数据位宽预测方法、系统及其适用的电子设备与流程

本申请涉及能量管理技术领域，特别是涉及一种数据位宽预测方法、数据位宽控制系统、非易失处理器、神经网络芯片、电子设备、电子装置及计算机可读存储介质。

背景技术

物联网设备及无线通信技术的快速发展，使得例如高性能、小体积的可穿戴设备或可植入设备得到了突飞猛进的发展，高性能的需求意味着系统能耗的提升，而目前电池的发展速度已经远远落后于能耗需求的增加，并且电池供电依然存在体积重量大和维护费用昂贵的问题。为此，可穿戴设备或可植入设备通常会通过采集外界能量实现自供能，然而，自供能存在着能量有限，变化剧烈以及难以预测的缺陷，因此，物联网节点需要通过合理存储和利用有限的采集能量，并根据不同负载的能量需求进行合理的能量管理，使得能量利用效率最优化。

物联网节点中，除了处理器内部的信号处理和控制操作外，还存在处理器与周边设备进行数据通信和信息交互的操作，比如传感器信息从传感器读回到处理器中，存储器芯片中数据的写入和读出，以及数据通过射频单元进行发送接收等。这些都会造成处理器对电能有很高的需求。在自供能系统中，每次原子操作都必须要保证在足够的能量下才能完成。因此，系统的能量管理装置需要能够提供此类支持。为此，科学合理的能源管理则显得尤为重要。

技术实现要素：

鉴于以上所述现有相关的缺点，本申请的目的在于提供一种数据位宽预测方法、数据位宽控制系统、非易失处理器、神经网络芯片、电子设备、电子装置及计算机可读存储介质，以实现对电子设备进行科学合理的能源管理的目的。

为实现上述目的及其他相关目的，本申请的第一方面提供一种数据位宽预测方法，应用于具有处理器的电子设备中，包括以下步骤：获取所述电子设备至少一个时刻的供电信息；依据所述供电信息进行预测计算所述电子设备的未来通电时间及通电置信度；以及依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令，以令所述处理器依据所述数据位宽指令进行运算。

本申请的第二方面提供一种数据位宽预测系统，应用于具有处理器的电子设备中，包括未来能量预测器以及位宽预测器；其中，所述未来能量预测器用于依据所述电子设备至少一个时刻的供电信息预测所述电子设备的未来通电时间及通电置信度；所述位宽预测器用于依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令，以令所述处理器依据所述数据位宽指令进行运算。

本申请的第三方面提供一种非易失处理器，包括上述第二方面所述的数据位宽预测系统，近似位宽控制器以及启动控制器。所述近似位宽控制器用以接收到所述数据位宽预测系统输出的数据位宽指令时依据所述数据位宽指令控制所述处理器的计算精度；所述启动控制器用以接收到所述数据位宽预测系统输出的启动指令时启动所述处理器的工作。

本申请的第四方面提供一种神经网络芯片，包括上述第二方面所述的数据位宽预测系统。

本申请的第五方面提供一种电子设备，包括处理器以及上述第二方面所述的数据位宽预测系统。

本申请的第六方面提供一种电子装置，包括上述第二方面所述的数据位宽预测系统。

本申请的第七方面提供一种计算机可读存储介质，存储有能量管理的计算机程序，其特征在于，所述计算机程序被执行时实现上述第一方面所述的数据位宽预测方法。

如上所述，本申请数据位宽预测方法、数据位宽控制系统、非易失处理器、神经网络芯片、电子设备、电子装置及计算机可读存储介质，通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理。

附图说明

图1显示为本申请的数据位宽预测方法在一实施例中的流程图。

图2显示为本申请在一实施例中的特征提取模块的电路框图。

图3显示为本申请在一实施例中一种神经网络示意图。

图4显示为本申请在一实施例中另一种神经网络示意图。

图5显示为本申请的数据位宽预测方法在另一实施例中的流程图。

图6显示为本申请数据位宽预测方法在一实施例中近似计算架构示意图。

图7显示为本申请的数据位宽预测方法在再一实施例中的流程图。

图8显示为本申请的数据位宽预测系统在一实施例中的示意图。

图9显示为本申请的数据位宽预测系统在另一实施例中的示意图。

图10显示为本申请的数据位宽预测系统在再一实施例中的示意图。

图11显示为本申请的数据位宽预测系统在一实施例中的复用硬件架构示意图。

图12显示为本申请的写策略控制系统在另一实施例中的复用硬件架构示意图。

图13显示为本申请的非易失处理器在一实施例中的架构示意图。

图14显示为本申请的神经网络芯片在一实施例中的架构示意图。

图15显示为本申请的电子设备在一实施例中的示意图。

图16显示为本申请的电子设备在另一实施例中的示意图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行组成以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由本申请的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。

虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一阈值可以被称作第二阈值，并且类似地，第二阈值可以被称作第一阈值，而不脱离各种所描述的实施例的范围。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。比如本申请中对“至少一个时刻”则包括一个时刻以及多个时刻的情况。本文中所使用的，引述一列项目中的“至少一个”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c和a-b-c。

应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应理解的，所述“指令”在本申请中还可以宽泛地解释成意指指令、数据、信息、信号或其任何组合等。所述“非易失”或“非易失性”均表示为相同的概念，对应的英文为nonvolatile。

在物联网设备比如可穿戴设备或可植入设备中，例如更换电池的成本，电池安全性，电池仓体积、充电时间与及时性都是需要考虑的因素，许多设备希望系统中电池的体积尽可能的小甚至没有电池，因此包括环境能量收集电源或数据采集装置的自供电系统应运而生，尤其是随着非易失性处理器(nonvolatileprocessors，简称nvp)的发展，使得环境能量收集电源在可穿戴设备的使用中得以普及。非易失处理器可以通过备份计算状态来处理不稳定的输入电能，与电池相比，可以确保在非常短的时间范围内，允许使用这些处理器的系统在没有电池或超级电容器的情况下工作。

虽然非易失处理器在某种程度上可以确保程序在不稳定的电能供给的情况下连续执行，但是当数据采集装置的供电不稳时，现有数据采集装置中的处理器无法做到处理最新采集的数据，保证数据精度，恢复计算或备份计算等。当然，充分利用能源可以增加备份操作的数量，但同时也导致在不必要的备份和恢复操作中浪费更多的能源，而若采用节省能源的策略，则又可能导致电容器的不必要的泄漏，另外电容器在满电情况下也不能存储新收集的能量，也将会延迟的服务响应时间。这就需要对其进行能源管理的优化，比如预测未来的能源输入以更好地为一个后续任务分配资源；预测停电持续时间以减少用于备份操作的保留时间和电能；或者依据预知的能源输入以决策采用不同精度的计算策略等等。

本申请提供一种应用于具有处理器的电子设备中的数据位宽预测方法，用于通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理。

在实施例中，所述处理器例如为非易失性处理器(nvp)，但并不局限于此，在其他的实施例中，在不背离本申请所揭示的发明构思和思想的情况下，所述处理器也可以是通常的处理器，比如可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协同的一个或多个微处理器、或任何其它此类配置。

在实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。

作为一个示例，可穿戴电子设备可被实施为可穿戴健康助理的形式，该可穿戴健康助理将与健康相关的信息(实时或者非实时)提供到用户、被授权的第三方和/或相关联的监视设备。该设备可被配置为提供与健康相关的信息或数据，诸如但不限于心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据。相关联的监视设备可为例如平板计算设备、电话、个人数字助理、计算机等等。

作为另一个示例，电子设备可被配置为可穿戴通信设备的形式。可穿戴通信设备可包括与存储器耦接或进行通信的处理器、一个或多个通信接口、输出设备(诸如显示器和扬声器)、以及一个或多个输入设备。一个或多个通信接口可提供通信设备与任何外部通信网络、设备或平台之间的电子通信，该通信接口诸如但不限于无线接口、蓝牙接口、usb接口、wi-fi接口、tcp/ip接口、网络通信接口或者任何常规的通信接口。除了通信以外，可穿戴通信设备可提供关于时间、健康、状态或者外部连接的设备或正在进行通信的设备和/或在此类设备上运行的软件的信息、消息、视频、操作命令等等(并且可从外部设备接收上述中的任一者)。

请参阅图1，显示为本申请的数据位宽预测方法在一实施例中的流程图，如图所示，所述数据位宽预测方法包括以下步骤：

首先执行步骤s10，获取所述电子设备至少一个时刻的供电信息；在实施例中，检测到所述电子设备上电时或在一个上电周期获取所述电子设备至少一个时刻的供电信息。

在实施例中，所述的时刻可以是不同时间段的，依据不同的需求可以划分成多个时刻等级，比如10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等，需述明的是，上述时刻的举例是示例性的，在不同的实施状况下，并不局限于此。

在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电系统产生的，比如能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述能量采集器收集的电能需要从ac到dc或dc到dc处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。

在实施例中，通过采集至少一个时刻流经一检测元件的电流值或所述检测元件两端的电压值获取所述电子设备的供电信息。请参阅图2，显示为本申请在一实施例中的特征提取模块的电路框图，如图所示，在本实施例中，所述为前端电路的特征提取模块包括例如为电池或包括充电器件的电源，电源一端接地，另一端连接一rs电阻，所述rs电阻作为检测元件，通过采集流经为电阻的检测元件rs的电流值或者其两端的电压值获取向所述电子设备提供的供电信息给所述神经网络预测器，图2中rs电阻和一个6位adc转换器构成了本实施例中所述的检测单元，用于检测获取所述供电信息(inputpowersensing)，即图2示中实线箭头所示的，在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电系统产生的。

在本实施例中，储能单元用以通过采集储能元件两端的电压差(压降)获取储电信息(storedenergysensing)，即图示中虚线箭头所示的，即储能元件的剩余电量；所述储能元件为图2中的接地电容c1。图2中电容c1和adc转换器构成了本实施例中所述的检测单元。

在本实施例中，接收的所述电子设备一个或多个时刻的上电信息(powersensing)存储到非易失性移位单元中。在一个示例中，所述接收的所述电子设备最近10个连续上电信息为例，藉由一个计数器(未图示)用以计算上电时间，该计数器将最后计算的上电时间推送至非易失性移位器以替换掉最早的上电时间。在一种示例中，所述电子设备最近的10个历史时刻的供电信息为最近10个连续上电时间。

接着执行步骤s11，依据所述供电信息进行预测计算所述电子设备的未来通电时间(power-ontime)及通电置信度(confidence)；在一实施例中，藉由一神经网络依据所述供电信息进行预测计算所述电子设备的未来通电时间及通电置信度，即，经由被配置为未来能量预测器的神经网络进行预测计算以获得所述未来通电时间和通电置信度。在一个示例中，所述神经网络例如为前馈神经网络(feedforwardneuralnetwork)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。在本实施例中，藉由一前馈神经网络依据所述电子设备最近的10个历史时刻的供电信息进行预测计算所述电子设备的未来通电时间及通电置信度。

请参阅图3所示的一种神经网络，图3显示为本申请在一实施例中一种神经网络示意图，如图所示，在本实施例中，所述神经网络例如为前馈神经网络，所述前馈神经网络包括1个输入层(inputlayer)，2个隐藏层(hiddenlayer1，2)，1个输出层(outputlayer)，每层有10个神经元，每个神经元有10个输出，基于从非易失性移位器(nonvolatileshifter，nvshifter)对接收到的10个时刻(自ontime_1到ontime_10)的供电信息用于对未来的产生的电能进行预测。但并不局限与此，在其他可能的实施例中，呈如4所示的另一种神经网络结构，图4显示为本申请神在一实施例中另一种神经网络示意图，如图所示所述前馈神经网络可以包括更多的隐藏层(hiddenlayer1，2……n)，每一层也可能包括更多或更少的神经元(n)。图3或图4中所示的神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。

在本实施例中，被配置为未来能量预测器的前馈神经网络对接收的所述电子设备最近10个连续上电时间为例，藉由一个计数器(未图示)用以计算通电时间，该计数器将最后计算的通电时间推送至非易失性移位器以替换掉最早的通电时间。具体而言，通过配置具有2个隐藏层的完全连接的前馈神经网络，每层设置10个神经元，输出层的10个神经元输出10个潜在的能量水平(能量等级)，将每一个能量水平转换对应一个通电时间，每个输出指示一个通电置信度，当通电置信度与其他置信度非常不同时，其中最高值被输出作为预测的能量水平以及其置信度。在一种情况下，如果前几个预测的通电置信度在10％的区间内，则预测未来通电时间的能量水平被加权平均，并且对应的通电置信度也被平均。

然后执行步骤s12，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令(bitwidth)，以令所述处理器依据所述数据位宽指令进行运算，进而使得电子设备能够根据预期的能量动态调整处理器计算的精度以实现能量的科学管理。

在实施例中，所述电子设备的储电信息(storedenergysensing)是通过图2中所示的检测单元通过采集一储能元件的压降获取的。在本实施例中，所述储能单元用以通过采集储能元件两端的电压差(压降)获取储电信息，即图示中虚线箭头所示的，即储能元件的剩余电量，所述储能元件为图2中的接地电容c1。

在实施例中，藉由一神经网络依据所述依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令。在一示例中，经由被配置为位宽预测器的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述数据位宽指令。具体而言，根据所述位宽预测器的前馈神经网络的输入层接收到所述未来能量预测器输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度进行近似计算，以预测决定适当的输出数据位宽，以决定所述处理器在哪一种能量水平下采用什么样的精度进行运算。其中，所述神经网络例如为前馈神经网络(feedforwardneuralnetwork)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。

请参阅图5，显示为本申请的数据位宽预测方法在另一实施例中的流程图，如图所示，在本实施例中，所述依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令的步骤s12进一步包括：

在步骤s120中，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行预测计算获得近似配置数据(approxconfig)；在本实施例中，经由被配置为位宽预测器的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述近似配置数据，所述近似配置数据中包含所述位宽预测器经神经网络依据未来通电时间、通电置信度以及储电信息预测计算所获得的位宽信息，比如处理器要用多少位的位宽进行计算，以确定正确或合适的位宽配置。

在步骤s121中，依据预设的近似标示数据(acen)识别所述近似配置数据(approxconfig)，当判断为所述近似配置数据可以被近似计算时，进行近似计算以生成数据位宽指令(bitwidth)。在本实施例中，所述近似标示数据(acen)是预设的，具体而言，是经由程序员识别设置的可以近似的数据，这些数据包括数据缓存(databuffer)或图像(image)，但不包括基本变量，如“for”循环中的索引。

请参阅图6，显示为本申请数据位宽预测方法在一实施例中近似计算架构示意图，如图所示，所述近似计算架构包括5级流水线的处理器架构，藉由一动态架构近似控制单元对所述流水线的处理架构进行近似计算的控制。如图所示，藉由一被配置为未来能量预测器的神经网络依据所述供电信息(inputpower)进行预测计算所述电子设备的未来通电时间及通电置信度，再由被配置为位宽预测器的神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息(storedenergy)进行预测计算获得近似配置数据(approxconfig)，再通过预设有近似标示数据(acen)接口的近似控制单元向每个近似配置数据添加一个称为acen的位，以识别该近似配置数据是否可以在操作期间近似，所述动态架构近似控制单元从一个指令中的两个运算符读取近似标示数据(acen)以及获得的近似配置数据(approxconfig)，如果判断为一个运算符可近似，但另一个运算符不可近似，则不会近似该指令，如果两个运算符都可以近似，则以生成数据位宽指令(bitwidth)使所述处理器利用所述的5级流水线的处理器架构进行近似计算，进而实现处理器计算(运算)精度的控制。由上可知，被配置为位宽预测器在主程序中的程序员预定义循环的开始处被激活，这通常是要处理的新帧的循环。该被配置为位宽预测器用于决定适当的位宽以便在此上电周期内完成整个程序的循环操作。

在实施例中，所述动态架构近似控制单元例如为设置在处理器或执行模块中的近似位宽控制器，所述近似位宽控制器用以接收到被配置为位宽预测器的神经网络输出的数据位宽指令(bitwidth)时依据所述数据位宽指令控制运算操作的精度；在本实施例中，所述近似位宽控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述近似位宽控制器将接收的数据位宽指令存储到所述非易失性移位单元中。

所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。

在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。

请参阅图7，显示为本申请的数据位宽预测方法在再一实施例中的流程图，如图所示，在本实施例中，首先执行步骤s10’，获取所述电子设备至少一个时刻的供电信息；在实施例中，检测到所述电子设备上电时或在一个上电周期获取所述电子设备至少一个时刻的供电信息。所述步骤s10’的描述请参阅1上述针对步骤步骤s10的描述，在此不予赘述。

接着执行步骤s11’，依据所述供电信息进行预测计算所述电子设备的未来通电时间(power-ontime)及通电置信度(confidence)；在一实施例中，藉由一神经网络依据所述供电信息进行预测计算所述电子设备的未来通电时间及通电置信度，所述步骤s11’的描述请参阅1上述针对步骤步骤s11的描述，在此不予赘述。

然后执行步骤s12’，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令(bitwidth)的同时，还依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以预测输出启动阈值(systemstartstoredenergythreshold)。

在本实施例中，被配置为位宽预测器的前馈神经网络进行预测，以输出数据位宽指令及启动阈值，所述位宽预测器的前馈神经网络通过接收未来通电时间的能量水平，通电置信度以及储电信息中包含的存储能量水平作为输入，所述前馈神经网络包括1个输入层，2个隐藏层，1个输出层，每层有10个神经元，每个神经元有10个输出，所述输出层输出2种信息，即输出数据位宽指令(bitwidth)及启动阈值(systemstartstoredenergythreshold)，其中，用所述输出层的8个输出作为数据位宽指令的输出，用所述输出层的1个输出作为启动阈值的输出。在示例中，被配置为位宽预测器的前馈神经网络的输入层接收到所述未来能量预测器输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算输出启动阈值，以给所述处理器是否启动的指示。

接着执行步骤s13’，依据所述数据位宽指令(bitwidth)及断电信息(poweroutagesensing)进行预测计算获得服务质量预测信息(qualityofservice，qos)，所述断电信息包括断电置信度；在一实施例中，为避免电子设备产生低质量的数据输出，所述低质量的数据比如为低于20db的数据，相应的，20db及以上的数据通常被认为是合理质量的数据。本申请的方法还预测电子设备的程序的潜在输出质量。

在实施例中，所述断电信息可藉由所述特征提取模块的断电感应单元进行采集，例如图2中的dc-dc转换器、ldo器件、电荷断路器(chargebreaker)、泄漏电容c2和adc转换器构成了断电感应单元，通过在由电荷断路器(chargebreaker)控制的恢复操作期间每次对泄漏电容器充电如图2所示，当电子设备从停电恢复时检查电容器的电压，系统断电时间可以通过adc检测到的电压降来计算。详而言之，如图2断电感应单元部分所示。每次系统上电时(在恢复操作之前)，泄漏电容器都会以完全稳定的电压充电。当发生电源故障时，泄漏电容器上的电压随着时间流逝而下降，通过在下次上电后测量所述泄漏电容器中的剩余电压可以获得检测的断电时间。所述断电信息包括断电置信度(confidence)，所述断电置信度可藉由一个被配置为断电预测器的前馈神经网络通过预测计算生成。

在本实施例中，藉由一神经网络依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息，即，通过将神经网络配置为服务质量预测器，服务质量预测器在帧数据作为输入处理期间获取近似位宽和平均功率中断预测置信度。

最后执行步骤s14’，在所述服务质量预测信息满足一预设条件时输出所述服务质量预测信息给所述处理器；以及在所述启动阈值满足所述预设条件时输出启动指令给所述处理器。在本实施例中，所述服务质量预测器依据所述数据位宽指令(bitwidth)及断电信息(poweroutagesensing)进行预测计算获得服务质量预测信息(predictedqos)；并在所述服务质量预测信息(predictedqos)满足一阈值y时输出给所述处理器，以及在所述启动阈值(systemstartstoredenergythreshold)满足所述阈值y时输出启动指令(systemstart)给所述处理器。在本实施例中，所述阈值y例如为20db，但并不局限于此，在不同的实施状态下，比如针对不同类型的电子设备，可以设置不同的阈值y。在一实施例中，所述服务质量预测器藉由一包括2个隐藏层的前馈神经网络来实现服务质量的预测。

在所述启动阈值满足所述预设条件时输出启动指令给所述处理器的步骤中，比如，如果预测的潜在输入能量水平比较低，并且缓冲电容器中没有足够的存储能量，则令处理器不启动；如果预测的潜在输入能量高，但接收到的通电置信度比较低，则仅当存储的能量水平足够高以达到预测阈值时才指示处理器启动；如果预测的潜在输入能量高，并且通电置信度比较高，即使存储的能量较低，仍然指示处理器启动(预测器输出非常低的阈值)以获得更好的前向进度和qos满意度。在一种示例中，所述通电置信度比较低例如为小于30％，所述通电置信度比较高例如为大于70％。但并不局限与此，在知晓本申请创新思想的情况下，可依据实际情况动态调整通电置信度的阈值。

由于高位宽运算(处理器计算精度高)比低位宽(处理器计算精度低)耗散更多电能，在本申请中通过控制处理器启动存储能量阈值，控制处理器的启动时刻进而在能量管理合理的情况下达到缓解低质量输出问题的目的，通过控制阈值y的参数来延迟所述处理器的启动时刻，直到能量存储电容器中存在足够的能量再启动所述处理器，进而在合理的能量管理的机制下确保高质量的数据运算或输出。

在实施例中，控制所述处理器启动的可以通过一启动控制器来实现，所述启动控制器用以接收到启动指令(systemstart)时启动所述处理器的工作；在一实施例中，所述启动控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述启动控制器将接收的启动指令存储到所述非易失性移位单元中。在本实施例中，所述启动控制器例如为nvp启动触发器(nvpstarttriggercontroller)。

本申请还提供一种应用于具有处理器的电子设备中的数据位宽预测系统，用于通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理。在实施例中，所述处理器例如为非易失性处理器(nvp)，但并不局限于此，在其他的实施例中，在不背离本申请所揭示的发明构思和思想的情况下，所述处理器也可以是通常的处理器，比如可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协同的一个或多个微处理器、或任何其它此类配置。

在实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。

作为一个示例，可穿戴电子设备可被实施为可穿戴健康助理的形式，该可穿戴健康助理将与健康相关的信息(实时或者非实时)提供到用户、被授权的第三方和/或相关联的监视设备。该设备可被配置为提供与健康相关的信息或数据，诸如但不限于心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据。相关联的监视设备可为例如平板计算设备、电话、个人数字助理、计算机等等。

作为另一个示例，电子设备可被配置为可穿戴通信设备的形式。可穿戴通信设备可包括与存储器耦接或进行通信的处理器、一个或多个通信接口、输出设备(诸如显示器和扬声器)、以及一个或多个输入设备。一个或多个通信接口可提供通信设备与任何外部通信网络、设备或平台之间的电子通信，该通信接口诸如但不限于无线接口、蓝牙接口、usb接口、wi-fi接口、tcp/ip接口、网络通信接口或者任何常规的通信接口。除了通信以外，可穿戴通信设备可提供关于时间、健康、状态或者外部连接的设备或正在进行通信的设备和/或在此类设备上运行的软件的信息、消息、视频、操作命令等等(并且可从外部设备接收上述中的任一者)。

请参阅图8，显示为本申请的数据位宽预测系统在一实施例中的示意图，如图所示，所述数据位宽预测系统1包括未来能量预测器11以及位宽预测器12。

所述未来能量预测器11用于依据所述电子设备至少一个时刻的供电信息预测所述电子设备的未来通电时间及通电置信度；在实施例中，所述未来能量预测器11藉由一特征提取模块2检测到所述电子设备上电时或在一个上电周期获取所述电子设备至少一个时刻的供电信息。

在实施例中，所述的时刻可以是不同时间段的，依据不同的需求可以划分成多个时刻等级，比如10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等，需述明的是，上述时刻的举例是示例性的，在不同的实施状况下，并不局限于此。

在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电系统产生的，比如能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述能量采集器收集的电能需要从ac到dc或dc到dc处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。

在实施例中，通过采集至少一个时刻流经一检测元件的电流值或所述检测元件两端的电压值获取所述电子设备的供电信息。请参阅图2，显示为本申请在一实施例中的特征提取模块的电路框图，如图所示，在本实施例中，所述为前端电路的特征提取模块包括例如为电池或包括充电器件的电源，电源一端接地，另一端连接一rs电阻，所述rs电阻作为检测元件，通过采集流经为电阻的检测元件rs的电流值或者其两端的电压值获取向所述电子设备提供的供电信息给所述神经网络预测器，图2中rs电阻和一个6位adc转换器构成了本实施例中所述的检测单元，用于检测获取所述供电信息(inputpowersensing)，即图2示中实线箭头所示的，在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电系统产生的。

在本实施例中，接收的所述电子设备一个或多个时刻的上电信息(powersensing)存储到非易失性移位单元中。在一个示例中，所述接收的所述电子设备最近10个连续上电信息为例，藉由一个计数器(未图示)用以计算上电时间，该计数器将最后计算的上电时间推送至非易失性移位器以替换掉最早的断电时间。在一种示例中，所述电子设备最近的10个历史时刻的供电信息为最近10个连续上电时间。

在一实施例中，所述未来能量预测器11藉由一神经网络依据所述供电信息进行预测计算所述电子设备的未来通电时间及通电置信度，即，经由被配置为未来能量预测器的神经网络进行预测计算以获得所述未来通电时间和通电置信度。在一个示例中，所述神经网络例如为前馈神经网络(feedforwardneuralnetwork)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。在本实施例中，藉由一前馈神经网络依据所述电子设备最近的10个历史时刻的供电信息进行预测计算所述电子设备的未来通电时间及通电置信度。

请参阅图3所示的一种神经网络，图3显示为本申请在一实施例中一种神经网络示意图，如图所示，在本实施例中，所述神经网络例如为前馈神经网络，所述前馈神经网络包括1个输入层(inputlayer)，2个隐藏层(hiddenlayer1,2)，1个输出层(outputlayer)，每层有10个神经元，每个神经元有10个输出，所述未来能量预测器包括一个或多个用于存储所述供电信息的非易失性移位单元，所述未来能量预测器基于从非易失性移位器(nonvolatileshifter，nvshifter)对接收到的10个时刻(自ontime_1到ontime_10)的供电信息用于对未来的产生的电能进行预测。但并不局限与此，在其他可能的实施例中，呈如4所示的另一种神经网络结构，图4显示为本申请神在一实施例中另一种神经网络示意图，如图所示所述前馈神经网络可以包括更多的隐藏层(hiddenlayer1，2……n)，每一层也可能包括更多或更少的神经元(n)。图3或图4中所示的神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。

在本实施例中，被配置为未来能量预测器11的前馈神经网络对接收的所述电子设备最近10个连续上电时间为例，藉由一个计数器(未图示)用以计算通电时间，该计数器将最后计算的通电时间推送至非易失性移位器以替换掉最早的通电时间。具体而言，通过配置具有2个隐藏层的完全连接的前馈神经网络，每层设置10个神经元，输出层的10个神经元输出10个潜在的能量水平(能量等级)，将每一个能量水平转换对应一个通电时间，每个输出指示一个通电置信度，当通电置信度与其他置信度非常不同时，其中最高值被输出作为预测的能量水平以及其置信度。在一种情况下，如果前几个预测的通电置信度在10％的区间内，则预测未来通电时间的能量水平被加权平均，并且对应的通电置信度也被平均。

所述位宽预测器12用于依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令，以令所述处理器3依据所述数据位宽指令进行运算，进而使得电子设备能够根据预期的能量动态调整处理器计算的精度以实现能量的科学管理。

在实施例中，所述电子设备的储电信息(storedenergysensing)是通过图2中所示的检测单元通过采集一储能元件的压降获取的。在本实施例中，所述储能单元用以通过采集储能元件两端的电压差(压降)获取储电信息，即图示中虚线箭头所示的，即储能元件的剩余电量，所述储能元件为图2中的接地电容c1。

在实施例中，所述位宽预测器12藉由一神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令。在一示例中，经由被配置为位宽预测器12的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述数据位宽指令。具体而言，根据所述位宽预测器的前馈神经网络的输入层接收到所述未来能量预测器输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度进行近似计算，以预测决定适当的输出数据位宽，以决定所述处理器在哪一种能量水平下采用什么样的精度进行运算。其中，所述神经网络例如为前馈神经网络(feedforwardneuralnetwork)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。

在一实施例中，所述位宽预测器12包括一近似计算单元(未予以图示)，用于依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行预测计算获得近似配置数据；以及依据预设的近似标示数据(acen)识别所述近似配置数据(approxconfig)，当判断为所述近似配置数据可以被近似计算时，进行近似计算以生成数据位宽指令(bitwidth)。

在本实施例中，经由被配置为位宽预测器的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述近似配置数据，所述近似配置数据中包含所述位宽预测器经神经网络预测计算所获得的位宽信息，比如处理器要用多少位的位宽进行计算，以确定正确或合适的位宽配置。

请继续参阅图6，在本实施例中，所述近似标示数据(acen)是预设的，具体而言，是经由程序员识别设置的可以近似的数据，这些数据包括数据缓存(databuffer)或图像(image)，但不包括基本变量，如“for”循环中的索引。

如图6所示，所述近似计算架构包括5级流水线的处理器架构，藉由一动态架构近似控制单元对所述流水线的处理架构进行近似计算的控制。如图所示，藉由一被配置为未来能量预测器的神经网络依据所述供电信息(inputpower)进行预测计算所述电子设备的未来通电时间及通电置信度，再由被配置为位宽预测器的神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息(storedenergy)进行预测计算获得近似配置数据(approxconfig)，再通过预设有近似标示数据(acen)接口的近似控制单元向每个近似配置数据添加一个称为acen的位，以识别该近似配置数据是否可以在操作期间近似，所述动态架构近似控制单元从一个指令中的两个运算符读取近似标示数据(acen)以及获得的近似配置数据(approxconfig)，如果判断为一个运算符可近似，但另一个运算符不可近，则不会近似该指令，如果两个运算符都可以近似，则以生成数据位宽指令(bitwidth)使所述处理器利用所述的5级流水线的处理器架构进行近似计算，进而实现处理器计算(运算)精度的控制。由上可知，被配置为位宽预测器在主程序中的程序员预定义循环的开始处被激活，这通常是要处理的新帧的循环。该被配置为位宽预测器用于决定适当的位宽以便在此上电周期内完成整个程序的循环操作。

在实施例中，所述处理器3接收到所述数据位宽指令(bitwidth)时，藉由一近似位宽控制器执行控制运算的操作，所述近似位宽控制器用以接收到被配置为位宽预测器的神经网络输出的数据位宽指令(bitwidth)时依据所述数据位宽指令控制运算操作的精度；在本实施例中，所述近似位宽控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述近似位宽控制器将接收的数据位宽指令存储到所述非易失性移位单元中。所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。

在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。

在一实施例中，所述位宽预测器12还用于依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以预测输出启动阈值。在本实施例中，被配置为位宽预测器12的前馈神经网络进行预测，以输出数据位宽指令及启动阈值，所述位宽预测器12的前馈神经网络通过接收未来通电时间的能量水平，通电置信度以及储电信息中包含的存储能量水平作为输入，所述前馈神经网络包括1个输入层，2个隐藏层，1个输出层，每层有10个神经元，每个神经元有10个输出，所述输出层输出2种信息，即输出数据位宽指令(bitwidth)及启动阈值(systemstartstoredenergythreshold)，其中，用所述输出层的8个输出作为数据位宽指令的输出，用所述输出层的1个输出作为启动阈值的输出。在示例中，被配置为位宽预测器的前馈神经网络的输入层接收到所述未来能量预测器输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算输出启动阈值，以给所述处理器是否启动的指示。

在一实施例中，为避免电子设备产生低质量的数据输出，所述低质量的数据比如为低于20db的数据，相应的，20db及以上的数据通常被认为是合理质量的数据。本申请的数据位宽预测系统还预测电子设备的程序的潜在输出质量。请参阅图9，显示为本申请的数据位宽预测系统在另一实施例中的示意图，如图所示，所述数据位宽预测系统1还包括服务质量预测器13。在本实施例中，所述处理器3包括启动控制器30和近似位宽控制器31。

所述服务质量预测器13用以依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息，并在所述服务质量预测信息满足一预设条件时输出所述服务质量预测信息给所述处理器3；以及在所述启动阈值满足所述预设条件时输出启动指令给所述处理器3；所述断电信息包括断电置信度。

在实施例中，所述断电信息可藉由所述特征提取模块的断电感应单元进行采集，例如图2中的dc-dc转换器、ldo器件、电荷断路器(chargebreaker)、泄漏电容c2和adc转换器构成了断电感应单元，通过在由电荷断路器(chargebreaker)控制的恢复操作期间每次对泄漏电容器充电如图2所示，当电子设备从停电恢复时检查电容器的电压，系统断电时间可以通过adc检测到的电压降来计算。详而言之，如图2断电感应单元部分所示。每次系统上电时(在恢复操作之前)，泄漏电容器都会以完全稳定的电压充电。当发生电源故障时，泄漏电容器上的电压随着时间流逝而下降，通过在下次上电后测量所述泄漏电容器中的剩余电压可以获得检测的断电时间。所述断电信息包括断电置信度(confidence)，所述断电置信度可藉由一个被配置为断电预测器的前馈神经网络通过预测计算生成。

在本实施例中，藉由一神经网络依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息，即，通过将神经网络配置为服务质量预测器13，服务质量预测器13在帧数据作为输入处理期间获取近似位宽和平均功率中断预测置信度。在一实施例中，所述神经网络例如为包括有2个隐藏层的前馈神经网络。

在本实施例中，所述服务质量预测器13依据所述数据位宽指令(bitwidth)及断电信息(poweroutagesensing)进行预测计算获得服务质量预测信息(predictedqos)；并在所述服务质量预测信息(predictedqos)满足一阈值y时输出给所述处理器的启动控制器，以及在所述启动阈值(systemstartstoredenergythreshold)满足所述阈值y时输出启动指令(systemstart)给所述启动控制器。在本实施例中，所述阈值y例如为20db，但并不局限于此，在不同的实施状态下，比如针对不同类型的电子设备，可以设置不同的阈值y。

比如，如果预测的潜在输入能量水平比较低，并且缓冲电容器中没有足够的存储能量，则令启动控制器10控制处理器不启动；如果预测的潜在输入能量高，但接收到的通电置信度比较低，则仅当存储的能量水平足够高以达到预测阈值时才指示启动控制器10控制处理器启动；如果预测的潜在输入能量高，并且通电置信度比较高，即使存储的能量较低，仍然指示启动控制器10控制处理器启动(预测器输出非常低的阈值)以获得更好的前向进度和qos满意度。在一种示例中，所述通电置信度比较低例如为小于30％，所述通电置信度比较高例如为大于70％。但并不局限与此，在知晓本申请创新思想的情况下，可依据实际情况动态调整通电置信度的阈值。

由于高位宽运算(处理器计算精度高)比低位宽(处理器计算精度低)耗散更多电能，在本申请中通过控制处理器启动存储能量阈值，控制处理器的启动时刻进而在能量管理合理的情况下达到缓解低质量输出问题的目的，通过控制阈值y的参数来延迟所述处理器的启动时刻，直到能量存储电容器中存在足够的能量再启动所述处理器，进而在合理的能量管理的机制下确保高质量的数据运算或输出。

在一示例中，控制所述处理器启动的可以通过一启动控制器30来实现，所述启动控制器30用以接收到启动指令(systemstart)时启动所述处理器3的工作；在一实施例中，所述启动控制器30具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述启动控制器30将接收的启动指令存储到所述非易失性移位单元中。在本实施例中，所述启动控制器30例如为nvp启动触发器(nvpstarttriggercontroller)。

在一示例中，所述处理器3接收到所述数据位宽指令(bitwidth)时，藉由所述近似位宽控制器执行控制运算的操作，所述近似位宽控制器31用以接收到被配置为位宽预测器12的神经网络输出的数据位宽指令(bitwidth)时依据所述数据位宽指令控制运算操作的精度，在本实施例中，所述近似位宽控制器31具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述近似位宽控制器31将接收的数据位宽指令存储到所述非易失性移位单元中。所述处理器3的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。

在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。

在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。

请参阅图10，显示为本申请的数据位宽预测系统在再一实施例中的示意图，如图所示，在本实施例中，所述数据位宽预测系统包括上述的未来能量预测器11、位宽预测器12、服务质量预测器13、断电预测器14及备份时间预测器15。在本实施例中，所述处理器3包括启动控制器30、近似位宽控制器31以及保留时间控制器32。

在本实施例中，所述未来能量预测器11用于依据所述电子设备至少一个时刻的供电信息预测所述电子设备的未来通电时间及通电置信度；请参阅上述中针对图8至图9所涉实施例中的描述，在此不予赘述。

所述位宽预测器12用于依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令，以令所述处理器3的近似位宽控制器依据所述数据位宽指令进行运算，进而使得电子设备能够根据预期的能量动态调整处理器计算的精度以实现能量的科学管理。请参阅上述中针对图8至图9所涉实施例中的描述，在此不予赘述。

服务质量预测器13用以依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息，并在所述服务质量预测信息满足一预设条件时输出所述服务质量预测信息给所述处理器；以及在所述启动阈值满足所述预设条件时输出启动指令给所述处理器3；所述断电信息包括断电置信度。请参阅上述中针对图8至图9所涉实施例中的描述，在此不予赘述。

所述断电预测器14用于依据所述电子设备至少一个时刻的断电信息进行预测计算所述电子设备的未来断电时间及断电置信度。在实施例中，在检测到所述电子设备断电时或在一个断电周期获取所述电子设备至少一个时刻的断电信息。

在实施例中，所述的时刻可以是不同时间段的，依据不同的需求可以划分成多个时刻等级，比如10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等，需述明的是，上述时刻的举例是示例性的，在不同的实施状况下，并不局限于此。

在实施例中，所述断电信息为电子设备中因能量供应不足，或者能量耗尽，或者人为因素(比如人为设置或人为损坏)或不可预见的意外等因素导致的电能输入中断的信息，比如断电的时间以及断电的时长等信息。在一实施例中，可以设置10个级别的断电时间例如为10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等不同的时间段。

在实施例中，通过采集一泄电元件在该时刻中两端的压降进行计算获取所述断电信息，请参阅图2，显示为本申请在一实施例中的特征提取模块的电路框图，如图所示，在一个示例中，所述断电信息可藉由图2中所示的特征提取模块的断电感应单元进行采集，例如图2中的dc-dc转换器、ldo器件、电荷断路器(chargebreaker)、泄漏电容c2和adc转换器构成了断电感应单元，通过在由电荷断路器(chargebreaker)控制的恢复操作期间每次对泄漏电容器充电如图2所示，当电子设备从停电恢复时检查电容器的电压，系统断电时间可以通过adc检测到的电压降来计算。详而言之，如图2断电感应单元部分所示。每次系统上电时(在恢复操作之前)，泄漏电容器都会以完全稳定的电压充电。当发生电源故障时，泄漏电容器上的电压随着时间流逝而下降，通过在下次上电后测量所述泄漏电容器中的剩余电压可以获得检测的断电时间。在本实施例中，接收的所述电子设备一个或多个时刻的断电信息(poweroutagesensing)存储到非易失性移位单元中。在一个示例中，所述接收的所述电子设备最近10个连续断电信息为例，藉由一个计数器(未图示)用以计算断电时间，该计数器将最后计算的断电时间推送至非易失性移位器以替换掉最早的断电时间。

在实施例中，所述断电预测器14藉由一神经网络进行预测计算以获得所述电子设备的未来断电时间及断电置信度，例如将所述神经网络配置为一断电预测器14进行预测计算以获得所述电子设备的未来断电时间(power-offtime)及断电置信度(confidence)。在实施例中，所述断电预测器14包括一个或多个用于存储所述断电信息的非易失性移位单元，所述非易失性移位单元为非易失性位移器。所述神经网络的输入层用于从非易失性移位单元接收比如为10个历史断电时间的断电信息，经过所述前馈神经网络的2个隐藏层计算后藉由所述输出层输出预测例如为10个停电时间水平的未来断电时间(power-offtime)及对应每一未来断电时间的断电置信度(confidence)，进而实现用于对未来可能电源间断或者已经发生的电源间断时间进行预测。

所述备份时间预测器15用于依据所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度，以令所述处理器3依据所述写策略指令执行写操作；所述写策略指令包括执行写操作的写入电流及写入时间至少一种信息。所述的写入时间为数据写入的时长，在具体的实现中，所述数据写入的时长是由写入脉冲宽度决定的，所述的写入电流和写入脉冲宽度能够影响写入的数据的保留(保持或备份)时间。在本实施例中，所述写策略指令为包括写入数据的保留时间配置或者为保留时间(retentiontime)策略，通过本申请的写策略控制方法可以改善备份保留时间来降低备用能量，进而实现节能的控制。

在实施例中，所述备份时间预测器15藉由一神经网络接收所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度，具体地，所述神经网络例如为前馈神经网络(feedforwardneuralnetwork)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络，所述前馈神经网络呈如图3或图4的网络结构。例如将所述神经网络配置为一时间备份预测器进行预测计算以获得写策略指令(writeconfiguration)及写策略置信度(confidence)。

保留时间控制器32用于接收所述备份时间预测器输出的写策略指令，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。在本实施例中，所述保留时间控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述保留时间控制器32将接收的写策略指令存储到所述非易失性移位单元中。所述保留时间控制器32依据接收到的写策略指令执行写数据的操作，在一种示例中，藉由所述写操作向电子设备的存储器写入的数据例如为处理器的计算或处理的数据，或者记录备份的计算状态等。

在一实施例中，图8中所示的所述数据位宽预测系统中的未来能量预测器11及位宽预测器12可以通过一个复用硬件架构来实现未来通电时间及通电置信度的预测计算。

在一实施例中，图9中所示的所述数据位宽预测系统中的未来能量预测器11、位宽预测器12、服务质量预测器13可以通过一个复用硬件架构来实现未来通电时间、通电置信度、以及服务质量预测信息的预测计算。

在一实施例中，图10中所示的所述数据位宽预测系统中的未来能量预测器11、近似位宽预测器12、服务质量预测器13、断电预测器14、以及备份时间预测器15可以通过一个复用硬件架构来实现未来通电时间及通电置信度的预测计算，数据位宽指令以及启动阈值的预测计算，服务质量预测信息的预测计算，未来断电时间及断电置信度的预测计算，以及写策略指令及写策略置信度的预测计算。

请参阅图11，显示为本申请数据位宽预测系统在一实施例中的复用硬件架构示意图，如图所示，在本实施例中，所述复用硬件架构中的神经网络模块10包括神经网络单元101以及单次预测状态机102，其中，所述神经网络单元101包括神经元寄存器1011，存储有多个权值的权值寄存器1012、多个用于选择数据输入或输出的选择器1013、以及乘法累加单元1014。所述单次预测状态机102用于控制所述神经网络单元101接收到所述至少一种信息进行单次预测计算的时序。图11中所示的神经网络模块10为一个串行架构，所述单次预测状态机102依据所述神经网络单元101的输入(例如通过特征提取模块获取的电子设备的供电信息、储电信息、以及断电信息中的至少一种信息)，控制相应的选择器1013从所述权值寄存器1012选择一个权值以及需要被激活的源神经元和目标神经元，计算之后再交由一个乘法累加(multiply-and-accumulate，mac)单元1014，然后写回神经网络单元中的神经元直到处理完所述输入层、隐藏层及输出层中的所有神经元。所述权值寄存器1012中预存的权值是经训练获取的。

在本实施例中，所述权值寄存器1012包括用于存储对应每一预测计算的权值的非易失移位单元或非易失存储单元，其中，所述非易失移位单元为非易失移位器(nonvolatileshifter，nvshifter)，所述非易失存储单元为非易失存储器(non-volatilememory，简称nvm)。

在本实施例中，所述单次预测状态机102具有非易失移位单元或非易失存储单元，用于存储时序控制程序，具体而言，用于所述时序控制程序用于控制各该选择器1013的输出时序。其中，所述非易失移位单元为非易失移位器，所述非易失存储单元为非易失存储器。

所述时序控制模块102用于控制所述神经网络模块10基于接收的至少一个时刻的供电信息(powersensing)、储电信息(storedenergysensing)、以及断电信息(poweroutagesensing)中的至少一种信息输出数据位宽指令(bitwidth)、启动指令(systemstart)或写策略指令(writeconfiguration)中的至少一种指令或/及服务质量预测信息(predictedqos)的预测计算的时序，进而可以确保上述的多种预测计算可以共享一个神经网络模块，换言之，可以利用一个预测硬件(一个神经网络架构)完成所有这些预测器的功能。

更具体地，请参阅图12，显示为本申请写策略控制系统在另一实施例中的复用硬件架构示意图，如图所示，在图12所示的本实施例中，为了使得多种预测计算能够在一个硬件架构中在不同的时间段或不同的时间节点完成计算，进而本申请中规范了硬件架构。如图所示，所述神经网络模块10进一步包括softmax状态机103以及配置于乘法累加单元中的判断单元104(即图12中所示的or＝＝0的部分)。在本实施例中，为了规范硬件架构，在所述神经网络模块的在网络中构建了许多虚拟连接，以通过插入0个连接权值(即图12中所示的权值寄存器的weights1、weights2……weights5)来对神经网络拓扑进行标准化。

在图12所示的实施例中，所述单次预测状态机102包括用于存储时序控制程序的非易失移位单元。所述单次预测状态机102控制所述神经网络单元接收到输入的信息进行单次预测计算的时序的示意由图12中所示的虚线箭头表示；图中时序控制模块控制所述神经网络模块的时序的示意由图12中所示的点状线箭头表示。

当所述神经网络模块执行一次预测(比如未来通断时间的预测或者未来断电时间的预测)时，单次预测状态机102控制所述选择器将被选中的权值以及需要被激活的源神经元和目标神经元进行一次计算后输出给所述判断单元104，由判断单元104任何一个输入是否为0，如果任一输入为0，则绕过乘法器，如果任一输入不为0，则经由乘法器乘以并累加，然后写回神经网络单元101中的神经元直到处理完所述输入层、隐藏层及输出层中的所有神经元。最后，在softmax状态机103的控制下执行softmax层。在所有步骤由该神经网络模块执行之后，该神经网络模块的输出随后被选择存储在从处理器3中的非易失移位单元中，并且一些输出在图12中所示的非易失存储器(nvm)中更新(比如所述时序控制模块还控制所述神经网络模块在一个上电周期内更新所述断电信息；或者时序控制模块控制所述神经网络模块在一个断电周期内更新所述供电信息)，用于下一个其他预测，如断电预测置信度或通电置信度。在本实施例中，所述乘法累加单元中乘法器和加法器为浮点乘法器和浮点加法器。

在本实施例中，所述时序控制模块包括用于存储时序控制程序的非易失移位单元或非易失存储单元，其中，所述非易失移位单元为非易失移位器，所述非易失存储单元为非易失存储器。

在一实施例中，所述神经网络模块包括一个或多个非易失性移位单元及非易失存储单元，用于存储接收自特征提取模块获取的所述电子设备一个或多个时刻的供电信息、储电信息、以及断电信息分别存储在这些非易失性移位单元中。如图所示，所述供电信息(powersensing)、以及断电信息(poweroutagesensing)存储在这些非易失性移位单元中，所述储电信息(storedenergysensing)直接从特征提取模块2提取至神经网络模块，所述非易失存储器中存储有更新的信息，比如所述时序控制模块还控制所述神经网络模块在一个上电周期内更新所述断电信息；或者时序控制模块控制所述神经网络模块在一个断电周期内更新所述供电信息，用于下一个其他预测，如断电预测置信度或通电置信度。

本申请通过一个神经网络预测器的硬件架构在不同时间段内实现多种预测计算，换言之，本申请利用不同的时间段实现多个小规模的神经网络的预测计算，藉此达到节省硬件成本和面积的目的。

本申请还提供一种非易失处理器(nonvolatileprocessors，简称nvp)，请参阅图13，显示为本申请所述非易失处理器在一实施例中的架构示意图，如图所示，所述非易失处理器4包括：数据位宽预测系统40，近似位宽控制器42以及启动控制器41。在不同的实施情景下，所述非易失处理器依据应用到不同电子设备中的需求可以呈现多种封装结构。

所述数据位宽预测系统40用于通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理，请参阅上述中针对图8至图12所涉实施例中的描述，在此不予赘述。

所述近似位宽控制器42用以接收到所述数据位宽预测系统40输出的数据位宽指令时依据所述数据位宽指令控制所述处理器4的计算精度；所述近似位宽控制器用以接收到被配置为位宽预测器的神经网络输出的数据位宽指令(bitwidth)时依据所述数据位宽指令控制运算操作的精度；请参阅上述中针对图6、图9至图10所涉实施例中的描述，在此不予赘述。

在本实施例中，所述近似位宽控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述近似位宽控制器将接收的数据位宽指令存储到所述非易失性移位单元中。所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。

在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。

启动控制器用以接收到所述数据位宽预测系统输出的启动指令(systemstart)时启动所述处理器的工作。在一实施例中，所述启动控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(nvshifter)，所述启动控制器将接收的启动指令存储到所述非易失性移位单元中。在本实施例中，所述启动控制器例如为nvp启动触发器(nvpstarttriggercontroller)。请参阅上述中针对图9至图10所涉实施例中的描述，在此不予赘述。

比如，如果预测的潜在输入能量水平比较低，并且缓冲电容器中没有足够的存储能量，则令处理器不启动；如果预测的潜在输入能量高，但接收到的通电置信度比较低，则仅当存储的能量水平足够高以达到预测阈值时才指示处理器启动；如果预测的潜在输入能量高，并且通电置信度比较高，即使存储的能量较低，仍然指示处理器启动(预测器输出非常低的阈值)以获得更好的前向进度和qos满意度。在一种示例中，所述通电置信度比较低例如为小于30％，所述通电置信度比较高例如为大于70％。但并不局限与此，在知晓本申请创新思想的情况下，可依据实际情况动态调整通电置信度的阈值。

由于高位宽运算(处理器计算精度高)比低位宽(处理器计算精度低)耗散更多电能，在本申请中通过控制处理器启动存储能量阈值，控制处理器的启动时刻进而在能量管理合理的情况下达到缓解低质量输出问题的目的，通过控制阈值y的参数来延迟所述处理器的启动时刻，直到能量存储电容器中存在足够的能量再启动所述处理器，进而在合理的能量管理的机制下确保高质量的数据运算或输出。

所述非易失处理器还接收所述写策略控制系统输出的服务质量预测信息(predictedqos)，以使得所述处理器基于动态位宽执行近似和动态备份数据保留时间中的不同近似方法来预测电子设备运行程序的潜在输出质量，以使得整个所述能量管理系统的结果具有服务质量控制。

在本实施例中，所述非易失处理器采用5级流水线的处理器架构，请参阅图6，如图所示，所述近似计算架构包括5级流水线的处理器架构，藉由一动态架构近似控制单元对所述流水线的处理架构进行近似计算的控制。如图所示，藉由一被配置为未来能量预测器的神经网络依据所述供电信息(inputpower)进行预测计算所述电子设备的未来通电时间及通电置信度，再由被配置为位宽预测器的神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息(storedenergy)进行预测计算获得近似配置数据(approxconfig)，再通过预设有近似标示数据(acen)接口的近似控制单元向每个近似配置数据添加一个称为acen的位，以识别该近似配置数据是否可以在操作期间近似，所述动态架构近似控制单元从一个指令中的两个运算符读取近似标示数据(acen)以及获得的近似配置数据(approxconfig)，如果判断为一个运算符可近似，但另一个运算符不可近似，则不会近似该指令，如果两个运算符都可以近似，则以生成数据位宽指令(bitwidth)使所述处理器利用所述的5级流水线的处理器架构进行近似计算，进而实现处理器计算(运算)精度的控制。由上可知，被配置为位宽预测器在主程序中的程序员预定义循环的开始处被激活，这通常是要处理的新帧的循环。该被配置为位宽预测器用于决定适当的位宽以便在此上电周期内完成整个程序的循环操作。

本申请还提供一种神经网络芯片，连接一执行模块，所述执行模块包括近似位宽控制器以及启动控制器，请参阅图14，显示为本申请所述神经网络芯片在一实施例中的架构示意图，如图所示，所述神经网络芯片5包括数据位宽预测系统50。在本实施例中，所述执行模块6例如为处理器，比如非易失处理器(nonvolatileprocessors，简称nvp)，在其他的情况下，所述执行模块也可以为外置在处理器之外的芯片或模块。

所述数据位宽预测系统50用于通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理，请参阅上述中针对图8至图12所涉实施例中的描述，在此不予赘述。

所述执行模块6的近似位宽控制器61请请参阅上述中针对图10和图13所涉实施例中的描述，在此不予赘述。

所述执行模块6的启动控制器60请参阅上述中针对图10和图13所涉实施例中的描述，在此不予赘述。

在实施例中，所述神经网络芯片5可以利用一个预测硬件(一个神经网络架构)完成所有多种神经网络预测器的功能。所述神经网络预测器的硬件架构请参阅上述针对图11至图12中所示的状态，在此不予赘述。在不同的实施情景下，所述神经网络芯片依据应用到不同电子设备中的需求可以呈现多种封装结构。

本申请还提供一种电子装置(未予以图示)，所述电子装置包括上述各实施例中所述的数据位宽预测系统。在一实施例中，所述电子装置例如布设有集成电路或芯片的电路板或板卡。所述电路板例如为双层pcb板或多层pcb板。

本申请还提供一种电子设备，在本申请提供的实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。

作为一个示例，可穿戴电子设备可被实施为可穿戴健康助理的形式，该可穿戴健康助理将与健康相关的信息(实时或者非实时)提供到用户、被授权的第三方和/或相关联的监视设备。该设备可被配置为提供与健康相关的信息或数据，诸如但不限于心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据。相关联的监视设备可为例如平板计算设备、电话、个人数字助理、计算机等等。

作为另一个示例，电子设备可被配置为可穿戴通信设备的形式。可穿戴通信设备可包括与存储器耦接或进行通信的处理器、一个或多个通信接口、输出设备(诸如显示器和扬声器)、以及一个或多个输入设备。一个或多个通信接口可提供通信设备与任何外部通信网络、设备或平台之间的电子通信，该通信接口诸如但不限于无线接口、蓝牙接口、usb接口、wi-fi接口、tcp/ip接口、网络通信接口或者任何常规的通信接口。除了通信以外，可穿戴通信设备可提供关于时间、健康、状态或者外部连接的设备或正在进行通信的设备和/或在此类设备上运行的软件的信息、消息、视频、操作命令等等(并且可从外部设备接收上述中的任一者)。

请参阅图15，显示为本申请的电子设备在一实施例中的示意图，如图所示，所述电子设备7包括特征提取模块71，数据位宽预测系统72，以及处理器73。

所述特征提取模块71用于提取所述电子设备至少一个时刻的断电信息，例如针对上述图2描述的实施例，在此不予赘述。

所述数据位宽预测系统72用于通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理，请参阅上述中针对图8至图12所涉实施例中的描述，在此不予赘述。

所述处理器73接收到数据位宽指令(bitwidth)时，藉由一近似位宽控制器执行控制运算的操作，所述近似位宽控制器用以接收到被配置为位宽预测器的神经网络输出的数据位宽指令(bitwidth)时依据所述数据位宽指令控制运算操作的精度。在本实施例中，所述处理器73比如非易失处理器(nonvolatileprocessors，简称nvp)。请参阅上述中针对图8至图13所涉实施例中的描述，在此不予赘述。

请参阅图16，显示为本申请的电子设备在另一实施例中的示意图。如图所示，在一实施例中，所述电子设备7还包括用于产生或存储电能的电源装置70。在本实施例中，所述电源装置70例如为电池或自供电系统，所述自供电系统包括能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述电源装置70收集的电能需要从ac到dc或dc到dc处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。在一实施例中，所述特征提取模块可以为电源装置的一部分。

在一实施例中，如图16所示，所述电子设备7还包括一个或多个传感装置75，所述一个或多个传感装置75用于感测地理位置信息、环境光信息、环境磁场信息、声音信息、温度信息、湿度信息、压力感应信息、加速度信息、紫外线信息、血糖信息、酒精浓度信息、脉搏信息、心率信息、呼吸信息、运动量信息中的至少一种信息。

在实施例中，所述传感器75可包括各种电子设备、机械设备、机电设备、光学设备、或提供与可穿戴设备周围的外部条件相关的信息的其他设备。在一些实施例中，传感器可将数字信号提供至处理子系统，例如根据需要基于流式传输或响应于由处理子系统进行的轮询。可使用任何类型的环境传感器以及环境传感器的组合；以举例的方式示出加速度计、磁力仪、陀螺仪和gps接收器。

一些环境传感器可提供有关可穿戴设备的位置和/或运动的信息。例如，加速度计可感测沿一个或多个轴的加速度(相对于自由下落)，例如，使用压电部件或其他部件结合相关联的电子器件来产生信号。磁力仪可感测环境磁场(例如，地球的磁场)并生成可被解释为指南针方向的对应电信号。陀螺传感器可感测在一个或多个方向上的旋转运动，例如使用一个或多个mems(微机电系统)陀螺仪以及相关的控制和感测电路。全球定位系统(gps)接收器可基于从gps卫星所接收的信号确定位置。

除了或代替这些实例，还可包括其他传感器。例如，声音传感器可结合麦克风连同相关联的电路和/或程序代码以确定例如环境声音的分贝级，还可包括温度传感器、接近传感器、环境光传感器，生物特征传感器/生理特征传感器，比如心跳、呼吸、脉搏、血糖、酒精浓度检测传感器等。在一些实施例中，生理或生物传感器可用于验证可穿戴设备的穿戴者的身份。

在一实施例中，如图16所示，所述电子设备还包括存储装置74，用于存储所述处理器器输出的数据。在一些示例中，所述存储装置74例如为nvm(non-volatilememory，非易失存储器，简称nvm)，只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、eeprom、cd-rom或、磁盘存储装置或其它磁存储设备、闪存、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。

在一实施例中，如图16所示，所述电子设备还包括无线通信模块76，用于发送所述处理器器输出的数据，或接收外部设备无线传输的数据。该无线通信模块76的通信接口诸如但不限于无线接口、蓝牙接口、usb接口、wi-fi接口、tcp/ip接口、网络通信接口或者任何常规的通信接口。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接的形式。

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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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。

本申请还提供一种计算机可读存储介质，存储有能量管理的计算机程序，所述计算机程序被执行时实现前述针对图1、图5及图7所述的数据位宽预测方法。

所述功能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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。

于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、eeprom、cd-rom或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、u盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(dsl)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、dsl或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(cd)、激光光盘、光盘、数字多功能光盘(dvd)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。

如上所述，本申请数据位宽预测方法、数据位宽控制系统、非易失处理器、神经网络芯片、电子设备、电子装置及计算机可读存储介质，通过预测电子设备的未来能源输入来动态预测处理器所需的计算位宽，将系统功耗曲线与预测功率曲线匹配，藉此实现科学合理的能源管理。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。