本發(fā)明屬于信息技術(shù)領(lǐng)域，尤其涉及一種模型參數(shù)優(yōu)化的方法及裝置。

背景技術(shù)：

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法會(huì)因?yàn)椴捎锰荻认陆捣ㄟM(jìn)行訓(xùn)練學(xué)習(xí)而存在易陷入局部最小值的不足，同時(shí)，網(wǎng)絡(luò)構(gòu)建過(guò)程因?yàn)樾枰獙?duì)大量的參數(shù)進(jìn)行調(diào)整，因此難以建立起最優(yōu)的模型。為了克服神經(jīng)網(wǎng)絡(luò)的上述缺點(diǎn)，南洋理工大學(xué)黃廣斌教授等人提出了一種新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，即極限學(xué)習(xí)機(jī)。然而，由于極限學(xué)習(xí)機(jī)的輸入?yún)?shù)是隨機(jī)產(chǎn)生的，會(huì)導(dǎo)致模型的性能不穩(wěn)定；對(duì)此，黃廣斌教授等人繼續(xù)提出了核極限學(xué)習(xí)機(jī)。核極限學(xué)習(xí)機(jī)不需要隨機(jī)設(shè)置輸入層和隱藏層的權(quán)值，能夠獲得更高的訓(xùn)練速度，因此得到廣泛應(yīng)用。

然而，現(xiàn)有的核極限學(xué)習(xí)機(jī)的性能極其容易受到懲罰系數(shù)C與核寬γ兩個(gè)參數(shù)的影響。其中，懲罰系數(shù)C用于控制訓(xùn)練誤差和模型復(fù)雜度之間的平衡，核寬γ則定義了從輸入空間到高維特征空間的非線性映射關(guān)系。在構(gòu)造模型時(shí)，需要預(yù)先確定所述懲罰系數(shù)C與核寬γ?，F(xiàn)有技術(shù)主要利用網(wǎng)格搜索方法確定所述懲罰系數(shù)C與核寬γ，然而網(wǎng)格搜索方法容易陷入局部最優(yōu)的問(wèn)題，無(wú)法得到最優(yōu)的懲罰系數(shù)C與核寬γ，進(jìn)而影響了模型的分類、預(yù)測(cè)效果。

技術(shù)實(shí)現(xiàn)要素：

鑒于此，本發(fā)明實(shí)施例提供了一種模型參數(shù)優(yōu)化的方法及裝置，以獲取最優(yōu)的懲罰系數(shù)C與核寬γ，提高所構(gòu)建模型的分類及預(yù)測(cè)效果。

第一方面，提供了一種模型參數(shù)優(yōu)化的方法，所述方法包括：

獲取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；

根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；

其中，所述目標(biāo)分類預(yù)測(cè)模型為：

在上式中，s表示待測(cè)數(shù)據(jù)，s₁'，…，s_N'表示標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，N表示樣本數(shù)，Ω_ELM為預(yù)置的符合Mercer定理構(gòu)造的核矩陣，O表示目標(biāo)向量，O＝[o₁,…,o_N]，公式K(s,s_n')＝exp(-γ||s-s_n'||²)，n∈[1,N]。

進(jìn)一步地，所述采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ包括：

A：初始化最大迭代次數(shù)T、飛蛾數(shù)量L以及搜索空間，其中所述搜索空間為由懲罰系數(shù)C的搜索范圍[C_min,C_max]和核寬γ的搜索范圍[γ_min,γ_max]組成的二維空間；

B：采用混沌映射函數(shù)，初始化L只飛蛾中每一只飛蛾在所述搜索空間中的飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]；

C：針對(duì)每一個(gè)飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l；

D：對(duì)所有L個(gè)飛蛾的適應(yīng)度f(wàn)_l進(jìn)行排序以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序，參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置進(jìn)行更新；

E：根據(jù)更新后的光源的位置對(duì)所述搜索空間中的每一個(gè)飛蛾位置M'_l進(jìn)行更新；

F：采用混沌映射函數(shù)對(duì)每一個(gè)更新后的飛蛾位置M'_l進(jìn)行混沌化處理；

G：判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)T；若是時(shí)，從混沌化處理后的飛蛾位置M'_l中輸出最優(yōu)的飛蛾位置M'_{l_max}＝(m'_{l1_max},m'_{l2_max})，以得到最優(yōu)懲罰系數(shù)C和核寬γ；否則，返回步驟C，以計(jì)算混沌處理后的飛蛾位置M'_l對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l，進(jìn)行下一次迭代運(yùn)算。

進(jìn)一步地，所述采用混沌映射函數(shù)，初始化L只飛蛾中每一只飛蛾在所述搜索空間中的飛蛾位置M'_l包括:

隨機(jī)生成第一只飛蛾的位置M₁＝(m₁₁,m₁₂)；

根據(jù)所述第一只飛蛾的位置M₁＝(m₁₁,m₁₂)，按照預(yù)設(shè)的混沌映射函數(shù)獲取L-1只飛蛾的位置M_l，其中M_l＝(m_l1,m_l2)，l∈(1,L]；

按照預(yù)設(shè)的映射函數(shù)將每一只飛蛾的位置M_l映射到所述搜索空間中，得到L個(gè)飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]；

所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，其中，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁。

進(jìn)一步地，所述針對(duì)每一個(gè)飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l包括：

遍歷每一個(gè)飛蛾位置M'_l＝(m'_l1,m'_l2)，以所述m'_l1作為第l只飛蛾在當(dāng)前位置時(shí)的懲罰系數(shù)C，以所述m'_l2作為第l只飛蛾在當(dāng)前位置時(shí)的核寬γ，模擬對(duì)應(yīng)的分類預(yù)測(cè)模型；

將所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)劃分為K折，并將每一折樣本數(shù)據(jù)輸入至所述分類預(yù)測(cè)模型中，計(jì)算每一折樣本數(shù)據(jù)對(duì)應(yīng)的學(xué)習(xí)準(zhǔn)確度acc_k；

計(jì)算K折交叉驗(yàn)證中所獲取的學(xué)習(xí)準(zhǔn)確度acc_k的平均值，以所述平均值作為所述飛蛾的適應(yīng)度f(wàn)_l。

進(jìn)一步地，所述采用混沌映射函數(shù)對(duì)每一個(gè)更新后的飛蛾位置M'_l進(jìn)行混沌化處理包括：

遍歷每一個(gè)更新后的飛蛾位置M'_l，采用預(yù)設(shè)的混沌映射函數(shù)對(duì)更新后的飛蛾位置M'_l進(jìn)行混沌序列化；

通過(guò)預(yù)設(shè)的映射函數(shù)將混沌序列化后的飛蛾位置M'_l再次映射到所述搜索空間中。

第二方面，提供了一種模型參數(shù)優(yōu)化的裝置，所述裝置包括：

獲取模塊，用于獲取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

優(yōu)化模塊，用于采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；

構(gòu)建模塊，用于根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；

其中，所述目標(biāo)分類預(yù)測(cè)模型為：

在上式中，s表示待測(cè)數(shù)據(jù)，s₁'，…，s_N'表示標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，N表示樣本數(shù)，Ω_ELM為預(yù)置的符合Mercer定理構(gòu)造的核矩陣，O表示目標(biāo)向量，O＝[o₁,…,o_N]，公式K(s,s_n')＝exp(-γ||s-s_n'||²)，n∈[1,N]。

進(jìn)一步地，所述優(yōu)化模塊包括：

參數(shù)初始化單元，用于初始化最大迭代次數(shù)T、飛蛾數(shù)量L以及搜索空間，其中所述搜索空間為由懲罰系數(shù)C的搜索范圍[C_min,C_max]和核寬γ的搜索范圍[γ_min,γ_max]組成的二維空間；

第一混沌處理單元，用于采用混沌映射函數(shù)，初始化L只飛蛾中每一只飛蛾在所述搜索空間中的飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]；

適應(yīng)度計(jì)算單元，用于針對(duì)每一個(gè)飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l；

光源更新單元，用于對(duì)所有L個(gè)飛蛾的適應(yīng)度f(wàn)_l進(jìn)行排序以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序，參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置進(jìn)行更新；

飛蛾位置更新單元，用于根據(jù)更新后的光源的位置對(duì)所述搜索空間中的每一個(gè)飛蛾位置M'_l進(jìn)行更新；

第二混沌處理單元，用于采用混沌映射函數(shù)對(duì)每一個(gè)更新后的飛蛾位置M'_l進(jìn)行混沌化處理；

判斷單元，用于判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)T；若是時(shí)，從混沌化處理后的飛蛾位置M'_l中輸出最優(yōu)的飛蛾位置M'_{l_max}＝(m'_{l1_max},m'_{l2_max})，以得到最優(yōu)懲罰系數(shù)C和核寬γ；否則，返回適應(yīng)度計(jì)算單元對(duì)混沌處理后的飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l，進(jìn)行下一次迭代運(yùn)算。

進(jìn)一步地，所述第一混沌處理單元包括:

混沌初始化子單元，用于隨機(jī)生成第一只飛蛾的位置M₁＝(m₁₁,m₁₂)；根據(jù)所述第一只飛蛾的位置M₁＝(m₁₁,m₁₂)，按照預(yù)設(shè)的混沌映射函數(shù)獲取L-1只飛蛾的位置M_l，其中M_l＝(m_l1,m_l2)，l∈(1,L]；

第一映射子單元，用于按照預(yù)設(shè)的映射函數(shù)將每一只飛蛾的位置M_l映射到所述搜索空間中，得到L個(gè)飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]；

所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，其中，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁。

進(jìn)一步地，所述適應(yīng)度計(jì)算單元包括：

模擬子單元，用于遍歷每一個(gè)飛蛾位置M'_l＝(m'_l1,m'_l2)，以所述m'_l1作為第l只飛蛾在當(dāng)前位置時(shí)的懲罰系數(shù)C，以所述m'_l2作為第l只飛蛾在當(dāng)前位置時(shí)的核寬γ，模擬對(duì)應(yīng)的分類預(yù)測(cè)模型；

學(xué)習(xí)準(zhǔn)確度計(jì)算子單元，用于將所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)劃分為K折，并將每一折樣本數(shù)據(jù)輸入至所述分類預(yù)測(cè)模型中，計(jì)算每一折樣本數(shù)據(jù)對(duì)應(yīng)的學(xué)習(xí)準(zhǔn)確度acc_k；

適應(yīng)度計(jì)算子單元，用于計(jì)算K折交叉驗(yàn)證中所獲取的學(xué)習(xí)準(zhǔn)確度acc_k的平均值，以所述平均值作為所述飛蛾的適應(yīng)度f(wàn)_l。

進(jìn)一步地，所述第二混沌處理單元包括：

混沌序列化子單元，用于遍歷每一個(gè)更新后的飛蛾位置M'_l，采用預(yù)設(shè)的混沌映射函數(shù)對(duì)更新后的飛蛾位置M'_l進(jìn)行混沌序列化；

第二映射子單元，用于通過(guò)預(yù)設(shè)的映射函數(shù)將混沌序列化后的飛蛾位置M'_l再次映射到所述搜索空間中。

與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例將混沌理論的飛蛾優(yōu)化算法與核極限學(xué)習(xí)機(jī)進(jìn)行融合；通過(guò)對(duì)所獲取樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；然后采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；最后根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；從而解決了現(xiàn)有技術(shù)利用網(wǎng)格搜索方法無(wú)法得到最優(yōu)的懲罰系數(shù)C與核寬γ的問(wèn)題，有利于提高所構(gòu)建模型對(duì)指定問(wèn)題進(jìn)行分類及預(yù)測(cè)的效果。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他附圖。

圖1是本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的方法的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的方法中步驟S102的具體實(shí)現(xiàn)流程；

圖3是本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的裝置的組成結(jié)構(gòu)圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例將混沌理論的飛蛾優(yōu)化算法與核極限學(xué)習(xí)機(jī)進(jìn)行融合；通過(guò)對(duì)所獲取樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；然后采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；最后根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；從而解決了現(xiàn)有技術(shù)利用網(wǎng)格搜索方法無(wú)法得到最優(yōu)的懲罰系數(shù)C與核寬γ的問(wèn)題，有利于提高所構(gòu)建模型對(duì)指定問(wèn)題進(jìn)行分類及預(yù)測(cè)的效果。本發(fā)明實(shí)施例還提供了相應(yīng)的裝置，以下分別進(jìn)行詳細(xì)的說(shuō)明。

圖1示出了本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的方法的實(shí)現(xiàn)流程。

在本發(fā)明實(shí)施例中，所述模型參數(shù)優(yōu)化的方法應(yīng)用于計(jì)算機(jī)、服務(wù)器等設(shè)備。

參閱圖1，所述模型參數(shù)優(yōu)化的方法包括：

在步驟S101中，獲取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

在這里，所述樣本數(shù)據(jù)為與所要構(gòu)建的目標(biāo)分類預(yù)測(cè)模型的應(yīng)用領(lǐng)域?qū)?yīng)的數(shù)據(jù)集。示例性地，若目標(biāo)分類預(yù)測(cè)模型用于乳腺癌疾病智能診斷，則選用乳腺癌數(shù)據(jù)樣本；若目標(biāo)分類預(yù)測(cè)模型用于甲狀腺結(jié)節(jié)智能診斷，則選用甲狀腺結(jié)節(jié)數(shù)據(jù)樣本；此處不做限定。所述樣本數(shù)據(jù)中包括多個(gè)特征屬性值。在獲取到樣本數(shù)據(jù)之后，對(duì)所述樣本數(shù)據(jù)的各個(gè)特征屬性值進(jìn)行標(biāo)準(zhǔn)化。其中，標(biāo)準(zhǔn)化的公式可以為：

在上式中，s_i表示樣本數(shù)據(jù)中的一個(gè)特征的屬性值，s_i'表示屬性值s_i經(jīng)標(biāo)準(zhǔn)化處理后的值，s_max表示特征的屬性值s_i對(duì)應(yīng)的樣本數(shù)據(jù)中的最大值，s_min表示特征的屬性值s_i對(duì)應(yīng)的樣本數(shù)據(jù)中的最小值。在本發(fā)明實(shí)施例中，標(biāo)準(zhǔn)化的作用是將所有特征的屬性值都轉(zhuǎn)換到指定大小范圍內(nèi)，以避免較大特征值對(duì)較小特征值產(chǎn)生的影響，降低分類模型中的計(jì)算量。

在步驟S102中，采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ。

在這里，飛蛾優(yōu)化算法相對(duì)于網(wǎng)格搜索方法具有更好的搜索能力，其通過(guò)模擬飛蛾圍繞著光源螺旋式飛行的行為方式來(lái)獲取問(wèn)題的最優(yōu)/次優(yōu)解，然而在面對(duì)復(fù)雜問(wèn)題時(shí)，飛蛾優(yōu)化算法容易陷入局部極值不足的問(wèn)題。而結(jié)合混沌理論之后的飛蛾優(yōu)化算法，則具有了優(yōu)秀的全局尋代能力，能夠獲得最優(yōu)的懲罰系數(shù)C和最優(yōu)核寬γ。

可選地，圖2示出了本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的方法中步驟S102的具體實(shí)現(xiàn)流程。

參閱圖2，所述步驟S102包括：

在步驟S201中，初始化最大迭代次數(shù)T、飛蛾數(shù)量L以及搜索空間，其中所述搜索空間為由懲罰系數(shù)C的搜索范圍[C_min,C_max]和核寬γ的搜索范圍[γ_min,γ_max]組成的二維空間。

在步驟S202中，采用混沌映射函數(shù)，初始化L只飛蛾中每一只飛蛾在所述搜索空間中的飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]。

本發(fā)明實(shí)施例將混沌理論引入到飛蛾位置的初始化過(guò)程中，首先隨機(jī)生成第一只飛蛾的位置M₁＝(m₁₁,m₁₂)；然后根據(jù)所述第一只飛蛾的位置M₁＝(m₁₁,m₁₂)，按照預(yù)設(shè)的混沌映射函數(shù)獲取L-1只飛蛾的位置M_l，其中M_l＝(m_l1,m_l2)，l∈(1,L]。在這里，所述預(yù)設(shè)的混沌映射函數(shù)包括但不限于Chebyshec map(4)、Logisitc map(5)。在得到每一只飛蛾的位置M_l之后，則按照預(yù)設(shè)的映射函數(shù)將每一只飛蛾的位置M_l映射到所述搜索空間中，得到L個(gè)飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]。在這里，所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁。a₁和b₁共同限定了懲罰系數(shù)C和核寬γ的搜索范圍。所述飛蛾位置M'_l中的m'_l1表示第l只飛蛾在當(dāng)前位置時(shí)的懲罰系數(shù)C，所述m'_l2表示第l只飛蛾在當(dāng)前位置時(shí)的核寬γ。

現(xiàn)有技術(shù)在隨機(jī)生成飛蛾位置時(shí)是在一個(gè)假設(shè)的前提下進(jìn)行的：即代碼中的隨機(jī)函數(shù)在理論上服從均勻分布。相比于通過(guò)現(xiàn)有技術(shù)隨機(jī)生成的飛蛾位置，本發(fā)明實(shí)施例通過(guò)采用混沌映射函數(shù)初始化所獲得的飛蛾位置，其在數(shù)值分布是真正意義上的均勻分布，且分布只是針對(duì)初始值敏感性，在初始化開(kāi)始飛蛾算法的個(gè)體就具有了更優(yōu)的適應(yīng)度值，基于此能夠有效提高算法的收斂速度。

在步驟S203中，針對(duì)每一個(gè)飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l。

示例性地，以下以飛蛾位置M'_l來(lái)說(shuō)明適應(yīng)度f(wàn)_l的計(jì)算過(guò)程，上述步驟S203具體包括：

a、針對(duì)飛蛾位置M'_l＝(m'_l1,m'_l2)，以所述m'_l1作為第l只飛蛾在當(dāng)前位置時(shí)的懲罰系數(shù)C，以所述m'_l2作為第l只飛蛾在當(dāng)前位置時(shí)的核寬γ，模擬對(duì)應(yīng)的分類預(yù)測(cè)模型；

b、將所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)劃分為K折，并將每一折樣本數(shù)據(jù)輸入至所述分類預(yù)測(cè)模型中，計(jì)算每一折樣本數(shù)據(jù)對(duì)應(yīng)的學(xué)習(xí)準(zhǔn)確度acc_k；

c、計(jì)算K折交叉驗(yàn)證中所獲取的學(xué)習(xí)準(zhǔn)確度acc_k的平均值，以所述平均值作為所述飛蛾的適應(yīng)度f(wàn)_l。

在這里，本發(fā)明實(shí)施例通過(guò)根據(jù)第l個(gè)飛蛾位置M'_l＝(m'_l1,m'_l2)模擬出所述飛蛾位置M'_l對(duì)應(yīng)的分類預(yù)測(cè)模型，在所述分類預(yù)測(cè)模型中，所述m'_l1作為懲罰系數(shù)C，所述m'_l2作為核寬γ。然后將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)劃分為K折，以每一折樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入至所述分類預(yù)測(cè)模型中，計(jì)算該折樣本數(shù)據(jù)對(duì)應(yīng)的學(xué)習(xí)準(zhǔn)確度acc_k，1≤k≤K。所述學(xué)習(xí)準(zhǔn)確度acc_k反映了以所述飛蛾位置M'_l中的所述m'_l1作為懲罰系數(shù)C和以所述m'_l2作為核寬γ所構(gòu)建的分類預(yù)測(cè)模型對(duì)第k折樣本數(shù)據(jù)的學(xué)習(xí)精度。在獲取到K折樣本數(shù)據(jù)對(duì)應(yīng)的K個(gè)學(xué)習(xí)準(zhǔn)確度acc_k之后，則求取所述K個(gè)學(xué)習(xí)準(zhǔn)確度acc_k的平均值A(chǔ)CC，即該平均值反映了根據(jù)所述飛蛾位置M'_l＝(m'_l1,m'_l2)構(gòu)建的所述分類預(yù)測(cè)模型的分類精度，即第l只飛蛾的飛蛾的適應(yīng)度f(wàn)_l。

遍歷L個(gè)飛蛾位置，對(duì)每一個(gè)飛蛾位置執(zhí)行上述步驟a、b、c，得到L個(gè)飛蛾的適應(yīng)度。

在步驟S204中，對(duì)所有L個(gè)飛蛾的適應(yīng)度f(wàn)_l進(jìn)行排序以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序，參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置進(jìn)行更新。

在獲取到L個(gè)飛蛾的適應(yīng)度f(wàn)_l之后，則按照由大到小對(duì)所述適應(yīng)度f(wàn)_l進(jìn)行降序排列，以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序。然后參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置進(jìn)行更新，即兩代內(nèi)獲得的飛蛾的適應(yīng)度f(wàn)_l降序排序后取前n個(gè)值作為光源的適應(yīng)度值，同時(shí)將前n個(gè)值對(duì)應(yīng)的飛蛾位置作為光源的位置。

在步驟S205中，根據(jù)更新后的光源的位置對(duì)所述搜索空間中的每一個(gè)飛蛾位置M'_l進(jìn)行更新。

在這里，本發(fā)明實(shí)施例根據(jù)公式D_l,j＝|F_j-M_l'|計(jì)算第l個(gè)飛蛾位置到第j個(gè)光源之間的距離，其中，F(xiàn)_j表示第j個(gè)光源，M'_l表示第l個(gè)飛蛾位置，D_l,j表示第l個(gè)飛蛾位置到第j個(gè)光源之間的距離。然后通過(guò)公式S(M_l',F_j)＝D_l,j·e^bt·cos(2·πt)+F_j來(lái)更新飛蛾位置M'_l，其中，b表示對(duì)數(shù)螺旋曲線的一個(gè)常系數(shù)，t表示飛蛾的下一個(gè)位置離對(duì)應(yīng)光源的遠(yuǎn)近，當(dāng)t＝-1時(shí)，表示飛蛾的下一個(gè)位置離光源是最近的，當(dāng)t＝1時(shí)，表示飛蛾的下一個(gè)位置離光源是最遠(yuǎn)的。可選地，t的值可以通過(guò)公式t＝(a-1)*rand+1得到，其中的變量a＝-1+I*((-1)/T)，I表示當(dāng)前的迭代次數(shù)。

在步驟S206中，采用混沌映射函數(shù)對(duì)每一個(gè)更新后的飛蛾位置M'_l進(jìn)行混沌化處理。

在這里，所述對(duì)更新后的飛蛾位置M'_l進(jìn)行混沌化處理具體包括：

遍歷每一個(gè)更新后的飛蛾位置M'_l，采用預(yù)設(shè)的混沌映射函數(shù)對(duì)更新后的飛蛾位置M'_l進(jìn)行混沌序列化；

通過(guò)預(yù)設(shè)的映射函數(shù)將混沌序列化后的飛蛾位置M'_l再次映射到所述搜索空間中。

其中，所述預(yù)設(shè)的混沌映射函數(shù)包括但不限于Chebyshec map(4)、Logisitc map(5)。所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁，a₁和b₁共同限定了懲罰系數(shù)C和核寬γ的搜索范圍。

在本發(fā)明實(shí)施例中，對(duì)更新后的飛蛾位置進(jìn)行混沌化處理，其意義在于：在進(jìn)行搜索的同時(shí)，保證在擇優(yōu)過(guò)程中依然保持飛蛾位置的多樣性，以在全局和局部尋優(yōu)中，保持一個(gè)最佳的平衡，也就是：既要在局部中搜索，也要在全局中搜索，且兩者的度要恰當(dāng)，以盡可能地獲得最優(yōu)的懲罰系數(shù)C與核寬γ。

在步驟S207中，判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)T。

若是時(shí)，執(zhí)行步驟S208，否則，返回步驟S203，對(duì)混沌處理后的飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l，以進(jìn)行下一次迭代運(yùn)算。

在步驟S208中，從混沌化處理后的飛蛾位置M'_l中輸出最優(yōu)的飛蛾位置M'_{l_max}＝(m'_{l1_max},m'_{l2_max})，以得到最優(yōu)懲罰系數(shù)C和核寬γ。

本發(fā)明實(shí)施實(shí)施例通過(guò)將混沌理論引用到飛蛾優(yōu)化算法中，使得飛蛾優(yōu)化算法具有了優(yōu)秀的全局尋代能力；然后基于結(jié)合混沌理論的飛蛾優(yōu)化算法來(lái)優(yōu)化核極限學(xué)習(xí)機(jī)的兩個(gè)關(guān)鍵參數(shù)，即懲罰系數(shù)C和核寬γ，從而得到最優(yōu)的核極限學(xué)習(xí)機(jī)參數(shù)值。

在步驟S103中，根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型。

在本發(fā)明實(shí)施例中，所述目標(biāo)分類預(yù)測(cè)模型為：

在上式中，s表示待測(cè)數(shù)據(jù)，s₁'、…、s_N'表示標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，N表示樣本數(shù)，Ω_ELM為預(yù)置的符合Mercer定理構(gòu)造的核矩陣，O表示目標(biāo)向量，O＝[o₁,…,o_N]，公式K(s,s_n')＝exp(-γ||s-s_n'||²)，n∈[1,N]。

借助所述目標(biāo)分類預(yù)測(cè)模型，用戶可以對(duì)應(yīng)用領(lǐng)域范圍內(nèi)的指定問(wèn)題進(jìn)行更準(zhǔn)確的分類和預(yù)測(cè)，能夠有效地輔助相關(guān)機(jī)構(gòu)進(jìn)行科學(xué)合理的智能決策。

綜上所述，本發(fā)明實(shí)施例將混沌理論的飛蛾優(yōu)化算法與核極限學(xué)習(xí)機(jī)進(jìn)行融合；通過(guò)對(duì)所獲取樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；然后采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；最后根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；從而解決了現(xiàn)有技術(shù)利用網(wǎng)格搜索方法無(wú)法得到最優(yōu)的懲罰系數(shù)C與核寬γ的問(wèn)題，有利于提高所構(gòu)建模型對(duì)指定問(wèn)題進(jìn)行分類及預(yù)測(cè)的效果。

圖3示出了本發(fā)明實(shí)施例提供的模型參數(shù)優(yōu)化的裝置的組成結(jié)構(gòu)，為了便于說(shuō)明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分。

在本發(fā)明實(shí)施例中，所述裝置用于實(shí)現(xiàn)上述圖1至圖2實(shí)施例中所述的模型參數(shù)優(yōu)化的方法，可以是內(nèi)置與計(jì)算機(jī)、服務(wù)器內(nèi)的軟件單元、硬件單元或者軟硬件結(jié)合的單元。

參閱圖3，所述裝置包括：

獲取模塊31，用于獲取樣本數(shù)據(jù)，并對(duì)所述樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

優(yōu)化模塊32，用于采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；

構(gòu)建模塊33，用于根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；

其中，所述目標(biāo)分類預(yù)測(cè)模型為：

在上式中，s表示待測(cè)數(shù)據(jù)，s₁'、…、s_N'表示標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，N表示樣本數(shù)，Ω_ELM為預(yù)置的符合Mercer定理構(gòu)造的核矩陣，O表示目標(biāo)向量，O＝[o₁,…,o_N]，公式K(s,s_n')＝exp(-γ||s-s_n'||²)，n∈[1,N]。

在本發(fā)明實(shí)施例中，所述樣本數(shù)據(jù)為與所要構(gòu)建的目標(biāo)分類預(yù)測(cè)模型的應(yīng)用領(lǐng)域?qū)?yīng)的數(shù)據(jù)集。示例性地，若目標(biāo)分類預(yù)測(cè)模型用于乳腺癌疾病智能診斷，則選用乳腺癌數(shù)據(jù)樣本；若目標(biāo)分類預(yù)測(cè)模型用于甲狀腺結(jié)節(jié)智能診斷，則選用甲狀腺結(jié)節(jié)數(shù)據(jù)樣本；此處不做限定。所述樣本數(shù)據(jù)中包括多個(gè)特征屬性值。在獲取到樣本數(shù)據(jù)之后，對(duì)所述樣本數(shù)據(jù)的各個(gè)特征屬性值進(jìn)行標(biāo)準(zhǔn)化。其中，標(biāo)準(zhǔn)化的公式可以為：

在上式中，s_i表示樣本數(shù)據(jù)中的一個(gè)特征的屬性值，s_i'表示屬性值s_i經(jīng)標(biāo)準(zhǔn)化處理后的值，s_max表示特征的屬性值s_i對(duì)應(yīng)的樣本數(shù)據(jù)中的最大值，s_min表示特征的屬性值s_i對(duì)應(yīng)的樣本數(shù)據(jù)中的最小值。在本發(fā)明實(shí)施例中，標(biāo)準(zhǔn)化的作用是將所有特征的屬性值都轉(zhuǎn)換到指定大小范圍內(nèi)，以避免較大特征值對(duì)較小特征值產(chǎn)生的影響，降低分類模型中的計(jì)算量。

可選地，所述優(yōu)化模塊32包括：

參數(shù)初始化單元321，用于初始化最大迭代次數(shù)T、飛蛾數(shù)量L以及搜索空間，其中所述搜索空間為由懲罰系數(shù)C的搜索范圍[C_min,C_max]和核寬γ的搜索范圍[γ_min,γ_max]組成的二維空間。

第一混沌處理單元322，用于采用混沌映射函數(shù)，初始化L只飛蛾中每一只飛蛾在所述搜索空間中的飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]。

適應(yīng)度計(jì)算單元323，用于針對(duì)每一個(gè)飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l。

光源更新單元324，用于對(duì)所有L個(gè)飛蛾的適應(yīng)度f(wàn)_l進(jìn)行排序以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序，參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置進(jìn)行更新。

飛蛾位置更新單元325，用于根據(jù)更新后的光源的位置對(duì)所述搜索空間中的每一個(gè)飛蛾位置M'_l進(jìn)行更新。

第二混沌處理單元326，用于采用混沌映射函數(shù)對(duì)每一個(gè)更新后的飛蛾位置M'_l進(jìn)行混沌化處理。

判斷單元327，用于判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)T；若是時(shí)，從混沌化處理后的飛蛾位置M'_l中輸出最優(yōu)的飛蛾位置M'_{l_max}＝(m'_{l1_max},m'_{l2_max})，以得到最優(yōu)懲罰系數(shù)C和核寬γ；否則，返回適應(yīng)度計(jì)算單元323對(duì)混沌處理后的飛蛾位置M'_l計(jì)算其對(duì)應(yīng)的飛蛾的適應(yīng)度f(wàn)_l，進(jìn)行下一次迭代運(yùn)算。

可選地，所述第一混沌處理單元322還包括:

混沌初始化子單元3221，用于隨機(jī)生成第一只飛蛾的位置M₁＝(m₁₁,m₁₂)；根據(jù)所述第一只飛蛾的位置M₁＝(m₁₁,m₁₂)，按照預(yù)設(shè)的混沌映射函數(shù)獲取L-1只飛蛾的位置M_l，其中M_l＝(m_l1,m_l2)，l∈(1,L]；

第一映射子單元3222，用于按照預(yù)設(shè)的映射函數(shù)將每一只飛蛾的位置M_l映射到所述搜索空間中，得到L個(gè)飛蛾位置M'_l，其中M'_l＝(m'_l1,m'_l2)，l∈[1,L]；

其中，所述預(yù)設(shè)的混沌映射函數(shù)包括但不限于Chebyshec map(4)、Logisitc map(5)。所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁。a₁和b₁共同限定了懲罰系數(shù)C和核寬γ的搜索范圍。

可選地，所述適應(yīng)度計(jì)算單元323還包括：

模擬子單元3231，用于遍歷每一個(gè)飛蛾位置M'_l＝(m'_l1,m'_l2)，以所述m'_l1作為第l只飛蛾在當(dāng)前位置時(shí)的懲罰系數(shù)C，以所述m'_l2作為第l只飛蛾在當(dāng)前位置時(shí)的核寬γ，模擬對(duì)應(yīng)的分類預(yù)測(cè)模型；

學(xué)習(xí)準(zhǔn)確度計(jì)算子單元3232，用于將所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)劃分為K折，并將每一折樣本數(shù)據(jù)輸入至所述分類預(yù)測(cè)模型中，計(jì)算每一折樣本數(shù)據(jù)對(duì)應(yīng)的學(xué)習(xí)準(zhǔn)確度acc_k；

適應(yīng)度計(jì)算子單元3233，用于計(jì)算K折交叉驗(yàn)證中所獲取的學(xué)習(xí)準(zhǔn)確度acc_k的平均值，以所述平均值作為所述飛蛾的適應(yīng)度f(wàn)_l。

在這里，所述學(xué)習(xí)準(zhǔn)確度acc_k反映了以所述飛蛾位置M'_l中的所述m'_l1作為懲罰系數(shù)C和以所述m'_l2作為核寬γ所構(gòu)建的分類預(yù)測(cè)模型對(duì)第k折樣本數(shù)據(jù)的學(xué)習(xí)精度。在獲取到K折樣本數(shù)據(jù)對(duì)應(yīng)的K個(gè)學(xué)習(xí)準(zhǔn)確度acc_k之后，則求取所述K個(gè)學(xué)習(xí)準(zhǔn)確度acc_k的平均值A(chǔ)CC，即該平均值反映了根據(jù)所述飛蛾位置M'_l＝(m'_l1,m'_l2)構(gòu)建的所述分類預(yù)測(cè)模型的分類精度，即第l只飛蛾的飛蛾的適應(yīng)度f(wàn)_l。

可選地，所述光源更新單元324可以按照由大到小對(duì)所述適應(yīng)度f(wàn)_l進(jìn)行降序排列，以及按照適應(yīng)度f(wàn)_l的順序?qū)λ械娘w蛾位置M'_l進(jìn)行排序。然后參照排序后的所述適應(yīng)度f(wàn)_l和飛蛾位置M'_l對(duì)光源的位置和適應(yīng)度進(jìn)行更新，即兩代內(nèi)獲得的飛蛾的適應(yīng)度f(wàn)_l降序排序后取前n個(gè)值作為光源的適應(yīng)度值，同時(shí)將對(duì)應(yīng)的位置作為光源的位置。

可選地，所述飛蛾位置更新單元325可以根據(jù)公式D_l,j＝|F_j-M_l'|計(jì)算第l個(gè)飛蛾位置到第j個(gè)光源之間的距離，其中，F(xiàn)_j表示第j個(gè)光源，M'_l表示第l個(gè)飛蛾位置，D_l,j表示第l個(gè)飛蛾位置到第j個(gè)光源之間的距離。然后通過(guò)公式S(M_l',F_j)＝D_l,j·e^bt·cos(2·πt)+F_j來(lái)更新飛蛾位置M'_l，其中，b表示對(duì)數(shù)螺旋曲線的一個(gè)常系數(shù)，t表示飛蛾的下一個(gè)位置離對(duì)應(yīng)光源的遠(yuǎn)近，當(dāng)t＝-1時(shí)，表示飛蛾的下一個(gè)位置離光源是最近的，當(dāng)t＝1時(shí)，表示飛蛾的下一個(gè)位置離光源是最遠(yuǎn)的。在這里，t的值可以通過(guò)公式t＝(a-1)*rand+1得到，其中的變量a＝-1+I*((-1)/T)，I表示當(dāng)前的迭代次數(shù)。

可選地，所述第二混沌處理單元326還包括：

混沌序列化子單元3261，用于遍歷每一個(gè)更新后的飛蛾位置M'_l，采用預(yù)設(shè)的混沌映射函數(shù)對(duì)更新后的飛蛾位置M'_l進(jìn)行混沌序列化；

第二映射子單元3262，用于通過(guò)預(yù)設(shè)的映射函數(shù)將混沌序列化后的飛蛾位置M'_l再次映射到所述搜索空間中。

同樣地，所述預(yù)設(shè)的混沌映射函數(shù)包括但不限于Chebyshec map(4)、Logisitc map(5)。所述映射函數(shù)為M'_l＝a₁+(b₁-a₁)M_l，所述a₁表示搜索范圍[C_min,C_max]中的值，b₁表示搜索范圍[γ_min,γ_max]中的值，且a₁大于b₁，a₁和b₁共同限定了懲罰系數(shù)C和核寬γ的搜索范圍。

需要說(shuō)明的是，本發(fā)明實(shí)施例中的裝置可以用于實(shí)現(xiàn)上述方法實(shí)施例中的全部技術(shù)方案，其各個(gè)功能模塊的功能可以根據(jù)上述方法實(shí)施例中的方法具體實(shí)現(xiàn)，其具體實(shí)現(xiàn)過(guò)程可參照上述實(shí)例中的相關(guān)描述，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例將混沌理論的飛蛾優(yōu)化算法與核極限學(xué)習(xí)機(jī)進(jìn)行融合；通過(guò)對(duì)所獲取樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；然后采用標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，通過(guò)結(jié)合混沌理論的飛蛾優(yōu)化算法獲取核極限學(xué)習(xí)機(jī)的最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ；最后根據(jù)所述標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)、最優(yōu)懲罰系數(shù)C和最優(yōu)核寬γ，構(gòu)建目標(biāo)分類預(yù)測(cè)模型；從而解決了現(xiàn)有技術(shù)利用網(wǎng)格搜索方法無(wú)法得到最優(yōu)的懲罰系數(shù)C與核寬γ的問(wèn)題，有利于提高所構(gòu)建模型對(duì)指定問(wèn)題進(jìn)行分類及預(yù)測(cè)的效果。

本領(lǐng)域普通技術(shù)人員可以意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計(jì)算機(jī)軟件和電子硬件的結(jié)合來(lái)實(shí)現(xiàn)。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的裝置和單元的具體工作過(guò)程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的方法及裝置，可以通過(guò)其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述模塊、單元的劃分，僅僅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，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元、模塊可以集成在一個(gè)處理單元中，也可以是各個(gè)單元、模塊單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元、模塊集成在一個(gè)單元中。

所述功能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，本發(fā)明的技術(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(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(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、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、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，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。