[0001] 本申请涉及中尺度涡旋检测领域，尤其是涉及一种基于神经网络和海面高度异常数据的中尺度涡旋检测方法。

[0002] 海洋中尺度涡旋是海洋中一种重要的自然现象，其直径通常在几十至几百公里之间，由流体动力学的复杂相互作用形成。这些涡旋不仅对海洋热量、动量和物质的输送产生重要影响，还能够调节海洋生物生产力和生态系统稳定性，对于理解全球气候变化机制至关重要。

[0003] 准确检测与识别海洋中的中尺度涡旋是海洋科学研究的关键任务之一，现有的中尺度涡旋检测技术主要依赖于卫星遥感、数值模拟和现场观测等手段，但这些方法存在着易受噪声影响、特征提取不充分、处理速度慢及对异常值敏感的问题，从而影响中尺度涡旋检测的精确度。

[0053] 下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。

[0054] 在本申请的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

[0055] 在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

[0056] 本申请的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。

[0057] 海洋中尺度涡是海洋中的一种重要现象，通常直径在几十到几百公里，形成于流体动力学的复杂相互作用中，这些涡旋可以由气候变化、海洋环流和地形影响等因素促成，常见的形式包括气旋涡和反气旋涡等，中尺度涡不仅对海洋热量、动量和物质的输送产生重要影响，还能够调节海洋的生物生产力和生态系统的稳定性，它们的存在对于理解全球气候变化的机制至关重要，尤其是在气候模式和天气预报中扮演着重要角色。

[0058] 准确检测与识别海洋中的中尺度涡是海洋科学研究的重要课题。中尺度涡的存在和变化直接影响海洋的环流模式、热量传输、物质混合及生物生产力，通过实时监测和识别中尺度涡，科学家可以更好地理解海洋动力过程，预测海洋环境变化趋势，为海洋资源开发和保护提供科学依据；同时，中尺度涡的检测数据也是评估全球气候变化、海洋灾害预警及渔业资源分布的重要参考，此外，中尺度涡能够影响水体中营养物质的分布，从而影响海洋生物的栖息环境和栖息地。因此，通过准确识别和监测中尺度涡，可以帮助决策者制定更为科学的海洋管理策略。

[0059] 现有的中尺度涡检测与识别技术主要依赖于卫星遥感、数值模拟和现场观测等方法。卫星遥感利用海洋表面温度、盐度以及海洋高度异常等数据，能够高效地获取大范围内的海洋信息；综合对地观测技术的发展，基于卫星高度计获取的海平面高度异常(Sea Level Anomaly,SLA)数据是目前海洋中尺度涡提取的常用解决方案。然而，由于卫星轨道参数偏差、传感器系统误差、大气等因素，SLA数据容易出现噪声信息，SLA数据生成需要借助多年统计参数也有所影响，进而降低了从中提取中尺度涡的精度，并且地球自转和纬度差异变化引起的罗斯贝波变形半径尺度与中尺度涡相仿，进一步干扰了中尺度涡的识别提取。

[0060] 中尺度涡旋分为两种类型：气旋涡(北半球逆时针旋转，也称为“冷涡”)和反气旋涡(南半球逆时针旋转，也称为“暖涡”)，气旋涡旋表现为高度异常值的负极值区域，反气旋涡表现为高度异常值的正极值区域，并且中尺度涡最直观的表现是闭合的海表面高度异常等值线，其中，SLA极大值点对应反气旋涡，SLA极小值点对应着气旋涡。

[0061] 为此，参照图1，本申请实施例提供了一种基于神经网络和海面高度异常数据的中尺度涡旋检测方法，本方法应用于控制器，控制器可以是服务器，可以是电子设备，也可以是移动终端等，这里不作具体限定，方法包括如下步骤S101至步骤S105。

[0062] 步骤S101、获取预设区域的海面高度数据。

[0063] 在本步骤中，预设区域为待进行中尺度涡旋检测的海洋区域，通过卫星遥感技术获取海面高度数据，具体为通过卫星的雷达高度计测量海洋表面高度。

[0064] 步骤S102、从海面高度数据中提取海面高度异常数据中的局部极值。

[0065] 在本步骤中，先通过卫星遥感技术获取预设区域的气象和环境数据，根据气象和环境数据对海洋高度数据进行修正，基于修正后的海洋高度数据计算海面高度异常数据(SLA数据)，再通过滑动窗口技术确定海面高度异常数据的局部极值，局部极值包括局部最小值和局部最大值，以消除海面高度异常数据中的噪声数据干扰。

[0066] 步骤S103、通过等值线法对局部极值进行中尺度涡漩检测，得到第一中尺度涡漩检测结果。

[0067] 在本步骤中，等值线法为一种从二维或三维数据场中提取具有相同值的线条和曲面的方法，在本实施例中，通过等值线法在每个局部最小值和局部最大值周围绘制等值线图，将等值线闭合区域视为一个可能的中尺度涡旋区域，提取该中尺度涡旋区域中的海面高度异常数据，再结合中尺度涡旋的特性进一步确认该中尺度涡旋区域的性质，得到第一中尺度涡旋检测结果。

[0068] 步骤S104、将局部极值输入中尺度涡漩检测模型，得到第二中尺度涡漩检测结果；中尺度涡旋检测模型基于神经网络训练得到。

[0069] 在本步骤中，基于神经网络模型，预先训练了中尺度涡旋检测模型，通过中尺度涡旋检测模型自动化学习深层特征，并且通过中尺度涡旋检测模型能提高海洋图像识别的准确性和处理数据，在获取到预设区域的局部极值时，将局部极值输入值中尺度涡旋检测模型，得到第二中尺度涡旋检测结果。

[0070] 步骤S105、根据第一中尺度涡漩检测结果和第二中尺度涡漩检测结果，得到预设区域的中尺度涡旋检测结果。

[0071] 在本步骤中，对第一中尺度涡旋检测结果和第二中尺度涡旋检测结果进行加权融合，根据加权融合的结果，得到预设区域的中尺度涡旋检测结果，通过综合两次中尺度涡旋检测结果，进一步提高了中尺度涡旋检测的精确度。

[0072] 与现有技术不同，本申请实施例通过提取预设区域的海面高度数据中海面异常数据的局部极值，根据局部极值通过等值线法进行中尺度涡旋检测，得到第一中尺度涡旋检测结果，并通过预先训练好的中尺度涡旋检测模型再次进行中尺度涡旋检测，得到第二中尺度涡旋检测结果，最后根据第一中尺度涡旋检测结果和第二中尺度涡旋检测结果，得到预设区域的中尺度涡旋检测结果。可见，本申请综合了两次中尺度涡旋检测结果，提高了中尺度涡旋检测的精确度。

[0073] 下面介绍上述各个步骤的具体实现方式。

[0074] 在步骤S102中的从海面高度数据中提取海面高度异常数据中的局部极值之前，方法还包括如下步骤S201。

[0075] 步骤S201、根据预设区域的气象环境数据对海面高度数据进行修正，得到修正后的海面高度数据。

[0076] 在本实施方式中，通过卫星遥感技术获取卫星遥感数据，卫星遥感数据包括海面高度数据、气象和环境数据；其中，气象和环境数据包括但不限于大气压力数据、风速数据、温度数据；通过海洋模式如HYCOM(Hybrid Coordinate Ocean Model混合坐标海洋模型)、NEMO(Nucleus for European Modelling of the Ocean欧洲海洋模型核心)等计算涌浪、涌潮等因素对海面高度的影响进行修正，再结合卫星数据中的气象和环境数据与其他地面观测数据(如浮标、潮汐站数据)进行数据同化，以增强海面高度数据的准确性。

[0077] 其中，在步骤S102中的从海面高度数据中提取海面高度异常数据中的局部极值包括如下步骤S202至步骤S203。

[0078] 步骤S202、从海面高度数据中提取海面高度异常数据。

[0079] 步骤S203、在海面高度异常数据中确定局部极值。

[0080] 其中，通过如下公式计算海面高度异常数据：

[0081] SLA(x,y)＝Hobs(x,y)‑Hmean(x,y)

[0082] 其中，SLA(x,y)为海面高度异常数据，Hobs(x,y)为修正后的海面高度数据，Hmean(x,y)为历史平均海面高度数据，x，y表示经度和纬度。

[0083] 在本实施方式中，通过修正后的海面高度数据和历史平均海面高度数据，计算预设区域的海面高度异常数据。

[0084] 步骤S203中的在海面高度异常数据中确定局部极值包括如下步骤S301至步骤S302。

[0085] 步骤S301、通过滑动窗口法将海面高度异常数据分为多个局部窗口。

[0086] 步骤S302、在每个局部窗口中确定海面高度异常数据的局部极值，局部极值包括局部最小值和局部最大值。

[0087] 在本实施方式中，气旋涡表现为海面高度异常值的负极值区域，反气旋涡表现为海面高度异常值的正极值区域；利用海面高度异常值的极值特性可以在SLA数据中有效识别这些涡旋区域，有利于提高初步确定海洋中尺度涡旋区域的准确性。

[0088] 在本实施方式中，通过上述计算得到的海面高度异常数据，使用滑动窗口法将海面高度异常数据划分为多个局部窗口，在每一个局部窗口中，寻找海面高度异常数据的局部最小值和局部最大值，根据气旋涡和反气旋涡的特性，气旋涡将会出现在局部最小值区域，反气涡旋会出现在局部最大值区域，将每个局部最小值和局部最大值点于周围领域的值进行比较，对预设区域的涡旋性质进行初步判断，消除海面高度异常数据中噪声数据的影响，以提高后续对预设区域中尺度涡旋检测结果的准确性。

[0089] 其中，在步骤S202中的从海面高度数据中提取海面高度异常数据中的局部极值包括如下步骤S401至步骤S403。

[0090] 步骤S401、通过等值线法绘制局部最小值和局部最大值的等值线图。

[0091] 步骤S402、根据等值线图判断是否为中尺度涡旋区域。

[0092] 步骤S403、如果为中尺度涡旋区域，则根据等值线图中的海面高度异常数据，确定中尺度涡旋区域的具体类型。

[0093] 在本实施方式中，对于每个检测到的局部最小值和局部最大值，进一步使用等值线法对涡旋区域进行精确定义，即通过等值线法在每个局部最小值和局部最大值周围绘制等值线图，将等值线闭合区域视为一个可能的中尺度涡旋区域，提取该中尺度涡旋区域中的海面高度异常数据，再结合中尺度涡旋的特性(正极值或负极值)进一步确认该中尺度涡旋区域的性质，得到第一中尺度涡旋检测结果。

[0094] 在一些实施方式中，将极小值点作为涡旋中心，极大值点作为反涡旋中心，在探测到涡旋中心位置之后，采用SLA等值线法进行涡旋边界探测。以0.5cm为步长，从涡旋中心位置向外寻找SLA等值线；由于高度计的测量误差一般为2～3cm，因此将与涡旋中心位置大的差值大于3cm且闭合的SLA等值线判定为涡旋的边界。利用SLA数据中的高度异常值，检测潜在的中尺度涡区域。

[0095] 在步骤S104中的中尺度涡漩检测模型的训练过程，包括如下步骤S501至步骤S504。

[0096] 步骤S501、获取预设区域的历史海面高度异常数据和历史遥感数据。

[0097] 步骤S502、从历史海面高度异常数据和历史遥感数据中提取出经过标注的中尺度涡旋实例。

[0098] 步骤S503、构建基于神经网络的检测模型。

[0099] 步骤S504、根据经过标注的中尺度涡旋实例训练检测模型，得到完成训练的中尺度涡旋检测模型。

[0100] 在本实施方式中，历史遥感图像数据来自与海面高度数据相辅相成的光学或多光谱传感器，这些传感器记录了海洋表面的温度、颜色、风场等信息。在本实施例中，获取预设区域的高分辨率历史遥感图像后，历史遥感图像进行标准化处理，以适应神经网络的输入要求。

[0101] 在一些实施方式中，对历史遥感图像的标准化处理具体为通过归一化处理，将历史遥感图像的像素值缩放到0‑1之间，或者将其调整为零均值单位方差形式(即减去均值再除以标准差)，以消除不同历史遥感图像之间的幅度、亮度和对比度差异，以提高神经网络的训练效果。并且为了适应固定大小的神经网络输入，对历史遥感图像进行剪裁或重采样成预设图像大小，预设图像大小设置为224×224像素，需要说明的是，预设图像大小也可以根据具体情况设置。

[0102] 在本实施方式中，从历史海面高度异常数据和历史遥感数据中提取出经过标注的中尺度涡旋实例，通过经过标注的中尺度涡旋实例构建中尺度涡旋标注样本集，将中尺度涡旋标注样本集中的百分之七十作为中尺度涡旋模型的训练数据集，将中尺度涡旋标注样本集中的百分之七十作为中尺度涡旋模型的测试数据集。

[0103] 在本实施方式中，检测模型为ResNet神经网络模型，ResNet(残差网络)是一种深度卷积神经网络(CNN)，ResNet网络模型最大的特点是引入了残差学习(Residual Learning)的概念，通过使用跳跃连接(或称为恒等映射)有效地解决了深度神经网络训练过程中的梯度消失问题，使得网络能够达到前所未有的深度。

[0104] 在本实施方式中，ResNet网络模型主要包括卷积层(对图像进行特征提取，生成低维空间表示)、残差层(将输入直接通过跳跃连接添加到输出，使得网络可以学习到输入与输出之间的残差)和全连接层，ResNet网络模型可用如下公式进行表示：

[0105]

[0106] 其中，y表示ResNet网络模型的输出， 表示残差函数，x是输入，{Wi}是ResNet网络模型中的可训练参数。

[0107] 在本实施方式中，通过训练数据集对ResNet模型进行训练，通过交叉熵损失函数来衡量预测结果与真实结果的偏差以及通过Adam算法结合动量与自适应学习率的调整，以加速模型的收敛并防止梯度震荡，对ResNet网络模型进行参数调整。

[0108] 在本实施方式中，如下公式所示，通过训练数据集对ResNet网络模型进行多轮训练，每轮训练均通过反向传播算法调整ResNet网络模型的模型参数，以最小化损失值，得到训练完成的中尺度涡旋检测模型；并通过测试数据集评估中尺度涡旋检测模型的性能，计算中尺度检测模型检测的准确率，若准确率大于等于预设准确率时，则应用训练完成的中尺度涡旋检测模型进行中尺度涡旋检测，若准确率小于预设准确率时，则返回步骤S501，对ResNet网络模型进行重新训练，直至准确率满足要求，预设准确率可根据实际情况进行设置，也可设置为90％。

[0109]

[0110] 其中，L为最小化的损失函数值，N为样本数量，yi为真实标签， 为预测概率。

[0111] 在本实施方式中，通过结合卷积神经网络(ResNet网络)，弥补了传统算法在特征提取上的不足，能使中尺度涡旋检测模型自动学习深层特征，从而提高对中尺度涡的检测准确性，并且通过深度学习方法加强对复杂数据和噪声的鲁棒性，降低传统方法对手动特征设计的依赖，使得中尺度涡旋检测模型在面对多种环境变化时仍能保持较好的检测能力，通过优化ResNet神经网络的结构和算法，提升计算效率，以便能够处理大规模的SLA数据，实现实时或近实时的中尺度涡检测。

[0112] 在步骤S105中的根据第一中尺度涡漩检测结果和第二中尺度涡漩检测结果，得到预设区域的中尺度涡旋检测结果，包括如下步骤S601。

[0113] 步骤S601、通过如下公式对第一中尺度涡旋检测结果和第二中尺度涡旋检测结果进行加权融合，得到预设区域的中尺度涡旋检测结果：

[0114] Pfinal(x,y)＝α·PCNN(x,y)+(1‑α)·PSLA(x,y)

[0115] 其中，Pfinal为预测区域的中尺度涡旋检测结果，α为融合权重参数，PCNN为第二中尺度涡旋检测结果，PSLA为第一中尺度涡旋检测结果，(x,y)为预设区域的经纬度。

[0116] 在本实施方式中，α可根据具体情况进行设置，本实施例通过结合基于海面高度异常数据的检测结果和基于中尺度涡旋检测模型的检测结果，实现更加精准和自动化的中尺度涡旋识别。

[0117] 在本实施方式中，图2为海面高度异常数据的涡旋图，图3为根据图2的海面高度异常数据用过本申请实施例提供的技术方案得到的中尺度涡旋检测结果图。可以看出，通过本申请实施例的技术方案能准确的检测出中尺度涡旋。

[0118] 在本实施方式中，通过提取预设区域的海面高度数据中海面异常数据的局部极值，根据局部极值通过等值线法进行中尺度涡旋检测，得到第一中尺度涡旋检测结果，并通过预先训练好的中尺度涡旋检测模型再次进行中尺度涡旋检测，得到第二中尺度涡旋检测结果，最后根据第一中尺度涡旋检测结果和第二中尺度涡旋检测结果，得到预设区域的中尺度涡旋检测结果。综合了两次中尺度涡旋检测结果，提高了中尺度涡旋检测的精确度。

[0119] 如图3所示，本申请的一些实施例，提供了一种基于神经网络和海面高度异常数据的中尺度涡旋检测装置，所述装置包括数据获取模块1100、数据提取模块1200、第一检测模块1300、第二检测模块1400、涡旋检测模块1500，具体的：

[0120] 数据获取模块1100，用于获取预设区域的海面高度数据；

[0121] 数据提取模块1200，用于从海面高度数据中提取海面高度异常数据中的局部极值；

[0122] 第一检测模块1300，用于通过等值线法对局部极值进行中尺度涡漩检测，得到第一中尺度涡漩检测结果；

[0123] 第二检测模块1400，用于将局部极值输入中尺度涡漩检测模型，得到第二中尺度涡漩检测结果；中尺度涡旋检测模型基于神经网络训练得到；

[0124] 涡旋检测模块1500，用于根据第一中尺度涡漩检测结果和第二中尺度涡漩检测结果，得到预设区域的中尺度涡旋检测结果。

[0125] 需要注意的是，本实施例提供的基于神经网络和海面高度异常数据的中尺度涡旋检测装置与上述的基于神经网络和海面高度异常数据的中尺度涡旋检测方法是基于相同的发明构思，因此上述的基于神经网络和海面高度异常数据的中尺度涡旋检测方法的相关内容同样适用于基于神经网络和海面高度异常数据的中尺度涡旋检测装置的内容，因此，此处不再赘述。

[0126] 如图4，本申请实施例还提供了一种电子设备，本电子设备包括：

[0127] 至少一块氢燃料电池；

[0128] 至少一个存储器；

[0129] 至少一个处理器；

[0130] 至少一个程序；

[0131] 程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的一种基于神经网络和海面高度异常数据的中尺度涡旋检测方法。

[0132] 该电子设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、车载电脑等任意智能终端。

[0133] 下面对本申请实施例的电子设备进行详细介绍。

[0134] 处理器1600，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；

[0135] 存储器1700，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1700中，并由处理器1600来调用执行本公开实施例的一种基于神经网络和海面高度异常数据的中尺度涡旋检测方法。

[0136] 输入/输出接口1800，用于实现信息输入及输出；

[0137] 通信接口1900，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

[0138] 总线2000，在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息；

[0139] 其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。

[0140] 本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述一种基于神经网络和海面高度异常数据的中尺度涡旋检测方法。

[0141] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0142] 本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。

[0143] 本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

[0144] 以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0145] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

[0146] 本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0147] 应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

[0148] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0149] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0150] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0151] 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序的介质。

[0152] 以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。

[0153] 上面结合附图对本申请实施例作了详细说明，但本申请不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。