CN109709985B

CN109709985B - 一种无人机任务优化方法、装置及系统

Info

Publication number: CN109709985B
Application number: CN201910053325.9A
Authority: CN
Inventors: 王智明; 徐雷; 毋涛
Original assignee: China United Network Communications Group Co Ltd
Current assignee: China United Network Communications Group Co Ltd
Priority date: 2019-01-21
Filing date: 2019-01-21
Publication date: 2021-10-01
Anticipated expiration: 2039-01-21
Also published as: CN109709985A

Abstract

本发明属于数据处理领域，公开了一种无人机任务优化方法、装置及系统，该方法包括：接收用户终端通过多个无人机设备发送的无人机任务优化请求；对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果；发送所述任务优化结果至所述无人机设备和用户终端，以供所述无人机设备根据所述任务优化结果执行任务。本发明能够降低无人机任务的规划时延和规划路程成本，实现无人机任务的实时多目标规划。

Description

一种无人机任务优化方法、装置及系统

技术领域

本发明涉及数据处理领域，特别涉及一种无人机任务优化方法、装置及系统。

背景技术

随着物联网的迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生的数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘云已被业界普遍认定为下一代数字化转型的主要趋势之一。移动边缘计算(Mobile Edge Computing，简称：MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而给运营商的运作带来全新模式，并建立全新的产业链及生态圈。这种情况下，面对日益迫切的仿生无人机智能任务优化需求，基于边缘云的仿生无人机智能任务优化机制的迅速持续发展具有重要意义。

现有的仿生无人机任务优化云计算系统未充分考虑到规划高时延、非实时单目标规划、规划路程成本高等方面问题，随着边缘云及仿生无人机任务优化业务的快速增长，伴之产生的规划高时延、非实时单目标规划、规划路程成本高等问题日益突出。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供了一种无人机任务优化方法、装置及系统，能够降低无人机任务的规划时延和规划路程成本，实现无人机任务的实时多目标规划。

为实现上述目的，本发明提供了一种无人机任务优化方法，包括：

接收用户终端通过多个无人机设备发送的无人机任务优化请求；

对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果；

发送所述任务优化结果至所述无人机设备和用户终端，以供所述无人机设备根据所述任务优化结果执行任务。

可选地，所述接收用户终端通过多个无人机设备发送的无人机任务优化请求具体包括：

通过定期被询问机制获取所述无人机任务优化请求；和/或，获取每隔预置时间主动上报的所述无人机任务优化请求。

可选地，所述无人机任务优化请求中的评价指标包括：规划时延、规划路程和目标满足度。

可选地，所述对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果具体包括：

步骤S1，设置迭代初始参数和最大迭代次数；

步骤S2，以多目标匹配泛函神经网络多层感知对角学习策略分析多个所述无人机任务优化请求中的评价指标并生成初始结果；

步骤S3，判断步骤S2中生成的初始结果是否满足深度分析评价条件，若满足，执行步骤S5，若不满足，执行步骤S4；

步骤S4，将所述迭代次数加1，并判断当前迭代次数是否超过所述最大迭代次数，若否，执行步骤S3，若是，执行步骤S5；

步骤S5，输出无人机任务优化请求的任务优化结果。

可选地，所述步骤S3中的深度分析评价条件包括联合评价函数，具体如下：

所述步骤S2中的多目标匹配泛函神经网络多层感知对角学习策略包括最优似然估计优化函数，具体如下：

其中，式(1-3)中的M_ijt ^k包含

三方面的信息向量，式(1-1)至式(1-5)中的k表示第k次迭代，d表示所述最大迭代次数，且k＝1,2,……,d，m、n、q分别代表深度分析对应的深度分析模型中的三个空间维数，

表示当前第k次规划时延，

表示当前第k次规划路程成本，

表示当前第k次多目标吻合度，

表示第k+1次信息向量，M_ijt ^k表示第k次信息向量，

表示第k+1次迭代学习因子，

表示第k+1次迭代增强因子，L^minK表示第k次最小规划时延，C^minK表示第k次最小规划路程成本，W^maxK表示第k次最大多目标吻合度，L^minG表示历史最小规划时延，C^minG表示历史最小规划路程成本，W^maxG表示历史最大多目标吻合度。

为实现上述目的，相应地，本发明还提供了一种无人机任务优化装置，包括：

接收模块，用于接收用户终端通过多个无人机设备发送的无人机任务优化请求；

分析生成模块，用于对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果；

发送模块，用于发送所述任务优化结果至所述无人机设备和用户终端，以供所述无人机设备根据所述任务优化结果执行任务。

可选地，所述接收模块具体用于通过定期被询问机制获取所述无人机任务优化请求；和/或，获取每隔预置时间主动上报的所述无人机任务优化请求。

可选地，所述分析生成模块具体包括：

参数设置子模块，用于设置迭代初始参数和最大迭代次数；

分析生成子模块，用于以多目标匹配泛函神经网络多层感知对角学习策略分析多个所述无人机任务优化请求中的评价指标并生成初始结果；

判断子模块，用于判断初始结果是否满足深度分析评价条件，判断当前迭代次数是否超过所述最大迭代次数；

加一子模块，用于当判断出初始结果不满足深度分析评价条件时，将所述迭代次数加一；

输出子模块，用于输出无人机任务优化请求的任务优化结果。

为实现上述目的，相应地，本发明还提供了一种无人机任务优化系统，包括：

无人机智能任务执行层，包括多个无人机设备，所述无人机设备用于发送无人机任务优化请求至运营商基站及卫星边缘网络传输层，根据任务优化结果执行任务；

运营商基站及卫星边缘网络传输层，包括多个运营商基站和至少一个通信卫星设备，所述运营商基站和通信卫星设备用于转发所述无人机任务优化请求至智能任务边缘网关接入层；

智能任务边缘网关接入层，包括多个智能边缘网关设备，所述智能边缘网关设备用于转发所述无人机任务优化请求至智能任务边缘数据中心层；

智能任务边缘数据中心层，包括多个智能边缘服务器，所述智能边缘服务器用于处理所述无人机任务优化请求中的部分无人机任务优化请求并发送剩余的无人机任务优化请求至智能任务中心分析层；

智能任务中心分析层，包括多个智能任务分析处理器和智能任务分析知识库集群，所述智能任务分析处理器用于根据所述剩余的无人机任务优化请求和所述智能任务分析知识库集群生成任务优化结果；

其中，所述智能任务分析处理器包括如上所述的无人机任务优化装置。

本发明具有以下有益效果：

本发明提供的无人机任务优化方法，对多个无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果，发送任务优化结果至无人机设备和用户终端，以供无人机设备根据任务优化结果执行任务，能够降低无人机任务的规划时延和规划路程成本，实现无人机任务的实时多目标规划。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的无人机任务优化系统的场景图；

图2为本发明实施例提供的任务分析处理器所实现的无人机任务优化方法的流程图；

图3为本发明实施例提供的深度分析和深度分析评价的方法流程图；

图4为本发明实施例提供的无人机任务优化功能实现逻辑结构图；

图5a-图5c为本发明实施例提供的深度分析原理图；

图6为本发明实施例提供的深度分析模型示意图；

图7为本发明实施例提供的无人机任务优化装置的结构示意图；

图8为图7中分析生成模块的结构示意图；

图9为本发明实施例提供的一种服务器设备。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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的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。

图1为本发明实施例提供的无人机任务优化系统的场景图，如图1所示，该无人机任务优化系统的场景主要包括五个层面：1)无人机智能任务执行层，包含：水下无人机、空中无人机、爬行无人机等多个仿生无人机设备，实现无人机设备的特征数据采集及智能任务执行，无人机设备用于发送无人机任务优化请求至运营商基站及卫星边缘网络传输层，根据任务优化结果执行任务；2)运营商基站及卫星边缘网络传输层，包含：多个运营商基站、至少一个通信卫星，实现运营商基站和卫星网络的接入及传输，运营商基站和通信卫星用于转发无人机任务优化请求至边缘网关接入层；3)智能任务边缘网关接入层，由若干智能边缘网关组成，实现来自运营商边缘网络、卫星网络的接入，智能边缘网关用于转发无人机任务优化请求至智能任务边缘数据中心层；4)智能任务边缘数据中心层，由若干智能边缘服务器组成，实现对部分仿生无人机智能任务优化请求的处理，智能边缘服务器用于处理无人机任务优化请求中的部分无人机任务优化请求并发送剩余的无人机任务优化请求至智能任务中心分析层；5)智能任务中心分析层，由若干智能任务分析处理器和智能任务分析知识库集群组成，实现对仿生无人机智能任务优化请求信息的处理。智能任务分析处理器用于根据剩余的无人机任务优化请求生成任务优化结果，也即为实现除迁移到智能边缘服务器(最小单元智能任务优化)外的仿生无人机智能任务优化的核心处理。

进一步地，该无人机任务优化系统还包括客户(用户终端)，用户终端用于通过无人机智能任务执行层中的多个无人机设备发送无人机任务优化请求，接收任务优化结果。可选地，本实施例中，用户终端接收所述任务优化结果后，控制所述无人机设备根据所述任务优化结果执行任务。

在图1所示的场景中，无人机任务优化方法的处理流程具体如下，其中的附图标号①、②、③、④、⑤、⑥、⑦、⑧、I、II、III、IV、V分别表示处理的步骤流程。

步骤①，无人机智能任务执行层的水下无人机、空中无人机、爬行无人机等无人机设备通过运营商基站、通信卫星接入到运营商基站及卫星边缘网络传输层，并传送来自用户终端的仿生无人机智能任务优化请求；步骤②，运营商基站及卫星边缘网络传输层的运营商基站、通信卫星(卫星网络)直接或间接通过因特网接入智能任务边缘网关接入层的智能边缘网关，并传送仿生无人机智能任务优化请求。步骤③，智能边缘网关接入到智能任务边缘数据中心层的智能边缘服务器，并根据传送的仿生无人机智能任务优化请求实现相应部分的仿生无人机智能任务优化服务(最小单元智能任务优化)；步骤④&⑤&⑥，步骤③中所述的部分仿生无人机智能任务优化服务(最小单元智能任务优化)通过运营商边缘网络、卫星网络、无人机智能任务执行层等无人机设备提供给客户；步骤⑦，智能任务边缘数据中心层的智能边缘服务器接入到智能任务中心分析层，并传送原仿生无人机智能任务优化请求中剩余的智能任务优化服务；步骤⑧，智能任务分析处理器实现原仿生无人机智能任务优化请求中剩余的智能任务优化服务，并从智能任务分析知识库集群中提取剩余的智能任务优化服务所需的智能任务分析数据。步骤I，智能任务分析处理器将所需原仿生无人机智能任务优化请求中剩余的智能任务优化服务分析结果和智能任务分析数据返回给智能边缘服务器；步骤II&III&IV&V，智能任务边缘数据中心层的智能边缘服务器将所需原仿生无人机智能任务优化请求中剩余的智能任务优化服务结果和所需智能任务分析数据通过智能边缘网关、运营商边缘网络、运营商基站、卫星网络返回给水下无人机、空中无人机、爬行无人机等无人机设备及客户。

在上述应用场景中，仿生无人机智能任务优化请求的部分迁移至智能边缘服务器中以供智能边缘服务器对其进行处理，而剩余的仿生无人机智能任务优化请求则通过智能任务分析处理器实现处理。智能任务边缘数据中心层中的多个智能边缘服务器用于实现对部分仿生无人机智能任务优化请求的处理(最小单元智能任务优化)，并将所述的部分仿生无人机智能任务优化服务(最小单元智能任务优化)通过运营商边缘网络、卫星网络、无人机智能任务执行层等无人机设备提供给客户。剩余的无人机任务优化请求被发送至智能任务中心分析层中，智能任务中心分析层的智能任务分析处理器用于处理原仿生无人机智能任务优化请求中剩余的智能任务优化服务，并将所需原仿生无人机智能任务优化请求中剩余的智能任务优化服务分析结果和智能任务分析数据返回给智能边缘服务器。本实施例仅讨论智能任务中心分析层的智能任务分析处理器处理原仿生无人机智能任务优化请求中剩余的智能任务优化服务的过程。

在上述场景中，通过智能任务分析处理器实现对无人机任务优化请求的分析，通过对无人机任务优化请求中的规划时延、规划路程和目标满足度等评价指标进行处理，得到最优的规划时延、规划路程和目标满足度并生成任务优化结果，多个无人机设备根据该任务优化结果执行任务，以实现低规划时延、低规划路程成本、高目标满足度的功能效果。可选地，任务优化结果包括执行所述任务优化结果所需的智能任务分析数据。

值得说明的是，智能任务分析处理器可同时处理多个仿生无人机智能任务优化请求并生成对应的任务优化结果，各仿生无人机智能任务优化请求独立互不干扰。本实施例中的所述的无人机任务优化请求为仿生无人机智能任务优化请求。

以下详细介绍下本发明实施例的智能任务分析处理器所实现的无人机任务优化功能。

图2为本发明实施例提供的任务分析处理器所实现的无人机任务优化方法的流程图，如图2所示，该方法包括：

步骤101、接收用户终端通过多个无人机设备发送的无人机任务优化请求。

具体地，可采用实时主动兼被动的方式接收无人机任务优化请求。如：通过定期被询问机制获取所述无人机任务优化请求；和/或，获取每隔预置时间主动上报的所述无人机任务优化请求。

在实际使用场景中，多个无人机设备同时发出无人机任务优化请求。

步骤102、对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果。

步骤103、发送所述任务优化结果至所述无人机设备和用户终端，以供所述无人机设备根据所述任务优化结果执行任务。

图3为本发明实施例提供的深度分析和深度分析评价的方法流程图，本发明的深度分析和深度分析评价思想是对各无人机任务优化请求进行判断和分析，以使得各个无人机任务优化请求具有不同的优先等级。本实施例的深度分析采用多目标匹配泛函神经网络多层感知对角学习策略方法实现规划低时延、多目标规划和规划路程成本低的无人机任务优化。

如图3所示，深度分析和深度分析评价的方法包括以下步骤：

步骤S1，设置迭代初始参数和最大迭代次数。

如：设置迭代初始参数为0，设置最大迭代次数d为50。其中，最大迭代次数根据需求设置，一般不超过100。如果最大迭代次数的数值设置太小会导致不够精确，设置太大则浪费算力。

步骤S2，以多目标匹配泛函神经网络多层感知对角学习策略分析多个所述无人机任务优化请求中的评价指标并生成初始结果。

步骤S3，判断步骤S2中生成的初始结果是否满足深度分析评价条件，若满足，执行步骤S5，若不满足，执行步骤S4。

本实施例根据基于多目标匹配、泛函分析、神经网络、多层感知、概率论、生物学、运筹学、智能优化等多种理论的深度优化分析评价条件对初始结果进行判断。

步骤S4，将所述迭代次数加1，并判断当前迭代次数是否超过所述最大迭代次数，若否，执行步骤S3，若是，执行步骤S5。

迭代次数每加1，即对初始结果执行一次迭代。加1后的当前迭代次数为k+1，k≤d。对初始结果进行多次迭代处理，直至其满足深度分析评价条件。

步骤S5，输出无人机任务优化请求的任务优化结果。

任务优化结果即为最优的无人机任务执行方案。

图4为本发明实施例提供的无人机任务优化功能实现逻辑结构图，如图4所示，逻辑结构包括三个部分：仿生无人机智能任务优化完成请求或分析结果接收、以多目标匹配泛函神经网络多层感知对角学习策略分析仿生无人机智能任务优化请求、分析结果输出。在接收到仿生无人机智能任务优化完成请求之前所输出的分析结果为上述步骤S2中所述的初始结果。当接收到仿生无人机智能任务优化完成请求之时或之后输出的分析结果即为最终的任务优化结果。当输出的分析结果满足深度分析评价条件时即触发仿生无人机智能任务优化完成请求的发送。其中，各仿生无人机智能任务优化请求中包括：规划时延L、规划路程C、目标满足度W，通过分析仿生无人机智能任务优化请求实现了针对各仿生无人机智能任务优化请求的规划时延L、规划路程C、目标满足度W的分析处理，以多目标匹配泛函神经网络多层感知对角学习策略实现分析并给出分析结果，最终生成最优的任务优化结果(也即为满足深度分析评价条件的分析结果)。本实施例中所述的深度分析的方式即为多目标匹配泛函神经网络多层感知对角学习策略。

图5a-图5c为本发明实施例提供的深度分析原理图，如图5a所示，每次迭代中的多目标匹配泛函神经网络多层感知对角学习策略分析思想为:在1,2，...h多维空间中，多个深度分析方案根据多目标匹配泛函神经网络多层感知对角学习策略方式向最优优化方案(也即为无人机任务优化请求的任务优化结果)确定的方向迁移，也即为图5a中所示实线圆球所在位置。也即为经过多次迭代后，生成的初始结果向满足深度分析评价条件的方向迁移。图5b为神经网络前反馈原理，无人机任务优化请求在输入后经过多目标匹配泛函神经网络多层感知对角学习策略后输出相应的分析结果。图5c为多目标匹配泛函神经网络多层感知对角学习策略原理：将多个目标分别设置到各层神经网络(包括第1目标层、第2目标层…第x目标层)，感知输入无人机任务优化请求并感知输出当次迭代分析的初始结果。

相应地，图6为本发明实施例提供的深度分析模型示意图，该深度分析模型为与深度分析对应的存储模块，该存储模型为M_ijt ^k，在图6中，m、n、q分别代表深度分析对应的深度分析模型中的三个空间维数，图6中的各参数可根据下所示的公式(1-3)计算得出。

本实施例中所述的深度分析评价条件包括联合评价函数，具体如下：

所述的多目标匹配泛函神经网络多层感知对角学习策略包括最优似然估计优化函数，最优似然估计优化函数具体如下所示：

其中，式(1-3)中的M_ijt ^k包含

表示当前第k次规划时延，

表示当前第k次规划路程成本，

表示当前第k次多目标吻合度，

表示第k+1次信息向量，M_ijt ^k表示第k次信息向量，

表示第k+1次迭代学习因子，

基于上述的深度分析模型和联合评价函数，当联合评价函数不被满足时(也即为初始结果不满足深度分析评价条件时)，即以多目标匹配泛函神经网络多层感知对角学习策略对无人机任务优化请求进行深度分析并优化，以实现无人机任务的低规划时延、低规划路程成本、高目标满足度的优化效果。具体地，结合多个无人机任务优化请求中的规划时延L、规划路程C、目标满足度W生成最优的无人机任务执行方案。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，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操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

基于同一发明构思，在介绍了本发明示例性实施方式的方法之后，接下来，参考图7对本发明示例性实施方式的无人机任务优化装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能被构想的。

图7为本发明实施例提供的无人机任务优化装置的结构示意图，如图7所示，该装置包括：接收模块11、分析生成模块12和发送模块13。

接收模块11用于接收用户终端通过多个无人机设备发送的无人机任务优化请求。分析生成模块12用于对多个所述无人机任务优化请求中的评价指标进行深度分析和深度分析评价，生成无人机任务优化请求的任务优化结果。发送模块13用于发送所述任务优化结果至所述无人机设备和用户终端，以供所述无人机设备根据所述任务优化结果执行任务。

进一步地，所述接收模块11具体用于通过定期被询问机制获取所述无人机任务优化请求；和/或，获取每隔预置时间主动上报的所述无人机任务优化请求。所述无人机任务优化请求中的评价指标包括：规划时延、规划路程和目标满足度。

进一步地，图8为图7中分析生成模块的结构示意图，如图8所示，该分析生成模块12具体包括：参数设置子模块121、分析生成子模块122、判断子模块123、加一子模块124和输出子模块125。

参数设置子模块121用于设置迭代初始参数和最大迭代次数。分析生成子模块122用于以多目标匹配泛函神经网络多层感知对角学习策略分析多个所述无人机任务优化请求中的评价指标并生成初始结果。判断子模块123用于判断初始结果是否满足深度分析评价条件，判断当前迭代次数是否超过所述最大迭代次数。加一子模块124用于当判断出初始结果不满足深度分析评价条件时，将所述迭代次数加一。输出子模块125用于输出无人机任务优化请求的任务优化结果。

上述装置的分析生成子模块122中存储有多目标匹配泛函神经网络多层感知对角学习策略，判断子模块123中存储有深度分析评价条件，深度分析评价条件为联合评价条件。

此外，尽管在上文详细描述中提及了无人机任务优化装置的若干模块，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。

图9为本发明实施例提供的一种服务器设备，如图9所示，该服务器设备包括：存储器a和处理器b，所述存储器a中存储计算机程序，所述计算机程序被所述处理器b执行时，实现以下功能：

本发明实施例揭示的无人机任务优化方法、装置及系统，立足于多目标匹配泛函神经网络多层感知对角学习策略思想，基于多目标匹配、泛函分析、神经网络、多层感知、概率论、生物学、运筹学、智能优化等理论优势，并且结合本发明实施例提供的无人机任务优化系统的场景，将多个无人机任务优化请求进行动态深度分析，生成无人机任务优化请求的任务优化结果，该任务优化结果具有规划低时延、实时多目标规划和规划路程成本低的优势。

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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。