一种核电站事故智能化控制方法和系统

技术领域

本发明涉及核电站系统故障的技术领域，更具体地说，涉及一种核电站事故智能化控制方法和系统。

背景技术

核电站系统是一个多个子系统相互关联的复杂系统。现在使用最普遍的核电站为压水式反应器核电站，它的工作原理是：用铀制成的核燃料在反应堆内进行核裂变并释放出大量热能；高压下的循环冷却水把热能带出，在蒸汽产生器内生成蒸汽；高温高压的蒸汽推动汽轮机，进而推动发电机旋转。核电是一种清洁无污染且能量密度很高的新能源，对于温室气体、二氧化碳排放几乎是零。核电站建设成本高昂，技术需求高，维护成本亦高。

在控制良好且周边紧急应对系统完善的情况下，核电站其实是相当安全的设施。但是核电站对安全性的要求极高，因为一旦发生事故导致大量核废料废水等放射性物质泄露，对周边环境及居民生命健康产生严重威胁，对自然环境造成无法修复的危害；因此在核电站系统设计，建设和调试以及运行和管理过程中，安全性通常是首要考虑的因素。

压水式反应器核电站中一般包含三个回路，每个回路包含有非常多的设备及控制系统、传感系统等。例如典型的传统压水反应堆的一回路功率调节系统包括：汽轮机、发电机功率调节、冷却剂平均温度及控制棒位置调节、硼浓度调节、蒸汽旁通控制系统及闭锁系统。其中发电机功率调节及其所附属的汽轮机调节是外部调节；蒸汽旁通控制系统用作功率调节系统的辅助，而闭锁系统则是为了防止控制棒提升过大而导致紧急停堆。

在核电站运行过程中，上述的三个回路中的一些设备和控制装置可能会出现一些故障(比如说某回路中一些管道出现了破口，某调节系统中开关失效等)，这些故障会导致核电站运行过程中的一些核心物理参数发生波动(比如因某回路管道出现破口导致某设备容器中的压力发生了下降，继而影响到回路温度或者流量等)。

在现有的核电站正常运行系统中，一般的核电站故障检查和处理都是依赖于操作员的人工判断和依据经验编写的操作流程进行处理，从而排除故障，维持核电站安全运行。这种处理流程的缺点在于，处理流程和效率严重依赖于操作员的判断能力，同时处理多个设备也对操作员提出了较高的要求，操作员在同时操作多个容易出现手忙脚乱以及忙中出错的情况，从而存在较大的安全隐患和风险，核电站系统整体的智能化自动化水平需要提升。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种核电站事故智能化控制方法和系统。

本发明解决其技术问题所采用的技术方案是：构造一种核电站事故智能化控制方法，包括以下步骤：

获取核电站紧急事故的动作数据；

对所述动作数据进行分解，获得多个动作子空间；

将所述多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间；

获取各个所述智能体对应的动作子空间的奖励函数；

各个所述智能体根据对应的奖励函数进行学习，获得各个所述智能体的子策略；

对各个所述智能体的子策略进行汇总，获得总控制策略；

基于所述总控制策略对核电站紧急事故进行智能化控制。

在本发明所述的核电站事故智能化控制方法中，所述对所述动作数据进行分解，获得多个动作子空间包括：

基于先验知识方法对所述动作数据进行分解，获得所述多个动作子空间；

或者，基于动作编码方法对所述动作数据进行分解，获得所述多个动作子空间。

在本发明所述的核电站事故智能化控制方法中，所述基于先验知识方法对所述动作数据进行分解，获得所述多个动作子空间包括：

根据所述先验知识，对动作的种类和相关性进行划分；

根据划分结果，获得动作的种类和相关性；

根据所述动作的种类和相关性，对所述动作数据进行分解，获得所述多个动作子空间。

在本发明所述的核电站事故智能化控制方法中，所述基于动作编码方法对所述动作数据进行分解，获得所述多个动作子空间包括：

通过动作编码器将独热编码的动作转化为潜在空间的潜在表示；

采用前向模型的神经网络学习动作的效果，获得动作的潜在表示；

根据所述动作的潜在表示在潜在空间中进行，获得聚类结果；

根据所述聚类结果将所述动作数据分解为所述多个动作子空间。

在本发明所述的核电站事故智能化控制方法中，所述将所述多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间包括：

采用手动分配的方式将所述多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间；

或者，通过神经网络角色选择器对所述多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

在本发明所述的核电站事故智能化控制方法中，所述通过神经网络角色选择器对所述多个动作子空间进行分配，以获得每个智能体对应的动作子空间包括：

确定神经网络角色选择器的输入向量；

将所述输入向量通过所述神经网络映射至与动作相同维度的潜在空间；

通过最大化向量之间的内积确定对应的角色；

根据所确定对应的角色对对所述多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

在本发明所述的核电站事故智能化控制方法中，所述获取各个所述智能体对应的动作子空间的奖励函数包括：

采用过程导向的方式进行奖励函数设计，以获得所述多个动作子空间的奖励函数和所述各个智能体的奖励函数；

或者，采用与课程学习相关的方式进行奖励函数设计，以所述多个动作子空间的奖励函数和所述各个智能体的奖励函数。

本发明还提供一种核电站事故智能化控制系统，包括：

获取单元，用于获取核电站紧急事故的动作数据；

动作分解单元，用于对所述动作数据进行分解，获得多个动作子空间；

动作分配单元，用于将所述多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间；

奖励设计单元，用于获取各个所述智能体对应的动作子空间的奖励函数；

学习策略单元，用于各个所述智能体根据对应的奖励函数进行学习，获得各个所述智能体的子策略；

控制策略输出单元，用于对各个所述智能体的子策略进行汇总，获得总控制策略；

控制单元，用于基于所述总控制策略对核电站紧急事故进行智能化控制。

在本发明所述的核电站事故智能化控制系统中，所述动作分解单元具体用于：

基于先验知识方法对所述动作数据进行分解，获得所述多个动作子空间；

或者，基于动作编码方法对所述动作数据进行分解，获得所述多个动作子空间。

在本发明所述的核电站事故智能化控制系统中，所述动作分配单元具体用于：

确定神经网络角色选择器的输入向量；

将所述输入向量通过所述神经网络映射至与动作相同维度的潜在空间；

通过最大化向量之间的内积确定对应的角色；

根据所确定对应的角色对对所述多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

实施本发明的核电站事故智能化控制方法和系统，具有以下有益效果：包括：获取核电站紧急事故的动作数据；对动作数据进行分解获得多个动作子空间；将多个动作子空间分配给各个智能体，获得每个智能体对应的动作子空间；获取各个智能体对应的动作子空间的奖励函数；各个智能体根据对应的奖励函数进行学习，获得各个智能体的子策略；对各个智能体的子策略进行汇总，获得总控制策略；基于总控制策略对核电站紧急事故进行智能化控制。本发明基于多智能体强化学习，实现核电站事故的智能化控制，极大减轻人工工作量和压力，显著提升核电站操作系统、控制系统的智能化水平与自动化水平，同时也提升了核电站运行的效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例提供的核电站事故智能化控制方法的流程示意图；

图2是本发明实施例提供的多智能体学习策略的示意图；

图3是本发明实施例提供的核电站事故智能化控制系统的结构示意图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。

多智能体系统是多个智能体组成的集合，其目标是将大而复杂的系统建设成小且彼此相互通信协调的易于管理的系统。强化学习(Reinforcement Learning，RL)是机器学习的一种重要方法，它是一种以环境反馈作为输入目标，用试错方法发现最优行为策略的学习方法。基于此，结合多智能体系统和强化学习方法形成的多智能体强化学习将强化学习的思想和算法应用到多智能体系统中。

本发明提出的核电站事故智能化控制方法即是基于多智能体强化学习的核电站紧急事故工况控制方法。具体的，参考图1，为本发明提供的核电站事故智能化控制方法一优选实施例的流程示意图。

如图1所示，该核电站事故智能化控制方法包括以下步骤：

步骤S101、获取核电站紧急事故的动作数据。

作为选择，核电站紧急事故的动作数据为在核电站的紧急事故中，操纵员根据紧急事故所执行的动作。通过对操纵员在核电站的紧急事故中所执行的动作进行收集存储，形成动作数据。

步骤S102、对动作数据进行分解，获得多个动作子空间。

一些实施例中，对动作数据进行分解，获得多个动作子空间包括：基于先验知识方法对动作数据进行分解，获得多个动作子空间；或者，基于动作编码方法对动作数据进行分解，获得多个动作子空间。即通过将紧急事故所需要的动作利用先验知识或者嵌入学习的方式分解成多个子任务(即多个动作子空间)。

具体的，对于高维的动作空间，可以通过角色分解的方式将原来的动作空间分解为多个动作子空间，从而降低搜索的难度和复杂度。作为选择，本发明可采用以下两种方式：第一种为基于先验知识方法。第二种为基于动作编码的方法。

一些实施例中，基于先验知识方法对动作数据进行分解，获得多个动作子空间包括：根据先验知识，对动作的种类和相关性进行划分；根据划分结果，获得动作的种类和相关性；根据动作的种类和相关性，对动作数据进行分解，获得多个动作子空间。即基于先验知识的方法可以按照操作的种类和相关性，将对应的操作分为几类(如开关、阀门、加水或者其他液体等多种大的类型)，从而使得每一个智能体只负责某一类的操作。

一些实施例中，基于动作编码方法对动作数据进行分解，获得多个动作子空间包括：通过动作编码器将独热编码的动作转化为潜在空间的潜在表示；采用前向模型的神经网络学习动作的效果，获得动作的潜在表示；根据动作的潜在表示在潜在空间中进行，获得聚类结果；根据聚类结果将动作数据分解为多个动作子空间。基于动作编码的方式为采用RODE算法进行动作分解的方式，即利用类似自然语言处理中词向量嵌入的方式通过一个编码器将独热编码的动作映射成潜在空间的潜在表示，而后利用潜在空间的k-means聚类将动作分为几类。

具体的，RODE算法主要由三部分组成，第一部分(a)主要是学习动作的表示和动作的子空间分解。首先，利用一个动作编码器将独热编码的动作转化为d维空间R

根据动作效果，学习动作的潜在表示后将动作聚类，可以将动作空间分解，从而使动作的每个子集都可以实现一定的功能。为了充分利用动作空间的分解，RODE算法使用了双层的层次结构来协调角色和动作的选择。在顶层，角色选择器每隔一定的时间步长向每个智能体分配一个角色。被分配角色后，智能体会在相应角色的有限的动作空间中进行探索以学习相应的角色策略。

在第二部分(b)中，RODE为角色选择器和角色的策略学习设计了高效的，可移植的和轻量级的结构。对于角色选择器，可以简单地使用的常规的Q网络，其输入为本地的动作和观测的历史，而输出是每个角色对应的Q值。但是，这种结构可能效率不高，因为它忽略了有关不同角色的动作空间的信息。直观上看，选择角色决定了接下来一段时间内执行的动作的子集，因此角色对应的Q值与其对应的动作空间密切相关。所以，我们可以用动作空间内对应的所有动作表示的均值来构建角色的选择器。

为了选择角色，所有的智能体共享一个线性层和一个门控循环单元(GatedRecurrent Unit，GRU)，用于把各个智能体本地的动作-观测历史(action-observationhistory)编码成定长的向量作为角色选择器的输入。这个定长的向量，经过一个全连接神经网络之后映射到与动作表示相同维度的潜在空间上，之后通过最大化向量之间的内积选择对应的角色。

在选择了对应的角色之后，可以根据对应的动作子空间去学习相应的子策略，在学习动作价值函数也就是Q函数时可以采用与Q

进一步地，为了达到更好的效果，在实际应用中，也可以将第一种方法和第二种方法结合使用。

步骤S103、将多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间。

一些实施例中，将多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间包括：采用手动分配的方式将多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间；或者，通过神经网络角色选择器对多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

一些实施例中，通过神经网络角色选择器对多个动作子空间进行分配，以获得每个智能体对应的动作子空间包括：确定神经网络角色选择器的输入向量；将输入向量通过神经网络映射至与动作相同维度的潜在空间；通过最大化向量之间的内积确定对应的角色；根据所确定对应的角色对对多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

具体的，在将动作空间分解之后，需要将智能体分配到不同的动作子空间里去，对此，可以采用手动分配或者构建神经网络角色选择器进行分配。其中，神经网络角色选择器的原理与RODE算法相同。即为了选择角色，所有的智能体共享一个线性层和一个门控循环单元、用于把各个智能体本地的动作-观测历史编码成定长的向量，该定长的向量作为角色选择器的输入。该定长的向量，经过一个全连接神经网络之后映射到与动作表示相同维度的潜在空间上，之后通过最大化向量之间的内积选择对应的角色。

进一步地，由于核电站系统中的各个动作有着明确的含义，对应的动作子空间也有明确的物理意义，因此，本发明实施例中，可以直接把每个子空间单独分配给一个智能体，即每个智能体负责某一类操作，这样达到了既简单直接，同时也可以使网络具有较高的可解释性的效果。

步骤S104、获取各个智能体对应的动作子空间的奖励函数。

一些实施例中，获取各个智能体对应的动作子空间的奖励函数包括：采用过程导向的方式进行奖励函数设计，以获得多个动作子空间的奖励函数和各个智能体的奖励函数；或者，采用与课程学习相关的方式进行奖励函数设计，以多个动作子空间的奖励函数和各个智能体的奖励函数。

具体的，对于采用过程导向的方式设计奖励函数：在奖励函数中加入过程量，例如与过程中的各类控制指标(比如响应时间、最大超调量等)相结合，同时，加入操作数量的限制(比如引入与操作数目相关的负几奖励)。在保证安全操作的基础上，尽可能快尽可能少操作的实现控制的指标。

对于与课程学习相关的奖励函数设计：相较于不加区分的机器学习，与课程学习相关的方式可以模仿人类学习的过程，让模型先从容易的样本开始学习，并逐渐进阶到复杂的样本和知识。因此，可以通过设计控制指标和奖励函数让智能体更加平衡地学习如何操作。例如，在一开始设计更加容易实现的控制目标，在达到这个目标之后逐渐提高控制的难度。

步骤S105、各个智能体根据对应的奖励函数进行学习，获得各个智能体的子策略。

具体的，在分配到不同的动作子空间后，各个智能体在对应的子空间进行学习，从而可以得到对应的子控制策略。

一些实施例中，各个智能体学习策略的方案可采用图2所示的算法结构。如图2所示，每个智能体的奖励函数(为了方便说明，每个智能体的奖励函数定义为局部值函数)只需要自己的局部观测，因此，整个系统在执行时是一个分布式的，通过局部值函数，选出累积期望奖励最大的动作执行。而上层通过一个混合价值网络，将各个智能体单独的价值函数混合得到整体的价值函数，同时保证了联合动作值函数与每个局部值函数的单调性相同，因此，对局部值函数取最大动作也就是使联合动作值函数最大。在这一架构下，实现了集中式训练，分布式执行这一特点，因此，兼顾了训练效率和执行效率。

步骤S106、对各个智能体的子策略进行汇总，获得总控制策略。

步骤S107、基于总控制策略对核电站紧急事故进行智能化控制。

参考图3，为本发明提供的核电站事故智能化控制系统一优选实施例的结构示意图。其中，该核电站事故智能化控制系统可以应用于本发明实施例公开的核电站事故智能化控制方法。

具体的，如图3所示，该核电站事故智能化控制系统包括：

获取单元301，用于获取核电站紧急事故的动作数据。

作为选择，核电站紧急事故的动作数据为在核电站的紧急事故中，操纵员根据紧急事故所执行的动作。通过对操纵员在核电站的紧急事故中所执行的动作进行收集存储，形成动作数据。

动作分解单元302，用于对动作数据进行分解，获得多个动作子空间。

一些实施例中，动作分解单元具体用于：基于先验知识方法对动作数据进行分解，获得多个动作子空间；或者，基于动作编码方法对动作数据进行分解，获得多个动作子空间。

具体的，对于高维的动作空间，可以通过角色分解的方式将原来的动作空间分解为多个动作子空间，从而降低搜索的难度和复杂度。作为选择，本发明可采用以下两种方式：第一种为基于先验知识方法。第二种为基于动作编码的方法。

一些实施例中，基于先验知识方法对动作数据进行分解，获得多个动作子空间包括：根据先验知识，对动作的种类和相关性进行划分；根据划分结果，获得动作的种类和相关性；根据动作的种类和相关性，对动作数据进行分解，获得多个动作子空间。即基于先验知识的方法可以按照操作的种类和相关性，将对应的操作分为几类(如开关、阀门、加水或者其他液体等多种大的类型)，从而使得每一个智能体只负责某一类的操作。

一些实施例中，基于动作编码方法对动作数据进行分解，获得多个动作子空间包括：通过动作编码器将独热编码的动作转化为潜在空间的潜在表示；采用前向模型的神经网络学习动作的效果，获得动作的潜在表示；根据动作的潜在表示在潜在空间中进行，获得聚类结果；根据聚类结果将动作数据分解为多个动作子空间。基于动作编码的方式为采用RODE算法进行动作分解的方式，即利用类似自然语言处理中词向量嵌入的方式通过一个编码器将独热编码的动作映射成潜在空间的潜在表示，而后利用潜在空间的k-means聚类将动作分为几类。

具体的，RODE算法主要由三部分组成，第一部分(a)主要是学习动作的表示和动作的子空间分解。首先，利用一个动作编码器将独热编码的动作转化为d维空间R

根据动作效果，学习动作的潜在表示后将动作聚类，可以将动作空间分解，从而使动作的每个子集都可以实现一定的功能。为了充分利用动作空间的分解，RODE算法使用了双层的层次结构来协调角色和动作的选择。在顶层，角色选择器每隔一定的时间步长向每个智能体分配一个角色。被分配角色后，智能体会在相应角色的有限的动作空间中进行探索以学习相应的角色策略。

在第二部分(b)中，RODE为角色选择器和角色的策略学习设计了高效的，可移植的和轻量级的结构。对于角色选择器，可以简单地使用的常规的Q网络，其输入为本地的动作和观测的历史，而输出是每个角色对应的Q值。但是，这种结构可能效率不高，因为它忽略了有关不同角色的动作空间的信息。直观上看，选择角色决定了接下来一段时间内执行的动作的子集，因此角色对应的Q值与其对应的动作空间密切相关。所以，我们可以用动作空间内对应的所有动作表示的均值来构建角色的选择器。

为了选择角色，所有的智能体共享一个线性层和一个门控循环单元(GatedRecurrent Unit，GRU)，用于把各个智能体本地的动作-观测历史(action-observationhistory)编码成定长的向量作为角色选择器的输入。这个定长的向量，经过一个全连接神经网络之后映射到与动作表示相同维度的潜在空间上，之后通过最大化向量之间的内积选择对应的角色。

在选择了对应的角色之后，可以根据对应的动作子空间去学习相应的子策略，在学习动作价值函数也就是Q函数时可以采用与Q

进一步地，为了达到更好的效果，在实际应用中，也可以将第一种方法和第二种方法结合使用。

动作分配单元303，用于将多个动作子空间分配给各个智能体，以获得每个智能体对应的动作子空间。

动作分配单元具体用于：确定神经网络角色选择器的输入向量；将输入向量通过神经网络映射至与动作相同维度的潜在空间；通过最大化向量之间的内积确定对应的角色；根据所确定对应的角色对对多个动作子空间进行分配，以获得每个智能体对应的动作子空间。

具体的，在将动作空间分解之后，需要将智能体分配到不同的动作子空间里去，对此，可以采用手动分配或者构建神经网络角色选择器进行分配。其中，神经网络角色选择器的原理与RODE算法相同。即为了选择角色，所有的智能体共享一个线性层和一个门控循环单元、用于把各个智能体本地的动作-观测历史编码成定长的向量，该定长的向量作为角色选择器的输入。该定长的向量，经过一个全连接神经网络之后映射到与动作表示相同维度的潜在空间上，之后通过最大化向量之间的内积选择对应的角色。

进一步地，由于核电站系统中的各个动作有着明确的含义，对应的动作子空间也有明确的物理意义，因此，本发明实施例中，可以直接把每个子空间单独分配给一个智能体，即每个智能体负责某一类操作，这样达到了既简单直接，同时也可以使网络具有较高的可解释性的效果。

奖励设计单元304，用于获取各个智能体对应的动作子空间的奖励函数。

一些实施例中，奖励设计单元304具体用于：采用过程导向的方式进行奖励函数设计，以获得多个动作子空间的奖励函数和各个智能体的奖励函数；或者，采用与课程学习相关的方式进行奖励函数设计，以多个动作子空间的奖励函数和各个智能体的奖励函数。

具体的，对于采用过程导向的方式设计奖励函数：在奖励函数中加入过程量，例如与过程中的各类控制指标(比如响应时间、最大超调量等)相结合，同时，加入操作数量的限制(比如引入与操作数目相关的负几奖励)。在保证安全操作的基础上，尽可能快尽可能少操作的实现控制的指标。

对于与课程学习相关的奖励函数设计：相较于不加区分的机器学习，与课程学习相关的方式可以模仿人类学习的过程，让模型先从容易的样本开始学习，并逐渐进阶到复杂的样本和知识。因此，可以通过设计控制指标和奖励函数让智能体更加平衡地学习如何操作。例如，在一开始设计更加容易实现的控制目标，在达到这个目标之后逐渐提高控制的难度。

学习策略单元305，用于各个智能体根据对应的奖励函数进行学习，获得各个智能体的子策略。

控制策略输出单元306，用于对各个智能体的子策略进行汇总，获得总控制策略。

控制单元307，用于基于总控制策略对核电站紧急事故进行智能化控制。

本发明通过多智能体强化学习引入到核电站控制系统中，从而实现了人工智能辅助的核电站控制方案，极大地减轻了人工工作量和工作压力，显著提升了核电站操作系统、控制系统的智能化水平与自动化水平，同时也提升了核电站运行的效率。

由于核电厂的控制系统中涉及到的参数和控制变量众多，控制方案复杂，同时在多个控制变量构成的高维的动作空间中进行搜索的难度相对较大，且难以保证控制过程中精确性和实时性的要求；因此可以通过利用控制变量之间的相关性，借鉴多智能体强化学习中角色分解的思路，将需要控制的各个变量依据相关性分解成多个虚拟的角色分别进行控制，本质上是将一个在高维的控制空间中搜索的问题分解成多个在低维空间内进行搜索的问题，从而大大降低了搜索的难度和时间成本，提高了搜索的效率

核电站系统较为复杂，需要控制的设备较多，一个操作员在同时操作多个设备时容易忙中出错，多个操作员操作时也容易出现沟通不及时的问题，利用多智能体强化学习可以在无沟通成本和延时的前提下实现同时操作多个设备，从而增加了核电站运行的安全性和可靠性，有助于进一步迈向无人化、完全智能化的未来核电新模式。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。