本發(fā)明涉及數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種基于密度峰值的大數(shù)據(jù)挖掘方法及裝置。

背景技術(shù)：

聚類是將樣本空間的所有對象劃分成若干組，使得同一個組內(nèi)的對象具有很高的相似性，而不同組間的對象具有很大的差異性。其中，模糊C-均值聚類作為模糊聚類的典型代表，具有廣泛的應(yīng)用。然而，模糊C-均值聚類算法存在一些缺點，主要表現(xiàn)在對初始聚類中心敏感，容易收斂于局部最優(yōu)，收斂速度慢等。

密度峰值算法(Clustering by fast search and find of density peaks，CFSFDP)是一種基于密度聚類的啟發(fā)式算法。密度峰值聚類基于這樣的一種假設(shè)：對于一個數(shù)據(jù)集，聚類中心被一些低局部密度的數(shù)據(jù)點包圍，而且這些低局部密度的點距離其他有高局部密度的點的距離都比較大。在這樣的模型中，密度峰值算法主要有兩個需要計算的量：第一，局部密度；第二，與高密度點之間的距離。密度峰值算法具有能夠快速并準(zhǔn)確地確定聚類中心，收斂速度快、容易收斂于全局最優(yōu)、魯棒性強等優(yōu)點。

因此，提出一種基于密度峰值算法改進(jìn)的模糊C-均值聚類算法是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種基于密度峰值的大數(shù)據(jù)挖掘方法及裝置，無需指定聚類數(shù)目且加快了收斂速度。

本發(fā)明實施例提供了一種基于密度峰值的大數(shù)據(jù)挖掘方法，包括：

S1：獲取到數(shù)據(jù)集，并計算所述數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；

S2：獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對所述距離矩陣和所述截斷距離進(jìn)行計算，得到所述數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，并根據(jù)所述各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離；

S3：構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)所述各個數(shù)據(jù)的局部密度和所述各個數(shù)據(jù)的高密度距離在所述決策圖上選取聚類中心；

S4：通過第二預(yù)置公式對所述聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)所述隸屬度矩陣和所述距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；

S5：若所述目標(biāo)函數(shù)小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若所述目標(biāo)函數(shù)不小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則執(zhí)行S3。

優(yōu)選地，所述根據(jù)所述各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離具體為：

通過第三預(yù)置公式并根據(jù)所述各個數(shù)據(jù)的局部密度對所述距離矩陣進(jìn)行選取得到各個數(shù)據(jù)的高密度距離，并通過預(yù)置第四公式對局部密度最大的數(shù)據(jù)進(jìn)行計算得到所述局部密度最大的數(shù)據(jù)的高密度距離。

優(yōu)選地，所述第一預(yù)置公式為：

其中，當(dāng)d_ij-d_c＜0時，χ(d_ij-d_c)＝1，否則χ(d_ij-d_c)＝0；d_c是一個截斷距離；d_ij為第i個數(shù)據(jù)到第j個數(shù)據(jù)的歐式距離。

優(yōu)選地，所述預(yù)置第二公式為：

其中，τ為預(yù)置密度加權(quán)系數(shù)；λ為預(yù)置振蕩因子；mò(1,∞)為模糊系數(shù)；c_k為第k個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)。

優(yōu)選地，所述預(yù)置密度加權(quán)系數(shù)的值通過以下預(yù)置公式確認(rèn)：

其中，ρ_i為第i個數(shù)據(jù)的局部密度；c_j為第j個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)；d為數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離。

優(yōu)選地，所述第三預(yù)置公式為：

其中，δ_i為第i個數(shù)據(jù)是任意比第i個數(shù)據(jù)密度大的數(shù)據(jù)的距離的最小值；d_ij為第i個數(shù)據(jù)到第j個數(shù)據(jù)的歐式距離。

優(yōu)選地，所述第四預(yù)置公式為：

δ_i＝max_j∈dataset(d_ij)。

優(yōu)選地，所述目標(biāo)函數(shù)為：

其中，mò(1,∞)為模糊系數(shù)；u_ij為第i個數(shù)據(jù)對第j個數(shù)據(jù)簇的隸屬度；c_j為第j個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)。

優(yōu)選地，本發(fā)明實施例還提供了一種基于密度峰值的大數(shù)據(jù)挖掘裝置，包括：

第一計算單元，用于獲取到數(shù)據(jù)集，并計算所述數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；

第二計算單元，獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對所述距離矩陣和所述截斷距離進(jìn)行計算，得到所述數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，并根據(jù)所述各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離；

選取單元，用于構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)所述各個數(shù)據(jù)的局部密度和所述各個數(shù)據(jù)的高密度距離在所述決策圖上選取聚類中心；

第三計算單元，用于通過第二預(yù)置公式對所述聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)所述隸屬度矩陣和所述距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；

判斷單元，用于若所述目標(biāo)函數(shù)小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若所述目標(biāo)函數(shù)不小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則觸發(fā)選取單元。

優(yōu)選地，所述第二計算單元包括：

第一計算子單元，用于通過第三預(yù)置公式并根據(jù)所述各個數(shù)據(jù)的局部密度對所述距離矩陣進(jìn)行選取得到各個數(shù)據(jù)的高密度距離；

第二計算子單元，用于通過預(yù)置第四公式對局部密度最大的數(shù)據(jù)進(jìn)行計算得到所述局部密度最大的數(shù)據(jù)的高密度距離。

從以上技術(shù)方案可以看出，本發(fā)明實施例具有以下優(yōu)點：

本發(fā)明實施例提供了一種基于密度峰值的大數(shù)據(jù)挖掘方法及裝置，其中，該基于密度峰值的大數(shù)據(jù)挖掘方法包括：S1：獲取到數(shù)據(jù)集，并計算所述數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；S2：獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對所述距離矩陣和所述截斷距離進(jìn)行計算，得到所述數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，并根據(jù)所述各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離；S3：構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)所述各個數(shù)據(jù)的局部密度和所述各個數(shù)據(jù)的高密度距離在所述決策圖上選取聚類中心；S4：通過第二預(yù)置公式對所述聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)所述隸屬度矩陣和所述距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；S5：若所述目標(biāo)函數(shù)小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若所述目標(biāo)函數(shù)不小于預(yù)置容許誤差或所述預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則執(zhí)行S3。本發(fā)明實施例包括：第一階段：使用密度峰值聚類算法選定初始聚類中心；第二階段，確定初始聚類數(shù)目以及對傳統(tǒng)模糊C-均值算法的加速收斂。在第一階段算法中，通過使用密度峰值聚類中提供決策圖，選定初始聚類中心，選擇完成后，初始聚類中心數(shù)目即為聚類中心數(shù)，無需人工指定聚類數(shù)目。在第二階段算法中，對傳統(tǒng)模糊C-均值算法的迭代過程進(jìn)行優(yōu)化，考慮局部密度對算法的影響，加入密度加權(quán)因子，使算法能夠加速獲取全局最優(yōu)解，且加入振蕩因子，使得算法能夠加快收斂。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1為本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘方法的流程示意圖；

圖2為本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘方法的另一流程示意圖；

圖3為本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘裝置的結(jié)構(gòu)示意圖；

圖4為決策圖示意圖；

圖5為本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘方法的算法流程示意圖。

具體實施方式

本發(fā)明實施例提供了一種基于密度峰值的大數(shù)據(jù)挖掘方法及裝置，無需指定聚類數(shù)目且加快了收斂速度。

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實施例僅僅是本發(fā)明一部分實施例，而非全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1，本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘方法的一個實施例，包括：

101、獲取到數(shù)據(jù)集，并計算數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；

102、獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對距離矩陣和截斷距離進(jìn)行計算，得到數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，并根據(jù)各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離；

103、構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)各個數(shù)據(jù)的局部密度和各個數(shù)據(jù)的高密度距離在決策圖上選取聚類中心；

104、通過第二預(yù)置公式對聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)隸屬度矩陣和距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；

105、若目標(biāo)函數(shù)小于預(yù)置容許誤差或預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若目標(biāo)函數(shù)不小于預(yù)置容許誤差或預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則執(zhí)行103。

請參閱圖2，本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘方法的另一個實施例，包括：

201、獲取到數(shù)據(jù)集，并計算數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；

202、獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對距離矩陣和截斷距離進(jìn)行計算，得到數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，通過第三預(yù)置公式并根據(jù)各個數(shù)據(jù)的局部密度對距離矩陣進(jìn)行選取得到各個數(shù)據(jù)的高密度距離，并通過預(yù)置第四公式對局部密度最大的數(shù)據(jù)進(jìn)行計算得到局部密度最大的數(shù)據(jù)的高密度距離；

203、構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)各個數(shù)據(jù)的局部密度和各個數(shù)據(jù)的高密度距離在決策圖上選取聚類中心；

204、通過第二預(yù)置公式對聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)隸屬度矩陣和距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；

205、若目標(biāo)函數(shù)小于預(yù)置容許誤差或預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若目標(biāo)函數(shù)不小于預(yù)置容許誤差或預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則執(zhí)行203。

進(jìn)一步地，第一預(yù)置公式為：

其中，當(dāng)d_ij-d_c＜0時，χ(d_ij-d_c)＝1，否則χ(d_ij-d_c)＝0；d_c是一個截斷距離；d_ij為第i個數(shù)據(jù)到第j個數(shù)據(jù)的歐式距離。

進(jìn)一步地，預(yù)置第二公式為：

其中，τ為預(yù)置密度加權(quán)系數(shù)；λ為預(yù)置振蕩因子；mò(1,∞)為模糊系數(shù)；c_k為第k個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)。

進(jìn)一步地，預(yù)置密度加權(quán)系數(shù)的值通過以下預(yù)置公式確認(rèn)：

其中，ρ_i為第i個數(shù)據(jù)的局部密度；c_j為第j個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)；d為數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離。

進(jìn)一步地，第三預(yù)置公式為：

其中，δ_i為第i個數(shù)據(jù)是任意比第i個數(shù)據(jù)密度大的數(shù)據(jù)的距離的最小值；d_ij為第i個數(shù)據(jù)到第j個數(shù)據(jù)的歐式距離。

進(jìn)一步地，第四預(yù)置公式為：

δ_i＝max_j∈dataset(d_ij)。

進(jìn)一步地，目標(biāo)函數(shù)為：

其中，mò(1,∞)為模糊系數(shù)；u_ij為第i個數(shù)據(jù)對第j個數(shù)據(jù)簇的隸屬度；c_j為第j個聚類中心；||x_i-c_j||表示x_i到c_j的歐式距離；x_i表示第i個數(shù)據(jù)。

上面是對一種基于密度峰值的大數(shù)據(jù)挖掘方法進(jìn)行的詳細(xì)說明，為便于理解，下面將以一具體應(yīng)用場景對一種基于密度峰值的大數(shù)據(jù)挖掘方法的應(yīng)用進(jìn)行說明，應(yīng)用例包括：

給定數(shù)據(jù)集X＝{x₁,x₂,...,x_n}，X中有n個對象,其中每個對象有d個維度.聚類就是將數(shù)據(jù)集中的n個數(shù)據(jù)劃分成c個簇，得到的結(jié)果為聚類中心集為C＝{C₁,...,C_c}.與傳統(tǒng)聚類不同,模糊聚類在劃分時,每個對象不是被嚴(yán)格地劃分到每個聚類中,而是用對象與類的隸屬度來描述,隸屬度公式如公式(2)所示，隸屬度矩陣如下：

U＝{u_ij},i＝1,...,n,j＝1,....,c (1)

其中u_ij表示第i個數(shù)據(jù)對第j個數(shù)據(jù)簇的隸屬度，其實際值可用下面公式求得：

其中，mò(1,∞)為模糊系數(shù)，c_k為第k個聚類中心點，||x_i-c_j||表示x_i到c_j的距離，這里一般用歐式距離進(jìn)行計算。

而聚類結(jié)果的優(yōu)劣，使用目標(biāo)函數(shù)進(jìn)行評價，模糊C均值聚類的目標(biāo)函數(shù)J是：

目標(biāo)函數(shù)表示各類數(shù)據(jù)到相應(yīng)聚類中心的加權(quán)距離平方和。

如圖5所示，本發(fā)明提供的方法包含兩個階段：

1.第一階段：使用密度峰值聚類獲取聚類數(shù)目與初始聚類中心

1.1.初始化，算法執(zhí)行前，初始化參數(shù)，初始化模糊系數(shù)m，容許誤差ε。最大迭代次數(shù)。

1.2.計算出各數(shù)據(jù)點之間的距離矩陣D＝{d_ij},i,j＝1,...,n。計算各個數(shù)據(jù)點之間的距離，一般參與歐式距離進(jìn)行計算。

1.3.初始化截斷距離d_c，其中截斷距離是為了計算后面的局部密度而提供的參考量。下面會進(jìn)行說明。

1.4.分別用公式(4)與(6)求出每個數(shù)據(jù)點i的局部密度ρ_i與高密度距離δ_i。

其中，數(shù)據(jù)點i的局部密度ρ_i定義如下：

其中，當(dāng)x＜0時，χ(x)＝1。否則χ(x)＝0，d_c是一個截斷距離。對于大量數(shù)據(jù)而言，局部密度實質(zhì)為數(shù)據(jù)點之間的相對密度，因此d_c的選擇對算法是魯棒(robust)的。

數(shù)據(jù)點i的δ_i是點到任何比其密度大的點的距離的最小值，定義如下：

對于局部密度最大的點，需要特殊處理，該點的值為：

δ_i＝max_j∈dataset(d_ij) (6)

1.5.構(gòu)造以ρ為橫軸，δ為縱軸的決策圖，如圖4所示。根據(jù)決策圖選擇數(shù)據(jù)點密度ρ和高密度距離δ聚類都較高，且明顯遠(yuǎn)離大部分樣本的右上角區(qū)域的密度峰值點為聚類中心。確定初始聚類中心后，聚類中心數(shù)即為聚類數(shù)目。

2.第二階段：加速迭代聚類算法

2.1.考慮局部密度對數(shù)據(jù)聚類的影響，使用密度加權(quán)系數(shù)能夠加快數(shù)據(jù)的收斂，使用新隸屬度公式(7)更新隸屬度矩陣。

其中τ為密度加權(quán)系數(shù)，其值為λ為振蕩因子。

2.2.如果目標(biāo)函數(shù)或者達(dá)到最大的迭代次數(shù)，則停止，否則繼續(xù)下一步。

2.3.使用步驟1.5重新計算模糊聚類中心，跳到步驟2.1。

請參閱圖3，本發(fā)明實施例提供的一種基于密度峰值的大數(shù)據(jù)挖掘裝置的一個實施例，包括：

第一計算單元301，用于獲取到數(shù)據(jù)集，并計算數(shù)據(jù)集的每兩個數(shù)據(jù)之間的歐氏距離，得到距離矩陣；

第二計算單元302，獲取到預(yù)置截斷距離，并通過第一預(yù)置公式對距離矩陣和截斷距離進(jìn)行計算，得到數(shù)據(jù)集的各個數(shù)據(jù)的局部密度，并根據(jù)各個數(shù)據(jù)的局部密度確定各個數(shù)據(jù)的高密度距離；

選取單元303，用于構(gòu)造以局部密度為橫軸、高密度距離為縱軸的決策圖，根據(jù)各個數(shù)據(jù)的局部密度和各個數(shù)據(jù)的高密度距離在決策圖上選取聚類中心；

第三計算單元304，用于通過第二預(yù)置公式對聚類中心、預(yù)置密度加權(quán)系數(shù)、預(yù)置振蕩因子進(jìn)行計算得到隸屬度矩陣，根據(jù)隸屬度矩陣和距離矩陣構(gòu)造目標(biāo)函數(shù)，并將預(yù)置迭代次數(shù)的值增加一；

判斷單元305，用于若目標(biāo)函數(shù)小于預(yù)置容許誤差或預(yù)置迭代次數(shù)不小于預(yù)置最大迭代次數(shù)，則結(jié)束，若目標(biāo)函數(shù)不小于預(yù)置容許誤差或預(yù)置迭代次數(shù)小于預(yù)置最大迭代次數(shù)，則觸發(fā)選取單元。

第二計算單元302包括：

第一計算子單元3021，用于通過第三預(yù)置公式并根據(jù)各個數(shù)據(jù)的局部密度對距離矩陣進(jìn)行選取得到各個數(shù)據(jù)的高密度距離；

第二計算子單元3022，用于通過預(yù)置第四公式對局部密度最大的數(shù)據(jù)進(jìn)行計算得到局部密度最大的數(shù)據(jù)的高密度距離。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。