具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种环境污染分级方法。所述环境污染分级方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述环境污染分级方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的环境污染分级的流程示意图。在本实施例中，所述环境污染分级方法，包括：

S1、接收波形采样数据和所述波形采样数据对应的预警值域数据，利用预构建的原始神经网络对所述波形采样数据依次执行加权和激活处理，得到迭代预警数据；

本发明实施例中，所述波形采样数据是指提取出的污染物的单个波峰的波形参数，包括波形峰值、波形中心和波形半宽。所述预警值域数据指根据污染物的污染程度划定的预警范围指标，例如：0-0.2为低风险、0.2-0.4为较低风险、0.4-0.6为中风险、0.6-0.8为较高风险、0.8-1.0为高风险等。例如：有5个显示氨氮污染数据的波形采样数据，5个波形采样数据的波形峰值分别为小于0.5mg/L；0.5-1.0mg/L之间；1.0-3.0mg/L之间；3.0-5.0mg/L；大于5.0mg/L，则所述5个波形分别对应所述预警值域数据中的低分险、较低分险、中风险、较高分险、高分险。又例如：有5个显示悬浮固体污染数据的波形采样数据，5个波形采样数据的波形半宽分别为波形半宽小于2min；波形半宽为2-4min；波形半宽为4-6min；波形半宽为6-8min；波形半宽为大于8min，则5个波形分别对应所述预警值域数据中的低分险、较低分险、中风险、较高分险、高分险。所述迭代预警数据是指所述原始神经网络在不断地迭代调整过程中所输出的数据。

本发明实施例中，所述原始神经网络可采用BP神经网络，包括输入层、隐藏层和输出层。所述输入层包含负责接收采样数据的多个节点，每个节点专门接收一种污染物的波形采样数据，例如：氨氮污染物波形峰值接收节点、悬浮固体污染物波形峰值接收节点，此时所述输入层节点为2个。又例如：氨氮污染物波形半宽接收节点、悬浮固体污染物波形半宽接收节点、含氧量波形半宽接收节点，此时所述输入层节点为3个。

所述隐藏层包含接收所述输入层输出数据的多个节点，将所述输出数据进行加权求和并经预构建的激活函数转换后输入到所述输出层。隐藏层的节点个数过少会导致所述原始神经网络不能得到很好的训练，训练的精度也会受到影响。隐藏层节点数过多会导致训练的原始神经网络处理数据过于拟合。

本发明实施例中，所述隐藏层节点数可采用如下公式中的一个得到：

l<n-1；

l＝log₂n，

其中l为隐藏层节点数，n为输入层节点数，m为输出层节点数，a为0-10之间的常数。

所述输出层包含接收所述隐藏层节点输出数据的多个节点，输出层节点可以根据预警等级划分需要设置，本发明实施例划分为5个。分别为低分险节点、较低风险节点、中风险节点、较高风险节点和高风险节点。输出层节点将所述隐藏层节点的输出数据进行加权求和并经所述激活函数转换后，与所述预警值域数据进行差异比较，得到所述差异值，若所述差异值大于预设的训练阈值，则利用所述差异值反向调节所述原始神经网络中的权重。所述输入层迭代权重和隐藏层迭代权重指所述隐藏层与所述输入层以及所述输出层的节点间进行数据传递时，进行加权求和的权重。

本发明实施例中，所述利用预构建的原始神经网络对所述波形采样数据依次执行加权和激活处理，得到迭代预警数据，包括：

对所述波形采样数据执行归一化操作，得到归一化采样数据；

将所述归一化采样数据输入至所述原始神经网络；

初始化所述原始神经网络的输入层及隐藏层的层权重，得到输入层迭代权重和隐藏层迭代权重；

计算所述输入层迭代权重与所述归一化采样数据的加权求和值，得到初始输入求和值，利用预构建的激活函数激活所述初始输入求和值，得到初始隐藏数据；

计算所述隐藏层迭代权重与所述初始隐藏数据的加权求和值，得到初始隐藏求和值，利用所述激活函数激活所述初始隐藏求和值，得到所述迭代预警数据。

本发明实施例中，所述归一化采样数据是将所述波形采样数据进行归一化处理，得到的可直接输入所述原始神经网络的数据。

S2、计算所述迭代预警数据与对应的预警值域数据的差异值，根据所述差异值迭代调节所述原始神经网络，得到目标神经网络；

本发明其中一个实施例中，参阅图2所示，所述S2包括：

S20、利用预构建的误差计算公式计算所述迭代预警数据与所述预警值域数据的差异值；

本发明实施例中，所述误差计算公式是计算所述迭代预警数据与所述预警值域数据的差异值的公式，可以为：

C_差异＝(D-Y_Z)²

其中，C_差异为差异值，D为迭代预警数据，Y_Z为预警值域中值；Y_Zmax是所述预警值域数据的值域最大值，Y_Zmmin是所述预警值域数据的值域最小值。

例如，当所述预警值域数据为0.2-0.4时，Y_Zmax为0.4，Y_Zmin为0.2。S21、判断所述差异值是否小于预设的训练阈值；

所述预设的训练阈值指允许的最大差异值。若所述差异值大于或等于预设的训练阈值，则执行S22、利用所述迭代预警数据与预设的第一残差公式，计算得到所述原始神经网络的输出层残差；

本发明其中一个实施例中，所述第一残差公式，可以为：

C_{输出层残差}＝-(D-Y_Z)*D*(1-D)

其中，C_{输出层残差}是指所述输出层残差，Y_Z为上述所述的预警值域中值。

S23、利用所述输出层残差和所述隐藏层迭代权重，计算得到所述原始神经网络的各隐藏层的残差求和值；

S24、利用所述残差求和值、初始隐藏数据和预设的第二残差公式，计算得到所述原始神经网络的各隐藏层残差；

本发明其中一个实施例中，所述第二残差公式，可以为：

C_{隐藏层残差}＝-(Y_{隐藏残差求和值})*C_{初始/迭代隐藏数据}*(1-C_{初始/迭代隐藏数据})

S25、根据所述归一化采样数据、隐藏层残差和预构建的学习率，得到所述原始神经网络的输入层的权重调节因子，并根据所述输入层的权重调节因子与所述输入层迭代权重，得到输入层目标权重；

其中，所述学习率为控制迭代调节幅度的数值，可以为0.6。

S26、根据所述初始隐藏数据、输出层残差和所述学习率，得到所述原始神经网络的隐藏层的权重调节因子，根据所述隐藏层的权重调节因子与所述隐藏层迭代权重，得到隐藏层目标权重，利用所述输入层目标权重更新所述输入层迭代权重，并利用所述隐藏层目标权重更新所述隐藏层迭代权重，得到迭代神经网络；

S27、将所述归一化采样数据输入所述迭代神经网络，计算所述输入层迭代权重与所述归一化采样数据的加权求和值，得到迭代输入求和值，利用所述激活函数激活所述迭代输入求和值，得到迭代隐藏数据；

S28、计算所述隐藏层迭代权重与所述迭代隐藏数据的加权求和值，得到迭代隐藏求和值，利用所述激活函数激活所述迭代隐藏求和值，得到目标预警数据，利用所述目标预警数据更新所述迭代预警数据，并返回上述的步骤S20。

本发明实施例中，所述激活函数指对加权求和后的数据进行转换的函数。本发明所述激活函数可采用S形曲线公式，所述S形曲线公式为：

本发明实施例中，所述初始输入求和值、初始隐藏求和值、迭代输入求和值或迭代隐藏求和值均可采用上述S形曲线公式激活，当x的值为所述初始输入求和值时，y为所述初始隐藏数据；当x的值为所述初始隐藏求和值时，y为所述迭代预警数据；当x的值为所述迭代输入求和值时，y为所述迭代隐藏数据；当x的值为所述迭代隐藏求和值时，y为所述目标预警数据。

直到所述差异值小于所述训练阈值时，执行S29、停止训练，得到所述目标神经网络。

S3、获取预设环境中多种污染物的原始浓度波形；

本发明实施例中，所述预设环境指预先设定的采集污染数据的环境，例如工厂排污口等。所述原始浓度波形指在所述预设环境中，根据采集的污染数据，进行预设插值计算，得到的污染物污染数据波形。

本发明其中一个实施例中，参阅图3所示，所述S3，包括：

S30、设立采集污染物浓度数据的时间间隔；

S31、根据所述时间间隔对污染物执行等距采样，得到污染物浓度数据；

S32、根据所述污染物浓度数据构建污染浓度点集，利用预构建的插值公式计算所述污染浓度点集的原始函数，根据所述原始函数生成所述原始浓度波形。

本发明实施例中，所述插值公式为：

其中，f(x)指时间点为x时，检测到的污染物浓度数据。x₀，x₁，…，x_n指按照所述时间间隔设立的采集数据的时间点。为所述时间间隔，n为采样的次数。f(x₀，x₁，...，x_n)为f(x)的各阶差商。

例如：f(x₀，x₁)为一阶差商，f(x₀，x₁，x₂)为二阶差商，以此类推。

本发明实施例中，根据实际情况设立所述时间间隔，当所述时间间隔设立采集时间点为x₀，x₁，…，x_n，相应的所述污染物浓度数据为f(x₀)，f(x₁)，…，f(x_n)。

S4、随机生成拟合初始参数，利用所述拟合初始参数构建初始拟合函数，根据所述初始拟合函数生成拟合浓度波形，利用所述拟合浓度波形和所述原始浓度波形的差异，建立目标函数；

本发明实施例中，所述拟合初始参数是随机生成的波形峰值、波形半宽和波形中心，根据所述拟合初始参数可以生成随机的拟合浓度波形。本发明实施例中，所述初始拟合函数为：

其中，A_k、μ_k、ω_k分别表示所述拟合浓度波形中第k个单分波的波形峰值，波形中心和波形半宽。N指所述拟合浓度波形的分波数量。x表示时间参数。

本发明实施例中，所述利用所述拟合浓度波形和所述原始浓度波形的差异，建立目标函数，包括：

从所述原始浓度波形的极小值处切分所述原始浓度波形，得到原始浓度分波；提取所述原始浓度分波的波形参数，得到原始分波参数；将所述初始拟合函数在所述原始分波参数值处进行泰勒展开，得到拟合展开公式；利用所述拟合展开公式，构建所述目标函数。

本发明实施例中，所述原始分波参数指所述原始浓度分波的波形峰值、波形半宽和波形中心。

本发明实施例中，所述拟合展开公式为：

其中，P表示待求的所述原始浓度分波的波形峰值，波形中心和波形半宽，P可表示为P(p₁，p₂，p₃，…，p₄)，m＝3*N，N指所述原始浓度分波的个数。m指所有所述原始浓度波形的总波形参数的个数。f(x_i，P)指所述拟合展开公式。x_i指第i个所述原始浓度波形的分波。分别指所述原始浓度波形第一个原始浓度分波的波形峰值，波形中心和波形半宽的值，分别指所述原始浓度波形第二个原始浓度分波的波形峰值，波形中心和波形半宽的值，以此类推。p₁，p₂，p₃分别指第一个所述拟合浓度波形的波形峰值，波形中心和波形半宽的值，p₄，p₅，p₆分分别指第二个所述拟合浓度波形的波形峰值，波形中心和波形半宽的值，以此类推。

本发明实施例中，所述目标函数为：

其中，y_i指第i个所述原始浓度分波的浓度值，λ为预设的拟合参数，使所述目标函数更具健壮性。p_j指所述拟合浓度波形的第j个波形参数，指所述原始浓度波形的第j个波形参数。

S5、求解所述目标函数的偏导，根据所述目标函数的偏导，构建迭代公式，利用所述迭代公式及所述原始浓度波形优化所述拟合浓度波形，得到目标浓度波形；

本发明实施例中，所述求解所述目标函数的偏导，根据所述目标函数的偏导，构建迭代公式，包括：

对所述目标函数求偏导，得到所述目标函数的一阶偏导与二阶偏导；

利用所述一阶偏导与二阶偏导，构建所述迭代公式。

本发明实施例中，所述迭代公式为：

P＝p⁰+[H(x，p⁰)+λE]^-1J^T(x，p⁰)[y-f(x，p⁰)]

其中，p⁰指所述原始浓度波形的波形参数，J是由所述f(x_i，P)的一阶偏导数组成的雅可比矩阵。H原为所述f(x_i，P)的二阶偏导数组成的海塞矩阵，出于实际计算量和可行性考虑，使用拟海塞矩阵来代替，即：H＝J^TJ。E为单位矩阵，λ为调节因子，当调节过快时，适当降低λ的值，当调节过慢时，适当增加λ的值。

本发明实施例中，所述利用所述迭代公式及所述原始浓度波形优化所述拟合浓度波形，得到目标浓度波形，包括：

利用所述迭代公式优化所述拟合浓度波形，得到优化模拟波形；

利用所述优化模拟波形与所述原始浓度波形构建差异公式；

当所述差异公式的值小于或等于预构建的优化阈值时，停止优化，得到所述目标浓度波形。

本发明实施例中，所述差异公式为：

其中，ε为所述优化阈值，可以按照环保标准进行设置。n指所述原始浓度分波的个数。f(x_i)指所述拟合浓度波形的浓度值。y_i指所述原始浓度分波的浓度值。

S6、提取所述目标浓度波形的波形参数，利用所述目标神经网络对所述波形参数执行污染浓度分级处理，得到所述目标浓度波形的预警数据，根据所述预警数据得到多种所述污染物的污染分级结果。

本发明实施例中，将所述目标浓度波形的波形参数，按照预设的输入层节点种类进行划分，得到分类波形参数；将所述分类波形参数，输入至对应的输入层节点，利用所述目标神经网络对所述分类波形参数依次执行加权和激活，得到所述目标浓度波形的预警数据。

本发明实施例中，所述分类波形参数指对不同污染物的不同污染指标进行分类，得到的参数，例如：氮污染物的波形峰值和氨氮污染物的波形半宽，属于同一污染物的不同指标，又例如：悬浮固体污染物的波形半宽和含氧量的波形半宽，属于不同污染物的不同指标。

本发明实施例通过将所述原始浓度波形分解为更精确的目标浓度波形，再利用调节好的目标神经网络对所述目标浓度波形执行污染物浓度分级处理，得到多种所述污染物的污染分级结果，解决了污染物的检测效率不高且精确度不够的问题。

如图4所示，是本发明环境污染分级装置的模块示意图。

本发明所述环境污染分级装置100可以安装于电子设备中。根据实现的功能，所述环境污染分级装置100可以包括神经网络训练模块101、浓度波形获取模块102、目标函数建立模块103、目标函数优化模块104、污染结果分级模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述神经网络训练模块101，用于接收波形采样数据和所述波形采样数据对应的预警值域数据，利用预构建的原始神经网络对所述波形采样数据依次执行加权和激活处理，得到迭代预警数据，计算所述迭代预警数据与对应的预警值域数据的差异值，根据所述差异值迭代调节所述原始神经网络，得到目标神经网络；

所述浓度波形获取模块102，用于获取预设环境中多种污染物的原始浓度波形；

所述目标函数建立模块103，用于随机生成拟合初始参数，利用所述拟合初始参数构建初始拟合函数，根据所述初始拟合函数生成拟合浓度波形，利用所述拟合浓度波形和所述原始浓度波形的差异，建立目标函数；

所述目标函数优化模块104，用于求解所述目标函数的偏导，根据所述目标函数的偏导，构建迭代公式，利用所述迭代公式及所述原始浓度波形优化所述拟合浓度波形，得到目标浓度波形；

所述污染结果分级模块105，用于提取所述目标浓度波形的波形参数，利用所述目标神经网络对所述波形参数执行污染浓度分级处理，得到所述目标浓度波形的预警数据，根据所述预警数据得到多种所述污染物的污染分级结果。

本发明实施例所提供的环境污染分级装置100中的各个模块能够在使用时基于与上述的环境污染分级的处理方法采用相同的手段，具体地实施步骤在此不再赘述，关于各模块/单元的功能所产生技术效果与上述的投诉文本的处理方法的技术效果相同的，即解决对每种污染物单独分析需要大量重复的测量分析过程，污染物的检测效率不高且精确度不够的现象。

如图5所示，是本发明实现环境污染分级的电子设备的结构示意图。

所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如环境污染分级程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行环境污染分级程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如环境污染分级程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的环境污染分级程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

接收波形采样数据和所述波形采样数据对应的预警值域数据，利用预构建的原始神经网络对所述波形采样数据依次执行加权和激活处理，得到迭代预警数据；

计算所述迭代预警数据与对应的预警值域数据的差异值，根据所述差异值迭代调节所述原始神经网络，得到目标神经网络；

获取预设环境中多种污染物的原始浓度波形；

随机生成拟合初始参数，利用所述拟合初始参数构建初始拟合函数，根据所述初始拟合函数生成拟合浓度波形，利用所述拟合浓度波形和所述原始浓度波形的差异，建立目标函数；

求解所述目标函数的偏导，根据所述目标函数的偏导，构建迭代公式，利用所述迭代公式优化所述拟合浓度波形，得到目标浓度波形；

提取所述目标浓度波形的波形参数，利用所述目标神经网络对所述波形参数执行污染浓度分级处理，得到所述目标浓度波形的预警数据，根据所述预警数据得到多种所述污染物的污染分级结果。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

接收波形采样数据和所述波形采样数据对应的预警值域数据，利用预构建的原始神经网络对所述波形采样数据依次执行加权和激活处理，得到迭代预警数据；

计算所述迭代预警数据与对应的预警值域数据的差异值，根据所述差异值迭代调节所述原始神经网络，得到目标神经网络；

获取预设环境中多种污染物的原始浓度波形；

随机生成拟合初始参数，利用所述拟合初始参数构建初始拟合函数，根据所述初始拟合函数生成拟合浓度波形，利用所述拟合浓度波形和所述原始浓度波形的差异，建立目标函数；

求解所述目标函数的偏导，根据所述目标函数的偏导，构建迭代公式，利用所述迭代公式优化所述拟合浓度波形，得到目标浓度波形；

提取所述目标浓度波形的波形参数，利用所述目标神经网络对所述波形参数执行污染浓度分级处理，得到所述目标浓度波形的预警数据，根据所述预警数据得到多种所述污染物的污染分级结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。