用于星上神经网络的微调方法、装置、设备及存储介质.pdf

《用于星上神经网络的微调方法、装置、设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《用于星上神经网络的微调方法、装置、设备及存储介质.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410010793.9(22)申请日 2024.01.04(71)申请人 中国科学院空天信息创新研究院地址 100190 北京市海淀区北四环西路19号(72)发明人 付琨孙显王智睿赵良瑾成培瑞陈凯强(74)专利代理机构 中科专利商标代理有限责任公司 11021专利代理师 李婉婉(51)Int.Cl.G06N 3/082(2023.01)G06N 3/084(2023.01)G06N 3/0455(2023.01)(54)发明名称用于星上神经网络的微调方法、装置、设备及存储介质(57)摘要本发。

2、明提供了一种用于星上神经网络的微调方法、装置、设备及存储介质，可以应用于卫星技术领域。该方法包括：S1，利用低秩模块和预训练的神经网络，构建待微调的神经网络；S2，在微调过程中，保持所述待微调的神经网络的权重不变，利用所述低秩模块计算梯度；S3，将所述权重和所述梯度相加，生成更新参数；S4，利用所述更新参数优化所述待微调的神经网络；S5，重复执行S2S4，直至所述待微调的神经网络达到最优收敛结果，可极大地降低调参成本。权利要求书2页 说明书8页 附图5页CN 117521764 A2024.02.06CN 117521764 A1.一种用于星上神经网络的微调方法，其特征在于，包括：S1，利用低。

3、秩模块和预训练的神经网络，构建待微调的神经网络；S2，在微调过程中，保持所述待微调的神经网络的权重不变，利用所述低秩模块计算梯度；S3，将所述权重和所述梯度相加，生成更新参数；S4，利用所述更新参数优化所述待微调的神经网络；S5，重复执行S2S4，直至所述待微调的神经网络达到最优收敛结果。2.根据权利要求1所述的用于星上神经网络的微调方法，其特征在于，所述低秩模块用于在计算梯度的过程中负责前后向传播。3.根据权利要求1所述的用于星上神经网络的微调方法，其特征在于，所述利用低秩模块和预训练的神经网络，构建待微调的神经网络包括：在所述预训练的神经网络包括特征提取层的情况下，在所述特征提取层的旁路设。

4、置所述低秩模块，构建待微调的神经网络；在所述预训练的神经网络包括前向传播层和划窗注意力层的情况下，在所述前向传播层和划窗注意力层的旁路均设置所述低秩模块，构建待微调的神经网络。4.根据权利要求1所述的用于星上神经网络的微调方法，其特征在于，所述利用所述低秩模块计算梯度包括：将输入给低秩模块的矩阵分解为多个矩阵，确定所述多个矩阵中各矩阵的维度；通过计算所述各矩阵的反向传播结果，计算所述各矩阵的梯度。5.根据权利要求4所述的用于星上神经网络的微调方法，其特征在于，所述预训练的神经网络的训练数据来源于卫星，所述方法还包括：对于采用来源于不同卫星的训练数据的预训练的神经网络，构建针对不同卫星的待微调的。

5、神经网络。6.根据权利要求5所述的用于星上神经网络的微调方法，其特征在于，所述方法还包括：将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享。7.根据权利要求6所述的用于星上神经网络的微调方法，其特征在于，所述将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享包括：获取每个卫星的待微调的神经网络的低秩模块的矩阵分解得到所述多个矩阵中的指定矩阵，所述指定矩阵的参数量在所述多个矩阵中最少；将所有所述指定矩阵进行加权计算，得到加权计算结果；将所述加权计算结果返回给所述每个卫星的待微调的神经网络的低秩模块，作为所述指定矩阵进行共享。8.一种用于星上神经网络的微调装置，其特征在于，包。

6、括：构建模块，用于利用低秩模块和预训练的神经网络，构建待微调的神经网络；计算模块，用于在微调过程中，保持所述待微调的神经网络的权重不变，利用所述低秩模块计算梯度；相加模块，用于将所述权重和所述梯度相加，生成更新参数；优化模块，用于利用所述更新参数优化所述待微调的神经网络；权利要求书1/2 页2CN 117521764 A2重复模块，用于重复执行计算模块、相加模块和优化模块，直至所述待微调的神经网络达到最优收敛结果。9.一种电子设备，其特征在于，包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权。

7、利要求17中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求17中任一项所述的方法。权利要求书2/2 页3CN 117521764 A3用于星上神经网络的微调方法、装置、设备及存储介质技术领域0001本发明涉及卫星领域，尤其涉及一种用于星上神经网络的微调方法、装置、设备及存储介质。背景技术0002随着卫星技术的迅速发展，卫星在通信、遥感、导航等领域的应用变得越来越广泛，同时，边缘计算终端的性能提升，也使得卫星上逐渐具备了星上计算的能力，相关模型在诸多下游任务中发挥着关键作用。然而，卫星神经网络模型性能的在轨更新仍然面。

8、临一系列挑战。星上神经网络需要又好又快地更新，当前联邦学习方法已经解决了卫星数据壁垒、数据分散的问题，已有相关方法使得卫星终端神经网络模型性能保持很好的泛化性能。但是，星上计算资源有限，如何通过适当的参数微调策略，降低星载终端网络的更新压力，加快终端网络的更新速率，成为当前遥感领域的重要研究课题之一，具有重大现实意义。发明内容0003鉴于上述问题，本发明提供了用于星上神经网络的微调方法、装置、设备及存储介质。0004根据本发明的第一个方面，提供了一种用于星上神经网络的微调方法，包括：S1，利用低秩模块和预训练的神经网络，构建待微调的神经网络；S2，在微调过程中，保持所述待微调的神经网络的权重不。

9、变，利用所述低秩模块计算梯度；S3，将所述权重和所述梯度相加，生成更新参数；S4，利用所述更新参数优化所述待微调的神经网络；S5，重复执行S2S4，直至所述待微调的神经网络达到最优收敛结果。0005在一些实施例中，所述低秩模块用于在计算梯度的过程中负责前后向传播。0006在一些实施例中，所述利用低秩模块和预训练的神经网络，构建待微调的神经网络包括：在所述预训练的神经网络包括特征提取层的情况下，在所述特征提取层的旁路设置所述低秩模块，构建待微调的神经网络；在所述预训练的神经网络包括前向传播层和划窗注意力层的情况下，在所述前向传播层和划窗注意力层的旁路均设置所述低秩模块，构建待微调的神经网络。00。

10、07在一些实施例中，所述利用所述低秩模块计算梯度包括：将输入给低秩模块的矩阵分解为多个矩阵，确定所述多个矩阵中各矩阵的维度；通过计算所述各矩阵的反向传播结果，计算所述各矩阵的梯度。0008在一些实施例中，所述预训练的神经网络的训练数据来源于卫星，所述方法还包括：对于采用来源于不同卫星的训练数据的预训练的神经网络，构建针对不同卫星的说明书1/8 页4CN 117521764 A4待微调的神经网络。0009在一些实施例中，所述方法还包括：将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享。0010在一些实施例中，所述将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享包括：获取每。

11、个卫星的待微调的神经网络的低秩模块的矩阵分解得到所述多个矩阵中的指定矩阵，所述指定矩阵的参数量在所述多个矩阵中最少；将所有所述指定矩阵进行加权计算，得到加权计算结果；将所述加权计算结果返回给所述每个卫星的待微调的神经网络的低秩模块，作为所述指定矩阵进行共享。0011本发明的第二方面提供了一种用于星上神经网络的微调装置，包括：构建模块，用于利用低秩模块和预训练的神经网络，构建待微调的神经网络；计算模块，用于在微调过程中，保持所述待微调的神经网络的权重不变，利用所述低秩模块计算梯度；相加模块，用于将所述权重和所述梯度相加，生成更新参数；优化模块，用于利用所述更新参数优化所述待微调的神经网络；重复模。

12、块，用于重复执行计算模块、相加模块和优化模块，直至所述待微调的神经网络达到最优收敛结果。0012本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。0013本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。0014根据本发明提供的用于星上神经网络的微调方法、装置、设备和介质，通过构建待微调的神经网络，也即引入低秩联合微调网络解决了这一问题，减少星载终端网络的更新压力的同时，加快终端网络的更新速率。通过在星。

13、上部署待微调的神经网络，利用梯度降维，对原有参数维数进行压缩、重构，实现星上网络基于很少的参数就能开展训练，提高模型的梯度信息传递效率和调参的灵活性。通过在星上部署的神经网络层内并联微调分支，实现了在星上梯度计算的同时，不需要原先大体量参数介入计算，而是通过并行的微调分支低秩模块完成这一过程，极大地降低了调参成本。通过星间通信机制，实现了星间梯度共享的同时，还能实现参数的联合更新，提高了星间网络的泛化性能。附图说明0015通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本发明实施例的用于星上神经网络的微调方法的流程图；图2。

14、示意性示出了根据本发明实施例的基于Swin Transformer的待微调的神经网络的结构图；图3示意性示出了根据本发明实施例的基于ResNet的待微调的神经网络的结构说明书2/8 页5CN 117521764 A5图；图4示意性示出了根据本发明实施例的低秩模块分解矩阵的原理图；图5示意性示出了根据本发明实施例的联合更新的原理图；图6示意性示出了根据本发明实施例的用于星上神经网络的微调装置的结构框图；图7示意性示出了根据本发明实施例的适于用于星上神经网络的微调方法的电子设备的方框图。具体实施方式0016以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明。

15、的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。0017在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。0018在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下。

16、文相一致的含义，而不应以理想化或过于刻板的方式来解释。0019在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。0020在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、发明和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。0021在本发明的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、发明和应用。

17、等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。0022图1示意性示出了根据本发明实施例的用于星上神经网络的微调方法的流程图。0023如图1所示，该实施例的用于星上神经网络的微调方法包括操作S1操作S5。0024操作S1，利用低秩模块和预训练的神经网络，构建待微调的神经网络。0025卫星上的预训练的神经网络被初始化。预训练的神经网络被初始化后，加载预训练的神经网络的参数。0026神经网络例如包括Transformer系列，如Swin Transformer、ViT，还例如包括CNN系列，如ResNet、VGGNet，本发明提供的用于星上神经网络的微调方法均可以通用。00。

18、27在一些实施例中，利用低秩模块和预训练的神经网络，构建待微调的神经网络包括：在该预训练的神经网络包括特征提取层的情况下，在该特征提取层的旁路设置该低秩模块，构建待微调的神经网络；在该预训练的神经网络包括前向传播层和划窗注意力层的说明书3/8 页6CN 117521764 A6情况下，在该前向传播层和划窗注意力层的旁路均设置该低秩模块，构建待微调的神经网络。0028如图2所示，对于Swin Transformer神经网络，分别在划窗注意力层和前向传播层的旁路设置低秩模块。如图3所示，对于ResNet神经网络，分别在每个特征提取层的旁路设置低秩模块。0029操作S2，在微调过程中，保持该待微调的。

19、神经网络的权重不变，利用该低秩模块计算梯度。0030已有权重参数被冻结，也即保持不变，可以保留神经网络的初始知识，以确保不会在微调阶段被更新。0031在一些实施例中，利用该低秩模块计算梯度包括：将输入给低秩模块的矩阵分解为多个矩阵，确定该多个矩阵中各矩阵的维度；通过计算该各矩阵的反向传播结果，计算该各矩阵的梯度。0032在微调过程中，使用低秩模块来计算梯度。例如，如图4所示，有一个矩阵，该矩阵参数量大，梯度计算困难。本发明将该矩阵低秩分解成一组矩阵，该一组矩阵包括三个矩阵，在一种分解方式中：，且。其中 代表的是矩阵 的秩方阵，也代表了低秩模块可以压缩的幅度。0033其 中，原 始 矩 阵 W 。

20、的 复 杂 度 是，低 秩 分 解 后 的 复 杂 度 是,k代表低秩模块可以分解出的矩阵组的数量，），所以低秩模块有效降低了参数矩阵的复杂度。低秩模块在参数的输入和输出处，与上一层输入的维度数保持一致（原来是m,n，出来还是m,n），例如图2中的低秩模块的输出矩阵的维度数与上一层归一化层输入给低秩模块参数的维度数相同。0034操作S3，将该权重和该梯度相加，生成更新参数。0035将冻结的权重参数和低秩模块计算得到的梯度逐元素相加，以生成更新参数更新。这一步骤确保卫星上的待微调的神经网络得到微调，同时不会改变待微调的神经网络的参数。0036操作S4，利用该更新参数优化该待微调的神经网络。003。

21、7操作S5，重复执行S2S4，直至该待微调的神经网络达到最优收敛结果。0038在一些实施例中，预训练的神经网络的训练数据来源于卫星，图1所示方法还包括：对于采用来源于不同卫星的训练数据的预训练的神经网络，构建针对不同卫星的待微调的神经网络。0039在一些实施例中，如图5所示。图1所示方法还包括：将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享。卫星将低秩模块计算的梯度与其他卫星低秩模块计算的梯度进行共享，确保微调的结果能够在卫星之间传播，以提高卫星网络的泛化性能。0040将不同卫星的待微调的神经网络的低秩模块所计算出的梯度进行共享包括：获取每个卫星的待微调的神经网络的低秩模块的矩阵。

22、分解得到该多个矩阵中的指定矩阵，该指定矩阵的参数量在该多个矩阵中最少；将所有该指定矩阵进行加权计算，得到加权计算结果；将该加权计算结果返回给该每个卫星的待微调的神经网络的低秩模块，作为该指定矩说明书4/8 页7CN 117521764 A7阵进行共享。0041指定矩阵可以是 矩阵，因为参数最少。所有 矩阵汇集到一起后进行加权计算，并返回给每个卫星，确保微调的结果能够在卫星之间传播，以提高卫星网络的泛化性能。0042基于上述用于星上神经网络的微调方法，本发明还提供了一种用于星上神经网络的微调装置。以下将结合图6对该装置进行详细描述。0043图6示意性示出了根据本发明实施例的用于星上神经网络的微调。

23、装置的结构框图。0044如图6所示，该实施例的用于星上神经网络的微调装置600包括构建模块610、计算模块620、相加模块630、优化模块640和重复模块650。0045构建模块610用于利用低秩模块和预训练的神经网络，构建待微调的神经网络。在一实施例中，构建模块610可以用于执行前文描述的操作S1，在此不再赘述。0046计算模块620用于在微调过程中，保持该待微调的神经网络的权重不变，利用该低秩模块计算梯度。在一实施例中，计算模块620可以用于执行前文描述的操作S2，在此不再赘述。0047相加模块630用于将该权重和该梯度相加，生成更新参数。在一实施例中，相加模块630可以用于执行前文描述的。

24、操作S3，在此不再赘述。0048优化模块640用于利用该更新参数优化该待微调的神经网络。在一实施例中，优化模块640可以用于执行前文描述的操作S4，在此不再赘述。0049重复模块650用于重复执行计算模块、相加模块和优化模块，直至该待微调的神经网络达到最优收敛结果。在一实施例中，重复模块650可以用于执行前文描述的操作S5，在此不再赘述。0050根据本发明的实施例，该低秩模块用于在计算梯度的过程中负责前后向传播。0051根据本发明的实施例，该利用低秩模块和预训练的神经网络，构建待微调的神经网络包括：在该预训练的神经网络包括特征提取层的情况下，在该特征提取层的旁路设置该低秩模块，构建待微调的神经。

25、网络；在该预训练的神经网络包括前向传播层和划窗注意力层的情况下，在该前向传播层和划窗注意力层的旁路均设置该低秩模块，构建待微调的神经网络。0052根据本发明的实施例，该利用该低秩模块计算梯度包括：将输入给低秩模块的矩阵分解为多个矩阵，确定该多个矩阵中各矩阵的维度；通过计算该各矩阵的反向传播结果，计算该各矩阵的梯度。0053根据本发明的实施例，该预训练的神经网络的训练数据来源于卫星，该装置还包括：网络构建模块，用于对于采用来源于不同卫星的训练数据的预训练的神经网络，构建针对不同卫星的待微调的神经网络。0054根据本发明的实施例，该装置还包括：共享模块，用于将不同卫星的待微调的神经网络的低秩模块所。

26、计算出的梯度进行共享。0055根据本发明的实施例，该将不同卫星的待微调的神经网络的低秩模块所计算出的说明书5/8 页8CN 117521764 A8梯度进行共享包括：获取每个卫星的待微调的神经网络的低秩模块的矩阵分解得到该多个矩阵中的指定矩阵，该指定矩阵的参数量在该多个矩阵中最少；将所有该指定矩阵进行加权计算，得到加权计算结果；将该加权计算结果返回给该每个卫星的待微调的神经网络的低秩模块，作为该指定矩阵进行共享。0056根据本发明的实施例，构建模块610、计算模块620、相加模块630、优化模块640和重复模块650中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多。

27、个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，构建模块610、计算模块620、相加模块630、优化模块640和重复模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，构建模块610、计算模块620、相加模块630、优化模块640和重复模。

28、块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。0057图7示意性示出了根据本发明实施例的适于实现用于星上神经网络的微调方法的电子设备的方框图。0058如图7所示，根据本发明实施例的电子设备700包括处理器701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储部分708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC）等等。处理器701还可以包括用于缓存用途的板载存储器。处。

29、理器701可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。0059在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器 701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，该程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。0060根据本发明的实施例，电子设备700还可以包括输入/输出。

30、（I/O）接口705，输入/输出（I/O）接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。00。

31、61本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实说明书6/8 页9CN 117521764 A9施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。0062根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CDROM）、光存储器件、磁存储器件。

32、、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。0063本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的方法。0064在该计算机程序被处理器701执行时执行本发明实施例的系统/装置中限定的。

33、上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。0065在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。0066在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本发明实施例的。

34、系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。0067根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C+，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网。

35、络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。0068附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及。

36、的功能而定。也要说明书7/8 页10CN 117521764 A10注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。0069本领域技术人员可以理解，本发明的各个实施例中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。0070以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。说明书8/8 页11CN 117521764 A11图 1说明书附图1/5 页12CN 117521764 A12图 2说明书附图2/5 页13CN 117521764 A13图 3图 4说明书附图3/5 页14CN 117521764 A14图 5图 6说明书附图4/5 页15CN 117521764 A15图 7说明书附图5/5 页16CN 117521764 A16。