对于每个窗口内的数据，可以提取一些统计特征，如均值、方差、最大值、最小值等，这些特征可以反映出每个窗口内数据的整体特征；5.构建向量，将每个窗口内提取的特征组合成一个向量，作为该窗口的表示，这样就得到了温度时序输入向量、电流时序输入向量和噪声时序输入向量。通过以上步骤，可以将多个预定时间点的温度值、电流值和噪声值转化为结构化的时序输入向量，这些向量可以用于后续的分析和建模任务。

相应地，在一种可能的实现方式中，基于深度卷积神经网络模型对所述温度时序输入向量、所述电流时序输入向量和所述噪声时序输入向量进行时序特征提取以得到温度时序特征向量、电流时序特征向量和噪声时序特征向量，包括：将所述温度时序输入向量、所述电流时序输入向量和所述噪声时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述温度时序特征向量、所述电流时序特征向量和所述噪声时序特征向量。考虑到温度、电流和噪声数据在不同时间点上的变化会反映设备的运行状态。具体而言，设备正常工作时，通常温度会保持在一定的范围内。然而，当设备存在故障或异常时，温度可能会发生异常变化。高温可能表示设备过载或故障，而低温可能暗示着能量传输的问题或者其他异常情况。电流值与设备的负载、耗电情况以及电源供应的稳定性相关。异常的电流波动可能暗示着设备存在过载、电源问题、短路等情况。噪声是指设备在运行过程中产生的非期望声音或信号，异常的噪声可能是由于设备的部件松动、磨损或其他故障引起的。因此，在本申请的技术方案中，期待利用一维卷积神经网络模型来对温度、电流和噪声数据进行时序分析和特征提取，从而捕捉上述数据中的时序隐含变化特征分布信息。

应可以理解，一维卷积神经网络（1D CNN）是一种深度学习模型，用于处理具有时序结构的数据，与传统的卷积神经网络（2D CNN）用于处理图像数据不同，一维卷积神经网络主要应用于处理一维序列数据，例如时间序列、音频信号、文本数据等。一维卷积神经网络模型通过卷积操作和池化操作来提取输入数据中的特征。卷积操作使用一个滤波器（也称为卷积核）在输入数据上进行滑动，计算出每个位置的特征表示。这样可以捕捉到输入数据中的局部模式和特征。池化操作则用于减小特征的维度，提取出最显著的特征。在一维卷积神经网络模型中，通常会使用多个卷积层和池化层，以逐渐提取更高级别的特征。在卷积层之后，可以添加激活函数（如ReLU）来引入非线性性质。最后，通过全连接层将提取到的特征映射到所需的输出类别。一维卷积神经网络模型适用于许多任务，如文本分类、语音识别、时间序列预测等，其能够自动学习输入数据中的时序特征，从而提高模型的性能和泛化能力。

相应地，在一种可能的实现方式中，融合所述温度时序特征向量、所述电流时序特征向量和所述噪声时序特征向量以得到所述上下文关联特征向量，包括：以所述电流时序特征向量作为查询向量，所述温度时序特征向量作为关键向量和所述噪声时序特征向量作为值向量，使用自注意机制来融合所述温度时序特征向量、所述电流时序特征向量和所述噪声时序特征向量以得到所述上下文关联特征向量。也就是，利用自注意机制来建立所述电流时序特征向量、所述电流时序特征向量和所述噪声时序特征向量之间的上下文关联关系。具体而言，以所述电流时序特征向量作为查询向量Q，所述温度时序特征向量作为关键向量K和所述噪声时序特征向量作为值向量V，然后通过下列公式计算以得到所述上下文关联特征向量：

通过这样的方式，引入上下文信息，将不同时间点的温度、电流和噪声特征相互作用和相互影响的关系融入到所述上下文关联特征向量中，使得模型能够更准确地理解设备的运行状态和异常情况。

值得一提的是，自注意机制（self-attention mechanism）是一种用于在序列数据中捕捉上下文关联的机制，常用于自然语言处理和序列建模任务中。它可以根据序列中不同位置的信息来动态地计算每个位置的权重，从而实现对不同位置的关注程度的自适应调整。在自注意机制中，通过计算查询向量（query vector）和键向量（key vector）之间的相似度得到注意力权重（attention weights），然后将注意力权重与值向量（value vector）进行加权求和，得到上下文关联特征向量（contextualized feature vector）。具体来说，以电流时序特征向量作为查询向量，温度时序特征向量作为关键向量，噪声时序特征向量作为值向量，可以使用自注意机制来融合它们。以下是自注意机制的基本步骤：1.计算相似度，通过计算查询向量和键向量之间的相似度，可以得到注意力权重，常用的计算相似度的方法是使用点积或双线性函数；2.归一化注意力权重，对于得到的注意力权重，可以进行归一化处理，使得它们的总和等于1，这可以确保注意力权重的分布符合概率分布的性质；3.加权求和，将归一化后的注意力权重与值向量进行加权求和，得到上下文关联特征向量，加权求和可以通过矩阵乘法的形式实现。通过自注意机制的融合，可以将不同时序特征向量之间的关联信息进行捕捉，并得到上下文关联特征向量，这有助于更好地表示序列数据的整体信息和模式。自注意机制的优势在于它能够自适应地学习不同位置之间的关联性，并且可以并行计算，适用于处理长序列数据。

更具体地，在步骤S130中，基于所述上下文关联特征向量，确定分析结果。相应地，在一种可能的实现方式中，如图4所示，基于所述上下文关联特征向量，确定分析结果，包括：S131，将所述上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控二次设备的运行状态是否正常；以及，S132，显示所述分类结果于显示屏。其中，分类器在训练过程中可以学习到特征向量与分类标签之间的映射关系。也就是，通过对已知设备状态进行训练，分类器能够学习到正常和异常状态之间的特征模式和区别。这样，在推断阶段中，可以将输入的所述上下文关联特征向量自动化地映射至对应的分类标签中，即“被监控二次设备的运行状态正常”或“被监控二次设备的运行状态不正常”。在实际应用中，将分类器的输出，即所述分类结果显示于显示屏中。这样，使人们能够直观地了解机器学习模型的输出，也就是，可以快速了解设备的运行状态是否正常。这种可视化反馈可以帮助人们更好地监测和识别二次设备的问题，以便及时采取措施进行维修或调整，进而提高电网的可靠性和安全性，以及降低意外损失的风险。

应可以理解，分类器是一种机器学习模型，用于将输入数据分为不同的类别或标签。分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。常见的分类器包括支持向量机（SVM）、决策树、随机森林、神经网络等。

相应地，在一种可能的实现方式中，将所述上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控二次设备的运行状态是否正常，包括：使用所述分类器的全连接层对所述上下文关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

相应地，在一种可能的实现方式中，在步骤S132中，分类结果将被显示在显示屏上。这可以通过在显示屏上输出相应的文本或图标来实现。例如，可以显示“正常”或“异常”等文字信息，或者使用绿色和红色的图标来表示正常和异常状态。

进一步地，所述的可视化的数据分析方法，还包括训练步骤：对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练。应可以理解，对于基于一维卷积神经网络模型的时序特征提取器和分类器的训练步骤，一般包括以下几个阶段：1.数据准备，收集并整理用于训练的数据集，数据集应包括已标注的时序数据样本，其中每个样本都有对应的运行状态标签（正常或异常）；2.数据预处理，对数据进行预处理，以便于模型的训练和使用，其中可以包括数据清洗、归一化、标准化、平滑处理等，预处理的目的是消除噪声、提高数据的可解释性和模型的稳定性；3.特征提取器训练，使用一维卷积神经网络模型作为特征提取器，将时序数据输入模型进行训练。训练过程中，模型通过学习数据中的模式和规律来提取有用的时序特征，训练的目标是最小化特征提取器的损失函数，以使其能够准确地捕捉到与运行状态相关的特征；4.分类器训练，使用训练好的特征提取器，将提取到的时序特征输入到分类器中进行训练，分类器可以是传统的机器学习算法，也可以是其他神经网络模型，训练过程中，分类器通过学习特征与运行状态之间的关系来进行分类，训练的目标是最小化分类器的损失函数，以使其能够准确地将时序特征分类为正常或异常；5.模型评估，使用验证集或交叉验证等方法对训练好的模型进行评估，评估指标可以包括准确率、召回率、精确率、F1分数等。评估的目的是检查模型的性能和泛化能力，以确定是否需要进行调整或改进。

更具体地，如图5所示，在一个具体示例中，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括被监控二次设备在预定时间段内多个预定时间点的训练温度值、训练电流值和训练噪声值，以及，所述被监控二次设备的运行状态是否正常的真实值；S220，将所述多个预定时间点的训练温度值、训练电流值和训练噪声值分别按照时间维度排列为训练温度时序输入向量、训练电流时序输入向量和训练噪声时序输入向量；S230，将所述训练温度时序输入向量、所述训练电流时序输入向量和所述训练噪声时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练温度时序特征向量、训练电流时序特征向量和训练噪声时序特征向量；S240，以所述训练电流时序特征向量作为查询向量，所述训练温度时序特征向量作为关键向量和所述训练噪声时序特征向量作为值向量，使用自注意机制来融合所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量以得到训练上下文关联特征向量；S250，将所述训练上下文关联特征向量通过分类器以得到分类损失函数值；以及，S260，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代。

在本申请的技术方案中，通过自注意力机制融合所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量以得到所述训练上下文关联特征向量时，由于所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量分别表达温度值、电流值和噪声值在时序上的局部关联特征，其源数据在时序上的分布差异会进一步导致所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量之间的特征分布的差异，使得所述自注意力机制针对所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量具有不同的特征拟合方向，例如过拟合、欠拟合和正常拟合。

这样，当所述训练上下文关联特征向量通过分类器进行分类时，所述训练上下文关联特征向量的分别对应于所述训练温度时序特征向量、所述训练电流时序特征向量和所述训练噪声时序特征向量的部分特征分布相对于分类器的权重矩阵对应的部分也会具有不同的权重拟合方向，这样，所述训练上下文关联特征向量的整体特征分布相对于分类器的权重矩阵就会具有收敛性差的问题，从而影响所述分类器的训练速度。

基于此，本申请的申请人在所述上下文关联特征向量，例如记为

相应地，在一种可能的实现方式中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代，包括：以如下约束公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束迭代；其中，所述约束公式为：

这里，所述权重本征支持的半空间结构化约束以所述分类器的权重矩阵

综上，基于本公开实施例的可视化的数据分析方法，其可以综合利用二次设备在不同时间点的温度、电流和噪声数据，并结合深度学习和人工智能技术来监测和识别电力二次设备的异常情况，以保障电力系统的安全稳定运行。

图6示出根据本公开的实施例的可视化的数据分析系统100的框图。如图6所示，根据本公开实施例的可视化的数据分析系统100，包括：数据获取模块110，用于获取被监控二次设备在预定时间段内多个预定时间点的温度值、电流值和噪声值；特征向量提取模块120，用于从所述多个预定时间点的温度值、电流值和噪声值中提取上下文关联特征向量；以及，分析结果确定模块130，用于基于所述上下文关联特征向量，确定分析结果。

这里，本领域技术人员可以理解，上述可视化的数据分析系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的可视化的数据分析方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的可视化的数据分析系统100可以实现在各种无线终端中，例如具有可视化的数据分析算法的服务器等。在一种可能的实现方式中，根据本公开实施例的可视化的数据分析系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该可视化的数据分析系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该可视化的数据分析系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该可视化的数据分析系统100与该无线终端也可以是分立的设备，并且该可视化的数据分析系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7示出根据本公开的实施例的可视化的数据分析方法的应用场景图。如图7所示，在该应用场景中，首先，获取被监控二次设备在预定时间段内多个预定时间点的温度值（例如，图7中所示意的D1）、电流值（例如，图7中所示意的D2）和噪声值（例如，图7中所示意的D3），然后，将所述多个预定时间点的温度值、电流值和噪声值输入至部署有可视化的数据分析算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述可视化的数据分析算法对所述多个预定时间点的温度值、电流值和噪声值进行处理以得到用于表示被监控二次设备的运行状态是否正常的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。