本發(fā)明涉及聚類領(lǐng)域，具體而言，涉及一種聚類方法和裝置。

背景技術(shù)：

現(xiàn)有的數(shù)據(jù)聚類方法，例如k均值聚類(k-means)方法和自組織映射(selforganizingmaps)聚類方法，需要用戶給定數(shù)據(jù)樣本之間的相似度或者相似度計(jì)算方法。上述的聚類方法需要用戶懂得如何選擇或設(shè)計(jì)相似度或相似度計(jì)算方法，增加了數(shù)據(jù)聚類方法的使用難度，進(jìn)一步地，當(dāng)用戶選定或設(shè)計(jì)的相似度或者相似度計(jì)算方法不恰當(dāng)時(shí)，聚類方法所能實(shí)現(xiàn)的聚類效果可能不能滿足用戶的需求。例如，在對(duì)圖像數(shù)據(jù)進(jìn)行聚類分析時(shí)，如果使用歐式距離計(jì)算圖像之間的相似度，則不能反映圖像內(nèi)容的平移、尺度等變化，從而導(dǎo)致聚類分析失敗。再如，在對(duì)脈搏波時(shí)序數(shù)據(jù)進(jìn)行聚類分析時(shí)，如果使用動(dòng)態(tài)時(shí)間規(guī)整(dtw)法計(jì)算脈搏波時(shí)序數(shù)據(jù)片段之間的相似度，則可能丟失脈搏波信號(hào)中的重搏波相對(duì)位置平移信息，導(dǎo)致聚類結(jié)果與用戶預(yù)期效果不一致。

在現(xiàn)有技術(shù)中，已經(jīng)具有采用神經(jīng)網(wǎng)絡(luò)技術(shù)與聚類結(jié)合的技術(shù)對(duì)數(shù)據(jù)進(jìn)行聚類的方法，例如，申請(qǐng)?zhí)枮?01310530626.9、專利名稱為一種基于深度學(xué)習(xí)的聚類方法的專利，提供了一種結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法，具體的技術(shù)方案為在神經(jīng)網(wǎng)絡(luò)模型中指定特定的中間層節(jié)點(diǎn)作為用于聚類的特征層，并且，還需要對(duì)神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)進(jìn)行修改，加入聚類的類內(nèi)約束函數(shù)，這種方式需要預(yù)先確定用于聚類的中間層節(jié)點(diǎn)是哪些節(jié)點(diǎn)，增加了使用該方法的人工部分的復(fù)雜度，并且修改了神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)，從而改變了神經(jīng)網(wǎng)絡(luò)原來(lái)的行為和表現(xiàn)。現(xiàn)有技術(shù)中還有一些其他的改進(jìn)的聚類方法，例如，需要在神經(jīng)網(wǎng)絡(luò)模型的節(jié)點(diǎn)中增加離散的節(jié)點(diǎn)，根據(jù)離散節(jié)點(diǎn)的狀態(tài)進(jìn)行聚類等等。在上述的現(xiàn)有技術(shù)中的技術(shù)方案由于對(duì)神經(jīng)網(wǎng)絡(luò)模型具有一定的限制條件，因此限定了聚類方法的使用范圍。

針對(duì)相關(guān)技術(shù)中結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法使用復(fù)雜度較高的技術(shù)問(wèn)題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種聚類方法和裝置，以至少解決相關(guān)技術(shù)中結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法使用復(fù)雜度較高的技術(shù)問(wèn)題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種聚類方法，該方法包括：獲取神經(jīng)網(wǎng)絡(luò)模型；將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果。

進(jìn)一步地，根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)包括：獲取輸入的聚類節(jié)點(diǎn)的數(shù)量k；根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

進(jìn)一步地，根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)包括：將神經(jīng)網(wǎng)絡(luò)模型在接收輸入的目標(biāo)數(shù)據(jù)之后每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)的輸出值作為激活程度；根據(jù)至少一個(gè)中間層節(jié)點(diǎn)的激活程度分別計(jì)算每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值；按照每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值對(duì)至少一個(gè)中間層節(jié)點(diǎn)進(jìn)行排序，選取前k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

進(jìn)一步地，根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果包括：根據(jù)選擇出的k個(gè)聚類節(jié)點(diǎn)的組合將目標(biāo)數(shù)據(jù)劃分到組合對(duì)應(yīng)的類別。

進(jìn)一步地，獲取神經(jīng)網(wǎng)絡(luò)模型包括：接收輸入的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)以確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)；通過(guò)訓(xùn)練樣本集對(duì)結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，訓(xùn)練樣本集中的每個(gè)樣本包括樣本數(shù)據(jù)和樣本類別標(biāo)簽，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)為在輸入樣本數(shù)據(jù)之后的輸出與樣本數(shù)據(jù)對(duì)應(yīng)的樣本類別標(biāo)簽的差距最小。

進(jìn)一步地，在對(duì)多個(gè)目標(biāo)數(shù)據(jù)進(jìn)行聚類并得到聚類結(jié)果之后，該方法還包括：通過(guò)可視化方式顯示多個(gè)目標(biāo)數(shù)據(jù)的聚類分布圖。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種聚類裝置，該裝置包括：獲取單元，用于獲取神經(jīng)網(wǎng)絡(luò)模型；輸入單元，用于將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；選擇單元，用于根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；確定單元，用于根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果。

進(jìn)一步地，選擇單元包括：獲取模塊，用于獲取輸入的聚類節(jié)點(diǎn)的數(shù)量k；選擇模塊，用于根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

進(jìn)一步地，選擇模塊包括：邏輯模塊，用于將神經(jīng)網(wǎng)絡(luò)模型在接收輸入的目標(biāo)數(shù)據(jù)之后每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)的輸出值作為激活程度；計(jì)算模塊，用于根據(jù)至少一個(gè)中間層節(jié)點(diǎn)的激活程度分別計(jì)算每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值；選擇子模塊，用于按照每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值對(duì)至少一個(gè)中間層節(jié)點(diǎn)進(jìn)行排序，選取前k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

進(jìn)一步地，該裝置還包括：顯示單元，用于在對(duì)多個(gè)目標(biāo)數(shù)據(jù)進(jìn)行聚類并得到聚類結(jié)果之后，通過(guò)可視化方式顯示多個(gè)目標(biāo)數(shù)據(jù)的聚類分布圖。

進(jìn)一步地，獲取單元包括：接收模塊，用于接收輸入的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)以確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)；訓(xùn)練模塊，用于通過(guò)訓(xùn)練樣本集對(duì)結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，訓(xùn)練樣本集中的每個(gè)樣本包括樣本數(shù)據(jù)和樣本類別標(biāo)簽，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)為在輸入樣本數(shù)據(jù)之后的輸出與樣本數(shù)據(jù)對(duì)應(yīng)的樣本類別標(biāo)簽的差距最小。

進(jìn)一步地，確定單元包括：顯示模塊，用于通過(guò)可視化方式顯示目標(biāo)數(shù)據(jù)的聚類結(jié)果。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種存儲(chǔ)介質(zhì)，該存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在程序運(yùn)行時(shí)控制存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行本發(fā)明的聚類方法。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種處理器，該處理器用于運(yùn)行程序，其中，程序運(yùn)行時(shí)執(zhí)行本發(fā)明的聚類方法。

在本發(fā)明實(shí)施例中，通過(guò)獲取神經(jīng)網(wǎng)絡(luò)模型；將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果，解決了相關(guān)技術(shù)中結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法使用復(fù)雜度較高的技術(shù)問(wèn)題，進(jìn)而實(shí)現(xiàn)了無(wú)需人工選取相似度、無(wú)需在中間層中指定聚類的節(jié)點(diǎn)、自動(dòng)根據(jù)中間層節(jié)點(diǎn)的激活程度在中間層節(jié)點(diǎn)中選取聚類節(jié)點(diǎn)的效果，并且適用于所有種類的神經(jīng)網(wǎng)絡(luò)模型，無(wú)需限制神經(jīng)網(wǎng)絡(luò)模型中節(jié)點(diǎn)類型是連續(xù)或離散，神經(jīng)網(wǎng)絡(luò)模型中的所有節(jié)點(diǎn)可以都是連續(xù)節(jié)點(diǎn)，具有更強(qiáng)的適用性的技術(shù)效果。

附圖說(shuō)明

此處所說(shuō)明的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的一種可選的聚類方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的另一種可選的聚類方法的流程圖；

圖3是根據(jù)本發(fā)明實(shí)施例的一種可選的神經(jīng)網(wǎng)絡(luò)模型的示意圖；

圖4是根據(jù)本發(fā)明實(shí)施例的一種可選的聚類裝置的示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

需要說(shuō)明的是，本發(fā)明的說(shuō)明書和權(quán)利要求書及上述附圖中的術(shù)語(yǔ)“第一”、“第二”等是用于區(qū)別類似的對(duì)象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的本發(fā)明的實(shí)施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤４送?，術(shù)語(yǔ)“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過(guò)程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒(méi)有清楚地列出的或?qū)τ谶@些過(guò)程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

本申請(qǐng)?zhí)峁┝艘环N聚類方法的實(shí)施例。

圖1是根據(jù)本發(fā)明實(shí)施例的一種可選的聚類方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟s101，獲取神經(jīng)網(wǎng)絡(luò)模型；

步驟s102，將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；

步驟s103，根據(jù)至少一個(gè)中間層節(jié)點(diǎn)中每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；

步驟s104，根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果。

神經(jīng)網(wǎng)絡(luò)模型是具有輸入層、輸出層、一個(gè)或多個(gè)中間層，每一層可以包括一個(gè)或多個(gè)節(jié)點(diǎn)，每個(gè)中間層節(jié)點(diǎn)可以被視作一個(gè)激勵(lì)函數(shù)，每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)的輸出值為該中間層節(jié)點(diǎn)對(duì)輸入數(shù)據(jù)的激活程度，該實(shí)施例提供的聚類方法通過(guò)將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入層，根據(jù)目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中的中間層節(jié)點(diǎn)的激活程度來(lái)確定目標(biāo)數(shù)據(jù)的類別，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行聚類的效果。

在對(duì)目標(biāo)數(shù)據(jù)進(jìn)行聚類之前，可以通過(guò)訓(xùn)練樣本集先對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)數(shù)據(jù)進(jìn)行分類。訓(xùn)練樣本集包括多個(gè)樣本，每個(gè)樣本至少包括樣本數(shù)據(jù)和樣本類別標(biāo)簽兩個(gè)部分，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的目標(biāo)為使神經(jīng)網(wǎng)絡(luò)模型在輸入樣本數(shù)據(jù)之后得到的輸出結(jié)果與輸入的樣本數(shù)據(jù)所對(duì)應(yīng)的樣本類別標(biāo)簽的差異最小，其中，對(duì)所述差異的具體定義和函數(shù)的選取可以視情況而定，本發(fā)明對(duì)此不做具體限定。

需要說(shuō)明的是，每個(gè)樣本的樣本類別標(biāo)簽是用于表示按照一種已知的分類依據(jù)對(duì)樣本數(shù)據(jù)分類確定的類別標(biāo)簽，而在根據(jù)本發(fā)明實(shí)施例提供的聚類方法進(jìn)行聚類之后，得到的聚類結(jié)果則是根據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型的激活程度進(jìn)行劃分的結(jié)果，無(wú)需預(yù)先設(shè)定相似度，通過(guò)神經(jīng)網(wǎng)絡(luò)模型自學(xué)習(xí)每個(gè)樣本數(shù)據(jù)的特征(可以通過(guò)每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)表示一個(gè)特征，激勵(lì)函數(shù)的輸出值則為樣本數(shù)據(jù)的特征值)，然后確定聚類劃分所需的中間層節(jié)點(diǎn)(聚類節(jié)點(diǎn))的選取規(guī)則，例如，聚類劃分所需的中間層節(jié)點(diǎn)的個(gè)數(shù)、聚類劃分所需的中間層節(jié)點(diǎn)所在的層數(shù)、聚類劃分所需的中間層節(jié)點(diǎn)的激活程度值的數(shù)值范圍和/或聚類劃分所需的中間層節(jié)點(diǎn)的優(yōu)選順序等，在確定聚類劃分所需的中間層節(jié)點(diǎn)的選取規(guī)則之后，根據(jù)選取規(guī)則選取預(yù)設(shè)個(gè)數(shù)的中間層節(jié)點(diǎn)作為聚類節(jié)點(diǎn)，并根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的分類結(jié)果。需要說(shuō)明的是，在選擇聚類節(jié)點(diǎn)時(shí)，可以在所有的中間層節(jié)點(diǎn)中的一部分中間層節(jié)點(diǎn)中選擇聚類節(jié)點(diǎn)，僅確定這部分中間層節(jié)點(diǎn)中每個(gè)中間層節(jié)點(diǎn)的激勵(lì)程度，在這部分中間層節(jié)點(diǎn)中選取聚類節(jié)點(diǎn)，而無(wú)需在全部中間層節(jié)點(diǎn)中選擇聚類節(jié)點(diǎn)。在對(duì)多個(gè)目標(biāo)數(shù)據(jù)按照該實(shí)施例提供的聚類方法進(jìn)行聚類之后，得到多個(gè)分組，每個(gè)組內(nèi)具有至少一個(gè)目標(biāo)數(shù)據(jù)，每個(gè)組內(nèi)的所有目標(biāo)數(shù)據(jù)具有至少一個(gè)相似的特征。

作為上述實(shí)施例的一種可選的實(shí)施方式，聚類節(jié)點(diǎn)的選取規(guī)則可以為：接收輸入的聚類節(jié)點(diǎn)的數(shù)量k，根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。進(jìn)一步的，在根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)時(shí)，可以選擇激活程度最高的前k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)，具體而言，首先，將神經(jīng)網(wǎng)絡(luò)模型在接收輸入的目標(biāo)數(shù)據(jù)之后每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)的輸出值作為激活程度，然后根據(jù)至少一個(gè)中間層節(jié)點(diǎn)的激活程度分別計(jì)算每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值，最后，按照每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值對(duì)至少一個(gè)中間層節(jié)點(diǎn)進(jìn)行排序，選取前k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

在選擇出k個(gè)聚類節(jié)點(diǎn)之后，根據(jù)k個(gè)聚類節(jié)點(diǎn)的組合將目標(biāo)數(shù)據(jù)劃分到節(jié)點(diǎn)組合所對(duì)應(yīng)的類別，例如，如果目標(biāo)數(shù)據(jù)x1激活程度在前兩位的聚類節(jié)點(diǎn)為節(jié)點(diǎn)1和節(jié)點(diǎn)3，則將目標(biāo)數(shù)據(jù)x1分類到節(jié)點(diǎn)1和節(jié)點(diǎn)3的組合所對(duì)應(yīng)的類別a，如果目標(biāo)數(shù)據(jù)x2激活程度在前兩位的聚類節(jié)點(diǎn)為節(jié)點(diǎn)2和節(jié)點(diǎn)3，則將目標(biāo)數(shù)據(jù)x2分類到節(jié)點(diǎn)2和節(jié)點(diǎn)3的組合所對(duì)應(yīng)的類別b。

作為上述實(shí)施例的一種可選的實(shí)施方式，在獲取神經(jīng)網(wǎng)絡(luò)模型時(shí)，可以包括如下步驟：接收輸入的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)，其中，結(jié)構(gòu)參數(shù)可以包括神經(jīng)網(wǎng)絡(luò)模型的中間層的層數(shù)、輸入層節(jié)點(diǎn)個(gè)數(shù)、輸出層節(jié)點(diǎn)個(gè)數(shù)、每個(gè)中間層的節(jié)點(diǎn)個(gè)數(shù)等等，在確定結(jié)構(gòu)參數(shù)之后，神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)隨之確定，通過(guò)訓(xùn)練樣本集對(duì)結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，訓(xùn)練樣本集中的每個(gè)樣本包括樣本數(shù)據(jù)和樣本類別標(biāo)簽，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)為在輸入樣本數(shù)據(jù)之后的輸出與樣本數(shù)據(jù)對(duì)應(yīng)的樣本類別標(biāo)簽的差距最小。

可選的，訓(xùn)練樣本集中的所有樣本的樣本類別標(biāo)簽如果有n個(gè)種類，那么，相應(yīng)的，可以設(shè)置神經(jīng)網(wǎng)絡(luò)模型的輸出層的節(jié)點(diǎn)個(gè)數(shù)為n個(gè)節(jié)點(diǎn)。進(jìn)一步的，樣本類別標(biāo)簽可以用n維one-hotvector(獨(dú)熱向量)表示，具體而言，如果訓(xùn)練樣本集中的樣本分為n個(gè)種類，第p個(gè)類別的樣本數(shù)據(jù)對(duì)應(yīng)的樣本類別標(biāo)簽可以表示為向量x＝{xi＝1(i＝p)，xi＝0(1≤i≤n且i≠p)}，例如，如果n為8，第2個(gè)類別的樣本數(shù)據(jù)的樣本類別標(biāo)簽可以表示為{0，1，0，0，0，0，0，0}。在樣本類別標(biāo)簽采用n維one-hot向量表示的情況下，神經(jīng)網(wǎng)絡(luò)模型的輸出為n維向量，對(duì)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)可以為使輸出的向量與樣本類別標(biāo)簽之間的交叉熵(交叉熵能夠表示差異)最小，可選的，訓(xùn)練目標(biāo)還可以是其它函數(shù)，本發(fā)明在此不做具體限定。

在輸出聚類結(jié)果時(shí)，可以采用可視化的方式顯示，具體而言，在對(duì)多個(gè)目標(biāo)數(shù)據(jù)進(jìn)行聚類之后，得到每個(gè)目標(biāo)數(shù)據(jù)的聚類結(jié)果，將聚類結(jié)果通過(guò)聚類分布圖的方式進(jìn)行顯示。具體而言，可以將目標(biāo)數(shù)據(jù)轉(zhuǎn)換為二維數(shù)據(jù)，通過(guò)散點(diǎn)圖進(jìn)行顯示，每個(gè)樣本點(diǎn)通過(guò)點(diǎn)的顏色或標(biāo)記表示(所屬類別的)聚類編號(hào)，在顯示散點(diǎn)圖之后，可以通過(guò)人工根據(jù)散點(diǎn)圖判斷聚類效果，或者，如果兩個(gè)聚類的散點(diǎn)圖的區(qū)域重疊程度較高時(shí)，將兩個(gè)類別合并為一個(gè)類別。

該實(shí)施例通過(guò)獲取神經(jīng)網(wǎng)絡(luò)模型；將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果，解決了相關(guān)技術(shù)中結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法使用復(fù)雜度較高的技術(shù)問(wèn)題，進(jìn)而實(shí)現(xiàn)了無(wú)需人工選取相似度、無(wú)需在中間層中指定聚類的節(jié)點(diǎn)、自動(dòng)根據(jù)中間層節(jié)點(diǎn)的激活程度在中間層節(jié)點(diǎn)中選取聚類節(jié)點(diǎn)的效果，并且適用于所有種類的神經(jīng)網(wǎng)絡(luò)模型，無(wú)需限制神經(jīng)網(wǎng)絡(luò)模型中節(jié)點(diǎn)類型是連續(xù)或離散，神經(jīng)網(wǎng)絡(luò)模型中的所有節(jié)點(diǎn)可以都是連續(xù)節(jié)點(diǎn)，具有更強(qiáng)的適用性。

圖2是上述實(shí)施例的一種可選的實(shí)施方式，如圖2所示，該實(shí)施方式所提供的聚類方法的步驟包括：

步驟一、設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型；

步驟二、優(yōu)化模型參數(shù)，其中，通過(guò)帶標(biāo)簽的數(shù)據(jù)樣本集合對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化；

步驟三、選擇聚類節(jié)點(diǎn)；

步驟四、劃分樣本聚類；

步驟五、評(píng)估聚類結(jié)果。

作為一種可選的神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)可以如圖3所示，神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層、一個(gè)或多個(gè)中間層，該神經(jīng)網(wǎng)絡(luò)模型可以是通過(guò)人工設(shè)計(jì)的，用戶輸入神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)即可。在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型之后，將帶標(biāo)簽的數(shù)據(jù)樣本集合輸入到神經(jīng)網(wǎng)絡(luò)模型，優(yōu)化結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

在聚類之前，需要設(shè)置聚類節(jié)點(diǎn)的選擇規(guī)則，例如，聚類節(jié)點(diǎn)在哪一層中選取，最多選取的聚類節(jié)點(diǎn)的個(gè)數(shù)、激活程度的取值范圍等等，設(shè)置好之后，選擇聚類節(jié)點(diǎn)的步驟可以通過(guò)如圖3中所示的聚類節(jié)點(diǎn)選擇單元執(zhí)行，聚類節(jié)點(diǎn)選擇單元根據(jù)設(shè)置的選擇規(guī)則在中間層中的多個(gè)中間層節(jié)點(diǎn)中選擇若干節(jié)點(diǎn)作為聚類節(jié)點(diǎn)，并根據(jù)選擇出的聚類節(jié)點(diǎn)劃分每個(gè)輸入數(shù)據(jù)(樣本)的聚類。可選的，中間層可能包括多層，聚類節(jié)點(diǎn)選擇單元可以選擇在神經(jīng)網(wǎng)絡(luò)模型的最后一層中間層中選擇若干個(gè)節(jié)點(diǎn)，如圖3所示。最后，可以根據(jù)神經(jīng)網(wǎng)絡(luò)模型分類的準(zhǔn)確率評(píng)估聚類效果。

需要說(shuō)明的是，數(shù)據(jù)樣本集合包括多個(gè)樣本，每個(gè)樣本包括樣本數(shù)據(jù)和樣本類別標(biāo)簽兩個(gè)部分，樣本類別標(biāo)簽?zāi)軌虮硎久總€(gè)樣本數(shù)據(jù)的一方面特征，例如，樣本數(shù)據(jù)為動(dòng)物圖像，樣本類別標(biāo)簽為動(dòng)物的種類，貓、狗、牛、羊、雞、鴨、魚(yú)、蟲(chóng)等，通過(guò)上述數(shù)據(jù)樣本集合訓(xùn)練之后得到的神經(jīng)網(wǎng)絡(luò)模型能夠自學(xué)習(xí)以提取出例如毛發(fā)長(zhǎng)度、毛發(fā)顏色、耳朵性質(zhì)、四肢長(zhǎng)度等特征，每個(gè)中間層節(jié)點(diǎn)可以是一種特征，因此，依據(jù)輸入的數(shù)據(jù)激活程度較高的中間層節(jié)點(diǎn)獲得的聚類結(jié)果可能是分為長(zhǎng)毛動(dòng)物類、短毛動(dòng)物類，也可能是分為黑色、白色、灰色、雜色動(dòng)物類，也可能是分為長(zhǎng)腿動(dòng)物類、短腿動(dòng)物類、無(wú)腿動(dòng)物類，也可能是分為上述屬性特征的組合類(如黑色長(zhǎng)毛長(zhǎng)腿動(dòng)物類)。通過(guò)嘗試不同結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)模型(例如，不同的人工神經(jīng)網(wǎng)絡(luò)模型層數(shù)、中間層節(jié)點(diǎn)個(gè)數(shù))，或者選取不同的中間層節(jié)點(diǎn)，可以獲得不同的聚類效果。

例如，在一種具體的應(yīng)用場(chǎng)景下，上述具體實(shí)施方式提供的聚類方法的執(zhí)行步驟包括：

1)獲取帶有標(biāo)簽的數(shù)據(jù)樣本集合s＝{xi，yi；i＝1，…，n}，其中，圖像樣本xi尺寸為100*100(例如通用的imagenet數(shù)據(jù)集)，標(biāo)簽yi為貓、狗、牛、羊、雞、鴨、魚(yú)、蟲(chóng)對(duì)應(yīng)的八維1-hot向量；

2)設(shè)置神經(jīng)網(wǎng)絡(luò)模型，依次包括輸入層、中間層(多個(gè)卷積-池化層、一個(gè)全連接層)、輸出層，其中，輸入層為100*100的二維圖像數(shù)據(jù)，全連接層包含f個(gè)節(jié)點(diǎn)，輸出層包含8個(gè)節(jié)點(diǎn)，如圖3所示；

3)優(yōu)化模型參數(shù)：訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)函數(shù)為最小化輸出節(jié)點(diǎn)的激活值與標(biāo)簽之間的交叉熵，采用隨機(jī)梯度下降法迭代地更新模型參數(shù)；

4)選擇聚類節(jié)點(diǎn)：設(shè)定聚類節(jié)點(diǎn)選擇單元，選取模型的若干中間層節(jié)點(diǎn)作為聚類節(jié)點(diǎn)，選取規(guī)則如下：

(1)計(jì)算中間層節(jié)點(diǎn)的激活均值：

(2)計(jì)算中間層節(jié)點(diǎn)的激活方差：

(3)按從大至小的順序?qū)vj}排序，選擇前k個(gè)值對(duì)應(yīng)的節(jié)點(diǎn)作為聚類節(jié)點(diǎn)；其中，hij表示輸入為xi時(shí)所述全連接層的第j個(gè)節(jié)點(diǎn)的激活值，j＝1，…，f，k為用戶指定的參數(shù)；

(4)劃分樣本聚類：根據(jù)聚類節(jié)點(diǎn)的激活程度將各個(gè)樣本劃分到不同的聚類，例如，當(dāng)某個(gè)樣本使得第三個(gè)中間層節(jié)點(diǎn)的激活值最大(或者激活方差最大)，則將該樣本劃分到第三個(gè)聚類；

(5)評(píng)估聚類效果，計(jì)算模型對(duì)于給定標(biāo)簽的分類準(zhǔn)確率，用于估計(jì)模型的聚類效果。

需要說(shuō)明的是，上述舉例中的樣本數(shù)據(jù)可以是一維時(shí)序數(shù)據(jù)，例如聲音、心電、脈搏波信號(hào)等；也可以是多維數(shù)據(jù)，例如視頻、三維影像數(shù)據(jù)等；在優(yōu)化模型參數(shù)時(shí)可以還采用其它目標(biāo)函數(shù)和優(yōu)化方法，例如，在目標(biāo)函數(shù)中增加l1正則項(xiàng)(例如，正則項(xiàng)取值為從聚類節(jié)點(diǎn)到下一層節(jié)點(diǎn)之間的連接權(quán)值之和)；在根據(jù)中間層節(jié)點(diǎn)的激活值將各個(gè)樣本劃分到不同的聚類時(shí)，還有其它方法，例如，當(dāng)某個(gè)樣本使得第3個(gè)中間層節(jié)點(diǎn)的激活值最大、且第5個(gè)中間層節(jié)點(diǎn)的激活值第二大，則將該樣本分到第15個(gè)聚類(對(duì)應(yīng)第3個(gè)節(jié)點(diǎn)與第5個(gè)節(jié)點(diǎn)的聚類)；在輸出聚類結(jié)果時(shí)，還可以通過(guò)可視化的方式估計(jì)聚類效果，例如，使用數(shù)據(jù)降維方法(局部線性嵌入法)將圖像樣本降低為二維數(shù)據(jù)，并使用散點(diǎn)圖進(jìn)行顯示，其中樣本點(diǎn)的顏色或者標(biāo)記依據(jù)聚類編號(hào)不同而不同，最后由人工對(duì)散點(diǎn)圖的聚類效果進(jìn)行評(píng)估，或者，還可以通過(guò)可視化的方式優(yōu)化數(shù)據(jù)聚類，例如，使用數(shù)據(jù)降維方法(局部線性嵌入法)將圖像樣本降低為二維數(shù)據(jù)，并使用散點(diǎn)圖進(jìn)行顯示，其中樣本點(diǎn)的顏色或者標(biāo)記依據(jù)聚類編號(hào)不同而不同，當(dāng)兩個(gè)聚類對(duì)應(yīng)的散點(diǎn)圖區(qū)域重疊度較高時(shí)，將兩個(gè)聚類合并為一個(gè)。

上述實(shí)施例提供的聚類方法至少具有以下的效果：

(1)現(xiàn)有技術(shù)中的大部分聚類方法需要給定數(shù)據(jù)樣本之間的相似度或者相似度計(jì)算方法，該實(shí)施例提供的聚類方法不必給定數(shù)據(jù)樣本之間相似度或者相似度計(jì)算方法，因而可以適用相似度難以計(jì)算的數(shù)據(jù)，例如圖像數(shù)據(jù)、音頻數(shù)據(jù)；

(2)現(xiàn)有的基于人工神經(jīng)網(wǎng)絡(luò)模型的聚類方法要求人工神經(jīng)網(wǎng)絡(luò)模型中包含離散節(jié)點(diǎn)，即，節(jié)點(diǎn)的取值限定為離散狀態(tài)，該實(shí)施例提供的聚類方法不必限定于包含離散節(jié)點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)模型，節(jié)點(diǎn)的取值也可以是連續(xù)值，因而可以便捷地用于卷積神經(jīng)網(wǎng)絡(luò)(cnn)等各種結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)模型。

(3)該實(shí)施例提供的聚類方法能夠從給定的帶有類別標(biāo)簽的數(shù)據(jù)樣本中學(xué)習(xí)到數(shù)據(jù)樣本之間的相似度標(biāo)準(zhǔn)，并據(jù)此自動(dòng)劃分出新的聚類。

需要說(shuō)明的是，在附圖的流程圖雖然示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

本申請(qǐng)還提供了一種存儲(chǔ)介質(zhì)的實(shí)施例，該實(shí)施例的存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在程序運(yùn)行時(shí)控制存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行本發(fā)明實(shí)施例的聚類方法。

本申請(qǐng)還提供了一種處理器的實(shí)施例，該實(shí)施例的處理器用于運(yùn)行程序，其中，程序運(yùn)行時(shí)執(zhí)行本發(fā)明實(shí)施例的聚類方法。

本申請(qǐng)還提供了一種聚類裝置的實(shí)施例。需要說(shuō)明的是，本發(fā)明實(shí)施例提供的聚類裝置可以用于執(zhí)行本發(fā)明實(shí)施例提供的聚類方法。

圖4是根據(jù)本發(fā)明實(shí)施例的一種可選的聚類裝置的示意圖，如圖4所示，該裝置包括獲取單元10，輸入單元20，選擇單元30和確定單元40，其中，獲取單元用于獲取神經(jīng)網(wǎng)絡(luò)模型；輸入單元用于將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；選擇單元用于根據(jù)至少一個(gè)中間層節(jié)點(diǎn)中每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；確定單元用于根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果。

該實(shí)施例通過(guò)獲取單元，用于獲取神經(jīng)網(wǎng)絡(luò)模型；輸入單元，用于將目標(biāo)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，確定目標(biāo)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型中至少一個(gè)中間層節(jié)點(diǎn)的激活程度；選擇單元，用于根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇目標(biāo)數(shù)據(jù)的聚類節(jié)點(diǎn)；確定單元，用于根據(jù)聚類節(jié)點(diǎn)確定目標(biāo)數(shù)據(jù)的聚類結(jié)果，解決了相關(guān)技術(shù)中結(jié)合神經(jīng)網(wǎng)絡(luò)模型的聚類方法使用復(fù)雜度較高的技術(shù)問(wèn)題，進(jìn)而實(shí)現(xiàn)了無(wú)需人工選取相似度、無(wú)需在中間層中指定聚類的節(jié)點(diǎn)、自動(dòng)根據(jù)中間層節(jié)點(diǎn)的激活程度在中間層節(jié)點(diǎn)中選取聚類節(jié)點(diǎn)的效果，并且適用于所有種類的神經(jīng)網(wǎng)絡(luò)模型，無(wú)需限制神經(jīng)網(wǎng)絡(luò)模型中節(jié)點(diǎn)類型是連續(xù)或離散，神經(jīng)網(wǎng)絡(luò)模型中的所有節(jié)點(diǎn)可以都是連續(xù)節(jié)點(diǎn)，具有更強(qiáng)的適用性。

作為上述實(shí)施例的一種可選實(shí)施方式，選擇單元包括：獲取模塊，用于獲取輸入的聚類節(jié)點(diǎn)的數(shù)量k；選擇模塊，用于根據(jù)每個(gè)中間層節(jié)點(diǎn)的激活程度在至少一個(gè)中間層節(jié)點(diǎn)中選擇k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

作為上述實(shí)施例的一種可選實(shí)施方式，選擇模塊包括：邏輯模塊，用于將神經(jīng)網(wǎng)絡(luò)模型在接收輸入的目標(biāo)數(shù)據(jù)之后每個(gè)中間層節(jié)點(diǎn)對(duì)應(yīng)的激勵(lì)函數(shù)的輸出值作為激活程度；計(jì)算模塊，用于根據(jù)至少一個(gè)中間層節(jié)點(diǎn)的激活程度分別計(jì)算每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值；選擇子模塊，用于按照每個(gè)中間層節(jié)點(diǎn)的排序參數(shù)值對(duì)至少一個(gè)中間層節(jié)點(diǎn)進(jìn)行排序，選取前k個(gè)節(jié)點(diǎn)作為聚類節(jié)點(diǎn)。

作為上述實(shí)施例的一種可選實(shí)施方式，確定單元包括：分類模塊，用于根據(jù)選擇出的k個(gè)聚類節(jié)點(diǎn)的組合將目標(biāo)數(shù)據(jù)劃分到組合對(duì)應(yīng)的類別。

作為上述實(shí)施例的一種可選實(shí)施方式，獲取單元包括：接收模塊，用于接收輸入的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)以確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)；訓(xùn)練模塊，用于通過(guò)訓(xùn)練樣本集對(duì)結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，訓(xùn)練樣本集中的每個(gè)樣本包括樣本數(shù)據(jù)和樣本類別標(biāo)簽，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)為在輸入樣本數(shù)據(jù)之后的輸出與樣本數(shù)據(jù)對(duì)應(yīng)的樣本類別標(biāo)簽的差距最小。

作為上述實(shí)施例的一種可選實(shí)施方式，該裝置還可以包括：顯示單元，用于在對(duì)多個(gè)目標(biāo)數(shù)據(jù)進(jìn)行聚類并得到聚類結(jié)果之后，通過(guò)可視化方式顯示多個(gè)目標(biāo)數(shù)據(jù)的聚類分布圖。

上述的裝置可以包括處理器和存儲(chǔ)器，上述單元均可以作為程序單元存儲(chǔ)在存儲(chǔ)器中，由處理器執(zhí)行存儲(chǔ)在存儲(chǔ)器中的上述程序單元來(lái)實(shí)現(xiàn)相應(yīng)的功能。

存儲(chǔ)器可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(ram)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(rom)或閃存(flashram)，存儲(chǔ)器包括至少一個(gè)存儲(chǔ)芯片。

上述本申請(qǐng)實(shí)施例的順序不代表實(shí)施例的優(yōu)劣。

在本申請(qǐng)的上述實(shí)施例中，對(duì)各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒(méi)有詳述的部分，可以參見(jiàn)其他實(shí)施例的相關(guān)描述。在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過(guò)其它的方式實(shí)現(xiàn)。

其中，以上所描述的裝置實(shí)施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，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(guò)一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

另外，在本申請(qǐng)各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本申請(qǐng)的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)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(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、移動(dòng)硬盤、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述僅是本申請(qǐng)的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本申請(qǐng)?jiān)淼那疤嵯?，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本申請(qǐng)的保護(hù)范圍。