本發(fā)明涉及網(wǎng)絡(luò)信息挖掘
技術(shù)領(lǐng)域：
，特別是涉及一種用于微博的突發(fā)特征檢測方法及裝置。
背景技術(shù)：
：近年來，隨著web2.0社交網(wǎng)絡(luò)的興起，微博以其方便快捷的優(yōu)點迅速流行起來，現(xiàn)在已經(jīng)發(fā)展成為網(wǎng)絡(luò)信息傳播的主要途徑。微博用戶數(shù)量眾多，每天產(chǎn)生的信息量非常龐大。在微博中，人人都是信息的生產(chǎn)者和傳播者，信息發(fā)布、轉(zhuǎn)發(fā)非常便捷，這使得微博成為信息傳播速度最快的網(wǎng)絡(luò)媒體。社會上許多突發(fā)性話題，往往在微博平臺上首發(fā)，借助其好友轉(zhuǎn)發(fā)機制迅速傳播，引起廣泛的社會共鳴，進而波及傳統(tǒng)媒體如新聞、論壇、博客等，產(chǎn)生巨大的社會影響。因此，微博平臺上的社會突發(fā)話題檢測技術(shù)，對于社會熱點及時發(fā)現(xiàn)、網(wǎng)絡(luò)民意盡快感知、突發(fā)事件及早響應(yīng)等方面都具有積極的現(xiàn)實意義。與傳統(tǒng)新聞話題相比，微博話題作為大眾媒體的產(chǎn)物，具有自己顯著的特點：(1)話題的多樣性：同一時間，微博上各種話題，如社會事件類話題、娛樂八卦類話題、個人生活瑣事等多種話題摻雜在一起，特別是一些生活瑣事類話題，可能表現(xiàn)出一些周期性的突發(fā)特點，如周一“不想上班”，周末“出游計劃”，月末“月光族”等話題。(2)話題的間歇性：同一個話題，通常會隨著微博用戶的關(guān)注程度和時間的推移經(jīng)歷一個產(chǎn)生、發(fā)展、成熟、衰退和消亡的完整生命周期。而且微博基于好友的轉(zhuǎn)發(fā)機制，導(dǎo)致海量的信息冗余，產(chǎn)生大量的滯后過期信息，這使 得話題表現(xiàn)出一定的間歇性特征。鑒于微博的上述特點，傳統(tǒng)的基于簡單統(tǒng)計的突發(fā)特征檢測方法識別準確率較低，不適用于微博信息的特征檢測。如何針對微博信息噪音大、數(shù)據(jù)多樣性的特點進行突發(fā)特征檢測，現(xiàn)有技術(shù)尚無有效的解決方案。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是提供一種用于微博的突發(fā)特征檢測方法及裝置，用以解決現(xiàn)有技術(shù)中微博信息噪音大、數(shù)據(jù)多樣突發(fā)特征檢測準確率低的問題。一方面，本發(fā)明提供一種用于微博的突發(fā)特征檢測方法，包括：根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征；將所述候選突發(fā)特征中的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除。可選的，所述根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征包括：提取所述信息流中的重復(fù)串；對所述重復(fù)串進行上下文鄰接分析，以從所述重復(fù)串中提取有意義串；如果所述有意義串的被檢特征的頻次增長率大于預(yù)設(shè)增長閾值，確定所述有意義串的被檢特征為候選突發(fā)特征?？蛇x的，將所述候選突發(fā)特征中的頻繁偽突發(fā)特征濾除包括：將第一預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第一頻次序列；將所述第一頻次序列變換到頻域；根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征?？蛇x的，所述根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征包括：確定所述第一頻次序列頻譜的0頻率的能量值與其他頻率的能量平均值的能量比；在所述能量比大于預(yù)設(shè)比值的情況下，確定所述第一頻次序列對應(yīng)的候選突發(fā)特征為頻繁偽突發(fā)特征；將所述頻繁偽突發(fā)特征從所述候選突發(fā)特征中濾除?？蛇x的，將所述候選突發(fā)特征中的間歇性偽突發(fā)特征濾除包括：將第二預(yù) 設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第二頻次序列；通過對所述第二頻次序列進行趨勢分析，確定所述候選突發(fā)特征是否為首次突發(fā)；在所述候選突發(fā)特征不是首次突發(fā)的情況下，確定所述候選突發(fā)特征為間歇性偽突發(fā)特征并將所述間歇性偽突發(fā)特征濾除。另一方面，本發(fā)明還提供一種用于微博的突發(fā)特征檢測裝置，包括：檢測單元，用于根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征；第一濾除單元，用于將所述候選突發(fā)特征中的頻繁偽突發(fā)特征濾除；第二濾除單元，用于將所述候選突發(fā)特征中的間歇性偽突發(fā)特征濾除。可選您的，所述檢測單元包括：提取模塊，用于提取所述信息流中的重復(fù)串；鄰接分析模塊，用于對所述重復(fù)串進行上下文鄰接分析，以從所述重復(fù)串中提取有意義串；確定模塊，用于如果所述有意義串的被檢特征的頻次增長率大于預(yù)設(shè)增長閾值，確定所述有意義串的被檢特征為候選突發(fā)特征?？蛇x的，所述第一濾除單元包括：第一形成模塊，用于將第一預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第一頻次序列；變換模塊，用于將所述第一頻次序列變換到頻域；第一濾除模塊，用于根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征?？蛇x的，所述識別和濾除模塊，具體用于：確定所述第一頻次序列頻譜的0頻率的能量值與其他頻率的能量平均值的能量比；在所述能量比大于預(yù)設(shè)比值的情況下，確定所述第一頻次序列對應(yīng)的候選突發(fā)特征為頻繁偽突發(fā)特征；將所述頻繁偽突發(fā)特征從所述候選突發(fā)特征中濾除。可選的，所述第二濾除單元包括：第二形成模塊，用于將第二預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第二頻次序列；趨勢分析模塊，用于通過對所述第二頻次序列進行趨勢分析，確定所述候選突發(fā)特征是否為首次突發(fā)；第二濾除模塊，用于在所述候選突發(fā)特征不是首次突發(fā)的情況下，確定所述候選突發(fā)特征為間歇性偽突發(fā)特征并將所述間歇性偽突發(fā)特征濾除。本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法及裝置，能夠根據(jù)信息 流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征，然后將候選突發(fā)特征中的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除，從而能夠針對微博信息噪音大、數(shù)據(jù)多樣性的特點將相應(yīng)的偽突發(fā)特征濾除，提高了微博突發(fā)特征檢測的準確性。附圖說明圖1是本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法的一種流程圖；圖2是本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法的另一種流程圖；圖3是本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法的又一種流程圖；圖4是本發(fā)明實施例提供的用于微博的突發(fā)特征檢測裝置的一種結(jié)構(gòu)示意圖。具體實施方式以下結(jié)合附圖對本發(fā)明進行詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不限定本發(fā)明。如圖1所示，本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法，包括：S11，根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征；S12，將所述候選突發(fā)特征中的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除。本發(fā)明實施例提供的用于微博的突發(fā)特征檢測方法，能夠根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征，然后將候選突發(fā)特征中的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除，從而能夠針對微博信息噪音大、數(shù)據(jù)多樣性的特點將相應(yīng)的偽突發(fā)特征濾除，提高了微博突發(fā)特征檢測的準確性。需要說明的是，在微博信息中，存在著這樣一類頻繁特征，如“工作人員”，“上半年”，“短信”等，它們會周期性或者非周期性的頻繁出現(xiàn)，但每天出現(xiàn)的頻次不會特別高。由于語言的多樣復(fù)雜性，這類頻繁特征可以在多重語境中重復(fù)出現(xiàn)，偶爾呈現(xiàn)瞬時爆發(fā)增長趨勢，但實際上并非真正的突發(fā)話題關(guān)鍵特征，稱為頻繁偽突發(fā)特征。頻繁偽突發(fā)特征與真正的突發(fā)特征在短時間內(nèi)都表現(xiàn)出明顯的爆發(fā)趨勢，但是頻繁偽突發(fā)特征在歷史信息中頻繁而規(guī)律的出現(xiàn)，而突發(fā)特征在歷史信息中出現(xiàn)情況不穩(wěn)定。此外，微博話題還會呈現(xiàn)出一定的生存周期，有些話題的產(chǎn)生、發(fā)展、消亡是連續(xù)的，從話題產(chǎn)生開始到結(jié)束期間，每天都產(chǎn)生相關(guān)消息，而有些話題的發(fā)展是間歇性的，話題產(chǎn)生后沉寂幾天才會有新的進展和消息，在話題存在的整個周期中，不一定每天都出現(xiàn)相關(guān)討論。在一個話題周期內(nèi)，特征第一次爆出是突發(fā)特征，再一次爆發(fā)就不構(gòu)成突發(fā)特征，稱為間歇性偽突發(fā)特征。要檢測出真正的突發(fā)特征，就需要將上述的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除。為此，在步驟S11中，首先可以根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征，然后在步驟S12中這兩種偽突發(fā)特征濾除?？蛇x的，在步驟S11中，根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征可具體包括：提取所述信息流中的重復(fù)串；其中，重復(fù)串是指重復(fù)出現(xiàn)頻次大于兩次的字符串?？蛇x的，重復(fù)串的長度可以根據(jù)需要限定在一定數(shù)量的字符以內(nèi)，例如10個字符以內(nèi)。對所述重復(fù)串進行上下文鄰接分析，以從所述重復(fù)串中提取有意義串；如果所述有意義串的被檢特征的頻次增長率大于預(yù)設(shè)增長閾值，確定所述有意義串的被檢特征為候選突發(fā)特征。具體而言，可以將微博信息看作時間序列上的文本流，設(shè)置時間窗口T，將時間窗口T內(nèi)的微博信息作為文檔集合D＝{D1，D2，D3，…}，提取D中 的有意義串。其中，時間窗口T可以根據(jù)需要設(shè)置，例如，在本發(fā)明的一個實施例中，時間窗口T可以取值為1天、2天等。其中，有意義串是指包含具體語義且能在多種不同語境中使用的字符串。有意義串是靈活獨立的語言單元，可包括未錄入的新詞和命名實體，以及有意義的詞組和短語。也就是說，有意義串都具有語義完整性，但突破了詞典中詞語的界限。可選的，可以采用鄰接分析的方法進行有意義串的提取。鄰接分析是指分析有意義字符串的上下文語言環(huán)境，如果該字符串能夠應(yīng)用于多種不同的上下文環(huán)境，具有語用靈活性，則該字符串就是有意義串。上下文鄰接分析首先要提取重復(fù)串的鄰接集合，計算每個重復(fù)串的鄰接種類。鄰接集合和鄰接種類定義如下：鄰接集合：分為左鄰接集合NBL和右鄰接集合NBR，分別指真實文本中，與字符串S左邊或者右邊相鄰的詞語的集合。當(dāng)字符串做為一個句子的開始，其左鄰接元素記為BOS，做為句子的結(jié)束時，其右鄰接元素記為EOS。鄰接種類：分為左鄰接種類VL和右鄰接種類VR，分別指左鄰接集合中和右鄰接集合種元素的數(shù)目，它們反映了字符串上文和下文語境種類的多少。選取重復(fù)串S的左鄰接類別和右鄰接類別中的較小值記為minVN。當(dāng)minVN大于預(yù)設(shè)閾值TVN時，該重復(fù)串S就是有意義串。其中，預(yù)設(shè)閾值TVN的選取與微博信息的規(guī)模相關(guān)，取值應(yīng)大于2，例如可以為3。有意義串的被檢特征的爆發(fā)程度可以通過不同時間窗口上被檢特征的頻次變化情況來體現(xiàn)。在本發(fā)明的一個實施例中，提取當(dāng)前時間窗口的有意義串后，可以統(tǒng)計每個有意義串的被檢特征在當(dāng)前時間窗口與上一個時間窗口相比的頻次增長情況，如果當(dāng)前時間窗口的頻次與上一時間窗口的頻次相比，增大超過了預(yù)設(shè)增長閾值，則該被檢特征即可作為候選突發(fā)特征。如果被檢特征在上一時間窗口未出現(xiàn)，則上一時間窗口對應(yīng)的頻次為0。具體而言，為了得到真正的突發(fā)特征，在步驟S12中，需要分別將候選突 發(fā)特征中的頻繁偽突發(fā)特征和間歇性偽突發(fā)特征濾除，由于這兩種偽突發(fā)特征是相互獨立的，因此，濾除的先后順序不限?？蛇x的，將所述候選突發(fā)特征中的頻繁偽突發(fā)特征濾除可包括：將第一預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第一頻次序列；將所述第一頻次序列變換到頻域；根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征。具體而言，可以統(tǒng)計候選特征在較長歷史時間段(例如1個月或1年)的頻次，形成N個時間窗口上的頻次序列，然后將該頻次序列看作離散時間信號，對其進行傅立葉變換，以便產(chǎn)生頻域信號序列。通過對信號進行頻域分析，即能夠直觀看到信號在不同頻率成份上的大小分布，直接反映信號的頻繁程度，從而揭示信號隨頻率的變化規(guī)律。例如，在頻域中，頻繁偽突發(fā)特征在0頻率上的能量比較大，而其它頻率上的能量相對較小，曲線有較明顯的沖擊；突發(fā)特征在0頻率上的能量與其它頻率上的能量差距相對較小，曲線比較平緩。因此，通過分析特征在0頻率上與其他頻率上的能量情況，即可將頻繁偽突發(fā)特征識別出來?？蛇x的，根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征可包括如下步驟：確定所述第一頻次序列頻譜的0頻率的能量值與其他頻率的能量平均值的能量比；在所述能量比大于預(yù)設(shè)比值的情況下，確定所述第一頻次序列對應(yīng)的候選突發(fā)特征為頻繁偽突發(fā)特征；將所述頻繁偽突發(fā)特征從所述候選突發(fā)特征中濾除。舉例說明，如圖2所示，在本發(fā)明的一個實施例中，可以計算候選突發(fā)特征在當(dāng)前時間窗口(當(dāng)天)往前一個月內(nèi)每天的的頻次，構(gòu)成頻次序列，并進行傅立葉變換，根據(jù)頻域中0頻率與其他頻率上的能量比識別頻繁偽突發(fā)特征。其中，信號的頻譜分布中，0頻率的能量與其它頻率能量平均值的比值稱為能量比，用符號S表示：S=|x[0]|21K(Σk=1K|x[k]|2)---(1)]]>S可作為被檢特征是否為頻繁偽突發(fā)特征的度量，S的值越大，被檢特征是頻繁偽突發(fā)特征的可能性越大。實際應(yīng)用中可以通過大量的標注數(shù)據(jù)訓(xùn)練得到預(yù)設(shè)比值ST，將能量比S與預(yù)設(shè)比值ST相比較，如果能量比S大于預(yù)設(shè)比值ST，即可確定該被檢特征為頻繁偽突發(fā)特征。具體的，步驟S12中的將候選突發(fā)特征中的間歇性偽突發(fā)特征濾除可包括：將第二預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第二頻次序列；通過對所述第二頻次序列進行趨勢分析，確定所述候選突發(fā)特征是否為首次突發(fā)；在所述候選突發(fā)特征不是首次突發(fā)的情況下，確定所述候選突發(fā)特征為間歇性偽突發(fā)特征并將所述間歇性偽突發(fā)特征濾除。其中，第二預(yù)設(shè)時間段一般比第一預(yù)設(shè)時間段短，可選的，可以為微博等信息平臺的一個話題周期。從階段性趨勢來看，經(jīng)過間歇期后的爆發(fā)點就已經(jīng)處于特征的下降趨勢范圍了，可以對話題周期內(nèi)的頻次序列進行平滑，分析其階段性的趨勢特點，進而判斷突發(fā)特征是否為首次突發(fā)，從而識別出間歇性偽突發(fā)特征。例如，如果一個話題周期為M天，則可以對特征的頻次曲線進行M天移動指數(shù)平滑EMA(exponentialmovingaverage)，再計算移動平均收斂發(fā)散MACD(MovingAverageConvergencc-Divergence)指標，通過該指標來判斷被檢特征是否為首次突發(fā)，進而識別出間歇性偽突發(fā)特征。其中，指數(shù)移動平均EMA，是指將特征的頻次時間序列進行n天指數(shù)平均，平均后的頻次值與前n天的頻次值相關(guān)，距離較近的頻次值具有較大權(quán)重較大。EMA(n)[x]t=αxt+(1-α)EMA(n-1)[x]t-1=Σk=0nα(1-α)kxt-k---(2)]]>其中，xt是第t天的頻次值，EMA(n)[x]t是n天指數(shù)平均頻次值，它對于近期頻次的變化要快于簡單的n天平均值。α取值與n相關(guān)，一般為2/(n+1)。移動平均收斂發(fā)散MACD(MovingAverageConvergencc-Divergence)MACD指標是由兩條曲線構(gòu)成：一條實線(稱為“MACD線”)與一條虛線(稱為“Signal線”)。MACD線是較快的EMA線和較慢的EMA線的差值，它對于頻次值變動的反應(yīng)比較敏感。較快的EMA線與較慢的EMA線相比，n取值更小，受影響的歷史區(qū)間更小，對當(dāng)前值反應(yīng)更快?！癝ignal線”是MACD線是經(jīng)過指數(shù)平均之后的另一條EMA線，它對于頻次值變動的反應(yīng)比較緩慢。具體計算公式如下：MACD(n1,n2)＝EMA(n1)-EMA(n2)(n1＜n2)(3)signal(n1,n2,n3)＝EMA(n3)[MACD(n1,n2)](n1＜n3＜n2)(4)當(dāng)快速的MACD線穿越慢速的Signal線，頻次的趨勢發(fā)生變化。用histogram來表示，它是MACD和signal的差值，計算公式如下：histogram(n1,n2,n3)＝MACD(n1,n2)-signal(n1,n2,n3)(5)hisrogram擴大了特征的平均頻次值和局部波動之間的差異，當(dāng)hisrogram大于0時，表示頻次處于上升趨勢，當(dāng)hisrogram小于0時，表示頻次處于下降趨勢。它可用來反映特征頻次的變化趨勢，作為衡量特征是否為首次突發(fā)的指標。間歇性突發(fā)特征在首次出現(xiàn)時，hisrogran大于0，頻次呈現(xiàn)上升態(tài)勢，屬于突發(fā)特征；當(dāng)間歇性特征在話題周期內(nèi)再次出現(xiàn)時，hisrogram小于0，頻次呈現(xiàn)下跌態(tài)勢，則表明特征在前期出現(xiàn)過大規(guī)模爆發(fā)，判斷該特征不是首次突發(fā)特征，而僅僅是間歇性突發(fā)特征。本實施例中的間歇性偽突發(fā)特征檢測的具體過程可如圖3所示。在上述突發(fā)特征的趨勢分析中，參數(shù)n1，n2，n3的取值應(yīng)該與話題周期 相關(guān)。一般n2可以取值為一個話題周期，n1可以取值為半個話題周期，而n3取值在n1和n2之間。通過分析和訓(xùn)練發(fā)現(xiàn)，大部分話題的生存周期在一周左右，在本實例中，n1可取值為3，n2取值為7，n3取值為5。相應(yīng)的，如圖4所示，本發(fā)明的實施例還提供一種用于微博的突發(fā)特征檢測裝置，包括：檢測單元40，用于根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征；第一濾除單元41，用于將所述候選突發(fā)特征中的頻繁偽突發(fā)特征濾除；第二濾除單元42，用于將所述候選突發(fā)特征中的間歇性偽突發(fā)特征濾除。本發(fā)明實施例提供的用于微博的突發(fā)特征檢測裝置，檢測單元40能夠根據(jù)信息流中有意義串的被檢特征的瞬時爆發(fā)情況，檢測出候選突發(fā)特征，第一濾除單元41能夠?qū)⒑蜻x突發(fā)特征中的頻繁偽突發(fā)特征濾除，第二濾除單元42能夠?qū)⒑蜻x突發(fā)特征中的間歇性偽突發(fā)特征濾除，從而能夠針對微博信息噪音大、數(shù)據(jù)多樣性的特點將相應(yīng)的偽突發(fā)特征濾除，有效提高了微博突發(fā)特征檢測的準確性?？蛇x的，檢測單元40可包括：提取模塊，用于提取所述信息流中的重復(fù)串；鄰接分析模塊，用于對所述重復(fù)串進行上下文鄰接分析，以從所述重復(fù)串中提取有意義串；確定模塊，用于如果所述有意義串的被檢特征的頻次增長率大于預(yù)設(shè)增長閾值，確定所述有意義串的被檢特征為候選突發(fā)特征。可選的，第一濾除單元41可包括：第一形成模塊，用于將第一預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第一頻次序列；變換模塊，用于將所述第一頻次序列變換到頻域；第一濾除模塊，用于根據(jù)所述第一頻次序列的頻譜分布，識別并濾除所述候選突發(fā)特征中的頻繁偽突發(fā)特征?？蛇x的，識別和濾除模塊，可具體用于：確定所述第一頻次序列頻譜的0頻率的能量值與其他頻率的能量平均值的能量比；在所述能量比大于預(yù)設(shè)比值的情況下，確定所述第一頻次序列對應(yīng)的候選突發(fā)特征為頻繁偽突發(fā)特征；將所述頻繁偽突發(fā)特征從所述候選突發(fā)特征中濾除?？蛇x的，第二濾除單元42可包括：第二形成模塊，用于將第二預(yù)設(shè)時間段內(nèi)各時間窗口上的候選突發(fā)特征形成第二頻次序列；趨勢分析模塊，用于通過對所述第二頻次序列進行趨勢分析，確定所述候選突發(fā)特征是否為首次突發(fā)；第二濾除模塊，用于在所述候選突發(fā)特征不是首次突發(fā)的情況下，確定所述候選突發(fā)特征為間歇性偽突發(fā)特征并將所述間歇性偽突發(fā)特征濾除。盡管為示例目的，已經(jīng)公開了本發(fā)明的優(yōu)選實施例，本領(lǐng)域的技術(shù)人員將意識到各種改進、增加和取代也是可能的，因此，本發(fā)明的范圍應(yīng)當(dāng)不限于上述實施例。當(dāng)前第1頁1 2 3