一种LED灯阵控制方法、装置、存储介质及设备

技术领域

本发明涉及智能家居领域，尤其涉及一种LED灯阵控制方法、装置、存储介质及设备。

背景技术

随着人们生活水平的提高和科技的进步，LED灯阵越来越受到现代人的喜爱。LED灯阵采用LED光源技术，突破灯饰单点发光的传统，多点发光的创举能够轻松实现不同色温、不同亮度、不同发光部位的集成控制。

但是传统的LED灯阵通常采用预定的参数和固定的算法来控制LED灯阵的亮度、色彩和运动。这种方法的缺点是缺乏灵活性和创意性，无法满足用户的个性化控制需求。

发明内容

为了解决上述问题，本发明提供一种LED灯阵控制方法、装置、存储介质及设备，能够根据采集到的用户行为数据和环境状态实现个性化、智能化和实时化的LED灯阵控制。

本发明实施例提供一种LED灯阵控制方法，包括以下步骤：

采集用户的行为数据以及所述LED灯阵所处环境的状态参数；

采用预先训练的预处理模型对采集到的数据进行预处理；

采用预先训练的增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；

基于数据分析和特征提取的结果，采用预先训练得到的智能决策模型来确定LED灯阵的控制策略；

根据所述控制策略控制所述LED灯阵。

优选地，所述预处理过程包括：

对采集到的数据进行数据清洗，去除异常值、缺失值以及噪声；

将清洗后的数据进行归一化处理；

将归一化处理后的数据进行平滑处理。

作为一种优选方案，所述增强环境感知数据驱动特征提取模型预先训练过程具体包括：

获取训练数据集D＝{(x

定义特征提取模型F(x；θ)，F为网络模型，x为输入的特征向量，θ为网络参数；

构建多层神经网络，通过前向传播和反向传播的方式学习网络参数θ；

采用损失函数衡量所述特征提取模型的预测值与所述数据集中输出值之间的差距；

采用梯度下降优化算法使损失函数最小化，优化后网络参数θ，得到所述增强环境感知数据驱动特征提取模型。

进一步地，所述增强环境感知数据驱动特征提取模型包括环境感知提取模型以及行为特征提取模型。

优选地，所述智能决策模型中包括亮度调整模型、颜色调整模型以及运动方式调整模型。

优选地，所述亮度调整模型为A＝X

所述颜色调整模型为B＝X

所述运动方式调整模型为C＝X

其中，A、B及C分别为亮度值、颜色值和运动方式值，不同运动方式值对应不同的运动方式，X

作为一种优选方案，所述LED灯阵所处环境的状态参数包括环境光照强度、温度信息以及湿度信息。

本发明实施例提供一种LED灯阵控制装置，所述装置包括：

数据采集模块，用于采集用户的行为数据以及所述LED灯阵所处环境的状态参数；

预处理模块，用于采用预先训练的预处理模型对采集到的数据进行预处理；

特征提取模块，用于采用预先训练的增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；

策略计算模块，用于基于数据分析和特征提取的结果，采用预先训练得到的智能决策模型来确定LED灯阵的控制策略；

控制模块，用于根据所述控制策略控制所述LED灯阵。

优选地，所述预处理模块用于：

对采集到的数据进行数据清洗，去除异常值、缺失值以及噪声；

将清洗后的数据进行归一化处理；

将归一化处理后的数据进行平滑处理。

作为一种优选方案，所述增强环境感知数据驱动特征提取模型预先训练过程具体包括：

获取训练数据集D＝{(x

定义特征提取模型F(x；θ)，F为网络模型，x为输入的特征向量，θ为网络参数；

构建多层神经网络，通过前向传播和反向传播的方式学习网络参数θ；

采用损失函数衡量所述特征提取模型的预测值与所述数据集中输出值之间的差距；

采用梯度下降优化算法使损失函数最小化，优化后网络参数θ，得到所述增强环境感知数据驱动特征提取模型。

进一步地，所述增强环境感知数据驱动特征提取模型包括环境感知提取模型以及行为特征提取模型。

优选地，所述智能决策模型中包括亮度调整模型、颜色调整模型以及运动方式调整模型。

进一步地，所述亮度调整模型为A＝X

所述颜色调整模型为B＝X

所述运动方式调整模型为C＝X

其中，A、B及C分别为亮度值、颜色值和运动方式值，不同运动方式值对应不同的运动方式，X

优选地，所述LED灯阵所处环境的状态参数包括环境光照强度、温度信息以及湿度信息。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例中任意一项所述的LED灯阵控制方法。

本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的LED灯阵控制方法。

本发明提供的一种LED灯阵控制方法、装置、存储介质及设备，通过采集用户的行为数据以及所述LED灯阵所处环境的状态参数；采用预先训练的预处理模型对采集到的数据进行预处理；采用预先训练的增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；基于数据分析和特征提取的结果，采用预先训练得到的智能决策模型来确定LED灯阵的控制策略；根据所述控制策略控制所述LED灯阵。根据不同用户的需求和环境条件，实现个性化、智能化和实时的LED灯阵控制。

通过以上技术方案，可以实现个性化、智能化和实时化的LED灯阵控制，提供更好的照明体验和节能效果。本发明的LED灯阵控制方法、装置、存储介质及设备具有以下优点：

个性化照明：通过采集用户行为数据和环境状态，能够根据用户的位置、动作、光照需求等信息，制定适合个体用户的照明方案，满足用户的个性化照明需求。

智能化控制：采用自主创新的智能决策算法，综合考虑用户行为、环境状态和设备能力等因素，制定LED灯阵的控制策略，使得LED灯阵能够智能地调整亮度、颜色、模式等参数。

实时响应：LED灯阵控制系统能够实时采集和分析用户行为和环境状态数据，并根据数据分析结果及时调整LED灯阵的控制策略，使得LED灯阵能够快速响应用户的需求变化。

高效节能：通过智能化控制能够有效控制LED灯阵的亮度和功率，实现节能效果。同时，通过优化算法和灵活的决策模型能够最大程度上满足用户的照明需求，提高能源采用效率。

可扩展性：LED灯阵控制装置和设备可以通过增加或替换相应的模块和接口，实现对不同类型和规模的LED灯阵的控制，具备一定的灵活性和可扩展性。

综上所述，本发明提供的LED灯阵控制方法、装置、存储介质及设备能够实现个性化、智能化和实时化的LED灯阵控制，为用户提供更好的照明体验和节能效果。本发明具有创新性和实用性，具备广泛的应用前景。

附图说明

图1是本发明实施例提供的一种LED灯阵控制方法的流程示意图；

图2是本发明实施例提供的一种LED灯阵控制装置的结构示意图；

图3是本发明实施例提供的一种终端设备的结构示意图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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作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。

本发明实施例提供一种LED灯阵控制方法，参见图1，是本发明实施例提供的一种LED灯阵控制方法的流程示意图，所述方法步骤S1～S5：

S1、采集用户的行为数据以及所述LED灯阵所处环境的状态参数；

S2、采用预先训练的预处理模型对采集到的数据进行预处理；

S3、采用预先训练的增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；

S4、基于数据分析和特征提取的结果，采用预先训练得到的智能决策模型来确定LED灯阵的控制策略；

S5、根据所述控制策略控制所述LED灯阵。

在本实施例具体实施时，通过采集用户的行为数据以及LED灯阵所处环境的状态参数；采用自主创新的预处理模型对采集到的数据进行预处理；采用自主创新的LED-EEDFE增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；基于数据分析和特征提取的结果，采用自主创新的(LED-CID)智能决策模型来制定LED灯阵的控制策略；根据制定的控制策略，LED灯阵控制系统执行相应的控制命令。

本申请提供的方案能够，能够根据采集到的用户行为数据和环境状态实现个性化、智能化和实时化的LED灯阵控制。

在本发明提供的又一实施例中，所述预处理过程包括：

对采集到的数据进行数据清洗，去除异常值、缺失值以及噪声；

将清洗后的数据进行归一化处理；

将归一化处理后的数据进行平滑处理。

在本实施例具体实施时，采用创新的预处理模型的LED-DP函数对采集到的数据进行预处理。预处理的目的是减少噪声影响、归一化数据并降低数据复杂度。具体预处理的步骤包括数据清洗、数据标准化、数据平滑处理等。

LED-DP函数是一种旨在对采集到的数据进行预处理的创新函数。其主要目的是减少噪声影响、归一化数据并降低数据复杂度。具体实施步骤如下：

去除异常值、缺失值和噪声，减少噪声影响和保证数据的准确性。使用自主创新的去噪算法，其中denoised_value代表去噪后的值，P(x,y)代表某个数据点的值，weight是权重，mean是均值。去噪算法公式如下：denoised_value＝(P(x,y)*weight+mean*(1-weight))。

将清洗后的数据进行归一化处理，减少数据的复杂度并提高数据的可比性。使用自主创新的归一化算法，其中normalized_x代表归一化后的值，log_x代表某个数据点的值，min_log_x和max_log_x分别代表数据的最小值和最大值。归一化公式如下：normalized_x＝(log_x-min_log_x)/(max_log_x-min_log_x)。

对标准化后的数据进行平滑处理，消除数据中的突发波动和噪声，提高数据的平稳性和稳定性。

根据以上步骤，使用以下创新函数进行数据预处理。

def LED_DP(raw_data,weight,window_size):

denoised_data＝[]；

数据清洗：

mean＝np.mean(raw_data)；

for iin range(len(raw_data))；

denoised_value＝(raw_data[i]*weight+mean*(1-weight))；

denoised_data.append(denoised_value)；

数据标准化：

min_log_x＝np.min(np.log(denoised_data))；

max_log_x＝np.max(np.log(denoised_data))；

normalized_data＝[(np.log(x)-min_log_x)/(max_log_x-min_log_x)for x indenoised_data]；

数据平滑处理：

smoothed_data＝data_smoothing(normalized_data,window_size)；

return smoothed_data；

def data_smoothing(normalized_data,window_size)；

smoothed_data＝[]；

for iin range(len(normalized_data))；

lower＝max(0,i-window_size//2)；

upper＝min(len(normalized_data),i+window_size//2+1)；

smoothed_value＝np.mean(normalized_data[lower:upper])；

smoothed_data.append(smoothed_value)；

return smoothed_data；

上述实施步骤和创新函数的重点在于使用了自主创新的去噪和归一化算法，并提供了LED_DP函数来实现数据的预处理。

在本发明提供的又一实施例中，所述增强环境感知数据驱动特征提取模型预先训练过程具体包括：

获取训练数据集D＝{(x

定义特征提取模型F(x；θ)，F为网络模型，x为输入的特征向量，θ为网络参数；

构建多层神经网络，通过前向传播和反向传播的方式学习网络参数θ；

采用损失函数衡量所述特征提取模型的预测值与所述数据集中输出值之间的差距；

采用梯度下降优化算法使损失函数最小化，优化后网络参数θ，得到所述增强环境感知数据驱动特征提取模型。

在本实施例具体实施时，采用自主创新的LED-EEDFE增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取。

特征提取模型的算法如下：

设已有数据集为D＝{(x

定义特征提取模型为F(x；θ)，F为网络模型，x为输入的特征向量，θ为网络参数；

构建多层神经网络，通过前向传播和反向传播的方式学习网络参数θ。

最小化预测值F(x；θ)与真实值y之间的差距，使用损失函数来定义这个差距。

通过梯度下降等优化算法来更新网络参数θ，使得损失函数最小化。

得到训练好的所述增强环境感知数据驱动特征提取模型F*(x；θ)。

在数据预测阶段，将采集到的用户行为数据和所处环境状态参数输入到已训练好的特征提取模型中，提取行为特征。

预测函数的算法如下：

输入待预测的行为数据和所处环境状态参数，记为x

使用增强环境感知数据驱动特征提取模型F*(x；θ)提取行为特征，记为f

该模型创新地将用户行为数据和所处环境状态参数相结合，通过预训练的特征提取模型，可以在保证数据隐私性的前提下，采用用户行为数据和环境参数提取有用的行为特征。通过特征提取模型的训练和预测过程，可以获得对用户行为的深度理解和预测。

在本发明提供的又一实施例中，所述增强环境感知数据驱动特征提取模型包括环境感知提取模型以及行为特征提取模型。

在本实施例具体实施时，采用LED-LEARN算法进行训练：使用LED-LEARN算法对预处理后的数据进行训练，以实现行为识别和环境感知。在行为识别部分，使用监督学习方法，对预处理后的数据进行训练，得到行为识别模型的参数θ

在训练好的行为识别模型和环境感知模型上，提取与LED灯阵控制相关的特征。首先，采用行为识别模型F

定义特征预测函数的算法，根据增强环境感知数据驱动特征提取模型F*(x；θ)和新的输入数据x

使用以下函数来特征提取和预测算法。

def LED_EEDFE(preprocessed_data,training_data)；

使用LED-LEARN算法对预处理后的数据进行训练，实现行为识别和环境感知：

θ

θ

定义行为识别模型F

behavior_model＝custom_behavior_model(θ

定义环境感知模型F

environment_model＝custom_environment_model(θ

行为特征提取：

f

环境特征提取：

f

合并特征表示：

f

return f

def feature_prediction(x_new,model_parameters)；

特征预测函数的算法，根据增强环境感知数据驱动特征提取模型F*(x；θ)和新的输入数据x

f

return f

上述实施步骤和函数的创新之处在于使用了自主创新的LED-EEDFE增强环境感知数据驱动特征提取模型，并提供了LED_EEDFE函数来实现预处理后数据的特征提取。在LED_EEDFE函数中，首先使用LED-LEARN算法进行训练，得到行为识别和环境感知模型的参数。然后，分别采用行为识别模型和环境感知模型提取相应的特征表示。最后，将行为特征和环境特征进行合并，得到与LED灯阵控制相关的特征表示。

在本发明提供的又一实施例中，所述智能决策模型中包括亮度调整模型、颜色调整模型以及运动方式调整模型。

在本实施例具体实施时，基于数据分析和特征提取的结果，采用自主创新的LED-CID智能决策算法来制定LED灯阵的控制策略。根据用户的行为和环境的状态，决策算法可以自动调整LED灯阵的参数，如亮度、颜色和运动方式等。

根据用户行为和环境状态的权重，计算LED的亮度、颜色和运动方式的调整值，并将特征表示和LED灯阵参数一起返回，能够实现LED的亮度、颜色和运动方式的控制。

在本发明提供的又一实施例中，所述亮度调整模型为A＝X

所述颜色调整模型为B＝X

所述运动方式调整模型为C＝X

其中，A、B及C分别为亮度值、颜色值和运动方式值，不同运动方式值对应不同的运动方式，X

在本实施例具体实施时，定义LED-CID智能决策算法：根据自主创新设计LED-CID智能决策算法，根据特征提取的结果以及用户的行为和环境的状态，制定LED灯阵的控制策略。该算法需定义相关的权重值和参数：

LED亮度调整公式:亮度＝用户行为权重*用户行为+环境状态权重*环境状态；

LED颜色调整公式:颜色＝用户行为权重*用户行为+环境状态权重*环境状态；

LED运动方式调整公式:运动方式＝用户行为权重*用户行为+环境状态权重*环境状态。

即亮度调整模型为A＝X

所述颜色调整模型为B＝X

所述运动方式调整模型为C＝X

A、B及C分别为亮度值、颜色值和运动方式值，不同运动方式值对应不同的运动方式，X

LED-CID智能决策算法及LED灯阵控制参数的计算

user_behavior_weight＝0.5；

environment_status_weight＝0.5；

brightness＝user_behavior_weight*user_behavior+

environment_status_weight*environment_status；

color＝user_behavior_weight*user_behavior+environment_status_weight*environment_status；

motion＝user_behavior_weight*user_behavior+environment_status_weight*environment_status；

return f

上述实施步骤和函数的创新之处在于使用了自主创新的LED-EEDFE增强环境感知数据驱动特征提取模型，并提供了LED_EEDFE函数来实现预处理后数据的特征提取和LED灯阵控制策略的制定。在LED_EEDFE函数中，首先使用LED-LEARN算法进行训练，得到行为识别和环境感知模型的参数。然后，分别采用行为识别模型和环境感知模型提取相应的特征表示。最后，根据用户行为和环境状态的权重，计算LED的亮度、颜色和运动方式的调整值，并将特征表示和LED灯阵参数一起返回。

根据制定的控制策略，LED灯阵控制系统执行相应的控制命令。通过与LED灯阵的通信接口，将控制命令传递给LED灯阵控制模块，实现对LED灯阵的个性化、智能化和实时化控制。具体实施步骤如下：

设计LED灯阵控制命令：根据制定的控制策略，设计LED灯阵的控制命令。命令格式为“LED“+参数1+参数2+参数3，其中参数1表示亮度，参数2表示颜色，参数3表示运动方式。

与LED灯阵通信接口，通过与LED灯阵的通信接口，与LED灯阵控制模块建立通信连接。根据通信接口的协议规范，设置通信参数和通信方式，确保与LED灯阵的通信正确和稳定。

根据制定的控制策略，计算亮度控制命令：根据亮度控制的公式duty_cycle＝(desired_brightness/max_brightness)*100根据制定的控制策略和用户行为、环境状态等输入参数，计算出期望的亮度值。

根据制定的控制策略，计算颜色控制命令：颜色控制的公式：

r＝(desired_color[0]/max_color_value)*255；

g＝(desired_color[1]/max_color_value)*255；

b＝(desired_color[2]/max_color_value)*255；

根据制定的控制策略和用户行为、环境状态等输入参数，计算出期望的颜色值。

创建LED控制命令：根据LED灯阵控制命令的格式和指令，将亮度值和其他参数组合，创建LED灯阵的控制命令。

传递控制命令：通过与LED灯阵的通信接口，将LED控制命令传递给LED灯阵控制模块。确保命令的准确传输和可靠性，以实现对LED灯阵的个性化、智能化和实时化控制。

控制LED灯珠位置或旋转：根据控制命令中的运动方式参数，通过调节LED灯珠的位置或旋转来实现LED灯阵的运动控制。根据具体的设计和技术实现，采取相应的控制策略和方法。

监测LED灯阵状态和反馈信息：控制系统实时收集和监测LED灯阵的状态和反馈信息，如亮度、温度和功耗等。通过监测结果，确保LED灯阵工作的稳定性和安全性，并根据反馈信息对控制策略进行动态调整和优化。

与LED灯阵通信接口函数：

def LED_communication(command)；

与LED灯阵进行通信：

发送控制命令给LED灯阵：

获取LED灯阵的状态和反馈信息；

计算亮度控制命令：

desired_brightness＝compute_brightness(user_behavior,environment_status)；

max_brightness＝get_max_brightness()；

duty_cycle＝(desired_brightness/max_brightness)*100；

计算颜色控制命令：

desired_color＝compute_color(user_behavior,environment_status)；

max_color_value＝get_max_color_value()；

r＝(desired_color[0]/max_color_value)*255；

g＝(desired_color[1]/max_color_value)*255；

b＝(desired_color[2]/max_color_value)*255；

创建LED控制命令：

LED_command＝"LED"+str(duty_cycle)+str((int(r),int(g),int(b)))+str(motion)；

传递控制命令：

LED_communication(LED_command)；

此外，LED灯阵控制装置和设备还可以包括用户界面模块，用于与用户交互和显示LED灯阵的状态信息。用户界面模块可以包括显示屏、按钮、触摸屏等，用户可以通过用户界面模块设置LED灯阵的控制参数、选择照明模式等。用户界面模块与LED灯阵控制模块相互连接，实现用户与LED灯阵的交互。

为了实现更好的用户体验和能效优化，LED灯阵控制装置和设备还可以包括定位模块和能效优化模块。定位模块用于实时跟踪用户的位置信息，能效优化模块用于根据用户的位置和LED灯阵的布局信息，调整灯光亮度和颜色，实现局部化照明和节能优化。定位模块和能效优化模块与LED灯阵控制模块相互连接，实现定位数据和能效数据的传递和处理。

在本发明提供的又一实施例中，所述LED灯阵所处环境的状态参数包括环境光照强度、温度信息以及湿度信息。

在本实施例具体实施时，采集用户的行为数据和LED灯阵所处环境状态参数。通过使用传感器设备，如摄像头、运动传感器、光照传感器等，实时采集用户的位置、动作和光照需求等行为数据，同时采集LED灯阵所处环境光照强度、温度、湿度等状态参数。这个步骤具体实施如下：

根据需要，部署适当数量和类型的传感器设备，如摄像头、运动传感器、光照传感器等，以实时采集用户的行为数据和LED灯阵所处环境状态参数。传感器设备应布置在合适的位置，以覆盖所需区域。例如，摄像头应设置在能够捕捉到用户位置和动作的位置，光照传感器应放置在能够准确感知环境光照强度的位置。

通过已部署的传感器设备，实时采集用户的位置、动作和光照需求等行为数据，同时采集LED灯阵所处环境光照强度、温度、湿度等状态参数。传感器设备可以通过接口与控制系统连接，将采集到的数据传输到控制系统。

传感器设备通过接口将采集到的数据传输给控制系统。控制系统接收数据，并将其存储在适当的存储介质中，如本地数据库、云存储等。确保数据的安全性和完整性。

在这个步骤中，使用以下函数来采集和存储数据：

def data_collection()；

user_position＝get_user_position()；获取用户位置；

user_action＝get_user_action()；获取用户动作；

user_illumination_demand＝get_user_illumination_demand()；获取用户光照需求：

environment_illumination＝get_environment_illumination()；获取环境光照强度：

environment_temperature＝get_environment_temperature()；获取环境温度：

environment_humidity＝get_environment_humidity()；获取环境湿度：

data＝{"user_position":user_position,"user_action":

user_action,"user_illumination_demand":

user_illumination_demand,"environment_illumination":

environment_illumination,"environment_temperature":environment_temperature,

"environment_humidity":environment_humidity

}；

store_data(data)；存储数据；

通过部署传感器设备，实时采集用户的行为数据和LED灯阵所处环境状态参数，并使用相应的函数来进行数据采集和存储。这样可以为后续的LED灯阵控制提供准确的数据基础。

在本发明提供的又一实施例中，参见图2，是本发明实施例提供的一种LED灯阵控制装置的结构示意图，所述装置包括：

数据采集模块，用于采集用户的行为数据以及所述LED灯阵所处环境的状态参数；

预处理模块，用于采用预先训练的预处理模型对采集到的数据进行预处理；

特征提取模块，用于采用预先训练的增强环境感知数据驱动特征提取模型对预处理后的数据进行分析和特征提取；

策略计算模块，用于基于数据分析和特征提取的结果，采用预先训练得到的智能决策模型来确定LED灯阵的控制策略；

控制模块，用于根据所述控制策略控制所述LED灯阵。

需要说明的是，本发明实施例提供的所述LED灯阵控制装置能够执行上述实施例中任意实施例所述的LED灯阵控制方法，对LED灯阵控制装置的具体功能在此不作赘述。

参见图3，是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如LED灯阵程序。所述处理器执行所述计算机程序时实现上述各个LED灯阵控制方法实施例中的步骤，例如图1所示的步骤S1～S5。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能再次不作赘述。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。