一种电网信息的处理方法及装置、电子设备、存储介质

技术领域

本申请涉及电网信息管理技术领域，特别涉及一种电网信息的处理方法及装置、电子设备、存储介质。

背景技术

随着电力业务以及电力技术的不断发展，所需要管理的对象以及对象的信息也越来越多，所以为了便于电力对象信息的管理和使用，因此需要建立电网公共信息模型对信息进行管理。

当前对于电网公共信息模型的建立，主要是由相关人员对文件进行分析，确定出需要管理的各个对象的描述信息以及各个对象之间的关系等信息，然后基于分析出的信息，利用CIM模型建立电网公共信息模型。

但是现有技术构建的电网公共信息模型的可阅读性较差，并且通过人工进行分析的方式，也无法高效、准确地分析出未收录的对象信息。

发明内容

基于上述现有技术的不足，本申请提供了一种电网信息的处理方法及装置、电子设备、存储介质，以解决现有技术存在的可读性价差，且无法准确分析未收录信息的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种电网信息的处理方法，包括：

获取电网公共信息模型的原始文件；

基于所述电网公共信息模型的原始文件，构建电网信息知识图谱；

从所述电网信息知识图谱选取出多个待预测对象；其中，一个所述待预测对象包括一个实体节点以及一个类型的实体关系；

将各个所述待预测对象输入预先训练好的链接预测模型中，通过所述链接预测模型中的编码器计算各个所述待预测对象中的实体节点的向量，并通过所述链接预测模型中的解码器基于所述待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个所述待预测对象以及各个所述随机实体节点组成的多个目标三元组的得分；其中，所述随机实体节点为随机选取的所述电网信息知识图谱中实体节点；

将各个所述目标三元组，按照各个所述目标三元组的得分进行升序排序；

将排序在前N位，且未存在于所述电网信息知识图谱中的各个所述目标三元组添加至所述电网信息知识图谱中。

可选地，在上述的电网信息的处理方法中，所述链接预测模型中的解码器为R-GCN模型，所述解码器为DistMult模型；其中，所述R-GCN模型中的权重矩阵基于注意力机制训练得到。

可选地，在上述的电网信息的处理方法中，所述基于所述电网公共信息模型的原始文件，构建电网信息知识图谱，包括：

从所述电网公共信息模型的原始文件中各个所述实体节点的一级主题域以及二级主题域下，查找到各个所述实体节点的关键信息；

基于各个所述实体节点的关键信息，构建所述电网信息知识图谱，并将所述电网信息知识图谱存储至图数据库中。

可选地，在上述的电网信息的处理方法中，所述链接预测模型的训练方法，包括：

将所述电网信息知识图谱中存在实体关系的每两个所述实体节点以及两个所述实体节点间的实体关系组成的三元组作为正样本；

将各个所述正样本输入所述链接预测模型中，通过所述链接预测模型中的编码器计算得到所述正样中的各个所述实体节点的向量，并通过所述链接预测模型中的解码器基于所述正样中的各个所述实体节点的向量，计算各个所述正样本以及负样本的得分；其中，所述负样本通过对所述正样本中的实体进行替换得到，且所包括的两个所述实体节点在所述电网信息知识图谱中，不存在所包括的所述实体关系；

基于各个所述正样本和各个所述负样本的得分和标签，利用损失函数计算得到当前误差；

判断所述当前误差是否收敛；

若判断出所述当前误差未收敛，则对所述链接预测模型中的参数进行调整，并返回执行所述将各个所述正样本输入所述链接预测模型中；

若判断出所述当前误差已收敛，则结束对所述链接预测模型的训练。

可选地，在上述的电网信息的处理方法中，所述将排序在前N位，且未存在于所述电网信息知识图谱中的各个所述目标三元组添加至所述电网信息知识图谱中，包括：

基于所述目标三元组的数量以及预设得分阈值，筛选出排序在前N位的各个所述目标三元组作为待添加三元组；

分别针对每个所述待添加三元组，在所述电网信息知识图谱中，将所述待添加三元组中的两个所述实体节点，以所述待添加三元组中的所述实体关键进行链接。

本申请第二方面提供了一种电网信息的处理装置，包括：

文件获取单元，用于获取电网公共信息模型的原始文件；

图谱构建单元，用于基于所述电网公共信息模型的原始文件，构建电网信息知识图谱；

选取单元，用于从所述电网信息知识图谱选取出多个待预测对象；其中，一个所述待预测对象包括一个实体节点以及一个类型的实体关系；

预测单元，用于将各个所述待预测对象输入预先训练好的链接预测模型中，通过所述链接预测模型中的编码器计算各个所述待预测对象中的实体节点的向量，并通过所述链接预测模型中的解码器基于所述待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个所述待预测对象以及各个所述随机实体节点组成的多个目标三元组的得分；其中，所述随机实体节点为随机选取的所述电网信息知识图谱中实体节点；

排序单元，用于将各个所述目标三元组，按照各个所述目标三元组的得分进行升序排序；

添加单元，用于将排序在前N位，且未存在于所述电网信息知识图谱中的各个所述目标三元组添加至所述电网信息知识图谱中。

可选地，在上述的电网信息的处理装置中，所述链接预测模型中的解码器为R-GCN模型，所述解码器为DistMult模型；其中，所述R-GCN模型中的权重矩阵基于注意力机制训练得到。

可选地，在上述的电网信息的处理装置中，所述图谱构建单元，包括：

查询单元，用于查询从所述电网公共信息模型的原始文件中各个所述实体节点的一级主题域以及二级主题域下，查找到各个所述实体节点的关键信息；

构建子单元，用于基于各个所述实体节点的关键信息，构建所述电网信息知识图谱，并将所述电网信息知识图谱存储至图数据库中。

可选地，在上述的电网信息的处理装置中，还包括：

样本获取单元，用于将所述电网信息知识图谱中存在实体关系的每两个所述实体节点以及两个所述实体节点间的实体关系组成的三元组作为正样本；

训练单元，用于将各个所述正样本输入所述链接预测模型中，通过所述链接预测模型中的编码器计算得到所述正样中的各个所述实体节点的向量，并通过所述链接预测模型中的解码器基于所述正样中的各个所述实体节点的向量，计算各个所述正样本以及负样本的得分；其中，所述负样本通过对所述正样本中的实体进行替换得到，且所包括的两个所述实体节点在所述电网信息知识图谱中，不存在所包括的所述实体关系；

误差计算单元，用于基于各个所述正样本和各个所述负样本的得分和标签，利用损失函数计算得到当前误差；

判断单元，用于判断所述当前误差是否收敛；

调整单元，用于在判断出所述当前误差未收敛时，对所述链接预测模型中的参数进行调整，并返回所述训练单元；

结束单元，用于在判断出所述当前误差已收敛时，结束对所述链接预测模型的训练。

可选地，在上述的电网信息的处理装置中，所述添加单元，包括：

筛选单元，用于基于所述目标三元组的数量以及预设得分阈值，筛选出排序在前N位的各个所述目标三元组作为待添加三元组；

链接单元，用于分别针对每个所述待添加三元组，在所述电网信息知识图谱中，将所述待添加三元组中的两个所述实体节点，以所述待添加三元组中的所述实体关键进行链接。

本申请第三方面提供了一种电子设备，包括：

存储器和处理器；

其中，所述存储器用于存储程序；

所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的电网信息的处理方法。

本申请第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的电网信息的处理方法。

本申请提供的一种电网信息的处理方法，通过获取原先的电网公共信息模型的原始文件，然后基于电网公共信息模型的原始文件，构建电网信息知识图谱，从而通过知识图谱使得信息模型具有更好的阅读性。然后从电网信息知识图谱选取出多个待预测对象。其中，一个待预测对象包括一个实体节点以及一个类型的实体关系。并将各个待预测对象输入预先训练好的链接预测模型中，通过链接预测模型中的编码器计算各个待预测对象中的实体节点的向量，并通过链接预测模型中的解码器基于待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个待预测对象以及各个随机实体节点组成的多个目标三元组的得分。其中，随机实体节点为随机选取的电网信息知识图谱中实体节点。最后将各个目标三元组，按照各个目标三元组的得分进行升序排序，将排序在前N位，且未存在于电网信息知识图谱中的各个目标三元组添加至电网信息知识图谱中，从而通过链接预测模型挖掘出未收录的实体节点间的关系，并添加至知识图谱中。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种电网信息的处理方法的流程图；

图2为本申请实施例提供的一种构建电网信息知识图谱的方法的流程图；

图3为本申请实施例提供的一种链接预测模型的训练方法的流程图；

图4为本申请实施例提供的一种将目标三元组添加至电网信息知识图谱中的方法的流程图；

图5为本申请实施例提供的一种电网信息的处理装置的架构示意图；

图6为本申请实施例提供的一种电子设备的架构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本申请实施例提供了一种电网信息的处理方法，如图1所示，包括以下步骤：

S101、获取电网公共信息模型的原始文件。

具体的，获取建立在CIM模型上的电网公共信息模型的原始XML文件。原始文件中对于每个实体节点的描述都很细致，所以可以通过XML文件进行后续知识图谱的构建。

S102、基于电网公共信息模型的原始文件，构建电网信息知识图谱。

具体的，从电网公共信息模型的原始文件可以确定出需要关联的各个对象的描述信息以及各个对象之间的关系，所以可以将各个对象作为实体节点，并基于各个实体节点之间的关系，将各个实体节点进行连接，得到电网信息知识图谱。而知识图谱相较于现有的模型，其可以更加清晰表达出实体节点的信息以及实体节点之间的关系，从而有效提高了可读性。

可选地，在本申请另一实施例中，步骤S103的一种具体实施方式，如图2所示，包括以下步骤：

S201、从电网公共信息模型的原始文件中各个实体节点的一级主题域以及二级主题域下，查找到各个实体节点的关键信息。

其中，关键信息可以包括实体节点的中文名、实体描述、以及实体的关系信息等。

具体的，根据原始文件的结构，所以可以从原始文件中的各个实体节点的一级主题域以及二级主题域下，查找到各个实体节点的关键信息。

S202、基于各个实体节点的关键信息，构建电网信息知识图谱，并将电网信息知识图谱存储至图数据库中。

可选地，可以通过两个类分别实现节点信息的抽取和知识图谱的构建。并且图数据库可以采用Neo4j图数据库。

S103、从电网信息知识图谱选取出多个待预测对象。

其中，一个待预测对象包括一个实体节点以及一个类型的实体关系。

需要说明的是，由于上述步骤所构建的知识图谱是基于已有的原始文件构建的，即所构建的知识图谱中的实体节点之间的关系是已经记载的，而为了使得知识图谱的信息更加全面，因此在本申请实施例中，还会进一步对实体节点之间的关系进行挖掘、预测。

因此需要先从电网信息知识图谱中的实体节点以及所包括的各个类型的实体关系中，筛选出多个实体节点以及实体关系组成待预测对象。由于待预测对象包括一个实体节点以及一个类型的实体关系，所以一个实体节点可以与不同类型的实体关系组成不同的待预测对象。

可选地，可以以电网信息知识图谱中的所有实体节点和实体关系组成待预测对象，从而进行全面的挖掘。

S104、将各个待预测对象输入预先训练好的链接预测模型中，通过链接预测模型中的编码器计算各个待预测对象中的实体节点的向量，并通过链接预测模型中的解码器基于待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个待预测对象以及各个随机实体节点组成的多个目标三元组的得分。

其中，随机实体节点为随机选取的电网信息知识图谱中实体节点。需要说明的是，由于在对链接预测模型进行训练时，需要利用当前已经构建的电网信息知识图谱中的实体节点进行训练，所以在训练结束时，就已经学习到的当时的电网信息知识图谱中的各个实体节点的向量。所以可以从训练时，已学习到相应的向量的实体节点中选择随机实体节点。也可以是从输入模型并通过编码器得到相应的向量的实体节点中选择随机实体节点。

具体的，在本申请实施例中，通过预先训练好的模型的编码器对输入的待预测对象中的实体节点进行编码，从而得到一个实体节点在其他实体节点的影响下的向量表示，然后将待预测对象与随机实体节点进行组合，得到一个由两个实体节点和一个实体关系组成的目标三元组。该目标三元组即表示其中的两个实体节点间具有所包括的实体关系。然后由模型中的解码器对各个目标三元组进行评分，即评估目标三元组中的两个实体节点之间具有所包括的实体关系的可能性。

可选地，在本申请另一实施例中，链接预测模型中的解码器为R-GCN模型，解码器为DistMult模型。

其中，R-GCN模型中的权重矩阵基于注意力机制训练得到。

需要说明的是，在本申请实施例中，采用R-GCN模型作为链接预测模型中的解码器，以能根据实体节点间不同类型的边，即不同类型的实体关系，考虑节点间联系的重要性。

其中，R-GCN模型的表达式具体为：

其中，i表示当前的某一个节点；j表示当前节点的邻接节点；

可选地，随着知识图片中关系数量的增加，参数数量迅速增加。因为从上述公式可以看出，对于每一个关系r，我们在得出节点的向量时都要计算一个参数矩阵

其中，

而对于一个知识图谱中，较为密集的区域中具有更加丰富的信息，所以该区域中的节点更为重要。因此，在本申请实施例中，加入了注意力机制对R-GCN模型进行训练。

由于每个关系对该实体节点的重要性不一样，所以对一个实体节点的所有关系嵌入引入注意力机制训练，得到每个实体关系嵌入的权重矩阵，然后再融合得到该实体节点的关系嵌入向量中。我们对每一个实体节点的关系向量调整其权重，通过对权重的修改来模拟人在处理信息时的注意力的侧重。注意力机制的引用让我们首先侧重关注聚集性较大，即该节点邻接节点数目较多，与其它节点间关系更紧密的节点。

而在本申请实施例中，采用DistMult模型作为模型的解码器，对三元组进行评分。其中，其在计算过程中，对于每个实体关系r，都对应一个对角矩阵R

其中，s表示的是三元组中的头实体节点，r表示实体关系、o表示尾实体节点；e

可选地，本申请实施例提供了一种链接预测模型的训练方法，如图3所示，包括以下步骤：

S301、将电网信息知识图谱中存在实体关系的每两个实体节点以及两个实体节点间的实体关系组成的三元组作为正样本。

S302、将各个正样本输入链接预测模型中，通过链接预测模型中的编码器计算得到正样中的各个实体节点的向量，并通过链接预测模型中的解码器基于正样中的各个实体节点的向量，计算各个正样本以及负样本的得分。

其中，负样本通过对正样本中的实体进行替换得到，且所包括的两个实体节点在电网信息知识图谱中，不存在所包括的实体关系。

S303、基于各个正样本和各个负样本的得分和标签，利用损失函数计算得到当前误差。

其中，在损失函数的设计中，需要让正样本的得分仅可能的小，而负样本的得分仅可能的大。

可选地，在本申请实施例中，具体可以采用如下的损失函数：

其中，y表示正样的标签，当三元组为正样本时，y为1，当三元组为负样本时，y为0。w为每个正样转换为负样本的数量；l为激活函数；ε为设定的系数。

S304、判断当前误差是否收敛。

其中，若判断出当前误差未收敛，则执行步骤S305。若判断出当前误差已收敛，则执行步骤S306。

S305、对链接预测模型中的参数进行调整。

其中，在执行步骤S305之后，返回执行步骤S302，以进行下一轮的迭代训练。

S306、结束对链接预测模型的训练。

S105、将各个目标三元组，按照各个目标三元组的得分进行升序排序。

需要说明的是，由于在模型训练过程中是让正样本的得分仅可能的低，即让确定存在于电网信息知识图谱中的三元组的等分尽可能的低，所以三元组的得分越低，说明其真实存在的可能性越高。因此在本申请实施例中，是将各个目标三元组按照得分进行升序排序，便于筛选需要添加的目标三元组。

S106、将排序在前N位，且未存在于电网信息知识图谱中的各个目标三元组添加至电网信息知识图谱中。

需要说明的是，由于目标三元组是由待预测对象和随机选择的实体节点组成的，所以其并不一定存在于电网信息知识图谱中，并且目标三元组是按照得分进行升序排序的，排在前面的三元组为真实存在的可能性较高，所以对于排序在前N位的目标三元组，若其还未存在与电网信息知识图谱，即在电网信息知识图谱中并未表示出该目标三元组中的两个实体节点，存在该目标三元组中的实体关系，则需要在电网信息知识图谱为这两个实体节点，添加两者存在该目标三元组中的实体关系，从而实现了未记录有的实体节点间的关系的挖掘。

可选地，在本申请另一实施例中，步骤S106的一种具体实施方式，如图4所示，包括以下步骤：

S401、基于目标三元组的数量以及预设得分阈值，筛选出排序在前N位的各个目标三元组作为待添加三元组。

需要说明的是，若是目标三元组的数量较多，则可能存在得分较高的三元组也比较多，所以在本申请实施例中，N是一个动态变化的数值，其根据目标三元组的数量的变化而变化，即目标三元组的数量越多，则N越大。并且为保证筛选出的目标三元组的得分符合要求，所以还需要基于预设得分阈值确定N，即前N位的各个目标三元组的得分应该大于预设阈值。

S402、分别针对每个待添加三元组，在电网信息知识图谱中，将待添加三元组中的两个实体节点，以待添加三元组中的实体关键进行链接。

本申请实施例提供了一种电网信息的处理方法，通过获取原先的电网公共信息模型的原始文件，然后基于电网公共信息模型的原始文件，构建电网信息知识图谱，从而通过知识图谱使得信息模型具有更好的阅读性。然后从电网信息知识图谱选取出多个待预测对象。其中，一个待预测对象包括一个实体节点以及一个类型的实体关系。并将各个待预测对象输入预先训练好的链接预测模型中，通过链接预测模型中的编码器计算各个待预测对象中的实体节点的向量，并通过链接预测模型中的解码器基于待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个待预测对象以及各个随机实体节点组成的多个目标三元组的得分。其中，随机实体节点为随机选取的电网信息知识图谱中实体节点。最后将各个目标三元组，按照各个目标三元组的得分进行升序排序，将排序在前N位，且未存在于电网信息知识图谱中的各个目标三元组添加至电网信息知识图谱中，从而通过链接预测模型挖掘出未收录的实体节点间的关系，并添加至知识图谱中。

本申请另一实施例提供了一种电网信息的处理装置，如图5所示，包括：

文件获取单元501，用于获取电网公共信息模型的原始文件。

图谱构建单元502，用于基于电网公共信息模型的原始文件，构建电网信息知识图谱。

选取单元503，用于从电网信息知识图谱选取出多个待预测对象。

其中，一个待预测对象包括一个实体节点以及一个类型的实体关系。

预测单元504，用于将各个待预测对象输入预先训练好的链接预测模型中，通过链接预测模型中的编码器计算各个待预测对象中的实体节点的向量，并通过链接预测模型中的解码器基于待预测对象中的实体节点的向量以及多个随机实体节点的向量，计算由各个待预测对象以及各个随机实体节点组成的多个目标三元组的得分。

其中，随机实体节点为随机选取的电网信息知识图谱中实体节点。

排序单元505，用于将各个目标三元组，按照各个目标三元组的得分进行升序排序。

添加单元506，用于将排序在前N位，且未存在于电网信息知识图谱中的各个目标三元组添加至电网信息知识图谱中。

可选地，在本申请另一实施例提供的电网信息的处理装置中，链接预测模型中的解码器为R-GCN模型，解码器为DistMult模型。其中，R-GCN模型中的权重矩阵基于注意力机制训练得到。

可选地，在本申请另一实施例提供的电网信息的处理装置中，图谱构建单元，包括：

查询单元，用于查询从电网公共信息模型的原始文件中各个实体节点的一级主题域以及二级主题域下，查找到各个实体节点的关键信息。

构建子单元，用于基于各个实体节点的关键信息，构建电网信息知识图谱，并将电网信息知识图谱存储至图数据库中。

可选地，在本申请另一实施例提供的电网信息的处理装置中，还包括：

样本获取单元，用于将电网信息知识图谱中存在实体关系的每两个实体节点以及两个实体节点间的实体关系组成的三元组作为正样本。

训练单元，用于将各个正样本输入链接预测模型中，通过链接预测模型中的编码器计算得到正样中的各个实体节点的向量，并通过链接预测模型中的解码器基于正样中的各个实体节点的向量，计算各个正样本以及负样本的得分。

其中，负样本通过对正样本中的实体进行替换得到，且所包括的两个实体节点在电网信息知识图谱中，不存在所包括的实体关系。

误差计算单元，用于基于各个正样本和各个负样本的得分和标签，利用损失函数计算得到当前误差。

判断单元，用于判断当前误差是否收敛。

调整单元，用于在判断出当前误差未收敛时，对链接预测模型中的参数进行调整，并返回训练单元。

结束单元，用于在判断出当前误差已收敛时，结束对链接预测模型的训练。

可选地，在本申请另一实施例提供的电网信息的处理装置中，添加单元，包括：

筛选单元，用于基于目标三元组的数量以及预设得分阈值，筛选出排序在前N位的各个目标三元组作为待添加三元组。

链接单元，用于分别针对每个待添加三元组，在电网信息知识图谱中，将待添加三元组中的两个实体节点，以待添加三元组中的实体关键进行链接。

需要说明的是，本申请上述实施例提供的各个单元的具体工作过程，可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。

本申请另一实施例提供了一种电子设备，如图6所示，包括：

存储器601和处理器602。

其中，存储器601用于存储程序。

处理器602用于执行存储器601存储的程序，该程序被执行时，具体用于实现如上述任意一个实施例提供的电网信息的处理方法。

本申请另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的电网信息的处理方法。

计算机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、只读光盘只读存储器(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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。