基于商显产业链的贷款支付系统及贷款支付判断方法

摘要

本发明适用于计算机技术领域，尤其涉及到一种基于商显产业链的贷款支付系统及贷款支付判断方法，所述方法包括：获取贷款支付请求；确定与贷款方信息关联的商显产业链上下游信息；获取贷款方历史交易信息以及商显产业链上下游历史交易信息，根据基于卷积神经网络算法训练生成贷款请求判断模型对贷款方历史交易信息与商显产业链上下游历史交易信息进行处理确定贷款请求判断结果。本发明提供的方法，通过获取与贷款方信息关联的商显产业链上下游信息及其相应的历史交易信息，获取到更丰富的交易信息，然后从商显产业链、时间轴等高维的角度对贷款方历史交易信息以及商显产业链上下游历史交易信息处理，最终判断的贷款请求判断结果更加准确。

说明书

技术领域

本发明属于计算机技术领域，尤其涉及一种基于商显产业链的贷款支付系统及贷款支付判断方法。

背景技术

在金融领域当中，小型企业贷款较为常见，但在通常情况下都需要按照一定的风险管控标准对金融贷款行为进行管控。

然而在现有的技术中，大多数都仅仅是提取贷款企业的交易特征然后基于深度神经网络模型进行判断，这样的判断方法相对而言所采集的信息相对来说不够丰富，因此误差较大，判断结果不够理想。

可见，现有的贷款请求判断方法还存在着采集到信息不够丰富导致误差较大、判断结果不够理想的技术问题。

发明内容

本发明实施例的目的在于提供一种基于商显产业链的贷款支付系统，旨在解决现有的贷款请求判断方法还存在的采集到信息不够丰富导致误差较大、判断结果不够理想的技术问题。

本发明实施例是这样实现的，一种基于商显产业链的贷款支付系统，包括商显产业链支付交易子系统以及贷款支付请求判断子系统；

所述商显产业链支付交易子系统，用于确定携带有贷款方信息的贷款支付请求，并发送给所述贷款支付请求判断子系统；根据所述贷款支付请求判断子系统返回的贷款支付请求判断结果完成贷款支付；

所述贷款支付请求判断子系统，用于在获取所述贷款支付请求后，确定与所述贷款方信息关联的商显产业链上下游信息，并获取与所述贷款方信息关联的贷款方历史交易信息以及与所述商显产业链上下游信息关联的商显产业链上下游历史交易信息；根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款支付请求判断结果，并返回给所述商显产业链支付交易子系统；所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的。

本发明实施例的另一目的在于提供一种基于商显产业链的贷款请求判断方法，包括：

获取贷款支付请求；所述贷款支付请求携带有贷款方信息；

确定与所述贷款方信息关联的商显产业链上下游信息；

获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息；

根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款请求判断结果；所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的。

本发明实施例提供的基于商显产业链的贷款支付系统，在获取携带有贷款方信息的贷款支付请求后，通过确定与贷款方信息关联的商显产业链上下游信息，并获取与贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，然后根据预先基于卷积神经网络算法训练生成的贷款请求判断模型对贷款方历史交易信息与商显产业链上下游历史交易信息进行处理从而确定贷款请求判断结果。本发明通过获取与贷款方信息关联的商显产业链上下游信息及其相应的历史交易信息，然后再利用基于卷积神经网络算法训练生成的贷款请求判断模型从三维的角度对贷款方历史交易信息以及商显产业链上下游历史交易信息处理，所包含的信息更加丰富，最终的贷款请求判断结果更加准确。

附图说明

图1为本发明实施例提供的一种基于商显产业链的贷款支付系统的结构示意图；

图2为本发明实施例提供的一种基于商显产业链的贷款请求判断方法的步骤流程图；

图3为本发明实施例提供的确定贷款请求判断结果的步骤流程图；

图4为本发明实施例提供的一种训练生成贷款请求判断模型的步骤流程图；

图5为本发明实施例提供的一种构建商显产业链交易特征时间三维训练矩阵的步骤流程图；

图6为本发明实施例提供的另一种训练生成贷款请求判断模型的步骤流程图；

图7为本发明实施例提供的又一种训练生成贷款请求判断模型的步骤流程图；

图8为本发明实施例提供的一种基于商显产业链的贷款请求判断装置的结构示意图；

图9为本发明实施例提供的一种执行基于商显产业链的贷款请求判断方法的计算机设备的内部结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

在本发明实施例中，由于深度神经网络与卷积神经网络属于常见的算法，本发明对具体的公式部分不做具体的说明。但需要说明的一点是，卷积神经网络通常是对诸如图像此类可以由二维矩阵表示的信息进行处理，可以提取出一个区域内的二维信息，该信息相对于一维的信息更为丰富，本发明也正是创造性的提出将贷款方与其商显产业链上下游关联起来，获取贷款方历史交易信息与商显产业链上下游历史交易信息，然后基于商显产业链和时间轴构建出了相似的矩阵信息，包含了更加丰富的交易特征，最终训练得到的模型可以很好地对贷款请求进行自动化识别，得到准确的贷款请求判断结果。

图1为本发明实施例提供的一种基于商显产业链的贷款支付系统的结构示意图，详述如下。

在本发明实施例中，所述基于商显产业链的贷款支付系统包括：商显产业链支付交易子系统110以及贷款支付请求判断子系统120。

在本发明实施例中，所述商显产业链支付交易子系统110，用于确定携带有贷款方信息的贷款支付请求，并发送给所述贷款支付请求判断子系统120。

所述贷款支付请求判断子系统120，用于在获取所述贷款支付请求后，确定与所述贷款方信息关联的商显产业链上下游信息，并获取与所述贷款方信息关联的贷款方历史交易信息以及与所述商显产业链上下游信息关联的商显产业链上下游历史交易信息；根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款支付请求判断结果，并返回给所述商显产业链支付交易子系统110；所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的。

所述商显产业链支付交易子系统110，用于进一步根据所述贷款支付请求判断子系统返回的贷款支付请求判断结果完成贷款支付。

在本发明实施例中，所述贷款支付请求判断子系统120用于根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款支付请求判断结果为本发明的核心发明点，具体请参阅如图2所示出的基于商显产业链的贷款请求判断方法的步骤流程图。

本发明实施例提供的基于商显产业链的贷款支付系统，在获取携带有贷款方信息的贷款支付请求后，通过确定与贷款方信息关联的商显产业链上下游信息，并获取与贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，然后根据预先基于卷积神经网络算法训练生成的贷款请求判断模型对贷款方历史交易信息与商显产业链上下游历史交易信息进行处理从而确定贷款请求判断结果。本发明提供的基于商显产业链的贷款支付系统，通过获取与贷款方信息关联的商显产业链上下游信息及其相应的历史交易信息，然后再利用基于卷积神经网络算法训练生成的贷款请求判断模型从三维的角度对贷款方历史交易信息以及商显产业链上下游历史交易信息处理，所包含的信息更加丰富，最终的贷款请求判断结果更加准确。

图2为本发明实施例提供的一种基于商显产业链的贷款请求判断方法的步骤流程图，该方法主要运行于如图1所示出的贷款支付请求判断子系统120上，具体包括以下步骤：

步骤S202，获取贷款支付请求。

在本发明实施例中，所述贷款支付请求携带有贷款方信息，以便于后续获取到与贷款方信息关联的多维度信息。

步骤S204，确定与所述贷款方信息关联的商显产业链上下游信息。

在本发明实施例中，商显产业链上下游是指与该贷款方相关联的商显产业链上下游，也就是与贷款方有上下游交易关系的其他企业客户，该信息可以描述与贷款方关联的资金链周转情况，从而更好地用于对贷款请求的判断。

步骤S206，获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息。

在本发明实施例中，获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，可以理解，贷款方与商显产业链上下游可以描述贷款方的资金周转链情况，而历史交易信息则描述了贷款方随时间变化的交易情况，此时贷款方历史交易信息与商显产业链上下游历史交易信息也可以从多个维度提取出交易特征，因此，上述信息包括了基于商显产业链、时间轴以及交易特征三个维度的信息，当利用预先基于卷积神经网络算法训练生成的贷款请求判断模型对上述信息处理时，就能够得到更加精确的判断结果。

步骤S208，根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款请求判断结果。

在本发明实施例中，所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的，相比于深度神经网络模型，卷积神经网络能够提取高维矩阵的特征进行识别，具体的步骤请参阅图3及其解释说明的内容。而基于卷积神经网络算法训练生成贷款请求判断模型的步骤请参阅图4及其解释说明的内容。

本发明实施例提供的基于商显产业链的贷款请求判断方法，在获取贷款请求后，确定与贷款方信息关联的商显产业链上下游信息，并获取与贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，然后根据预先基于卷积神经网络算法训练生成的贷款请求判断模型对贷款方历史交易信息与商显产业链上下游历史交易信息进行处理从而确定贷款请求判断结果。本发明提供的贷款请求判断方法中，相比于常规的贷款请求判断方法，通过获取与贷款方信息关联的商显产业链上下游信息及其相应的历史交易信息，然后再利用基于卷积神经网络算法训练生成的贷款请求判断模型从三维的角度对对贷款方历史交易信息以及商显产业链上下游历史交易信息处理，所包含的信息更加丰富，最终的贷款请求判断结果更加准确。

如图3所示，为本发明实施例提供的确定贷款请求判断结果的步骤流程图，具体包括以下步骤：

步骤S302，根据所述贷款方历史交易信息以及所述商显产业链上下游历史交易信息并按照预设的特征提取规则分别提取贷款方交易特征向量以及商显产业链上下游交易特征向量。

在本发明实施例中，所述交易特征向量是基于交易信息提取得到的，包括交易频率、最大交易金额、交易单数等等，交易特征向量可以基于实际的需求确定，交易特征向量的选择与训练生成贷款请求判断模型所使用的样本提取出的特征向量应当相同。

步骤S304，基于时间序列以及商显产业链上下游序列将所述贷款方交易特征向量与所述商显产业链上下游交易特征向量组合构建商显产业链交易特征时间三维矩阵。

在本发明实施例中，可以理解，将多个交易特征向量依次按照时间序列排序以及商显产业链上下游排序就可以构建出一个商显产业链交易特征时间三维矩阵，该矩阵包含了丰富的空间信息。

步骤S306，根据预设的贷款请求判断模型对所述全商显产业链交易特征时间三维矩阵进行三维卷积处理确定贷款请求判断。

在本发明实施例中，所述贷款请求判断模型可以理解为训练出的描述商显产业链交易特征时间三维矩阵与贷款请求判断结果之间的函数关系。

在本发明实施例中，所述贷款请求判断模型是利用多个三维卷积核来对商显产业链交易特征时间三维矩阵进行卷积处理的。

如图4所示，为本发明实施例提供的一种训练生成贷款请求判断模型的步骤流程图，具体包括以下步骤：

步骤S402，获取样本数据。

在本发明实施例中，所述样本数据包括贷款方样本交易信息、商显产业链上下游样本交易信息以及贷款方贷款请求真实判断结果。

步骤S404，根据所述贷款方样本交易信息以及所述商显产业链上下游样本交易信息构建商显产业链交易特征时间三维训练矩阵。

在本发明实施例中，构建商显产业链交易特征时间三维训练矩阵的步骤与前述图3示出的内容相似，具体请参阅图5及其解释说明的内容。

步骤S406，构建初始化的贷款请求判断模型。

在本发明实施例中，所述贷款请求判断模型包含多个含有可变参数的三维卷积核，所述卷积核中的参数将随着训练迭代的过程实时更新。

步骤S408，根据当前贷款请求判断模型对所述商显产业链交易特征时间三维训练矩阵进行三维卷积处理确定贷款请求响应判断结果。

在本发明实施例中，将商显产业链交易特征时间三维训练矩阵输入到贷款请求判断模型中，贷款请求判断模型就会通过三维卷积核对商显产业链交易特征时间三维训练矩阵进行三维卷积处理从而得到贷款请求响应判断结果。

步骤S410，计算所述贷款方贷款请求真实判断结果与所述贷款请求响应判断结果之间的损失值。

在本发明实施例中，贷款请求真实判断结果与所述贷款请求响应判断结果之间的差值也就是损失值可以描述贷款请求判断模型的判断准确率，显然，损失值越小，则表明贷款请求判断模型的拟合效果越好，最终利用该贷款请求判断模型判断的结果也越准确。

步骤S412，判断是否满足预设的训练完成条件。当判断否时，执行步骤S413；当判断是时，执行步骤S414。

在本发明实施例中，卷积神经网络算法中通过需要经过多次迭代优化完成，因此训练完成条件可以是迭代优化的次数，当然也可以是其他实际需求，作为优选，利用损失值来作为训练完成条件具有较好的效果，具体请参阅7及其解释说明的内容。

步骤S414，基于梯度下降算法以及所述损失值对所述贷款请求判断模型进行更新，并返回至所述步骤S404。

在本发明实施例中，当训练没有完成，需要对贷款请求判断模型中的可变参数进行调整，也就是对贷款请求判断模型进行更新，然后利用更新后的贷款请求判断模型重复前述的步骤。

步骤S416，将当前贷款请求判断模型确定为基于卷积神经网络算法所训练生成的贷款请求判断模型。

在本发明实施例中，当判断了满足预设的训练完成条件，也就是训练完成，则当前贷款请求判断模型即为基于卷积神经网络算法所训练生成好的贷款请求判断模型，该贷款请求判断模型可以很好地对商显产业链交易特征时间三维矩阵进行卷积处理，也就是提取高维信息，得到较为准确的贷款请求判断结果。

如图5所示，为本发明实施例提供的一种构建商显产业链交易特征时间三维训练矩阵的步骤流程图，具体包括：

步骤S502，根据所述贷款方样本交易信息以及所述商显产业链上下游样本交易信息并按照预设的特征提取规则分别提取贷款方样本交易特征向量以及商显产业链上下游样本交易特征向量。

在本发明实施例中，所述交易特征向量是基于交易信息提取得到的，包括交易频率、最大交易金额、交易单数等等，交易特征向量可以基于实际的需求确定。

步骤S504，基于时间序列以及商显产业链上下游序列将所述贷款方样本交易特征向量与所述商显产业链上下游样本交易特征向量组合构建商显产业链交易特征时间三维训练矩阵。

在本发明实施例中，将多个交易特征向量依次按照时间序列排序以及商显产业链上下游排序就可以构建出一个商显产业链交易特征时间三维矩阵，该矩阵包含了丰富的空间信息。

如图6所示，为本发明实施例提供的另一种训练生成贷款请求判断模型的步骤流程图，详述如下。

在本发明实施例中，与图4所示出的一种训练生成贷款请求判断模型的步骤流程图的区别在于，所述步骤S402，具体为：

步骤S602，获取样本数据并基于预设的清洗规则对所述样本数据进行清洗处理。

在本发明实施例中，考虑到样本数据中存在空缺，或者模糊不清的数据，因此，可以按照预设的清洗规则对样本数据进行清洗处理，来填补空缺，例如利用0值或者邻域的平均值进行填充。

如图7所示，为本发明实施例提供的又一种训练生成贷款请求判断模型的步骤流程图，详述如下。

在本发明实施例中，与图4所示出的一种训练生成贷款请求判断模型的步骤流程图的区别在于，所述步骤S412，具体为：

步骤S702，判断当前损失值与上一损失值之间的差值是否小于预设的阈值。

在本发明实施例中，当损失值的改变较小时，表明每次训练优化增加的幅度较低，当持续小于预设的阈值，可以认为训练完成。

如图8所示，为本发明实施例提供的一种基于商显产业链的贷款请求判断装置的结构示意图，该装置主要设置于如图1所示出的贷款支付请求判断子系统120上，具体包括以下单元：

贷款支付请求获取单元810，用于获取贷款支付请求。

在本发明实施例中，所述贷款支付请求携带有贷款方信息，以便于后续获取到与贷款方信息关联的多维度信息。

商显产业链上下游信息确定单元820，用于确定与所述贷款方信息关联的商显产业链上下游信息。

在本发明实施例中，商显产业链上下游是指与该贷款方相关联的商显产业链上下游，也就是与贷款方有上下游交易关系的其他企业客户，该信息可以描述与贷款方关联的资金链周转情况，从而更好地用于对贷款请求的判断。

历史交易信息获取单元830，用于获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息。

在本发明实施例中，获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，可以理解，贷款方与商显产业链上下游可以描述贷款方的资金周转链情况，而历史交易信息则描述了贷款方随时间变化的交易情况，此时贷款方历史交易信息与商显产业链上下游历史交易信息也可以从多个维度提取出交易特征，因此，上述信息包括了基于商显产业链、时间轴以及交易特征三个维度的信息，当利用预先基于卷积神经网络算法训练生成的贷款请求判断模型对上述信息处理时，就能够得到更加精确的判断结果。

贷款请求判断单元840，用于根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款请求判断结果。

在本发明实施例中，所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的，相比于深度神经网络模型，卷积神经网络能够提取高维矩阵的特征进行识别，具体的步骤请参阅图3及其解释说明的内容。而基于卷积神经网络算法训练生成贷款请求判断模型的步骤请参阅图4及其解释说明的内容。

本发明实施例提供的基于商显产业链的贷款请求判断装置，在获取贷款请求后，确定与贷款方信息关联的商显产业链上下游信息，并获取与贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息，然后根据预先基于卷积神经网络算法训练生成的贷款请求判断模型对贷款方历史交易信息与商显产业链上下游历史交易信息进行处理从而确定贷款请求判断结果。本发明提供的贷款请求判断装置，通过获取与贷款方信息关联的商显产业链上下游信息及其相应的历史交易信息，然后再利用基于卷积神经网络算法训练生成的贷款请求判断模型从三维的角度对对贷款方历史交易信息以及商显产业链上下游历史交易信息处理，所包含的信息更加丰富，最终的贷款请求判断结果更加准确。

图9示出了一个实施例中计算机设备的内部结构图。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于商显产业链的贷款请求判断方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于商显产业链的贷款请求判断方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的基于商显产业链的贷款请求判断装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该基于商显产业链的贷款请求判断装置的各个程序模块，比如，图8所示的贷款请求获取单元810、商显产业链上下游信息确定单元820、历史交易信息获取单元830以及贷款请求判断单元840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的基于商显产业链的贷款请求判断方法中的步骤。

例如，图9所示的计算机设备可以通过如图8所示的基于商显产业链的贷款请求判断装置中的贷款请求获取单元810执行步骤S202；计算机设备可通过商显产业链上下游信息确定单元820执行步骤S204；计算机设备可通过历史交易信息获取单元830执行步骤S206。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取贷款支付请求；所述贷款支付请求携带有贷款方信息；

确定与所述贷款方信息关联的商显产业链上下游信息；

获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息；

根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款请求判断结果；所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

获取贷款支付请求；所述贷款支付请求携带有贷款方信息；

确定与所述贷款方信息关联的商显产业链上下游信息；

获取与所述贷款方信息关联的贷款方历史交易信息以及与所述的商显产业链上下游信息关联的商显产业链上下游历史交易信息；

根据预设的贷款请求判断模型以及所述贷款方历史交易信息与商显产业链上下游历史交易信息确定贷款请求判断结果；所述贷款请求判断模型是预先基于卷积神经网络算法训练生成的。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。