一种唤醒词激活概率的确定方法、装置和智能语音产品与流程

1.本技术涉及人工智能技术领域，更具体地说，涉及一种唤醒词激活概率的确定方法、装置和智能语音产品。


背景技术：

2.智能音箱、智能车机、智能手机等智能语音设备在实现语音控制时，其语音交互流程被划分为唤醒、响应、输入、理解和反馈等五个环节，其中唤醒环节是用户与智能语音产品进行交互的第一个接触点，唤醒环节的体验在整个语音交互流程中至关重要，它的体验好坏将直接影响用户对产品的“第一印象”。目前，尽管智能语音产品有智能的称谓，但其仍没有人类聪明，无法通过眼神或动作实现唤醒，因此需要定义一个将产品从待机状态切换到工作状态的词语，即所谓的唤醒词。
3.传统的基于唤醒词的语音唤醒技术方案包括三个部分，第一部分将音频通过声学分类算法，生成声学分类序列；第二部分，将该声学分类序列通过距离数值计算、生成模型、生成概率计算等方法计算出唤醒词的激活概率；第三部分，在得出唤醒词的激活概率的基础上，确定激活概率阈值，最终根据阈值高低关系判定设备是否被激活。最终，在确定设备被激活的情况下，才能控制智能语音设备与用户实现语音交互。因此，准确地确定唤醒词激活概率是对智能语音设备进行控制的关键环节。


技术实现要素：

4.有鉴于此，本技术提供一种唤醒词激活概率的确定方法、装置和智能语音设备，用于对唤醒词的激活概率进行确定，用于为智能语音设备的正常工作提供关键技术环节。
5.为了实现上述目的，现提出的方案如下：
6.一种唤醒词激活概率的确定方法，应用于智能语音设备，所述确定方法包括步骤：
7.获取所述智能语音设备接收到的音频信号；
8.基于声学分类模型对所述音频信号进行处理，得到所述音频信号的声学分类序列；
9.将所述声学分类序列和唤醒词的声学表征序列输入神经网络模型，得到所述唤醒词的激活概率。
10.可选的，所述声学分类序列为x，其中：
11.x＝[x
i
,x
i
,
…
,x
n
]，为形状为n
×
n的二维实数张量；
[0012]
n为音频帧序列的长度；
[0013]
n为声学分类类别总数；
[0014]
x的第i列向量为x
i
＝[x
i1
,x
i2
,
…
,x
in
]，则x
i
为长度为n的一维实数张量，其中1≤i≤n，x
ik
为x
i
的第k个元素值,x
ik
表示音频帧属于第k个声学分类的概率，其中1≤k≤n，0≤x
ik
≤1。
[0015]
可选的，所述声学表征序列为s
keyword
，其中：
[0016]
其为形状为n
×
m的二维实数张量；
[0017]
keyword表示唤醒词；
[0018]
n为声学分类类别总数；
[0019]
m为特定唤醒词声学表征序列的长度；
[0020]
记s
keyword
的第j列向量为为长度为n的一维实数张量，其中1≤j≤m，为的第h个元素值，其中1≤h≤n，对于任意给定的keyword，总能找到人为找到唯一的声学表征s
keyword
表示keyword。
[0021]
可选的，还包括步骤：
[0022]
基于大量通用文本音频的标注数据进行模型预训练；
[0023]
基于基于少量唤醒词音频的标注数据调优训练，得到所述神经网络模型，所述通用文本音频指音频内文本与所述唤醒词无关，所述唤醒词音频指音频内文本与所述唤醒词相同或相近。
[0024]
可选的，所述基于大量通用文本音频的标注数据进行模型预训练，包括步骤：
[0025]
确定声学分类模型；
[0026]
根据所述声学分类模型的网络结构搭建主体神经网络；
[0027]
利用所述标注数据对所述主体神经网络进行训练；
[0028]
保存神经网络模型参数。
[0029]
可选的，所述基于基于少量唤醒词音频的标注数据调优训练，包括步骤：
[0030]
确定调优训练的唤醒词对应的声学表征序列；
[0031]
将所述声学分类模型与所述主体神经网络进行拼接，构成端到端网络；
[0032]
对所述端到端神经网络加载激活概率，计算所述神经网络模型参数和声学分类模型参数，对所述端到端网络进行基于交叉熵损失函数的训练；
[0033]
保存调优后的神经网络模型参数和声学分类模型参数。
[0034]
一种唤醒词激活概率的确定装置，应用于智能语音设备，所述确定方法装置包括：
[0035]
信号获取模块，被配置为获取所述智能语音设备接收到的音频信号；
[0036]
第一处理模块，被配置为基于声学分类模型对所述音频信号进行处理，得到所述音频信号的声学分类序列；
[0037]
第二处理模块，被配置为将所述声学分类序列和唤醒词的声学表征序列输入神经网络模型，得到所述唤醒词的激活概率。
[0038]
可选的，所述声学分类序列为x，其中：
[0039]
x＝[x
i
,x
i
,
…
,x
n
]，为形状为n
×
n的二维实数张量；
[0040]
n为音频帧序列的长度；
[0041]
n为声学分类类别总数；
[0042]
x的第i列向量为x
i
＝[x
i1
,x
i2
,
…
,x
in
]，则x
i
为长度为n的一维实数张量，其中1≤i
≤n，x
ik
为x
i
的第k个元素值,x
ik
表示音频帧属于第k个声学分类的概率，其中1≤k≤n，0≤x
ik
≤1。
[0043]
可选的，所述声学表征序列为s
keyword
，其中：
[0044]
为形状为n
×
m的二维实数张量；
[0045]
keyword表示唤醒词；
[0046]
n为声学分类类别总数；
[0047]
m为特定唤醒词声学表征序列的长度；
[0048]
记s
keyword
的第j列向量为为长度为n的一维实数张量，其中1≤j≤m，为的第h个元素值，其中1≤h≤n，对于任意给定的keyword，总能找到人为找到唯一的声学表征s
keyword
表示keyword。
[0049]
可选的，还包括：
[0050]
第一训练模块，被配置为基于大量通用文本音频的标注数据进行模型预训练；
[0051]
第二训练模块，被配置为基于基于少量唤醒词音频的标注数据调优训练，得到所述神经网络模型，所述通用文本音频指音频内文本与所述唤醒词无关，所述唤醒词音频指音频内文本与所述唤醒词相同或相近。
[0052]
可选的，所述第一训练模块具体用于：
[0053]
确定声学分类模型；
[0054]
根据所述声学分类模型的网络结构搭建主体神经网络；
[0055]
利用所述标注数据对所述主体神经网络进行训练；
[0056]
保存神经网络模型参数。
[0057]
可选的，所述第二训练模块具体用于：
[0058]
确定调优训练的唤醒词对应的声学表征序列；
[0059]
将所述声学分类模型与所述主体神经网络进行拼接，构成端到端网络；
[0060]
对所述端到端神经网络加载激活概率，计算所述神经网络模型参数和声学分类模型参数，对所述端到端网络进行基于交叉熵损失函数的训练；
[0061]
保存调优后的神经网络模型参数和声学分类模型参数。
[0062]
一种智能语音设备，设置有如上所述的确定装置。
[0063]
一种智能语音设备，包括至少一个处理器和与所述处理器连接的存储器，其中：
[0064]
所述存储器用于存储计算机程序或指令；
[0065]
所述处理器用于执行所述计算机程序或指令，以使所述智能语音设备执行如上所述的确定方法。
[0066]
从上述的技术方案可以看出，本技术公开了一种唤醒词激活概率的确定方法、装置和智能语音设备，该方法和装置应用于智能语音设备，具体为获取智能语音设备接收到的音频信号；基于声学分类模型对音频信号进行处理，得到音频信号的声学分类序列；将声
学分类序列和唤醒词的声学表征序列输入神经网络模型，得到唤醒词的激活概率。本方案通过准确地确定唤醒词的激活概率，能够使智能语音设备能够根据该激活概率确定设备是否被激活，从而为智能语音设备的正常工作提供了关键技术环节。
附图说明
[0067]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的一些实施例，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。
[0068]
图1为本技术实施例的一种唤醒词激活概率的确定方法的流程图；
[0069]
图2为本技术实施例的神经网络模型的示意图；
[0070]
图3为本技术实施例的神经网络模型的训练流程图；
[0071]
图4为本技术实施例的一种唤醒词激活概率的确定装置的框图；
[0072]
图5为本技术实施例的另一种唤醒词激活概率的确定装置的框图；
[0073]
图6为本技术实施例的一种智能语音设备的框图。
具体实施方式
[0074]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0075]
实施例一
[0076]
图1为本技术实施例的一种唤醒词激活概率的确定方法的流程图。
[0077]
如图1所示，本实施例提供的确定方法应用于智能语音设备，如智能音箱、智能车机以及智能手机等。该确定方法用于对智能语音设备所接收到的音频进行处理，从而得到相应唤醒词激活概率。该确定方法包括如下步骤：
[0078]
s1、获取智能语音设备接收的音频信号。
[0079]
即在智能语音设备处于待机状态下其声音采集设备采集到用户发出的声音，并将该声音转换为音频信号时，执行本技术中确定方法的执行主体获取该音频信号，以便进一步对音频信号进行处理。
[0080]
另外，还可以在获取音频信号的同时或之后，获取相应唤醒词的声学标准序列，该声学表征序列可以表示为为s
keyword
，其中：
[0081]
其为形状为n
×
m的二维实数张量；
[0082]
keyword表示唤醒词；n为声学分类类别总数；m为特定唤醒词声学表征序列的长度；
[0083]
记s
keyword
的第j列向量为为长
度为n的一维实数张量，其中1≤j≤m，为的第h个元素值，其中1≤h≤n，对于任意给定的keyword，总能找到人为找到唯一的声学表征s
keyword
表示keyword。
[0084]
s2、基于声学分类模型对音频信号进行处理。
[0085]
在获取到上述音频信号的情况下，利用预先训练得到的声学分类模型对该音频信号进行处理，从而得到该音频信号的声学分类序列。该声学分类序列表示为x，其中：
[0086]
x＝[x
i
,x
i
,
…
,x
n
]，为形状为n
×
n的二维实数张量；n为音频帧序列的长度；n为声学分类类别总数；x的第i列向量为x
i
＝[x
i1
,x
i2
,
…
,x
in
]，则x
i
为长度为n的一维实数张量，其中1≤i≤n，x
ik
为x
i
的第k个元素值,x
ik
表示音频帧属于第k个声学分类的概率，其中1≤k≤n，0≤x
ik
≤1。
[0087]
s3、基于神经网络模型对声学分类序列和声学表征序列进行处理。
[0088]
这里的神经网络模型是在处理开始前导入到相应智能语音设备相应处理主体中的，这里的声学分类序列是指上述音频信号的声学分类序列，该声学表征序列是指唤醒词的声学表征序列。通过该神经网络模型的处理，从而得到该唤醒词激活概率。
[0089]
该神经网络模型包括可用长短期记忆网络层、卷积层、最大池化层、线性变换层，组合表示为：
[0090]
emb＝linear(lstm(s^keyword))
[0091]
p_keyword(激活
│
x)＝sigmoid(conv_emb(tanh(conv(x))))，具体如图2所示。其中lstm表示长短期记忆网络层，linear表示线性变换层，conv表示卷积层，tanh表示使用tanh激活函数，maxpool表示最大池化层，conv_emb表示卷积参数为emb的卷积层，emb为唤醒词声学表征嵌入，sigmoid表示使用sigmoid激活函数。
[0092]
该唤醒词的激活概率记为p
keyword
(激活|x)，其中keyword为特定的唤醒词，x为音频帧序列对应的声学分类序列。
[0093]
从上述技术方案可以看出，本实施例提供了一种唤醒词激活概率的确定方法，该方法应用于智能语音设备，具体为获取智能语音设备接收到的音频信号；基于声学分类模型对音频信号进行处理，得到音频信号的声学分类序列；将声学分类序列和唤醒词的声学表征序列输入神经网络模型，得到唤醒词的激活概率。本方案通过准确地确定唤醒词的激活概率，能够使智能语音设备能够根据该激活概率确定设备是否被激活，从而为智能语音设备的正常工作提供了关键技术环节。
[0094]
上述技术方案是在已经取得相应神经网络模型的基础上实现的，在没有现成神经网络模型的情况下，本技术还包括如下模型训练方案，为上述方案提供该神经网络模型，如图3所示，具体方案包括如下步骤：
[0095]
s101、基于大量通用文本音频的标注数据进行模型预训练。
[0096]
第一步：确定该智能语音设备所采用的声学分类模型，将该模型网络参数保存为mc，由此确定声学分类个数n和声学类别集合；利用声学类别集合对通用文本音频标注数据的标注文本进行声学表征序列表示，并在此基础上对通用文本音频进行强制对齐(该操作基于声学分类模型和每个音频标注文本的声学表征序列表示，找出对应于该条音频的概率最大的声学分类序列)，从而得出强制对齐的声学分类序列。
[0097]
对该声学分类序列进行切分间隔在30
‑
50之间均匀分布的切分，记为x
cut
，将每一个x
cut
中相邻的相同声学分类列进行合并，从而得出x
cut
对应的声学表征序列s
cut
，将(x
cut
,s
cut
)作为一个训练样本点放入训练数据集t；待数据集t构建完毕后，找出t中所有不相同声学表征序列元素，组成声学表征序列集合k
s
，然后基于k
s
将训练数据集t扩充为t
a
，具体扩充方式如下：
[0098]
whilek
s
中有元素未被选择到:
[0099]
从k
s
中选择一个未选择过的元素s
k
；
[0100]
while训练数据集t在本轮s
k
的循环中未被选择到：
[0101]
从t中选择元素(x
cut
,s
cut
)；
[0102]
ifs
k
与s
t
相同:
[0103]
将数据条目((x
cut
,s
cut
),1)放入数据集t
a
；
[0104]
else:
[0105]
将数据条目((x
cut
,s
cut
),0)放入数据集t
a
；
[0106]
第二步：根据上述声学分类模型的网络结构搭建主体神经网络；
[0107]
第三步：利用训练数据集t
a
对主体神经网络进行训练，选择合适的参数初始化方法、学习率及自适应梯度算法，对主体神经网络进行基于交叉熵损失函数的训练，在训练过程中留出一部分训练数据作交叉校验，避免过拟合；
[0108]
第四步：保存神经网络模型参数，记为m
g
。
[0109]
s102、基于少量特定唤醒词音频的标注数据进行调优训练。
[0110]
该调优训练利用特定唤醒词音频的标注数据对整个智能语音设备进行端到端调优，要求声学分类模型为神经网络模型，若采声学分类模型为用非神经网络模型可跳过以下步骤，具体过程如下：
[0111]
第一步：确定调优训练的唤醒词及对应的唤醒词的声学表征序列s
f
；
[0112]
第二步：将声学分类模型(神经网络)与上述主体神经网络拼接，即将声学分类模型(神经网络)的输出层，直接与主体神经网络的声学分类序列输入层(conv层)进行连接，构成端到端网络；
[0113]
第三步：加载激活概率计算神经网络参数m
g
和声学分类模型参数m
c
，利用特定唤醒词音频标注数据，对第二步中的端到端网络进行基于交叉熵损失函数的训练，在训练过程中留出一部分训练数据作交叉校验，避免过拟合；
[0114]
第四步：保存调优后的声学分类模型参数m
cf
和主体神经网络参数m
gf
。
[0115]
根据上述步骤，在得到相应参数的情况下，即可将相应参数输入到主体神经网络，得到上述的神经网络模型。
[0116]
实施例二
[0117]
图4为本技术实施例的一种唤醒词激活概率的确定装置的框图。
[0118]
如图4所示，本实施例提供的确定装置应用于智能语音设备，如智能音箱、智能车机以及智能手机等。该确定装置用于对智能语音设备所接收到的音频进行处理，从而得到相应唤醒词激活概率。该确定装置具体包括信号获取模块10、第一处理模块20和第二处理模块30。
[0119]
信号获取模块用于获取智能语音设备接收的音频信号。
[0120]
即在智能语音设备处于待机状态下其声音采集设备采集到用户发出的声音，并将该声音转换为音频信号时，执行本技术中确定方法的执行主体获取该音频信号，以便进一步对音频信号进行处理。
[0121]
另外，该模块还可以在获取音频信号的同时或之后，获取相应唤醒词的声学标准序列，该声学表征序列可以表示为为s
keyword
，其中：
[0122]
其为形状为n
×
m的二维实数张量；
[0123]
keyword表示唤醒词；n为声学分类类别总数；m为特定唤醒词声学表征序列的长度；
[0124]
记s
keyword
的第j列向量为为长度为n的一维实数张量，其中1≤j≤m，为的第h个元素值，其中1≤h≤n，对于任意给定的keyword，总能找到人为找到唯一的声学表征s
keyword
表示keyword。
[0125]
第一处理模块用于基于声学分类模型对音频信号进行处理。
[0126]
在获取到上述音频信号的情况下，利用预先训练得到的声学分类模型对该音频信号进行处理，从而得到该音频信号的声学分类序列。该声学分类序列表示为x，其中：
[0127]
x＝[x
i
,x
i
,
…
,x
n
]，为形状为n
×
n的二维实数张量；n为音频帧序列的长度；n为声学分类类别总数；x的第i列向量为x
i
＝[x
i1
,x
i2
,
…
,x
in
]，则x
i
为长度为n的一维实数张量，其中1≤i≤n，x
ik
为x
i
的第k个元素值,x
ik
表示音频帧属于第k个声学分类的概率，其中1≤k≤n，0≤x
ik
≤1。
[0128]
第二处理模块用于基于神经网络模型对声学分类序列和声学表征序列进行处理。
[0129]
这里的神经网络模型是在处理开始前导入到相应智能语音设备相应处理主体中的，这里的声学分类序列是指上述音频信号的声学分类序列，该声学表征序列是指唤醒词的声学表征序列。通过该神经网络模型的处理，从而得到该唤醒词激活概率。
[0130]
该神经网络模型包括可用长短期记忆网络层、卷积层、最大池化层、线性变换层，组合表示为：
[0131]
emb＝linear(lstm(s^keyword))
[0132]
p_keyword(激活
│
x)＝sigmoid(conv_emb(tanh(conv(x))))，具体如图2所示。其中lstm表示长短期记忆网络层，linear表示线性变换层，conv表示卷积层，tanh表示使用tanh激活函数，maxpool表示最大池化层，conv_emb表示卷积参数为emb的卷积层，emb为唤醒词声学表征嵌入，sigmoid表示使用sigmoid激活函数。
[0133]
该唤醒词的激活概率记为p
keyword
(激活|x)，其中keyword为特定的唤醒词，x为音频帧序列对应的声学分类序列。
[0134]
从上述技术方案可以看出，本实施例提供了一种唤醒词激活概率的确定装置，该装置应用于智能语音设备，具体用于获取智能语音设备接收到的音频信号；基于声学分类模型对音频信号进行处理，得到音频信号的声学分类序列；将声学分类序列和唤醒词的声
学表征序列输入神经网络模型，得到唤醒词的激活概率。本方案通过准确地确定唤醒词的激活概率，能够使智能语音设备能够根据该激活概率确定设备是否被激活，从而为智能语音设备的正常工作提供了关键技术环节。
[0135]
上述技术方案是在已经取得相应神经网络模型的基础上实现的，在没有现成神经网络模型的情况下，本技术还包括第一训练模块40和第二训练模块50，用于为上述方案提供该神经网络模型，具体如图5所示。
[0136]
第一训练模块用于基于大量通用文本音频的标注数据进行模型预训练。
[0137]
具体来说，该第一训练模块具体执行如下操作：
[0138]
第一步：确定该智能语音设备所采用的声学分类模型，将该模型网络参数保存为m
c
，由此确定声学分类个数n和声学类别集合；利用声学类别集合对通用文本音频标注数据的标注文本进行声学表征序列表示，并在此基础上对通用文本音频进行强制对齐(该操作基于声学分类模型和每个音频标注文本的声学表征序列表示，找出对应于该条音频的概率最大的声学分类序列)，从而得出强制对齐的声学分类序列。
[0139]
对该声学分类序列进行切分间隔在30
‑
50之间均匀分布的切分，记为x
cut
，将每一个x
cut
中相邻的相同声学分类列进行合并，从而得出x
cut
对应的声学表征序列s
cut
，将(x
cut
,s
cut
)作为一个训练样本点放入训练数据集t；待数据集t构建完毕后，找出t中所有不相同声学表征序列元素，组成声学表征序列集合k
s
，然后基于k
s
将训练数据集t扩充为t
a
，具体扩充方式如下：
[0140]
whilek
s
中有元素未被选择到:
[0141]
从k
s
中选择一个未选择过的元素s
k
；
[0142]
while训练数据集t在本轮s
k
的循环中未被选择到：
[0143]
从t中选择元素(x
cut
,s
cut
)；
[0144]
ifs
k
与s
t
相同:
[0145]
将数据条目((x
cut
,s
cut
),1)放入数据集t
a
；
[0146]
else:
[0147]
将数据条目((x
cut
,s
cut
),0)放入数据集t
a
；
[0148]
第二步：根据上述声学分类模型的网络结构搭建主体神经网络；
[0149]
第三步：利用训练数据集t
a
对主体神经网络进行训练，选择合适的参数初始化方法、学习率及自适应梯度算法，对主体神经网络进行基于交叉熵损失函数的训练，在训练过程中留出一部分训练数据作交叉校验，避免过拟合；
[0150]
第四步：保存神经网络模型参数，记为m
g
。
[0151]
第二训练模块用于基于少量特定唤醒词音频的标注数据进行调优训练。
[0152]
该调优训练利用特定唤醒词音频的标注数据对整个智能语音设备进行端到端调优，要求声学分类模型为神经网络模型，若采声学分类模型为用非神经网络模型可跳过以下步骤，具体来说，该模块的执行过程如下：
[0153]
第一步：确定调优训练的唤醒词及对应的唤醒词的声学表征序列s
f
；
[0154]
第二步：将声学分类模型(神经网络)与上述主体神经网络拼接，即将声学分类模型(神经网络)的输出层，直接与主体神经网络的声学分类序列输入层(conv层)进行连接，构成端到端网络；
[0155]
第三步：加载激活概率计算神经网络参数m
g
和声学分类模型参数m
c
，利用特定唤醒词音频标注数据，对第二步中的端到端网络进行基于交叉熵损失函数的训练，在训练过程中留出一部分训练数据作交叉校验，避免过拟合；
[0156]
第四步：保存调优后的声学分类模型参数m
cf
和主体神经网络参数m
gf
。
[0157]
根据上述操作，在得到相应参数的情况下，即可将相应参数输入到主体神经网络，得到上述的神经网络模型。
[0158]
实施例三
[0159]
本实施例还提供了一种智能语音设备，包括但不限于智能音箱、智能车机以及智能手机等，上述智能语音设备设置有如上一实施例所提供的一种唤醒词激活概率的确定装置，该装置应用于智能语音设备，该装置具体用于获取智能语音设备接收到的音频信号；基于声学分类模型对音频信号进行处理，得到音频信号的声学分类序列；将声学分类序列和唤醒词的声学表征序列输入神经网络模型，得到唤醒词的激活概率。本方案通过准确地确定唤醒词的激活概率，能够使智能语音设备能够根据该激活概率确定设备是否被激活，从而为智能语音设备的正常工作提供了关键技术环节。
[0160]
实施例四
[0161]
图6为本技术实施例的一种智能语音设备的框图。
[0162]
如图6所示，本实施例提供的智能语音设备包括但不限于智能音箱、智能车机以及智能手机等，该设备包括至少一个处理器101和存储器102，两者通过数据总线103连接。该存储器用于存储计算机程序或指令，该处理器则获取并执行相应计算机程序或指令，从而使得该智能语音设备能够执行实施例一种所提供的唤醒词概率的确定方法。
[0163]
唤醒词激活概率的确定方法具体为获取智能语音设备接收到的音频信号；基于声学分类模型对音频信号进行处理，得到音频信号的声学分类序列；将声学分类序列和唤醒词的声学表征序列输入神经网络模型，得到唤醒词的激活概率。本方案通过准确地确定唤醒词的激活概率，能够使智能语音设备能够根据该激活概率确定设备是否被激活，从而为智能语音设备的正常工作提供了关键技术环节。
[0164]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0165]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
[0166]
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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。
[0167]
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终端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。
[0168]
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终端设备上，使得在计算机或其他可编程终端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终端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。
[0169]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0170]
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
[0171]
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。