一種報銷審批流程生成方法、系統、設備及存儲介質與流程
2023-11-11 01:45:19
1.本發明涉及費用管理技術領域，具體涉及一種報銷審批流程生成方法、系統、設備及存儲介質。
背景技術：
2.目前各個單位的財務報銷必須經過相應的審批審核過程，行政事業單位要求尤其規範。根據制度文件的要求，單位普遍制定了較為細緻的報銷審批審核工作流程，在傳統的紙質單據籤字審批的業務模式下，經辦人需要根據報銷單據中的經費渠道、內部機構、人員級別、費用類型、經費額度、特殊事項等信息，按照內部審批流程的要求逐級找指定人審批。
3.傳統的審批模式要求報銷經辦人充分了解、熟悉單位的審批流程規則，適用於審批規則較為簡單、單位人員相對穩定的小型單位，對於規模較大、人員流動較大的單位，會導致審批規則複雜，對報銷審批業務造成很大的障礙，影響行政運行效率，尤其是當經辦人為新人時，更加影響報銷流程的運行效率。
4.因此，目前的報銷審批流程方式，在審批規則較複雜時，對報銷審批業務造成很大的障礙，影響行政運行效率。
技術實現要素：
5.有鑑於此，本發明的目的在於提供一種報銷審批流程生成方法、系統、設備及存儲介質，以解決現有技術在審批規則較複雜時，對報銷審批業務造成很大的障礙、影響行政運行效率的問題。
6.根據本發明實施例的第一方面，提供一種報銷審批流程生成方法，包括：
7.獲取已經完成審批的報銷單據，提取所述報銷單據的特徵向量；
8.獲取所述報銷單據的審批流程，將所述審批流程作為一個類別，並編碼，得到所述特徵向量對應的流程類別；
9.將所述特徵向量和對應的所述流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；
10.利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程。
11.優選的，所述提取所述報銷單據的特徵向量，包括：
12.根據預存的單位報銷審批規則，提取所述報銷單據中的欄位信息；
13.對每一個欄位信息進行數值編碼，得到完全數值化的特徵向量。
14.優選的，所述利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程，包括：
15.獲取新提交的報銷申請單，提取所述報銷申請單的特徵向量；
16.將所述報銷申請單的特徵向量輸入至訓練好的學習分類模型，得出類別編碼；
17.根據所述類別編碼，反向映射得出所述報銷申請單對應的審批流程。
18.優選的，在生成所述報銷申請單對應的審批流程之後，還包括：
19.根據所述審批流程和預先存儲的審批人信息，得出推薦審批流；
20.當獲取經辦人的確認指令後，根據所述推薦審批流，逐級發送至審批人，以完成審批工作。
21.優選的，還包括：
22.根據所述審批流程和預先存儲的審批人信息，得出推薦審批流；
23.獲取經辦人自主逐級選擇的包括審批人信息的審批流；
24.將所述推薦審批流與所述經辦人自主選擇的審批流進行比較，對差異進行判斷；
25.當所述差異超過預設範圍時，示出存在不合規風險的預警提示；
26.根據所述推薦審批流，示出引導信息，以引導經辦人調整完善所選擇的審批流。
27.優選的，在所述獲取已經完成審批的報銷單據之後，還包括：
28.對所述報銷單據進行標準規範化處理，生成標準文件；
29.根據所述標準文件，提取所述報銷單據的特徵向量。
30.根據本發明實施例的第二方面，提供一種報銷審批流程生成系統，包括：
31.數據解析模塊，用於獲取已經完成審批的報銷單據，提取所述報銷單據的特徵向量；
32.審批流類別映射模塊，用於獲取所述報銷單據的審批流程，將所述審批流程作為一個類別，並編碼，得到所述特徵向量對應的流程類別；
33.神經網絡模塊，用於將所述特徵向量和對應的所述流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；
34.分析生成模塊，用於利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程。
35.優選的，所述的系統，還包括：
36.特徵向量數值化映射模塊，用於根據預存的單位報銷審批規則，提取所述報銷單據中的欄位信息；對每一個欄位信息進行數值編碼，得到完全數值化的特徵向量。
37.根據本發明實施例的第三方面，提供一種報銷審批流程生成設備，包括：
38.主控器，及與所述主控器相連的存儲器；
39.所述存儲器，其中存儲有程序指令；
40.所述主控器用於執行存儲器中存儲的程序指令，執行上述任一項所述的方法。
41.根據本發明實施例的第四方面，提供一種計算機可讀存儲介質，存儲有電腦程式，其特徵在於，所述電腦程式被處理器執行時，實現上述任一項所述的方法。
42.本發明的實施例提供的技術方案可以包括以下有益效果：
43.可以理解的是，本發明提供的技術方案，通過獲取已經完成審批的報銷單據，提取報銷單據的特徵向量；獲取報銷單據的審批流程，將審批流程作為一個類別，並編碼，得到特徵向量對應的流程類別；將特徵向量和對應的流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；利用訓練好的學習分類模型對新提交的報銷申請單進行分析，生成報銷申請單對應的審批流程。可以理解的是，本發明提供的技術方案，利用單位長期積累的報銷審批過程數據，應用機器學習的方法開展訓練，並生成新的報銷單據在單位內部的審批級次和流程，對於審批規則複雜的情況，利用多次迭代訓練得到
的學習分類模型仍然能夠得到準確度較高的審批流程，避免人力資源浪費的同時，有效提高了行政運行效率。
44.應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本發明。
附圖說明
45.此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本發明的實施例，並與說明書一起用於解釋本發明的原理。
46.圖1是根據一示例性實施例示出的一種報銷審批流程生成方法的步驟示意圖；
47.圖2是根據一示例性實施例示出的報銷單據特徵向量和審批流程提取的示意圖；
48.圖3是根據一示例性實施例示出的一種報銷審批流程生成方法的流程示意圖；
49.圖4是根據一示例性實施例示出的一種報銷審批流程生成系統的示意框圖；
50.圖5是根據一示例性實施例示出的另一種報銷審批流程生成系統的示意框圖；
51.圖6是根據一示例性實施例示出的bp人工神經網絡拓撲示意圖。
具體實施方式
52.這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本發明相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發明的一些方面相一致的裝置和方法的例子。
53.首先，目前的報銷審批流程方式，一種是經辦人自主選擇審批人，即採取與線下紙質審批完全相同的模式，要求經辦人充分了解單位的審批規則，並根據規則自行逐級選擇審批人；另一種是系統預置審批流程，即將單位的審批規則預置到軟體系統中，根據所提交單據的經費渠道、內部機構、人員級別等屬性，系統在預設好的有限個審批流程中尋找，將最先匹配上的審批流程提供給相應的報銷單據。前者經辦人自主選擇，靈活性最大，但不能體現信息系統在數據處理方面的優勢，對提升單位報銷審批的合規性也沒有幫助。後者預設審批流的方式，較好地規範了報銷審批流程，但是正因為完全預設的審批流程導致模版僵化，對單位報銷規則變更的適應性不強。在報銷實務中，單位財務人員普遍反映該方式的缺陷主要有兩方面，一是單位的報銷規則通常是模糊的文字描述，在預設審批流時需要單位經驗豐富的財務人員和軟體系統的實施人員耗費大量精力分析，儘可能窮舉所有可能發生的報銷場景，但報銷業務場景往往無法窮舉完備，即使報銷規則相對明確的單位，也難以事前完備地考慮到所有可能發生的報銷事項，因此預設的審批流程難免有匹配不到的情況；二是單位的內部機構領導調換、項目負責人變更、項目經費預算變更等情況會影響報銷審批流程，這些變更時有發生，但通常是報銷經辦人先知情，而負責報銷軟體系統設置管理的人員卻不知情，往往要等到某個報銷申請單據的審批流程被知情人發現錯誤後，才能發起預設審批流程的變更，審批流程的匹配往往滯後於流程調整。
54.實施例一
55.圖1是根據一示例性實施例示出的一種報銷審批流程生成方法的步驟示意圖，參見圖1，提供一種報銷審批流程生成方法，包括：
56.步驟s11、獲取已經完成審批的報銷單據，提取所述報銷單據的特徵向量；
57.需要說明的是，所述提取所述報銷單據的特徵向量，包括：
58.根據預存的單位報銷審批規則，提取所述報銷單據中的欄位信息；
59.對每一個欄位信息進行數值編碼，得到完全數值化的特徵向量。
60.在具體實踐中，參見圖2，提取報銷申請單據的特徵向量，即根據單位報審批規則用到的信息項，提取報銷單據中的欄位為特徵向量。例如，將報銷單據中的費用類型、內部機構、人員級別、經費渠道、經費額度、特殊事項等信息項提取為特徵向量，並對每一個特徵的具體取值進行數值編碼，得到完全數值化的特徵向量。
61.步驟s12、獲取所述報銷單據的審批流程，將所述審批流程作為一個類別，並編碼，得到所述特徵向量對應的流程類別；
62.在具體實踐中，參見圖2，例如，某個報銷申請單據的審批流程是：《部門領導a
→
會計b
→
財務負責人c
→
單位負責人d》，則將該4人按順序審批的流程作為一個類別，並編碼。
63.步驟s13、將所述特徵向量和對應的所述流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；
64.在具體實踐中，用單位已完成審批的報銷申請單據的特徵向量和對應的流程類別作為訓練集合，訓練學習分類模型，即用歷史報銷申請單作為訓練樣本，對學習分類模型進行有監督的學習訓練。例如，某報銷申請單的特徵向量是：《差旅費，業務一處，一般人員，100212項目，4393元，無特殊事項》，其審批流程經過步驟s12編碼後，屬於編碼為1的類別，則將該特徵向量和對應的1類作為訓練樣本輸入學習分類模型。訓練完成後，得到訓練好的學習分類模型。優選的，由於單位的報銷單據審批數據隨著業務的開展不斷積累和更新，本機器學習的訓練步驟可以在單位日常工作過程中，定期或不定期的重複進行，以不斷提高分類器的分類精度和準確度。
65.步驟s14、利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程。
66.可以理解的是，本實施例提出的一種報銷審批流程生成方法，能夠兼顧報銷審批流程設置的靈活性和規範性，對預設審批流程模版的完備性要求不高，甚至能無需預先設置匹配所有情況的審批流程，但是能夠根據所提交的報銷申請單據智能化地推薦該單據應該執行的審批流程，自動提供給經辦人使用。利用單位長期積累的報銷審批過程數據，應用機器學習的方法開展訓練，並生成新的報銷單據在單位內部的審批級次和流程，提高行政運行效率。
67.需要說明的是，所述利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程，包括：
68.獲取新提交的報銷申請單，提取所述報銷申請單的特徵向量；
69.將所述報銷申請單的特徵向量輸入至訓練好的學習分類模型，得出類別編碼；
70.根據所述類別編碼，反向映射得出所述報銷申請單對應的審批流程。
71.在具體實踐中，對於經辦人新提交的報銷申請單，首先應按照步驟s11的方法提取其特徵向量，之後，將提取生成的特徵向量輸入到經過步驟s13訓練好的學習分類模型中，學習分類模型輸出推薦的類別編碼，並將類別編碼根據步驟s12的結果反向映射成具體的審批流程。
72.需要說明的是，在生成所述報銷申請單對應的審批流程之後，有兩種方式協助經辦人，第一種方式為：
73.根據所述審批流程和預先存儲的審批人信息，得出推薦審批流；
74.當獲取經辦人的確認指令後，根據所述推薦審批流，逐級發送至審批人，以完成審批工作。
75.在具體實踐中，模式識別推薦得到的審批流程，可由實現該方法的系統的人機互動界面自動提供給報銷申請單的經辦人，由其確認後提交逐級開展審批工作。
76.需要說明的是，第二種方式為：
77.根據所述審批流程和預先存儲的審批人信息，得出推薦審批流；
78.獲取經辦人自主逐級選擇的包括審批人信息的審批流；
79.將所述推薦審批流與所述經辦人自主選擇的審批流進行比較，對差異進行判斷；
80.當所述差異超過預設範圍時，示出存在不合規風險的預警提示；
81.根據所述推薦審批流，示出引導信息，以引導經辦人調整完善所選擇的審批流。
82.在具體實踐中，可在提交報銷申請單的經辦人自主逐個選擇審批人形成審批流後，將所述推薦審批流與所述經辦人自主選擇的審批流進行比較，並在差異超過一定範圍時，由實現該方法的系統的人機互動界面給出可能存在不合規風險的預警提示，引導經辦人調整完善所選擇的審批流。
83.優選的，這兩種協助經辦人完成審批流的應用方式，是二選其一的方式，經辦人可以直接確認推薦審批流，即第一種方式；經辦人也可以自己編制審批流，系統將推薦審批流與編制的審批流做對比，防止違規風險。
84.需要說明的是，在所述獲取已經完成審批的報銷單據之後，還包括：
85.對所述報銷單據進行標準規範化處理，生成標準文件；
86.根據所述標準文件，提取所述報銷單據的特徵向量。
87.在具體實踐中，為了通過軟體系統自動化處理報銷申請單據，首先要對電子報銷單的數據表達進行標準化、規範化處理，生成標準文件，例如，可以利用xml語言表達電子報銷申請單，每個報銷申請單編碼為一個xml文件。根據報銷申請單的xml文件，解析xml文件，最終提取特徵向量。
88.參見圖3，本實施例提出的報銷審批流程生成方法，經過測試表明，選擇合適的機器學習分類器作為學習分類模型，在千量級的歷史審批單數據的訓練下，推薦審批流的準確率能夠達到95％以上。本實施例的效果體現在以下幾方面：一是可以較為靈活地適應不同規模、不同類型單位的報銷審批規則，減輕報銷審批軟體系統初始化預設審批流模版的繁重勞動；二是能快速適應單位報銷規則和人員崗位的變化，擺脫了報銷審批軟體系統頻繁調整審批流程設置的缺陷；三是利用機器學習模式識別的方法得到的推薦審批流，是利用單位已完成的合規報銷審批「大數據」形成的審批流程知識庫，能夠有效規避單位報銷經辦人誤選、漏選審批人可能造成的合規風險，該方法隨著單位的審批數據量積累越多效果越好。
89.實施例二
90.圖4是根據一示例性實施例示出的一種報銷審批流程生成系統的示意框圖，參見圖4，提供一種報銷審批流程生成系統，包括：
91.數據解析模塊101，用於獲取已經完成審批的報銷單據，提取所述報銷單據的特徵向量；
92.審批流類別映射模塊102，用於獲取所述報銷單據的審批流程，將所述審批流程作為一個類別，並編碼，得到所述特徵向量對應的流程類別；
93.神經網絡模塊103，用於將所述特徵向量和對應的所述流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；
94.分析生成模塊104，用於利用所述訓練好的學習分類模型對新提交的報銷申請單進行分析，生成所述報銷申請單對應的審批流程。
95.可以理解的是，本實施例提供的技術方案，通過數據解析模塊101獲取已經完成審批的報銷單據，提取報銷單據的特徵向量；通過審批流類別映射模塊102獲取報銷單據的審批流程，將審批流程作為一個類別，並編碼，得到特徵向量對應的流程類別；通過神經網絡模塊103將特徵向量和對應的流程類別作為訓練集，輸入至預先建立的學習分類模型，得到訓練好的學習分類模型；通過分析生成模塊104利用訓練好的學習分類模型對新提交的報銷申請單進行分析，生成報銷申請單對應的審批流程。可以理解的是，本發明提供的技術方案，利用單位長期積累的報銷審批過程數據，應用機器學習的方法開展訓練，並生成新的報銷單據在單位內部的審批級次和流程，提高行政運行效率。
96.需要說明的是，所述的系統，還包括：
97.特徵向量數值化映射模塊，用於根據預存的單位報銷審批規則，提取所述報銷單據中的欄位信息；對每一個欄位信息進行數值編碼，得到完全數值化的特徵向量。
98.圖5是根據一示例性實施例示出的另一種報銷審批流程生成系統的示意框圖，參見圖5，將bp人工神經網絡作為神經網絡模塊的學習分類模型。
99.首先，數據解析模塊為了通過軟體系統自動化處理報銷申請單據，首先要對電子報銷單的數據表達進行標準化、規範化處理，本實施例利用xml語言表達電子報銷申請單，每個報銷申請單編碼為一個xml文件。數據解析模塊的輸入是報銷申請單xml文件，該模塊解析xml文件，提取分類所需的欄位值，形成特徵向量。
100.特徵向量數值化映射模塊，為了便於bp人工神經網絡的訓練和分類輸入，需要將文本類型的特徵值轉換為數值格式。將報銷申請單的特徵向量根據每個特徵的取值編碼，映射為一個數值。表1為舉例說明本系統設計的各個特徵欄位的取值編碼說明：
101.[0102][0103]
表1
[0104]
審批流類別映射模塊，為了便於bp人工神經網絡的訓練和分類，需要將文本類型審批流轉換為數值格式的類別碼。將單位所有審批完成的報銷單上的審批流程枚舉，首先按字母先後順序逐個對所有審批流編碼，編碼值從1開始按正整數遞增；後續新增的審批流程，繼續逐個編碼，編碼值在已有編碼的基礎上按正整數遞增。編碼完成的審批流和類別值一一對應存入資料庫。
[0105]
神經網絡模塊：優選的，參見圖6，本系統設計的bp人工神經網絡從拓撲結構上看，是一種典型的前向分層網絡，分為三層(輸入層、隱含層和輸出層)，神經元節點在同一層網絡中不存在彼此連接，一個bp網絡的隱含層可有一或多層。
[0106]
bp人工神經網絡層數設計：本系統採用了最基礎的三層bp人工神經網絡模型，由於bp網絡的最主要的模型特性就是非線性映射功能，也就是說一個三層bp網絡就可以完成任意的n維到m維的映射，所以無論在理論還是實踐應用中，一個由輸入層、隱含層、輸出層構成簡單的三層bp網絡就足以解決絕大多數的複雜問題，相反，如果bp網絡模型中隱含層數目設置過多，就會造成模型的複雜化，耗費大量的樣本訓練時間，最終輸出的誤差也不一
定減少，而且易使網絡模型陷入癱瘓，影響實驗分類的結果。
[0107]
輸入層和輸出層節點數設計：輸入層的節點數目一般是與參與分類的特徵數目或者特徵空間的維數一致的。本系統根據特徵向量數值化映射模塊提取的特徵向量，選取了報銷申請單據的6個特徵作為輸入向量，所以輸入層的節點數目為6。輸出層的結點數目則等於欲分結果的不同審批流類型的數目，本系統在實踐最初整理了某單位歷史報銷單中的審批流類型有7種，所以初始化的輸出層的節點數目是7。後續在單位出現新的報銷申請審批流類型的時候，系統迭代增加輸出層的節點數目。
[0108]
隱含層節點數的確定：人工神經網絡模型設計中，設置模型隱含層的節點個數非常關鍵，隱含層節點個數的選擇會與網絡模型在樣本學習階段的精度和訓練速度產生直接聯繫。若設置的隱含層節點數目太少，網絡模型可能根本不能進行樣本訓練或者訓練效果很差；若設置的隱含層節點數目過多，則又會導致模型運算量增大，影響訓練速度，使訓練易陷入局部極小點而得不到最優點。相關研究表明，人工神經網絡模型如果包含兩個隱含層，則第一個隱含層的節點數至少設置為模型輸入層節點數的2倍到3倍；如果模型中只有一個隱含層，則其節點數至少設置為輸入層或輸出層節點數的最大值；如果實驗結果不夠理想或者說不能達到設置的精確要求，可以通過適當的改變隱含層節點數的設置來獲得預期的結果。因此，本系統在綜合考慮誤差精度和網絡結構複雜程度的情況下考慮隱含層節點數的設置，通常情況下，全局誤差趨於最小或小於預先給定的允許誤差會作為隱含層節點數選取的一個指標。
[0109]
激勵函數的確定：本系統選擇的神經網絡的激勵函數是s型的對數函數，s形函數是一階導數並且連續可微，對於三層bp神經網絡，s型激勵函數劃分的區域是由一個非線性的超平面組成，而非一個線型劃分。由於該種激勵函數存在較為光滑、柔和的任意界面，它的分類比線性激勵函數更加合理和準確，並且模型有較好的容錯特性。
[0110]
bp網絡的訓練：神經網絡模型的初始狀態是無序的，各神經元節點間連接權值也是隨機設置的，此時的模型還不能進行自動化的審批流分類，只有通過對網絡模型進行大量持續的訓練，獲得了神經元節點的最優連接權值，使誤差達到預期值，才能使模型得到有序、穩定的狀態，所以bp神經網絡的自動識別模式就是通過對神經元節點之間連接權值的調整，使得訓練結果與實際結果學習的誤差收斂到一定範圍之內，來獲得對外界規律的識別和模擬。本系統的特徵向量輸入參數，各個維度的特徵向量均採用最大最小值歸一化方法進行歸一化處理到[0,1]區間內，以降低數值運算暴漲的風險。在網絡模型的樣本訓練階段前，需要對模型各種參數進行設置。
[0111]
初始權值a的確定：在bp學習算法中，網絡模型初始權值的設置一般按均勻分布在一個固定範圍內隨機產生的，這個固定範圍在0～1之間，而且初始權值具體設置的大小對模型的收斂速度和防止出現局部極小都有一定的影響，如果範圍設置不當，網絡模型訓練從最開始就可能進入「假飽和」狀態，或者進入局部極小點，網絡模型根本無法收斂。在實踐中，會根據具體的網絡模式和訓練樣本不同而有針對性的對初始值進行設置。
[0112]
學習速率因子η的確定：學習速率η的確定對構建自動化審批流分類非常關鍵，它直接關係到學習過程的穩定性、速度和最終效果。如果設置的學習速率η過大會導致權值在每次訓練時的修正量過大，權值的修正值會超出某個誤差的極小值呈不規則跳躍，並出現不收斂；但是，如果設置的η過小又會使訓練時間過長，不過能保證收斂於某個極小值，誤差
不能達到期望的結果。優選的，為了保證訓練結果的收斂性通常會選取較小的學習速率因子η，而對於η初值選取與正常算法一樣，在0～1之間定義一個正數即可。學習速率η初值確定之後，就可以進行網絡模型的訓練，同時根據總誤差的變化方向設定下一次的學習率η。具體的調節過程是：如果通過迭代後發現結果總誤差增加，則將一個小於1的常數乘以原學習速率因子η，在原方向上重新計算下一個迭代點，反之，如果迭代後發現總誤差函數減小，則把一個大於1的常數乘以原學習速率因子η，加快網絡模型學習速度，這樣在學習速率得到調整的同時，又可以不會增加計算量。
[0113]
全局誤差e的選取：應根據bp網絡模型訓練過程中的實際情況預先確定誤差界值(全局誤差e)，全局誤差的確定取決於具體訓練樣本的學習精度和網絡模型的收斂速度大小。當誤差界值設置較小時，訓練效果較好，但網絡的收斂速度降低，訓練次數也會增大。如果e取得較大時情況相反。
[0114]
存儲資料庫：存儲資料庫主要包括兩種類別的數據表，分別為特徵向量數據表和審批流類別數據表。
[0115]
設計特徵向量數據表欄位結構如表2所示：
[0116][0117]
表2
[0118]
設計審批流類別數據表欄位結構如表3所示：
[0119][0120][0121]
表3
[0122]
實施例三
[0123]
提供一種報銷審批流程生成設備，包括：
[0124]
主控器，及與所述主控器相連的存儲器；
[0125]
所述存儲器，其中存儲有程序指令；
[0126]
所述主控器用於執行存儲器中存儲的程序指令，執行上述任一項所述的方法。
[0127]
實施例四
[0128]
提供一種計算機可讀存儲介質，存儲有電腦程式，其特徵在於，所述電腦程式被處理器執行時，實現上述任一項所述的方法。
[0129]
可以理解的是，上述各實施例中相同或相似部分可以相互參考，在一些實施例中未詳細說明的內容可以參見其他實施例中相同或相似的內容。
[0130]
需要說明的是，在本發明的描述中，術語「第一」、「第二」等僅用於描述目的，而不能理解為指示或暗示相對重要性。此外，在本發明的描述中，除非另有說明，「多個」的含義是指至少兩個。
[0131]
流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用於實現特定邏輯功能或過程的步驟的可執行指令的代碼的模塊、片段或部分，並且本發明的優選實施方式的範圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執行功能，這應被本發明的實施例所屬技術領域的技術人員所理解。
[0132]
應當理解，本發明的各部分可以用硬體、軟體、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執行系統執行的軟體或固件來實現。例如，如果用硬體來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用於對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現場可編程門陣列(fpga)等。
[0133]
本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序指令相關的硬體來完成，所述的程序可以存儲於一種計算機可讀存儲介質中，該程序在執行時，包括方法實施例的步驟之一或其組合。
[0134]
此外，在本發明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以採用硬體的形式實現，也可以採用軟體功能模塊的形式實現。所述集成的模塊如果以軟體功能模塊的形式實現並作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。
[0135]
上述提到的存儲介質可以是只讀存儲器，磁碟或光碟等。
[0136]
在本說明書的描述中，參考術語「一個實施例」、「一些實施例」、「示例」、「具體示例」、或「一些示例」等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本發明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特徵、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。
[0137]
儘管上面已經示出和描述了本發明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發明的限制，本領域的普通技術人員在本發明的範圍內可以對上述實施例進行變化、修改、替換和變型。