一种要素匹配的数字化地形图联动更新方法

技术领域

本发明涉及数字化地形图更新领域，尤其涉及一种要素匹配的数字化地形图联动更新方法。

背景技术

地形图通过将地貌、房屋、植被等地理要素以点线面的形式进行可视化，使人们能够更好地理解地球表面的形态变化。在地理认知探索、城市规划和决策支持、地理信息系统应用等方面具有广泛的应用，尤其是市政建设方面的道路规划、排水系统设计、交通网络优化、土地利用规划等都依赖于准确、最新的地形数据。亦要求积极探索“统一规划、分级实施、协同更新”的新型基础测绘生产模式，推动传统单一比例尺数据库向实体化、一体化时空数据库转变。这些现状意味着迫切需要对多比例尺、多时相等多源地形图数据进行集成、融合和更新，以推进城市智慧化成长，辅助城市的信息化建设。

在现有地形图数据的基础上，对现状地形进行快速有效的动态更新是数据一体化需要解决的重要问题之一。目前相关的研究过程大致为通过将原地形图与最新的影像数据叠加，目视解译影像变化区域，然后设定地形图动态更新的规则，如现势性，精准性、一致性等，最后依此数字化或外业进行重测或修测来实现变化区域的地形图更新。此方法侧重于采用影像数据结合人机交互方式更新图形数据，没有顾及到属性数据的更新需求，而且目视判别变化要素对于局部区域效果明显，但针对大规模区域的地形图动态更新则效率较低，不符合快速、高效更新地形要素数据的现实需求，而且类如基于影像的矢量数据提取技术发展迅速，矢量数据获取来源多样，促进了多源矢量数据的增量更新和融合需求。

发明内容

本发明针对现有技术中存在的技术问题，提供一种要素匹配的数字化地形图联动更新方法，实现图形和属性信息的动态更新，为建立地形一体化时空数据库提供技术支撑。

根据本发明的第一方面，提供了一种要素匹配的数字化地形图联动更新方法，包括：步骤1，将所述数字化地形图中各类型的地形要素根据其形状抽象为要素实体，所述要素实体包括：点实体、线实体和面实体；

步骤2，分别建立各个所述要素实体的缓冲区，在所述要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对；

步骤3，以内部、边界和外部关系定义各个所述要素实体之间的相离、包含、相接和相交关系；将各个所述要素实体的关联关系划分为强关联、中关联和弱关联；

步骤4，将各种所述要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的所述要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；其中，点实体数据用于训练点实体匹配关系识别模型，线实体数据用于训练线实体匹配关系识别模型，面实体数据用于训练面实体匹配关系识别模型；所述相似性特征包括：拓扑相似性，计算所述拓扑相似性基于所述步骤3中划分的所述关联关系获得；

步骤5，利用各类要素实体的模型一分别对点、线和面实体数据进行初次识别，提取初次识别结果中的已匹配要素作为各种要素实体中的地标集，建立各类要素的信息传递模型，依据信息传递模型并将所述地标集作为约束，利用各类要素实体的模型二对其余未匹配的各种要素实体进行联动匹配；

步骤6，定义数据融合规则，基于联动匹配结果对异源地形图数据进行增量更新。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述步骤1还包括：对所述数字化地形图数据集中的源数据和目标数据的格式进行统一，对空间信息的系统误差进行校正，构建各类型要素的类别、名称和属性表信息；所述属性表信息包括：共有属性和特殊属性。

可选的，所述候选匹配对包括：1:1匹配对和因实际变化、地图缩编和生产误差造成的1:N、M:1以及M:N匹配对；N和M为大于1的自然数。

可选的，所述步骤4中所述匹配关系识别模型选择OCSVM作为分类器，在创建样本和相似性特征提取之后，选择高斯核函数，并使用最大化的测试集F1得分来获得高斯核带宽g∈(0,1)和松弛因子v∈(0,1]；对于输入样本，OCSVM输出标签1或输出标签-1分别表示匹配关系和不匹配关系，并输出样本的决策距离值，所述决策距离值为正数且越接近0表示匹配概率越大。

可选的，所述步骤4中，根据所述点实体的候选匹配对的欧氏距离将所述点实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述线实体的候选匹配对的最近距离将所述线实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述面实体的候选匹配对的面积重叠度将所述面实体的训练样本集分为严格训练样本集和一般训练样本集；使用所述严格样本集进行训练得到所述模型一，使用所述一般样本集进行训练得到所述模型二。

可选的，所述步骤4中，

所述要素实体为点实体时，作为训练样本数据集的所述相似性特征包括：类别相似性、名称相似性、空间距离和拓扑相似性；

所述要素实体为线实体时，作为训练样本数据集的所述相似性特征包括：Hausdorff距离、名称相似性、类别关系相似性和拓扑相似性；

所述要素实体为面实体时，作为训练样本数据集的所述相似性特征包括：位置相似性、方向相似性、面积相似性、形状相似性和拓扑相似性。

可选的，所述拓扑相似性的计算公式为：

TS＝a×TP

其中，a、b和c分别为关联关系强关联、中关联和弱关联时对应的权重；TP表示拓扑强度，包括：强关联的拓扑强度TP

n表示邻近实体数量，x

可选的，所述步骤5中，所述地标集为要素集合中特征突出或精度高于设定阈值的标志性要素集合。

可选的，所述步骤5中，所述信息传递模型的构建过程包括：

步骤501，构建面实体顶点的约束Delaunay三角网并依据三角网提取空白区域骨架，线实体与骨架线重合或是其子集，骨架线的每个网眼对应一个面实体，代表面实体的影响范围，得到面实体与线实体之间的联系；

步骤502，将骨架线网眼与点实体集进行重叠，判断点实体所在的网眼内或是网眼的骨架线上，得到对应面实体影响范围内的点实体，得到面实体与点实体之间的联系；

步骤503，由所述步骤501和步骤502得到的拓扑关系获取点实体、线实体和面实体的信息传递模型。

可选的，所述步骤6中定义的所述数据融合规则包括：

对于多时相的数据，比较异源数据的现势性，保留数据生产时间近，现势性更好的要素；

对于多尺度数据，保留表达粒度小以及比例尺大的数据；

对于属性信息，以增加属性信息丰富度和完整性为目的，将各个数据源特有的属性及属性值扩充到集成数据中，且统一存储不同时间版本的属性值，为变化分析提供数据基础；

保留实体确定规则为时效性>精确性>完整性。

本发明提供的一种要素匹配的数字化地形图联动更新方法，其有益效果包括：(1)将地形图要素划分为点线面三类实体，提出了基于自身特征和邻近特征的相似性计算方法，定义了不同类型实体的关联关系及权重，在全要素更新中有益于不同类型实体之间相互印证，提高多源数据在复杂情况下的匹配准确度；(2)引入Delaunay三角网和骨架线构建点线面实体的拓扑关系，通过定义规则建立一对一的关联关系，进行信息传递从而进一步提升匹配准确度；(3)基于实体的匹配结果，通过定义信息融合规则实现不同类型实体的联动更新。

附图说明

图1是本发明实施例提供的一种基于要素匹配的数字化地形图联动更新方法的实施步骤图；

图2为本发明实施例提供的一种异源地形要素数据候选匹配对获取示例示意图；

图3为本发明实施例提供的一种点线面实体的拓扑关系示意图；

图4为本发明实施例提供的一种点线面要素拓扑相似性计算示意图；

图5为本发明实施例提供的一种线面矢量要素联动匹配示意图；

图6为本发明实施例提供的一种点面矢量要素联动匹配示意图；

图7为本发明实施例提供的一种点线面实体的信息传递模型示例示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明提供的一种要素匹配的数字化地形图联动更新方法的流程图，如图1所示，该更新方法包括：

步骤1，将数字化地形图中各类型的地形要素根据其形状抽象为要素实体，要素实体包括：点实体、线实体和面实体。

步骤2，针对异源地形要素数据，分别建立各个要素实体的缓冲区，在要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对。

步骤3，以内部、边界和外部关系定义各个要素实体之间的相离、包含、相接和相交关系；将各个要素实体的关联关系划分为强关联、中关联和弱关联。

步骤4，将各种要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；其中，点实体数据用于训练点实体匹配关系识别模型，线实体数据用于训练线实体匹配关系识别模型，面实体数据用于训练面实体匹配关系识别模型；相似性特征包括：拓扑相似性，计算拓扑相似性基于步骤3中划分的关联关系获得。

步骤5，利用各类要素实体的模型一分别对点、线和面实体数据进行初次识别，提取初次识别结果中的已匹配要素作为各种要素实体中的地标集，建立各类要素的信息传递模型，依据信息传递模型并将地标集作为约束，利用各类要素实体的模型二对其余未匹配的各种要素实体进行联动匹配。

步骤6，定义数据融合规则，基于联动匹配结果对异源地形图数据进行增量更新。

本发明提供的一种要素匹配的数字化地形图联动更新方法，实现图形和属性信息的动态更新，为建立地形一体化时空数据库提供技术支撑。

实施例1

本发明提供的实施例1为本发明提供的一种要素匹配的数字化地形图联动更新方法的实施例，结合图1可知，该更新方法的实施例包括：

步骤1，将数字化地形图中各类型的地形要素根据其形状抽象为要素实体，要素实体包括：点实体、线实体和面实体。

在一种可能的实施例方式中，步骤1还包括：对数字化地形图数据集中的源数据和目标数据的格式进行统一，对空间信息的系统误差进行校正，构建各类型要素的类别、名称和属性表信息；属性表信息包括：共有属性和特殊属性。

具体实施中，根据各类型要素的形状，可以将地形图中的电杆、灯塔等点状要素抽象为点实体P＝{p

对数字化地形图数据集进行预处理，包括统一源数据和目标数据的格式，除了空间信息的系统误差校正外，还需要构建其类别、名称和属性表信息。点实体的共同属性表结构组成为{代码,名称,坐标点,类别,基准,来源,更新日期}，线实体的共同属性表结构组成为{代码,名称,坐标串,类别,基准,来源,更新日期}，面实体的共同属性表结构组成为{代码,名称,坐标串,类别,基准,来源,更新日期}，除共有属性，某些实体还具备特殊属性，如道路具备“车位数”、建筑物具备“材质”等。

步骤2，针对异源地形要素数据，分别建立各个要素实体的缓冲区，在要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对。

在一种可能的实施例方式中，候选匹配对包括：1:1匹配对和因实际变化、地图缩编和生产误差等造成的1:N、M:1以及M:N匹配对；N和M为大于1的自然数。

具体实施中，步骤2中的缓冲法获得候选匹配对，仅获取同类型的实体作为候选匹配对，如对于点实体，缓冲区覆盖的其他线和面实体类型的则不在候选匹配范围内，但其他类型的实体在后续作为邻近信息支持匹配过程。点实体的缓冲距离为40m，线实体的缓冲距离为20m，面实体缓冲距离为40m。如图2(b)所示，点缓冲区域范围要素有(p

步骤3，以内部、边界和外部关系定义各个要素实体之间的相离、包含、相接和相交关系；将各个要素实体的关联关系划分为强关联、中关联和弱关联。

由于点线面实体在现实世界中不是孤立存在的，之间或多或少存在着一定的关联，因此本发明实施例中引用平面几何的九交模型描述几何图形的拓扑关系，以内部、边界和外部关系定义了如图3所示的拓扑关系，点线面实体之间除了相离关系，还包括图中的包含、相接和相交关系；划分实体间的关联关系为强关联、中关联、弱关联作为步骤4中拓扑相似性计算的权重因子。

具体实施中，关联关系的定义的依据为《基础地理信息要素数据字典》规范，将复合要素，例如由中心线、有向线和范围线组成的“时令河”，定位点和有向线组成的“坎儿井”，定位点和范围面组成的“海岛”等，具有关联关系的点线面实体关系定义为强关联，赋予权重0.5；将具有重叠、连接和包含关系的实体间的关系定义为中等关联，例如图3展示的点在线上、点在面内等示例，在规范中约定的地下管线与地下管线出入口、河流与水库存在连接关系，道路与境界存在重叠关系，地下渠与地下渠出水口、建筑物和支柱存在包含关系等，赋予权重0.3；其他邻近关系赋予权重0.2。

步骤4，将各种要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；其中，点实体数据用于训练点实体匹配关系识别模型，线实体数据用于训练线实体匹配关系识别模型，面实体数据用于训练面实体匹配关系识别模型；相似性特征包括：拓扑相似性，计算拓扑相似性基于步骤3中划分的关联关系获得。

在一种可能的实施例方式中，步骤4中匹配关系识别模型选择OCSVM作为分类器，在创建样本和相似性特征提取之后，选择高斯核函数，并使用最大化的测试集F1得分来获得高斯核带宽g∈(0,1)和松弛因子v∈(0,1]，设置分类器参数g和v，即构造OCSVM分类模型，得到匹配关系识别模型；对于输入样本，OCSVM输出标签1或输出标签-1分别表示匹配关系和不匹配关系，并输出样本的决策距离值，决策距离值为正数且越接近0表示匹配概率越大。

具体实施中，构建训练样本数据时可以根据专家经验主观选取具有匹配关系的候选匹配对。

在一种可能的实施例方式中，步骤4中，根据点实体的候选匹配对的欧氏距离将点实体的训练样本集分为严格训练样本集和一般训练样本集；根据线实体的候选匹配对的最近距离将线实体的训练样本集分为严格训练样本集和一般训练样本集；根据面实体的候选匹配对的面积重叠度将面实体的训练样本集分为严格训练样本集和一般训练样本集；使用严格样本集进行训练得到模型一，使用一般样本集进行训练得到模型二。

具体实施中，匹配关系识别模型是利用训练样本集训练得到的，具体而言，从点实体筛选出严格训练样本集(欧氏距离<15m)和一般训练样本集(无距离限制)，从线实体筛选出严格训练样本集(最近距离<20m)和一般训练样本集(无距离限制)，从面实体筛选出严格训练样本集(面积重叠度>0.5)和一般训练样本集(无重叠度限制)，通过严格样本集训练模型得到模型一，一般样本集训练模型得到模型二，点线面实体共获得6个匹配关系识别模型。

在一种可能的实施例方式中，要素实体为点实体时，作为训练样本数据集的相似性特征包括：类别相似性、名称相似性、空间距离和拓扑相似性。

要素实体为线实体时，作为训练样本数据集的相似性特征包括：Hausdorff距离、名称相似性、类别关系相似性和拓扑相似性。

要素实体为面实体时，作为训练样本数据集的相似性特征包括：位置相似性、方向相似性、面积相似性、形状相似性和拓扑相似性。

具体实施中，步骤4的提取相似性特征作为训练样本，依据特征的有效性、可靠性、完整性和充分性原则，选取类别相似性、名称相似性、空间距离和拓扑相似性作为点实体的训练样本，选取Hausdorff距离、名称相似性、类别关系相似性和拓扑相似性作为线实体的训练样本，选取位置相似性、方向相似性、面积相似性、形状相似性和拓扑相似性作为面实体的训练样本。

在具体实施过程中：

(一)对于点实体，利用缓冲区获取点实体的候选匹配对，计算类别相似性、名称相似性、空间距离和拓扑相似性。

设两个异源点实体数据集P

(1)类别相似性

依据基础地理信息要素分类与代码，将类别划分为大类C

式中，D

(2)名称相似性

莱文斯坦距离算法用以计算字符串之间进行的编辑(插入、删除或替换)的数量，其核心思想是计算将一个字符串更改为另一个字符串所需的单个字符编辑(插入、删除、替换)代价，转换的代价越小两个名称的相似度越高。计算公式如下：

其中，S和T分别代表p

其中，max(S

(3)空间距离

经纬度信息是点实体数据的重要特征属性之一，是计算点位相似性的基本特征。本发明实施例选用几何距离阈值法来计算空间点对的空间相似度：首先计算p

(4)拓扑相似性

设两个待匹配点实体分别为p

拓扑特征可以描述为待匹配实体p

此处以图4(a)的点实体p

首先根据步骤3的关联关系的定义，分别计算p

其中n表示邻近实体数量，x

然后对拓扑强度进行加权，得到拓扑相似性，计算公式如下：

TS＝0.5×TP

(二)对于线实体，利用缓冲区获取线实体的候选匹配对，计算Hausdorff距离、名称相似性、类别相似性和拓扑相似性。其中名称相似性、类别相似性和拓扑相似性与点实体的计算方式相同，Hausdorff距离计算过程则如下所示：

设两个异源线实体数据集L

d

式中，d

为了与其他相似性值域区间保持一致，此处对Hausdorff距离进行归一化，公式如下：

式中，d(i，j)为依据线实体分布特点人为设置的阈值。

(三)对于面实体，利用缓冲区获取面实体的候选匹配对，计算位置相似性、方向相似性、面积相似性、形状相似性、拓扑相似性。拓扑相似性与点实体的计算方式相同。其余相似性计算如下：

(1)位置相似性指标计算公式如下：

其中，(x

(2)方向相似性指标计算公式如下：

sim

其中，θ

(3)面积相似性指标计算公式如下：

其中，Area(·)是面状要素的面积，a∩b是面要素a和b的相交面积，min是求最小值函数；度量值域为[0，1]，值越大就表示越相似。

(4)形状相似性指标计算公式如下：

其中，e

步骤5，利用各类要素实体的模型一分别对点、线和面实体数据进行初次识别，提取初次识别结果中的已匹配要素作为各种要素实体中的地标集，建立各类要素的信息传递模型，依据信息传递模型并将地标集作为约束，利用各类要素实体的模型二对其余未匹配的各种要素实体进行联动匹配。

在一种可能的实施例方式中，步骤5中，

地标集为要素集合中特征突出或精度高于设定阈值的标志性要素集合。

具体实施中，地标集是指地形要素集中特征突出或精度较高的标志性要素集合，在整个地形要素集合中占比较少但特征较为明显，容易被目视解译。将初次识别的结果作为已知的邻近信息计算拓扑相似性，为后续的匹配提供信息支撑。

在一种可能的实施例方式中，信息传递模型是通过建立各类要素之间的联系，将空间信息、属性信息等互相传递并增强以提升实体信息的丰富度和准确性，具体实现思想如下：

步骤501，构建面实体顶点的约束Delaunay三角网并依据三角网提取空白区域骨架，线实体与骨架线重合或是其子集，骨架线的每个网眼对应一个面实体，代表面实体的影响范围，得到面实体与线实体之间的联系。

步骤502，将骨架线网眼与点实体集进行重叠，判断点实体所在的网眼内或是网眼的骨架线上，得到对应面实体影响范围内的点实体，得到面实体与点实体之间的联系。

步骤503，由步骤501和步骤502得到的拓扑关系获取点实体、线实体和面实体的信息传递模型。

如图5所示线面传递模型，浅灰色三角网为面实体集A加密顶点集构建的约束Delaunay三角网，并依据以下规则提取三角形骨架线L：根据有效邻接三角形的个数分为三类：当仅有一条边有邻接三角形时，以该边中点与其相对顶点的连线为骨架线(I类三角形)；当有两条边有邻接三角形时，以这两边中点的连线为骨架线(II类三角形)；当三边都有邻接三角形时，以中心分别与三边中点的连线为骨架线(III类三角形)；得到包围面实体的骨架线网眼G，由于线实体与骨架线重合或是其子集，即建立了线实体和面实体的信息传递模型。

基于骨架网格建立起的线实体和面实体之间的拓扑关系在原本相互独立的线实体和面实体之间建立了关联关系，例如图7(a)所示的

基于Delaunay三角网建立起的点实体和面实体之间的拓扑关系在原本相互独立的点实体和面实体之间建立了关联关系，如图7(b)(c)所示点面传递模型，p

步骤6，定义数据融合规则，基于联动匹配结果对异源地形图数据进行增量更新。

在一种可能的实施例方式中，步骤6中数据融合规则是分析不同数据集的信息冗余性、互补性和现势性，充分考虑矢量要素的位置精度、属性精度、完整性、逻辑一致性、时间准确度特征，将特征准确度及使用价值更高的图形信息及属性信息更新到新数据中，定义的数据融合规则包括：

对于多时相的数据，比较异源数据的现势性，保留数据生产时间近，现势性更好的要素。

对于多尺度数据，保留表达粒度小以及比例尺大的数据，数据精确性高。

对于属性信息，以增加属性信息丰富度和完整性为目的，将各个数据源特有的属性及属性值扩充到集成数据中，且统一存储不同时间版本的属性值，为变化分析提供数据基础。

对于以上融合策略，保留实体确定规则为时效性＞精确性＞完整性。

具体的，将信息划分为可更新信息和不可更新信息，如建筑物层数、材质为可更新信息，无实际意义的ID号为不可更新信息，后续的融合操作只针对可更新信息。针对点线面实体的零对一匹配关系，则保留该新增数据，针对一对零匹配关系，将新数据保存到最终数据。针对点实体一对一匹配关系，定性类型和定量类型的属性直接赋值。

线实体还存在一对一、一对多、多对一、多对多四种匹配情况，针对一对一，直接赋值；针对一对多，定性类型属性直接赋值，如道路线实体的“车位数”等定量类型属性则按长度占比分配；针对多对一，定性类型属性直接赋值，如道路线实体的“车位数”等定量类型属性则累加赋值；针对多对多，则先将源数据合并为单个实体，属性进行合并，然后按“一对多”规则对目标数据进行赋值。

面实体还存在一对一、一对多、多对一、多对多四种匹配情况，针对一对一，直接赋值；针对一对多，定性类型属性(建筑物材质、类别等)和不可累加定量类型属性(建筑物层数、高度等)直接赋值，可累加定量类型属性(建筑物面积、人口等)则按面积占比分配；针对多对一，定性类型属性将面积占比最大的赋值到新数据，不可累加类型属性按最大值赋值，可累加定量类型属性则累加赋值；针对多对多，则先将源数据合并为单个实体，属性进行合并，然后按“一对多”规则对目标数据进行赋值。

经过以上步骤，可识别异源地形图数据中点线面实体的1:1、1:N、M:1和M:N和空匹配关联关系，并依据匹配结果和信息融合规则实现图形数据和属性数据的联动更新。

本发明提供的一种要素匹配的数字化地形图联动更新方法，其有益效果包括：(1)将地形图要素划分为点线面三类实体，提出了基于自身特征和邻近特征的相似性计算方法，定义了不同类型实体的关联关系及权重，在全要素更新中有益于不同类型实体之间相互印证，提高多源数据在复杂情况下的匹配准确度；(2)引入Delaunay三角网和骨架线构建点线面实体的拓扑关系，通过定义规则建立一对一的关联关系，进行信息传递从而进一步提升匹配准确度；(3)基于实体的匹配结果，通过定义信息融合规则实现不同类型实体的联动更新。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。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、嵌入式计算机或者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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。