一种基于数据增强模型的电池EIS数据增强方法及相关设备

技术领域

本发明涉及电池技术领域，特别涉及一种基于数据增强模型的电池EIS数据增强方法及相关设备。

背景技术

电化学阻抗谱（Electrochemical Impedance Spectroscopy，EIS)是一种用于表征电池内部电化学过程的测试方法。电池的阻抗谱EIS数据，由实部阻抗和虚部阻抗组成。电池健康度 (State of health，SOH) 下降过程中，活性材料减少，导电性变差，达会引起电池内阻增大，可以通过EIS曲线的参数变化反映出来，所以可以通过EIS测试得到的阻抗谱数据来预测电池SOH。

电化学阻抗谱数据可以用于分析、评估和优化电池性能。通过测量不同频率下的电池阻抗，可以获取关于电池内部特性的信息。然而，测试EIS数据需要使用专业的仪器设备，成本较高，测试数据的数量偏少，不足以作为预测模型的训练数据来准确地预测电池健康度等指标。

发明内容

本发明提供一种基于数据增强模型的电池EIS数据增强方法及相关设备，通过组合变分自编码器和生成对抗网络，生成了大量的符合预期的EIS增强数据，为其他预测模型增加了训练数据的数量，提高预测模型的泛化能力和鲁棒性，避免预测模型过拟合。

本发明的目的采用以下技术方案实现：

第一方面，本发明提供一种基于数据增强模型的电池EIS数据增强方法，所述数据增强模型包括变分自编码器和生成对抗网络，所述变分自编码器包括编码器和解码器，所述生成对抗网络包括生成器和判别器，所述变分自编码器的解码器为所述生成对抗网络的生成器，所述方法包括：

测试并采集电池的EIS真实数据；

将所述EIS真实数据输入至所述变分自编码器，以得到所述变分自编码器输出的EIS生成数据；

根据所述EIS生成数据和所述EIS真实数据，对所述数据增强模型进行训练；

基于训练好的所述数据增强模型，对所述EIS真实数据进行预测，以生成EIS增强数据。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，根据所述EIS生成数据和所述EIS真实数据，对所述数据增强模型进行训练的步骤，包括：

固定所述生成器的参数不变，训练所述判别器，将所述EIS生成数据和所述EIS真实数据一起输入至所述判别器，分别对所述EIS生成数据和所述EIS真实数据进行真伪判别，生成判别损失，反向传播所述判别损失并且更新所述判别器的参数；

固定所述判别器的参数不变，训练所述生成器，将所述生成器生成的所述EIS生成数据输入至所述判别器进行判别，根据所述判别器的实际输出和目标输出计算所述生成器的生成损失，反向传播所述生成损失并且更新所述生成器的参数；

迭代所述判别器和所述生成器的训练步骤，当训练达到设定的迭代次数或所述判别器的判别结果达到设定的阈值范围时，得到训练后的所述数据增强模型。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，所述变分自编码器还包括采样器；

将所述EIS真实数据输入至所述变分自编码器，以得到所述变分自编码器输出的EIS生成数据的步骤，包括：

所述编码器将所述EIS真实数据编码成潜在空间的分布；

将所述潜在空间的分布映射到高斯分布中，分别连接到均值和方差上；

所述采样器对所述高斯分布进行采样，生成潜在空间的采样样本；

所述解码器将所述采样样本映射回数据空间，生成与所述EIS真实数据分布相似的新数据，以作为所述EIS生成数据。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，所述变分自编码器的重构误差采用均方误差，所述变分自编码器的损失函数为均方误差与KL散度误差之和。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，所述变分自编码器的编码器和解码器、以及所述生成对抗网络的判别器均采用Transformer结构。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，所述Transformer结构的特征嵌入的维度为80，多头注意力机制的注意力头的个数的10，残差连接的步长为1。

根据本发明提供的一种基于数据增强模型的电池EIS数据增强方法，测试并采集电池的EIS真实数据的步骤，包括：

在设定的频率范围内按一定间隔选取多个频率点，采集每个所述频率点所对应的阻抗的实部数据和虚部数据，以作为所述EIS真实数据。

第二方面，本发明提供一种电子设备，所述电子设备包括：

一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上述任一种所述的基于数据增强模型的电池EIS数据增强方法的步骤。

第三方面，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/指令，所述计算机程序/指令被处理器执行时实现如上述任一种所述的基于数据增强模型的电池EIS数据增强方法的步骤。

第四方面，本发明提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如上述任一种所述的基于数据增强模型的电池EIS数据增强方法的步骤。

本发明提供的一种基于数据增强模型的电池EIS数据增强方法及相关设备，通过组合变分自编码器和生成对抗网络，将变分自编码器的解码器作为生成对抗网络的生成器，以形成数据增强模型，在进行EIS的数据增强时，将EIS真实数据作为输入数据，由生成器生成EIS生成数据，由判别器来判断EIS生成数据是否是有效的增强数据，以此对数据增强模型进行训练，直到判别器无法区分生成数据和真实数据为止，并基于训练好的数据增强模型，对EIS真实数据进行预测，以生成EIS增强数据。因此，本发明使用数据增强模型对EIS真实数据进行增强，生成了大量的符合预期的EIS增强数据，为其他预测模型增加了训练数据的数量，提高预测模型的泛化能力和鲁棒性，避免预测模型过拟合。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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实施方式。

图1是本发明实施例提供的数据增强模型的结构示意图；

图2是本发明实施例提供的基于数据增强模型的电池EIS数据增强方法的流程示意图；

图3是本发明实施例提供的基于数据增强模型进行EIS数据增强的逻辑处理示意图；

图4是本发明实施例提供的变分自编码器的结构示意图；

图5是本发明实施例提供的生成对抗网络的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

需要说明的是，本领域普通技术人员显式地和隐式地理解的是，本发明所描述的实施例在不冲突的情况下，可以与其它实施例相结合。除非另作定义，本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

在涉及方法步骤时，本文图示的先后顺序代表了一种示例性的方案，但不表示对先后顺序的限定。

变分自编码器（Variational Autoencoder，VAE），是一种生成模型，由编码器（Encoder）和解码器（Decoder）组成，它可以学习训练数据的潜在分布，可以通过对潜在分布中的采样来生成新的样本，同时保留原始数据的特征。

生成对抗网络（Generative Adversarial Networks，GAN）是一种生成模型，由生成器（Generator）和判别器（Discriminator）组成，其原理是通过两个相互对抗的网络模型来实现生成和判别的任务。

申请人发现，VAE模型和GAN模型都可以用于数据增强，通过生成大量的合成样本数据，为其他预测模型扩充训练数据的数量，提高该预测模型的泛化能力。但VAE和GAN模型都存在一定的缺点：

VAE模型的缺点包括：

（1）生成数据质量可能较差：VAE模型在生成数据时，可能会产生噪声较大的样本，这是因为VAE在优化过程中，倾向于平均化潜在空间的采样。

（2）基于均值和方差：VAE模型假设潜在空间中的数据服从均值和方差分布，这种假设可能会导致模型在某些情况下无法准确地捕捉数据分布的复杂性。

（3）模式塌陷：VAE模型容易出现“模式塌陷”问题，即生成器偏向于生成相似的样本，缺乏多样性和创造力。

GAN模型的缺点包括：

（1）不稳定性：GAN训练过程中存在不稳定性，可能导致生成器和判别器之间的失衡，难以实现理想的生成效果。

（2）模式崩溃：GAN在生成过程中容易出现“模式崩溃”，即生成器仅学习到训练数据中的一部分模式，并且无法生成其他模式。

（3）训练难度：GAN模型的训练比较困难，需要仔细调整超参数，同时对初始配置和网络架构非常敏感。

（4）缺乏数值稳定性：GAN中的相关概念，如Jensen-Shannon散度或KL散度，在数值上难以估计和优化。

由上可知，采用VAE模型和GAN模型并不能生成大量符合预期的合成样本数据，生成效果不佳，使得VAE模型和GAN模型在生成模型的应用中仍然具有一定的挑战性。因此，本发明提供一种基于数据增强模型的电池EIS数据增强方法及相关设备，通过组合VAE模型和GAN模型，即基于组合的VAE-GAN模型构建数据增强模型，可以在一定程度上弥补各自的缺点，达到更好的生成效果和性能。

参照图1所示，数据增强模型包括变分自编码器（VAE模型）和生成对抗网络（GAN模型），变分自编码器包括编码器Encoder和解码器Decoder，生成对抗网络包括生成器Generator和判别器Discriminator，变分自编码器的解码器Encoder为生成对抗网络的生成器Generator。其中，x表示输入数据，VAE模型通过编码器-解码器结构生成新的数据x

参照图2-3所示，该数据增强方法具体包括以下步骤：

步骤S1：测试并采集电池的EIS真实数据。

本实施例中，步骤S1具体包括：在设定的频率范围内按一定间隔选取多个频率点，采集每个频率点所对应的阻抗的实部数据和虚部数据，以作为EIS真实数据。

具体地，测试和采集电池电化学阻抗谱数据需要专业的阻抗谱测试仪器，在不同频率点测试电池的阻抗值和相位，记录频率响应数据，主要是测试阻抗的实部数据和虚部数据。使用电化学工作站配置频率扫描测试，覆盖一定的频率范围，频率范围可以设置为10

步骤S2：将EIS真实数据输入至变分自编码器，以得到变分自编码器输出的EIS生成数据。

本实施例中，步骤S2具体包括：

步骤S21：编码器将EIS真实数据编码成潜在空间的分布；

步骤S22：将潜在空间的分布映射到高斯分布中，分别连接到均值和方差上；

步骤S23：采样器对高斯分布进行采样，生成潜在空间的采样样本；

步骤S24：解码器将采样样本映射回数据空间，生成与EIS真实数据分布相似的新数据，以作为EIS生成数据。

具体地，参照图4所示，其中x表示输入数据，此处的输入数据就是阻抗谱EIS的实部数据和虚部数据；编码器Encoder将输入数据x映射到潜在空间的分布q(z|x)中；然后将潜在空间的分布映射到高斯分布

步骤S3：根据EIS生成数据和EIS真实数据，对数据增强模型进行训练。

本实施例中，基于keras平台搭建VAE-GAN模型。VAE模型的编码器和解码器、以及GAN模型的判别器均采用Transformer结构。

Transformer模型的主要结构和作用如下:

（1）位置编码（Positional Encoding）：为输入序列提供顺序信息，帮助Attention学习序列顺序特征。

（2）多头注意力(Multi-Head Attention)机制：该模块用于学习输入序列不同位置之间的相关性，得到输入的特征表示。

（3）前馈全连接网络(Feed Forward Network)：该模块对注意力机制模块输出再进行非线性转换，以学习更复杂的特征表示。

（4）残差连接和归一化层(Add & Norm)：残差连接Add用来避免深度网络中的梯度消失问题；Layer Norm用来正则化模型，加快训练速度，增加模型稳定性。

在Transformer模型中，位置编码、多头注意力、前馈全连接网络、残差连接和Layer Norm层之间的关系及协作机制详细介绍如下:

（1）位置编码为序列提供位置信息，表征输入在序列中的相对位置，输出与输入序列嵌入表示拼接在一起。

（2）多头注意力层接收位置编码后的输入，计算输入不同位置之间的相关性，学习输入的特征表示。

（3）前馈全连接网络对多头注意力的输出进行进一步转换，增加非线性，学习新的特征表示。

（4）残差连接将多头注意力和前馈全连接网络的输出特征传递给后续层，有利于梯度传播和特征学习。

（5）Layer Norm层对残差连接的输出进行正则化，加速网络收敛，稳定特征提取过程。

总之，这些模块协同工作，逐步学习输入的特征表示，支持序列转换任务。位置编码引入位置信息，多头注意力学习全局依赖，全连接网络增强特征，残差和正则化加速和稳定特征学习。

VAE模型包含输入数据和编码器(潜在分布)之间的Transformer连接层，输入数据的神经元个数为120，编码器的神经元个数为80；编码器分别与高斯分布的均值和方差之间的全连接层，神经元个数均为40；对高斯分布进行采样，加入服从

VAE模型的训练过程如下：

构建编码器Encoder和解码器Decoder；

编码器Encoder将输入数据x映射到潜在空间的分布q(z|x)中；

训练VAE模型，使编码器Decoder输出满足指定先验分布q(z|x) , 解码器尽可能重构原始输入，以生成与原始输入数据分布相似的新数据。

VAE模型中的重构误差为均方误差(Mean Square Error，MSE)，VAE模型的损失函数为均方误差与KL散度误差之和。

参照图5所示，GAN模型中的生成器Generator接收一个随机噪声向量作为输入，并生成伪造的样本数据。生成器的目标是生成逼真的样本，以欺骗判别器。判别器Discriminator接收真实样本和生成器生成的伪造样本，并将其分类为真实或伪造，判别器的目标是能够准确地区分真实样本和伪造样本。

GAN模型中的生成器就是VAE模型的解码器。GAN模型的判别器采用基于Transformer结构的分类模型。将EIS真实数据和EIS生成数据，作为判别器的输入，其中EIS真实数据作为正样本，EIS生成数据作为负样本，用于训练判别器。判别器采用交叉熵函数作为损失函数。

进一步地，本实施例采用1层的Transformer结构，其中，该结构中的参数d_model（表示特征嵌入embedding的维度）为80，num_heads（表示多头注意力机制的注意力头的个数）为10，dff（表示残差连接的步长）为1。

本实施例中，步骤S3具体包括：

步骤S31：固定生成器的参数不变，训练判别器，将EIS生成数据和EIS真实数据一起输入至判别器，分别对EIS生成数据和EIS真实数据进行真伪判别，生成判别损失，反向传播判别损失并且更新判别器的参数；

步骤S32：固定判别器的参数不变，训练生成器，将生成器生成的EIS生成数据输入至判别器进行判别，根据判别器的实际输出和目标输出计算生成器的生成损失，反向传播生成损失并且更新生成器的参数；

迭代判别器、变分自编码器和生成器的训练步骤，当训练达到设定的迭代次数或判别器的判别结果达到设定的阈值范围时，得到训练后的数据增强模型。

对步骤S31中的判别器、步骤S32中的生成器进行交替训练，每次交替训练，各步骤中的模型训练次数均为epoch=1，设定的迭代次数epoch_number=100。

在训练过程中，生成器和判别器相互对抗、不断优化，通过反复迭代来提高性能。生成器试图生成更逼真的样本，以欺骗判别器，而判别器则努力区分真实样本和伪造样本；同时计算判别器的预测值，如果判别器的预测值预设的阈值范围内（例如在0.5左右），或者模型训练的迭代次数达到设定的迭代次数，说明模型无法区分真实样本和生成样本，即生成样本达到预期的效果，可以作为增强数据来使用。

步骤S4：基于训练好的数据增强模型，对EIS真实数据进行预测，以生成EIS增强数据。

具体地，基于步骤S3中训练好的数据增强模型，对EIS真实数据或者随机生成的数据进行预测，得到EIS生成数据，同时，计算判别器的预测值，对于预测值在0.5左右的EIS生成数据，可以作为有效的EIS生成数据，即增强数据。

本实施例在公开的电池EIS数据集合上测试效果，对其中的阻抗数据进行增强。输入数据共有120个特征，特征序号依次是1至120，前60个特征是频率从高到低对应的阻抗数据的实部数据，后60个特征是频率从高到低对应的阻抗数据的虚部数据，如表1所示。

表1 电池EIS数据集合样例（部分）

其中，f1至f120表示EIS频率特征。

基于训练好的数据增强模型，对表1中真实的EIS数据进行增强，得到的增强数据如表2所示。

表2 用于预测电池SOH的电池EIS增强数据集合样例（部分）

从表中可知，生成每条增强数据，其VAE-GAN模型的判别器的预测值基本在0.569左右，说明生成的样本数据的效果较佳，可以用作预测电池健康度模型的训练数据。

因此，本发明VAE和GAN的组合模型作为数据增强模型，即VAE-GAN模型，融合了两个模型的优点，具有以下优点：

（1）改善样本质量：VAE-GAN模型继承了GAN的生成能力，能够生成更逼真和高质量的样本，相较于传统的VAE模型有更好的生成效果。

（2）学习潜在空间：VAE-GAN模型将VAE的潜在变量纳入到GAN的生成和判别中，通过学习潜在空间，使得模型可以更好地掌握数据的潜在结构和特征。

（3）可控生成：VAE-GAN模型通过潜在变量的调节，可以实现对生成样本的控制和操作，例如进行插值、干扰等，增强了生成模型的可控性。

（4）改善收敛性：VAE-GAN模型在训练过程中通过GAN的对抗性训练，可以提高模型的收敛性，减少训练过程中出现的模式塌陷问题。

综上所述，本发明实施例提供的一种基于数据增强模型的电池EIS数据增强方法，使用VAE-GAN组合模型能够结合VAE模型和GAN模型的优势，提高了生成样本的质量，以及潜在空间的学习和生成控制等方面的能力。使用该组合模型对EIS真实数据进行增强，生成了大量的符合预期的EIS增强数据，为其他预测模型增加了训练数据的数量，提高预测模型的泛化能力和鲁棒性，避免预测模型过拟合。这种组合模型在生成模型领域得到了广泛应用，为生成模型的发展带来了新的思路和方法。

此外，本申请一些实施例还提供了一种电子设备。所述电子设备可以是各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机等等。所述电子设备还可以是各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。

所述电子设备包括：一个或多个处理器；以及存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上述任意一个或多个实施例所提供的基于数据增强模型的电池EIS数据增强方法的步骤。图6公开了一种所述电子设备的示例性结构图。如图6所示，该电子设备包括：一个或多个处理器1101、存储器1102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在一些其它实施例中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器，或者多处理器系统）。其中，本文所示的部件、它们的连接和关系，以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

所述电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置1103可接收输入的数字或字符信息，以及产生与所述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD)、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

为了提供与用户的交互，所述电子设备可以为计算机。该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈，或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入，或者触觉输入）来接收来自用户的输入。

本申请实施例中，计算机可读介质上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述任意一个或多个实施例所提供的基于数据增强模型的电池EIS数据增强方法的步骤。该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令。

存储器1102可以作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，以实现本申请实施例中的上述任意一个或多个实施例所提供的方法对应的程序指令/模块。

存储器1102可以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、至少一个功能所需要的应用程序；存储数据区可存储根据所述电子设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件，或其他非瞬时固态存储器件。在一些实施例中，存储器1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至所述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

需要说明的是，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，Random AccessMemory）、只读存储器（ROM，Read-Only Memory）、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。在本申请中，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。

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（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。

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申请的操作的计算机程序代码，所述程序设计语言包括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）。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。例如，可采用专用集成电路（ASIC）、通用的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序（包括相关的数据结构）可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

本申请实施例提供的计算机程序产品包括一个或多个计算机程序/指令，该计算机程序/指令被处理器执行时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL)）或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD)，或者半导体介质（例如固态硬盘solid state disk(SSD)）等。

附图中的流程图或框图示出了按照本申请各种实施例的设备、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针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易提到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准，应将上述实施例看作是示范性的，而且是非限制性的。