本發(fā)明涉及電池測試領域，尤其涉及一種電池直流內阻測量方法及裝置。

背景技術：

電池直流內阻是動力電池的重要參數，電池的材料、制造工藝以及電池結構等因素均會對電池直流內阻產生一定的影響。

目前可以直流放電方法檢測電池的直流內阻，即通過采用2個不同的大電流對電池進行大電流放電，測量電池的壓降，通過歐姆定律計算電池直流內阻。大電流的放電對電池會造成損害，如果為了檢測電池而頻繁測試，對電池的損害將會積累，反而影響電池的容量及壽命。

技術實現要素：

本發(fā)明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發(fā)明的第一個目的在于提出一種電池直流內阻測量方法，以實現對電池組的電池直流內阻的安全準確測量，用于解決現有通過直流放電法中采用大電流的放電時會對電池會造成損害的問題。

本發(fā)明的第二個目的在于提出一種電池直流內阻測量裝置。

為達上述目的，本發(fā)明第一方面實施例提出了一種電池直流內阻測量方法，包括：

采集樣本電池的第一電池數據和樣本電池的第二電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻；

利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡；

采集測試電池的第一電池數據；

將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

本發(fā)明實施例的電池直流內阻測量方法，通過訓練好的神經網絡來預測電池的直流內阻，不需要經過大電流放電的過程，就能實現對電池的直流內阻的較為精準的預測，減少了對大批量電池的損害，縮短了分選時間，同時減少能耗。

為達上述目的，本發(fā)明第二方面實施例提出了一種電池直流內阻測量裝置，包括：

采集模塊，用于采集樣本電池的第一電池數據和樣本電池的第二電池數據，以及測試電池的第一電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻；

訓練模塊，用于利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡；

預測模塊，用于將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

本發(fā)明實施例的電池直流內阻測量裝置，通過訓練好的神經網絡來預測電池的直流內阻，不需要經過大電流放電的過程，就能實現對電池的直流內阻的較為精準的預測，減少了對大批量電池的損害，縮短了分選時間，同時減少能耗。

為了實現上述目的，本發(fā)明第三方面實施例提出了另一種電池直流內阻測量裝置，包括：處理器和存儲器；存儲器用于存儲可執(zhí)行程序代碼；處理器通過讀取存儲器中存儲的可執(zhí)行程序代碼來運行與可執(zhí)行程序代碼對應的程序，用于以下步驟：

采集樣本電池的第一電池數據和樣本電池的第二電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻；

利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡；

采集測試電池的第一電池數據；

將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

為了實現上述目的，本發(fā)明第四方面實施例提出了一種非臨時性計算機可讀存儲介質，當所述存儲介質中的指令由服務器端的處理器被執(zhí)行時，使得服務器端能夠執(zhí)行一種電池直流內阻測量方法，所述方法包括：

采集樣本電池的第一電池數據和樣本電池的第二電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻；

利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡；

采集測試電池的第一電池數據；

將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

為了實現上述目的，本發(fā)明第五方面實施例提出了一種計算機程序產品，當所述計算機程序產品中的指令處理器執(zhí)行時，執(zhí)行一種電池直流內阻測量方法，包括：

采集樣本電池的第一電池數據和樣本電池的第二電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻；

利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡；

采集測試電池的第一電池數據；

將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1為本發(fā)明實施例提供的一種電池直流內阻測量方法的流程示意圖；

圖2為本發(fā)明實施例提供的一種采集第一電池數據的流程示意圖；

圖3為本發(fā)明實施例提供的一種采集第二電池數據的流程示意圖；

圖4為本發(fā)明實施例提供的對目標電池進行放電的應用示意圖；

圖5為本發(fā)明實施例提供的線性擬合的應用示意圖；

圖6為本發(fā)明實施例提供的基于目標神經網絡對測試電池測試的示意圖；

圖7為本發(fā)明實施例提供的另一種電池直流內阻測量方法的流程示意圖；

圖8為本發(fā)明實施例提供的目標神經網絡預測誤差的示意圖；

圖9為本發(fā)明實施例提供的一種電池直流內阻測量裝置的結構示意圖；

圖10為本發(fā)明實施例提供的另一種電池直流內阻測量裝置的結構示意圖。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

下面參考附圖描述本發(fā)明實施例的電池直流內阻測量方法及裝置。

圖1為本發(fā)明實施例所提供的一種電池直流內阻測量方法的流程示意圖。如圖1所示，該電池直流內阻測量方法包括以下步驟：

s101、采集樣本電池的第一電池數據和樣本電池的第二電池數據。

其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升，所述第二電池數據包括：電池直流內阻。

本實施例中，可以從一批電池中隨機抽取m支電池作為樣本電池，為了對構建的神經網絡進行訓練，需要獲取每個樣本電池的第一電池數據和第二電池數據作為訓練數據。具體地，按照預設的充電標準和放電標注進行充放電測試，基于充放電測試來采集樣本電池的第一電池數據和第二電池數據。

本實施例中提供了一種采集第一電池數據的流程，該采集第一電池數據的流程，可以適用于樣本電池的第一電池數據的采集，也可以適用于測試電池的第一數據的采集。

如圖2所示，該采集第一電池數據的過程具體包括如下步驟：

s201、按照預設充電標準對待采集的目標電池進行充電至滿電狀態(tài)。

其中，待采集的目標電池為樣本電池或者測試電池。

在室溫下，按照預設充電標準對待采集的目標電池進行充電，使目標電池到達滿電狀態(tài)。不同生產廠商生產的電池可以具有不同的充電標準。

s202、測量滿電狀態(tài)下目標電池的電池開路電壓和電池交流內阻。

在充電到滿電狀態(tài)后，可以在開路狀態(tài)下測量目標電池的端電壓，此時測量的端電壓為目標電池的開路電壓。例如可以通過電壓表在開路狀態(tài)下測量目標電池的開路電壓。進一步地，在目標電池處于滿電狀態(tài)下，可以通過內阻儀對目標電池的交流電阻進行測量。

實際應用中，當電池充電完成時的電壓會存在一個虛高的情況，為了避免測量出的電池開路電壓真實，本實施例中，在目標電池充電到滿電狀態(tài)后，將目標電池靜置預設時長，該預設時長可以為30分鐘。在靜置的預設時長內，目標電池的虛高電壓會回落真實電壓。

s203、按照預設放電標準對目標電池進行放電至預設的截止電壓。

在測量到電池開路電壓和電池交流內阻后，可以按照預設放電標準，對目標電池進行放電，使目標電池放電到預設的截止電壓。不同生產廠商生產的電池可以具有不同的放電標準。預設的截止電壓可以為2.5v，也可以為3.0v。

s204、采集目標電池在放電截止電壓時的放電末端溫度。

作為一種可選地實現方式，可以在目標電池上設置有溫度傳感器和指示燈，當目標電池放電到截止電壓時，指示燈亮，測試人員就可以通過該溫度傳感器采集到目標電池的當前溫度，該當前溫度為目標電池的放電末端溫度。

作為一種可選地實現方式，在目標電池上設置有指示燈，當目標電池放電到截止電壓時指示燈亮，在指示燈亮起的瞬間，測試人員手動通過測量溫度的儀器來測量當前溫度，測量的當前溫度為目標電池的放電末端溫度。

作為一種可選地實現方式，可以對整個過程進行紅外成像來確定目標電池的放電末端溫度，或者經熱場分析后確定目標電池的放電末端溫度。

s205、根據放電末端溫度和當前室溫，計算目標電池的電池放電末端溫升。

進一步地，結合放電末端溫度和當前室溫，可以計算出目標電池的電池放電末端溫升，具體公式為：電池放電末端溫升＝放電末端溫度-當前室溫。

s206、測量目標電池的電池容量。

電池性能的重要性能指標之一是電池容量，表示在一定條件下(放電率、溫度、終止電壓)電池所放出的電量，可以通過對放電時間內的電流進行積分，得到目標電池的電池容量。

在待采集的目標電池為新電池時，為了能夠更好地激活目標電池，本實施例中，還需要對新的目標電池進行預處理過程。具體地，按照預設充電標準和預設放電標準，對目標電池進行預設次數的充放電。例如，以1c電流放電至放電截止電壓，將目標電池靜置30分鐘，然后按照預設充電標準進行充電至滿電狀態(tài)，再將目標電池靜置30分鐘，可以連續(xù)執(zhí)行預設次數的充放電，以激活該目標電池。

進一步地，本實施例中還提供了一種采集第二電池數據的流程，該采集第二電池數據的流程，可以適用于樣本電池的第一電池數據的采集，也可以適用于測試電池的第二電池數據的采集。

如圖3所示，該采集第二電池數據的過程具體包括如下步驟：

s301、在預設的荷電狀態(tài)下，分別采用不同的放電電流對目標電池放電到相同的時間間隔。

其中，不同的放電電流之間存在倍數關系。

本實施例中，首先需要按照預設充電標準對目標電池進行充電到預設的荷電狀態(tài)。例如，可以以1c的充電電流對目標電池充電，以使目標電池達到50％的荷電狀態(tài)。然后在此荷電狀態(tài)下，可以采用不用的放電電流對目標電池放電到相同的時間間隔。

s302、測量放電前和放電到時間間隔時目標電池的電壓值，以及目標電池的電流值。

舉例說明，可以采用如圖4所示的過程對目標電池進行放電，具體地，先采用2c放電電流對目標電池放電10s，記錄此次放電前和放電到10s時目標電池的電壓值，即t1時刻和t2時刻的電壓值，以及目標電池此次放電的電流值。然后采用0.1c充電200s，以使目標電池恢復到預設的荷電狀態(tài)。為了避免充電后電壓虛高造成測量不準確，可以將目標電池靜置60s。進一步地，以1c的放電電流對目標電池放電10s，記錄此次放電前和放電到10s時目標電池的電壓值，即t3時刻和t4時刻的電壓值，以及目標電池此次放電的電流值。然后采用0.1c充電100s，以使目標電池恢復到預設的荷電狀態(tài)。充電完成后將目標電池同樣靜置60s。進一步地，以0.5c的放電電流對目標電池放電10s，記錄此次放電前和放電到10s時目標電池的電壓值，即t5時刻和t6時刻的電壓值，以及目標電池此次放電的電流值。然后采用0.1c充電50s，以使目標電池恢復到預設的荷電狀態(tài)。充電完成后將目標電池同樣靜置60s。

需要說明的是，每次對目標電池進行放電到預設時間間隔后，需要對目標電池進行回充以使其返回預設的荷電狀態(tài)，以保證每次放電時目標電池都處于預設的荷電狀態(tài)下。

s303、根據測量到的電壓值和電流值進行線性擬合，得到目標電池的電池直流電阻。

具體地，獲取到每次放電前后目標電池的放電壓差，放電壓差為放電前的電壓值與放電到時間間隔時電壓值的差值，然后基于每次的放電壓差和每次放電的電流，進行線性擬合，得到一個擬合的直線，該直線的斜率為目標電池的電池直流電阻。以上述例子中，通過2c放電電流對目標電池放電10s，1c放電電流對目標電池放電10s，0.5c放電電流對目標電池放電10s，可以獲取到三個點，對這三個點進行線性擬合形成一條直線，如圖5所示，該直線的斜率為目標電池的電池直流電阻。

s102、利用樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且訓練誤差最小的神經網絡作為目標神經網絡。

在獲取到樣本電池的第一電池數據和第二電池數據后，可以將該第一電池數據和該第二電池數據，輸入到構建的神經網絡中，對神經網絡進行訓練，以使神經網絡的訓練誤差小于預設閾值，將最小且小于閾值的訓練誤差對應的神經網絡作為目標神經網絡。

本實施例中，預先構建一個神經網絡，可以預先設置神經網絡的輸入層神經元個數、輸出層神經元個數，隱含層的層數和每層隱含層包含的神經元個數。將樣本電池的第一電池數據和第二電池數據，輸入到構建的神經網絡中，然后對神經網絡進行訓練，在訓練過程中通過學習訓練函數不斷地調整神經網絡的隱含層的層數和每層隱含層包含的神經元個數，以及各層之間的傳遞函數，在訓練多次后可以使訓練誤差收斂到預設的閾值之下，將最小訓練誤差對應的神經網絡作為目標神經網絡。

s103、采集測試電池的第一電池數據。

按照上述采集目標電池的第一電池數據的過程，采集測試電池的第一電池數據。具體過程此處不再贅述。

本實施例中，測試電測與樣本電池為同一批次的電池，可以從該批次電池中選擇n支電池，n支電池為該批次電池中除m支樣本電池之外的其他電池。

s104、將測試電池的第一電池數據輸入到目標神經網絡中進行學習，預測測試電池的第二電池數據。

目標神經網絡就可以作為一個訓練的神經網絡，可以用于對測試電池進行學習，得到測試電池的第二電池數據。如圖6所示，將測試電池的第一電池數據輸入到目標神經網絡中，第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升，經過目標神經網絡學習后，輸出測試電池的第二電池數據即測試電池的電池直流內阻。其中，測試電池與樣本電池為設計參數一致的電池，例如，設計參數可以包括電池性能、電池材料以及電池型號等。

進一步地，還可以按照上述采集目標電池的第二電池數據的過程，采集測試電池的第二電池數據，然后將測量擬合出的測試電池的第二電池數據與目標通過神經網絡得到的測試電池第二電池數據進行比較，可以得到兩者之間的誤差，通過這個誤差進一步驗證神經網絡的準確性。預先設置一個誤差數值，當兩者之間的誤差要小于等于預設的誤差數值時，說明目標神經網絡學習出的電池的直流內阻與實際測量的直流內阻相差很小，目標神經網絡的學習效果好，能夠運用同種類型的電池直流內阻預測上。如果兩者之間的誤差要大于預設的誤差數值時，說明目標神經網絡學習出的電池的直流內阻與實際測量的直流內阻相差較大，目標神經網絡的學習效果不理想，無法運用在同種類型的電池直流內阻預測上，可能需要重新構建神經網絡進行訓練。

本實施例提供的電池直流內阻測量方法，通過訓練好的神經網絡來獲取電池的直流內阻，不需要經過大電流放電的過程，就能實現對電池的直流內阻的較為精準的預測，減少了對大批量電池的損害，縮短了分選時間，同時減少能耗。

圖7為本發(fā)明實施例提供的另一種電池直流內阻測量方法的流程示意圖。圖7所示，該電池直流內阻測量方法包括以下步驟：

s601、采集樣本電池的第一電池數據和樣本電池的第二電池數據。

其中，第一電池數據包括電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；第二電池數據包括：電池直流內阻。

關于采集樣本電池的第一電池數據和第二電池數據的過程可參見上述實施例中相關內容的記載，此處不再贅述。

s602、對樣本電池的第一電池數據進行歸一化處理。

為了保證訓練的準確性，消除其他因素的影響，需要將以上得到的第一電池數據做歸一化處理。具體地，將第一電池數據中的電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升分別進行歸一化處理。以電池容量q例，設qmax和qmin分別為電池容量q的最大值和最小值，將電池容量q的一個原始值q(i)(1≤i≤m)通過max-min算法歸一化映射成在區(qū)間[0，1]中，得到歸一化后的電池容量q’(i)，經歸一化處理后的電池容量q’(i)＝(q(i)-qmin)/(qmax-qmin)。電池開路電壓、電池交流內阻以及電池放電末端溫升可以做同樣處理，得出歸一化后的第一電池數據。

s603、利用樣本電池歸一化后的第一電池數據和樣本電池的第二電池數據訓練構建的神經網絡，得到訓練好的目標神經網絡。

利用歸一化后的第一電池數據和樣本電池的第二電池數據作為訓練數據，對構建的神經網絡進行訓練，以得到訓練好的目標神經網絡。目標神經網絡選擇條件為訓練誤差最小且小于預設的閾值。

s604、采集測試電池的第一電池數據。

其中，第一電池數據包括電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升。關于采集測試電池的第一電池數據過程可參見上述實施例中相關內容的記載，此處不再贅述。

s605、對測試電池的第一電池數據進行歸一化處理。

關于對測試電池的第一電池數據進行歸一化處理的過程可參見上述實施例中相關內容的記載，此處不再贅述。

s606、將測試電池歸一化后的第一電池數據輸入到目標神經網絡中進行學習，預測測試電池的第二電池數據。

其中，第二電池數據包括：電池直流內阻。

舉例說明，電池開路電壓(opencircuitvoltage，簡稱ocv)，電池交流內阻(acr)，電池容量(capacity)，可以標記為q，電池放電末端溫升標記為△t。

隨機抽取64支三元鋰離子電池，額定容量為5.2ah。對此64只電池進行完整的充放電，整個過程紅外成像或經熱場分析后確定的溫度最高點處粘貼感溫探頭，經預處理即三次標注充放電后，測試制式如下：

1)以1c恒流充電至4.2v，恒壓充電至電流減小至0.05c；

2)靜置30min，記錄ocv和acr；

3)待恢復室溫后，以1c恒流放電至3.0v，記錄此時電池容量q和溫升△t。

4)1c充電至容量為q/2，靜置30min，按照圖4所示的過程進行充放電測試，記錄三次放電后的電壓值和電流值，根據三次的數據擬合出直線，得到樣本電池的dcr。

將以上50組數據經歸一化處理后作為神經網絡的輸入參量，dcr作為神經網絡的輸出參量，訓練構建的神經網絡，得到目標神經網絡的模型為：

隱含層神經元傳遞函數tansig；

輸出層神經元傳遞函數logsig；

訓練函數trainlm；

隱含層神經元數15；

訓練步數net.trainparam.epochs＝100；

訓練目標net.trainparam.goal＝0.0001。

將另外的14組電池作為測試電池，即將測試電池的第一電池數據輸入目標神經網絡中，得到測試電池的dcr即第二電池數據，得出的最大訓練誤差百分率為2.4％，如圖8所示。

本實施例提供的電池直流內阻測量方法，通過訓練好的神經網絡來獲取電池的直流內阻，不需要經過大電流放電的過程，就能實現對電池的直流內阻的較為精準的預測，減少了對大批量電池的損害，縮短了分選時間，同時減少能耗。

圖9為本發(fā)明實施例提供的一種電池直流內阻測量裝置的結構示意圖。如圖9所示，該電池直流內阻測量裝置包括：采集模塊11、訓練模塊12和預測模塊13。

采集模塊11，用于采集樣本電池的第一電池數據和樣本電池的第二電池數據，以及測試電池的第一電池數據；其中，所述第一電池數據包括：電池開路電壓、電池交流內阻、電池容量以及電池放電末端溫升；所述第二電池數據包括：電池直流內阻。

訓練模塊12，用于利用所述樣本電池的第一電池數據和第二電池數據對構建的神經網絡進行訓練，選擇訓練誤差小于閾值且所述訓練誤差最小的神經網絡作為目標神經網絡。

預測模塊13，用于將所述測試電池的第一電池數據輸入到所述目標神經網絡中進行學習，預測所述測試電池的第二電池數據。

進一步地，采集模塊11，具體用于：

按照預設充電標準對待采集的目標電池進行充電至滿電狀態(tài)；其中，所述目標電池為所述樣本電池或者所述測試電池；

測量所述滿電狀態(tài)下所述目標電池的電池開路電壓和電池交流內阻；

按照預設放電標準對所述目標電池進行放電至預設的截止電壓；

采集所述目標電池在放電截止電壓時的放電末端溫度；

根據所述放電末端溫度和當前室溫，計算所述目標電池的電池放電末端溫升；

測量所述目標電池的電池容量。

進一步地，采集模塊11，具體用于：

在預設的荷電狀態(tài)下，分別采用不同的放電電流對所述目標電池放電到相同的時間間隔；其中，不同的放電電流之間存在倍數關系；

測量放電到所述時間間隔時所述目標電池的電壓值和電流值；

對測量到的所述電壓值和所述電流值進行線性擬合，得到所述目標電池的電池直流電阻。

進一步地，在采集模塊11測量所述滿電狀態(tài)下的所述目標電池的電池開路電壓之前，將所述目標電池靜置預設時長。

在圖9的基礎之上，圖10為本發(fā)明實施例提供的另一種電池直流內阻測量裝置的結構示意圖。如圖10所示，該電池直流內阻測量裝置包括：歸一化模塊14、預處理模塊15和驗證模塊16。

歸一化模塊14，用于在將所述第一電池數據輸入到神經網絡中之前，對所述第一電池數據進行歸一化處理。

預處理模塊15，用于按照預設充電標準對待采集的目標電池進行充電至滿電狀態(tài)之前，按照預設充電標準和預設放電標準，對所述目標電池進行預設次數的充放電。

驗證模塊16，用于將預測的所述測試電池的第二電池數據與通過測量擬合出的所述測試電池的第二電池數據進行比較，得到兩者之間的誤差，通過所述誤差驗證所述目標神經網絡的準確性。

本實施例提供的電池直流內阻測量裝置，通過訓練好的神經網絡來獲取電池的直流內阻，不需要經過大電流放電的過程，就能實現對電池的直流內阻的較為精準的預測，減少了對大批量電池的損害，縮短了分選時間，同時減少能耗。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外，在不相互矛盾的情況下，本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結合和組合。

此外，術語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特征的數量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本發(fā)明的描述中，“多個”的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現定制邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實施方式的范圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應被本發(fā)明的實施例所屬技術領域的技術人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認為是用于實現邏輯功能的可執(zhí)行指令的定序列表，可以具體實現在任何計算機可讀介質中，以供指令執(zhí)行系統(tǒng)、裝置或設備(如基于計算機的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設備取指令并執(zhí)行指令的系統(tǒng))使用，或結合這些指令執(zhí)行系統(tǒng)、裝置或設備而使用。就本說明書而言，"計算機可讀介質"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設備或結合這些指令執(zhí)行系統(tǒng)、裝置或設備而使用的裝置。計算機可讀介質的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布線的電連接部(電子裝置)，便攜式計算機盤盒(磁裝置)，隨機存取存儲器(ram)，只讀存儲器(rom)，可擦除可編輯只讀存儲器(eprom或閃速存儲器)，光纖裝置，以及便攜式光盤只讀存儲器(cdrom)。另外，計算機可讀介質甚至可以是可在其上打印所述程序的紙或其他合適的介質，因為可以例如通過對紙或其他介質進行光學掃描，接著進行編輯、解譯或必要時以其他合適方式進行處理來以電子方式獲得所述程序，然后將其存儲在計算機存儲器中。

應當理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現。如，如果用硬件來實現和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用于對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現場可編程門陣列(fpga)等。

本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。

此外，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模塊中，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模塊中。上述集成的模塊既可以采用硬件的形式實現，也可以采用軟件功能模塊的形式實現。所述集成的模塊如果以軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。

上述提到的存儲介質可以是只讀存儲器，磁盤或光盤等。盡管上面已經示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領域的普通技術人員在本發(fā)明的范圍內可以對上述實施例進行變化、修改、替換和變型。