商标分类 
商标转让 
您当前的位置： 一种声学回波消除与去混响方法及装置与流程
2021-01-28 16:01:19|
289|
起点商标网
本发明涉及语音信号处理领域。尤其涉及一种声学回波消除与去混响方法及装置。
背景技术：
在现代通信系统中，例如电话会议、免提通话等，由于信号传输过程表面反射的存在以及扬声器与麦克风之间耦合作用的存在，远端说话人往往会听到一种混合信号，其中包含了回波(即滞后了的自己的声音)与带混响的近端语音。回波与混响都会严重降低目标语音的质量，因此，如何去除回波与混响成为了语音信号处理领域的重要挑战。
在最近几年，基于深度学习的方法已经被广泛应用到语音信号处理当中，比如基于深度学习的语音分离与语音增强。诸多研究表明，基于深度学习的算法可以获得比传统信号处理方法更优异的处理效果。目前已经有大量的研究在利用深度学习进行回波消除或去混响，相较于传统的信号处理算法，基于神经网络的算法性能在单独回波消除或去混响任务上都有了极大的提高。然而这些算法仅仅考虑了环境中单独存在回波或混响时的情况，因此当两种干扰同时存在时，以上算法并不能很好的对麦克风拾取语音信号进行增强。
技术实现要素：
由于现有方法存在上述问题，本发明实施例提出一种声学回波消除与去混响方法及装置。
第一方面，本发明实施例提出一种声学回波消除与去混响方法，包括：
根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；
根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；
根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；
根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号，包括：
对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；
对每一帧信号进行加窗；
对加窗后的每一帧信号进行傅里叶变换，得到所述麦克风拾取语音频域信号与所述远端说话人语音频域信号。
在另一个可能的实现中，所述根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及所述预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽，包括：
将所述麦克风拾取语音频域信号的幅度谱和所述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到第一对数幅度谱和第二对数幅度谱；
将所述第一对数幅度谱与所述第二对数幅度谱逐帧拼接，并将逐帧拼接结果输入到所述预置的级联网络中的回波消除阶段神经网络，输出为所述估计掩蔽。
在另一个可能的实现中，所述根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽，包括：
将所述估计掩蔽与所述麦克风拾取语音频域信号的幅度谱相乘，并将相乘结果输入到所述预置的级联网络中的去混响阶段神经网络，输出为所述隐掩蔽。
在另一个可能的实现中，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号，包括：
根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱；
根据所述估计目标语音频域信号的幅度谱与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱，包括：
将所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽相乘，得到估计目标语音频域信号的幅度谱。
在另一个可能的实现中，所述预置的级联网络通过以下步骤获取：
将两个神经网络级联，并利用预置的回波消除阶段神经网络和预置的去混响阶段神经网络对级联后的两个神经网络分别进行初始化；
根据所述麦克风拾取语音频域信号的幅度谱和远端说话人语音频域信号的幅度谱，确定初始化后的两个神经网络的输入特征，并以目标语音频域信号的幅度谱为训练目标，对所述初始化后的两个神经网络进行联合训练；其中，所述目标语音频域信号为保留早期混响的近端说话人语音频域信号。
第二方面，本发明实施例提出一种声学回波消除与去混响装置，包括：
确定模块，用于根据麦克风拾取语音时域信号与远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；
所述确定模块，还用于根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；
所述确定模块，还用于根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；
所述确定模块，还用于根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述确定模块，具体用于：
对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；
对每一帧信号进行加窗；
对加窗后的每一帧信号进行傅里叶变换，得到所述麦克风拾取语音频域信号与所述远端说话人语音频域信号。
在另一个可能的实现中，所述确定模块，还具体用于：
将所述麦克风拾取语音频域信号的幅度谱和所述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到第一对数幅度谱和第二对数幅度谱；
将所述第一对数幅度谱与所述第二对数幅度谱逐帧拼接，并将逐帧拼接结果输入到所述预置的级联网络中的回波消除阶段神经网络，输出为所述估计掩蔽。
在另一个可能的实现中，所述确定模块，还具体用于：
将所述估计掩蔽与所述麦克风拾取语音频域信号的幅度谱相乘，并将相乘结果输入到所述预置的级联网络中的去混响阶段神经网络，输出为所述隐掩蔽。
在另一个可能的实现中，所述确定模块，还具体用于：
根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱；
根据所述估计目标语音频域信号的幅度谱与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱，包括：
将所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽相乘，得到估计目标语音频域信号的幅度谱。
在另一个可能的实现中，所述预置的级联网络通过以下步骤获取：
将两个神经网络级联，并利用预置的回波消除阶段神经网络和预置的去混响阶段神经网络对级联后的两个神经网络分别进行初始化；
根据所述麦克风拾取语音频域信号的幅度谱和远端说话人语音频域信号的幅度谱，确定初始化后的两个神经网络的输入特征，并以目标语音频域信号的幅度谱为训练目标，对所述初始化后的两个神经网络进行联合训练；其中，所述目标语音频域信号为保留早期混响的近端说话人语音频域信号。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下步骤：
根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如下步骤：
根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
由上述技术方案可知，本发明实施例通过预置的级联网络中的回波消除阶段神经网络和去混响阶段神经网络共同抑制麦克风拾取语音时域信号中的回波和混响，恢复出了估计目标语音时域信号，增强了麦克风拾取语音时域信号，能够完整地保留目标信号，从而提高了目标信号的清晰度、可懂度和舒适度。
附图说明
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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的两个人进行免提通话的场景示意图；
图2为本发明实施例提供的一种声学回波消除与去混响方法的流程示意图；
图3为本发明实施例提供的一种声学回波消除与去混响装置的结构示意图；
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1为本发明实施例提供的两个人进行免提通话的场景示意图。在本发明实施例中，将a端作为近端，b端作为远端。相应地，a端麦克风拾取语音时域信号为受到回波与混响干扰的语音时域信号，包括了a端说话人语音时域信号、回波(即a端麦克风拾取的滞后了的b端说话人语音时域信号，其中b端说话人语音时域信号由a端扬声器传出)及混响(即a端说话人语音时域信号经反射与衰减后到达麦克风的信号)。
在本发明实施例中，采集麦克风拾取语音时域信号和远端说话人语音时域信号。然后对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；对每一帧信号进行加窗，加窗函数采用布莱克曼窗；对加窗后的每一帧信号进行傅里叶变换，得到所述麦克风拾取语音频域信号与所述远端说话人语音频域信号；其中，上述麦克风拾取语音频域信号表示为：
y(n，f)＝h1(n，f)s(n，f)+h2(n，f)x(n，f)＝r(n，f)+d(n，f)，
其中，n为语音帧，f为频点，h1(n，f)为近端说话人与麦克风之间的传输函数，h2(n，f)为扬声器与麦克风之间的传输函数，s(n，f)为近端说话人语音频域信号，x(n，f)为远端说话人语音频域信号，r(n，f)为无回波干扰的混响语音频域信号，d(n，f)为回波干扰语音频域信号。接下来，将上述麦克风拾取语音频域信号的幅度谱和上述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到对应的对数幅度谱，即第一对数幅度谱和第二对数幅度谱；将上述第一对数幅度谱与上述第二对数幅度谱逐帧拼接，并将逐帧拼接结果作为回波消除阶段神经网络的输入特征；其中，上述回波消除阶段神经网络的输入特征表示为：
iaec(n)＝[log(|y(n，1)|)，...，log(|y(n，f)|)，log(|x(n，1)|)，...，log(|x(n，f)|)]，
其中，f为最大频点数，|y(n，f)|为麦克风拾取语音频域信号的幅度谱，|x(n，f)|为远端说话人语音频域信号的幅度谱。利用上述输入特征作为先验信息，以每个时频点处无回波的混响语音能量占麦克风拾取语音能量的主导概率为训练目标，使用双向长短时记忆网络(bidirectionallongshort-termmemory,blstm)作为神经网络监督学习机进行训练学习，利用神经网络输出与训练目标计算损失函数，至此，完成回波消除阶段神经网络的训练，得到预置的回波消除阶段神经网络。其中，上述每个时频点处无回波的混响语音能量占麦克风拾取语音能量的主导概率可定义为理想比率掩蔽(idealratiomask,irm)。上述回波消除阶段的irm表示为：
其中，|r(n，f)|为无回波干扰的混响语音频域信号的幅度谱，|d(n，f)|为回波干扰语音频域信号的幅度谱。上述回波消除阶段的损失函数表示为：
其中，
其中，
idev(n)＝[log(|srev(n，1)|)，...，log(|srev(n，f)|)]，
其中，|sre(n，f)|为无回波干扰的混响语音频域信号的幅度谱。利用上述去混响阶段神经网络的输入特征作为先验信息，以目标语音频域信号的幅度谱为训练目标，使用blstm作为神经网络监督学习机进行训练学习，至此，完成去混响阶段神经网络的训练，得到预置的去混响阶段神经网络。其中，上述目标语音频域信号为保留早期混响的近端说话人语音频域信号，上述blstm的直接输出为一个掩蔽值，即“隐掩蔽”，上述隐掩蔽与上述无回波干扰的混响语音频域信号的幅度谱相乘，得到估计的保留早期混响的近端语音频域信号的幅度谱，上述估计的保留早期混响的近端语音频域信号的幅度谱再与上述目标语音频域信号的幅度谱计算损失函数。上述估计的保留早期混响的近端语音频域信号的幅度谱表示为：
其中，
其中，
需要说明的是，本发明实施例充分利用回波与混响的声学特性以及深度学习的特性，鉴于回波信号与混响的特性不同，即回波为加性信号，混响为卷积过程，应用了一种两阶段处理的方案。同时，对回波消除网络应用掩蔽为训练目标，对去混响网络则使用谱映射的方法，并将掩蔽的思想通过一个“隐掩蔽”融入到谱映射中，以期利用掩蔽的优点获得更优的性能；进一步对两个预训练好的模型进行联合训练，提升两阶段的耦合度，从而获得更好的回波消除与去混响效果。
图2为本发明实施例提供的一种声学回波消除与去混响方法的流程示意图，该流程示意图包括：
s201，根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响。
在一种可能的实现中，为获得麦克风拾取语音频域信号与远端说话人语音频域信号，需要对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；然后，对每一帧信号进行加窗，加窗函数采用布莱克曼窗；最后，对加窗后的每一帧信号进行傅里叶变换。其中，麦克风拾取语音时域信号是受到回波与混响干扰的近端说话人语音时域信号。
s202，根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽。
在一种可能的实现中，将所述麦克风拾取语音频域信号的幅度谱和所述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到相应的对数幅度谱。在本发明实施例中，称为第一对数幅度谱和第二对数幅度谱。将第一对数幅度谱与第二对数幅度谱逐帧拼接，并将逐帧拼接结果输入到预置的级联网络中的回波消除阶段神经网络，输出为估计掩蔽。
s203，根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽。
在一种可能的实现中，将s202中得到的估计掩蔽与麦克风拾取语音频域信号的幅度谱相乘，并将相乘结果输入到预置的级联网络中的去混响阶段神经网络，输出为隐掩蔽。
s204，根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在一种可能的实现中，将麦克风拾取语音频域信号的幅度谱、s202中得到的估计掩蔽和s203中得到的隐掩蔽相乘，可以确定估计目标语音频域信号的幅度谱。再根据估计目标语音频域信号的幅度谱和麦克风拾取语音频域信号的相位，及逆傅里叶变换，可以确定估计目标语音时域信号。
本发明实施例通过预置的级联网络中的回波消除阶段神经网络和去混响阶段神经网络共同抑制麦克风拾取语音时域信号中的回波和混响，恢复出了估计目标语音时域信号，增强了麦克风拾取语音时域信号。
需要说明的是，本发明实施例首先在第一阶段(回波消除阶段神经网络)，利用基于掩蔽的方法，对与目标语音不相关的加性回波信号进行消除；对于剩余的与目标语音高度相关的混响干扰，在第二阶段(去混响阶段神经网络)使用基于“隐掩蔽”的谱映射方法对其进行去除。首先各自单独训练预置的级联网络中的回波消除阶段神经网络和去混响阶段神经网络，之后进行联合训练以提升两阶段的耦合度，从而获得更好的回波消除与去混响效果。
图3为本发明实施例提供的一种声学回波消除与去混响装置的结构示意图，该结构示意图包括：确定模块301；
确定模块301，用于根据麦克风拾取语音时域信号与远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；
所述确定模块301，还用于根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；
所述确定模块301，还用于根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；
所述确定模块301，还用于根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述确定模块301，具体用于：
对麦克风拾取语音时域信号与远端说话人语音时域信号每次分别取预设个数采样点作为一帧信号；
对每一帧信号进行加窗；
对加窗后的每一帧信号进行傅里叶变换，得到所述麦克风拾取语音频域信号与所述远端说话人语音频域信号。
在另一个可能的实现中，所述确定模块301，还具体用于：
将所述麦克风拾取语音频域信号的幅度谱和所述远端说话人语音频域信号的幅度谱分别进行对数压缩，得到第一对数幅度谱和第二对数幅度谱；
将所述第一对数幅度谱与所述第二对数幅度谱逐帧拼接，并将逐帧拼接结果输入到所述预置的级联网络中的回波消除阶段神经网络，输出为所述估计掩蔽。
在另一个可能的实现中，所述确定模块301，还具体用于：
将所述估计掩蔽与所述麦克风拾取语音频域信号的幅度谱相乘，并将相乘结果输入到所述预置的级联网络中的去混响阶段神经网络，输出为所述隐掩蔽。
在另一个可能的实现中，所述确定模块301，还具体用于：
根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱；
根据所述估计目标语音频域信号的幅度谱与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
在另一个可能的实现中，所述根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽，确定估计目标语音频域信号的幅度谱，包括：
将所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽和所述隐掩蔽相乘，得到估计目标语音频域信号的幅度谱。
在另一个可能的实现中，所述预置的级联网络通过以下步骤获取：
将两个神经网络级联，并利用预置的回波消除阶段神经网络和预置的去混响阶段神经网络对级联后的两个神经网络分别进行初始化；
根据所述麦克风拾取语音频域信号的幅度谱和远端说话人语音频域信号的幅度谱，确定初始化后的两个神经网络的输入特征，并以目标语音频域信号的幅度谱为训练目标，对所述初始化后的两个神经网络进行联合训练；其中，所述目标语音频域信号为保留早期混响的近端说话人语音频域信号。
本发明实施例所述的一种声学回波消除与去混响装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图4，所述电子设备，包括：处理器(processor)401、存储器(memory)402和总线403；
其中，
所述处理器401和存储器402通过所述总线403完成相互间的通信；
所述处理器401用于调用所述存储器402中的程序指令，以执行如下步骤：
根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下步骤：
根据麦克风拾取语音时域信号与扬声器传出的远端说话人语音时域信号，确定麦克风拾取语音频域信号与远端说话人语音频域信号；其中，所述麦克风拾取语音时域信号包括：近端说话人语音时域信号、回波和混响；根据所述麦克风拾取语音频域信号、所述远端说话人语音频域信号及预置的级联网络中的回波消除阶段神经网络，确定估计掩蔽；根据所述估计掩蔽、所述麦克风拾取语音频域信号的幅度谱及所述预置的级联网络中的去混响阶段神经网络，确定隐掩蔽；根据所述麦克风拾取语音频域信号的幅度谱、所述估计掩蔽、所述隐掩蔽与所述麦克风拾取语音频域信号的相位，确定估计目标语音时域信号。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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精神和范围。
起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】
与客服一对一沟通，为大家解决相关问题。
此文章来源于网络,如有侵权,请联系删除
热门咨询
