具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提 供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示意性示出本示例实施方式中一种用于辅助仓库分仓的方法的流程图。
如图1所示,该用于辅助仓库分仓的方法包括如下步骤。
在步骤S110中,获取第一预设时间段内的订单信息。
其中所述第一预设时间段可为距离当前日期最近的几个月(例如3个月、6个月),当然,本公开对此不作限定,可以选择任意的历史时间段内的历史订单信息。
在示例性实施例中,所述步骤S110包括:对所述订单信息进行数据清洗,排除无效订单和/或无仓库信息订单。
在一实施例中,可从Hadoop集群中获取所述第一预设时间段内的订单信息。对所述订单信息进行数据清洗,排除无效订单、和/或无仓库信息订单。例如,用户取消订单会造成无效订单;虚拟商品(如点卡)的订单没有仓库信息。
在步骤S120中,根据所述订单信息生成第一关联矩阵H。
在示例性实施例中,所述步骤S120包括:将所述订单信息中的商品根据预设单品类型划分为m种单品;根据任意两种单品之间的关联度生 成所述第一关联矩阵H。
在示例性实施例中,所述预设单品类型包括商品sku或者商品品类。
例如,假设一个订单包含三件单品,可将该订单记录为如下形式:(item1,item2,item3)。
其中单品itemi(i的取值范围为该订单中的单品数量,且为一正整数)可以根据商品sku或商品品类来划分。其中sku为仓库管理中最小的存储单元。而品类可以根据业务的不同分为多级(例如一级品类、二级品类、三级品类等等)。如一级品类:家用电器;家用电器下的二级品类可包括:电视,空调,洗衣机,冰箱,厨卫大电,厨房小电,生活电器,个护健康,家庭影音,进口电器;电视下的三级品类可包括:合资品牌,国产品牌,互联网品牌;空调下的三级品类可包括壁挂式空调,柜式空调,中央空调,空调配件;洗衣机下的三级品类可包括滚筒洗衣机,洗烘一体机,波轮洗衣机,迷你洗衣机,洗衣机配件。
例如,燕京啤酒和青岛啤酒,按sku算为两个单品,但按三级品类两者都为啤酒是一种单品。再如燕京啤酒、青岛啤酒和飞天茅台,按sku为三个单品,按三级品类为啤酒和白酒两个单品,按二级品类为中国酒算一个单品。在整理单品信息时可根据实际的应用需求,选择加工的粒度(sku或不同级别的品类)。
在示例性实施例中,所述根据任意两种单品之间的关联度生成所述第一关联矩阵H包括:将所述第一预设时间段划分为T个子时间段;统计各个子时间段内任意两种不同单品属于同一订单的频次作为该两种不同单品之间的关联度;其中所述第一关联矩阵H中的每一元素表示相应子时间段内的对应两种单品之间的关联度,且相同单品之间的关联度为0。
在示例性实施例中,还包括:采用中值滤波对所述第一关联矩阵H中的元素进行去离群值操作。
在步骤S130中,根据所述第一关联矩阵H生成第二关联矩阵H*。
在示例性实施例中,所述步骤S130包括:根据所述第一关联矩阵H获取第二预设时间段内任意两个单品之间关联度的多个预测值;将任意两个单品之间关联度的多个预测值的平均值作为所述第二关联矩阵H*的相应元素的值。
在步骤S140中,根据所述第二关联矩阵H*获取分仓后的订单的虚拟拆单率。
在示例性实施例中,所述步骤S140包括:使用谱聚类算法将所述第二关联矩阵H*聚为k类,其中k类中每一类为一个包括一种或者多种单品的单品集;构造k维向量g为一条基因,其中该一条基因中的第i个元素为该k类中第i个单品集中的单品所在仓库的仓库标识;根据该一条基因获得m×n的单品仓库矩阵S,其中m为单品数量,n为仓库数量;根据所述第二关联矩阵H*和所述单品仓库矩阵S计算该一条基因的虚拟拆单率break为:
在示例性实施例中,k大于仓库数量n。
通过本示例实施方式中的用于辅助仓库分仓的方法,可以使得通过对历史订单数据的分析获得不同单品之间的关联度,根据该关联度预测单品分仓至不同仓库的拆单率,从而可以辅助仓库分仓,降低分仓后的拆单率。其中,一方面,通过关联矩阵预估拆单率可以得到较为接近实际拆单率的分仓情况,指导仓库分仓;另一方面,可以实现快速获得不同分仓方案的拆单率,辅助选择最优的分仓方案,降低订单的生产成本。
图2示意性示出本公开示例性实施例中另一种用于辅助仓库分仓的方法的流程图。
如图2所示,该用于辅助仓库分仓的方法可包括如下步骤。
在步骤S210中,对获取的订单信息进行数据清洗,排除无效订单和/或无仓库信息订单。
在步骤S220中,将所述订单信息中的商品根据预设单品类型划分为m种单品。
步骤S210和步骤S220的具体实现方法类似于上述实施例,在此不再详述。
在步骤S230中,根据任意两种单品之间的关联度生成所述第一关联 矩阵。
下面举一个实例进行说明。
针对不同地区(例如北京),假设当前日期为2016年9月1日,则获取该当前日期前3个月即2016年6月1日至2016年8月31日(第一预设时间段)的历史订单信息,对该历史订单信息进行预处理后(如上述的数据清洗、单品划分等),得到有效的订单t(t为大于等于1的正整数)个及各个订单下单时间信息(例如下单日期),该t个订单中的单品类型数量假设为n(n为大于等于1的正整数)个,每个订单中可包括从该n种单品类型中的1至p(p为大于等于1、且小于等于n的正整数)个单品。
在一实施例中,假设选择的统计粒度到天,即将该第一预设时间段划分为92天(T个子时间段,T=92),这里的每个子时间段为一天(当然本公开不以此为限,可以根据实际需求选择不同的统计粒度,例如周、小时等)。
统计2016年6月1日至2016年8月31日这一时间段内每天该n个单品类型任意两种不同单品属于同一订单的频次,例如2016年6月1日这一天有5个订单,第1个订单中有单品(A,B),第2个订单中有单品(A,B,C),第3个订单中有单品(C),第4个订单中有单品(A,C,D),第5个订单中有单品(B,C,D,E),则单品A和B属于同一订单的频次为3,单品A和C属于同一订单的频次为2,单品A和D属于同一订单的频次为1,单品B和C属于同一订单的频次为1,单品B和D属于同一订单的频次为1,单品B和E属于同一订单的频次为1,单品C和D属于同一订单的频次为2,单品C和E属于同一订单的频次为1,单品D和E属于同一订单的频次为1。其他日期(2016年6月2日至2016年8月31日)的任意两种不同单品属于同一订单的频次统计方法于此类似,在此不再详述。
在一实施例中,可以将上述统计的每天内任意两种不同单品属于同一订单的频次作为该两种不同单品之间的关联度。其中所述第一关联矩阵H中的每一元素表示相应子时间段内的对应两种单品之间的关联度,且相同单品之间的关联度为0,且第一关联矩阵H为一对称矩阵,例如 单品A和B、单品B和A分别对应的第一关联矩阵H的元素数值相同。
这样以单品类型分别作为X、Y坐标,时间作为Z坐标,可以得到一个三维关联矩阵—数据立方体H(X,Y,Z),如图3所示,其中图3是以品类为例划分单品类型的,在其他实施例中还可以采用其他的单品类型划分方式。矩阵上每一个点H(xi,yj,zk)(其中i和j的取值范围均为1至n的正整数,k的取值范围为1至T的正整数)代表某两个单品在某时间点的关联度。通过上述的处理,将用户订单抽象为单品的第一关联矩阵H。
在步骤S240中,采用中值滤波对所述第一关联矩阵中的元素进行去离群值操作。
为消除促销对商品关联性的影响,可以进行去离群值操作。在一组平行测定数据中,有时会出现个别值与其他值相差较远,这种值叫离群值。
在一实施例中,可对三维的第一关联矩阵H中每一对单品的关联度时间序列(xi,yj,1),(xi,yj,2),……,(xi,yj,T)(T为三维的第一关联矩阵Z轴的长度,例如T=92),进行窗口为p(p可以取7)的中值滤波。当然,本公开还可以采取任意的去离群值操作去除促销对商品关联性的影响,并不限于本实施例所例举的中值滤波方法。
在步骤S250中,根据所述第一关联矩阵获取第二预设时间段内任意两个单品之间关联度的多个预测值。
其中所述第二预设时间段可以选择为从当前日期开始的未来N1天,当然,本公开不限定于此,例如也可以是未来N1周、未来N1个小时等等。
为最大化降低拆单率,应根据未来的单品之间的关联性调整商品布局。
在一实施例中,可以使用下面的线性回归公式
对上述时间序列进行拟合,其中qt为每一对单品的关联度时间序列(xi,yj,1),(xi,yj,2),……,(xi,yj,T1)上的值,这里的T1应小于等于总数据的时间跨度即三维的第一关联矩阵Z轴的长度T,例如上面假设总数据T=92天,则可以选择设置初始的T1=30,随后依次递增T1,则可以取63段数据:根据q1至q30可以预测s31;根据q1至q31可以预测s32;;....;根据q1至q92可以预测s93。这里的ωt为上述时间序列的权值,得到权重后可以循环计算为了N1天的s值,即可以先预测出未来第1天的一对单品之间的关联度,然后假设未来第1天的该对单品之间的关联度是已知的,再根据历史时间序列和这未来第1天的该对单品之间的关联度预测未来第2天的该对单品之间的关联度,以此类推,直至获得未来N1天的该对单品之间的全部关联度。使用sT1+1表示预测的未来N1天的任意两个单品类型之间的关联度。在一实施例中,可以使用线性回归法计算获得该时间序列的权值ωt。
如图4所示,图4的横坐标为时间(这里假设以天为单位),纵坐标表示任意两个单品之间的关联度的值。图中黑色的actual线代表实际的时间序列,白色的fitted为拟合之后的时间序列,虚线的右边白色线条为预测的未来N天的任意两个单品类型之间的关联度。对N1天的预测值取平均,形成新的关联矩阵H*。
需要说明的是,虽然图4中仅示意出根据前3个月的历史数据拟合未来N1天的一对单品之间的关联度的曲线,但实际上fitted本质上是回归的结果,在任意时间点均可以计算获得。
在步骤S260中,将任意两个单品之间关联度的多个预测值的平均值作为所述第二关联矩阵的相应元素的值。
在一实施例中,可将上述计算得到的N1天的预测值si取平均,形成所述第二关联矩阵H*。与第一关联矩阵H不同,第二关联矩阵H*为一个二维矩阵,其矩阵上的每一个元素代表未来N1天内每天任意两种单品之间的关联度,例如未来N1天内每天某两个单品之间同时购买的次数。
图5示意性示出本公开示例性实施例中第二关联矩阵的示意图。图5中任意一个点(xi,yj)的值为单品xi与单品yj的关联度。
在步骤S270中,根据所述第二关联矩阵获取分仓后的订单的虚拟拆单率。
大型电商的订单量通常在百万到千万级别,如通过遍历订单来计算拆单率,速度将非常缓慢。本发明实施例可使用第二关联矩阵H*来近似计算拆单率(成为虚拟拆单率,以于实际拆单率区别开来)。
设n×m矩阵S记录每个单品所在的仓库,n为单品数量,m为仓库数量。例如,一个包含三个单品(A,B,C)和2个仓库(甲,乙)的单品-仓库矩阵S如下所示:
该矩阵S表示,单品A、B在仓库甲,单品C在仓库乙。可使用如下公式计算所述虚拟拆单率:
其中,为解释上述虚拟拆单率计算公式的意义,给出如下的例子。
设第二关联矩阵H*如下所示:
H*可以理解为根据第一关联矩阵H预测的未来N天中每天两单品间的购买次数。例如,H*(A,B)=5,即为单品A和B在未来N天中的任意一天同时购买了5次。根据商品-仓库矩阵S,单品A、B之间没有拆单(位于同一仓库甲),单品A和C、单品B和C之间有拆单(分别位于不同的仓库甲和乙)。则实际拆单次数应为7+9=16(注意,H*为对称矩阵,对称元素不重复计算)。其中总购买次数为:
因此,实际拆单率应为16/21=76%。
下面现在解释公式中各项意义,公式中矩阵乘H*·S结果为:
公式中(H*·S)*S结果为:
公式中Σi,j(H*·S)*S为对(H*·S)*S结果进行求和,即5+5=10。
公式中所以根据上述计算公式可得所述虚拟拆单率为:
由此可以得出,根据上述公式计算得到的虚拟拆单率与实际拆单率结果结果一致。
图6示意性示出本公开示例性实施例中再一种用于辅助仓库分仓的方法的流程图。
如图6所示,该用于辅助仓库分仓的方法在基于上述实施例的基础上,还可以包括以下步骤。
在步骤S310中,优化所述虚拟拆单率、搬仓成本、库容、出库量中的一个或者多个指标。
实际上,不能仅仅优化拆单率,还需要考虑搬仓成本、库容、出库量等指标。
其中所述出库量是指移动单品的体积乘以单位体积的移动成本,每个仓库有设计最大出库量,比如每天100万件。
根据上述实施例可以获得预测单品之间关联度的第二关联矩阵H*,本发明实施例的目标是将单品分配到各个仓库中,使仓库间的拆单最少。 因此,可初步将此问题转化为图的切割问题,并可通过谱聚类,进行图分割,使分割后的子图间关联最少。使用谱聚类需要相似矩阵,可直接使用H*作为相似矩阵。
使用谱聚类将H*聚为k类,k类中每一类为一个单品集,将一个单品集中的单品分配至同一仓库中。在一实施例中,k大于仓库数量m,因为聚类算法有很大的随机性。如果k取值较小,每类会包含很多单品,随机性就很大。取较大的k值,每类中的单品数少,随机性就小,基本能把最相关的单品聚在一起。在另一实施例中,可以选k为仓库数量m的5倍,但本公开不限定于此。
谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量,然后选择合适的特征向量聚类不同的数据点。
在示例性实施例中,最终的拆仓方案可以根据多目标优化遗传算法生成。
构造k维(k为谱聚类输出的类数)向量g=(g1,……,gk),称g为一条基因。其中,gi的可能取值为所有的仓库编号。因此,一条基因代表谱聚类输出的k个类,每个类包含其对应单品集的所有单品的仓库。根据一条基因可以计算出单品-仓库矩阵S,由此可使用上述实施例中的虚拟拆单率公式计算出一条基因的虚拟拆单率。
下面举例说明:
假设包括五种单品,分别为:A,B,C,D,E;2个仓库,分别为:甲和乙;谱聚类结果(k=3,即3类)获得3个单品集分别为:(A,B)(C,D),(E)。构造一条基因为:甲,乙,乙。则根据该条基因可以计算出单品-仓库矩阵S为:
即:
在示例性实施例中,所述优化所述虚拟拆单率、搬仓成本、库容、出库量中的多个指标包括:
第一步,初始化N条基因;
其中,可以随机初始化N条基因,每条基因的值随机产生。
第二步,根据以下公式计算每条基因的多目标评价值fitness:
其中,配置前每个仓库的库容为cq,每个仓库的出库量为oq,每种单品原始所在仓库为sq,按一条基因重新配置后的每个仓库的库容为每个仓库的出库量为每种单品所在仓库为
其中break为拆单率、为配置前仓库的库容与配置后仓库的库容之间的差,为配置前仓库的出库量与配置后仓库的出库量之间的差,仓库发生变化的单品的数量。在一实施例中,优化目标为最小化拆单率、库容之间的差,出库量之间的差,仓库发生变化的单品的数量。在另一实施例中,也可以选择优选上述4个量之中的一个、二个或者三个,甚至还可以加入其他的优化目标进来,本公开对此不作限定。
第三步,对该N条基因中的任意两条基因进行比较,记录每条基因 小于其他基因的数量,计做smallq;
在一实施例中,定义两条基因g1,g2之间的比较方法如下:
g1>g2,g1的fitness的每一项大于g2的fitness的每一项;
g1=g2,不满足g1的fitness的每一项大于g2的fitness的每一项和g1的fitness的每一项小于g2的fitness的每一项;
g1<g2,g1的fitness的每一项小于g2的fitness的每一项。
第四步,根据smallq的大小对该N条基因进行降序排序,取前M条基因;
当然,在其他实施例中,也可以根据smallq的大小对该N条基因进行升序排序,取后M条基因。相应的,下面的步骤中当达到预设的停止条件时,取最后一次迭代中的后M条基因中的最后一条基因作为所述优化结果。
第五步,对该M条基因进行突变和交换,生成新的N条基因;
其中,对这M条基因进行突变即改变某条基因中某一gi的值,相当于将gi对应的商品移动到另一仓库;对这M条基因进行交换是指交换两条基因中部分gi的值,生成新的N条基因。
迭代执行上述第二至第五步,直至满足预设的停止条件;
其中这里的预设的停止条件可以是预先设置的迭代次数P,当达到预设的迭代次数P时,停止迭代。当然,本公开对此不作限定。
将最后一次迭代中,根据上述第四步中获得的前M条基因中的第一条基因作为所述优化结果,认为该第一条基因为最好的基因。取最好的基因作为优化方案。
由于上述的优化过程需要多次计算虚拟拆单率,遍历用户订单拆单率精确值需要耗费大量时间。本发明实施例使用第二关联矩阵计算拆单率的近似值,能够极大的提高计算效率。
在步骤S320中,根据优化结果将同一单品集中的单品分配至同一仓库。
本发明实施方式一方面从客户订单的数据分析出发,针对不同地区,不同时间段,从用户的购买行为出发,分析商品的购买关联性,通过规 划商品布局将商品分配至不同仓库,能够最小化拆仓后的拆单率,尽量减少移动商品的运输成本,电商运营成本显著下降;另一方面,使用多目标遗传算法同时优化拆单率、搬仓成本、库容、出库量等多个指标,并在合理的时间内给出优化结果。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
图7示意性示出本公开示例性实施例中一种用于辅助仓库分仓的装置的框图。
如图7所示,该用于辅助仓库分仓的装置100包括:订单信息获取模块110、第一关联矩阵生成模块120、第二关联矩阵生成模块130以及拆单率计算模块140。
其中订单信息获取模块110用于获取第一预设时间段内的订单信息。
第一关联矩阵生成模块120用于根据所述订单信息生成第一关联矩阵H。
第二关联矩阵生成模块130用于根据所述第一关联矩阵H生成第二关联矩阵H*。
拆单率计算模块140用于根据所述第二关联矩阵H*获取分仓后的订单的虚拟拆单率。
在示例性实施例中,所述拆单率计算模块140包括:聚类单元,用于使用谱聚类算法将所述第二关联矩阵H*聚为k类,其中k类中每一类为一个包括一种或者多种单品的单品集;构造单元,用于构造k维向量g为一条基因,其中该一条基因中的第i个元素为该k类中第i个单品集中的单品所在仓库的仓库标识;单品仓库矩阵获得单元,用于根据该一条基因获得m×n的单品仓库矩阵S,其中m为单品数量,n为仓库数量;虚拟拆单率计算单元,用于根据所述第二关联矩阵H*和所述单品仓库矩阵S计算该一条基因的虚拟拆单率break为:
在示例性实施例中,该用于辅助仓库分仓的装置100还包括:优化模块150,用于优化所述虚拟拆单率、搬仓成本、库容、出库量中的一个或者多个指标;分仓模块160,用于根据优化结果将同一单品集中的单品分配至同一仓库。
上述用于辅助仓库分仓的装置中各模块的具体细节已经在对应的用于辅助仓库分仓的方法中进行了详细描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
进一步的,本示例实施方式中,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器。其中,所述处理器被配置为:获取第一预设时间段内的订单信息;根据所述订单信息生成第一关联矩阵H;根据所述第一关联矩阵H生成第二关联矩阵H*;根据所述第二关联矩阵H*获取分仓后的订单的虚拟拆单率。
图8示意性示出本公开示例性实施例中一种电子设备的方框图。进一步的,本示例实施方式中,还提供了一种电子设备,所述电子设备包括上述任意一种用于辅助仓库分仓的方法。图8示出根据本公开示例实施方式中一种电子设备的示意图。例如,电子设备300可以是移动电话,计算机,数字广播终端,消息收发设备,智能电视,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,电子设备300可以包括以下一个或多个组件:处理组件302,存储器304,电源组件306,多媒体组件308,音频组件310,输入/输出(I/O)的接口312,传感器组件314,以及通信组件316。
处理组件302通常控制电子设备300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件302 可以包括一个或多个处理器320来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件302可以包括一个或多个模块,便于处理组件302和其他组件之间的交互。例如,处理组件302可以包括多媒体模块,以方便多媒体组件304和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在设备300的操作。这些数据的示例包括用于在电子设备300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件306为电子设备300的各种组件提供电力。电力组件306可以包括电源管理系统,一个或多个电源,及其他与为电子设备300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述电子设备300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如,音频组件310包括一个麦克风(MIC),当电子设备300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中,音频组件310还包括一个扬声器,用于输出音 频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器,用于为电子设备300提供各个方面的状态评估。例如,传感器组件314可以检测到设备300的打开/关闭状态,组件的相对定位,例如所述组件为电子设备300的显示器和小键盘,传感器组件314还可以检测电子设备300或电子设备300一个组件的位置改变,用户与电子设备300接触的存在或不存在,电子设备300方位或加速/减速和电子设备300的温度变化。传感器组件314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件316被配置为便于电子设备300和其他设备之间有线或无线方式的通信。电子设备300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器304,上述指令可由电子设备300的处理器320执行以完成上述方法。例如,所述非临时性计算机可读存储 介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。