技术领域
[0001] 本申请涉及电数字数据处理技术领域，尤其涉及一种滑坡稳定性的分析方法、装置、设备及存储介质。
相关背景技术
[0002] 滑坡防治是指在无法绕避滑坡地段或斜坡不稳定地段进行工程建设时所采取的防治措施。滑坡稳定性分析是滑坡防治的基础工作，是后续防治工作的前提。根据边坡岩土体特征，采取相应措施防止边坡失稳，以保证生产和人员的安全。滑坡稳定性分析是滑坡防治的基础工作，是后续防治工作的前提。对滑坡进行稳定性研究的意义在于它不仅可为工程施工提供科学的理论依据，而且对滑坡发展趋势的预警预报也具有重要的指导作用。
[0003] 对于山体密集的地区，边坡不稳定而导致的滑坡会对人身安全以及经济建设造成巨大的损失。所以正确评价边坡的稳定性，并采取相应的加固措施，能够在很大程度上减少这种损失。
[0004] 滑坡稳定性分析大多采用瑞典条分法进行分析，该方法需要不断试算确定可能发生滑动的潜在破坏面，且未考虑不同土条的摩擦角、黏聚力之间的差异，分析出的滑坡安全稳定系数与实际存在一定的差别。
具体实施方式
[0017] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018] 本申请中的术语“第一”“第二”“第三”仅用于描述目的，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。由此，限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至 少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，若该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0019] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
[0020] 如图1所示，本实施例提供了滑坡稳定性的分析方法的一个实施例，在本实施例中，该分析方法基于监测断面上预留的若干个测斜孔。
[0021] 优选地，测斜孔是一种测量地面土层变形、决定地基变形和地层水平形态的方法，通常用于监测建筑结构、地铁、道路、桥梁和其他基础设施工程，也可以在地下水文地质勘探等领域中应用。测斜钻孔的原理是通过在钻孔中设置测斜器、变形计等测量仪器，对地层的变形情况进行监测和记录，以便分析土体的变形特征和进一步评估工程的地基稳定性。
[0022] 优选地，测斜孔通常通过钻孔测斜仪实现：1）安装钻孔测斜仪。
[0023] ①选择合适的钻孔孔径，确保钻孔孔径能够容纳测斜仪以及其电缆。
[0024] ②将测斜仪装置在钻孔管内，并确保测斜仪能够正常工作。
[0025] ③插入电缆并连接数据采集器。
[0026] 2）校正钻孔测斜仪。
[0027] ①安装水平仪，调整钻孔测斜仪的水平位置。
[0028] ②进行零点校正，使钻孔测斜仪在水平位置时输出为零。
[0029] ③对角度进行校正，根据示数差进行调整，确保测得的角度数据准确无误。
[0030] 3）进行测量。
[0031] ①打开数据采集器，开始记录钻孔测斜仪的角度数据。
[0032] ②采用不同深度间隔进行记录，并确保深度间隔一致。
[0033] ③量完成后，关闭数据采集器，将数据导出并进行处理。
[0034] 4）数据处理。
[0035] ①将数据导入到专业的数据处理软件中。
[0036] ②进行数据分析以及生成测量报告。
[0037] ③不符合要求的数据进行初步排除，并保留准确可靠的数据。
[0038] 具体地，该分析方法包括如下步骤：步骤S1，分别获取每个测斜孔基于若干个历史时刻的历史监测数据。
[0039] 步骤S2，通过钻孔测斜法获取所有历史监测数据的历史位移矢量。
[0040] 优选地，钻孔测斜法能够测量出土体的竖向位移和水平位移，再将竖向和水平的位移长度转换为矢量即可。
[0041] 步骤S3，将历史位移矢量超过预设位移阈值的测斜孔标记为变形突变测斜孔，并分别获取每个变形突变测斜孔的历史坐标点。
[0042] 优选地，预设位移阈值可设置为10mm，即历史位移矢量的长度不超过10mm。
[0043] 步骤S4，通过极限学习机学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型。
[0044] 优选地，极限学习模型是一种可用来训练单隐含层的前馈神经网络，极限学习机与传统的单隐藏层前馈神经网络训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数，依据穆尔‑彭罗斯Moore‑Penrose（MP）广义逆矩阵理论计算解析求出。且极限学习机即使随机生成隐藏层节点，极限学习机仍保持单隐藏层前馈神经网络的通用逼近能力。
[0045] 步骤S5，通过坐标点预测模型分别预测每个变形突变测斜孔基于预设步数的未来坐标点。
[0046] 优选地，预设步数可设置为每1秒为一步、每1分钟为一步等不同时长的步数。
[0047] 步骤S6，在监测断面上沿前缘点至后缘点的方向基于所有未来坐标点将监测断面竖向划分为若干个土条。
[0048] 优选地，一般一个土条的厚度为0.5m。
[0049] 步骤S7，基于监测断面的地质图纸分别获取每个土条的剪切强度指标。
[0050] 步骤S8，基于每个土条的剪切强度指标通过瑞典条分法分别计算每个土条在极限平衡状态下的安全系数。
[0051] 步骤S9，获取所有安全系数中的最小值，并将最小值所对应的土条标记为滑坡最可能发生点。
[0052] 进一步地，步骤S4，通过极限学习机学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型，包括：步骤S41，将同一个变形突变测斜孔的所有历史坐标点打包为一个坐标数据集。
[0053] 步骤S42，对所有坐标数据集分别进行归一化处理，基于一个坐标数据集得到一个归一化数据集。
[0054] 优选地，本实施例优选零‑均值归一化（Z‑score标准化）的归一化方法，该种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化，且经过处理的数据符合标准正态分布，即均值为0，标准差为1。对于归一化方法本实施例还可使用批归一化（Batch Normalization），相比于简单归一化在以往的神经网络训练时，仅仅对输入层数据进行归一化处理，却没有在中间层进行归一化处理，虽然对输入节点的数据集进行了归一化处理，但是输入数据经过矩阵乘法后的数据分布有较大可能发生很大改变，并且随着隐含层的网络层数不断加深，数据分布的变化将越来越大，因此批归一化在神经网络中间层进行的归一化处理，使得训练效果更好。
[0055] 步骤S43，将当前归一化数据集按照预设比例划分为训练集、验证集。
[0056] 优选地，预设比例通常采用80%：20%的比例将图像数据划分为训练集、验证集，即80%的数据为训练集、20%的数据为验证集。
[0057] 步骤S44，根据训练集的数据维数定义极限学习模型。
[0058] 步骤S45，通过训练集对极限学习模型进行训练与学习，得到当前变形突变测斜孔的坐标点预测模型。
[0059] 进一步地，步骤S45，通过训练集对极限学习模型进行训练与学习，得到当前变形突变测斜孔的坐标点预测模型，包括：步骤S451，定义训练集为 。
[0060] 其中， ， 为第 个历史时刻的历史坐标值，为 的 维向量的集合， ，为第 步预设步数的未
来坐标值， 为 的 维向量的集合，上角标 为转置矩阵。
[0061] 步骤S452，根据式（1）定义极限学习模型：（1）。
[0062] 其中， ， 为极限学习模型的隐含层与输出层之间的第一连接 权值； 为隐 含层的节点 个数； 为隐含 层的输出值 ，
； ； 为激活函数；
为极限学习模型的输入层与隐含层的第 个节点的第二连接权值； 为隐含层第 个节点的阈值。
[0063] 优选地， 可设置为Sigmoid函数、Gaussian函数等激活函数。
[0064] 优选地，若选择Sigmoid函数，则 可表示为：，此处的 。
[0065] 步骤S453，在基于极限学习模型的特征空间中通过非线性映射函数对第二连接权值以及阈值进行随机生成。
[0066] 步骤S454，通过随机生成的第二连接权值和阈值计算得到隐含层的输出值。
[0067] 步骤S455，根据式（2）通过最小化近似平方差求解第一连接权值的最优解：（2）。
[0068] 其中， 为隐含层的输出矩阵； 为训练样本的目标矩阵； 为最优解； 为输出矩阵 的M‑P广义逆矩阵， ， 是维度为 的权值向量集合。
[0069] 步骤S456，获取最优解以及与最优解对应的第二连接权值和阈值并代入极限学习模型，得到预测模型。
[0070] 优选地，可通过奇异值分解来计算穆尔‑彭罗斯广义逆矩阵 。
[0071] 可以理解为，极限学习机训练单隐藏层前馈神经网络分为两个主要阶段：①随机特征映射：
隐藏层参数随机进行初始化，然后采用一些非线性映射作为激活函数，将输入数据映射到一个新的特征空间（称为极限学习机特征空间）。简单来说就是极限学习机隐层节点上的权值和偏差是随机产生的。随机特征映射阶段与许多现有的学习算法不同，例如使用核函数进行特征映射的支持向量机、深度神经网络中使用限制玻尔兹曼机器、用于特征学习的自动编码器/自动解码器等。极限学习机中的非线性映射函数可以是任何非线性分段连续函数。在极限学习机中，隐藏层节点参数根据任意连续的概率分布随机生成，与训练数据无关。
[0072] （2）线性参数求解。
[0073] 经过第一阶段后，第二连接权值与阈值已随机产生。在第二阶段，只需求解第一连接权值 。为了得到在训练样本集上具有良好效果的第一连接权值，需要保证其训练误差最小，可通过 与训练样本的目标矩阵 求最小化平方差，作为评价训练误差的目标函数，再求解目标函数最小的解就是最优解。
[0074] 优选地，特征空间是一个向量空间，它表示一个矩阵的某种特殊性质。特征空间是由该矩阵的所有特征向量构成的向量空间。例如，对于一个n×n的矩阵A，如果存在一个标量λ和一个非零向量x，使得Ax=λx，那么x就是A的特征向量，并且向量x所在的向量空间就是A的特征空间。
[0075] 需要说明的是，上述额外内容中的符号含义与实施例其他部分不互通。
[0076] 进一步地，步骤S7，基于监测断面的地质图纸分别获取每个土条的剪切强度指标，包括：步骤S71，根据欧几里得距离分别计算每个土条的滑面长度。
[0077] 步骤S72， 基于地质图纸分别查找每个土条的内摩擦角和黏聚力。
[0078] 优选地，黏聚力和内摩擦角一般提前通过直剪单轴压缩或三轴压缩试验预先确定好并体现在地质图纸上。《工程岩体分级标准》GB50218‑94也直接给出了上述物理学参数。
[0079] 步骤S73，若当前土条的内摩擦角与下一个土条的内摩擦角相等时，则当前土条的内摩擦角不变。
[0080] 步骤S74，若当前土条的内摩擦角与下一个土条的内摩擦角不相等时，则当前土条的内摩擦角等于当前土条的内摩擦角与下一个土条的内摩擦角的平均值。
[0081] 优选地，采用下文中的土条标号 进行辅助说明，当第 个土条的内摩擦角 与第 个土条的内摩擦角 不相等时，则第 个土条的内摩擦角 。
[0082] 步骤S75，若当前土条的黏聚力与下一个土条的黏聚力相等时，则当前土条的黏聚力不变。
[0083] 步骤S76，若当前土条的黏聚力与下一个土条的黏聚力不相等时，则当前土条的黏聚力等于当前土条的黏聚力与下一个土条的黏聚力的平均值。
[0084] 优选地，采用下文中的土条标号 进行辅助说明，当第 个土条的黏聚力 与第个土条的黏聚力 不相等时，则第 个土条的黏聚力 。
[0085] 步骤S77，将当前土条的滑面长度、内摩擦角、黏聚力定义为当前土条的剪切强度指标。
[0086] 进一步地，步骤S8，基于每个土条的剪切强度指标通过瑞典条分法分别计算每个土条在极限平衡状态下的安全系数，包括：步骤S81，通过式（3）分别计算每个土条的安全系数：
（3）。
[0087] 其中， 为第 个土条的安全系数， 为所有土条的总数， 为第 个土条的黏聚力， 为第 个土条的滑面长度， 为第 个土条的重力， 为第 个土条的滑面倾角，为第 个土条的内摩擦角。
[0088] 进一步地，步骤S9，获取所有安全系数中的最小值，并将最小值所对应的土条标记为滑坡最可能发生点，之后，包括：步骤S10，在地质图纸上分别输出每个土条以及每个土条的安全系数，并发送至外部可视化终端。
[0089] 步骤S20，将最小值所对应的土条在外部可视化终端进行标红处理。
[0090] 本实施例通过分别获取每个测斜孔基于若干个历史时刻的历史监测数据；通过钻孔测斜法获取所有历史监测数据的历史位移矢量；将历史位移矢量超过预设位移阈值的测斜孔标记为变形突变测斜孔，并分别获取每个变形突变测斜孔的历史坐标点；通过极限学习机学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型；通过坐标点预测模型分别预测每个变形突变测斜孔基于预设步数的未来坐标点；在监测断面上沿前缘点至后缘点的方向基于所有未来坐标点将监测断面竖向划分为若干个土条；基于监测断面的地质图纸分别获取每个土条的剪切强度指标；基于每个土条的剪切强度指标通过瑞典条分法分别计算每个土条在极限平衡状态下的安全系数；获取所有安全系数中的最小值，并将最小值所对应的土条标记为滑坡最可能发生点。本实施例在传统瑞典条分法的基础上，利用了极限学习机的学习过程只需一次正向传播，无需迭代更新权重的特性，来迭代测斜孔采集到的监测数据，使得后续的瑞典条分法计算结果更为准确，同时也实现了监测数据的预测功能，有效减少了传统瑞典条分法计算不准确的问题。
[0091] 如图2所示，本实施例提供了滑坡稳定性的分析装置的一个实施例，在本实施例中，该分析装置应用于如上述实施例中的分析方法。
[0092] 具体地，该分析装置包括依次电性连接的测斜孔历史监测数据获取模块1、历史位移矢量获取模块2、变形突变测斜孔标记模块3、坐标点预测模型获取模块4、未来坐标点预测获取模块5、土条划分模块6、剪切强度指标获取模块7、安全系数计算模块8、滑坡最可能发生点标记模块9。
[0093] 其中，测斜孔历史监测数据获取模块1用于分别获取每个测斜孔基于若干个历史时刻的历史监测数据；历史位移矢量获取模块2用于通过钻孔测斜法获取所有历史监测数据的历史位移矢量；变形突变测斜孔标记模块3用于将历史位移矢量超过预设位移阈值的测斜孔标记为变形突变测斜孔，并分别获取每个变形突变测斜孔的历史坐标点；坐标点预测模型获取模块4用于通过极限学习机学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型；未来坐标点预测获取模块5用于通过坐标点预测模型分别预测每个变形突变测斜孔基于预设步数的未来坐标点；土条划分模块6用于在监测断面上沿前缘点至后缘点的方向基于所有未来坐标点将监测断面竖向划分为若干个土条；剪切强度指标获取模块7用于基于监测断面的地质图纸分别获取每个土条的剪切强度指标；安全系数计算模块8用于基于每个土条的剪切强度指标通过瑞典条分法分别计算每个土条在极限平衡状态下的安全系数；滑坡最可能发生点标记模块9用于获取所有安全系数中的最小值，并将最小值所对应的土条标记为滑坡最可能发生点。
[0094] 进一步地，坐标点预测模型获取模块4具体包括依次电性连接的第一坐标点预测模型获取子模块、第二坐标点预测模型获取子模块、第三坐标点预测模型获取子模块、第四坐标点预测模型获取子模块、第五坐标点预测模型获取子模块；第一坐标点预测模型获取子模块与变形突变测斜孔标记模块3电性连接，第五坐标点预测模型获取子模块与未来坐标点预测获取模块5电性连接。
[0095] 其中，第一坐标点预测模型获取子模块用于将同一个变形突变测斜孔的所有历史坐标点打包为一个坐标数据集；第二坐标点预测模型获取子模块用于对所有坐标数据集分别进行归一化处理，基于一个坐标数据集得到一个归一化数据集；第三坐标点预测模型获取子模块用于将当前归一化数据集按照预设比例划分为训练集、验证集；第四坐标点预测模型获取子模块用于根据训练集的数据维数定义极限学习模型；第五坐标点预测模型获取子模块用于通过训练集对极限学习模型进行训练与学习，得到当前变形突变测斜孔的坐标点预测模型。
[0096] 进一步地，第五坐标点预测模型获取子模块具体包括依次电性连接的第一标点预测模型获取单元、第二标点预测模型获取单元、第三标点预测模型获取单元、第四标点预测模型获取单元、第五标点预测模型获取单元、第六标点预测模型获取单元；第一标点预测模型获取单元与第四坐标点预测模型获取子模块电性连接，第六标点预测模型获取单元与未来坐标点预测获取模块5电性连接。
[0097] 其中，第一标点预测模型获取单元用于定义训练集为 。
[0098] 其中， ， 为第 个历史时刻的历史坐标值，为 的 维向量的集合， ，为第 步预设步数的未
来坐标值， 为 的 维向量的集合，上角标 为转置矩阵。
[0099] 第二标点预测模型获取单元用于根据式（1）定义极限学习模型：（1）。
[0100] 其中， ， 为极限学习模型的隐含层与输出层之间的第一连接 权值； 为隐 含层的节点 个数； 为隐含 层的输出值 ，
； ； 为激活函数；
为极限学习模型的输入层与隐含层的第 个节点的第二连接权值； 为隐含层第 个节点的阈值。
[0101] 第三标点预测模型获取单元用于在基于极限学习模型的特征空间中通过非线性映射函数对第二连接权值以及阈值进行随机生成。
[0102] 第四标点预测模型获取单元用于通过随机生成的第二连接权值和阈值计算得到隐含层的输出值。
[0103] 第五标点预测模型获取单元用于根据式（2）通过最小化近似平方差求解第一连接权值的最优解：（2）。
[0104] 其中， 为隐含层的输出矩阵； 为训练样本的目标矩阵； 为最优解； 为输出矩阵 的M‑P广义逆矩阵， ， 是维度为 的权值向量集合。
[0105] 第六标点预测模型获取单元用于获取最优解以及与最优解对应的第二连接权值和阈值并代入极限学习模型，得到预测模型。
[0106] 进一步地，剪切强度指标获取模块7具体包括依次电性连接的第一剪切强度指标获取子模块、第二剪切强度指标获取子模块、第三剪切强度指标获取子模块、第四剪切强度指标获取子模块、第五剪切强度指标获取子模块、第六剪切强度指标获取子模块、第七剪切强度指标获取子模块；第一剪切强度指标获取子模块与土条划分模块6电性连接，第七剪切强度指标获取子模块与安全系数计算模块8电性连接。
[0107] 其中，第一剪切强度指标获取子模块用于根据欧几里得距离分别计算每个土条的滑面长度；第二剪切强度指标获取子模块用于基于地质图纸分别查找每个土条的内摩擦角和黏聚力；第三剪切强度指标获取子模块用于若当前土条的内摩擦角与下一个土条的内摩擦角相等时，则当前土条的内摩擦角不变；第四剪切强度指标获取子模块用于若当前土条的内摩擦角与下一个土条的内摩擦角不相等时，则当前土条的内摩擦角等于当前土条的内摩擦角与下一个土条的内摩擦角的平均值；第五剪切强度指标获取子模块用于若当前土条的黏聚力与下一个土条的黏聚力相等时，则当前土条的黏聚力不变；第六剪切强度指标获取子模块用于若当前土条的黏聚力与下一个土条的黏聚力不相等时，则当前土条的黏聚力等于当前土条的黏聚力与下一个土条的黏聚力的平均值；第七剪切强度指标获取子模块用于将当前土条的滑面长度、内摩擦角、黏聚力定义为当前土条的剪切强度指标。
[0108] 进一步地，安全系数计算模块8具体用于通过式（3）分别计算每个土条的安全系数：（3）。
[0109] 其中， 为第 个土条的安全系数， 为所有土条的总数， 为第 个土条的黏聚力， 为第 个土条的滑面长度， 为第 个土条的重力， 为第 个土条的滑面倾角，为第 个土条的内摩擦角。
[0110] 进一步地，该分析装置还包括依次电性连接的土条及安全系数发送模块和最小值土条标红模块；土条及安全系数发送模块与滑坡最可能发生点标记模块9电性连接。
[0111] 其中，土条及安全系数发送模块用于在地质图纸上分别输出每个土条以及每个土条的安全系数，并发送至外部可视化终端；最小值土条标红模块用于将最小值所对应的土条在外部可视化终端进行标红处理。
[0112] 需要说明的是，本实施例为基于上述方法实施例的功能模块实施例，本实施例的优选、拓展、限定、举例、原理说明部分参见上述实施例即可，本实施例不再赘述。
[0113] 本实施例通过分别获取每个测斜孔基于若干个历史时刻的历史监测数据；通过钻孔测斜法获取所有历史监测数据的历史位移矢量；将历史位移矢量超过预设位移阈值的测斜孔标记为变形突变测斜孔，并分别获取每个变形突变测斜孔的历史坐标点；通过极限学习机学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型；通过坐标点预测模型分别预测每个变形突变测斜孔基于预设步数的未来坐标点；在监测断面上沿前缘点至后缘点的方向基于所有未来坐标点将监测断面竖向划分为若干个土条；基于监测断面的地质图纸分别获取每个土条的剪切强度指标；基于每个土条的剪切强度指标通过瑞典条分法分别计算每个土条在极限平衡状态下的安全系数；获取所有安全系数中的最小值，并将最小值所对应的土条标记为滑坡最可能发生点。本实施例在传统瑞典条分法的基础上，利用了极限学习机的学习过程只需一次正向传播，无需迭代更新权重的特性，来迭代测斜孔采集到的监测数据，使得后续的瑞典条分法计算结果更为准确，同时也实现了监测数据的预测功能，有效减少了传统瑞典条分法计算不准确的问题。
[0114] 图3是本申请一实施例的电子设备的结构示意图。如图3所示，该电子设备10包括处理器101及和处理器101耦接的存储器102。
[0115] 存储器102存储有用于实现上述任一实施例的滑坡稳定性的分析方法的程序指令。
[0116] 处理器101用于执行存储器102存储的程序指令以进行滑坡稳定性的分析。
[0117] 其中，处理器101还可以称为CPU（Central Processing Unit，中央处理单元）。处理器101可能是一种集成电路芯片，具有信号的处理能力。处理器101还可以是通用处理器、数字信号处理器（DSP)、专用集成电路（ASIC)、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0118] 进一步地，图4为本申请一实施例的存储介质的结构示意图，参见图4，本申请实施例的存储介质11存储有能够实现上述所有方法的程序指令111，其中，该程序指令111可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述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（ROM，Read‑Only Memory)、随机存取存储器（RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0119] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。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，机械或其他的形式。
[0120] 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。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围。
[0121] 以上对本申请的具体实施方式进行了详细说明，但其只作为范例，本申请并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对本申请进行的等同修改或替代也都在本申请的范畴之中，因此，在不脱离本申请的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本申请的范围内。
