重载列车空气制动力预测方法、装置、设备及介质

技术领域

本申请涉及列车操纵技术领域，具体而言，涉及一种重载列车空气制动力预测方法、装置、设备及介质。

背景技术

重载列车的自动驾驶是列车自动驾驶的重要应用方向，是未来列车发展的重要技术之一，而重载列车自动驾驶的空气制动控制问题是研发和设计自动驾驶系统的重点和难点之一，若不能兼顾自动驾驶的空气制动中各种因素的影响，就会导致重载列车的超速、车钩断裂等现象，严重时列车将有脱轨危险，这种现象在循环空气制动时体现得尤为突出。

重载列车相较于一般的货运列车和客运列车，其空气制动具有两方面突出特点，一方面，重载列车的空气制动模型具有强非线性、大时滞性的特点，使得重载列车的空气制动模型的精确度难以保证，进而对重载列车空气制动力的计算精度造成较大影响。另一方面，重载列车在具有长大下坡的线路上运行时的循环空气制动控制中具有反馈减压量误差较大，以及充排风时间与减压过程之间的耦合等特点，使得重载列车空气制动力的计算精度难以保证，进而影响重载列车的操纵安全。

现有技术中方案普遍采用重载列车的物理模型，并缺乏有效的非线性控制策略，存在以下缺点：

1、现有的技术较多地利用重载列车的机理关系来搭建物理模型，这对具有强非线性、大时滞性的重载列车的模型来说是不准确的；

2、现有国内外的技术能够在一定程度上预测重载列车在部分场景下空气制动力。但是，对于影响重载列车循环空气制动力强弱因素缺乏系统的研究，难以使用合适的非线性控制策略完成空气制动力的精确预测。

因此，如何使得重载列车在循环空气制动过程中具有精确的空气制动模型，采用合适的非线性控制策略，实现自动驾驶系统对空气制动力的精准预测是重载列车操纵技术领域的一个技术难题。

发明内容

本申请实施例提供重载列车空气制动力预测方法、装置、设备及介质，能够实现对空气制动力的精准预测。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种重载列车空气制动力预测方法。该重载列车空气制动力预测方法，包括：

获取当前特征变量值；

基于模糊逻辑的匹配规则确定所述当前特征变量值对应的当前空气制动力模糊预测规则；

根据所述当前特征变量值和所述当前空气制动力模糊预测规则，得到重载列车当前空气制动力预测值。

根据第一方面所述的方法可知，由于通过模糊逻辑匹配到当前对应的空气制动力模糊预测规则，从而使得本申请对重载列车具有覆盖全线路全工况的特点，进而有效提高了空气制动力的预测精度，以实现精确预测重载列车空气制动力的技术效果。

一种可能的设计方案中，在所述获取当前特征变量值之前，所述方法还包括：

基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则。

根据上述设计方案可知，由于利用基于径向基神经网络的空气制动力模糊预测规则训练，从而通过基于模糊神经网络的重载列车空气制动力预测，能够从空气制动模型和空气制动力预测计算两个方面提高精度，以便于达到精确预测重载列车空气制动力的技术效果。

一种可能的设计方案中，所述基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则，包括：

从重载列车中央控制单元中，获取多个重载列车空气制动数据，并处理为重载列车离线空气制动样本数据，所述重载列车离线空气制动样本数据作为特征变量；

将所述特征变量输入所述径向基神经网络，得到离线状态下的空气制动力模糊预测规则；

根据所述特征变量与所述空气制动力模糊预测规则的对应关系建立所述特征变量与所述空气制动力模糊预测规则的匹配规则。

根据上述设计方案可知，通过设计基于径向基神经网络的空气制动力模糊预测规则训练过程，并通过对大量离线空气制动样本数据的分析和处理，解决了空气制动模型的强非线性和大时滞性难题，以便于达到精确预测重载列车空气制动力的技术效果。

一种可能的设计方案中，所述基于模糊逻辑的匹配规则确定所述当前特征变量值对应的当前空气制动力模糊预测规则，包括：

将所述匹配规则转换为模糊逻辑的匹配规则；

将所述模糊逻辑的匹配规则与所述当前特征变量值的进行匹配度计算，得到所述当前特征变量值对应的当前空气制动力模糊预测规则。

根据上述设计方案可知，通过基于模糊逻辑的空气制动力模糊预测规则匹配度计算，通过模糊逻辑的匹配规则匹配到当前对应的空气制动力模糊预测规则，使得本申请具有覆盖全线路全工况的特点，有效提高了空气制动力的预测精度。

一种可能的设计方案中，所述根据所述当前特征变量值和所述当前空气制动力模糊预测规则，得到重载列车当前空气制动力预测值，包括：

根据所述当前空气制动力模糊预测规则，输入所述当前特征变量值至所述径向基神经网络，得到重载列车当前空气制动力预测值。

一种可能的设计方案中，所述当前特征变量值包括以下参数中的至少一种：

速度、减压量、电牵引/制动力、大闸减压量、小闸减压量和流量计。

一种可能的设计方案中，所述获取当前特征变量值，包括：

实时读取所述重载列车的空气制动数据；

将所述空气制动数据作为当前特征变量值。

第二方面，提供一种重载列车空气制动力预测装置。该重载列车空气制动力预测装置，包括：

获取单元，用于获取当前特征变量值；

匹配单元，用于基于模糊逻辑的匹配规则确定所述当前特征变量值对应的当前空气制动力模糊预测规则；

预测单元，用于根据所述当前特征变量值和所述当前空气制动力模糊预测规则，得到重载列车当前空气制动力预测值。

一种可能的设计方案中，该重载列车空气制动力预测装置，还包括：

训练单元，用于基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则。

一种可能的设计方案中，所述训练单元，具体用于：

从重载列车中央控制单元中，获取多个重载列车空气制动数据，并处理为重载列车离线空气制动样本数据，所述重载列车离线空气制动样本数据作为特征变量；

将所述特征变量输入所述径向基神经网络，得到离线状态下的空气制动力模糊预测规则；

根据所述特征变量与所述空气制动力模糊预测规则的对应关系建立所述特征变量与所述空气制动力模糊预测规则的匹配规则。

一种可能的设计方案中，该匹配单元，具体用于：

将所述匹配规则转换为模糊逻辑的匹配规则；

将所述模糊逻辑的匹配规则与所述当前特征变量值的进行匹配度计算，得到所述当前特征变量值对应的当前空气制动力模糊预测规则。

一种可能的设计方案中，该预测单元，具体用于：

根据所述当前空气制动力模糊预测规则，输入所述当前特征变量值至所述径向基神经网络，得到重载列车当前空气制动力预测值。

一种可能的设计方案中，该获取单元，具体用于：

实时读取所述重载列车的空气制动数据；

将所述空气制动数据作为当前特征变量值。

此外，第二方面所述的重载列车空气制动力预测装置的技术效果可以参考第一方面所述的重载列车空气制动力预测方法的技术效果，此处不再赘述。

第三方面，本申请提供的一种电子设备，该电子设备包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现如第一方面任一项所述的重载列车空气制动力预测方法。

第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理设备运行时执行如第一方面的任一项所述的重载列车空气制动力预测方法的步骤。

附图说明

图1为本申请实施例提供的一种重载列车空气制动力预测方法的流程示意图；

图2为基于模糊逻辑的空气制动力模糊预测规则匹配度计算结构示意图；

图3为图1所示一种重载列车空气制动力预测方法中步骤S203输出的当前空气制动力预测值对应的计算结构示意图；

图4为本申请实施例提供的一种重载列车空气制动力预测装置的功能模块示意图；

图5为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图，对本申请中的技术方案进行描述。

本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。

另外，在本申请实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本申请实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。

下面将结合图1至图3，本申请实施例提供的重载列车空气制动力预测方法进行具体阐述。示例性地，图1为本申请实施例提供的重载列车空气制动力预测方法的流程示意图。

如图1所示，该重载列车空气制动力预测方法包括如下步骤：

步骤S201，获取当前特征变量值。

可选地，所述当前特征变量值包括以下参数中的至少一种：

速度、减压量、电牵引/制动力、大闸减压量、小闸减压量和流量计。

当然，在实际使用中，当前特征变量值也可以是速度、减压量、电牵引/制动力、大闸减压量、小闸减压量和流量计中的全部。

作为一种实施方式，步骤S201，包括：实时读取所述重载列车的空气制动数据；将所述空气制动数据作为当前特征变量值。

在一可能的实施例中，在步骤S201之前，该重载列车空气制动力预测方法，还包括：

基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则。

可以理解的是，模糊形式的空气制动力模糊预测规则：所设计的径向基神经网络的输入为特征变量，输出为离线空气制动力。需要明确，离线空气制动力是用当前实际力与当前阻力和当前电牵引/制动力计算得到。训练完成之后，所设计的径向基神经网络的输入层权重值，中间层权重值，输出层权重值均为隶属度函数的形式，都具备固定数量的模糊规则个数，由此得到空气制动力模糊预测规则。

可以理解的是，特征变量与空气制动力模糊预测规则的匹配规则：为了得到重载列车空气制动实时数据对应的模糊形式的空气制动力模糊预测规则，需要在实时数据和空气制动力模糊预测规则中建立对应的联系，因此，在径向基神经网络的训练中也要得到特征变量与空气制动力模糊预测规则的匹配规则。

可以理解的是，在该实施方式中，由于利用基于径向基神经网络的空气制动力模糊预测规则训练，从而通过基于模糊神经网络的重载列车空气制动力预测，能够从空气制动模型和空气制动力预测计算两个方面提高精度，以便于达到精确预测重载列车空气制动力的技术效果。

可选地，所述基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则，包括：从重载列车中央控制单元中，获取多个重载列车空气制动数据，并处理为重载列车离线空气制动样本数据，所述重载列车离线空气制动样本数据作为特征变量；将所述特征变量输入所述径向基神经网络，得到离线状态下的空气制动力模糊预测规则；根据所述特征变量与所述空气制动力模糊预测规则的对应关系建立所述特征变量与所述空气制动力模糊预测规则的匹配规则。

可以理解的是，在该实施方式中，通过设计基于径向基神经网络的空气制动力模糊预测规则训练过程，并通过对大量离线空气制动样本数据的分析和处理，解决了空气制动模型的强非线性和大时滞性难题，以便于达到精确预测重载列车空气制动力的技术效果。

示例性地，径向基神经网络的训练过程如下：

步骤1、初始化参数：随机给定各连接权重值m，b和w，及阈值θ；

步骤2、计算输入输出：由给定的输入(即离线空气制动样本数据，如速度、减压量、电牵引/制动力、大闸减压量、小闸减压量、流量计)和输出(即空气制动力)，计算隐层、输出层的各单元输出；

步骤3、计算连接权重值及阈值：使用径向基高斯函数计算新的连接权重值m，b和w，及阈值θ；

步骤4、训练误差比较：选取下一个输入，对返回步骤2反复训练直到网络的输出误差e达到训练要求；

步骤5、结束训练：保存模糊形式的连接权重值m，b和w。

应理解，径向基神经网络的训练为预先训练，在后期使用时可以直接使用。

步骤S202，基于模糊逻辑的匹配规则确定所述当前特征变量值对应的当前空气制动力模糊预测规则。

作为一种实施方式，步骤S202包括：将所述匹配规则转换为模糊逻辑的匹配规则；将所述模糊逻辑的匹配规则与所述当前特征变量值的进行匹配度计算，得到所述当前特征变量值对应的当前空气制动力模糊预测规则。

举例来说，为了得到重载列车空气制动实时数据对应的当前空气制动力模糊预测规则，需要在实时数据和当前空气制动力模糊预测规则中建立对应的联系规则，因此，在径向基神经网络的训练中也要获取特征变量与离线空气制动力模糊预测规则的匹配规则；而重载列车的运行状态多变且种类繁多，空气制动力与当前运行状态强相关，为准确预测当前空气制动力，本步骤根据设计模糊逻辑控制，匹配当前特征变量对应的当前空气制动力模糊预测规则。具体地，首先将特征变量与离线空气制动力模糊预测规则的匹配规则转化为模糊逻辑的形式。然后输入当前特征变量值(例如，速度、减压量、电牵引/制动力、大闸减压量、小闸减压量、流量计)，利用模糊逻辑的形式的匹配规则，进行基于模糊逻辑的空气制动力模糊预测规则匹配度计算；最后输出当前空气制动力模糊预测规则，如图2所示。

需要说明的是，离线空气制动力模糊预测规则和当前空气制动力模糊预测规则，前者是离线数据，后者是当前实时计算出来。

可以理解的是，在该实现方式中，通过基于模糊逻辑的空气制动力模糊预测规则匹配度计算，通过模糊逻辑的匹配规则匹配到当前对应的空气制动力模糊预测规则，使得本申请具有覆盖全线路全工况的特点，有效提高了空气制动力的预测精度。

步骤S203，根据所述当前特征变量值和所述当前空气制动力模糊预测规则，得到重载列车当前空气制动力预测值。

作为一种实施方式，步骤S203包括：根据所述当前空气制动力模糊预测规则，输入所述当前特征变量值至所述径向基神经网络，得到重载列车当前空气制动力预测值。

也就是说，输入当前特征变量值(速度、减压量、电牵引/制动力、大闸减压量、小闸减压量、流量计)，依据步骤202得到的当前空气制动力模糊预测规则，通过计算得到对应的空气制动力预测值，从而完成重载列车空气制动力预测，如图3所示。

综上所述，由于通过模糊逻辑匹配到当前对应的空气制动力模糊预测规则，从而使得本申请对重载列车具有覆盖全线路全工况的特点，进而有效提高了空气制动力的预测精度，以实现精确预测重载列车空气制动力的技术效果。

基于图1至图3详细说明了本申请实施例提供的重载列车空气制动力预测方法，以下结合图4详细说明用于执行本申请实施例提供的重载列车空气制动力预测方法的重载列车空气制动力预测装置。

示例性地，图4是本申请实施例提供的重载列车空气制动力预测装置的结构示意图。如图4所示，重载列车空气制动力预测装置500包括：获取单元510、匹配单元520和预测单元530。为了便于说明，图4仅示出了该重载列车空气制动力预测装置的主要部件。重载列车空气制动力预测装置500执行图1所示出的重载列车空气制动力预测方法的功能。

其中，获取单元510，用于获取当前特征变量值；

匹配单元520，用于基于模糊逻辑的匹配规则确定所述当前特征变量值对应的当前空气制动力模糊预测规则；

预测单元530，用于根据所述当前特征变量值和所述当前空气制动力模糊预测规则，得到重载列车当前空气制动力预测值。

在一可能的实施例中，该重载列车空气制动力预测装置500，还包括：

训练单元，用于基于径向基神经网络的空气制动力模糊预测规则训练，输出空气制动力模糊预测规则以及特征变量与所述空气制动力模糊预测规则的匹配规则。

在一可能的实施例中，所述训练单元，具体用于：从重载列车中央控制单元中，获取多个重载列车空气制动数据，并处理为重载列车离线空气制动样本数据，所述重载列车离线空气制动样本数据作为特征变量；将所述特征变量输入所述径向基神经网络，得到离线状态下的空气制动力模糊预测规则；根据所述特征变量与所述空气制动力模糊预测规则的对应关系建立所述特征变量与所述空气制动力模糊预测规则的匹配规则。

在一可能的实施例中，该匹配单元，具体用于：将所述匹配规则转换为模糊逻辑的匹配规则；将所述模糊逻辑的匹配规则与所述当前特征变量值的进行匹配度计算，得到所述当前特征变量值对应的当前空气制动力模糊预测规则。

在一可能的实施例中，该预测单元，具体用于：根据所述当前空气制动力模糊预测规则，输入所述当前特征变量值至所述径向基神经网络，得到重载列车当前空气制动力预测值。

在一可能的实施例中，该获取单元，具体用于：实时读取所述重载列车的空气制动数据；将所述空气制动数据作为当前特征变量值。

可选地，所述当前特征变量值包括以下参数中的至少一种：速度、减压量、电牵引/制动力、大闸减压量、小闸减压量和流量计。

此外，重载列车空气制动力预测装置500的技术效果可以参考图1中任一项所示出的重载列车空气制动力预测方法的技术效果，此处不再赘述。

示例性地，图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以是终端设备，也可以是可设置于终端设备的芯片(系统)或其他部件或组件。如图5所示，电子设备2000可以包括处理器2001。

可选地，电子设备2000还可以包括存储器2002和/或收发器2003。其中，处理器2001与存储器2002和收发器2003耦合，如可以通过通信总线连接。

下面结合图5对电子设备2000的各个构成部件进行具体的介绍：

其中，处理器2001是电子设备2000的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器2001是一个或多个中央处理器(central processing unit，CPU)，也可以是特点集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(fieldprogrammable gate array，FPGA)。

可选地，处理器2001可以通过运行或执行存储在存储器2002内的软件程序，以及调用存储在存储器2002内的数据，执行电子设备2000的各种功能，如执行重载列车空气制动力预测方法。

在具体的实现中，作为一种实施例，处理器2001可以包括一个或多个CPU，例如图5中所示出的CPU0和CPU1。

在具体实现中，作为一种实施例，电子设备2000也可以包括多个处理器，例如图5中所示的处理器2001和处理器2004。这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

其中，所述存储器2002用于存储执行本申请方案的软件程序，并由处理器2001来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，存储器2002可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器2002可以和处理器2001集成在一起，也可以独立存在，并通过电子设备2000的接口电路(图5中未示出)与处理器2001耦合，本申请实施例对此不作具体限定。

收发器2003，用于与其他终端设备之间的通信。例如，电子设备2000为终端设备，收发器2003可以用于与网络设备通信，或者与另一个终端设备通信。

可选地，收发器2003可以包括接收器和发送器(图5中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。

可选地，收发器2003可以和处理器2001集成在一起，也可以独立存在，并通过电子设备2000的接口电路(图5中未示出)与处理器2001耦合，本申请实施例对此不作具体限定。

需要说明的是，图5中示出的电子设备2000的结构并不构成对该电子设备的限定，实际的电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

此外，电子设备2000的技术效果可以参考上述方法实施例所述的重载列车空气制动力预测方法的技术效果，此处不再赘述。

应理解，在本申请实施例中的处理器可以是中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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合的服务器、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。半导体介质可以是固态硬盘。

应理解，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：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，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，所述单元的划分，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。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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。

所述功能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)执行本申请各个实施例所述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-only memory，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。

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，可轻易想到变化或替换，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以所述权利要求的保护范围为准。