基于迭代学习控制的跟踪处理方法、装置、设备和介质

技术领域

本公开的实施例涉及人工智能技术领域，具体地，涉及适用于一种基于迭代学习控制的跟踪处理方法、装置、设备和介质。

背景技术

随着现代科技的进步与发展，跟踪控制越来越受到人们的青睐，而迭代控制模拟人自主学习的原理，在给定的有限时间段内，利用以前的学习信息，通过迭代的方式，逐步实现对目标的精确跟踪。

迭代控制是一种循序渐进的重复过程，不断对工业系统过程进行优化处理，改善产品质量，也能够提高生产效率，使工作更加可靠。人们在研究工业机械手问题时提出了这样一个思想，不断重复一个同样轨迹的控制尝试，并以此修正控制律，可能可以得到非常好的控制效果。

迭代学习控制是人工智能与自动控制相结合的控制策略，通过记忆重复系统实际输出与期望轨迹的跟踪误差，时刻动态调整当前状态下的输入，达到不断改善跟踪精度的目的。迭代学习控制不需要精确的知道系统的模型和参数，近年来，随着工业技术的发展，切换系统广泛的出现在工程实际中，越来越受到人们的广泛关注，切换系统的迭代学习控制在电力、交通、调度等领域具有广泛的应用。

然而，现有迭代学习控制，难以实现目标的有效跟踪。

发明内容

本文中描述的实施例提供了一种基于迭代学习控制的跟踪处理方法、装置、设备和介质，克服了上述问题。

第一方面，根据本公开的内容，提供了一种基于迭代学习控制的跟踪处理方法，包括：

获取线性离散系统的参数模型，所述线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；

对所述线性离散系统的参数模型进行堆栈处理，得到所述线性离散系统的参数模型对应的对称学习增益模型，所述对称学习增益模型用于描述不同控制信号对应的多次迭代模型；

基于所述对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对所述对称学习增益模型进行优化处理，得到目标跟踪模型；

基于所述目标跟踪模型，对相应对象进行跟踪处理。

可选的，所述基于所述对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对所述对称学习增益模型进行优化处理，得到目标跟踪模型，包括：

设定预设跟踪目标；

基于所述对称学习增益模型，给定初始控制信号，并在跟踪所述预设跟踪目标的过程中采用预设迭代控制算法对所述对称学习增益模型进行迭代控制，得到递归控制序列；

基于所述递归控制序列中包含的所述预设跟踪目标的跟踪位置信息与所述预设跟踪目标的预设位置信息，采用所述预设迭代控制算法继续对所述对称学习增益模型进行迭代控制，直至所述递归控制序列中包含的所述跟踪目标的跟踪位置信息与所述预设位置信息相匹配，得到所述目标跟踪模型。

可选的，所述预设迭代控制算法中包括学习步长；

所述学习步长是基于学习因子的预设满足条件确定得出的；

所述学习因子的预设满足条件是基于系统脉冲响应矩阵和所述预设跟踪目标确定得出的。

可选的，所述获取线性离散系统的参数模型，包括：

获取预设线性系统，所述预设线性系统包括：线性离散单输入单输出系统或线性连续单输入单输出系统；

若所述预设线性系统为所述线性离散单输入单输出系统，则确定所述线性离散单输入单输出系统的参数模型，为所述线性离散系统的参数模型。

可选的，所述获取预设线性系统之后，还包括：

若所述预设线性系统为所述线性连续单输入单输出系统，则对所述线性连续单输入单输出系统进行离散采样，得到离散时间区间，以对所述线性连续单输入单输出系统进行离散处理，得到相应的线性离散单输入单输出系统；

确定所述相应的线性离散单输入单输出系统的参数模型，为所述线性离散系统的参数模型。

可选的，所述状态向量对应的参数子模型用于描述迭代次数、时间变量、第一维度矩阵、第一系统不确定项以及第一系统外界干扰项之间的关系；

所述系统输出变量对应的参数子模型用于描述第二维度矩阵、第二系统不确定项、第二系统外界干扰项以及所述状态向量对应的参数子模型之间的关系。

可选的，所述对称学习增益模型用于描述初始状态、系统脉冲响应矩阵、系统不确定矩阵、输入噪声、测量噪声以及输入信号之间的关系。

第二方面，根据本公开的内容，提供了一种基于迭代学习控制的跟踪处理装置，包括：

获取模块，用于获取线性离散系统的参数模型，所述线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；

处理模块，用于对所述线性离散系统的参数模型进行堆栈处理，得到所述线性离散系统的参数模型对应的对称学习增益模型，所述对称学习增益模型用于描述不同控制信号对应的多次迭代模型；

确定模块，用于基于所述对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对所述对称学习增益模型进行优化处理，得到目标跟踪模型；

跟踪模块，用于基于所述目标跟踪模型，对相应对象进行跟踪处理。

可选的，确定模块，具体用于：

设定预设跟踪目标；基于对称学习增益模型，给定初始控制信号，并在跟踪预设跟踪目标的过程中采用预设迭代控制算法对对称学习增益模型进行迭代控制，得到递归控制序列；基于递归控制序列中包含的预设跟踪目标的跟踪位置信息与预设跟踪目标的预设位置信息，采用预设迭代控制算法继续对对称学习增益模型进行迭代控制，直至递归控制序列中包含的跟踪目标的跟踪位置信息与预设位置信息相匹配，得到目标跟踪模型。

可选的，预设迭代控制算法中包括学习步长；学习步长是基于学习因子的预设满足条件确定得出的；学习因子的预设满足条件是基于系统脉冲响应矩阵和预设跟踪目标确定得出的。

可选的，获取模块，具体用于：

获取预设线性系统，预设线性系统包括：线性离散单输入单输出系统或线性连续单输入单输出系统；若预设线性系统为线性离散单输入单输出系统，则确定线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

可选的，获取模块，具体用于：

若预设线性系统为线性连续单输入单输出系统，则对线性连续单输入单输出系统进行离散采样，得到离散时间区间，以对线性连续单输入单输出系统进行离散处理，得到相应的线性离散单输入单输出系统；确定相应的线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

可选的，状态向量对应的参数子模型用于描述迭代次数、时间变量、第一维度矩阵、第一系统不确定项以及第一系统外界干扰项之间的关系；系统输出变量对应的参数子模型用于描述第二维度矩阵、第二系统不确定项、第二系统外界干扰项以及状态向量对应的参数子模型之间的关系。

可选的，对称学习增益模型用于描述初始状态、系统脉冲响应矩阵、系统不确定矩阵、输入噪声、测量噪声以及输入信号之间的关系。

第三方面，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如以上任意一个实施例中基于迭代学习控制的跟踪处理方法的步骤。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如以上任意一个实施例中基于迭代学习控制的跟踪处理方法的步骤。

本申请实施例提供的基于迭代学习控制的跟踪处理方法，获取线性离散系统的参数模型，线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；对线性离散系统的参数模型进行堆栈处理，得到线性离散系统的参数模型对应的对称学习增益模型，对称学习增益模型用于描述不同控制信号对应的多次迭代模型；基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型；基于目标跟踪模型，对相应对象进行跟踪处理。如此，通过设置合适的对称学习增益模型，有效实现对象跟踪，便于提高重复运作的产业的性能。

上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的附图进行简要说明，应当知道，以下描述的附图仅仅涉及本公开的一些实施例，而非对本公开的限制，其中：

图1是本公开实施例提供的一种基于迭代学习控制的跟踪处理方法的流程示意图。

图2A是本公开实施例提供的一种迭代学习控制系统的工作示意图。

图2B-2F是本公开提供的一种仿真结果图。

图2G是本公开提供的一种有模型不确定性时系统跟踪效果图。

图2H是本公开提供的一种有外界干扰时学习效果图。

图2I是本公开提供的一种有外界干扰时误差曲线示意图。

图2J是本公开提供的一种有界无干扰条件下sup{||e

图2K是本公开提供的一种有外界干扰时系统的跟踪效果图。

图3是本公开实施例提供的一种基于迭代学习控制的跟踪处理装置的结构示意图。

图4是本公开实施例提供的一种计算机设备的结构示意图。

需要注意的是，附图中的元素是示意性的，没有按比例绘制。

具体实施方式

为了使本公开的实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本公开的实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域技术人员在无需创造性劳动的前提下所获得的所有其它实施例，也都属于本公开保护的范围。

除非另外定义，否则在此使用的所有术语(包括技术和科学术语)具有与本公开主题所属领域的技术人员所通常理解的相同含义。进一步将理解的是，诸如在通常使用的词典中定义的那些的术语应解释为具有与说明书上下文和相关技术中它们的含义一致的含义，并且将不以理想化或过于正式的形式来解释，除非在此另外明确定义。如在此所使用的，将两个或更多部分“连接”或“耦接”到一起的陈述应指这些部分直接结合到一起或通过一个或多个中间部件结合。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语“实施例”并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：存在A，同时存在A和B，存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。诸如“第一”和“第二”的术语仅用于将一个部件(或部件的一部分)与另一个部件(或部件的另一部分)区分开。

在本申请的描述中，除非另有说明，“多个”的含义是指两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

图1是本公开实施例提供的一种基于迭代学习控制的跟踪处理方法的流程示意图，如图1所示，基于迭代学习控制的跟踪处理方法的具体过程包括：

S110、获取线性离散系统的参数模型。

其中，线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型。

可针对线性离散系统，定义如下参数：迭代次数k，时间区间Ω＝{0,1,2,…N-1},N∈Z

一些实施例中，状态向量对应的参数子模型用于描述迭代次数、时间变量、第一维度矩阵、第一系统不确定项以及第一系统外界干扰项之间的关系；系统输出变量对应的参数子模型用于描述第二维度矩阵、第二系统不确定项、第二系统外界干扰项以及状态向量对应的参数子模型之间的关系。

状态向量对应的参数子模型和系统输出变量对应的参数子模型如公式(1)所示。

公式(1)中，x

一些实施例中，获取线性离散系统的参数模型，包括：

获取预设线性系统，预设线性系统包括：线性离散单输入单输出系统或线性连续单输入单输出系统；若预设线性系统为线性离散单输入单输出系统，则确定线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

若预设线性系统为线性连续单输入单输出系统，则对线性连续单输入单输出系统进行离散采样，得到离散时间区间，以对线性连续单输入单输出系统进行离散处理，得到相应的线性离散单输入单输出系统；确定相应的线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

其中，在预设线性系统为线性连续单输入单输出系统，通过采样技术得到对应的离散系统，根据步长，将连续的时间区间划分为N个采样时刻，得到离散的时间区间Ω。

S120、对线性离散系统的参数模型进行堆栈处理，得到线性离散系统的参数模型对应的对称学习增益模型。

其中，对称学习增益模型用于描述不同控制信号对应的多次迭代模型，对称学习增益模型可以对称学习增益矩阵的形式体现。

一些实施例中，对称学习增益模型用于描述初始状态、系统脉冲响应矩阵、系统不确定矩阵、输入噪声、测量噪声以及输入信号之间的关系。

对称学习增益模型如公式(2)所示。

公式(2)中，省略t的量分别是公式(1)中的量堆栈成的超向量，G和△G均为下三角矩阵，G表示系统脉冲响应矩阵，用于描述和初始状态v相关的固定向量，△G表示系统不确定矩阵。

△G和G结构类似。

S130、基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型。

其中，通过预设迭代控制算法可得到一个递归控制序列，使得在其控制下输出随着迭代次数的增加，被控系统的输出可以逐渐跟踪到目标轨线(跟踪目标)的某个邻域内。

一些实施例中，基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型，包括：

设定预设跟踪目标；基于对称学习增益模型，给定初始控制信号，并在跟踪预设跟踪目标的过程中采用预设迭代控制算法对对称学习增益模型进行迭代控制，得到递归控制序列；基于递归控制序列中包含的预设跟踪目标的跟踪位置信息与预设跟踪目标的预设位置信息，采用预设迭代控制算法继续对对称学习增益模型进行迭代控制，直至递归控制序列中包含的跟踪目标的跟踪位置信息与预设位置信息相匹配，得到目标跟踪模型。

其中，设定预设跟踪目标如公式(3)所示。

公式(3)中，T为充分小的阈值。e

一些实施例中，预设迭代控制算法中包括学习步长；学习步长是基于学习因子的预设满足条件确定得出的；学习因子的预设满足条件是基于系统脉冲响应矩阵和预设跟踪目标确定得出的。

其中，预设迭代控制算法如公式(4)所示。

u

公式(4)中，β学习步长，I表示单位矩阵，G为下三角托普利兹矩阵，其元素是系统的马尔科夫参数。

在G已经辨识的情况下，学习步长需要线下设计，其取值采用凸优化技术，其设计目标是，保证学习因子ρ[(I-βG

举例而言，假设矩阵G已辨识；假设初始控制信号u

另外，假设初始状态为0，则v是零向量，假设初始控制信号也是0，构建脉冲响应矩阵G，假定系统不确定矩阵△G有界，估计出不确定矩阵范数取值范围，设外界干扰ξ

S140、基于目标跟踪模型，对相应对象进行跟踪处理。

本实施例中，获取线性离散系统的参数模型，线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；对线性离散系统的参数模型进行堆栈处理，得到线性离散系统的参数模型对应的对称学习增益模型，对称学习增益模型用于描述不同控制信号对应的多次迭代模型；基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型；基于目标跟踪模型，对相应对象进行跟踪处理。如此，通过设置合适的对称学习增益模型，有效实现对象跟踪，便于提高重复运作的产业的性能。

本实施例基于对称学习增益矩阵和适当的学习步长，强化控制算法，如图2A所示，根据被控系统，定义时间、状态、输入、输出、误差、系统不确定性和噪声，并将这些量写成超限量形式；根据压缩映像原理，确定对称学习增益矩阵，设计迭代学习控制算法，计算学习因子；在学习因子小于1的条件下，进一步通过改进学习增益矩阵，设计加强的迭代学习控制算法，提高系统的跟踪速度和鲁棒性。解决了在系统动态学已辨识的情况下，借助压缩映像原理，设计可以提高算法收敛速度和鲁棒性的迭代学习控制策略。

本实施例为了提升控制系统的跟踪性能，设计了一种加强型迭代学习控制算法，主要通过设计合适的学习增益矩阵，降低学习算法的学习因子，从而提高其收敛性和鲁棒性，同时设计了一套数值仿真验证控制策略的可行性和有效性。

设y

针对控制策略，任意选取一个初始控制信号u

学习步长β的取值范围是0＜β＜2/λ

当被控对象无不确定项和外界干扰，则实施例算法可以以较快的速度收敛，即系统输出以较快的速度精确跟踪到目标轨线y

本实施例的算法收敛的理论基础是压缩映像原理，即根据误差递归关系，在没有系统不确定项和外界干扰的条件下，由e

鲁邦单调收敛性的定义：一个迭代学习控制算法是关于范数“||·||2”和模型不确定性是鲁邦单调收敛的是指，任意选取某一范围内的不确定性和任意初始控制信号，由控制算法得到的||e

当控制策略的学习步长β的取值范围为0＜β＜2/λ

当控制策略的学习步长β的取值范围为0＜β＜2/λ

虽然本实施例主要针对一类离散线性时不变系统提出了RGILC算法，但通过线性化可以推测，算法也适用于一些类似的半线性或非线性系统。此外，随着计算机科学技术的发展，假设采样时间间隔合理，利用离散采样数据也可以本实施例的算法进行处理。

为了凸显本发明的算法的优越性，实施过程和现有的GILC控制算法(u

系统的动态学信息如下：

时间区间为S＝{0,1,2,…,20}。

可以算出，λmax(GG

ΔA、ΔB、ΔC是由充分小的随机变量构成的具有适当维数的矩阵，输出和输入干扰ξ

目标轨线为y

跟踪误差用向量2-范数度量。为了验证本实施例控制策略的有效性，首先展示算法的收敛性态，其次与现有的同列算法在同类条件下进行比较。

当模型不确定性和外界干扰都不存在的情况下，仿真结果如图2B-2F所示。

由图2B可以看出，RGILC算法的跟踪误差比GILC算法(5)收敛的速度快。图2C比较了RGILC方案和GILC算法所消耗的20个测试的CPU时间。实验在Intel(R)Core(TM)i5-3210MCPU@2.5GHz Matlab R2008a环境下进行。显然，RGILC算法的时间消耗要小于GILC方案的时间消耗。

图2D展示RGILC算法在第3、8、13次迭代时的控制信号，而图2E展示的是在该算法控制下，被控系统的跟踪性效果。可以看出，当模型没有不确定性和外部噪声的情况下，由RGILC算法驱动的系统可以随着迭代次数的增加而精确地跟踪期望轨迹。

当模型不确定性存在时，设ΔA＝0.5rand(3,3)，ΔB＝0.5rand(3,1)，ΔC＝0.5rand(1,3)。在此基础上，可以构建ΔH，并估计||ΔH||

图2F是RGILC算法和GILC算法生成的跟踪误差比较曲线。结果表明，当系统受到相同的模型不确定性的扰动时，RGILC算法的收敛速度要快于GILC算法。图2G是在RGILC算法控制下系统的跟踪性能。结果表明，随着迭代次数的增大，被控系统的输出轨线渐近跟踪期望轨迹。

当系统受到外部有界噪声干扰时，假设负载噪声向量为ξ

图2H显示了外部噪声的联合效应，图2I为外界噪声干扰情况下RGIL生成的跟踪误差曲线。可以看出，当迭代次数超过10时，误差2范数开始小于0.5，说明在当有外界干扰情况下，在RGIL算法控制下，可以跟踪目标轨线到某个邻域。

RGILC控制算法和GILC控制算法下系统的跟踪误差收敛性比较如2J所示，可以看出，在相同的干扰下，RGILC控制算法驱动下系统的跟踪精度更高。

第3、8、13次试验时由RGILC驱动的系统输出如图2K所示。结果表明，虽然存在外部噪声，但只要干扰被限制在一个可接受的范围内，跟踪性能仍然满足要求。

图3为本实施例提供的一种基于迭代学习控制的跟踪处理装置的结构示意图，其中，基于迭代学习控制的跟踪处理装置可包括：获取模块310、处理模块320、确定模块330和跟踪模块340。

获取模块310，用于获取线性离散系统的参数模型，线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型。

处理模块320，用于对线性离散系统的参数模型进行堆栈处理，得到线性离散系统的参数模型对应的对称学习增益模型，对称学习增益模型用于描述不同控制信号对应的多次迭代模型。

确定模块330，用于基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型。

跟踪模块340，用于基于目标跟踪模型，对相应对象进行跟踪处理。

在本实施例中，可选的，确定模块330，具体用于：

设定预设跟踪目标；基于对称学习增益模型，给定初始控制信号，并在跟踪预设跟踪目标的过程中采用预设迭代控制算法对对称学习增益模型进行迭代控制，得到递归控制序列；基于递归控制序列中包含的预设跟踪目标的跟踪位置信息与预设跟踪目标的预设位置信息，采用预设迭代控制算法继续对对称学习增益模型进行迭代控制，直至递归控制序列中包含的跟踪目标的跟踪位置信息与预设位置信息相匹配，得到目标跟踪模型。

在本实施例中，可选的，预设迭代控制算法中包括学习步长；学习步长是基于学习因子的预设满足条件确定得出的；学习因子的预设满足条件是基于系统脉冲响应矩阵和预设跟踪目标确定得出的。

在本实施例中，可选的，获取模块310，具体用于：

获取预设线性系统，预设线性系统包括：线性离散单输入单输出系统或线性连续单输入单输出系统；若预设线性系统为线性离散单输入单输出系统，则确定线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

在本实施例中，可选的，获取模块310，具体用于：

若预设线性系统为线性连续单输入单输出系统，则对线性连续单输入单输出系统进行离散采样，得到离散时间区间，以对线性连续单输入单输出系统进行离散处理，得到相应的线性离散单输入单输出系统；确定相应的线性离散单输入单输出系统的参数模型，为线性离散系统的参数模型。

在本实施例中，可选的，状态向量对应的参数子模型用于描述迭代次数、时间变量、第一维度矩阵、第一系统不确定项以及第一系统外界干扰项之间的关系；系统输出变量对应的参数子模型用于描述第二维度矩阵、第二系统不确定项、第二系统外界干扰项以及状态向量对应的参数子模型之间的关系。

在本实施例中，可选的，对称学习增益模型用于描述初始状态、系统脉冲响应矩阵、系统不确定矩阵、输入噪声、测量噪声以及输入信号之间的关系。

本公开提供的基于迭代学习控制的跟踪处理装置，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本公开此处不再赘述。

本申请实施例还提供了一种计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

计算机设备包括通过系统总线相互通信连接存储器410和处理器420。需要指出的是，图中仅示出了具有存储器410和处理器420的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field-Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

计算机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。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

存储器410至少包括一种类型的可读存储介质，可读存储介质包括非易失性存储器(non-volatile memory)或易失性存储器，例如，闪存(flash memory)、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦写可编程只读存储器(erasable programmableread-only memory，EPROM)、电可擦写可编程只读存储器(electrically erasableprogrammable read-only memory，EEPROM)、可编程只读存储器(programmable read-onlymemory，PROM)、磁性存储器、磁盘、光盘等，RAM可以包括静态RAM或动态RAM。在一些实施例中，存储器410可以是计算机设备的内部存储单元，例如，该计算机设备的硬盘或内存。在另一些实施例中，存储器410也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡或闪存卡(Flash Card)等。当然，存储器410还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器410通常用于存储安装于计算机设备的操作系统和各类应用软件，例如上述方法的程序代码等。此外，存储器410还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器420通常用于执行计算机设备的总体操作。本实施例中，存储器410用于存储程序代码或指令，程序代码包括计算机操作指令，处理器420用于执行存储器410存储的程序代码或指令或者处理数据，例如运行上述方法的程序代码。

本文中，总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该总线系统可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本申请的另一实施例还提供一种计算机可读介质，计算机可读介质可以是计算机可读信号介质或者计算机可读介质。计算机中的处理器读取存储在计算机可读介质中的计算机可读程序代码，使得处理器能够执行在上述方法中每个步骤、或各步骤的组合中规定的功能动作；生成实施在框图的每一块、或各块的组合中规定的功能动作的装置。

计算机可读介质包含但不限于电子、磁性、光学、电磁、红外的存储器或半导体系统、设备或者装置，或者前述的任意适当组合，存储器用于存储程序代码或指令，程序代码包括计算机操作指令，处理器用于执行存储器存储的上述方法的程序代码或指令。

存储器和处理器的定义，可以参考前述计算机设备实施例的描述，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

在本申请各个实施例中的各功能单元或模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。本申请描述的“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了装置若干的单元权利要求中，这些装置中的若干个单元可以是通过同一个硬件项来具体体现。第一、第二、以及第三等的使用不表示任何顺序，可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。