基于声纹分析的索道入侵事件快速分析预警方法及装置

技术领域

本发明涉及声纹分析技术领域，具体而言，涉及一种基于声纹分析的索道入侵事件快速分析预警方法及装置。

背景技术

现代检测系统中，单一模态往往难以满足日益增长的精度要求。声音作为一种重要的信息载体，当与视觉等其他模态结合使用时，可以形成多模态检测系统。这种系统的核心优势在于它能够综合利用来自不同传感器的信息，每个模态提供独特的数据视角和类型，相互补充，增强整体信息的丰富性和鲁棒性。例如，视觉信息可能因光照变化或遮挡而受限，而声纹特征不受这些因素影响，能够在视觉信息不足时提供辅助数据。通过融合声音和视觉数据，系统能够更准确地识别和分类对象，提高异常检测的准确率，从而显著提升整个检测系统的精确度和可靠性。

在实际的应用环境中，由于物体之间相互遮挡或因环境因素如烟雾、天气等原因，会导致特定的视觉识别失效，从而导致视觉系统失去关键信息的捕捉能力。例如，在监控索道轮组的运行状态时，如果视觉传感器的视线被其他结构或物体阻挡，那么就无法获取到完整的图像数据，这可能会导致潜在的故障被忽视。声纹特征检测作为一种非视觉的检测手段，可以在这种情况下发挥关键作用。声音波长远小于光波，能够穿透一些小的障碍物或者在物体表面绕射，因此即使在有遮挡的环境下，声纹特征仍然可以被检测和分析。通过利用声纹特征，检测系统可以在视觉信息受阻时提供可靠的替代数据源，确保运行状态的连续监测和准确分析。

同时，视觉监控系统依赖于从场景中提取的图像或视频数据来检测、识别和跟踪目标。然而，受环境光照、天气变化（如雨、雾、雪）、阴影、反射等因素的影响，图像质量可能会受到显著干扰，进而影响特征检测的准确性和一致性。特别是在大场景监控中，深度学习系统需要处理大量的高分辨率图像数据，以实现准确的目标检测和分类。这要求系统具有强大的计算能力，不仅增加了硬件成本，也增加了能耗。此外，由于深度学习模型通常需要大量标注数据进行训练，这在动态和不断变化的户外环境中可能难以实现。因此，尽管深度学习在视觉任务中取得了显著进展，但在大型野外环境下，其性价比可能并不高。

在大型野外环境中，系统必须面对多种噪声来源。环境噪音，如风声、雨声、周围机械产生的声音等，都可能干扰所需声纹的采集。这些自然或人造的声音可能会与目标声纹混合，从而降低信号的信噪比，使得有效信息难以提取。其次，声音在不同介质（如植被、土壤、水体）中的传播会受到吸收和散射的影响，这进一步复杂化了信号的接收和解析。

另外，充足且多样化的样本数据对于训练准确的检测模型至关重要。然而，在实际操作中，特别是对于故障或异常情况的声纹样本，采集过程面临着重大挑战。首先，故障事件通常是偶发性的，例如设备损坏或异常运行状态，这些事件的发生无法预测，导致相关声纹数据的捕获具有很高的不确定性。其次，由于安全问题或对设备的破坏性影响，通常无法人为制造故障来采集相应的声音样本。同时样本的界定也是一大问题，在连续的声音流中，如何精确地标记出故障相关的声纹特征是一个复杂的任务。这需要专业知识来区分正常和异常的声音模式，并确定哪些特定的声纹特征与故障状态相关联。由于缺乏明确的标记，机器学习模型的训练和验证变得更加困难。

发明内容

本发明的主要目的在于提供一种基于声纹分析的索道入侵事件快速分析预警方法及装置，以至少解决现有技术在大型野外环境中，索道检测系统存在精确度低、可靠性差、无法准确及时预警的问题。

为了实现上述目的，本发明提供了一种基于声纹分析的索道入侵事件快速分析预警方法，包括：采集声音样本数据，声音样本数据至少包括环境音样本数据、运行音样本数据、潜在声音样本数据和环境特定声音样本数据；将采集的声音样本数据随机切分为固定时间步长的切片，然后转化为对应类别的频谱图；构建变分自动编码器，通过表示学习方法训练变分自动编码器；将频谱图进行混合打乱并输入至变分自动编码器中以提取各个类别频谱图的特征；构建降噪分离模型，利用提取的特征和变分自动编码器指导训练降噪分离模型；将运行音样本数据、潜在声音样本数据和环境特定声音样本数据的特征输入到变分自动编码器的解码器中，以得到生成故障声音数据；将运行音样本数据和生成故障声音数据输入降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；构建有监督分类器，将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，并用于训练有监督分类器；接收真实声音数据，随机切分为固定时间步长的切片，然后统一转化为真实频谱图；将真实频谱图输入至有监督分类器上进行第一检测，以判断输出故障结果或非故障结果；利用降噪分离模型和变分自动编码器，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率。

进一步地，通过表示学习方法训练变分自动编码器具体包括：使用表示学习方法，在代价函数中植入类别距离，以最大化不同类别的频谱图的隐表示距离，同时最小化相同类别的频谱图的隐表示距离。

进一步地，提取各个类别频谱图的特征具体包括：收集各个类别频谱图在变分自动编码器中的隐向量集

进一步地，利用提取的特征和变分自动编码器指导训练降噪分离模型具体包括：降噪分离模型的输入为真实频谱图

进一步地，将降噪分离模型嫁接到变分自动编码器上以指导训练降噪分离模型具体包括：固定变分自动编码器的参数，并将目标损失函数设为：

其中，

进一步地，得到生成故障声音数据具体包括：重新采用变分自动编码器，将潜在声音样本数据和运行音样本数据的隐向量集进行随机的加权插值，将潜在声音样本数据和环境特定声音样本数据的隐向量集进行随机的加权插值，再输入变分自动编码器的解码器得到生成故障声音数据。

进一步地，采集的声音样本数据中还包括故障声音样本数据；当存在故障声音样本数据时，对生成故障声音数据进行筛选，以过滤生成故障声音数据中隐向量到故障声音样本数据的隐向量距离大于

进一步地，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率具体包括：通过降噪分离模型将判断为非故障结果的真实频谱图

通过以下公式计算得到故障概率：

其中，

进一步地，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率还包括：实时监测真实运行音频谱图

其中，

获得时间稳定性预警分数

本发明还提供了一种基于声纹分析的索道入侵事件快速分析预警装置，基于声纹分析的索道入侵事件快速分析预警装置应用于基于声纹分析的索道入侵事件快速分析预警方法，装置包括：采集模块、预处理模块、第一训练模块、特征提取模块、第二训练模块、故障数据合成模块、降噪分离模块、第三训练模块、第一检测模块和第二检测模块；采集模块用于采集声音样本数据；预处理模块用于将数据随机切分为固定时间步长的切片，然后统一转化为频谱图；第一训练模块用于通过表示学习方法训练变分自动编码器；特征提取模块用于将频谱图进行混合打乱并输入至变分自动编码器中并提取各个类别频谱图的特征；第二训练模块用于利用提取的特征和变分自动编码器指导训练降噪分离模型；故障数据合成模块用于将运行音样本数据、潜在声音样本数据和环境特定声音样本数据的特征输入到变分自动编码器的解码器中，以得到生成故障声音数据；降噪分离模块用于将运行音样本数据和生成故障声音数据输入降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；第三训练模块用于将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，并用于训练有监督分类器；第一检测模块用于将真实频谱图输入至有监督分类器上进行第一检测，以判断输出故障结果或非故障结果；第二检测模块用于利用降噪分离模型和变分自动编码器，以通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现基于声纹分析的索道入侵事件快速分析预警方法。

本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现基于声纹分析的索道入侵事件快速分析预警方法。

本发明还提供了一种计算机程序产品，计算机程序产品包括计算机指令，计算机指令被处理器执行时实现基于声纹分析的索道入侵事件快速分析预警方法。

本发明提供了一种采集声音样本数据，声音样本数据至少包括环境音样本数据、运行音样本数据、潜在声音样本数据和环境特定声音样本数据；将采集的声音样本数据随机切分为固定时间步长的切片，然后转化为对应类别的频谱图；构建变分自动编码器，通过表示学习方法训练变分自动编码器；将频谱图进行混合打乱并输入至变分自动编码器中以提取各个类别频谱图的特征；构建降噪分离模型，利用提取的特征和变分自动编码器指导训练降噪分离模型；将运行音样本数据、潜在声音样本数据和环境特定声音样本数据的特征输入到变分自动编码器的解码器中，以得到生成故障声音数据；将运行音样本数据和生成故障声音数据输入降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；构建有监督分类器，将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，并用于训练有监督分类器；接收真实声音数据，随机切分为固定时间步长的切片，然后统一转化为真实频谱图；将真实频谱图输入至有监督分类器上进行第一检测，以判断输出故障结果或非故障结果；利用降噪分离模型和变分自动编码器，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率。本发明解决了现有技术在大型野外环境中，索道检测系统存在精确度低、可靠性差、无法准确及时预警的问题。

本发明的有益效果为：

1、本发明无需采集大量故障数据，即可使用生成型模型根据数据样本动态合成故障数据样本。

2、对于故障数据样本未能覆盖的数据，本发明通过无监督学习的距离判断方法，得到潜在的异常频谱，并根据潜向量距离，得到异常分数，以进一步判断故障的可能性。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是基于声纹分析的索道入侵事件快速分析预警方法的总流程图；

图2是基于声纹分析的索道入侵事件快速分析预警方法的训练过程流程图；

图3是基于声纹分析的索道入侵事件快速分析预警装置的结构框图；

图4是用于实现基于声纹分析的索道入侵事件快速分析预警方法的计算机设备的硬件结构示意图。

具体实施方式

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发明。

如图1所示，本发明提供了一种基于声纹分析的索道入侵事件快速分析预警方法，包括：采集声音样本数据，声音样本数据至少包括环境音样本数据、运行音样本数据、潜在声音样本数据和环境特定声音样本数据；将采集的声音样本数据随机切分为固定时间步长的切片，然后转化为对应类别的频谱图；构建变分自动编码器，通过表示学习方法训练变分自动编码器；将频谱图进行混合打乱并输入至变分自动编码器中以提取各个类别频谱图的特征；构建降噪分离模型，利用提取的特征和变分自动编码器指导训练降噪分离模型；将运行音样本数据、潜在声音样本数据和环境特定声音样本数据的特征输入到变分自动编码器的解码器中，以得到生成故障声音数据；将运行音样本数据和生成故障声音数据输入降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；构建有监督分类器，将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，并用于训练有监督分类器；接收真实声音数据，随机切分为固定时间步长的切片，然后统一转化为真实频谱图；将真实频谱图输入至有监督分类器上进行第一检测，以判断输出故障结果或非故障结果；利用降噪分离模型和变分自动编码器，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率。

本发明将采集到的各类潜在故障声音样本（如金属刮擦声等），合成为训练用的噪声，并将之与深度学习融合，监督训练为一个有效的识别模型。同时我们使用非监督的方式，进一步引导系统对未知故障进行判断。解决了现有技术在大型野外环境中，检测系统存在精确度低、可靠性差、无法准确及时预警的问题。本发明无需采集大量故障数据，即可使用生成型模型根据数据样本动态合成故障数据样本。对于故障数据样本未能覆盖的数据，本发明通过无监督学习的距离判断方法，得到潜在的异常频谱，并根据潜向量距离，得到异常分数，以进一步判断故障的可能性。

作为本发明的一种优化方案，通过表示学习方法训练变分自动编码器具体包括：使用表示学习方法，在代价函数中植入类别距离，以最大化不同类别的频谱图的隐表示距离，同时最小化相同类别的频谱图的隐表示距离。优选的，通过表示学习（RepresentationLearning）这种训练方式可以显著地提高变分自动编码器的生成效率和生成精度。

作为本发明的一种优化方案，提取各个类别频谱图的特征具体包括：收集各个类别频谱图在变分自动编码器中的隐向量集

作为本发明的一种优化方案，利用提取的特征和变分自动编码器指导训练降噪分离模型具体包括：降噪分离模型的输入为真实频谱图

作为本发明的一种优化方案，将降噪分离模型嫁接到变分自动编码器上以指导训练降噪分离模型具体包括：固定变分自动编码器的参数，并将目标损失函数设为：

其中，

优选的，上述公式表明了降噪分离模型的训练过程，并且需要变分自动编码器的隐特征来指导训练，对降噪分离模型的训练需要对比分离网络分离出的运行音与环境音相加与输入声音的一致性，同时还需要对比分离出的环境音的隐特征与通过变分自动编码器提取的环境音样本的隐特征的一致性，通过这种训练方式来提高降噪分离模型的降噪性能和分离性能。

作为本发明的一种优化方案，得到生成故障声音数据具体包括：重新采用变分自动编码器，将潜在声音样本数据和运行音样本数据的隐向量集进行随机的加权插值，将潜在声音样本数据和环境特定声音样本数据的隐向量集进行随机的加权插值，再输入变分自动编码器的解码器得到生成故障声音数据。优选的，得到生成故障声音数据可以将潜在声音样本数据和运行音样本数据的隐向量集进行随机的加权插值或将潜在声音样本数据和环境特定声音样本数据的隐向量集进行随机的加权插值，前者的预期准确性更高，在实际生成过程中两者可以都生成一遍以合成更加丰富的生成故障声音数据。

作为本发明的一种优化方案，采集的声音样本数据中还包括故障声音样本数据；当存在故障声音样本数据时，对生成故障声音数据进行筛选，以过滤生成故障声音数据中隐向量到故障声音样本数据的隐向量距离大于

作为本发明的一种优化方案，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率具体包括：通过降噪分离模型将判断为非故障结果的真实频谱图

通过以下公式计算得到故障概率：

其中，

优选的，T根据实际情况手动调节，值越小（最低为0），则系统的判定边界越为精确，表现为系统对于明显特征的准确性提高，但是对于隐藏特征的预判率降低。

作为本发明的一种优化方案，通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率还包括：

实时监测真实运行音频谱

其中，

获得时间稳定性预警分数

优选的，

作为本发明的一种优化方案，图2中，变分自动编码器（VariationalAutoencoders），简称为VAE。部分过程为数据引用/拷贝，包括将运行音样本数据输入降噪分离模型和利用故障声音样本数据过滤生成故障声音数据，还包括VAE和降噪分离模型的复用；部分过程为训练过程中的误差信号传播，包括对比分离网络分离出的运行音与环境音相加与输入声音的一致性，对比分离出的环境音的隐特征与通过变分自动编码器提取的环境音样本的隐特征的一致性。其余过程均为数据传递过程。

以下根据图2，详细地解释本发明的训练过程：

采集声音样本数据，声音样本数据包括环境音样本数据、运行音样本数据、潜在声音样本数据和、环境特定声音样本数据和故障声音样本数据；

将采集的声音样本数据随机切分为固定时间步长的切片，然后转化为对应类别的频谱图；将频谱图进行混合打乱并输入至VAE训练器中，通过表示学习方法训练得到变分自动编码器并提取各个类别频谱图的特征，特征包括各个类别频谱图在变分自动编码器中的隐向量集和各个类别频谱图的隐向量中心；

向分离网络训练器中输入真实频谱图，输出真实环境音频谱图和真实运行音频谱图，再对比分离网络分离出的运行音与环境音相加与输入声音的一致性，同时还需要对比分离出的环境音的隐特征与通过变分自动编码器提取的环境音样本的隐特征的一致性，通过这种方式训练得到降噪分离模型；

将潜在声音样本数据和运行音样本数据的隐向量集进行随机的加权插值；再将潜在声音样本数据和环境特定声音样本数据的隐向量集进行随机的加权插值，将两者都生成一遍以合成更加丰富的生成故障声音数据；

对生成故障声音数据进行筛选，以过滤生成故障声音数据中隐向量到故障声音样本数据的隐向量距离大于

将运行音样本数据和扩充故障声音数据输入到降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；

将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，输入至监督网络训练器中，通过这种方式训练得到有监督分类器。

本发明还提供了一种基于声纹分析的索道入侵事件快速分析预警装置100，基于声纹分析的索道入侵事件快速分析预警装置100应用于基于声纹分析的索道入侵事件快速分析预警方法，装置包括：采集模块101、预处理模块102、第一训练模块103、特征提取模块104、第二训练模块105、故障数据合成模块106、降噪分离模块107、第三训练模块108、第一检测模块109和第二检测模块110；采集模块101用于采集声音样本数据；预处理模块102用于将数据随机切分为固定时间步长的切片，然后统一转化为频谱图；第一训练模块103用于通过表示学习方法训练变分自动编码器；特征提取模块104用于将频谱图进行混合打乱并输入至变分自动编码器中并提取各个类别频谱图的特征；第二训练模块105用于利用提取的特征和变分自动编码器指导训练降噪分离模型；故障数据合成模块106用于将运行音样本数据、潜在声音样本数据和环境特定声音样本数据的特征输入到变分自动编码器的解码器中，以得到生成故障声音数据；降噪分离模块107用于将运行音样本数据和生成故障声音数据输入降噪分离模型，以得到降噪后的运行音样本数据和降噪后的生成故障声音数据；第三训练模块108用于将降噪后的运行音样本数据和降噪后的生成故障声音数据打标签合并后打乱顺序，并用于训练有监督分类器；第一检测模块109用于将真实频谱图输入至有监督分类器上进行第一检测，以判断输出故障结果或非故障结果；第二检测模块110用于利用降噪分离模型和变分自动编码器，以通过非监督方法对判断为非故障结果的真实频谱图进行第二检测并输出故障概率。

优选的，第二训练模块105具体用于向分离网络训练器中输入真实频谱图，输出真实环境音频谱图和真实运行音频谱图，再对比分离网络分离出的运行音与环境音相加与输入声音的一致性，同时还需要对比分离出的环境音的隐特征与通过变分自动编码器提取的环境音样本的隐特征的一致性，通过这种方式训练得到降噪分离模型；

优选的，故障数据合成模块106具体用于将潜在声音样本数据和运行音样本数据的隐向量集进行随机的加权插值；再将潜在声音样本数据和环境特定声音样本数据的隐向量集进行随机的加权插值，将两者都生成一遍以合成更加丰富的生成故障声音数据；

优选的，索道入侵事件快速分析预警装置100还包括过滤模块，过滤模块用于对生成故障声音数据进行筛选，以过滤生成故障声音数据中隐向量到故障声音样本数据的隐向量距离大于

本实施例提供的索道入侵事件快速分析预警装置100，可执行上述方法实施例提供的方法，其实现原理和技术效果类似，本实施例此处不做赘述。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现基于声纹分析的索道入侵事件快速分析预警方法。需要说明的是，本发明所示的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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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)、只读存储器(ROM)、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。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现基于声纹分析的索道入侵事件快速分析预警方法。

下面参考图4，其示出了适于用来实现本发明实施例的终端设备的计算机设备200的结构示意图。图4示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM203中，还存储有计算机设备200操作所需的各种程序和数据。CPU201、ROM202以及RAM203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

本发明还提供了一种计算机程序产品，计算机程序产品包括计算机指令，计算机指令被处理器执行时实现基于声纹分析的索道入侵事件快速分析预警方法。特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本发明的系统中限定的上述功能。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。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，框图或流程图中的每个方框、以及框图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基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括接收模块和识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。