一种基于神经网络的无线异构控制计算系统的制作方法

本发明涉及异构网络计算技术领域，具体地，涉及一种基于神经网络的无线异构控制计算系统。

背景技术：

人机远程控制是让操作控制便利化方式之一，在定向自助式服务，机器人、身份识别门禁、非接触电子锁、无感识别偏好推荐等，线下各式面对面专属服务提供时起到重要的作用。但如果让这些设备都要具备完整人工智能神经网络的计算任务，势必需要由这些设备来采集部分原始客户的数据，对用户隐私，计算功耗，物理尺寸的要求都带去一定要求和约束，从而可能限制了人工智能的广泛应用。

比如当智能摄像头安装在定向自助服务仪器上，消费者需要将个人体征特征信息交出(脸、虹膜、指纹，声闻，表情，其它体征特质)，这是为获得单一智能服务付出的个人信息代价。同时自助服务仪器也要增加摄像头、传感器、电源电力，存储和网络来配合智能计算，设备的体积和成本都会相应增加。

再比如服务式机器人，为了更智能的服务增加的硬件和神经网络计算，但对体积重量和能源消耗也都相应增加，制造成本也是同比增加，如果依旧保持微型体积，会受制电源供电、摄像头、传感器和更多客观组件。如果在一个区域中有更多的服务式机器人，每台服务机器人就有重复的硬件成本。

还有比如非接触门禁和电子锁这样的安全级别高，可靠性要求也高场景中，智能硬件设备因为增加了更多更大的智能计算组件，功耗和成本，还有物理尺寸都约束了适用范围，原本一个小钥匙空间变成一台小电脑的空间，原本无需走线供电或无需电池的使用变成要么线路增加，要么电池功耗优化确保几个月的时间内无能源故障，更有在户外、机动车车锁这些实践中，加硬件组件还要面临苛刻规范与安全要求。

以上这些场景和应用形式，都即对人工智能特别是神经网络计算环节有强需求，也对纯粹的边缘神经网络提出严格的要求，更考验人工智能应用广泛落地的生态企业和用户，这就是本专利有待解决的问题背景，即让神经网络的部分计算通过无线通讯采用异构计算的方法来达到协同智能，而不让每台设备直接获取原始用户数据。

针对上述现有技术中的缺陷，目前要解决的技术问题体现在以下几点：

1.采用存量市场上的计算和成像硬件，特别是个人智能手机和智能手表之类的随身强大计算能力且配备摄像头拾音器和网络通讯等传感设备来实现采集和预先网络计算，要从神经网络中划分出计算的任务给不同的异构主体还能保证连续性。

2.根据当前计算业务来划分计算任务，满足让公共设备实现高并发，私有设备实现高适应性，专有设备实现高保密性。

3.更多异构专有就算设备还能提供共享闲置计算资源的调配，并结合无线通讯的特点来调度排列计算任务。

4.谁发起，谁组织，谁协调配合，谁控制都要能自适应动态协商完成。

5.让神经网络的部分计算通过无线通讯采用异构计算的方法来达到协同智能，而不让每台设备直接获取原始用户数据，异构计算的中间环节比将原始图像数据加密传输和存储更安全和便利。

专利文献cn201810646003.0公开了一种加速分布式深度神经网络的训练方法及装置，所述方法包括：基于并行训练，将深度神经网络的训练设计成为分布式训练的模式，待训练的深度神经网络模型划分为多个子网络；训练样本集划分为多个子样本集；基于分布式集群架构及预设的调度方法，利用多个子样本集对深度神经网络进行训练，每个训练由多个子网络同时进行，进而完成深度神经网络的分布式训练；由于基于分布式集群架构及预设的调度方法可以通过数据本地化减小网络延迟对分布式训练的子网络的影响，并实时调整训练策略，同步并行训练的子网络的进度，进而可以缩短分布式深度神经网络的完成训练的时间，加速深度神经网络的训练。

技术要点比较：对比专利是尝试训练环节采用分布式，加速子网络训练，目标是加速，环节是训练，最小力度是子网络。而本专利目标是推理和推演，无关训练，目标是借助不同的介质上的硬件特性完成对设计之初不具备完整运行神经网络计算的介质获得能力，有可能在任务的切分上反而会牺牲掉速度，冗余计算和验证一致性计算，协商探测等，也支持最小切分的力度是最后的尾部基出数学计算，而非子网络级的划分。

专利文献cn201811242301.x公开了一种基于卷积神经网络的分布式人脸识别门锁系统，包括树莓派主控端和神经网络识别服务器从控端；树莓派主控端包括：主运行逻辑模块、用户管理与数据集准备模块、指令与通信管理模块，树莓派主控端用于锁状态控制、图像采集、数据准备和预处理，传送指令至神经网络识别服务器的工作，通过红外传感器输入红外信号至主运行逻辑模块；神经网络识别服务器包括：神经网络训练模块、识别判断模块和主服务逻辑模块，神经网络服务器作为分布式从控端，接收树莓派主控端的指令，对发送来的数据进行判断并回复。

技术要点比较：对方专利在神经网络计算上是纯粹的一气呵成，并无分布式异构神经网络计算设计，且无线技术用在结果通讯而不是网络层计算间的协商和协同，且控制器与扫描识别模块是基于计算结果的控制信号来被动驱动，这些都不同本次申请的专利，但专利目标都是通过神经网络来实现智能化硬件的驱动。

专利文献cn201410067916.9公开了一种基于分布式神经网络的语言模型训练方法及其系统，该方法包括：将大词表拆分为多个小词表；将每个小词表对应一个神经网络语言模型，每个神经网络语言模型的输入维数相同且独立进行第一次训练；将各神经网络语言模型的输出向量合并并进行第二次训练；得到归一化的神经网络语言模型。该系统包括：输入模块、第一次训练模块、第二次训练模块和输出模块。

技术要点比较：对比专利是期望通过将大的复杂的待识别内容分块后提高局部计算能力和效率，本次专利的目的是无论待解决问题和数据集大小，都主要通过介质一和三来协同完成，但介质二的角色是属于末梢神经的一致性神经网络验证，这样神经网络的参与方增加了原本能力有限的介质二，并且可以增强神经网络计算的准确性和可靠性，还能降低无线控制器的通讯智能识别安全隐患。

专利文献cn201910693037.x公开了一种基于融合神经网络参数的分布式深度强化学习。包括如下步骤：(1)在每个工作节点上部署深度强化学习代理；(2)每隔一定时间，所有工作节点将各自的神经网络参数和当前得到的平均回报发向参数服务器；(3)参数服务器接收所有工作节点发送过来的神经网络参数和平均回报；(4)参数服务器根据平均回报计算每个工作节点对应的参数系数；(5)参数服务器根据所有的神经网络参数和其参数系数计算新的神经网络参数；(6)所有工作节点使用这个新的神经网络参数开始学习。

技术要点比较：我方专利切入点是神经网络计算的刻意分切，但不是为了协同增强增速，且适用各类神经网络的算法，包含深度学习，增强学习，增量学习等的推理计算过程中，但不涉及训练环节。我方专利的参与方三类介质之间分工明确，不并行开展同类计算任务，无论是多方参与中起到的作用和扮演的角色，都不同。

专利文献cn201711319211.1公开了一种基于类脑脉冲神经网络的全尺度分布式全脑模拟系统，旨在解决在类脑模拟中缺乏多种尺度和多种规模建模方法，以及建模和模拟耦合的问题。该系统的具体实施方式包括：用户建模层单元、模型层单元、中间抽象层单元和模拟层单元，在用户建模层单元，用户可以利用建模脚本语言，基于全脑模型建模。在模型层单元，系统保存内置模型和用户构建模型，并转换成中间抽象。在中间抽象层单元，系统组合中间抽象并转换成运行时格式。在模拟层单元，系统读取运行时格式模拟运行，并与用户实时互动。

技术要点比较：神经网络本身的领域的研究和深入，与本专利的异构神经网络不冲突，也就是也可以在新型的变化的神经网络计算中，找到可分割分块的方式来用在本专利的设计中。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的无线异构控制计算系统。

根据本发明提供的一种基于神经网络的无线异构控制计算系统，包括：

移动智能终端：独立完成所需实时采集和通讯，实现完整神经网络计算和带有多种制式无线通讯的边缘计算终端，为宿主控制终端提供无计算负担的神经网络计算保障和无存储负担的多样数据源存储，同步和更新；

宿主控制终端：进行控制指令的辨别，处理和双向执行，通过网络获得智能终端发送的数据并参与末端神经网络协计算，达到不可或缺并双重计算保障，在宿主控制终端能启动非对称算子来保证移动智能终端不能绕开或复制宿主控制终端为主导的末梢神经网络计算并驱动控制设备；

弹性协计算集群：为宿主控制终端提供数据源扩展和指令更新服务为主，也为移动智能终端提供弹性神经网络计算，弹性神经网络计算的扩展方式对宿主控制器是透明的，只通过移动智能终端来完成。

优选地，所述移动智能终端上设置有无线异构输入输出模块wnio及神经网络协商与神经网络计算模块nnnc；

所述无线异构输入输出模块wnio：根据获取的图像的类别决定是否需要借助上连的弹性协计算集群；为提高计算和响应效率，无需通过上连获得网络模型和计算协助的，本地直接完成计算任务；

所述神经网络协商与神经网络计算模块nnnc：承担基础数据的采集，存储和这些数据的规范化预处理；然后，根据应用业务的算法选择来把最适合当前业务下的宿主控制终端能配合神经网络加载进入移动智能终端中；之后，再进行神经网络的多层计算的划分。

优选地，所述弹性协计算集群包括：公有云、私有云、以及以分布式专有计算设备。

优选地，所述基础数据包括：照片，图片，语音，指纹，虹膜，特殊表情和脸部特写，以及其他具有特征辨识的采集数据

所述规范化预处理指：按照0～255的取值范围做归一化处理和向量矩阵化处理

所述应用业务的算法指：神经网络分类和特征提取算法；

所述加载的来源包括：移动智能终端本地、弹性协计算集群内。

优选地，所述根据获取的图像的类别决定是否需要借助上连的弹性协计算集群：

对于小特征体识别的a类型图像不进行上连，a类型图像包括：人脸、语音、波形图、手势以及指纹，且尺寸不超过512x512；

对于有外部同类辨识性的数据做补充，但类型还是a的图像，就升级为b类型图像；c类型图像是包括：待辨识带特征的图像尺寸超过512x512、目标对象是大与预设体积的物体以及有隐私保密要求的公共数据；

对于b或c类型图像进行上连。

优选地，所述宿主控制终端指：实际使用的下位机设备；

所述宿主控制终端：进行通讯密钥校验、末梢神经匹配以及控制机能的触发。

优选地，所述弹性协计算集群：

在宿主控制终端需要借助大面积复杂计算和存储数据时，通过介移动智能终端来动态加载和调配，作为宿主控制终端的背后数据仓库和算法支撑，以及移动智能终端的计算协作配套。

优选地，所述弹性协计算集群：

极端情况1是由移动智能终端上报透传的数据和计算任务给弹性协计算集群，除了传感器采集任务外，剩下的由弹性协计算集群完成，包括末梢神经的冗余双重计算保障；

极端情况2是弹性协计算集群网络不可达或完全不需要被驱动，移动智能终端已经完成了所有配合宿主控制终端的神经网络计算要求，则闲置等待。

优选地，所述弹性协计算集群对宿主控制终端来说是透明的不可见也不可直接连接的，更新和迭代也是发生在弹性协计算集群上，而宿主控制终端上的算能算力和末端神经计算形态包括是超低脉冲驱动形式功耗且硬件指令集长时间不变的；

宿主控制终端和移动智能终端是计算关系的主体，而弹性协计算集群不直接参与这个计算关系，属于移动智能终端的扩展，业务上和算法上都不直接参与。

与现有技术相比，本发明具有如下的有益效果：

本专利申请的有益效果是可依赖目前计算力的硬件和移动设备，嵌入式mcu提供大面积的可落地可延伸的实时面向个体消费者的人工智能神经网络计算服务,针对在室内室外智能公共设施，电子锁，服务机器人，汽车上各类体征识别的人工智能应用，都能高效快速并短周期的实现人工智能的应用推广落地，减少落地行业过程中的硬件重复设计，还有能耗和硬件能力空间冲突等不可调和的矛盾。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的无线异构神经计算框架和软件模块组成示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种基于神经网络的无线异构控制计算系统，包括：

移动智能终端：独立完成所需实时采集和通讯，实现完整神经网络计算和带有多种制式无线通讯的边缘计算终端，为宿主控制终端提供无计算负担的神经网络计算保障和无存储负担的多样数据源存储，同步和更新；

宿主控制终端：进行控制指令的辨别，处理和双向执行，通过网络获得智能终端发送的数据并参与末端神经网络协计算，达到不可或缺并双重计算保障，在宿主控制终端能启动非对称算子来保证移动智能终端不能绕开或复制宿主控制终端为主导的末梢神经网络计算并驱动控制设备；

弹性协计算集群：为宿主控制终端提供数据源扩展和指令更新服务为主，也为移动智能终端提供弹性神经网络计算，弹性神经网络计算的扩展方式对宿主控制器是透明的，只通过移动智能终端来完成。

具体地，所述移动智能终端上设置有无线异构输入输出模块wnio及神经网络协商与神经网络计算模块nnnc；

所述无线异构输入输出模块wnio：根据获取的图像的类别决定是否需要借助上连的弹性协计算集群；为提高计算和响应效率，无需通过上连获得网络模型和计算协助的，本地直接完成计算任务；

所述神经网络协商与神经网络计算模块nnnc：承担基础数据的采集，存储和这些数据的规范化预处理；然后，根据应用业务的算法选择来把最适合当前业务下的宿主控制终端能配合神经网络加载进入移动智能终端中；之后，再进行神经网络的多层计算的划分。

具体地，所述弹性协计算集群包括：公有云、私有云、以及以分布式专有计算设备。

具体地，所述基础数据包括：照片，图片，语音，指纹，虹膜，特殊表情和脸部特写，以及其他具有特征辨识的采集数据

所述规范化预处理指：按照0～255的取值范围做归一化处理和向量矩阵化处理

所述应用业务的算法指：神经网络分类和特征提取算法；

所述加载的来源包括：移动智能终端本地、弹性协计算集群内。

具体地，所述根据获取的图像的类别决定是否需要借助上连的弹性协计算集群：

对于小特征体识别的a类型图像不进行上连，a类型图像包括：人脸、语音、波形图、手势以及指纹，且尺寸不超过512x512；

对于有外部同类辨识性的数据做补充，但类型还是a的图像，就升级为b类型图像；

c类型图像是包括：待辨识带特征的图像尺寸超过512x512、目标对象是大与预设体积的物体以及有隐私保密要求的公共数据；

对于b或c类型图像进行上连。

具体地，所述宿主控制终端指：实际使用的下位机设备；

所述宿主控制终端：进行通讯密钥校验、末梢神经匹配以及控制机能的触发。

具体地，所述弹性协计算集群：

在宿主控制终端需要借助大面积复杂计算和存储数据时，通过介移动智能终端来动态加载和调配，作为宿主控制终端的背后数据仓库和算法支撑，以及移动智能终端的计算协作配套。

具体地，所述弹性协计算集群：

极端情况1是由移动智能终端上报透传的数据和计算任务给弹性协计算集群，除了传感器采集任务外，剩下的由弹性协计算集群完成，包括末梢神经的冗余双重计算保障；

极端情况2是弹性协计算集群网络不可达或完全不需要被驱动，移动智能终端已经完成了所有配合宿主控制终端的神经网络计算要求，则闲置等待。

具体地，所述弹性协计算集群对宿主控制终端来说是透明的不可见也不可直接连接的，更新和迭代也是发生在弹性协计算集群上，而宿主控制终端上的算能算力和末端神经计算形态包括是超低脉冲驱动形式功耗且硬件指令集长时间不变的；

宿主控制终端和移动智能终端是计算关系的主体，而弹性协计算集群不直接参与这个计算关系，属于移动智能终端的扩展，业务上和算法上都不直接参与。

下面通过优选例，对本发明进行更为具体地说明。

优选例1：

本计算方法一共依赖四个主要的软件模块和三类物理介质组成，其中图上的介质三是弹性角色，另外两个介质是刚性必须参与本计算方法的，如下图一可看到整个异构的计算框架和之间关系，以及三类介质和内含的四个主要软件模块。

1.介质一的种类包括但不限于，智能手机、手表、pda、智能移动数字终端，这些设备上需要具备传感器，处理器，存储和网络，特别是两种以上类型的通讯网络满足同时上连和下连。在介质一上，内含运行的软件模块有“无线异构输入输出模块”wirelesshetnetinputoutput缩写(wnio)和“神经网络协商与神经网络计算模块”neuralnetworksnegotiationcompute缩写(nnnc)

1.1作为软件模块一的wnio，承担根据业务需要来决定[a不上、b/c上]是否需要借助上连的弹性协作计算集群，这个集群可以是公有云，私有云，也可以是特定的分布式专有计算设备来担当。通常是为提高计算和响应效率，能不必须通过上连获得网络模型和计算协助的，都将本地直接完成计算任务。其中，根据获取图像的类别(不上连接的a是小特征体识别：人脸、语音、波形图、手势，指纹等，且尺寸不超过512x512)(有外部同类辨识性的数据做补充，但类型还是a的内容，就升级为b)(c类是其它待辨识带特征的图像尺寸超过512x512或目标对象是大体积物体，或者是有隐私保密要求的公共数据)

1.2(这里是对整个业务的梳理，此段没有技术内容，但对我们要关注的技术内容做了铺垫，也对为啥会有分层，分类，为啥会有介质二和介质一协同计算(明明介质一可以做完，介质二不称职)，还要绑在一起来算的缘由。也对传统的文件协同做了区别)文件传输，神经网络计算任务传输和指令传输采用的是不同的通讯协议，特别是神经网络计算任务的传输需要对计算矩阵的样本值和数组，还有网络模型参数用报文式通讯，这样可以最大化的借助无线通讯的信道来降低对系统网络的要求，特别是ble和nfc类通讯。神经网络的算法各异，虽然是异构但本次异构的重点在于发挥介质一的中枢角色作用，从采集到预处理到存储到网络多层计算，但最少将神经计算的最后一个选举环节，同步给末梢端由介质二来参与完成，这样做是为了最大化的匹配和形成异构的关系体，保证了数据安全的同时也指向性更强的降低了末梢端的采集和复杂网络计算的压力。而弹性计算的扩展是为多机协作场景时和存储空间不断增大而采取的必要考虑。控制指令不是介质一直接发给介质二的，不然介质二可以直接因为受到指令而被控制，丧失主动权，这也是本专利的重要发明点，介质二的计算能力即便再弱，但参与多层神经网络的计算环节，确保了不被动且不可有可无，也极大的防止通讯中被截获串改，防止伪造控制指令下发和伪设备配对等传统隐患。

1.3与下连(与终端控制器相连的，也就是介质二相连过程就是下连)的协商和匹配信息，可以在存储仅当双方任一重置，清空和多次匹配失败后，才重启协商匹配，节省搜索，协商和配对时间。数据主要是存在除了控制终端上的介质一和三上，但为了保证介质一和二之间存在高速配对和前置计算任务的标识索引，需要在介质一和二上，都存储一定的标识和索引信息，数据量不大。如果两个介质任何一方重置，或断电，更新固件等，就需要重新协商并生成新的标识和索引，不然没办法高效的协作计算

1.4与上连(与介质三相连的过程成为上连，无论是介质二通过介质一连接介质三，或是介质一直接连接介质三，都称作是上连)的协商和匹配信息，可以在存储仅当双方任一重置，清空和多次匹配失败后，才重启协商匹配，节省搜索，协商和配对时间。但当通讯不可达或弹性专有机群不可用时，在介质一上直接计算。

2.作为软件模块二的nnnc，主要承担基础数据的采集(其中基础数据包含照片，图片，语音，指纹，虹膜，特殊表情和脸部特写，以及其他具有特征辨识的采集数据)，存储和这些数据的规范化预处理(按照0～255的取值范围做归一化处理和向量矩阵化处理)。然后，根据应用业务的算法(本发明是兼容目前市面上的神经网络分类和特征提取算法，例如：卷积分类，采样类，加减乘除计算器类和多维数组排序类等等)选择来把最适合当前业务下的介质二能配合神经网络加载进入介质一中(加载来源可以是介质一本地，也可是来自介质三内)。然后再进行神经网络的多层计算的划分(神经网络的分层计算流水线提供了对数据实现一次一层且每层算子算法不同的机制，也就可以提供将不同计算层分布在不同硬件单元上，以获得：效率，能力，安全，逻辑需要等设计考量的便利性。对于终端控制器来说，满足一定条件下的计算能力，各体计算位数，模式和能力的差异，也决定了末梢网络中的划分，神经网络越靠近末梢，数据量和数据计算的复杂性越低，但关联前置和上面多层的神经网络层也就越深)，这里以一个最简单的神经分类网络来做举例示范：首先一个完整神经网络算法计算过程有五步，第一步对数据集做向量矩阵转换形成待处理的基础数据表，第二步进行采样和选择合适算法的分类数据元向量，第三步用数学计算(例如：加减法)器进行向量和矩阵的卷积，第四步再进行一次采样和矩阵归一，第五步用分类器算得最终数据集集中排名靠前的有代表性数据的权重。

这个示范神经网络计算，根据介质三的计算能力和类别，可以将第三，四，五步放到介质二上，每一次介质二的计算反馈和介质一上继续执行的结果不同，则认为不正确，重新计算，如果连续n次失败(n的容忍值因算法和应用业务而定)则认为网络计算失败，如果计算同步时间相差对应算法和业务的容忍值，则协商改将第三步回到介质一上计算，第四、五步依旧放在介质二上计算，同理往返。直到如果单纯第五步也就是最后一步都不能成功通过切片来实现一致性结果，则认为彻底计算失败，如果在中间的某一步可以完成一致性计算，将该算法和算法分片的状态记录在介质一种，下次沿用这种协商的异构分布式方法。如果算法的步骤较多，探测的是从倒数第m步开始启动双介质上的一致性验证计算，通常m取值是[2,5]，对于看似冗余的介质二上的计算并没有加速神经网络计算的效率，反而会牺牲性能，但这种方式极大的兼容目前市面上的主流神经网络算法，并且最后的步骤数据集和计算方法已经趋于拟合和基础计算关系，这比较符合低计算复杂设计能力的介质二，而因为介质二的各种各样不同，选择和协商，切换和存储都依靠介质一与介质三配合完成。

3.介质二和介质一都属于必须有的介质组成环节，介质二内含软件模块三。介质二就是实际使用的下位机设备，比如智能门锁的锁头，扫地机器人的机器人本体，也就是最边缘末梢的物理设备和使能硬件设备。通常介质二上的计算能力很弱或不具备并行神经网络计算的能力，但可作为末梢神经计算的协处理环节。所以选择介质二做神经网络环节中之一的主要目的不是为了计算负载，而是任务可靠性和连续性，不可替代性和主动性不丢失，毕竟介质二承担了非常重要的安全控制环节。也用夹带网络层计算的方式来抵御了无线网络的干扰和安全弱等问题。介质二无须具备介质一的硬件算力和全面的硬件组成单元，也无须再硬件组成和尺寸上进行大幅度改造，同时介质一可以同时去下连多个介质二，也打破了人工智能应用中，多台单一设备各自网络计算的冗余重复消耗。借助介质一，介质二可以快速的升级为带有神经网络计算能力的智能终端。

4.介质三是弹性扩展物理介质，内含软件模块四，主要完成的是在介质二需要借助大面积复杂计算和存储数据时，通过介质一来动态加载和调配，包括适合不同的神经网络模型(目前神经网络的多层卷积类的模型，都适用。如果末端不是多层卷积或计算器类的，就不适用)，而介质一的移动终端不具备持有所有网络模型算法和数据元集合，作为介质二的背后数据仓库和算法支撑，以及真正的介质一的计算协作配套，但对介质二来说，介质三是透明的不可见也不可直接连接的(质二和一是计算关系的主体，而介质三不直接参与这个计算关系，属于介质一的扩展，业务上和算法上都不直接参与，从介质二边缘端角度来看，介质三是不存在的)，更新和迭代也是发生在介质三上，而介质二上的算能算力和末端神经计算形态，可以是超低脉冲驱动形式功耗且硬件指令集长时间不变的。

实施方式1:通过在个人智能终端上运行带有人工智能识别和神经网络计算能力的软件，来协同外围智能硬件的计算能力升级。

实施方式2:在自己智能手机、手表上识别体征来实现无线连接的其它设备的配合响应，实现大面积多设备的群体智能。

实施方式3:开锁，开门，公共区域的身份识别，都可在个人智能设备上开展人工智能识别，无须在非个人移动智能终端上，留下个人体征特质信息。

实施举例4:发布一款智能硬件，比如声音控制，人脸控制，体征控制，已不需要装备摄像头和传感器，只要支持无线通讯并提供相应的手机软件，即可通过手机代为完成。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。