基于块稀疏与二元树搜索的压缩感知信号重构方法及系统

技术领域

本发明涉及通信技术领域。更具体地，涉及一种基于块稀疏与二元树搜索的压缩感知信号重构方法及系统。

背景技术

压缩感知(CS)信息获取理论被广泛用于通信领域。与传统信号采样方法相比，CS方法可使信号的采样率不再受Nyquist采样定理的限制，而是由信号本身的特征和信息内容决定。基于CS方法所构造的CS接收机能够大幅降低通信中第三方(即非合作方)获取未知信号所需的采样率，避开传统盲接收中接收机的高速采样瓶颈。同时，由于低速ADC可以提供更高的有效位数，CS 盲接收方法在扩展接收带宽的同时兼顾了后续信号处理所必须的大动态范围。

为了有效利用通信信号频谱的多窄带分布特征，块稀疏模型是CS方法中一种有效的改进形式。利用信号在稀疏域(即频域)中非零值成块分布的结构先验信息，可以大幅提高信号欠采样效率、重构精度与重构速度。然而，诸如 BCoSaMP、BSAMP和FBBP等目前性能较好的块稀疏贪婪重构算法，在重构性能方面对块稀疏度与块长度的初始化十分敏感。不匹配的块长度会使上述算法的重构性能大幅度恶化，且整个重构过程中块分辨率往往固定不可变。对于 CS盲接收而言，信号的块分布、块稀疏度以及块长度通常是不可知或是不能准确获取的，这极大的限制了CS接收机对多窄带特征这一结构化信息的利用。

发明内容

本发明的一个目的在于提供一种基于块稀疏与二元树搜索的压缩感知信号重构方法，提供一种基于二元树搜索与监督机制的盲块正交匹配追踪 (BTSM-B

为达到上述目的，本发明采用下述技术方案：

本发明公开了一种基于块稀疏与二元树搜索的压缩感知信号重构方法，包括：

对接收信号进行均匀分块，构建块稀疏信号模型；

对所述块稀疏信号模型进行块稀疏信号重构确定存在信号的支撑块并形成支撑块索引集；

对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型，对重新构建的块稀疏信号模型进行块稀疏信号重构以更新所述支撑块索引集，重复更新所述支撑块索引集直至满足迭代停止条件，根据迭代停止后的支撑块进行信号重构。

优选的，所述对接收信号进行均匀分块，构建块稀疏信号模型具体包括：

根据预设块长度对接收信号进行均匀分块；

形成与均匀分块后每块子信号对应的恢复子矩阵和稀疏子向量得到观测向量；

根据均匀分块后每块子信号的混合范数的块稀疏约束和观测向量建立块稀疏信号模型。

优选的，所述对所述块稀疏信号模型进行块稀疏信号重构确定存在信号的支撑块并形成支撑块索引集具体包括：

通过块正交匹配追踪算法对块稀疏信号模型进行块相关检测得到存在检测到信号的支撑块；

将检测得到的存在信号的支撑块增加至支撑块索引集以更新所述支撑块索引集；

重复以上更新所述支撑块索引集的过程直至当前块子信号的搜索残差满足预设监督条件。

优选的，所述对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型具体包括：

取当前子信号的块长度的一半作为分解块长度；

根据所述分解块长度对所述支撑块索引集的支撑块重新均匀分块；

根据所述分解块长度针对重新均匀分块得到的子信号建立块稀疏信号模型。

本发明还公开了一种基于块稀疏与二元树搜索的压缩感知信号重构系统，包括：

模型构建单元，用于对接收信号进行均匀分块，构建块稀疏信号模型；

支撑块筛选单元，用于对所述块稀疏信号模型进行块稀疏信号重构确定存在信号的支撑块并形成支撑块索引集；

信号重构单元，用于对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型，对重新构建的块稀疏信号模型进行块稀疏信号重构以更新所述支撑块索引集，重复更新所述支撑块索引集直至满足迭代停止条件，根据迭代停止后的支撑块进行信号重构。

优选的，所述模型构建单元具体用于根据预设块长度对接收信号进行均匀分块；形成与均匀分块后每块子信号对应的恢复子矩阵和稀疏子向量得到观测向量；根据均匀分块后每块子信号的混合范数的块稀疏约束和观测向量建立块稀疏信号模型。

优选的，所述支撑块筛选单元具体用于通过块正交匹配追踪算法对块稀疏信号模型进行块相关检测得到存在检测到信号的支撑块；将检测得到的存在信号的支撑块增加至支撑块索引集以更新所述支撑块索引集；重复以上更新所述支撑块索引集的过程直至当前块子信号的搜索残差满足预设监督条件。

优选的，所述信号重构单元具体用于取当前子信号的块长度的一半作为分解块长度；根据所述分解块长度对所述支撑块索引集的支撑块重新均匀分块；根据所述分解块长度针对重新均匀分块得到的子信号建立块稀疏信号模型。

本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，

所述处理器执行所述程序时实现如上所述方法。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，

该程序被处理器执行时实现如上所述方法。

在基于压缩感知的盲信号接收中，针对具有块稀疏特征的信号重构，本发明提供一种基于二元树搜索与监督机制的盲块正交匹配追踪 (BTSM-B

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体实施例的流程图之一；

图2示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体实施例的流程图之二；

图3示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体实施例的流程图之三；

图4示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体施子的流程图；

图5示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体实施例的流程图之四；

图6示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构方法一个具体实施例二元树搜索的原理图；

图7(a)和图7(b)示出了本发明与几种现有算法对高斯分布块稀疏信号的自适应重构能力对比图；

图8(a)和图8(b)示出了本发明与几种现有算法对0-1分布块稀疏信号的自适应重构能力对比图；

图9示出了基于AIC的CS接收机盲接收中本发明与几种现有算法鲁棒性重构能力对比图；

图10示出了本发明基于块稀疏与二元树搜索的压缩感知信号重构系统一个具体实施例的结构图；

图11示出适于用来实现本发明实施例的计算机设备的结构示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

根据本发明的一个方面，本实施例公开了一种基于块稀疏与二元树搜索的压缩感知信号重构方法。如图1所示，本实施例中，所述方法包括：

S100：对接收信号进行均匀分块，构建块稀疏信号模型。

S200：对所述块稀疏信号模型进行块稀疏信号重构确定存在信号的支撑块并形成支撑块索引集。

S300：对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型，对重新构建的块稀疏信号模型进行块稀疏信号重构以更新所述支撑块索引集，重复更新所述支撑块索引集直至满足迭代停止条件，根据迭代停止后的支撑块进行信号重构。

在基于压缩感知的盲信号接收中，针对具有块稀疏特征的信号重构，本发明提供一种基于二元树搜索与监督机制的盲块正交匹配追踪 (BTSM-B

在优选的实施方式中，如图2所示，所述S100具体可包括：

S110：根据预设块长度对接收信号进行均匀分块。

S120：形成与均匀分块后每块子信号对应的恢复子矩阵和稀疏子向量得到观测向量。

S130：根据均匀分块后每块子信号的混合范数的块稀疏约束和观测向量建立块稀疏信号模型。

可以理解的是，在接收时，首先根据信号在稀疏域存在成块出现的特征，对信号进行均匀分块，构建块稀疏信号模型。

在一个具体例子中，压缩感知(CS)致力于如何由一个M×1维的观测向量 y中恢复N×1维的原始信号x，其中M远小于N，M和N为正整数。基础CS 模型可以表示为：

y＝Φx (1-1)

其中，Φ为一个与信号x不相关的M×N维观测矩阵。由于观测矩阵Φ的行数远小于列数，因此，由观测向量y重构原始信号x的过程是一个明显的欠定问题，拥有无穷多解。为此，CS理论需要利用原始信号x的稀疏性对重构进行约束，以保证重构过程具有唯一解。信号的稀疏性表示如下：

x＝Ψs (1-2)

其中，s为一个N×1维的稀疏向量，其中只包含k个非零值。Ψ为信号x的稀疏变换基矩阵。这类可以由稀疏变换基矩阵Ψ和至多k个非零值的稀疏向量s 所表示的信号x被称为在Ψ上的k稀疏信号。结合式(1-1)与(1-2)，观测向量y可以重写为：

y＝ΦΨs＝Θs (1-3)

其中，Θ＝ΦΨ为M×N维的恢复矩阵。在稀疏约束下，由观测向量y重构原始信号x的过程可以表示为一个优化问题：

其中，

在通信侦查情景下，通信信号的多窄带特征在稀疏域中存在成块出现的特征。假设某信号在稀疏域中由L个以长度d

其中，s

基于上述表示，一个块K稀疏信号被定义为||s||

式(1-6)中的||·||

与基于非零值随机分布的k稀疏信号不同，块K稀疏信号的非零值仅分布在K个块的范围内，定义Γ＝{d

对于均匀块K稀疏信号，其实际稀疏度有k≤Kd。恢复矩阵Θ可以依照分布Γ表示为：

其中，φ

其中，T为转置运算。

基于上述表示，在块稀疏约束||s||

在优选的实施方式中，如图3所示，所述S200具体可包括：

S210：通过块正交匹配追踪算法(BOMP)对块稀疏信号模型进行块相关检测得到存在检测到信号的支撑块。

S220：将检测得到的存在信号的支撑块增加至支撑块索引集以更新所述支撑块索引集。

S230：重复以上更新所述支撑块索引集的过程直至当前块子信号的搜索残差满足预设监督条件。

可以理解的是，在解决了未知条件下块分布与块稀疏度的双自适应块搜索问题后，就需要为搜索过程设置合理的重构算法。如图4所示，本实施例采用的是BOMP算法。在上述二元树的搜索与监督机制的每一次外循环中，存在一个由BOMP算法执行的内循环。BOMP算法负责在当前块分辨率下进行块稀疏信号的重构，获得到信号稀疏块的占用情况。它具有实现步骤简单、重构性能优越以及重构效率高等优势。将BOMP算法与二元树搜索监督机制相结合，可以得到完整的BTSM-B

具体的，BTSM-B

表1

具体来说，外循环的作用是对原始信号进行依次递减的块分割，并参考内循环所得到的搜索范围和残差结果给出下一阶段内循环的搜索范围。而对于内循环而言，在每一次循环中，BOMP算法被用来在当前分块下进行信号重构。当监督条件||r

其中，在未知信号常规稀疏度的前提下，停止条件的设置将以迭代残差为主要参考依据。在本算法中给定基于残差的停止条件为||r||

在优选的实施方式中，如图5所示，所述S300中对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型具体可包括：

S310：取当前子信号的块长度的一半作为分解块长度。

S320：根据所述分解块长度对所述支撑块索引集的支撑块重新均匀分块。

S330：根据所述分解块长度针对重新均匀分块得到的子信号建立块稀疏信号模型。

可以理解的是，本发明为了解决分块大小的自适应问题，通过二元树的搜索与监督机制，在每一次外循环中根据当前的块分辨率逐步排除未占用的子块，不断缩小搜索区域。并且当前块分辨率下所得到的块支撑集将作为下一块分辨率迭代的先验信息。块分辨率随着外循环的次数增加而增加(即块长度随着外循环的次数增加而减小)，当块长度减小到给定块长度或1时，重构便执行完毕，整个二元树搜索过程不需要信号的分块或稀疏度信息。

在一个具体例子中，如图6所示，二元树搜索过程可以总结为：

(1)将信号以块长度d＝2

(2)将被保留下来的部分以d＝2

(3)重复步骤(2)，直到d达到预设的块分辨率。

二叉查找树的基本操作和树的高度成正比，所以如果是一棵完全二叉树，其最坏的运行时间为O(lgN)，但若将所有数据排成一列(即线性树)，则搜索的最坏时间为O(N)。因此，二元树搜索的引入可以加快相关块的搜索速度。

二元树搜索方案可以有效的同时解决块稀疏度与块长度的自适应问题。然而，由于块支撑集搜索过程中必然存在重构误差，二元树搜索过程中还需要考虑到搜索错误的因素。实际上，二元树搜索对重构错误的容纳程度十分可观，即使在当前块分辨率下挑选了错误的原子块，在下一块分辨率的搜索过程中也将能够主动将错误块进行排除。但需要注意的是，若在上一块分辨率的搜索中存在对信号支撑原子块的漏选，则由于不同分辨率下先验信息的传递，在接下来更小的块分辨率搜索下都将继续忽略这一支撑原子块。这样的错误积累将造成重构信号支撑集的缺失。为了尽可能的保证每一分辨率的搜索不发生漏选现象，需要为二元树搜索过程添加了监督机制。当第c个节点的搜索满足下列不等式：

搜索得到的块支撑集才被用于下一块分辨率(即下一节点)的搜索区间先验信息。其中，||r

监督门限γ的设定相对其他两个参数较为灵活。监督门限的作用在于监督每一层节点的搜索，促使块支撑的搜索尽可能的完整。γ实际上是原始残差(信号能量)与重构后残差(除去已挑选原子块支撑以后的剩余能量)标准 Euclidean范数的比值，代表了二者能量之比。其一，监督门限γ可直接设置为与停止门限ε相同，此时算法在找到合适的块长度以满足内循环后，将直接满足外循环得到重构信号。其二，可设置1>γ≥ε。由于内循环的作用是找到足够的支撑块(可多而不能少)而非对信号精确重构，因此并不需要在每一级块分辨率下执行过多的迭代次数降低残差。根据仿真经验，可以将监督门限γ设置为大于停止门限1到3个数量级(γ＝10～10

分解等级决定了整个二元树搜索过程中的最大块长度。分解的取值范围，有

图7(a)、图7(b)、图8(a)和图8(b)描述了块稀疏信号下现有BOMP 算法、SAMP算法以及BSAMP算法作为对比算法与本发明的自适应重构能力对比的仿真实验。其中BOMP是BTSM-B

表2

由图7(a)、图7(b)、图8(a)和图8(b)可以看出，在4种块稀疏信号情景下，块贪婪算法都要比单点匹配的重构算法SAMP对高稀疏度信号的重构能力要强。在现有的单点匹配贪婪算法中，SAMP算法已经具备了最具竞争力的重构性能和自适应能力。因此，该结果有力的验证了块贪婪算法在处理块稀疏信号上的优势。除此之外，图中反映出了一个有趣的现象：BTSM-B

图9(a)-图9(d)展示了在基于模拟信息转换器(AIC)的CS接收机盲接收中，上述几种算法与本发明的自适应性与鲁棒性的对比。原始信号采用添加高斯白噪声的多窄带信号模型。为了模拟接收未知信号(未知块分布、未知块稀疏度)，其载波f

表3

在不存在噪声的理想情景下，如图9(a)所示，所提出两种基于二元树搜索与监督的盲重构算法重构在相同欠采样数量下具有最高的精确重构概率。对于 BOMP算法，由于恢复矩阵的不匹配分割，其重构概率曲线随欠采样数的升高出现了明显波动。类似的，具有固定块长度设定的BSAMP算法也可以观察到精确重构概率的相似曲线波动。而且此时的BOMP算法与BSAMP算法被赋予了正确的块长度，若块长度设置错误，则重构概率曲线将出现进一步的下降。在块分布与块稀疏度的完全自适应能力的意义上，本发明有效的解决了以上性能波动问题。另一方面，在噪声环境中，本发明的优势仍然明显。图9的结果验证了BTSM-B

从仿真实验可以看出，本发明利用通信信号满足块稀疏信号模型的特点，充分发挥了结构信息在CS重构中的优势，相比现有的非块贪婪重构算法可以大幅提高信号欠采样效率、重构精度与重构速度，节省硬件与计算资源。并且，基于二元树的搜索与监督机制灵活借鉴了二叉查找树的搜索方法，加快相关块的搜索速度，并且可以完全在无信号分块情况和稀疏度的情况下自适应的逐步减小搜索范围。在解决了上述两参数的初始化敏感问题的基础上为重构提供了更加优秀的自适应重构性能。本发明的内循环所采用的BOMP算法具有实现步骤简单、重构性能优越以及重构效率高等优势，可以与监督措施较好的匹配，解决BTSM-B

综上，本发明为了解决CS盲接收技术中块自适应重构算法对块分布、块稀疏度以及块长度的初始化敏感问题，采用了基于二叉查找树的二元树搜索与监督机制。该机制可以自上而下的以不同块分辨率进行搜索，并通过适当的监督避免错误积累。基于该机制，本发明给出了一种可同时对未知块稀疏度与块长度进行双自适应重构的块贪婪算法——基于二元树搜索与监督机制的盲块正交匹配追踪(BTSM-B

基于相同原理，本实施例还公开了一种基于块稀疏与二元树搜索的压缩感知信号重构系统。如图10所示，本实施例中，所述系统包括模型构建单元11、支撑块筛选单元12和信号重构单元13。

其中，模型构建单元11用于对接收信号进行均匀分块，构建块稀疏信号模型。

支撑块筛选单元12用于对所述块稀疏信号模型进行块稀疏信号重构确定存在信号的支撑块并形成支撑块索引集。

信号重构单元13用于对所述支撑块索引集的支撑块重新进行均匀分块并构建块稀疏信号模型，对重新构建的块稀疏信号模型进行块稀疏信号重构以更新所述支撑块索引集，重复更新所述支撑块索引集直至满足迭代停止条件，根据迭代停止后的支撑块进行信号重构。

在优选的实施方式中，所述模型构建单元11具体用于根据预设块长度对接收信号进行均匀分块；形成与均匀分块后每块子信号对应的恢复子矩阵和稀疏子向量得到观测向量；根据均匀分块后每块子信号的混合范数的块稀疏约束和观测向量建立块稀疏信号模型。

在优选的实施方式中，所述支撑块筛选单元12具体用于通过块正交匹配追踪算法对块稀疏信号模型进行块相关检测得到存在检测到信号的支撑块；将检测得到的存在信号的支撑块增加至支撑块索引集以更新所述支撑块索引集；重复以上更新所述支撑块索引集的过程直至当前块子信号的搜索残差满足预设监督条件。

在优选的实施方式中，所述信号重构单元13具体用于取当前子信号的块长度的一半作为分解块长度；根据所述分解块长度对所述支撑块索引集的支撑块重新均匀分块；根据所述分解块长度针对重新均匀分块得到的子信号建立块稀疏信号模型。

由于该系统解决问题的原理与以上方法类似，因此本系统的实施可以参见方法的实施，在此不再赘述。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述方法。

下面参考图11，其示出了适于用来实现本申请实施例的计算机设备600 的结构示意图。

如图11所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603 中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及 RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，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，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括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609从网络上被下载和安装，和/或从可拆卸介质611被安装。

计算机可读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。计算机的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。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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，对于系统实施例而言，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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。