本發(fā)明涉及測繪科學(xué)與技術(shù)領(lǐng)域，具體涉及一種基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，主要應(yīng)用于超大規(guī)模測區(qū)攝影測量等領(lǐng)域。

背景技術(shù)：
區(qū)域網(wǎng)平差技術(shù)經(jīng)過幾十年的發(fā)展，其方法和流程已經(jīng)相對成熟，并且在測繪領(lǐng)域得到了廣泛的應(yīng)用。然而隨著科技的加速進(jìn)步，新的傳感器不斷涌現(xiàn)，如航天領(lǐng)域的高分辨率衛(wèi)星，立體測繪衛(wèi)星，航空領(lǐng)域的規(guī)則航空攝影系統(tǒng)，傾斜航空攝影系統(tǒng)，無人機(jī)、飛艇攝影系統(tǒng)等。同時，全世界范圍內(nèi)三維建模應(yīng)用需求不斷增加，也使得大量地面車載攝影系統(tǒng)，近景攝影系統(tǒng)，普通數(shù)碼相機(jī)，甚至是智能手機(jī)，網(wǎng)絡(luò)圖片庫等采集的影像被用于三維建模。影像數(shù)據(jù)源越來越豐富的同時，其分辨率也不斷提高，以前數(shù)十米的衛(wèi)星影像如今可以達(dá)到最高0.35米(WorldView-3)，航空影像的分辨率更是進(jìn)入了厘米級時代。分辨率的增加必然會帶來數(shù)據(jù)量的增大，攝影時的航線設(shè)計也不再滿足傳統(tǒng)的條帶式規(guī)則分布，給相應(yīng)的數(shù)據(jù)處理方法帶來了一定挑戰(zhàn)，受法方程大小的限制，傳統(tǒng)的區(qū)域網(wǎng)平差技術(shù)流程已經(jīng)不能滿足大規(guī)模數(shù)據(jù)處理需求。特別是當(dāng)測區(qū)數(shù)據(jù)大小超過1萬張影像時，傳統(tǒng)的區(qū)域網(wǎng)平差方法對內(nèi)存的需求急劇增大，即使有少部分圖形工作站內(nèi)存容量足夠大，但大量的內(nèi)存占用使得計算效率大幅降低，同時，數(shù)據(jù)處理的硬件成本也隨之增大，上述問題均阻礙了各類新型傳感器數(shù)據(jù)的廣泛應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：
為了解決上述問題，本發(fā)明在區(qū)域網(wǎng)平差中，引入預(yù)條件共軛梯度法求解大規(guī)模線性方程組(法方程)，避免存儲大規(guī)模法方程系數(shù)矩陣，使得對大規(guī)模測區(qū)(1萬至10萬張影像，下文中統(tǒng)稱此類測區(qū)為大規(guī)模測區(qū))數(shù)據(jù)的區(qū)域網(wǎng)平差成為可能，其流程也更加易于并行化設(shè)計。預(yù)條件共軛梯度法是一個迭代求解的過程，每一次迭代都需要遍歷所有的像點(diǎn)觀測值數(shù)據(jù)，每一次區(qū)域網(wǎng)平差迭代內(nèi)部又包括N次預(yù)條件共軛梯度法迭代，N是預(yù)條件共軛梯度法迭代收斂次數(shù)，因而計算量較傳統(tǒng)的攝影測量區(qū)域網(wǎng)平差流程要大很多，為了減少預(yù)條件共軛梯度法的迭代次數(shù)，本發(fā)明采用一種不精確牛頓解取代法方程的精確解，使得預(yù)條件共軛梯度法可以快速的收斂，從而提高整個區(qū)域網(wǎng)平差的求解速度。本發(fā)明所要解決的技術(shù)問題是提供一種基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，能夠解決現(xiàn)有技術(shù)的不足。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，包括：S1、導(dǎo)入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，且將導(dǎo)入的原始數(shù)據(jù)進(jìn)行時空基準(zhǔn)統(tǒng)一，得到初始數(shù)據(jù)，所述原始數(shù)據(jù)至少包括初始內(nèi)外方位元素數(shù)據(jù)以及點(diǎn)位數(shù)據(jù)；S2、進(jìn)入?yún)^(qū)域網(wǎng)平差迭代流程：分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的法方程常數(shù)項(xiàng)向量c的一個分量，并將各個法方程常數(shù)項(xiàng)向量c的分量累加，得到完整的法方程常數(shù)項(xiàng)向量c作為步驟S4中殘差向量s的初值；S3、分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的預(yù)條件矩陣M的分量，并將該分量求逆并乘以方程常數(shù)項(xiàng)向量c得到矩陣-向量積M-1c的一個分量，將各個矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c作為步驟S4中方向向量d的初值；S4、進(jìn)入預(yù)條件共軛梯度法迭代流程：對未知數(shù)改正數(shù)向量u、殘差向量s以及方向向量d進(jìn)行初始化；S5、分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的法方程系數(shù)矩陣B的與方向向量d的矩陣-向量積Bd分量，將各矩陣-向量積Bd分量累加，得到完整的矩陣向量積Bd；S6、根據(jù)預(yù)條件共軛梯度算法，以及本次迭代中的未知數(shù)改正數(shù)向量u，殘差向量s，方向向量d，預(yù)條件矩陣M以及法方程系數(shù)矩陣B，計算新的未知數(shù)改正數(shù)向量u、新的殘差向量s以及新的方向向量d；S7、根據(jù)不精確牛頓解法，計算本次迭代的強(qiáng)制序列系數(shù)η；S8、判斷此次預(yù)條件共軛梯度迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束預(yù)條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9；否則，返回步驟S5；S9、判斷此次區(qū)域網(wǎng)平差迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S2；S10、根據(jù)步驟S8中輸出的新的未知數(shù)改正數(shù)向量u，更新所有的未知數(shù)數(shù)值，并輸出所有的未知數(shù)數(shù)值。本發(fā)明的有益效果是：本發(fā)明提供的基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法，在傳統(tǒng)的區(qū)域網(wǎng)平差流程中引入了預(yù)條件共軛梯度法求解大規(guī)模法方程，避免了對法方程的存儲以及直接求逆運(yùn)算，且本方法不直接存儲法方程系數(shù)矩陣B，而是逐點(diǎn)計算矩陣-向量積法方程系數(shù)矩陣Bd，減少了數(shù)據(jù)的存儲量，同時采用不精確牛頓解替代法方程的精確解，從而減少預(yù)條件共軛梯度法迭代次數(shù)，提高整個區(qū)域網(wǎng)平差的求解速度。本發(fā)明特別適用于超大規(guī)模測區(qū)(10萬張影像以上，如全省、全國乃至全球作為一整個測區(qū))的區(qū)域網(wǎng)平差計算。附圖說明圖1為本發(fā)明實(shí)施例一的基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法流程圖。具體實(shí)施方式以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。實(shí)施例一、一種基于不精確牛頓解的預(yù)條件共軛梯度區(qū)域網(wǎng)平差方法。下面結(jié)合圖1對本實(shí)施例提供的方法進(jìn)行說明。參見圖1，S1、導(dǎo)入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，且將導(dǎo)入的原始數(shù)據(jù)進(jìn)行時空基準(zhǔn)統(tǒng)一，得到初始數(shù)據(jù)，所述原始數(shù)據(jù)至少包括初始內(nèi)外方位元素數(shù)據(jù)以及點(diǎn)位數(shù)據(jù)；S2、進(jìn)入?yún)^(qū)域網(wǎng)平差迭代流程：分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的法方程常數(shù)項(xiàng)向量c的一個分量，并將各個法方程常數(shù)項(xiàng)向量c的分量累加，得到完整的法方程常數(shù)項(xiàng)向量c作為步驟S4中殘差向量s的初值；具體的，首先導(dǎo)入?yún)^(qū)域網(wǎng)平差計算需要的原始數(shù)據(jù)，原始數(shù)據(jù)主要包括初始內(nèi)外方位元素數(shù)據(jù)、連接點(diǎn)數(shù)據(jù)、控制點(diǎn)數(shù)據(jù)以及檢查點(diǎn)數(shù)據(jù)(有些時候不存在控制點(diǎn)數(shù)據(jù)和檢查點(diǎn)數(shù)據(jù))。對保存的原始數(shù)據(jù)進(jìn)行預(yù)處理，具體包括對導(dǎo)入的原始數(shù)據(jù)進(jìn)行時空基準(zhǔn)統(tǒng)一，包括事件基準(zhǔn)統(tǒng)一和空間基準(zhǔn)統(tǒng)一，若原始數(shù)據(jù)中存在控制點(diǎn)數(shù)據(jù)，還應(yīng)該將連接點(diǎn)物方坐標(biāo)以及初始外方位元素數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換至控制點(diǎn)數(shù)據(jù)所在的坐標(biāo)系內(nèi)，以及計算并統(tǒng)計區(qū)域網(wǎng)平差計算過程中未知數(shù)分組的情況，未知數(shù)的個數(shù)以及需要用到的預(yù)條件矩陣M的類型和大小等信息。本實(shí)施例中的預(yù)條件矩陣與法方程系數(shù)矩陣大小一致，但構(gòu)造簡單，更易于求逆，使用其逆矩陣左乘法方程系數(shù)矩陣后，使得法方程系數(shù)矩陣的條件數(shù)減少，從而加快共軛梯度法求解法方程的迭代收斂速度，并保持收斂的穩(wěn)健性，常用的預(yù)條件矩陣有Jacobi預(yù)條件矩陣。S3、分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的預(yù)條件矩陣M的分量，并將該分量求逆并乘以方程常數(shù)項(xiàng)向量c得到矩陣-向量積M-1c的一個分量，將各個矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c作為步驟S4中方向向量d的初值；具體的，本實(shí)施例中分別讀取一個或多個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，各線程并行計算得到對應(yīng)的法方程常數(shù)項(xiàng)向量c的一個分量，將各個法方程常數(shù)項(xiàng)向量c的分量累加，得到完整的法方程常數(shù)項(xiàng)向量c；以及每一個線程分別讀取一個或多個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，各線程并行計算預(yù)條件矩陣M對應(yīng)的分量，并將該分量求逆乘以法方程常數(shù)項(xiàng)向量c得到矩陣-向量積M-1c的一個分量，將各個矩陣-向量積M-1c的分量累加，得到完整的矩陣-向量積M-1c。S4、進(jìn)入預(yù)條件共軛梯度法迭代流程：對未知數(shù)改正數(shù)向量u、殘差向量s以及方向向量d進(jìn)行初始化；具體的，在本實(shí)施例中，將未知數(shù)改正數(shù)向量u的初始值設(shè)為0，將法方程常數(shù)項(xiàng)向量c作為預(yù)條件共軛梯度法迭代流程中的殘差向量s的初始值，以及將矩陣-向量積M-1c作為預(yù)條件共軛梯度法迭代流程中的殘差向量d的初始值，至此進(jìn)入預(yù)條件共軛梯度法迭代流程。本實(shí)施例在區(qū)域網(wǎng)平差計算過程中引入預(yù)條件共軛梯度法，設(shè)置預(yù)條件矩陣，減少法方程系數(shù)矩陣的條件數(shù)，加快迭代收斂速度，共軛梯度法的特征是無需對法方程系數(shù)矩陣進(jìn)行求逆，通過迭代搜索線性方程組的最優(yōu)解，且每次迭代搜索方向之間是相互共軛的，具有存儲量少，計算方便，收斂快等特點(diǎn)。S5、分別讀取每一個像點(diǎn)對應(yīng)的初始數(shù)據(jù)，計算每一個像點(diǎn)對應(yīng)的法方程系數(shù)矩陣B的與方向向量d的矩陣-向量積Bd分量，將各矩陣-向量積Bd分量累加，得到完整的矩陣向量積Bd；S6、根據(jù)預(yù)條件共軛梯度算法，以及本次迭代中的未知數(shù)改正數(shù)向量u，殘差向量s，方向向量d，預(yù)條件矩陣M以及法方程系數(shù)矩陣B，計算新的未知數(shù)改正數(shù)向量u、新的殘差向量s以及新的方向向量d；S7、根據(jù)不精確牛頓解法，計算本次迭代的強(qiáng)制序列系數(shù)η；具體的，是根據(jù)不精確牛頓解法，將步驟S2計算出的法方程常數(shù)項(xiàng)向量c的絕對值和步驟S6計算出的新的殘差向量s的絕對值進(jìn)行相除，得到本次迭代的強(qiáng)制序列系數(shù)η。S8、判斷此次預(yù)條件共軛梯度迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束預(yù)條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9；否則，返回步驟S5；具體的，根據(jù)步驟S7中計算得到的強(qiáng)制序列系數(shù)η，若強(qiáng)制序列系數(shù)η小于第一給定閾值或者迭代次數(shù)大于第二給定閾值，則結(jié)束預(yù)條件共軛梯度迭代，輸出新的未知數(shù)改正數(shù)向量u，執(zhí)行步驟S9，否則，返回步驟S5。S9、判斷此次區(qū)域網(wǎng)平差迭代是否符合預(yù)定收斂條件，若符合，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S2；具體的，統(tǒng)計步驟S8中輸出的新的未知數(shù)改正數(shù)向量u中所有元素的絕對值最大值，若該絕對值最大值小于第三給定閾值或者區(qū)域網(wǎng)平差迭代次數(shù)大于第四給定閾值，則結(jié)束區(qū)域網(wǎng)平差迭代，執(zhí)行步驟S10，否則，返回步驟S2。S10、根據(jù)步驟S8中輸出的新的未知數(shù)改正數(shù)向量u，更新所有的未知數(shù)數(shù)值，并輸出所有的未知數(shù)數(shù)值。本方法涉及的利用預(yù)條件共軛梯度法迭代的區(qū)域網(wǎng)平差計算方法如下所示，具體包括以下幾個方面：1)影像幾何在經(jīng)典攝影測量幾何中，共線條件方程是區(qū)域網(wǎng)平差求解的基本方程，如式(1)-(4)所示，共線條件方程將像點(diǎn)坐標(biāo)，相機(jī)的內(nèi)部參數(shù)，相機(jī)的外部位置和姿態(tài)以及物方點(diǎn)坐標(biāo)聯(lián)系起來，區(qū)域網(wǎng)平差過程就是以共線條件方程為基礎(chǔ)建立像點(diǎn)觀測值方程，然后建立法方程，通過求解法方程得到未知數(shù)的估計值。其中，(X,Y,Z)是地面點(diǎn)P的物方坐標(biāo)，(x,y)是對應(yīng)的像點(diǎn)坐標(biāo)，(Xs,Ys,Zs,phi,omega,kappa)為相機(jī)的外方位元素，f為相機(jī)的焦距，(x0,y0)為相機(jī)的主點(diǎn)偏移,(k1,k2)為相機(jī)鏡頭的畸變參數(shù)。2)構(gòu)建誤差方程和法方程對每個像點(diǎn)觀測值根據(jù)上述共線方程列出誤差方程：v＝Ax-l(5)其中v為觀測值殘差向量，A為法方程系數(shù)矩陣，由觀測值方程對未知數(shù)求一階偏導(dǎo)得到，x為未知數(shù)改正數(shù)向量,l為誤差方程常數(shù)項(xiàng)向量，由像點(diǎn)坐標(biāo)的計算值減去像點(diǎn)坐標(biāo)觀測值得到。根據(jù)式(5)可以列出法方程：ATAx＝ATl(6)為了加強(qiáng)法方程求解的穩(wěn)定性，引入一個阻尼項(xiàng)(Dampingterm)λD，避免法方程的奇異性對求解造成不穩(wěn)定影響，新的法方程如下所示：(ATA+λD)x＝ATl(7)其中λ為阻尼系數(shù)，其取值范圍為(0,1)，矩陣D是一個對角矩陣，對角線上的元素與矩陣ATA的對角線上元素相等，根據(jù)每次迭代的結(jié)果可改變λ的取值，以增強(qiáng)法方程的穩(wěn)定性。3)改化法方程法方程系數(shù)矩陣A可以被分成兩個部分，相機(jī)參數(shù)(包括內(nèi)參數(shù)和外參數(shù))部分和地面點(diǎn)坐標(biāo)部分，因而矩陣A可以寫作A＝[ACAP]，其中AC代表相機(jī)參數(shù)部分，AP代表地面點(diǎn)坐標(biāo)部分。同理可以得到，D＝[DCDP]，x＝[xcxp]，此時，方程(7)可以表示為以下形式：令則可得到下式：其中，VC和VP都是塊對角矩陣，一般情況下，地面點(diǎn)坐標(biāo)未知數(shù)遠(yuǎn)遠(yuǎn)大于相機(jī)參數(shù)未知數(shù)個數(shù)，因此可以采用基于塊狀矩陣的高斯消元法，將地面點(diǎn)坐標(biāo)未知數(shù)消元，得到改化后的法方程：VPxp＝bp-WTuc(11)其中，既是改化后的法方程系數(shù)矩陣，此時，相機(jī)參數(shù)未知數(shù)xc可以通過求解改化法方程(10)得到，地面點(diǎn)未知數(shù)xp則可以根據(jù)回代方程(11)計算得到。由于VP是塊對角矩陣，因此其逆矩陣可以通過分塊求逆的方法快速計算得到。假設(shè)相機(jī)個數(shù)為m，地面點(diǎn)個數(shù)為n，則改化之前的法方程系數(shù)矩陣大小為(6m+3n)*(6m+3n)，改化后的法方程系數(shù)矩陣的大小為6m*6m，由于地面點(diǎn)個數(shù)n通常是一個較大的值，因此改化后的法方程大幅減少了法方程的大小，增加了數(shù)據(jù)處理容量，提高了求解效率。4)共軛梯度法共軛梯度法(ConjugateGradients)是求解大型線性方程組的有效方法，該方法是由Hestenes和Stiefel在1952提出，其主要優(yōu)點(diǎn)就是無需存儲大規(guī)模的法方程，而只需要多次計算矩陣與向量的乘積即可，通過迭代搜索的方法，獲取線性方程組的最優(yōu)解。本發(fā)明對改化的法方程采用共軛梯度法求解，將式(10)改寫為下式：Bu＝c(12)其中u＝xc(14)共軛梯度法的基本思想是采用迭代搜索的辦法求解線性方程組的最優(yōu)解。對于改化法方程(12)的求解，首先給定初始的未知數(shù)向量u0，然后利用線性方程組系數(shù)矩陣、常數(shù)項(xiàng)矩陣以及上述向量u0，采用共軛梯度算法計算新的未知數(shù)向量u1，如此反復(fù)循環(huán)迭代，當(dāng)滿足迭代收斂條件之后退出，此時得到的未知數(shù)向量un即為線性方程組的最優(yōu)解，n為迭代收斂次數(shù)。采用上述方法進(jìn)行迭代求解時，其理論迭代收斂次數(shù)為法方程系數(shù)矩陣B的條件數(shù)，為了進(jìn)一步提高迭代收斂次數(shù)，可以通過引入預(yù)條件矩陣M的方法，降低法方程系數(shù)矩陣B的條件數(shù)，從而減少收斂所需的迭代次數(shù)。5)預(yù)條件共軛梯度法預(yù)條件共軛梯度法就是在共軛梯度法的基礎(chǔ)上，在線性方程組系數(shù)矩陣之前，左乘一個預(yù)條件矩陣的逆M-1，以達(dá)到降低線性方程組系數(shù)矩陣的條件數(shù)的目的，從而提高收斂速度，對改化的法方程(12)引入預(yù)條件矩陣后，法方程變?yōu)?M-1Bu＝M-1c(16)此時改化法方程系數(shù)矩陣的條件數(shù)變?yōu)榫仃嘙-1B的條件數(shù)，預(yù)條件矩陣M的選取原則是構(gòu)造簡單，易于求逆，且能夠有效減少改化法方程系數(shù)矩陣的條件數(shù)。本發(fā)明選取的預(yù)條件矩陣為Jacobi預(yù)條件矩陣，該矩陣由改化法方程對角線上的塊狀矩陣構(gòu)成，出對角線上的塊狀矩陣外，其余元素均為0，該矩陣構(gòu)造較為簡單，對其進(jìn)行求逆運(yùn)算時，采用分塊求逆的算法，可大幅提高求逆效率，且該矩陣能夠有效減少改化法方程系數(shù)矩陣的條件數(shù)，因此是一個較為理想的預(yù)條件矩陣。6)不精確牛頓解在采用預(yù)條件共軛梯度法求解法方程時，收斂迭代次數(shù)取決于法方程系數(shù)矩陣的條件數(shù)，當(dāng)測區(qū)較大的，未知數(shù)數(shù)量增大，法方程系數(shù)矩陣的條件數(shù)也隨之增大，雖然采用了預(yù)條矩陣來減少其條件數(shù)，但其收斂速度仍然不夠理想。同時，考慮到區(qū)域網(wǎng)平差求解未知數(shù)本身也是一個迭代逼近的過程，因此可以提前結(jié)束預(yù)條件共軛梯度法，得到法方程的一種不精確牛頓解，替代傳統(tǒng)的法方程精確解，不影響區(qū)域網(wǎng)平差的迭代收斂，從而大幅減少了預(yù)條件共軛梯度法的迭代次數(shù)，提高了解算速度。為了得到不精確牛頓解，需要在預(yù)條件共軛梯度迭代中計算一組強(qiáng)制序列(forcingsequence)η，其計算公式如下：其中，ηk是第k次迭代的強(qiáng)制序列系數(shù)，c為法方程常數(shù)項(xiàng)向量，sk+1為第k+1次迭代的殘差向量。結(jié)合不精確牛頓解法，預(yù)條件共軛梯度法迭代求解法方程的具體流程和計算公式如下：預(yù)條件共軛梯度法的具體流程和計算公式如下：給定一般線性方程組:Bu＝c；給定預(yù)條件矩陣：M；設(shè)定初始值:u0；s0＝c-Bu0＝c；d0＝M-1s0＝M-1c；k＝0；While|sk|＜Threshold1:2:xk+1＝xk+αkdk3:sk+1＝sk-αkBdk4:5:dk+1＝M-1sk+1+βkdk6:k＝k+1在本說明書的描述中，參考術(shù)語“實(shí)施例一”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體方法、裝置或者特點(diǎn)包含于本發(fā)明的至少一個實(shí)施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實(shí)施例或示例。而且，描述的具體特征、方法、裝置或者特點(diǎn)可以在任一個或多個實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。