状态感知级联机器学习系统和方法与流程

1.本公开涉及一种机器学习系统，其包括可操作以对可由惯性传感器提供的输入信号进行分类的两个或更多个子系统。


背景技术：

2.使用机器学习算法对输入数据进行分类的任务被理解为跨不同应用适用。基于给定的应用，单个机器学习算法可能非常大，其中具有数千万个变量。这种大型网络通常需要大量的计算处理能力和巨大的数据存储资源。因此，这样的机器学习模型可以具有大的能源足迹（footprint）。通常，这样的大型机器学习模型不能部署在诸如可穿戴设备、智能电话或iot设备之类的资源受限设置中。


技术实现要素：

3.公开了一种级联机器学习系统和方法。该系统和方法可以包括第一子系统和第二子系统，所述第一子系统包括多个操作状态和至少第一机器学习算法，所述第二子系统包括第二机器学习算法。当接收到第一组感测数据信号时，可以激活第二子系统。第二算法（即，第二机器学习算法）可以对第一组感测数据信号进行分类。可以从多个操作状态中选择第一操作状态以供第一子系统采用。还可以基于第一操作状态来选择将由第一子系统使用的一组活动参数。第二子系统可以被停用（例如，以节省功率），并且第一算法（即，第一机器学习算法）可以对第二组感测数据信号进行分类。然后，可以将第二组感测数据信号的分类与该组活动参数进行比较。并且，如果使用第一机器学习算法所执行的输出分类无效，则可以重新激活第二子系统。
4.级联机器学习系统和方法还可以将使用第一机器学习算法的第二组感测数据信号的分类的置信度水平与某一阈值进行比较。如果置信度水平小于该阈值，则第二子系统也可以被重新激活。还设想，可以使用第二机器学习算法对第二组感测数据信号进行分类。如果使用至少第一机器学习算法的第二组感测数据信号的分类等于使用第二机器学习算法的第二组感测数据信号的分类，则可以增大阈值。或者，如果使用第二机器学习算法的第二组感测数据信号的分类等于该组活动参数中的一个，则可以减小阈值。如果调整了阈值，则可以使用第二机器学习算法对第二组感测数据信号进行分类。还设想，阈值可以临时或永久地存储在存储器内。
5.还可以在预定时段已经期满之后，使用第二机器学习算法对第二组感测数据信号进行分类。设想，第一子系统可以在第一处理器（例如，低功率微处理器）上采用，而第二子系统在第二处理器（例如，应用处理器）上采用。第二机器学习算法也可以使用完整训练数据组和多个标签来训练。并且，可以使用完整训练数据组来训练第一子系统，但是一个或多个指定标签被组合到一个类别中。
附图说明
6.图1示出具有第一子系统和第二子系统的级联系统的示例性实施例；图2示出可以由第一子系统或第二子系统采用的示例性cnn；图3示出由级联系统实现的示例性状态图；图4示出由级联系统实现的另一示例性状态图。
具体实施方式
7.本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种和替代形式。附图不一定是按比例的；一些特征可能被夸大或最小化以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为是限制性的，而仅作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员应当理解的，参考任何一个附图示出和描述的各种特征可以与一个或多个其他附图中示出的特征进行组合，以产生未明确示出或描述的实施例。所示特征的组合提供了针对典型应用的代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改可能对于特定应用或实现是期望的。
8.对于机器学习算法，神经网络（例如，cnn或dnn）的使用已经增多了，并且现在跨包括对输入数据进行分类以提供事件检测、活动分类、图像分类和对象分类（例如，对象识别或面部识别）的各种各样的应用而采用。然而，用于对来自惯性传感器的输入数据进行分类的常规神经网络可能极大，从而需要大量的计算和数据存储资源。因此，这种大型网络消耗大量能量，并且通常具有大的功率足迹。此外，常规神经网络通常不能部署在资源受限的设置中（例如，在如智能手表的可穿戴设备或iot设备内）。
9.因此，可以设想，级联机器学习推断可以被设计为在资源受限的设置或环境中采用。级联系统和方法可适用于以有限功率操作的应用（例如，可穿戴智能手表、智能电话或iot设备）。级联系统和方法可采用两个或更多个子系统，所述两个或更多个子系统可操作以对由一个或多个传感器提供的输入信号进行分类。通常在消费者设备中使用的传感器是基于mems的陀螺仪、加速度计、磁力计、压力传感器或气压高度计。该系统和方法还可以进一步跨附加的或新的子系统分离功能。通过跨附加的子系统来分离操作和功能，可以进一步降低整体功耗。
10.可以设想，级联系统可以采用一个子系统（即，执行第一机器学习算法的第一子系统），该子系统根据有限的一组活动、图像、类别、对象或对象群组来接收数据并对数据进行分类。然后，在某些情况下并且取决于应用，可以将经分类的数据发送到执行完全分类的更复杂的子系统（即，执行第二机器学习算法的第二子系统）。通过采用在执行的分类和区域消耗方面具有不同复杂性的两个子系统，多级网络可以需要比常规的机器学习网络更少的功率。
11.图1示出了包括第一子系统102和第二子系统104的级联系统100的示例性实施例。如所示，第一子系统102和第二子系统104可以被设计为包括至少一个处理器106、108，其可操作地连接到相应的存储器单元114、116。一个或多个传感器140也可以电连接到第一子系统102和第二子系统104。一个或多个传感器140可以包括时间序列传感器，如陀螺仪、加速度计、磁力计、压力传感器、气压高度计、光电血管容积图（ppg）、心率传感器或压电传感器。
然而，这些仅是示例性传感器，并且应当理解，级联系统100可以被设计成根据应用与任何其他种类的传感器一起操作。一个或多个传感器140可以向第一子系统102和第二子系统104提供信号数据142。
12.每个处理器106、108可以是实现相应处理单元（pu）110、112的功能的一个或多个集成电路。pu 110、112可以是实现诸如x86、arm、power或mips指令集系列之一的指令集的商用的处理单元。然而，可以设想，商用的处理单元可以是用于实现第一子系统102和第二子系统104的示例性方法。例如，还设想，pu 110、112可以是专门的加速器单元，其包括被优化用于实现机器学习算法或神经网络（例如，cnn、dnn或决策树）的特殊功能或指令，诸如模拟计算单元或在存储器中执行计算操作的单元。进一步设想，pu 110、112可以使用专门的集成电路来设计，例如专用集成电路（asic）或现场可编程门阵列（fpga）。
13.在操作期间，每个pu 110、112可以执行从相关联的存储器单元114、116检索的所存储的程序指令。所存储的程序指令可以包括控制每个pu 110、112的操作以执行这里所描述的操作的软件。在一些示例中，每个处理器106、108可以是片上系统（soc），其集成了每个pu 110、112；每个存储器单元114、116；相关联的网络接口118、120；以及相关联的输入/输出接口122、124的功能。可以设想，第一子系统102和第二子系统104可以实现用于管理操作的各个方面的操作系统。
14.每个存储器单元114、116可以包括用于存储指令、数据和参数的易失性存储器和非易失性存储器。非易失性存储器可以包括固态存储器，例如nand闪存、磁和光存储介质、或任何其他合适的数据存储设备，其在第一子系统102和第二子系统104被停用或失去电力时保持数据。易失性存储器可以包括存储程序指令和数据的静态和动态随机存取存储器（ram）。例如，每个存储器单元114、116可以存储机器学习模型126、128或算法。存储器单元114、116还可以存储参数或数据（例如，系数、权重），其然后可以由pu 110、112加载以供机器学习模型126、128使用。具体地，第一子系统102可以存储可以由机器学习模型126用于对给定活动、图像、类别、对象或对象群组进行分类的参数130。
15.可以设想，第一子系统102和第二子系统104也可以使用预处理电路或算法143对从传感器140接收的数据142进行预处理。数据142的预处理可以包括实现已知的平滑、滤波、平均技术以去除潜在的噪声。在预处理之后，数据142然后可以作为源数据134、136被存储在存储器单元114、116内。或者，还设想，数据142的预处理可以在第一子系统102和第二子系统104外部发生。这样，原始数据141可以被直接提供给第一子系统102和第二子系统104使用。即使预处理在外部发生，数据142也仍可作为源数据134、136存储在存储器单元114、116内。或者，可以直接提供预处理数据142以供pu 110、112使用。
16.同样，第一子系统102和第二子系统104也可以包括相关联的网络接口设备118、120。可以设想，网络接口设备118、120可以被配置成在第一子系统102和第二子系统104之间提供通信链路138。或者，网络接口设备118、120可以被配置为与附加的外部系统和设备（例如，传感器）通信。网络接口设备118、120可以使用i2c、spi、允许在嵌入式系统中的微控制器、eeprom、a/d和d/a转换器、i/o接口和其他类似外设之间通信的类似方法来通信。另外，网络接口设备118、120可以被配置为包括由电气和电子工程师协会（ieee）802.11标准族所定义的有线和/或无线以太网接口。网络接口设备118、120可以包括用于与蜂窝网络（例如，3g、4g、5g）通信的蜂窝通信接口。
17.第一子系统102和第二子系统104也可以可操作以与外部网络（例如，万维网或因特网）通信。外部网络可被设计成在计算设备之间建立标准通信协议。外部网络可以允许在第一子系统102、第二子系统104和外部网络之间容易地交换信息和数据。例如，一个或多个服务器可以使用外部网络与第一子系统102和第二子系统104连接和通信。
18.第一子系统102和第二子系统104可以实现相关联的机器学习算法126、128，其被配置为分析数据134、136，所述数据可以包括从传感器140（例如，惯性传感器）接收的未处理数据141或预处理数据142。或者，第一子系统102和第二子系统104可以实现相关联的机器学习算法126、128，以直接分析从传感器140接收的未处理数据141或预处理数据142。数据134、136（或未处理数据141和预处理数据142）可以是视频、视频片段、图像和原始或部分处理的传感器数据（例如，来自数字摄像机或lidar传感器的数据）。在一些示例中，机器学习算法126、128可以是可以被设计成执行预定功能的机器学习算法（例如，cnn或dnn）。
19.然而，进一步设想，第一子系统102和第二子系统104可被设计成根据应用来实现非机器学习算法。例如，第一子系统102和第二子系统104可以实现评估重力矢量的算法，而不是机器学习算法。算法然后可以可操作以基于矢量的噪声（例如，移动设备处于运动中）和用于移动设备的矢量的定向来推断决策。算法可使用矢量的定向来确定移动设备是面朝上还是面朝下定位在某一表面上。
20.虽然级联系统100被图示为在单独的设备上执行第一子系统102和第二子系统104，但是可以设想，两个子系统可以在单个设备上实现。例如，pu 110可以可操作以加载并执行机器学习模型126（即，由第一子系统102采用的机器学习算法）和机器学习模型128（即，由第二子系统104采用的机器学习算法）两者。并且，pu 110可操作以加载并执行附加的机器学习算法。
21.可以设想，第一子系统102和第二子系统104也可以在pu 110上同时执行，而不管是使用商用的处理器（例如，x86）还是专门的处理器（例如，asic）来设计。例如，如果pu 110是使用专门的集成电路（例如，asic）设计的，则逻辑的部分可以被设计成实现由第一子系统102采用的机器学习模型126，并且逻辑的单独部分可以被设计成实现由第二子系统104采用的机器学习模型128。
22.或者，如果pu 110是使用商用的处理器来设计的，则机器学习模型126、128都可以被加载。在任一场景中，当第一子系统102是活动的时，与第二子系统104相关联的pu 110的部分可以被停用或被置于低功率睡眠模式以节省功率。当需要第二子系统104时，可以激活与机器学习模型128相关联的pu 110，并且可以停用由第一子系统102采用的机器学习模型126或者将其置于低功率睡眠模式。通过在操作第一子系统102和第二子系统104之间切换或停用pu 110的部分，可以降低级联系统100的总功耗。
23.再次，第一子系统102和第二子系统104可被设计成使用机器学习模型126、128来操作。可以设想，机器学习模型126、128可以使用卷积神经网络（cnn）、深度神经网络（dnn）、循环神经网络（rnn）、长短期记忆（lstm）或决策树来实现。然而，可以设想，机器学习模型可以包括用于从传感器接收的数据的分类的其他已知算法。
24.例如，图2示出了可被用于实现第一子系统102或第二子系统104以提供所提供的数据或输入信号的部分的、特定的或完全的分类的示例性cnn 200。如所示，cnn 200可包括一个或多个卷积层220
‑
240；一个或多个池化层250
‑
270；一个或多个全连接层260；以及
softmax层270。
25.cnn 200可接收数据210（例如，图1中所示的数据134、136或数据142），其可包括从传感器或换能器接收的图像数据、语音数据、文本数据或测量结果。再次，数据210还可在被提供给cnn 200之前被轻微处理。卷积层220
‑
240可被设计成从数据210提取特征。例如，卷积层220
‑
240可以在将结果传递给cnn 200的下一层之前采用滤波操作（例如，内核）。滤波操作可以包括当接收到的数据210是图像时被应用的图像标识、图像的边缘检测和图像锐化。或者，滤波操作可以包括当接收到的数据210是图像时被应用的时间序列特征提取，如均值、标准偏差、峰值检测或斜率检测。
26.cnn 200还可包括一个或多个池化层250
‑
270，其从相应的卷积层220
‑
240接收卷积数据。池化层250
‑
270可以包括一个或多个池化层单元，其将池化函数应用于使用池化函数在不同带处计算的一个或多个卷积层输出。例如，池化层250可以将池化函数应用于从卷积层220接收的内核输出。由池化层250
‑
270实现的池化函数可以是平均或最大值函数或者将多个值聚合成单个值的任何其他函数。
27.接下来，一个或多个全连接层280可以尝试学习针对从卷积层220
‑
240和池化层250
‑
270接收的输出数据中的高级特征的非线性组合。最后，cnn 200可包括softmax（柔性最大值传输函数）层290，其使用softmax函数来组合全连接层280的输出。还设想，cnn 200可进一步采用批量标准层、最大池化层和随机失活（dropout）层。
28.图3示出了可由级联系统100采用的示例性状态图300。在状态302，第二子系统304可提供源数据134、136的分类。基于由第二子系统304执行的分类，状态图300可以进行到一个或多个状态304、308、312或316，其中，第一子系统302可以运行一个或多个各种算法，如机器学习模型。可以设想，由第一子系统102执行的每个算法可以被设计成提供结果所得的分类或不能分类的结果。
29.例如，级联系统100可被实现用于在可穿戴设备、iot设备、边缘设备或移动设备（例如，智能电话）内使用或与可穿戴设备、iot设备、边缘设备或移动设备（例如，智能电话）相关联地使用，以提供给定分类（即，对用户活动进行分类）。基于源数据136（即，由传感器140提供的未处理数据141或预处理数据142），第二子系统104可确定用户处于运动中（即，用户活动）。更具体地，第二子系统104可确定源数据136指示用户的活动是“跑步”。然后，第二子系统104可以触发第一子系统102的激活，该第一子系统可能已经被停用或处于睡眠模式以节省功率。一旦被激活，状态图300可以进行到状态304，其中，第一子系统302加载与用户的活动相关联的参数130。
30.加载的参数130可包括与“跑步”（如“短跑”或“慢跑”）相关联的用户活动。或者，参数130可以包括从“跑步”的用户活动过渡，例如“步行”。加载的参数130还可以包括默认的“其他”分类，例如其中第一子系统102不能对用户活动进行分类（例如，用户已经停止跑步并且现在站立不动）。
31.状态机300然后进行到状态306，其中，参数130由第一子系统102的机器学习模型126用于确定未来数据134（即，从传感器140接收的输入142）是否仍然与先前由第二子系统104确定的用户活动相关。如果是，状态机保持在状态306以评估和分类从传感器140获取的新的源数据134（即，未处理数据141或经处理数据142）。在当前示例中，第一子系统102仍然可以确定下一数据134（即，未处理数据141或经处理数据142）仍然指示用户活动是“跑步”。
因为用户活动仍然被分类为“跑步”，所以第一子系统102将保持当前的一组参数，并且状态图300保持在状态306。再次，由第一子系统102对新的源数据134（即，未处理数据141或经处理数据142）的分类可以消耗比由第二子系统104的更复杂的机器学习模型128执行的分类更少的功率。
32.如果状态306确定用户活动已经改变（例如，用户活动已经从“跑步”改变为“步行”）或者第一子系统102不能对用户活动进行分类（即，用户活动是“其他”），则可以重新激活第二子系统104（例如，使用触发信号），并且状态图300返回到状态302。一旦状态机300返回到状态302，则第二子系统104将再次处理并提供数据136的完全分类（即，从传感器140接收的输入142）。基于完全分类，状态图300然后可进行到状态304、308、312或316之一。
33.例如，像第一子系统102一样，在状态302下操作的第二子系统104也可将用户活动分类为“步行”。状态图300然后可以进行到状态308（即，活动2），其中，第一子系统102加载将使得能够实现与“步行”相关联的分类的参数130。参数130可包括“步行”、“站立”、“跑步”或“其他”。再次，针对“活动2”加载的参数可以包括过渡用户活动（即，“步行”或“跑步”）或指示第一子系统102不能检测用户活动的分类（即，“其他”）。
34.可以设想，如果第一子系统102确实将用户活动分类为“其他”，则第二子系统104可以执行完全分类以确定当前状态。然后，第二子系统104可以进行到正确的状态（例如，状态304、308、312、316），其中，适当的参数被加载以供第一子系统102使用。
35.还设想，可能需要评估由第一子系统102执行的分类的置信度水平以确定所加载的参数组（例如，“步行”、“站立”、“跑步”或“其他”）是否仍然适用。级联系统100可通过定义阈值来检查置信度水平。例如，可以对pu 110进行编程（或者可以加载指令）以定义阈值。如果置信度水平降至阈值以下，则级联系统100可激活第二子系统104，使得可执行完全分类。阈值可以是固定值或由级联系统100随时间而优化的值。
36.例如，阈值可以初始地被设置为50%的值。如果pu 110确定置信度水平降到50%阈值以下，则可以重新激活第二子系统104。然而，如果第二子系统104与先前分类相同地对用户活动进行重新分类，则阈值可以增大，例如，高达55%或低至45%。换句话说，第二子系统104可能已经将用户活动分类为“跑步”。第一子系统102可以加载与“跑步”相关联的参数，但是将从传感器140接收的数据134分类为与“步行”的用户活动相关联。在执行完全分类时，第二子系统104可以确定第一子系统102不正确并且用户活动保持“跑步”。通过调整阈值，第一子系统102可能不会再次将用户活动不正确地分类为“步行”。通过实现置信度水平阈值，级联系统100的功耗可以降低，因为系统对于用户变得个性化。
37.还设想，每当级联系统100、子系统102或子系统104被激活时，阈值可被保存（例如，在存储器114、116中）并再使用。或者，阈值可以被临时存储并且可以仅在当前激活时段内有效。例如，当用户尝试不正确地应用可穿戴设备并且检测到太多移动时，可以实现临时存储的阈值。在这种给定的情况下，级联系统100可以可操作以修改阈值一次并在下一迭代期间返回到先前（或原始）阈值。级联系统100还可检测并确定给定阈值已被修改，因为用户正以给定方式移动（即，步行）。级联系统100因此可以可操作以使对于给定用户唯一的阈值“个性化”，并将个性化阈值永久地存储在存储器114或116中。最后，级联系统100可以可操作以在给定使用次数内（例如，在佩戴智能手表10次之后）监视并改变阈值，并且在已超过给定使用次数之后存储该阈值。还设想，算法可以不涉及学习周期。例如，算法可以用于检
测光传感器内的“开灯”或“关灯”的发生。还可以设想，可以手动地设置阈值。
38.可以设想，阈值也可以被重置回原始的预定义值（例如，50%）。当在平坦道路上跑步的用户开始上山，随后下山，然后再次沿平坦道路向下前进时，阈值可能已经被修改并且被重置为原始值。在这种场景中，用户活动可以在跑步（例如，当在平坦表面上时）和步行（例如，当上山时）的分类之间改变。当用户在平整的路面上跑步时，第一子系统102可提供非常清楚（高置信度）分类。但是当用户开始跑步上坡时，用户特性可能改变，并且第一子系统102可能难以将用户分类为仍然在跑步。
39.用户特性的改变可能会导致第一子系统102失去置信度，并且跳回（即，激活）第二子系统104以进行更精确的完全分类。这可能在用户上山而不是像在平坦路面上一样快地“跑步”时发生。因此，第一子系统102可能错误地认为用户不再跑步，而是在步行。然而，通过执行完全分类，第二子系统104仍可将用户活动分类为跑步。在两个子系统之间的这种“后退和前进”的几次出现之后，第一子系统102的阈值可以减小5%（例如，减小到45%的用于跑步的置信度阈值，以确保用户活动被分类为跑步）。如果跑步者开始在平坦路面上跑步或者当跑步者开始在平坦路面上跑步时，第一子系统102的置信度可再次增大，并且阈值可增大和/或重置。而且，如果阈值低于某个百分比（例如30%），则可以激活第二子系统104来执行完全分类，以验证第一子系统102的分类。
40.还设想，级联系统100还可通过运行第二子系统104以在预定持续时间之后执行完全分类来验证阈值。例如，在第一子系统102已经执行了10或100次用户活动分类之后，可以激活第二子系统104来执行完全分类。或者，持续时间可以是基于时间的（例如，100μs），并且第二子系统104可以在基于时间的持续时间已经期满之后被激活。第二子系统104可以在预定的持续时间之后被重新激活，以确保第一子系统102不会循环和提供相同的不正确分类。
41.还可以设想，第一子系统102可以由硬件切换器或软件切换器来激活，所述硬件切换器或软件切换器检测可以是状态图300内包括的状态（例如，状态304、308、312或316）之一的相关子状态。硬件切换器或软件切换器可用于检测设备内的显著变化。级联系统100还可以包括附加的子状态，其包括“no_motion”、“no_significant_motion”和“no_location_change”。级联系统100可以使用这些附加的子状态来生成固有关系，诸如：no_motion=>no_significant_motion=>no_location_change。这种固有关系可以包括多个级联系统——例如，级联1可以是硬件中断，而级联2可以用于检查传感器信号上的“噪声”。还可以设想，可以采用硬件和软件切换器来激活状态特定传感器，如检测运动的加速度计、检测高度/海拔变化的压力传感器、或检测旋转变化的陀螺仪。
42.图4示出了根据级联系统100的替代实施例的另一状态图400。可以设想，替代实施例可以与参考状态图300描述的那些共享类似的功能和操作状态。例如，状态402可以以与状态302类似的方式操作。同样，状态404、408、412和416可如上述的状态304、308、312和316那样操作。然而，状态图400可以基于由第一子系统102执行的关于状态406、410和414的决策而变化。更具体地，第一子系统102可以切换到另一个分类活动，而不使用第二子系统104重新激活或执行分类。
43.例如，第二子系统104可能已经在状态402处将用户活动分类为“跑步”。状态图400然后可以进行到状态404，其中，与“跑步”相关联的参数130由第一子系统102加载。在状态
406，第一子系统102可以继续评估来自传感器140的数据134。与状态图300不同，如果第一子系统102将用户活动分类为与第二活动（例如，“步行”）相关联，则第一子系统102将切换到状态408，其中，与“步行”相关联的参数130将被加载。状态图400然后将进行到状态410，其中，第一子系统102将继续对从传感器140接收的数据134进行分类。通过在与第一子系统102相关联的状态之间切换，第二子系统104将不会被连续地重新激活，进而进一步降低功耗。
44.可以设想，第一子系统102还可以改变信号源（例如，可操作以改善级联系统100的关键性能指标（kpi）的mems元件）的参数。通过修改参数，由于采样速率的降低，功耗可以再次降低。还设想第二子系统104可采用包括完整数据组和所有标签的训练过程。第一子系统102可以替代地用完整数据组来训练，但是将属于被分类为“其他”的活动的所有标签可以被组合到一个类别中。然后，与关注的每个类别对应的结果所得的参数组可以存储在相关联的存储器114、116中，并且在推断期间需要时由第一子系统102和第二子系统104加载。
45.可以设想，应当维持用于第一子系统102的平衡的数据组。在训练过程期间，可以使用数据的加权交叉熵来维持平衡的数据组。进一步设想，上述的级联系统100的划分形式仅是示例性的，并且每个子系统（即，第一子系统102和第二子系统104）也可被设计成在高度优化的硬件（例如，模拟存储器计算）或基于云的平台上操作。
46.本文公开的过程、方法或算法可递送至处理设备、控制器或计算机/由处理设备、控制器或计算机实现，所述处理设备、控制器或计算机可包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，过程、方法或算法可以以许多形式存储为可由控制器或计算机执行的数据和指令，包括但不限于永久存储在诸如rom设备之类的非可写存储介质上的信息和可更改地存储在诸如软盘、磁带、cd、ram设备和其他磁介质和光介质之类的可写存储介质上的信息。过程、方法或算法也可以在软件可执行对象中实现。或者，过程、方法或算法可以使用适合的硬件组件（例如专用集成电路（asic）、现场可编程门阵列（fpga）、状态机、控制器或其他硬件组件或设备）或者硬件、软件和固件组件的组合来整体或部分地实现。
47.尽管上面描述了示例性实施例，但并不意味着这些实施例描述权利要求所包含的所有可能形式。说明书中使用的词语是描述性而不是限制性的词语，并且应当理解，在不脱离本公开的精神和范围的情况下，可以进行各种改变。如前所述，可以组合各种实施例的特征以形成可能未明确描述或示出的本发明的其他实施例。虽然各种实施例可能已经被描述为关于一个或多个期望特性相对于其他实施例或现有技术实现提供了优点或者是优选的，但是本领域普通技术人员应当认识到，一个或多个特征或特性可以被折衷以实现期望的总体系统属性，这取决于具体应用和实现。这些属性可以包括但不限于成本、强度、耐久性、寿命周期成本、可销售性、外观、包装、尺寸、可维修性、重量、可制造性、组装容易性等。因此，在任何实施例被描述为关于一个或多个特性比其他实施例或现有技术实现较不合期望的范围内，这些实施例并不在本公开的范围之外，并且可能对于特定应用是合期望的。