基于模型应用画像的多模型融合方法及装置

技术领域

本发明涉及模型集成技术领域，具体涉及一种基于模型应用画像的多模型融合方法及装置。

背景技术

近年来，模型集成已广泛应用在图像分割、分类、检测等领域。模型集成是对多个基础模型在应用数据上的所有预测结果进行融合，形成最终结果，目标是使最终的结果能够“取长补短”，通过融合各个模型的学习能力，提高最终模型的泛化能力。

目前，模型融合主要采用bagging，boosting和stacking三类通用框架，bagging是投票式算法，首先使用Bootstrap产生不同的训练数据集，然后再分别基于这些训练数据集得到多个基础分类器，最后通过对基础分类器的分类结果进行组合得到一个相对更优的预测模型。

boosting是一种可以用来减小监督式学习中偏差的机器学习算法，是一种框架算法，主要是通过对样本集的操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的基分类器。可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于Boosting框架中，通过Boosting框架对训练样本集的操作，得到不同的训练样本子集，用该样本子集去训练生成基分类器；每得到一个样本集就用该基分类算法在该样本集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后Boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器，在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率。在产生单个的基分类器时可用相同的分类算法，也可用不同的分类算法，这些算法一般是不稳定的弱分类算法，如神经网络(BP)，决策树(C4.5)等。

Stacking是常见的集成学习框架。Stacking就是当用初始训练数据学习出若干个基学习器后，将这几个学习器的预测结果作为新的训练集，来学习一个新的学习器。Stacking的基础层通常包括不同的学习算法，因此stacking ensemble往往是异构的。一般来说，就是训练一个多层(一般是两层)的学习器结构，第一层(也叫学习层)用n个不同的分类器(或者参数不同的模型)将得到预测结果合并为新的特征集，并作为下一层分类器的输入。

现有技术中的模型融合方法在模型融合时没有考虑各基础模型在新的数据分布和小样本数据应用上的预测能力，无法根据模型在不同应用数据分布上的特性，对预测结果进行动态加权和个性化融合定制。

发明内容

根据本发明所提供的基于模型应用画像的多模型融合方法及装置，可以根据基础模型应用画像，结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。该方法能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，以更好地满足实际应用需求。

为了实现上述目的，本发明提供了一种基于模型应用画像的多模型融合方法，包括：

抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，所述抽取所述多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像，包括：

抽取所述多个基础模型的性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数；

根据所述性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数生成多个基础模型各自对应的应用画像。

一实施例中，所述根据应用数据以及多个应用画像对所述多个基础模型进行筛选，包括：

确定所述应用数据的分布差异；

根据所述分布差异以及所述多个应用画像确定所述多个基础模型各自对应的性能参数以及预测精度；

根据所述性能参数、预设的性能参数阈值、预测精度以及预设的预测精度阈值对所述多个基础模型进行筛选。

一实施例中，所述根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合，包括：

利用多级随机抽样方法，根据筛选后的多个基础模型生成多个融合子模型；

对所述多个融合子模型的预测结果进行聚类；

根据聚类后的预测结果以及多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，基于模型应用画像的多模型融合方法还包括：

根据多个算法以及训练数据生成所述多个算法各自对应的基础模型。

第二方面，本发明提供一种基于模型应用画像的多模型融合装置，该装置包括：

特征数据抽取模块，用于抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

基础模型筛选模块，用于根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

基础模型融合模块，用于根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，所述特征数据抽取模块包括：

参数抽取单元，用于抽取所述多个基础模型的性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数；

画像生成单元，用于根据所述性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数生成多个基础模型各自对应的应用画像。

一实施例中，所述基础模型筛选模块包括：

分布差异确定单元，用于确定所述应用数据的分布差异；

参数确定单元，用于根据所述分布差异以及所述多个应用画像确定所述多个基础模型各自对应的性能参数以及预测精度；

基础模型筛选单元，用于根据所述性能参数、预设的性能参数阈值、预测精度以及预设的预测精度阈值对所述多个基础模型进行筛选。

一实施例中，所述基础模型融合模块包括：

子模型生成单元，用于利用多级随机抽样方法，根据筛选后的多个基础模型生成多个融合子模型；

结果聚类单元，用于对所述多个融合子模型的预测结果进行聚类；

基础模型融合单元，用于根据聚类后的预测结果以及多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，基于模型应用画像的多模型融合装置还包括：

基础模型生成模块，用于根据多个算法以及训练数据生成所述多个算法各自对应的基础模型。

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，处理器执行程序时实现基于模型应用画像的多模型融合方法的步骤。

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基于模型应用画像的多模型融合方法的步骤。

从上述描述可知，本发明实施例提供的基于模型应用画像的多模型融合方法及装置，首先抽取多个基础模型的特征数据，以生成多个基础模型各自对应的应用画像；接着，根据应用数据以及多个应用画像对多个基础模型进行筛选；最后根据筛选后的多个基础模型针对应用数据的预测结果分布差异对多个基础模型进行融合。本发明根据基础模型应用画像，并结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。本发明能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，满足实际应用需求。

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为本发明实施例中提供的基于模型应用画像的多模型融合方法的流程示意图一；

图2为本发明实施例中步骤100的流程示意图；

图3为本发明实施例中步骤200的流程示意图；

图4为本发明实施例中步骤300的流程示意图；

图5为本发明实施例中提供的基于模型应用画像的多模型融合方法的流程示意图二；

图6为本发明具体应用实例中提供的基于模型应用画像的多模型融合方法的流程示意图；

图7为本发明具体应用实例中提供的基于模型应用画像的多模型融合方法的思维导图；

图8为本发明实施例中针基于模型应用画像的多模型融合装置的结构示意图一；

图9为本发明实施例中特征数据抽取模块10的结构示意图；

图10为本发明实施例中基础模型筛选模块20的结构示意图；

图11为本发明实施例中基础模型融合模块30的结构示意图；

图12为本发明实施例中针基于模型应用画像的多模型融合装置的结构示意图二；

图13为本发明的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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明的实施例提供一种基于模型应用画像的多模型融合方法的具体实施方式，参见图1，该方法具体包括如下内容：

步骤100：抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像。

可以理解的是，步骤100中的应用画像是指从基础模型抽象出的信息全貌的手段，步骤100在实施时，深度分析各基础模型的评测结果，从性能、总体预测精度、新数据预测精度、小样本数据预测精度多维度动态生成基础模型应用画像。

步骤200：根据应用数据以及多个应用画像对所述多个基础模型进行筛选。

筛选的原则有两个：一是删除性能不满足任务需求的基础模型；二是删除预测精度低于预定义阈值的模型。

步骤300：根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

模型融合是指训练多个模型，然后按照一定的方法集成多个模型，如果各个模型是同质的，比如都是线性回归，或都是决策树，就称为base learner。如果用来融合的模型是异质的，比如一个决策树和一个神经网络融合，就称为component learner。神经网络模型是非凸的，存在很多的局部最优点，所以可以通过多个模型的融合，取多个初始值，获得更逼近全局最优的解。

融合模型分为四种类型(包括混合型)：

Bagging：使用随机选择的不同数据子集训练多个基础模型，并进行替换。让基础模型对最终的预测进行投票。常用于随机森林算法(RandomForests)；

Boosting：迭代地训练模型，并且在每次迭代之后更新获得每个训练示例的重要程度。常用于梯度增强算法(GradientBoosting)；

Blending：训练许多不同类型的基础模型，并在一个holdout set上进行预测。从它们的预测结果中再训练一个新的模型，并在测试集上进行预测(用一个holdout set堆叠)；

Stacking：训练多种不同类型的基础模型，并对数据集的k-folds进行预测。从它们的预测结果中再训练一个新的模型，并在测试集上进行预测；

从上述描述可知，本发明实施例提供的基于模型应用画像的多模型融合方法，首先抽取多个基础模型的特征数据，以生成多个基础模型各自对应的应用画像；接着，根据应用数据以及多个应用画像对多个基础模型进行筛选；最后根据筛选后的多个基础模型针对应用数据的预测结果分布差异对多个基础模型进行融合。本发明根据基础模型应用画像，并结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。本发明能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，满足实际应用需求。

一实施例中，参见图2，步骤100包括：

步骤101：抽取所述多个基础模型的性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数；

基础模型应用画像：＝{性能评分，权威性评分，总体预测能力，新样本分布泛化能力，小样本数据预测能力}

性能评估参数：对各基础模型进行训练速度、推理速度、收敛情况等多维度性能评估排序，并按排序名次进行性能打分Score(ranking)，优选地，还需要对训练速度(train)、推理速度(inference)以及收敛情况(loss)进行评估排序。

模型的性能评分Score_Performance定义如下：

Score_Performance＝α1×Score(train)+β1×Score(inference)+γ1×Score(loss)；

其中，α1,β1,γ1为预定义权重。

权威性评估：评估模型的总体预测能力、新数据分布预测能力、小样本数据预测能力，在此基础上计算基础模型的权威性。

总体预测能力(Acc_All):以文本分析为例，评估预测结果的准确度、精确率、召回率等质量评估指标

新样本分布泛化能力(Acc_New):新分布样例的预测精度。测试样例S与训练集分布T的差异D

小样本数据预测能力(Acc_Few):小样本数据子集中的测试数据预测精度。比如，文本分类中，如果类别Ci的训练样本数目小于n时(n<＝20)，则Ci属于小样本类别.

模型的权威性评分(Authority)：

Authority＝α2×Score(Acc_All)+β2×Score(Acc_New)+γ2×Score(Acc_Few)；

其中，α2，β2，γ2是预先定义权重。

步骤102：根据所述性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数生成多个基础模型各自对应的应用画像。

具体地，深度分析各基础模型的评测结果，从性能、总体预测精度、新数据预测精度、小样本数据预测精度几个维度动态生成基础模型应用画像。

一实施例中，参见图3，步骤200包括：

步骤201：确定所述应用数据的分布差异；

需要确定目标数据段整体分布是发散的还是集中的，集中在哪个频率段，中位数集中在哪个区间段，占80％的数据集中在什么数据区间段。可选工具有：直方图、箱线图、正态分布、点图、柏拉图。

步骤202：根据所述分布差异以及所述多个应用画像确定所述多个基础模型各自对应的性能参数以及预测精度；

步骤203：根据所述性能参数、预设的性能参数阈值、预测精度以及预设的预测精度阈值对所述多个基础模型进行筛选。

具体地，根据基础模型在当前数据分布上的应用画像，对训练得到的模型进行筛选，输出优选基础模型。

一实施例中，参见图4，步骤300包括：

步骤301：利用多级随机抽样方法，根据筛选后的多个基础模型生成多个融合子模型；

随机抽样法就是调查对象总体中每个部分都有同等被抽中的可能，是一种完全依照机会均等的原则进行的抽样调查，被称为是一种“等概率”。按照随机的原则，即保证总体中每一个对象都有已知的、非零的概率被选入作为研究的对象，保证样本的代表性。

随机抽样有四种基本形式，即简单随机抽样、等距抽样、类型抽样和整群抽样。其最大优点是在根据样本资料推论总体时，可用概率的方式客观地测量推论值的可靠程度，从而使这种推论建立在科学的基础上。正因为此，随机抽样在社会调查和社会研究中应用较广泛。常用的随机抽样方法主要有纯随机抽样、分层抽样、系统抽样、整群抽样、多阶段抽样等。

步骤301在实施时，首先按预定义比例选出要进行随机抽样的预测结果类别{Cd1，Cd2,……Cdk}，并且每类模型内部样例层随机抽样，在选定类别Cdi∈{Cd1，Cd2,……Cdk}中，每个类别内进行按预定义比例进行样例随机抽样

步骤302：对所述多个融合子模型的预测结果进行聚类；

根据基础模型的多维度画像，对基础模型进行聚类{C1，C2,……Cn}，每个基础模型的预测结果归入对应类别。

步骤303：根据聚类后的预测结果以及多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

模型融合定制的目标函数定义如下：给定预测结果数据样例(x

L

L

其中,y

Xi＝{x

其中，Att(M

在融合之后，还需要进行融合模型评估，如果已经收敛，则输出融合模型，否则，继续迭代训练。

一实施例中，参见图5，基于模型应用画像的多模型融合方法还包括：

步骤400：根据多个算法以及训练数据生成所述多个算法各自对应的基础模型。

具体地，从算法库中选取多个算法，在原始训练数据集上学习多个算法，从而生成多个基础模型。

为进一步地说明本方案，本申请提供基于模型应用画像的多模型融合方法的具体应用实例，参见图6。

参见图7，整体上，基于模型应用画像的多模型融合方法主要分为两个阶段：

阶段1：基础模型训练及模型应用画像动态生成。

基础模型训练：从算法库中选取多个算法，在原始训练数据集上学习多个基础模型。

多维度基础模型应用画像生成：深度分析各基础模型的评测结果，从性能、总体预测精度、新数据预测精度、小样本数据预测精度几个维度动态生成基础模型应用画像

阶段2：基于基础模型应用画像的模型融合定制阶段。

基于模型关注度的预测结果整合：基础模型在应用数据集上生成预测结果序列后，根据应用数据分布差异，对基础模型应用画像进行动态调整，为每个预测结果动态生成关注度权重。

S1：基础模型训练。

根据应用任务需求，从算法库中选择可用的算法集，在训练数据集上进行模型训练评估，输出测试结果。

S2：多维度基础模型应用画像生成。

根据模型性能分析及评测结果分析，动态生成基础模型应用画像。

S3：基于模型关注度的预测结果整合。

给定应用数据集，运行优选的基础模型{M1，M2，…Mn}，得到预测结果集{x

基于模型关注度的预测结果整合：给定预测结果集{x

给定预测结果预测结果Xi＝{x

X‘＝{x

基础模型M

Att(M

其中，α，β为预定义的权重、Authority(M

模型M

Divergence(x

上式中，D

基于应用数据分布差异的模型权威性动态加权：根据当前应用数据与训练数据分布差异，对模型的权威性可进行动态加权。

如果当前应用数据和小样本训练数据分布同源，则对小样本权预测能力强的模型权威性进行加权δ1，即Authority(M

如果当前应用数据属于新数据分布，则对新样本泛化能力强的模型权威性进行加权δ2，即Authority(M

S4：基于基础模型应用画像及多级随机抽样的模型融合定制。

基于模型关注度的预测结果整合：基础模型在应用数据集上生成预测结果序列后，根据应用数据分布差异，对基础模型应用画像进行动态调整，为每个预测结果动态生成关注度权重。给定关注度加权的基础模型预测结果集，采用多级随机抽样方式定制不同的融合子模型，使各融合子模型的最终输出结果差异尽可能小。

从上述描述可知，本发明实施例提供的基于模型应用画像的多模型融合方法，首先抽取多个基础模型的特征数据，以生成多个基础模型各自对应的应用画像；接着，根据应用数据以及多个应用画像对多个基础模型进行筛选；最后根据筛选后的多个基础模型针对应用数据的预测结果分布差异对多个基础模型进行融合。本发明根据基础模型应用画像，并结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。本发明能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，满足实际应用需求。

基于同一发明构思，本申请实施例还提供了基于模型应用画像的多模型融合装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基于模型应用画像的多模型融合装置解决问题的原理与基于模型应用画像的多模型融合方法相似，因此基于模型应用画像的多模型融合装置的实施可以参见基于模型应用画像的多模型融合方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明的实施例提供一种能够实现基于模型应用画像的多模型融合方法的基于模型应用画像的多模型融合装置的具体实施方式，参见图8，基于模型应用画像的多模型融合装置具体包括如下内容：

特征数据抽取模块10，用于抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

基础模型筛选模块20，用于根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

基础模型融合模块30，用于根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，参见图9，所述特征数据抽取模块10包括：

参数抽取单元101，用于抽取所述多个基础模型的性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数；

画像生成单元102，用于根据所述性能评估参数、预测总体精度、新数据预测精度、部分样本数据预测精度以及权威性评估参数生成多个基础模型各自对应的应用画像。

一实施例中，参见图10，所述基础模型筛选模块20包括：

分布差异确定单元201，用于确定所述应用数据的分布差异；

参数确定单元202，用于根据所述分布差异以及所述多个应用画像确定所述多个基础模型各自对应的性能参数以及预测精度；

基础模型筛选单元203，用于根据所述性能参数、预设的性能参数阈值、预测精度以及预设的预测精度阈值对所述多个基础模型进行筛选。

一实施例中，参见图11，所述基础模型融合模块30包括：

子模型生成单元301，用于利用多级随机抽样方法，根据筛选后的多个基础模型生成多个融合子模型；

结果聚类单元302，用于对所述多个融合子模型的预测结果进行聚类；

基础模型融合单元303，用于根据聚类后的预测结果以及多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

一实施例中，参见图12，基于模型应用画像的多模型融合装置还包括：

基础模型生成模块40，用于根据多个算法以及训练数据生成所述多个算法各自对应的基础模型。

从上述描述可知，本发明实施例提供的基于模型应用画像的多模型融合装置，首先抽取多个基础模型的特征数据，以生成多个基础模型各自对应的应用画像；接着，根据应用数据以及多个应用画像对多个基础模型进行筛选；最后根据筛选后的多个基础模型针对应用数据的预测结果分布差异对多个基础模型进行融合。本发明根据基础模型应用画像，并结合应用数据分布特点，对预测结果进行关注度加权整合、多级随机抽样模型融合定制。本发明能够根据数据的分布特性和基础模型在特定应用数据的预测能力、进行个性化模型融合，满足实际应用需求。

本申请的实施例还提供能够实现上述实施例中的基于模型应用画像的多模型融合方法中全部步骤的一种电子设备的具体实施方式，参见图13，电子设备具体包括如下内容：

处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；

其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、功率测量设备以及用户端设备等相关设备之间的信息传输。

处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于模型应用画像的多模型融合方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤100：抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

步骤200：根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

步骤300：根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

本申请的实施例还提供能够实现上述实施例中的基于模型应用画像的多模型融合方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的基于模型应用画像的多模型融合方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：

步骤100：抽取多个基础模型的特征数据，以生成所述多个基础模型各自对应的应用画像；

步骤200：根据应用数据以及多个应用画像对所述多个基础模型进行筛选；

步骤300：根据筛选后的多个基础模型针对所述应用数据的预测结果分布差异对多个基础模型进行融合。

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。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图的方法操作步骤，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)。

本发明是参照根据本发明实施例的方法、设备(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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。