基于5G城市部件传感器的信息处理方法及物联网云平台

摘要

本发明公开一种基于5G城市部件传感器的信息处理方法及物联网云平台，该方法为从多个已分簇传感器获取源数据；从源数据获取各个分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的源数据构成融合数据矩阵；提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据。考虑了传感器之间关联性，仅根据数据处理规则提取所需数据，无需全局融合，提高数据融合效率，在多传感器数据融合时，根据各传感器对应权重自适应地适配当前场景，提高数据融合灵活度，保证融合数据准确性与可靠性，解决现有技术中多传感器数据融合既没有体现每一类传感器自身独有的优势，也无法保证多传感器数据融合的准确性，不能重点突出地体现各个传感器不同权重条件的问题。

权利要求

1.一种基于5G城市部件传感器的信息处理方法，其特征在于，所述方法包括：将所述传感器分簇，从多个不同分簇传感器获取源数据；

从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据；

其中，所述提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，包括：

提取所述融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列；

将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重；

其中，所述将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据矩阵，包括：获取同一簇内每一特征序列与所述簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的所述数据特征相似度加和的加权总和；

计算所述每一特征序列所对应的数据特征相似度加和与所述加权总和的权重比值，使用所述特征序列相应的属性权重对所述特征序列进行加权运算，获得加权融合数据。

2.根据权利要求1所述的方法，其特征在于，所述数据特征相似度获取方法包括：其中，数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N是数据总数，α与β为初始化参数。

3.根据权利要求1所述的方法，其特征在于，所述从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵，包括：

分别统计各个所述分簇传感器源数据携带的设备描述信息的出现概率，以所述出现概率大于预设出现概率阈值的各个所述分簇传感器作为所述关联关系，提取高于预设出现概率阈值的所述源数据构成融合数据矩阵。

4.根据权利要求1‑3任一项所述的方法，其特征在于，所述将所述传感器分簇，从多个不同分簇传感器获取源数据，包括：获取各个具有剩余计算能力的所述传感器融合范围内数据量平均值，计算所述数据量与所述数据量平均值的差值，以得到具有剩余计算能力的所述传感器融合范围内数据量确定值；

将与具有剩余计算能力的所述数据量确定值相关联的所有融合范围区域进行分簇，以生成多个分簇融合数据范围区域，从多个不同区域分簇融合数据范围的传感器获取源数据。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据各个具有剩余计算能力的所述传感器融合范围内数据量，通过以下公式构成各簇传感器的最小化约束多边形拓扑图：其中，对于每个 满足以下条件：所述D(A,Ai)与D(A,Aj)分别为多边形拓扑图两点(A,Ai)与(A,Aj)之间的欧式距离，Ei与Ej分别为坐标Ai传感器与坐标Aj传感器的剩余计算能力，i,j＝(1,2,3…,n)；

计算不同区域分簇融合数据范围的传感器当前加权融合数据帧时间差，选取所述时间差大于预设时间差阈值的最新时间加权融合数据帧以所述最小化约束多边形拓扑图路径路由至数据处理中心平台。

6.一种基于5G城市部件传感器的信息处理系统，其特征在于，所述系统包括：获取模块，用于将所述传感器分簇，从多个不同分簇传感器获取源数据；

提取模块，用于从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

加权模块，用于提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据；

其中，所述提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，包括：

提取所述融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列；

将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重；

其中，所述将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据矩阵，包括：获取同一簇内每一特征序列与所述簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的所述数据特征相似度加和的加权总和；

计算所述每一特征序列所对应的数据特征相似度加和与所述加权总和的权重比值，使用所述特征序列相应的属性权重对所述特征序列进行加权运算，获得加权融合数据。

7.一种基于5G城市部件传感器的物联网云平台，其特征在于，所述平台包括：通信总线，用于实现处理器与存储器间的连接通信；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如下步骤：将所述传感器分簇，从多个不同分簇传感器获取源数据；

从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据；

其中，所述提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，包括：

提取所述融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列；

将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重；

其中，所述将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据矩阵，包括：获取同一簇内每一特征序列与所述簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的所述数据特征相似度加和的加权总和；

计算所述每一特征序列所对应的数据特征相似度加和与所述加权总和的权重比值，使用所述特征序列相应的属性权重对所述特征序列进行加权运算，获得加权融合数据。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑5任一项所述的方法。

说明书

基于5G城市部件传感器的信息处理方法及物联网云平台

技术领域

[0001] 本发明涉及信息处理技术领域，尤其涉及一种基于5G城市部件传感器的信息处理方法及物联网云平台。

背景技术

[0002] 随着信息化技术的发展，智慧城市相关数据的信息存在多种形态。由于数据源不同，因此需要融合多个数据源的数据，为跨系统、跨领域的信息交互提供动态、可扩展的信
息格式和内容转换能力。智慧城市大数据项目涉及更多的动态的多源异构数据，如气象、人
车流量，视频等，这些多源动态数据结构不同，不同应用所需的数据源不同，采用传统的融
合方法融合效率低。

[0003] 由于智慧城市的发展，智慧物联网传感器的越来越普及，在公众位置服务、政府部门决策、舆情态势感知、人群行为特性分析、流行病预测等方面发挥至关重要的作用。比如，
火灾作为现代城市的主要灾害，越来越受到人们的广泛关注。随着经济和技术的不断发展，
城市高层建筑、地下工程、商场、人员密集场所、加油站等日益增多，灭火救助的难度也在相
应增加，同时对消防通信的要求也越来越高，目前已经不仅仅停留在保证消防通信实时性，
减少网络节点整体能耗上，还要求提升网络节点能耗的公平性，即各个同类节点的能耗尽
量均匀，这样才能避免关键节点耗尽能量而导致网络无法运行，导致发生火灾时造成重大
损失。

[0004] 现有技术的智慧城市目标信息通常利用多个单一的传感器来进行处理，用于从多个侧面孤立地反映目标信息。实际上，在大多数情况下，必须同时处理多个信号，而这些信
号一般又来自多个信号源，即多传感器。但是多传感器也带来了信息冗余甚至矛盾，所以必
须通过对多个传感器及其观测信息的合理支配与使用，将其采集的信息依据某种优化准则
组合，产生对观测环境一致性的解释和描述，因此迫切要求对信息进一步处理。信息融合就
是融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计，对数据进行多方
面的处理。信息融合是指将多个来源的数据即多源数据进行分析、综合、组合，以完成所需
的决策和评估任务而进行的信息处理技术，其目的就是将原来分散的、独立的多个数据融
合在一起，从而发现数据规律、趋势，提升数据价值。

[0005] 传统数据融合方案中，针对需要融合的数据，采用相等字段值关联的方式进行融合。通常，进行数据融合的数据数量多并且复杂，数据融合时需要进行多次相等字段值关联
关系的处理，处理过程中需要对多源数据的原数据表中的融合字段进行清洗，导致处理程
序庞大，处理数据量大。并且清洗后还需将进行相等字段值关联关系处理后的数据另存一
张数据表，增加了存储的占用。或有的根据业务需求，需要有经验的业务人员首先识别出表
之间关联关系，从而实现多个数据源的数据融合。企业中使用的各个业务系统，在设计之初
仅为满足某一业务需要所设计，或者外键关系不明显，没有考虑到多个业务系统之间的关
联性。因此，当分散在各个业务系统中的相关数据汇入数据仓库后，无法通过简单的逻辑匹
配方法得到数据之间的关系，这就需要数据开发者寻求新的数据融合技术来挖掘数据之间
的关联关系。

[0006] 针对上述这种情况，本发明提出了一种基于5G城市部件传感器的信息处理方法及物联网云平台，能够有效地对现有技术进行改进，克服其不足。

发明内容

[0007] 针对现有技术的不足，本发明提供了一种基于5G城市部件传感器的信息处理方法及物联网云平台，以解决现有技术存在的以上问题，其具体方案如下：

[0008] 第一方面，本发明提供了一种基于5G城市部件传感器的信息处理方法，所述方法包括：

[0009] 将所述传感器分簇，从多个不同分簇传感器获取源数据；

[0010] 从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

[0011] 提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据。

[0012] 优选地，所述提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，所述方法包括：

[0013] 提取所述融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列；

[0014] 将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重。

[0015] 优选地，所述将全部所述数据属性置信系数特征序列输入预先构建的逻辑分类模型，得到所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进
行权重分配运算，形成加权融合数据矩阵，所述方法包括：

[0016] 获取同一簇内每一特征序列与所述簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的所述数据特征相似度加和的加权总和；

[0017] 计算所述每一特征序列所对应的数据特征相似度加和与所述加权总和的权重比值，使用所述特征序列相应的属性权重对所述特征序列进行加权运算，获得加权融合数据。

[0018] 优选地，所述数据特征相似度获取方法包括：

[0019]

[0020] 其中，数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N是数据总数，α与β为初
始化参数。

[0021] 优选地，所述从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵，所述方法包括：

[0022] 分别统计各个所述分簇传感器源数据携带的设备描述信息的出现概率，以所述出现概率大于预设出现概率阈值的各个所述分簇传感器作为所述关联关系，提取高于预设出
现概率阈值的所述源数据构成融合数据矩阵。

[0023] 优选地，所述将所述传感器分簇，从多个不同分簇传感器获取源数据，所述方法包括：

[0024] 获取各个具有剩余计算能力的所述传感器融合范围内数据量平均值，计算所述数据量与所述数据量平均值的差值，以得到具有剩余计算能力的所述传感器融合范围内数据
量确定值；

[0025] 将与具有剩余计算能力的所述数据量确定值相关联的所有融合范围区域进行分簇，以生成多个分簇融合数据范围区域，从多个不同区域分簇融合数据范围的传感器获取
源数据。

[0026] 优选地，所述方法还包括：

[0027] 根据各个具有剩余计算能力的所述传感器融合范围内数据量，通过以下公式构成各簇传感器的最小化约束多边形拓扑图：

[0028]

[0029] 其中，对于每个 满足以下条件：

[0030]

[0031] 所述D(A,Ai)与D(A,Aj)分别为多边形拓扑图两点(A,Ai)与(A,Aj)之间的欧式距离，Ei与Ej分别为坐标Ai传感器与坐标Aj传感器的剩余计算能力，i,j＝(1,2,3…,n)。

[0032] 计算不同区域分簇融合数据范围的传感器当前加权融合数据帧时间差，选取所述时间差大于预设时间差阈值的最新时间加权融合数据帧以所述最小化约束多边形拓扑图
路径路由至数据处理中心平台。

[0033] 第二方面，本发明提供了一种基于5G城市部件传感器的信息处理系统，所述系统包括：

[0034] 获取模块，用于将所述传感器分簇，从多个不同分簇传感器获取源数据；

[0035] 提取模块，用于从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

[0036] 加权模块，用于提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合
数据。

[0037] 第三方面，本发明提供了一种基于5G城市部件传感器的物联网云平台，所述平台包括：

[0038] 通信总线，用于实现处理器与存储器间的连接通信；

[0039] 存储器，用于存储计算机程序；

[0040] 处理器，用于执行所述计算机程序以实现如下步骤：

[0041] 将所述传感器分簇，从多个不同分簇传感器获取源数据；

[0042] 从所述源数据获取各个所述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的所述源数据构成融合数据矩阵；

[0043] 提取所述融合数据矩阵的数据特征序列及所述数据特征序列相应的属性权重，并根据所述属性权重对所述数据特征序列进行权重分配运算，形成加权融合数据。

[0044] 有益效果：本发明的基于5G城市部件传感器的信息处理方法及物联网云平台，首先通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目标传感器进行分
簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余计算处理能力的次
要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，体现各个传感器各
自的优势；其次对从源数据获取各个分簇传感器描述信息之间的关联关系的出现概率来提
取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，由于考虑了传感
器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数据进行融合，能够
提高数据融合效率；然后提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权
重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据，这样，解决基
于多传感器的数据进行特征融合时，每个传感器对应的权重固定，无法自适应地适配当前
场景，导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而保证融合数据的准
确性与可靠性；最后，根据各个具有剩余计算能力的所述传感器融合范围内数据量，构成各
簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小路径路由传输融合
数据，这样保证传感器在不同分布常见时依然保持实时性、保证能耗公平性，并降低了能量
损耗。

[0045] 总而言之，通过以上一系列数据融合措施，与现有技术相比，本发明在保证数据融合准确性的前提下，提高了数据融合率，解决现有技术中存在的多传感器数据融合方法大
多集中在不考虑关联性的多个相同类型的传感器数据融合，或只针对简单的两种或少数传
感器进行数据融合，既没有体现每一类传感器自身独有的优势，也无法保证多传感器数据
融合的准确性，不能重点突出地体现各个传感器不同权重条件的问题。

附图说明

[0046] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，附图
中的实施例不构成对本发明的任何限制，对于本领域普通技术人员来讲，在不付出创造性
劳动的前提下，还可以根据这些附图获得其他的附图。

[0047] 图1是本发明基于5G城市部件传感器的信息处理方法实施例一流程示意图。

[0048] 图2是本发明基于5G城市部件传感器的信息处理方法实施例二流程示意图。

[0049] 图3是本发明基于5G城市部件传感器的信息处理系统一实施例结构示意图。

[0050] 图4是本发明基于5G城市部件传感器的信息处理平台一实施例结构示意图。

具体实施方式

[0051] 下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。基
于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其
他实施例，都属于本发明保护的范围。

[0052] 本发明实施例技术方案的主要思想：将上述传感器分簇，从多个不同分簇传感器获取源数据；从上述源数据获取各个上述分簇传感器描述信息之间的关联关系，提取高于
预设关联关系阈值的上述源数据构成融合数据矩阵；提取上述融合数据矩阵的数据特征序
列及上述数据特征序列相应的属性权重，并根据上述属性权重对上述数据特征序列进行权
重分配运算，形成加权融合数据。

[0053] 为了更好的理解上述的技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

[0054] 实施例一

[0055] 本发明一实施例提供了一种基于5G城市部件传感器的信息处理方法，如图1所示，该数据处理方法具体可以包括如下步骤：

[0056] S101，将上述传感器分簇，从多个不同分簇传感器获取源数据。

[0057] 作为示例，本实施例中的执行主体可以以有线或无线通讯方式通过固定式消防传感器、移动式消防传感器、固定式或移动式传感器控制器、智能手表、Leap Motion体感控制
器或摄像头等智能硬件获取，本实施例中各步骤的执行主体还可为其他可实现相同或相似
功能的设备，例如：手机、个人电脑，PAD等，本实施例对此不作限制。

[0058] 具体地是，在本发明实施例中是传感器控制器通过有线或无线传输方式首先获取各个具有剩余计算能力的传感器融合范围内数据量平均值，对所获得的数据量与数据量平
均值的求取差值，这样就可以得到具有剩余计算能力的传感器融合范围内数据量确定值，
然后将与具有剩余计算能力的预先设定范围的数据量确定值相关联的所有融合范围区域
进行分簇，就可以生成多个不同范围的分簇融合数据区域，这样传感器控制器就可以从多
个不同区域分簇融合数据范围的传感器获取原始数据用于后续处理工作。

[0059] 综上所述，通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目标传感器进行分簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余
计算处理能力的次要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，
体现各个传感器各自的优势。

[0060] S102，从上述源数据获取各个上述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的上述源数据构成融合数据矩阵。

[0061] 在本发明实施例中，具体是传感器控制器分别统计各个分簇传感器源数据携带的设备描述信息的出现概率，以该出现概率大于预设出现概率阈值的各个分簇传感器作为具
备了所定义的关联关系，将那些高于预设出现概率阈值的源数据提取出构成融合数据矩
阵。

[0062] 综上所述，对从源数据获取各个分簇传感器描述信息之间的关联关系的出现概率来提取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，由于考虑了
传感器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数据进行融合，
能够提高数据融合效率。

[0063] 需要说明的是，这里关联关系是通过关联规则来确定的，针对不同关联规则可以得到具有不同关联程度的融合数据矩阵，这里不进行限定。本领域技术人员完全可采用其
他关联规则，其都包含在本发明的范围之内。

[0064] S103，提取上述融合数据矩阵的数据特征序列及上述数据特征序列相应的属性权重，并根据上述属性权重对上述数据特征序列进行权重分配运算，形成加权融合数据。

[0065] 在本发明实施例中，具体是首先提取融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列，然后将全部数据属性置信系数特征序列输入预
先构建的逻辑分类模型，得到数据特征序列相应的属性权重。

[0066] 在实际应用中，该属性权重的获取方式具体是首先获取同一簇内每一特征序列与簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的数据特征
相似度加和的加权总和，进一步计算每一特征序列所对应的数据特征相似度加和与加权总
和的权重比值，使用特征序列相应的属性权重对特征序列进行加权运算，获得加权融合数
据。其中，这里的数据特征相似度可通过以下方法进行获取：

[0067]

[0068] 需要指出的是，以上公式的数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N
是数据总数，α与β为初始化参数。

[0069] 综上所述，提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据，这样，解决基于多
传感器的数据进行特征融合时，每个传感器对应的权重固定，无法自适应地适配当前场景，
导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而保证融合数据的准确性
与可靠性。

[0070] 实施例二

[0071] 本发明一实施例提供了一种基于5G城市部件传感器的信息处理方法，如图2所示，该信息处理方法具体可以包括如下步骤：

[0072] S201，将上述传感器分簇，从多个不同分簇传感器获取源数据。

[0073] 作为示例，本实施例中的执行主体可以以有线或无线通讯方式通过固定式消防传感器、移动式消防传感器、固定式或移动式传感器控制器、智能手表、Leap Motion体感控制
器或摄像头等智能硬件获取，本实施例中各步骤的执行主体还可为其他可实现相同或相似
功能的设备，例如：手机、个人电脑，PAD等，本实施例对此不作限制。

[0074] 具体地是，在本发明实施例中是传感器控制器通过有线或无线传输方式首先获取各个具有剩余计算能力的传感器融合范围内数据量平均值，对所获得的数据量与数据量平
均值的求取差值，这样就可以得到具有剩余计算能力的传感器融合范围内数据量确定值，
然后将与具有剩余计算能力的预先设定范围的数据量确定值相关联的所有融合范围区域
进行分簇，就可以生成多个不同范围的分簇融合数据区域，这样传感器控制器就可以从多
个不同区域分簇融合数据范围的传感器获取原始数据用于后续处理工作。

[0075] 综上所述，通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目标传感器进行分簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余
计算处理能力的次要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，
体现各个传感器各自的优势。

[0076] S202，从上述源数据获取各个上述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的上述源数据构成融合数据矩阵。

[0077] 在本发明实施例中，具体是传感器控制器分别统计各个分簇传感器源数据携带的设备描述信息的出现概率，以该出现概率大于预设出现概率阈值的各个分簇传感器作为具
备了所定义的关联关系，将那些高于预设出现概率阈值的源数据提取出构成融合数据矩
阵。

[0078] 综上所述，对从源数据获取各个分簇传感器描述信息之间的关联关系的出现概率来提取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，由于考虑了
传感器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数据进行融合，
能够提高数据融合效率。

[0079] 需要说明的是，这里关联关系是通过关联规则来确定的，针对不同关联规则可以得到具有不同关联程度的融合数据矩阵，这里不进行限定。本领域技术人员完全可采用其
他关联规则，其都包含在本发明的范围之内。

[0080] S203，提取上述融合数据矩阵的数据特征序列及上述数据特征序列相应的属性权重，并根据上述属性权重对上述数据特征序列进行权重分配运算，形成加权融合数据。

[0081] 在本发明实施例中，具体是首先提取融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列，然后将全部数据属性置信系数特征序列输入预
先构建的逻辑分类模型，得到数据特征序列相应的属性权重。

[0082] 在实际应用中，该属性权重的获取方式具体是首先获取同一簇内每一特征序列与簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的数据特征
相似度加和的加权总和，进一步计算每一特征序列所对应的数据特征相似度加和与加权总
和的权重比值，使用特征序列相应的属性权重对特征序列进行加权运算，获得加权融合数
据。其中，这里的数据特征相似度可通过以下方法进行获取：

[0083]

[0084] 需要指出的是，以上公式的数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N
是数据总数，α与β为初始化参数。

[0085] 综上所述，提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据，这样，解决基于多
传感器的数据进行特征融合时，每个传感器对应的权重固定，无法自适应地适配当前场景，
导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而保证融合数据的准确性
与可靠性。

[0086] S204，根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小化约束多边形拓扑图路径路
由至数据处理中心平台。

[0087] 在本发明实施例中，具体是根据各个具有剩余计算能力的传感器融合范围内数据量，通过以下公式构成各簇传感器的最小化约束多边形拓扑图：

[0088]

[0089] 其中，对于每个 需要满足以下条件：

[0090]

[0091] 需要说明的是，以上公式中的D(A,Ai)与D(A,Aj)分别为最小化约束多边形拓扑图中多边形任意两点(A,Ai)与(A,Aj)之间的欧式距离，Ei与Ej分别为坐标Ai传感器与坐标Aj传
感器的剩余计算能力，i,j＝(1,2,3…,n)。

[0092] 在另一可选实施例中，最小化约束多边形拓扑图可采用如下方案：先将传感器节点从初始化拓扑图中删除，得到若干个连通分量，并对每个连通分量求最小生成树，得到若
干个最小生成树，再从每个连通分量中找关联性最小的边，从而得到具有关联性最小化约
束多边形拓扑图。

[0093] 进一步，计算不同区域分簇融合数据范围的传感器当前加权融合数据帧时间差，选取时间差大于预设时间差阈值的最新时间加权融合数据帧以最小化约束多边形拓扑图
路径路由至数据处理中心平台。

[0094] 综上所述，根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小路径路由传输融合数
据，这样保证传感器在不同分布常见时依然保持实时性、保证能耗公平性，并降低了能量损
耗

[0095] 需要指出的是，上述的最小化约束多边形拓扑图方案仅作为示例给出，本领域技术人员完全可采用其他拓扑图方案，其都包含在本发明的范围之内。

[0096] 实施例三

[0097] 本发明一实施例提供了一种基于5G城市部件传感器的信息处理系统，如图3所示，该信息处理系统具体可以包括如下模块：

[0098] 获取模块，用于将上述传感器分簇，从多个不同分簇传感器获取源数据。

[0099] 作为示例，本实施例中的执行主体可以以有线或无线通讯方式通过固定式消防传感器、移动式消防传感器、固定式或移动式传感器控制器、智能手表、Leap Motion体感控制
器或摄像头等智能硬件获取，本实施例中各步骤的执行主体还可为其他可实现相同或相似
功能的设备，例如：手机、个人电脑，PAD等，本实施例对此不作限制。

[0100] 具体地是，在本发明实施例中是传感器控制器通过有线或无线传输方式首先获取各个具有剩余计算能力的传感器融合范围内数据量平均值，对所获得的数据量与数据量平
均值的求取差值，这样就可以得到具有剩余计算能力的传感器融合范围内数据量确定值，
然后将与具有剩余计算能力的预先设定范围的数据量确定值相关联的所有融合范围区域
进行分簇，就可以生成多个不同范围的分簇融合数据区域，这样传感器控制器就可以从多
个不同区域分簇融合数据范围的传感器获取原始数据用于后续处理工作。

[0101] 综上所述，通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目标传感器进行分簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余
计算处理能力的次要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，
体现各个传感器各自的优势。

[0102] 提取模块，用于从上述源数据获取各个上述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的上述源数据构成融合数据矩阵。

[0103] 在本发明实施例中，具体是传感器控制器分别统计各个分簇传感器源数据携带的设备描述信息的出现概率，以该出现概率大于预设出现概率阈值的各个分簇传感器作为具
备了所定义的关联关系，将那些高于预设出现概率阈值的源数据提取出构成融合数据矩
阵。

[0104] 综上所述，对从源数据获取各个分簇传感器描述信息之间的关联关系的出现概率来提取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，由于考虑了
传感器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数据进行融合，
能够提高数据融合效率。

[0105] 需要说明的是，这里关联关系是通过关联规则来确定的，针对不同关联规则可以得到具有不同关联程度的融合数据矩阵，这里不进行限定。本领域技术人员完全可采用其
他关联规则，其都包含在本发明的范围之内。

[0106] 加权模块，用于提取上述融合数据矩阵的数据特征序列及上述数据特征序列相应的属性权重，并根据上述属性权重对上述数据特征序列进行权重分配运算，形成加权融合
数据。

[0107] 在本发明实施例中，具体是首先提取融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列，然后将全部数据属性置信系数特征序列输入预
先构建的逻辑分类模型，得到数据特征序列相应的属性权重。

[0108] 在实际应用中，该属性权重的获取方式具体是首先获取同一簇内每一特征序列与簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的数据特征
相似度加和的加权总和，进一步计算每一特征序列所对应的数据特征相似度加和与加权总
和的权重比值，使用特征序列相应的属性权重对特征序列进行加权运算，获得加权融合数
据。其中，这里的数据特征相似度可通过以下方法进行获取：

[0109]

[0110] 需要指出的是，以上公式的数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N
是数据总数，α与β为初始化参数。

[0111] 综上所述，提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据，这样，解决基于多
传感器的数据进行特征融合时，每个传感器对应的权重固定，无法自适应地适配当前场景，
导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而保证融合数据的准确性
与可靠性。

[0112] 在一个可选实施例中，该信息处理系统还包括路由模块，用于根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将
最新加权融合数据帧以最小化约束多边形拓扑图路径路由至数据处理中心平台。

[0113] 在本发明实施例中，具体是根据各个具有剩余计算能力的传感器融合范围内数据量，通过以下公式构成各簇传感器的最小化约束多边形拓扑图：

[0114]

[0115] 其中，对于每个 需要满足以下条件：

[0116]

[0117] 需要说明的是，以上公式中的D(A,Ai)与D(A,Aj)分别为最小化约束多边形拓扑图中多边形任意两点(A,Ai)与(A,Aj)之间的欧式距离，Ei与Ej分别为坐标Ai传感器与坐标Aj传
感器的剩余计算能力，i,j＝(1,2,3…,n)。

[0118] 在另一可选实施例中，最小化约束多边形拓扑图可采用如下方案：先将传感器节点从初始化拓扑图中删除，得到若干个连通分量，并对每个连通分量求最小生成树，得到若
干个最小生成树，再从每个连通分量中找关联性最小的边，从而得到具有关联性最小化约
束多边形拓扑图。

[0119] 进一步，计算不同区域分簇融合数据范围的传感器当前加权融合数据帧时间差，选取时间差大于预设时间差阈值的最新时间加权融合数据帧以最小化约束多边形拓扑图
路径路由至数据处理中心平台。

[0120] 综上所述，根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小路径路由传输融合数
据，这样保证传感器在不同分布常见时依然保持实时性、保证能耗公平性，并降低了能量损
耗

[0121] 需要指出的是，上述的最小化约束多边形拓扑图方案仅作为示例给出，本领域技术人员完全可采用其他拓扑图方案，其都包含在本发明的范围之内。

[0122] 实施例四

[0123] 本发明一实施例提供了一种基于5G城市部件传感器的信息处理系统，如图4所示，该信息处理系统具体可以包括如下模块：

[0124] 通信总线，用于实现处理器与存储器间的连接通信；

[0125] 存储器，用于存储计算机程序；存储器可能包含高速RAM存储器，也可能还包含非不稳定的存储器(non‑volatile memory)，例如至少一个磁盘存储器。存储器可选的可以包
含至少一个存储装置。

[0126] 处理器，用于执行上述计算机程序以实现如下步骤：

[0127] 首先，将上述传感器分簇，从多个不同分簇传感器获取源数据。

[0128] 作为示例，本实施例中的执行主体可以以有线或无线通讯方式通过固定式消防传感器、移动式消防传感器、固定式或移动式传感器控制器、智能手表、Leap Motion体感控制
器或摄像头等智能硬件获取，本实施例中各步骤的执行主体还可为其他可实现相同或相似
功能的设备，例如：手机、个人电脑，PAD等，本实施例对此不作限制。

[0129] 具体地是，在本发明实施例中是传感器控制器通过有线或无线传输方式首先获取各个具有剩余计算能力的传感器融合范围内数据量平均值，对所获得的数据量与数据量平
均值的求取差值，这样就可以得到具有剩余计算能力的传感器融合范围内数据量确定值，
然后将与具有剩余计算能力的预先设定范围的数据量确定值相关联的所有融合范围区域
进行分簇，就可以生成多个不同范围的分簇融合数据区域，这样传感器控制器就可以从多
个不同区域分簇融合数据范围的传感器获取原始数据用于后续处理工作。

[0130] 综上所述，通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目标传感器进行分簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余
计算处理能力的次要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，
体现各个传感器各自的优势。

[0131] 其次，从上述源数据获取各个上述分簇传感器描述信息之间的关联关系，提取高于预设关联关系阈值的上述源数据构成融合数据矩阵。

[0132] 在本发明实施例中，具体是传感器控制器分别统计各个分簇传感器源数据携带的设备描述信息的出现概率，以该出现概率大于预设出现概率阈值的各个分簇传感器作为具
备了所定义的关联关系，将那些高于预设出现概率阈值的源数据提取出构成融合数据矩
阵。

[0133] 综上所述，对从源数据获取各个分簇传感器描述信息之间的关联关系的出现概率来提取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，由于考虑了
传感器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数据进行融合，
能够提高数据融合效率。

[0134] 需要说明的是，这里关联关系是通过关联规则来确定的，针对不同关联规则可以得到具有不同关联程度的融合数据矩阵，这里不进行限定。本领域技术人员完全可采用其
他关联规则，其都包含在本发明的范围之内。

[0135] 然后，提取上述融合数据矩阵的数据特征序列及上述数据特征序列相应的属性权重，并根据上述属性权重对上述数据特征序列进行权重分配运算，形成加权融合数据。

[0136] 在本发明实施例中，具体是首先提取融合数据矩阵在预设融合变换矩阵中各个相关节点对应的数据属性置信系数特征序列，然后将全部数据属性置信系数特征序列输入预
先构建的逻辑分类模型，得到数据特征序列相应的属性权重。

[0137] 在实际应用中，该属性权重的获取方式具体是首先获取同一簇内每一特征序列与簇内其余特征序列之间的数据特征相似度加和，进而求取不同簇所有特征序列的数据特征
相似度加和的加权总和，进一步计算每一特征序列所对应的数据特征相似度加和与加权总
和的权重比值，使用特征序列相应的属性权重对特征序列进行加权运算，获得加权融合数
据。其中，这里的数据特征相似度可通过以下方法进行获取：

[0138]

[0139] 需要指出的是，以上公式的数据A与数据B的数据属性分别为(uA,SA)与(uB,SB)，con(A,B)是数据A与数据B的数据特征相似度函数，u与S分别为坐标相似度与方向相似度，N
是数据总数，α与β为初始化参数。

[0140] 综上所述，提取融合数据矩阵的数据特征序列及数据特征序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合数据，这样，解决基于多
传感器的数据进行特征融合时，每个传感器对应的权重固定，无法自适应地适配当前场景，
导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而保证融合数据的准确性
与可靠性。

[0141] 最后，根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小化约束多边形拓扑图路径路
由至数据处理中心平台。

[0142] 在本发明实施例中，具体是根据各个具有剩余计算能力的传感器融合范围内数据量，通过以下公式构成各簇传感器的最小化约束多边形拓扑图：

[0143]

[0144] 其中，对于每个 需要满足以下条件：

[0145]

[0146] 需要说明的是，以上公式中的D(A,Ai)与D(A,Aj)分别为最小化约束多边形拓扑图中多边形任意两点(A,Ai)与(A,Aj)之间的欧式距离，Ei与Ej分别为坐标Ai传感器与坐标Aj传
感器的剩余计算能力，i,j＝(1,2,3…,n)。

[0147] 在另一可选实施例中，最小化约束多边形拓扑图可采用如下方案：先将传感器节点从初始化拓扑图中删除，得到若干个连通分量，并对每个连通分量求最小生成树，得到若
干个最小生成树，再从每个连通分量中找关联性最小的边，从而得到具有关联性最小化约
束多边形拓扑图。

[0148] 进一步，计算不同区域分簇融合数据范围的传感器当前加权融合数据帧时间差，选取时间差大于预设时间差阈值的最新时间加权融合数据帧以最小化约束多边形拓扑图
路径路由至数据处理中心平台。

[0149] 综上所述，根据各个具有剩余计算能力的传感器融合范围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最小路径路由传输融合数
据，这样保证传感器在不同分布常见时依然保持实时性、保证能耗公平性，并降低了能量损
耗

[0150] 需要指出的是，上述的最小化约束多边形拓扑图方案仅作为示例给出，本领域技术人员完全可采用其他拓扑图方案，其都包含在本发明的范围之内。

[0151] 本实施例中的处理器可能是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完
成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可
编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。上述处理器可以是
微处理器或者上述处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法
的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行
完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写
可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存
储器中的信息，结合其硬件完成上述方法的步骤。

[0152] 实施例五

[0153] 本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述的信息处理方法。

[0154] 综上所述，本发明实施例提供的一种基于5G城市部件传感器的信息处理方法及物联网云平台，首先通过剩余计算能力确定传感器分簇目标数量，对具有剩余计算能力的目
标传感器进行分簇，进而从多个不同分簇传感器获取源数据，这样，把不具备或较少剩余计
算处理能力的次要传感器排除在外，仅抽取那些具有良好处理能力的传感器进行处理，体
现各个传感器各自的优势；其次对从源数据获取各个分簇传感器描述信息之间的关联关系
的出现概率来提取高于预设关联关系的出现概率阈值的源数据构成融合数据矩阵，这样，
由于考虑了传感器之间的关联性，仅需根据数据处理规则提取所需的数据，无需对全局数
据进行融合，能够提高数据融合效率；然后提取融合数据矩阵的数据特征序列及数据特征
序列相应的属性权重，并根据属性权重对数据特征序列进行权重分配运算，形成加权融合
数据，这样，解决基于多传感器的数据进行特征融合时，每个传感器对应的权重固定，无法
自适应地适配当前场景，导致数据融合效果不佳的问题，能够提高数据融合的灵活度，从而
保证融合数据的准确性与可靠性；最后，根据各个具有剩余计算能力的所述传感器融合范
围内数据量，构成各簇传感器的最小化约束多边形拓扑图，并将最新加权融合数据帧以最
小路径路由传输融合数据，这样保证传感器在不同分布常见时依然保持实时性、保证能耗
公平性，并降低了能量损耗。

[0155] 总而言之，通过以上一系列数据融合措施，与现有技术相比，本发明在保证数据融合准确性的前提下，提高了数据融合率，解决现有技术中存在的多传感器数据融合方法大
多集中在不考虑关联性的多个相同类型的传感器数据融合，或只针对简单的两种或少数传
感器进行数据融合，既没有体现每一类传感器自身独有的优势，也无法保证多传感器数据
融合的准确性，不能重点突出地体现各个传感器不同权重条件的问题。

[0156] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为
依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知
悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明
所必须的。

[0157] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。该计算机
程序产品包括一个或多个计算机指令。在计算机上加载或执行该计算机程序指令时，全部
或部分地产生按照本申请实施例该的流程或功能。该计算机可以为通用计算机、专用计算
机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，
或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令
可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式
向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计
算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等
数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、
或者半导体介质。半导体介质可以是固态硬盘。

[0158] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出
本申请的范围。

[0159] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0160] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0161] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件
可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或
讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦
合或通信连接，可以是电性，机械或其它的形式。

[0162] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。

[0163] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0164] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式
体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全
部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read‑only memory，
ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序
代码的介质。

[0165] 本发明是参照本发明实施例的方法、装置(设备)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。

[0166] 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。

[0167] 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。

[0168] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖
非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0169] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依
然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进
行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术
方案的范围。