一种低轨卫星轨道预报方法、系统、终端及介质专利检索-宇宙航行及其所用的飞行器或设备专利检索查询-专利查询网

一种低轨卫星轨道预报方法、系统、终端及介质
申请号	CN202410173804.5	申请日	2024-02-07	公开(公告)号	CN117724128B	公开(公告)日	2024-04-30
申请人	中南大学;			发明人	陈祥; 戴吾蛟; 唐成盼; 李凯; 胡小工;
摘要	本发明公开了一种低轨卫星轨道预报方法、系统、终端及介质，其中方法包括：基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量；将各历史时刻的大气阻力系数和经验加速度系数组成的序列输入训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数；基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报。本发明基于神经网络的方法实现低轨卫星非保守力参数的精确预测，综合考虑大气阻力系数和经验加速度系数两种非保守力参数，提高了低轨卫星轨道预报精度。
权利要求	1.一种低轨卫星轨道预报方法，其特征在于，包括如下步骤： S1：基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量； S2：将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数； S3：基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报； S2具体包括：将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数；将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数；所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。 2.根据权利要求1所述的低轨卫星轨道预报方法，其特征在于，S1具体包括：确定星载GNSS伪距和载波相位的观测方程；确定低轨卫星运动方程；基于星载GNSS观测数据，结合基于星载GNSS伪距和载波相位的观测方程、低轨卫星运动方程，采用最小二乘估计解算得到初始卫星状态量，通过数值积分得到卫星定轨弧段的状态量，以定轨弧段最后时刻的状态量作为卫星轨道预报初始时刻状态量。 3.一种低轨卫星轨道预报系统，其特征在于，包括：定轨解算模块，用于基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量；动力学参数预测模块，用于将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数；轨道预报模块，用于基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报；动力学参数预测模块执行如下过程：将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数；将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数；所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。 4.根据权利要求3所述的低轨卫星轨道预报系统，其特征在于，定轨解算模块执行如下过程：确定星载GNSS伪距和载波相位的观测方程；确定低轨卫星运动方程；基于星载GNSS观测数据，结合基于星载GNSS伪距和载波相位的观测方程、低轨卫星运动方程，采用最小二乘估计解算得到初始卫星状态量，通过数值积分得到卫星定轨弧段的状态量，以定轨弧段最后时刻的状态量作为卫星轨道预报初始时刻状态量。 5.一种电子终端，其特征在于，包括：存储器，其上存储有计算机程序；处理器，用于加载并执行所述计算机程序，以实现如权利要求1至2任一项所述的低轨卫星轨道预报方法。 6.一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至2任一项所述的低轨卫星轨道预报方法。
说明书全文	一种低轨卫星轨道预报方法、系统、终端及介质技术领域 [0001] 本发明涉及卫星轨道确定与预报技术领域，尤其涉及一种低轨卫星轨道预报方法、系统、终端及介质。背景技术 [0002] 卫星对地观测、轨道维持、激光测距等方面都对低轨卫星轨道预报精度提出了较高的要求。采用动力学方法预报低轨卫星轨道时，预报精度主要取决于动力学模型及参数的计算与预测精度。在卫星轨道预报中，随着预报时长的增加，经验模型的误差会逐渐累计，轨道预报精度逐渐下降。 [0003] 在现有技术中，与本方法相关度较高的技术方法有如下几种： [0004] 公开号为CN116337065A的中国专利申请公开了一种提高低轨卫星轨道预报精度的方法，较为精确的计算了低轨卫星运行时的大气阻力摄动加速度。这种建模方法可较为精确的计算出大气阻力摄动加速度，从而获得精确的轨道预报。但是该方案仅考虑了大气阻力系数这一力学参数对低轨卫星轨道预报精度的影响，没有顾及其他动力学模型误差以及未建模的误差带来的影响。 [0005] 公开号为CN110595485A的中国专利申请公开了一种基于两行根数的低轨卫星长期轨道预报方法，对初始时刻轨道坐标系下的两行根数进行相关处理，得到适用于J2000坐标系的卫星轨道根数初值，采用数值法求解轨道预报动力学模型，得到较高精度的卫星轨道根数预报结果。但是该方法采用的是一种解析的方法来预报轨道，短期预报误差与数值法相比较大，而且无法抑制轨道预报过程中的误差发散问题。 [0006] 公开号为CN116522492A的中国专利申请公开了一种卫星轨道的预测方法，通过基于神经网络混合建模的思想，根据动力学模型轨道预报误差的特点，完成中长期轨道预报方案的设计，其预报误差的均值更小，误差分布更集中。但是该方法未考虑轨道预报误差中各类力学模型误差的特性，直接采用神经网络对轨道预报误差进行训练并预报，并将神经预报的轨道误差改正到动力学模型预报的轨道上。然而轨道预报误差受多种力学模型误差的影响，因此需要对各类模型误差因素单独分析建模才能合理地降低轨道预报误差。 [0007] 因此，本发明要解决的技术问题如下： [0008] （1）当前轨道预报方法大多基于动力学模型，但是由于轨道预报并没有外界数据源的修正，且动力学模型本身存在一定的误差，随着轨道误差逐渐累积，预报轨道逐渐偏离实际轨道。基于动力学模型预报轨道的过程中，大气阻力系数及经验加速度系数等力学参数恒为精密定轨得到的初始值，而非随卫星状态量变化的实际解算值。因此，该大气阻力系数无法很好地补偿先验大气阻力模型的误差，经验加速度系数无法吸收其他模型误差及未建模的误差，影响了轨道预报精度。 [0009] （2）现有研究仅考虑大气阻力系数对轨道预报精度的影响，影响了轨道预报精度。而经验加速度系数吸收了未建模的误差以及建模不精确带来的动力学模型误差，该参数也需要同时考虑。 [0010] （3）大气阻力系数和经验加速度系数不具有明显的时变特征，采用传统的建模和预测方法难以准确预测，无法为低轨卫星轨道预报获取高精度的先验动力学信息，影响了轨道预报精度。发明内容 [0011] 针对现有技术中的不足，本发明的目的在于提供一种低轨卫星轨道预报方法、系统、终端及介质，以提升低轨卫星轨道预报精度。 [0012] 第一方面，提供了一种低轨卫星轨道预报方法，包括如下步骤： [0013] S1：基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量； [0014] S2：将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数； [0015] S3：基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报。 [0016] 根据第一方面，在一种可能的实现方式中，S1具体包括： [0017] 确定星载GNSS伪距和载波相位的观测方程； [0018] 确定低轨卫星运动方程； [0019] 基于星载GNSS观测数据，结合基于星载GNSS伪距和载波相位的观测方程、低轨卫星运动方程，采用最小二乘估计解算得到初始卫星状态量，通过数值积分得到卫星定轨弧段的状态量，以定轨弧段最后时刻的状态量作为卫星轨道预报初始时刻状态量。 [0020] 根据第一方面，在一种可能的实现方式中，S2具体包括： [0021] 将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数； [0022] 将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数。 [0023] 根据第一方面，在一种可能的实现方式中，所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。 [0024] 第二方面，提供了一种低轨卫星轨道预报系统，包括： [0025] 定轨解算模块，用于基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量； [0026] 动力学参数预测模块，用于将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数； [0027] 轨道预报模块，用于基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报。 [0028] 根据第二方面，在一种可能的实现方式中，定轨解算模块执行如下过程： [0029] 确定星载GNSS伪距和载波相位的观测方程； [0030] 确定低轨卫星运动方程； [0031] 基于星载GNSS观测数据，结合基于星载GNSS伪距和载波相位的观测方程、低轨卫星运动方程，采用最小二乘估计解算得到初始卫星状态量，通过数值积分得到卫星定轨弧段的状态量，以定轨弧段最后时刻的状态量作为卫星轨道预报初始时刻状态量。 [0032] 根据第二方面，在一种可能的实现方式中，动力学参数预测模块执行如下过程： [0033] 将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数； [0034] 将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数。 [0035] 根据第二方面，在一种可能的实现方式中，所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。 [0036] 第三方面，提供了一种电子终端，包括： [0037] 存储器，其上存储有计算机程序； [0038] 处理器，用于加载并执行所述计算机程序，以实现如第一方面任一项所述的低轨卫星轨道预报方法。 [0039] 第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的低轨卫星轨道预报方法。 [0040] 本发明提出的一种低轨卫星轨道预报方法、系统及介质，具有如下有益效果： [0041] 1）由于动力学参数不具备明显的时变特征，传统的建模预测方法并不能很好地预测动力学参数，本发明提出基于神经网络的方法实现低轨卫星非保守力参数的精确建模，支持低轨卫星非保守力参数的高精度预测； [0042] 2）提出低轨卫星非保守力参数精确预测值支持的低轨卫星轨道预报方法，在一定程度上抑制了轨道预报过程中的误差发散问题，实现多种低轨卫星类型、多种预报弧长情形下的轨道预报精度提升； [0043] 3）提出综合考虑大气阻力系数和经验加速度系数两种非保守力参数的轨道预报方案，区别于仅考虑大气阻力系数或经验加速度系数的现有研究方案，更全面地考虑两种非保守力参数对轨道预报精度的影响，可进一步提高低轨卫星轨道预报精度。附图说明 [0044] 为了更清楚地说明本发明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发明的一些实施例，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。 [0045] 图1是本发明实施例提供的低轨卫星轨道预报方法流程图。具体实施方式 [0046] 为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，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。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。 [0047] 如图1所示，本发明实施例提供了一种低轨卫星轨道预报方法，包括如下步骤： [0048] S1：基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量； [0049] S2：将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数； [0050] S3：基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报。 [0051] 针对动力学参数不具备明显的时变特征，传统的建模预测方法并不能很好地预测动力学参数，本实施例提出了基于神经网络的方法实现低轨卫星非保守力参数的精确建模，支持低轨卫星非保守力参数的高精度预测。低轨卫星非保守力参数精确预测值支持的低轨卫星轨道预报方法，在一定程度上抑制了轨道预报过程中的误差发散问题，实现多种低轨卫星类型、多种预报弧长情形下的轨道预报精度提升。本实施例提供的综合考虑大气阻力系数和经验加速度系数两种非保守力参数的轨道预报方案，区别于仅考虑大气阻力系数或经验加速度系数的现有研究方案，更全面地考虑两种非保守力参数对轨道预报精度的影响，可进一步提高低轨卫星轨道预报精度。 [0052] 具体地，步骤S1具体包括如下过程： [0053] 由于对流层延迟对LEO卫星（低轨卫星）没有影响，星载GNSS伪距和载波相位的观测方程可以写成如下形式： [0054] [0055] 式中，、、分别表示GNSS卫星、LEO卫星接收机和频点；和分别表示伪距和载波相位观测值；表示GNSS卫星与LEO卫星接收机之间的几何距离；和分别为LEO接收机钟差和GNSS卫星钟差；为真空中的光速；表示电离层延迟，为第一个频率对应的电离层延迟，，其中、分别对应第一个频点的频率和波长，、对应第个频点的频率和波长；和分别为LEO接收机和GNSS卫星的差分码偏差；和分别为LEO接收机和GNSS卫星的相位偏差，表示第个频点的整周相位模糊度，、分别表示伪距和相位测量噪声。 [0056] 对于能够接收双频数据的低轨卫星星载接收机，一般将双频数据组合，以消除电离层延迟的影响。对于低轨卫星，双频无电离层组合（Ionospheric‑Free，IF）的伪距与载波相位观测方程可表示为： [0057] [0058] 式中，和分别表示IF组合下的伪距和载波相位观测值；、分别表示IF组合下的LEO接收机和GNSS卫星的差分码偏差（Differential Code Bias，DCB），、分别表示IF组合下的LEO接收机和GNSS卫星的相位偏差，、表示IF组合下的相位波长和相位模糊度，、分别表示IF组合下的伪距和相位观测值测量噪声。 [0059] 低轨卫星总体的加速度可以表示为下式： [0060] [0061] 式中，表示低轨卫星总体的加速度；、、、、、、、分别表示二体问题作用力、N体引力、地球潮汐摄动（固体潮、海潮等）、相对论效应摄动力、太阳光压摄动力、地球辐射压摄动力、大气阻力摄动、经验力摄动产生的加速度。 [0062] 由低轨卫星动力学模型可知，卫星加速度主要与卫星位置、速度和动力学参数有关，因此卫星运动方程可以表示为： [0063] [0064] [0065] 式中，表示t时刻卫星的状态量，包括位置、速度、动力学参数。基于上式，已知卫星初始状态可以通过数值积分得到任意时刻的卫星位置和速度。低轨卫星精密定轨的实质是利用观测数据解算出初始时刻的卫星状态和动力学参数。令，假设真实轨道初始值为，则可在处泰勒展开取一次项为： [0066] [0067] 令 , ，则有： [0068] [0069] 上式为线性微分方程，通解为，其中为状态转移矩阵。也就是任意时刻状态量相对于初始时刻状态量的偏导数，表示为： [0070] [0071] 式中，表示单位阵，、、分别表示时刻（初始时刻）的位置、速度和动力学参数，当前状态的状态转移矩阵可由下式积分得到： [0072] [0073] 通过结合卫星运动方程、观测方程，采用最小二乘估计即可解得初始时刻的卫星状态量，通过数值积分可以得到定轨弧段的状态量。以解算得到的最后时刻的状态量作为卫星轨道预报初始时刻状态量，状态量中的动力学参数包括本发明所研究的大气阻力系数和经验加速度系数，为切向经验加速度，为法向经验加速度。 [0074] 步骤S2为利用神经网络模型对未来一时段的大气阻力系数和经验加速度系数进行预测，将预测得到的大气阻力系数和经验加速度系数的序列用来对动力学模型中的大气阻力系数和经验加速度系数进行更新，以提高卫星轨道预报精度。具体包括： [0075] 将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数； [0076] 将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数。 [0077] 其中，所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。以大气阻力系数预测模型为例，对于待进行轨道预报的卫星，通过动力学定轨解算得到其历史时段内的大气阻力系数序列，长度为M+N（M、N均为正整数，且M大于N）的滑动窗口以步长为1对大气阻力系数序列进行采样，基于大气阻力系数序列构建若干样本，每个样本包含长度为M的大气阻力系数序列作为输入特征，长度为N的大气阻力系数序列作为标签，将样本划分为训练集和测试集，利用训练集对卷积神经网络模型进行训练，利用测试集对训练的神经网络模型预测精度进行评价，得到最终的大气阻力系数预测模型。 [0078] 将预测得到的未来时刻的大气阻力系数和经验加速度系数作为已知值，加入到轨道预报的过程中。通常基于动力学模型预报轨道时，如果仅给定一个力学参数初始值，轨道预报过程中无法对其进行改正，力学参数将一直保持不变，所以会逐步累积预报误差。这也成为轨道预报过程误差增大的主要原因之一。在受摄二体问题力模型下，LEO卫星运动微分方程可表示： [0079] [0080] 式中，、、分别表示卫星的位置、速度及加速度，表示除地球引力外摄动力引起的加速度；GM为地球引力常数；p为各摄动力模型参数（动力学参数），包括本发明研究的大气阻力系数和经验加速度参数。上式右侧第1项为地球质点的中心引力，第2项主要包括地球非球形摄动、N体摄动、大气阻力、太阳辐射压、地球反照辐射压、经验力摄动、相对论效应和潮汐摄动等。若已知卫星轨道预报初始时刻状态量，包括初始时刻的位置、速度、动力学参数等，通过对上述微分方程进行数值积分，即可得到预报轨道。本发明在轨道预报过程加入大气阻力系数和经验加速度的预测值，代替始终不变的初始值，可以对先验动力模型误差起到一定的补偿作用，从而提升轨道预报精度。 [0081] 本发明实施例还提供了一种低轨卫星轨道预报系统，包括： [0082] 定轨解算模块，用于基于星载GNSS观测数据对低轨卫星进行动力学定轨解算处理，获取卫星各历史时刻状态量，所述状态量包括卫星的位置、速度和动力学参数，其中动力学参数包括大气阻力系数和经验加速度系数，并以解算得到的最后时刻的卫星状态量作为卫星轨道预报初始时刻状态量。 [0083] 具体地，定轨解算模块执行如下过程： [0084] 确定星载GNSS伪距和载波相位的观测方程； [0085] 确定低轨卫星运动方程； [0086] 基于星载GNSS观测数据，结合基于星载GNSS伪距和载波相位的观测方程、低轨卫星运动方程，采用最小二乘估计解算得到初始卫星状态量，通过数值积分得到卫星定轨弧段的状态量，以定轨弧段最后时刻的状态量作为卫星轨道预报初始时刻状态量。 [0087] 动力学参数预测模块，用于将各历史时刻的大气阻力系数和经验加速度系数分别组成的序列输入对应的训练好的神经网络预测模型，预测未来时刻的大气阻力系数和经验加速度系数。 [0088] 具体地，动力学参数预测模块执行如下过程： [0089] 将各历史时刻的大气阻力系数组成的序列输入训练好的基于神经网络的大气阻力系数预测模型中，预测得到未来时刻的大气阻力系数； [0090] 将各历史时刻的经验加速度系数组成的序列输入训练好的基于神经网络的经验加速度系数预测模型中，预测得到未来时刻的经验加速度系数； [0091] 其中，所述大气阻力系数预测模型和经验加速度系数预测模型分别基于历史大气阻力系数序列和经验加速度系数序列对卷积神经网络模型进行训练得到。 [0092] 轨道预报模块，用于基于卫星轨道预报初始时刻状态量及预测的大气阻力系数和经验加速度系数，利用动力学模型对低轨卫星轨道进行预报。 [0093] 应当理解，本实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。 [0094] 本发明实施例还提供了一种电子终端，包括： [0095] 存储器，其上存储有计算机程序； [0096] 处理器，用于加载并执行所述计算机程序，以实现如前述实施例所述的低轨卫星轨道预报方法。 [0097] 本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的低轨卫星轨道预报方法。 [0098] 可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。 [0099] 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。 [0100] 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。 [0101] 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。 [0102] 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。 [0103] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

意见反馈