本发明涉及一种日前水文预报误差校正方法及系统，包括计算水文预报过程预报值与预报误差矩阵百分位区间；对所述预报值与预报误差矩阵百分位区间进行K均值聚类；建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；建立典型类别回归模型预报误差估计的预报值校正模型。本发明采用计及误差时间序列模态分解及误差特征分类的日前误差特征辨识方法，对误差动态过程进行分解、辨识、定位，然后在实际应用中进行特征匹配，提高日前水文预报水平。
基于预先制定的校正模型对所述获取水文预报数据进行校正；
其中，所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。
2.如权利要求1所述的日前水文预报误差校正方法，其特征在于：所述预先制定的校正模型的构建过程包括：根据历史水文预报数据和历史水文实测数据，计算水文预报过程预报值与预报误差矩阵百分位区间；
对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；
建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；
3.如权利要求2所述的日前水文预报误差校正方法，其特征在于：在所述根据获取的历史水文预报数据和历史水文实测数据，计算水文预报过程预报值与预报误差矩阵百分位区间之前，还包括：根据历史水文预报数据和历史水文实测数据，确定水文预报过程预报值与预报误差；
按照百分位法预报值与预报误差矩阵进行水文预报过程预报值分区间归集。
4.如权利要求3所述的日前水文预报误差校正方法，其特征在于：所述水文预报误差计算式如下：Eij＝Pij-P'ij；
其中，Eij为预报误差，Pij为实测值，P'ij为水文预报过程预报值，i为1≤i≤设定阈值，设定阈值＝24小时/逐日样本间的时间分辨率，j为1≤j≤n；n为计入分析的预报日数。
5.如权利要求4所述的日前水文预报误差校正方法，其特征在于：所述水文预报过程预报值与预报误差矩阵表示为：A＝(Pij′,Eij)
其中：X为预报值与预报误差矩阵，Ai1、Ai2...Aij均表示水文预报过程预报值与预报误差矩阵的第i行第1列、第i行第2列...第i行第j列元素。
6.如权利要求5所述的日前水文预报误差校正方法，其特征在于：所述按照百分位法预报值与预报误差矩阵进行水文预报过程预报值分区间归集包括：以水文预报过程预报值P'ij升序为前提，按照百分位法进行P'ij百分位分区间归集，P'ij百分位分区间归集表示为：X(Tt，Eij)表示当P'ij大小介于随机选取的水文预报过程预报值区间Tt时对应的误差样本，所述水文预报过程预报值区间以P'ij的各个百分位区间为条件进行误差样本的分类， t＝[1,100,1]。
7.如权利要求2所述的日前水文预报误差校正方法，其特征在于：所述水文预报过程预报值与预报误差矩阵百分位区间的K均值聚类生成表示为：其中：f(Pk)表示水文预报过程预报值与预报误差矩阵百分位区间的K均值聚类；Pk为使f(Pk)最小的一个划分，Pk＝{C1，…，Ck}； 表示第n个簇的中心位置，n＝1，…，k，d(xy,mn)表示xy到的mn距离；xy为X(Tt，Eij)中的元素；mn表示第n个簇的中心位置；Tt表示随机选取的水文预报过程预报值区间。
8.如权利要求2所述的日前水文预报误差校正方法，其特征在于：所述典型类别回归模型表示为：Eij＝a·P'ij+b
其中：a，b为预先设定的回归系数，P'ij为水文预报过程预报值；Eij为典型类别回归模型，表示预报误差。
9.如权利要求2所述的日前水文预报误差校正方法，其特征在于：所述根据所述典型类别回归模型制定校正模型，包括：确定典型类别回归模型水文预报过程预报值与水文预报过程实测值之间的校正模型。
10.如权利要求9所述的日前水文预报误差校正方法，其特征在于：确定水文预报过程预报值与水文预报过程实测值之间的校正模型用下式表示：Pij＝f(P'ij)
其中：P'ij为水文预报过程预报值，Pij为水文预报过程实测值，f(P'ij)为以水文预报过程预报值为自变量的函数。
11.如权利要求10所述的日前水文预报误差校正方法，其特征在于：所述基于预先制定的校正模型对所述获取的水文预报进行校正，包括：当水文预报过程预报值为特定预报值时，按下式进行校正：P't＝f(P't)
其中：左边的P't表示水文预报过程特定预报值的校正结果；f(P't)表示以水文预报过程特定预报值为自变量的函数。
12.一种日前水文预报误差校正系统，其特征在于：包括：获取模块，用于获取水文预报数据；
校正模块，用于基于预先制定的校正模型对所述获取的水文预报数据进行校正；其中，所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。
13.如权利要求12所述的日前水文预报误差校正系统，其特征在于：还包括制定模块，用于预先制定校正模型。
14.如权利要求13所述的日前水文预报误差校正系统，其特征在于：所述制定模块包括：计算子模块，用于根据历史水文预报数据和历史水文实测数据计算水文预报过程预报值与预报误差矩阵百分位区间；
聚类子模块，用于对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；
第一建立子模块，用于建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；
第二建立子模块，用于根据所述典型类别回归模型制定校正模型。
15.如权利要求12所述的日前水文预报误差校正系统，其特征在于，还包括构造子模块，用于在所述根据获取的水文预报计算水文预报过程预报值与预报误差矩阵百分位区间之前，构造水文预报过程预报值与预报误差矩阵。
16.如权利要求15所述的日前水文预报误差校正方法，其特征在于：所述构造子模块，包括：第一确定单元，用于根据历史水文预报数据和历史水文实测数据确定水文预报过程预报值与预报误差；
第一建立单元，用于根据水文预报过程预报值与预报误差构造水文预报过程预报值与预报误差矩阵；
归集单元，用于按照百分位法预报值与预报误差矩阵进行水文预报过程预报值P'ij分区间归集。
17.如权利要求12所述的日前水文预报误差校正系统，其特征在于：所述校正模块，还用于当水文预报过程预报值为特定预报值时，按下式进行矫正：P't＝f(P't)
其中：左边的P't表示水文预报过程特定预报值的校正结果；f(P't)表示以水文预报过程特定预报值为自变量的函数。
一种日前水文预报误差校正方法及系统
技术领域
[0001] 本发明涉及一种可再生能源发电技术的校正方法及系统，具体涉及一种日前水文预报误差校正方法及系统。
背景技术
[0002] 水文预报的误差具有一定的不确定性，尤其在日前水文预报中，所采用的过程驱动模型方法或数据驱动模型方法均无法有效规避日前流量预报的偏差不确定性问题。而利用流域实时水文测站得到的洪峰信息，并以此为基础进行的入库流量、洪峰流量的校正，这一方式依赖于洪峰的上游发生时间及洪峰流量，存在预见期较短、依赖流域径流特性等局限。对于预见期较长的水文预报而言，能够使用的实测数据相对较少，宜更多在自身序列特征以及历史预报规律中寻找校正方案。
[0003] 对于应用而言，延长预见期势必带来误差稳定性、信息可靠性方面的风险，如何提高日前水文预报的误差抑制能力则在一定程度上决定了预报模型的实用程度。为了解决这一问题，通常采用不同类别的误差实时校正技术，对模型输出的原始预报结果进行干预，其中，较为常见的方式是基于误差自身的时间序列的分析，例如采用自回归模型或BP神经网络等手段实现误差校正，这种方式的不足之处在于缺乏有效的误差成因分析，校正模型的输入因子中难以涵盖导致各类误差特性的影响因素，因而容易导致校正效果不良、普适性差等问题。
[0004] 其次，现有技术一般没有将不同的误差特性视作整个误差动态过程的各个组态，因此在误差校正方面容易出现系统性误差、非线性误差等不同特征的同一处理策略，导致误差抑制的能力降低，弱化了水文预报模型的整体性能。在日前水文预报中，由于预见期降水可能存在较大的估计误差。
发明内容
[0005] 为解决现有技术中一般没有将不同的误差特性视作整个误差动态过程的各个组态，因此在误差校正方面容易出现系统性误差、非线性误差等不同特征的同一处理策略，导致误差抑制的能力降低，弱化了水文预报模型的整体性能的问题，本发明的目的是提供一种日前水文预报误差校正方法及系统，适用于较传统水文预报预见期更长且在较长预见期中保持较高预报水平的水文预报误差校正。
[0006] 本发明的目的是采用下述技术方案实现的：
[0007] 本发明提供一种日前水文预报误差校正方法，其改进之处在于：
[0008] 获取水文预报数据；
[0009] 基于预先制定的校正模型对所述获取的水文预报数据进行校正；其中，[0010] 所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。
[0011] 进一步地：所述获取水文预报数据包括获取历史水文预报数据和历史水文实测数据。
[0012] 进一步地：所述预先制定的校正模型包括：
[0013] 根据历史水文预报数据和历史水文实测数据计算水文预报过程预报值与预报误差矩阵百分位区间；
[0014] 对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；
[0015] 建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；
[0016] 根据所述典型类别回归模型制定校正模型。
[0017] 进一步地：在所述根据获取的历史水文预报数据和历史水文实测数据计算水文预报值与预报误差矩阵百分位区间之前，还包括构造预报值与预报误差矩阵；
[0018] 所述构造水文预报过程预报值与预报误差矩阵，包括：
[0019] 根据历史水文预报数据和历史水文实测数据确定水文预报过程预报值与预报误差；
[0020] 根据水文预报过程预报值与预报误差构造预报值与预报误差矩阵；
[0021] 按照百分位法预报值与预报误差矩阵进行水文预报过程预报值P'ij分区间归集。
[0022] 进一步地：所述水文预报过程预报值与预报误差如下式：
[0023] Eij＝Pij-P'ij；
[0024] 其中，Eij为预报误差，Pij为实测值，P'ij为水文预报过程预报值，i为1≤i≤设定阈值，设定阈值＝24小时/逐日样本间的时间分辨率，j为1≤j≤n；n为计入分析的预报日数。
[0025] 进一步地：所述水文预报过程预报值与预报误差矩阵表示为：
[0026]
[0027] A＝(P′ij,Eij)
[0028] 其中：X为预报值与预报误差矩阵，Ai1、Ai2...Aij均表示水文预报过程预报值与预报误差矩阵的第i行第1列、第i行第2列...第i行第j列元素。
[0029] 进一步地：所述按照百分位法预报值与预报误差矩阵进行水文预报过程预报值分区间归集包括：
[0030] 以水文预报过程预报值P'ij升序为前提，按照百分位法进行P'ij百分位分区间归集，P'ij百分位分区间归集表示为：X(Tt，Eij)表示当P'ij大小介于随机选取的水文预报过程预报值区间Tt时对应的误差样本，所述水文预报过程预报值区间以P'ij的各个百分位区间为条件进行误差样本的分类， t＝[1,100,1]。
[0031] 进一步地：所述预报值与预报误差矩阵百分位区间的K均值聚类表示为：
[0032]
[0033] 其中：f(Pk)表示水文预报过程预报值与预报误差矩阵百分位区间的K均值聚类；Pk为使f(Pk)最小的一个划分，Pk＝{C1，…，Ck}； 表示第n个簇的中心位置，n＝1，…，k，d(xy,mn)表示xy到的mn距离；xy为X(Tt，Eij)中的元素；mn表示第n个簇的中心位置；Tt表示随机选取的水文预报过程预报值区间。
[0034] 进一步地：所述典型类别回归模型表示为：
[0035] Eij＝a·P'ij+b
[0036] 其中：a，b为预先设定的回归系数，P'ij为水文预报过程预报值；Eij表示预报误差。
[0037] 进一步地：所述基于预先制定的校正模型对所述获取的水文预报进行校正，包括按下式进行校正：
[0038] P't＝f(P't)
[0039] 其中：左边的P't表示水文预报过程预报值区间中的特定预报值；f(P't)表示符合K均值聚类给出的典型的预报时序轨迹子集的校正值。
[0040] 本发明还提供一种日前水文预报误差校正系统，其改进之处在于：包括：
[0041] 获取模块，用于获取水文预报数据；
[0042] 校正模块，用于基于预先制定的校正模型对所述获取的水文预报数据进行校正；其中，
[0043] 所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。
[0044] 进一步地：还包括制定模块，用于预先制定校正模型。
[0045] 进一步地：所述制定模块包括：
[0046] 计算子模块，用于根据历史水文预报数据和历史水文实测数据计算水文预报过程预报值与预报误差矩阵百分位区间；
[0047] 聚类子模块，用于对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；
[0048] 第一建立子模块，用于建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；
[0049] 第二建立子模块，用于根据所述典型类别回归模型制定校正模型。
[0050] 进一步地，还包括构造子模块，用于在所述根据获取的水文预报计算水文预报过程预报值与预报误差矩阵百分位区间之前，构造水文预报过程预报值与预报误差矩阵。
[0051] 进一步地：所述构造子模块，包括：
[0052] 第一确定单元，用于根据历史水文预报数据和历史水文实测数据确定水文预报过程预报值与预报误差；
[0053] 第一建立单元，用于根据预报值与预报误差构造预报值与预报误差矩阵；
[0054] 归集单元，用于按照百分位法预报值与预报误差矩阵进行水文预报过程预报值P'ij分区间归集。
[0055] 进一步地：所述校正模块，还用于基于预先制定的校正模型对所述获取的水文预报进行校正，包括按下式进行矫正：
[0056] P't＝f(P't)
[0057] 其中：左边的P't表示水文预报过程预报值区间中的特定预报值；f(P't)表示符合K均值聚类给出的典型的预报时序轨迹子集的校正值。
[0058] 与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：
[0059] 本发明提出的一种日前水文预报误差校正方法，获取水文预报数据；基于预先制定的校正模型对所述获取的水文预报数据进行校正；所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类，解决了现有技术中一般没有将不同的误差特性视作整个误差动态过程的各个组态，因此在误差校正方面容易出现系统性误差、非线性误差等不同特征的同一处理策略，导致误差抑制的能力降低，弱化了水文预报模型的整体性能的问题，本发明对日前误差特征辨识方法，对误差动态过程进行分解、辨识、定位，然后在实际应用中进行特征匹配，提高日前水文预报水平。
[0060] 在传统水文预报方法的基础上，针对日前水文预报的误差特征的时序轨迹进行诊断研究，区别于“黑箱”式的误差统计校正和用于精度优化的机器学习算法等，采用计及误差时间序列模态分解及误差特征分类的日前误差特征辨识方法，通过对误差动态过程进行分解、辨识、定位，然后在实际应用中进行特征匹配，从而实现日前水文预报误差降低目的。
附图说明
[0061] 图1是本发明提供的基于时序特征聚类的日前水文预报误差校正方法流程简易框图；
[0062] 图2是本发明提供的基于时序特征聚类的日前水文预报误差校正方法流程详细框图；
[0063] 图3是本发明提供的基于时序特征聚类的日前水文预报误差校正系统结构框图。
具体实施方式
[0064] 下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0065] 以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
[0066] 实施例一、
[0067] 本发明提出一种以误差时序轨迹特征分析为前提，计及误差时间序列模态分解及误差特征分类的日前误差特征辨识方法，从而实现日前水文预报的误差校正。本发明提供的一种基于时序特征聚类的日前水文预报误差校正方法的流程框图，如图1和2所示，该方法按以下步骤进行：
[0068] 步骤11、获取水文预报数据；
[0069] 步骤12、基于预先制定的校正模型对所述获取水文预报数据进行校正；其中，[0070] 所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。
[0071] 所述步骤11中获取水文预报数据包括获取历史水文预报数据和历史水文实测数据。
[0072] 所述步骤12中预先制定的校正模型对所述获取的水文预报数据进行校正包括：
[0073] 1.水文预报时序过程数据归集，构造预报值与预报误差矩阵，计算预报值百分位区间。
[0074] 2.预报值与预报误差矩阵K均值聚类。
[0075] 3.预报值与预报误差矩阵的典型类别回归模型建立。
[0076] 4.基于预报误差估计的预报值校正模型。
[0077] 具体内容如下：
[0078] 为准确说明本发明的实施方法与步骤，给出以下示例：
[0079] (1)水文预报过程数据归集
[0080] 通常水文预报的预见期为统计数据给出的汇流时间累积，在应用预报降雨的情况下，水文预报的预见期可以达到日前及以上。
[0081] 本例采用水文预报过程，及其对应的实测入库流量构成预报时间序列，定义预报值为P'ij与实测值为Pij，预报误差为Eij，Eij＝Pij-P'ij
[0082] 其中，1≤i≤96，1≤j≤n
[0083] n为计入分析的预报日数，即计入分析的样本的日数为n，且逐日样本间的时间分辨率为15min，样本总数N＝n·96
[0084] 其中：Eij为预报误差，Pij为实测值，P'ij为水文预报过程预报值，i为1≤i≤设定阈值，设定阈值＝24小时/逐日样本间的时间分辨率，j为1≤j≤n；n为计入分析的预报日数，样本总数N＝n·设定阈值。
[0085] 首先，将总数为N的历史样本进行数据归集。
[0086] 预报值与预报误差组成矩阵，定义为X(P'ij，Eij)
[0087] 以P'ij升序为前提，按照百分位法进行P'ij分区间归集
[0088] 因此，将X(P'ij，Eij)进一步改写为X(Tt，Eij)， t＝[1,100,1]
[0089] (2)X(Tt，Eij)的K均值聚类
[0090] 以随机选取的区间Tt中K个样本作为起始中心点，将其余样本归入相似度最高中心点所在的簇，再确立当前簇中样本坐标的均值为新的中心点，依次循环迭代下去，直至所有样本所属类别不再变动。
[0091] 由此，原始的数据集X(Tt，Eij)通过K均值聚类方法的使用，可以将X(Tt，Eij)视作带聚类数据集和一个潜在的满足整数K的各个簇。输出其中的一个划分Pk＝{C1，…，Ck}，设xy是X(Tt，Eij)中的元素，那么本例所述的K均值聚类的问题即是要找到这样的划分Pk＝{C1，…，Ck}，使得目标函数 最小。
[0092] 其中， 表示第n个簇的中心位置，n＝1，…，k，d(xy，mn)表示xy到的mn距离。
[0093] (3)X(P'ij，Eij)典型类别的回归模型建立
[0094] 在区间Tt中，X(Tt，Eij)由K均值聚类算法的应用，划分为对象特性相近的各个簇，不同簇之间对象相异。
[0095] 通过聚类算法，得到特性相近的原始预报值与预报误差值矩阵的某个典型特征子集，针对这一典型的预报时序轨迹的子集，建立回归方程：
[0096] Eij＝a·P'ij+b 式(1.1)
[0097] 利用最小二乘法，求解二者之间线性关系，给出P'ij满足区间Tt以及典型特征子集的条件下a、b的取值，即给出Pij与Eij满足区间Tt以及典型特征子集的条件下，存在一个给定的、基于历史统计的典型关系。
[0098] (4)基于Eij估计的P'ij校正值计算：
[0099] 应用式(1.1)，区间Tt以及典型特征子集中，对应的Eij由历史时序轨迹中实测值为Pij与预测值为P'ij之差等价为线性关系中的估计值。
[0100] 因此，在区间Tt以及典型特征子集中，Pij可以视作P'ij的函数，即对应区间、典型特征子集，存在确定的Pij＝f(P'ij)。
[0101] 当未来某一时刻，水文预报模型给出特定的预报值P't
[0102] 设P't从属于Tt中某一特定区间，并且P't在单次日前预报中，所属区间及所展现出的误差统计，符合K均值聚类给出的典型的预报时序轨迹子集，则
[0103] P't＝f(P't) 式(1.2)
[0104] 式1.2即为本例给出的误差校正模型。
[0105] 实施例二、
[0106] 基于同样的发明构思，本发明还提供基于时序特征聚类的日前水文预报误差校正系统，其结构图如图3所示，包括：
[0107] 获取模块201，用于获取水文预报数据；
[0108] 校正模块202，用于基于预先制定的校正模型对所述获取的水文预报数据进行校正；其中，
[0109] 所述预先制定的校正模型包括：基于历史水文预报过程预报值与预报误差矩阵的百分位区间K均值聚类生成。
[0110] 进一步地：还包括制定模块，用于预先制定校正模型。
[0111] 进一步地：所述制定模块包括：
[0112] 计算子模块，用于根据历史水文预报数据和历史水文实测数据计算水文预报过程预报值与预报误差矩阵百分位区间；
[0113] 聚类子模块，用于对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；
[0114] 第一建立子模块，用于建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；
[0115] 第二建立子模块，用于根据所述典型类别回归模型制定校正模型。
[0116] 进一步地，还包括构造子模块，用于在所述根据获取的水文预报计算水文预报值与预报误差矩阵百分位区间之前，构造水文预报过程预报值与预报误差矩阵。
[0117] 进一步地：所述构造子模块，包括：
[0118] 第一确定单元，用于根据历史水文预报数据和历史水文实测数据确定水文预报过程预报值与预报误差；
[0119] 第一建立单元，用于根据预报值与预报误差构造预报值与预报误差矩阵；
[0120] 归集单元，用于按照百分位法预报值与预报误差矩阵进行水文预报过程预报值P'ij分区间归集。
[0121] 进一步地：所述校正模块，还用于基于预先制定的校正模型对所述获取的水文预报进行校正，包括按下式进行矫正：
[0122] P't＝f(P't)
[0123] 其中：左边的P't表示水文预报过程预报值区间中的特定预报值；f(P't)表示符合K均值聚类给出的典型的预报时序轨迹子集的校正值。
[0124] 本发明应用K均值聚类对预报值与预报误差值矩阵进行典型特征子集划分，通过预报值所属数值区间及对应的特征子集的筛选，利用本发明步骤及给出的算式方程，实现预报值校正。
[0125] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0126] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0127] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0128] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0129] 以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
