按键质量检测方法及装置

技术领域

本公开实施例涉及按键检测技术领域，更具体地，涉及一种按键质量检测方法及装置。

背景技术

目前，随着电子设备的快速发展，用户可通过按压如遥控器、游戏手柄以及智能手表等的电子设备上的按键以输出相应的控制指令。在用户按压按键过程中按键给予用户的触感反馈影响用户实际操作体验，因而需要检测按键的质量。检测按键的质量通常会针对按键所受到按压力的峰谷值设定阈值，但材质、环境等情况发生变化，按键对按压力的响应也会产生变化，使得按键所受到按压力的峰谷值也会发生相应变化。

发明内容

本公开实施例的一个目的是提供一种按键质量检测方法及装置的新的技术方案。

根据本公开的第一方面，提供了一种按键质量检测方法，该方法包括：当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，所述第一按压力时序数据为反映所述按键在所述检测周期内所受按压力随时间变化的数据，所述第一位移时序数据为反映所述按键在所述检测周期内所产生位移随时间变化的数据；建立第一网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，将所述第一输入数据、所述第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果。

可选地，所述第一输入数据反映所述按键所受按压力、所述按键所产生位移和按键运动阶段间的对应关系信息，其中，所述按键运动阶段包括下压阶段和抬起阶段。

可选地，所述第一网络模型为深度网络模型，所述第一网络模型还包含第一维度通道、第二维度通道以及第三维度通道；所述根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，包括：将所述第一按压力时序数据、所述第一位移时序数据以及表示按键运动阶段的数值分别输入至所述第一维度通道、所述第二维度通道以及所述第三维度通道，生成适应于第一网络模型的图像数据作为第一输入数据；其中，所述下压阶段对应第一数值，所述抬起阶段对应第二数值。

可选地，所述第二输入数据反映所述按键所受按压力和所述按键所产生位移的至少一种极值信息，以及所述按键所受按压力和所述按键所产生位移在多个压缩时段内的均值信息。

可选地，所述第二网络模型为集成学习模型；所述根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，包括：提取对于所述第一按压力时序数据和所述第一位移时序数据的至少一种极值信息，以及提取对于所述第一按压力时序数据和所述第一位移时序数据的均值信息；将对于第一按压力时序数据的至少一种极值信息和均值信息按照时序构成第一序列数据，以及将对于第一位移时序数据的至少一种极值信息和均值信息按照时序构成第二序列数据；将所述第一序列数据和所述第二序列数据作为适用于第二网络模型的第二输入数据。

可选地，所述至少一种极值包括所述按键所受按压力和所述按键所产生位移在所述检测周期内的全局极值，及在所述检测周期的不同阶段内的局部极值。

可选地，所述根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据，包括：将所述检测周期划分为多个采样时段；根据所述按压力数据，得到所述按键在所述多个采样时段中每一采样时段的按压力值作为第二按压力时序数据；根据所述位移数据，得到所述按键在所述多个采样时段中每一采样时段的位移值作为第二位移时序数据；根据所述第二按压力时序数据和所述第二位移时序数据，得到所述第一按压力时序数据和第一位移时序数据。

可选地，所述根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果，包括：通过设定的判断策略筛选出所述第一训练结果和所述第二训练结果分别所表示的概率值中的最大概率值；将所述最大概率值与设定阈值相比较，并根据比较结果得到所述检测结果。

根据本公开的第二方面，还提供了一种按键质量检测装置，该装置包括：数据采集模块，用于当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；数据获取模块，用于根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，所述第一按压力时序数据为反映所述按键在所述检测周期内所受按压力随时间变化的数据，所述第一位移时序数据为反映所述按键在所述检测周期内所产生位移随时间变化的数据；数据生成模块，用于建立第一网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，训练结果得到模块，用于将所述第一输入数据、所述第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；检测结果得到模块，用于根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果。

根据本公开的第三方面，还提供了一种按键质量检测装置，包括存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，以实现根据本公开第一方面所述的方法。

根据本公开的第四方面，还提供了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计算机程序，所述计算机程序在被处理器执行时实现根据本公开的第一方面所述的方法。

本公开实施例的一个有益效果在于，通过对按键进行质量检测获得第一按压力时序数据和第一位移时序数据，再分别对第一按压力时序数据和第一位移时序数据进行处理得到第一输入数据和第二输入数据，进而可以将第一输入数据输入到第一网络模型中得到第一训练结果，将第二输入数据输入到第二网络模型中得到第二训练结果，以得到关于按键质量的检测结果。通过第一网络模型和第二网络模型，对按键的按压力和位移进行检测，能够提高检测按键质量的准确性。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开实施例的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开实施例的原理。

图1是能够应用根据一个实施例的按键质量检测方法的按键质量检测系统的组成结构示意图；

图2是根据另一个实施例的按键质量检测方法的流程示意图；

图3是根据另一个实施例的电子设备的方框原理图；

图4是根据另一个实施例的电子设备的硬件结构示意图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

<系统实施例>

图1是能够应用根据一个实施例的按键质量检测方法的按键质量检测系统的组成结构示意图。如图1所示，该系统包括按键质量检测装置、控制器200、电机300、力传感器400、位移传感器500以及按压头600。其中，按键质量检测装置可以为上位机100，电机300可以为音圈电机，位移传感器500可以为光栅传感器。该系统可以应用于人机交互的场景中。

上位机100可以但不限于是各种智能手机、个人计算机、笔记本电脑、平板电脑。上位机100可以控制控制器200开启、关闭以及复位等动作，同时上位机100也可以通过向控制器200发送操作指令以使电机300开启、关闭以及复位等动作。

控制器200可以与上位机100直接电连接，也可以通过无线通讯如蓝牙等方式进行连接，此处不做限定。控制器200输出端与电机300连接，并驱动电机300移动以控制电机300对按键1000的按压力。

电机300可以是音圈电机，音圈电机的移动端具有较好的响应速度，电机300的移动端可以针对控制器200输出的指令移动到相应的位置。

按压头600位于力传感器400和按键1000之间且与力传感器400固定连接。按压头600与按键1000接触，且当按键1000受到用户施加的力时，按压头600可以将自身的形变量传递给力传感器400。

力传感器400与控制器200电连接，力传感器400远离按压头的一端可以安装在电机300的移动端。力传感器400可以将按压头600传递的力转换成电信号并将电信号通过放大器410输出给控制器200。

位移传感器500与控制器200电连接，位移传感器500可以是光栅传感器，光栅传感器可以获得按键1000的移动距离并以电信号的方式输出给控制器200。

该系统还可以包括限位开关700，限位开关700可以是如图1所示的光电开关，检测电机300的移动端是否移动到极限位置。当上位机100检测到电机300的移动端到达极限位置时，向控制器200反馈，控制器200控制电机300停止运动或者沿相反的方向退出，对电机300起到限位作用。

应用于本公开实施例中，按键质量检测装置的存储器用于存储计算机程序，该计算机程序用于控制该按键质量检测装置处理器进行操作以实施根据任意实施例的按键质量检测方法。技术人员可以根据本公开实施例的方案设计计算机程序。该计算机程序如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

<方法实施例>

图2是根据一个实施例的按键质量检测方法的流程示意图。本实施例中以上述的按键质量检测装置为执行主体。

如图2所示，本实施例的按键质量检测方法可以包括如下步骤S201～S205：

步骤S201，当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据。

其中，上述的力传感器部署在按键上可以将按压力转换成数据，即按压力数据，上述的位移传感器可以将按键移动的距离转换成数据，即位移数据。

具体地，在用户按压按键时，按键受到用户施加的压力发生运动，力传感器可以将采集的按压力数据，及位移传感器可以将采集的位移数据输出给按键质量检测装置。

步骤S202，根据按压力数据和位移数据，获取对按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，第一按压力时序数据为反映按键在检测周期内所受按压力随时间变化的数据，第一位移时序数据为反映按键在检测周期内所产生位移随时间变化的数据。

具体地，在用户按压上述的按压头时按键运动变化的整个过程可作为一个检测周期。在该检测周期中，按压头可以将受到的力传递给力传感器，与此同时，位移传感器可以获得按压头的移动距离。使得相应的按键质量检测装置可以获得反映按键在该检测周期内所受按压力随时间变化的数据，该数据即为第一按压力时序数据。按键质量检测装置也可以获得反映按键在该检测周期内所产生位移随时间变化的数据，该数据即为第一位移时序数据。

在一个实施例中，步骤S202具体包括以下内容：将检测周期划分为多个采样时段；根据按压力数据，得到按键在多个采样时段中每一采样时段的按压力值作为第二按压力时序数据；根据位移数据，得到按键在多个采样时段中每一采样时段的位移值作为第二位移时序数据；根据第二按压力时序数据和第二位移时序数据，得到第一按压力时序数据和第一位移时序数据。

具体地，将检测周期划分为多个采样时段，使得每一个采样时段的长度相同。从按压力数据和位移数据中，确定检测周期中对应每一个采样时段的按压力值和位移值。在某一个采样时段中存在多个按压力值或者位移值的情况下，取多个按压力值或者位移值的均值，使得该采样时段和对应的该均值可作为一个第二按压力时序数据或者第二位移时序数据。在某一个采样时序中未存在有按压力值或者位移值的情况下，取两个相邻采样时段按压力均值或者位移均值的平均值，使得该平均值和对应的采样时序可以作为一个第二按压力时序数据或者第二位移时序数据。通过筛选出同一采样时段的第二按压力时序数据和第二位移时序数据，可以得到多段采样时段的按压力均值和位移均值，在保证数据不失真的情况下，有效减少了按键质量检测装置所需要处理的数据量。

同样地，也可以对第二按压力时序数据或者第二位移时序数据进行归一化处理，具体例如：设置按键的按压力值的最大值和最小值，位移值的最大值和最小值。基于按压力值的最大值和最小值，使用最大最小归一化方法，对第二按压力时序数据中的按压力均值归一化处理；基于位移的最大值和最小值，使用最大最小归一化方法，对第二位移时序数据中的位移均值归一化处理。进而得到归一化后的按压力数据和位移数据，并且归一化后的按压力数据和位移数据可以与相应的采集时段一一对应。换句话说，归一化后的数据规格较为统一，以降低后续构建第一模型或者第二网络模型的难度。

步骤S203，建立第一网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第二网络模型的第二输入数据。

其中，预先建立第一网络模型和第二网络模型，第一网络模型和第二网络模型可以是互不相同的概率测算模型，以通过两种不同方式得到相应的概率数据。相应地，第一按压力时序数据和第一位移时序数据需要针对不同的网络模型进行处理以适配对应的网络模型。

具体地，将第一按压力时序数据和第一位移时序数据进行处理，具体处理可以是将第一按压力时序数据和第一位移时序数据中针对不同的按键运动阶段和不同的时间对按压力和位移进行分类，使得处理好的第一按压力时序数据和第一位移时序数据可以输入到第一网络模型中。将第一按压力时序数据和第一位移时序数据进行处理，具体处理可以是提取起始值、最终值、最大值和最小值等的特征值。使得第一按压力时序数据中提取的特征值和第一位移时序数据中提取的特征值可以输入到第二网络模型中。

步骤S204，将第一输入数据、第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果。

具体地，将第一输入数据输出到第一网络模型中得到的概率数据作为第一训练结果。将第二输入数据输出到第二网络模型中得到的概率数据作为第二训练结果。换句话说，通过两种互不相同的网络模型输出的概率数据可以有效提高后续判断按键品质的准确性。

在一个实施例中，第一输入数据可以反映按键所受按压力、按键所产生位移和按键运动阶段间的对应关系信息，其中，按键运动阶段包括下压阶段和抬起阶段。

其中，由于按键在被按下的过程和按键在回弹的过程所受到力不同，因此按键运动阶段可以包括下压阶段和抬起阶段。

具体地，将第一按压力时序数据按照下压阶段和抬起阶段分成不同的数据，将第一位移时序数据按照下压阶段和抬起阶段分成不同的数据，使得可以得到按键所受按压力、按键所产生位移和不同按键运动阶段间的对应关系，以可以针对不同按键运动阶段的第一按压力时序数据和第一位移时序数据分类处理。换句话说，针对不同按键运动阶段按压力和位移的不同变化趋势，第一模型可以对第一输入数据分情况处理，使得输出的第一训练结果的真实度较高。

在一个实施例中，第一网络模型为深度神经网络模型，第一网络模型还包含第一维度通道、第二维度通道以及第三维度通道。生成适应于第一网络模型的第一输入数据的过程具体包括：将第一按压力时序数据、第一位移时序数据以及表示按键运动阶段的数值分别输入至第一维度通道、第二维度通道以及第三维度通道，生成适应于第一网络模型的图像数据作为第一输入数据。其中，下压阶段对应第一数值，抬起阶段对应第二数值。

具体地，检测周期可以划分成的N个采样时段，N＞0且N为整数。每一个采样时段分别对应一个按压力值和位移值。并且根据各个采样时段按压力值和位移值的变化趋势，确定每一个采样时段对应的按键运动阶段，两个按键运动阶段分别对应不同的数值，具体例如，下压阶段所对应的第一值可以是1.2，抬起阶段所对应的第二值可以是1。因而，根据N个采样时段均对应有按压力值、位移值以及按键运动阶段的数值，构建三维矩阵。其中，第一输入数据可以包括第一维所对应的数值、第二维所对应的数值和第三维所对应的数值。第一维可以表示为按压力值，第二维可以表示为位移值，第三维可以表示为按压运动阶段的数值。将第一输入数据输入到第一模型中，第一网络模型为深度神经网络模型，且第一网络模型所包含第一维度通道输入第一维所对应的数值、第二维度通道输入第二维所对应的数值以及第三维度通道输入第三维所对应的数值。第一网络模型可以将输入到第三维度通道的不同的按键运动阶段设定为不同的颜色，例如：下压阶段对应蓝色，抬起阶段对应红色。并以每一个采样时段的按压力值作为纵轴坐标、位移值作为横轴坐标以及在对应坐标位置处设置对应按键运动阶段的数值，构建N×N的平面图像。再对所有的采样时段进行取样输入到第一网络模型中进行训练，得到第一训练结果，即置信度矩阵数据。具体生成置信度矩阵数据的表达式可以如下：

D

公式(1)中，D

可选地，第一网络模型为预先训练好的深度神经网络模型，其中，深度神经网络可以基于卷积神经网络搭建实现的。将三维矩阵数据输入到深度神经网络模型中可以得到第一训练结果，第一训练结果可以表示为置信度矩阵P

在一个实施例中，第二输入数据可以反映按键所受按压力和按键所产生位移的至少一种极值信息，以及按键所受按压力和按键所产生位移在多个压缩时段内的均值信息。

具体地，可以确定检测周期中按键所受按压力和按键所产生位移中的极值信息。其中，极值信息包含检测周期中的按压力极值和位移极值，按压力极值可以包括按压力值中的极大值和极小值，位移极值可以包括位移值中的极大值和极小值。并确定各个极值之间的若干个按压力值和若干个位移值，分别通过数据压缩算法对若干个按压力值和若干个位移值进行压缩得到相应的均值，进而得到按键所受按压力和按键所产生位移在多个压缩时段内的均值信息。换句话说，按压力极值和位移极值可以较大程度上反映按压力和位移变化的趋势，而取得的按压力值的均值和位移值的均值可以反映按压力和位移在变化过程中的变化程度，从而通过筛选出的极值和均值得到相应的第二输入数据可以在保证数据不失真的情况下减少内存占有量。

在一个实施例中，第二网络模型为集成学习模型；生成第二输入数据的过程具体包括以下内容：提取对于第一按压力时序数据和第一位移时序数据的至少一种极值信息，以及提取对于第一按压力时序数据和第一位移时序数据的均值信息；将对于第一按压力时序数据的至少一种极值信息和均值信息按照时序构成第一序列数据，以及将对于第一位移时序数据的至少一种极值信息和均值信息按照时序构成第二序列数据；将第一序列数据和第二序列数据作为适用于第二网络模型的第二输入数据。

具体地，将对于第一按压力时序数据的极值信息和均值信息通过函数进行连接并输出得到第一序列数据，将对于第一位移时序数据的极值信息和均值信息通过函数进行连接并输出得到第二序列数据，并将第一序列数据和第二序列数据作为第二输入数据。其中，函数可以是concatenate函数。具体得到序列数据的表达式可以如下：

D

公式(2)中，D

在一个实施例中，该至少一种极值可以包括按键所受按压力和按键所产生位移在检测周期内的全局极值，及在检测周期的不同阶段内的局部极值。

具体地，至少一种极值可以包括在检测周期内按压力达到最大值时的按压力值和位移值，在检测周期内下压阶段的按压力和位移分别对应的局部极大值和局部极小值，以及在检测周期内抬起阶段的按压力和位移分别对应的局部极大值和局部极小值。换句话说，筛选整体检测周期以及不同按键运动阶段的极值，可以增加获取到的极值点，以进一步提高第二输入数据的准确性。

进一步地，第二网络模型为集成学习模型。

其中，第二输入数据输入至集成学习模型中。集成学习模型可以采用串行方法XGBOOST或者并行方法随机森林。集成学习模型的训练参数可以采用贝叶斯优化方法寻找相应的最优配置。

具体地，将上述的第二输入数据输入到集成学习模型中可以得到第二训练结果，且第二训练结果可以表示为置信度矩阵P

更值得一提的是，为了提高深度神经网络模型和集成学习模型输出的训练结果的准确性，可以收集按键检测过程的按压力时序数据和位移时序数据，并根据按压力时序数据和位移时序数据判定按键质量。根据判定质量结果生成数据标签。使用数据标签对深度神经网络模型和集成学习模型进行训练的过程为现有技术此处不再具体阐述。通过训练好的深度神经网络模型和集成学习模型，可以提升深度神经网络模型和集成学习模型分别输出的第一训练结果和第二训练结果的准确性。

步骤S205，根据设定的判断策略，利用第一训练结果和第二训练结果得到按键质量的检测结果。

具体地，按键质量检测装置在得到第一训练结果和第二训练结果时，可以通过两者取均值或者两者相比较的方式，得到关于按键质量的检测结果，以使得用户可以通过检测结果判断按键是否品质良好。

在一个实施例中，步骤S205具体包括以下内容：通过设定的判断策略筛选出所述第一训练结果和所述第二训练结果分别所表示的概率值中的最大概率值；将最大概率值与设定阈值相比较，并根据比较结果得到检测结果。

首先，可以预先设定有判断策略，该判断策略的表达式，具体如下：

公式(3)中，R表示最大概率值，max()表示取出最大值，.ndex表示取出对应的采样时段，P

相应地，上述的第一网络模型输出的第一训练结果可以为一个概率值，上述的第二网络模型输出的第二训练结果也可以为一个概率值。将第一训练结果和第二训练结果输入到公式(3)中。当第一训练结果和第二训练结果分别表示的概率值相等时，取P

<设备实施例一>

图3是根据一个实施例的电子设备的原理框图。如图4所示，该按键质量检测装置310可以包括数据采集模块311、数据获取模块312、数据生成模块313、训练结果得到模块314以及检测结果得到模块315。

数据采集模块311，用于当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；数据获取模块312，用于根据按压力数据和位移数据，获取对按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，第一按压力时序数据为反映按键在检测周期内所受按压力随时间变化的数据，第一位移时序数据为反映按键在检测周期内所产生位移随时间变化的数据；数据生成模块313，用于建立第一网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第二网络模型的第二输入数据；训练结果得到模块314，用于将第一输入数据、第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；检测结果得到模块315，用于根据设定的判断策略，利用第一训练结果和第二训练结果得到按键质量的检测结果。

可选地，数据生成模块313，还用于将第一按压力时序数据、第一位移时序数据以及表示按键运动阶段的数值分别输入至第一维度通道、第二维度通道以及第三维度通道，生成适应于第一网络模型的图像数据作为第一输入数据；其中，下压阶段对应第一数值，抬起阶段对应第二数值。

可选地，数据获取模块312，还用于将检测周期划分为多个采样时段；根据按压力数据，得到按键在多个采样时段中每一采样时段的按压力值作为第二按压力时序数据；根据位移数据，得到按键在多个采样时段中每一采样时段的位移值作为第二位移时序数据；根据第二按压力时序数据和第二位移时序数据，得到第一按压力时序数据和第一位移时序数据。

可选地，检测结果得到模块315，还用于根据设定的判断策略，利用第一训练结果和第二训练结果，得到判定按键质量合格的最大概率值；将最大概率值与设定阈值相比较，并根据比较结果得到检测结果。

该按键质量检测装置310可以是图1中的上位机100。

<设备实施例二>

图4是根据另一个实施例的按键质量检测装置的硬件结构示意图。

如图4所示，该按键质量检测装置420包括处理器421和存储器422，该存储器422用于存储可执行的计算机程序，该处理器421用于根据该计算机程序的控制，执行如以上任意方法实施例的方法。

该按键质量检测装置420可以是图1中的上位机100。

以上按键质量检测装置310的各模块可以由本实施例中的处理器421执行存储器422存储的计算机程序实现，也可以通过其他结构实现，在此不做限定。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。