一种处理方法、装置及系统与流程

1.本技术涉及计算机技术领域，特别涉及一种处理方法、装置及系统。


背景技术：

2.为了适应用户的不同使用需求，目前的电子设备设置有多种性能模式，不同性能模式下，电子设备的硬件的运行性能不同。
3.但是，目前，性能模式需要用户手动进行切换，使得电子设备的硬件的参数随性能模式的切换而调整，导致电子设备的硬件的参数的调整的准确性和灵活性不高。


技术实现要素：

4.本技术提供如下技术方案：
5.本技术一方面提供一种处理方法，所述方法包括：
6.第一处理单元获得第一感应单元的第一监控数据，所述第一感应单元通过监控电源提供给目标处理单元的目标参数，所述目标参数用于指示所述目标处理单元处于运行状态的性能；
7.第一处理单元获得智能引擎的第二监控数据，处于运行状态的所述智能引擎管理当前运行的目标程序；
8.第一处理单元基于所述第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景；
9.第一处理单元基于所述使用场景调整所述目标处理单元的所述目标参数。
10.所述方法还包括：
11.所述第一处理单元通过所述智能引擎设置用于控制所述目标处理单元的管理软件。
12.所述智能场景模型为智能神经网络模型，所述第一处理单元为具有运算能力的芯片。
13.所述方法还包括：
14.若所述智能神经网络模型确定的所述电子设备的使用场景的准确度不满足准确度阈值，则控制所述电子设备的使用场景为通用使用场景。
15.所述方法还包括：
16.所述智能引擎获取所述电子设备的第一信息，所述第一信息表征所述电子设备在所述通用使用场景下的使用状况的参数信息；
17.所述智能引擎将所述第一信息发送给云服务器，以使得第一服务器从所述云服务器获取所述第一信息，基于所述第一信息对所述智能神经网络模型进行更新，并将更新后的智能神经网络模型发送给所述云服务器进行存储。
18.所述智能神经网络模型通过以下方式获取，包括：
19.所述智能引擎向云服务器发送第一请求，并获得所述云服务器响应所述第一请求
返回的神经网络模型版本信息和神经网络模型下载地址；
20.若所述神经网络模型版本信息表征所述云服务器中的当前神经网络模型新于所述电子设备的神经网络模型，则所述智能引擎基于所述神经网络模型下载地址，获取所述云服务器中的当前神经网络模型，将所述当前神经网络模型作为所述智能神经网络模型。
21.本技术另一方面提供一种处理装置，包括：
22.第一获得模块，用于获得第一感应单元的第一监控数据，所述第一感应单元通过监控电源提供给目标处理单元的目标参数，所述目标参数用于指示所述目标处理单元处于运行状态的性能；
23.第二获得模块，用于获得智能引擎的第二监控数据，处于运行状态的所述智能引擎管理当前运行的目标程序；
24.确定模块，用于基于所述第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景；
25.调整模块，用于基于所述使用场景调整所述目标处理单元的所述目标参数。
26.本技术第三方面提供一种处理系统，包括：第一处理单元、第一感应单元和智能引擎；
27.所述第一感应单元，用于通过监控电源提供给目标处理单元的目标参数，所述目标参数用于指示所述目标处理单元处于运行状态的性能；
28.所述智能引擎，用于在处于运行状态的情况下，管理当前运行的目标程序；
29.所述第一处理单元，用于执行如上述任意一项所述的处理方法。
30.所述处理系统还包括：云服务器和第一服务器；
31.所述智能引擎，还用于：
32.获取所述电子设备的第一信息，所述第一信息表征所述电子设备在所述通用使用场景下的使用状况的参数信息；
33.将所述第一信息发送给所述云服务器，以使得所述第一服务器从所述云服务器获取所述第一信息，基于所述第一信息对所述智能神经网络模型进行更新，并将更新后的智能神经网络模型发送给所述云服务器进行存储。
34.所述智能引擎，还用于：
35.向云服务器发送第一请求，并获得所述云服务器响应所述第一请求返回的神经网络模型版本信息和神经网络模型下载地址；
36.若所述神经网络模型版本信息表征所述云服务器中的当前神经网络模型新于所述电子设备的神经网络模型，则基于所述神经网络模型下载地址，获取所述云服务器中的当前神经网络模型，将所述当前神经网络模型作为所述智能神经网络模型。
37.在本技术中，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景，实现第一处理单元基于电子设备的与目标处理单元相关的数据和与当前运行的目标程序相关的数据，确定电子设备的使用场景，保证电子设备的使用场景确定的准确性，在此基础上，第一处理单元基于使用场景调整目标处理单元的目标参数，提高目标参数调整的准确性和灵活性。
附图说明
38.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
39.图1是本技术实施例1提供的一种处理方法的流程示意图；
40.图2是本技术提供的第一感应单元与第一处理单元之间的一种交互场景示意图；
41.图3是本技术提供的第一感应单元与第一处理单元之间的另一种交互场景示意图；
42.图4是本技术提供的一种智能神经网络模型的结构示意图；
43.图5是本技术提供的一种获取智能神经网络模型的场景示意图；
44.图6是本技术提供的一种调整目标处理单元的目标参数的场景示意图；
45.图7是本技术提供的一种处理方法实施例2的流程示意图；
46.图8是本技术提供的一种处理方法实施例3的流程示意图；
47.图9是本技术提供的一种处理方法实施例4的流程示意图；
48.图10是本技术实施例4提供的一种处理方法的实施场景示意图；
49.图11是本技术提供的一种处理方法实施例5的流程示意图；
50.图12是本技术实施例5提供的一种处理方法的实施场景示意图；
51.图13是本技术提供的一种处理装置的逻辑结构示意图。
具体实施方式
52.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.在现有技术中，用户虽然可以手动切换性能模式，但是通过收集用户实际使用习惯的数据，确定出用户手动进行性能切换的次数的占比很小，更多的用户还是保持在电子设备出厂设置的默认性能模式。
54.在用户手动进行性能切换的次数的占比很小的情况下，电子设备很少能在其性能模式与使用场景匹配的情况下使用，即，电子设备的硬件很少能在其参数与使用场景匹配的情况下运行，导致电子设备的使用效果不好，用户体验差。
55.为了解决上述问题，本技术提出一种全新的处理方法。接下来对本技术提供的处理方法进行介绍。
56.参照图1，为本技术实施例1提供的一种处理方法的流程示意图，本技术提供的一种处理方法可以应用于电子设备，本技术对电子设备的产品类型不做限定，如图1所示，该方法可以包括但并不局限于以下步骤：
57.步骤s101、第一处理单元获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能。
58.本实施例中，如图2所示，第一感应单元可以监控电源提供给目标处理单元的目标参数，将目标参数作为第一监控数据。例如，第一感应单元可以通过监控电源提供给目标处理单元的电压、电流和功率中至少一种或多种，将电源提供给目标处理单元的电压、电流和功率中至少一种或多种作为第一监控数据。相应地，第一处理单元获得第一感应单元监控得到的电源提供给目标处理单元的目标参数。
59.如图3所示，第一感应单元也可以监控电源提供给目标处理单元的目标参数，基于目标参数确定待使用数据，将目标参数和待使用数据作为第一监控数据。例如，目标参数可以包括电压和电流，基于电压和电流，计算功率，将电压、电流和功率作为第一监控数据。相应地，第一处理单元获得第一感应单元监控得到的电源提供给目标处理单元的目标参数及基于目标参数确定的待使用数据。
60.本实施例中，目标处理单元可以包括但不局限于：cpu(中央处理器，central processing unit)、gpu(图形处理器，graphics processing unit)和ssd(固态硬盘，solid state disk)中至少一个或多个。
61.第一处理单元可以为但不局限于：具有运算能力的芯片。具有运算能力的芯片的类型在本技术中不做限制。
62.第一感应单元，可以包括但不局限于：功率传感器。
63.步骤s102、第一处理单元获得智能引擎的第二监控数据，处于运行状态的智能引擎管理当前运行的目标程序。
64.处于运行状态的智能引擎管理当前运行的目标程序，可以包括但不局限于：
65.处于运行状态的智能引擎监控与当前运行的目标程序相关的数据，基于与当前运行的目标程序相关的数据，管理当前运行的目标程序。
66.处于运行状态的智能引擎可以但不局限于将与当前运行的目标程序相关的数据作为第二监控数据。
67.当前运行的目标程序可以包括但不局限于：应用程序、操作系统中的服务进程和控制目标处理单元的管理软件中的至少一种或多种。
68.对应目标处理单元为cpu或gpu的实施方式，控制目标处理单元的管理软件可以但不局限于：用于控制cpu或gpu从第一频率切换为第二频率，第二频率高于第一频率。
69.与应用程序相关的数据，可以包括但不局限于：应用程序对应的用户交互信息和网络流量信息。
70.操作系统中的服务进程可以包括：操作系统进程和/或用户进程。操作系统进程可以理解为用于完成操作系统所提供的服务的进程。用户进程可以包括：应用程序对应的进程，和/或，控制目标处理单元的管理软件对应的进程。
71.与操作系统中的服务进程相关的数据，至少可以包括：操作系统进程对应的目标处理单元的利用率，和/或，用户进程对应的目标处理单元的利用率。
72.与控制目标处理单元的管理软件相关的数据，可以包括：处于运行状态的控制目标处理单元的管理软件对应的网络流量数据，和/或，处于运行状态的控制目标处理单元的管理软件的运行数据。
73.处于运行状态的智能引擎管理当前运行的目标程序的方式，在本技术中不做限制。如，可以在基于与当前运行的目标程序相关的数据，确定应用程序处于后台运行状态，
且处于后台运行状态的时长超过设定时长阈值，结束处于后台运行状态的应用程序。
74.步骤s103、第一处理单元基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景。
75.本步骤，可以包括但不局限于：
76.s1031、在智能场景模型中查找出与第一监控数据以及第二监控数据对应的电子设备的使用场景。
77.其中，智能场景模型可以包含监控数据与使用场景的对应关系。相应地，在智能场景模型中查找出与第一监控数据以及第二监控数据对应的电子设备的使用场景，可以包括：在智能场景模型中查找出与第一监控数据以及第二监控数据对应的监控数据，将智能场景模型中与监控数据对应的使用场景确定为电子设备的使用场景。
78.当然，智能场景模型也可以为智能神经网络模型，相应地，本步骤，也可以包括但不局限于：
79.s1032、将第一监控数据以及第二监控数据输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景。
80.如图4所示，智能神经网络模型可以包含但不局限于：输入层、relu层、hidden层、softmax层和输出层，第一监控数据以及第二监控数据输入到输入层，通过relu层、hidden层、softmax层的计算，得到电子设备的使用场景，将电子设备的使用场景输出到输出层。
81.需要说明的是，图4中输出层y1、y2、
…yn
表示智能神经网络模型具备确定多种使用场景的能力，但是，在某个时刻智能神经网络模型只确定一个使用场景并输出。
82.需要说明的是，图4仅为智能神经网络模型的一种示例，其并不作为对智能神经网络模型的限制。
83.本实施例中，智能神经网络模型可以为电子设备从云服务器中获取到的，云服务器中智能神经网络模型是从第一服务器中获取到的。
84.其中，如图5所示，电子设备从云服务器中获取智能神经网络模型，可以包括：
85.s10321、智能引擎向云服务器发送第一请求，并获得云服务器响应第一请求返回的神经网络模型版本信息和神经网络模型下载地址；
86.s10322、若神经网络模型版本信息表征云服务器中的当前神经网络模型新于电子设备的智能神经网络模型，则智能引擎基于神经网络模型下载地址，获取云服务器中的当前神经网络模型，将云服务器中的当前神经网络模型替换电子设备的智能神经网络模型。
87.智能引擎将云服务器中的当前神经网络模型存储至第一处理单元。
88.当然，若神经网络模型版本信息表征云服务中的当前神经网络模型与电子设备的智能神经网络模型相同，则保持电子设备继续使用电子设备的智能神经网络模型。
89.第一服务器可以通过以下方式确定智能神经网络模型：
90.s10323、从云服务器中获取电子设备的监控数据及对监控数据标注的第一使用场景标签，监控数据包括第一感应单元的第一历史监控数据和智能引擎的第二历史监控数据。
91.第一历史监控数据为第一感应单元在当前时刻之前一时刻通过监控电源提供给目标处理单元的目标参数确定得到的，目标参数用于指示目标处理单元处于运行状态的性能；第二历史监控数据为处于运行状态的智能引擎通过在当前时刻之前一时刻管理运行的
目标程序得到的。
92.s10324、第一服务器将监控数据和对监控数据标注的第一使用场景标签作为训练数据，训练神经网络模型，得到智能神经网络模型。
93.电子设备的使用场景可以包括但不局限于：空闲场景、办公场景、在线会议场景、网页浏览场景、创作场景或游戏场景。
94.空闲场景，可以理解为：操作系统进到桌面，但是用户没有进行操作的场景；办公场景，可以理解为：使用电子设备进行办公的场景；在线会议场景，可以理解为：使用电子设备进行在线会议的场景；网页浏览场景，可以理解为：使用电子设备进行网页浏览的场景、创作场景可以理解为：使用电子设备进行数字内容创作、图像创作或视频创作等创作的场景；游戏场景，可以理解为：使用电子设备运行游戏的场景。
95.步骤s104、第一处理单元基于使用场景调整目标处理单元的目标参数。
96.第一处理单元基于使用场景调整目标处理单元的目标参数，可以包括但不局限于：
97.第一处理单元将使用场景发送给bios(basic input output system，基本输入输出系统)，以使得bios确定目标处理单元的与使用场景对应的第一待使用参数，将目标处理单元的目标参数调整为第一待使用参数。
98.可以理解的是，基于使用场景调整目标处理单元的目标参数，使得处于运行状态的目标处理单元能满足该使用场景对应的应用程序的使用要求。并且，使用场景可以对应一个或多个应用程序，不同使用场景对应的应用程序，对目标处理单元的性能要求不同，相应地，基于使用场景对目标处理单元的目标参数的调整也不同。例如，如图6中(a)部分所示，第一处理单元在第一时刻确定的电子设备的使用场景为创作场景，基于创作场景，可以调整目标处理单元的功率为第一待使用功率，使得处于目标处理单元能满足创作场景对应的数字内容创作程序、图像创作程序和影音创作程序的使用要求；如图6中(b)部分，第一处理单元在第二时刻确定的电子设备的使用场景为办公场景，基于办公场景，可以调整目标处理单元的功率为第二待使用功率，使得处于运行状态的目标处理单元能满足办公场景对应的办公软件(如，excel、word和ppt等)的使用要求。
99.在本实施例中，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景，实现第一处理单元基于电子设备的与目标处理单元相关的数据和与当前运行的目标程序相关的数据，确定电子设备的使用场景，保证电子设备的使用场景确定的准确性，在此基础上，第一处理单元基于使用场景调整目标处理单元的目标参数，提高目标参数调整的准确性和灵活性，改善用户使用体验。
100.作为本技术另一可选实施例，参照图7，为本技术提供的一种处理方法实施例2的流程示意图，本实施例主要是对上述实施例1描述的处理方法的扩展方案，该方法可以包括但不局限于以下步骤：
101.步骤s201、第一处理单元获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能，
102.步骤s202、第一处理单元获得智能引擎的第二监控数据，处于运行状态的智能引
擎管理当前运行的目标程序。
103.步骤s203、第一处理单元基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景。
104.步骤s204、第一处理单元基于使用场景调整所述目标处理单元的目标参数。
105.步骤s201-s204的详细过程可以参见实施例1中步骤s101-s104的相关介绍，在此不再赘述。
106.步骤s205、第一处理单元通过智能引擎设置用于控制目标处理单元的管理软件。
107.本步骤可以包括但不局限于：
108.s2051、第一处理单元获取用于控制目标处理单元的管理软件的运行状态数据；
109.s2052、第一处理单元基于使用场景和用于控制目标处理单元的管理软件的运行状态数据，通过智能引擎调整用于控制目标处理单元的管理软件的运行状态。
110.例如，若目标处理单元为cpu，使用场景为办公场景，若用于控制cpu的管理软件的运行状态数据表征用于控制cpu的管理软件的运行状态为控制cpu从第一频率切换为第二频率，第二频率高于第一频率。第一处理单元基于办公场景，确定cpu不需要保持高频率运行，则通过智能引擎调整用于控制cpu的管理软件的运行状态为控制cpu从第二频率切换为第一频率
111.本实施例中，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景，实现第一处理单元基于电子设备的与目标处理单元相关的数据和与当前运行的目标程序相关的数据，确定电子设备的使用场景，保证电子设备的使用场景确定的准确性，在此基础上，第一处理单元基于使用场景调整目标处理单元的目标参数，提高目标参数调整的准确性和灵活性，改善用户使用体验。
112.并且，在调整目标处理单元的目标参数的基础上，第一处理单元还可以通过智能引擎设置用于控制目标处理单元的管理软件，进一步提高电子设备的使用效果，进一步改善用户使用体验。
113.作为本技术另一可选实施例，参照图8，为本技术提供的一种处理方法实施例3的流程示意图，本实施例主要是对上述实施例1描述的处理方法的扩展方案，该方法可以包括但不局限于以下步骤：
114.步骤s301、第一处理单元获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能。
115.步骤s302、第一处理单元获得智能引擎的第二监控数据，处于运行状态的智能引擎管理当前运行的目标程序。
116.步骤s301-s302的详细过程可以参见实施例1中步骤s101-s102的相关介绍，在此不再赘述。
117.步骤s303、第一处理单元将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景。
118.步骤s303为实施例1中步骤s103的一种具体实施方式。
119.步骤s304、若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确
度阈值，则控制电子设备的使用场景为通用使用场景。
120.智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，可以包括但不局限于：
121.s3041、获取智能神经网络模型能确定出的电子设备的参考使用场景。
122.具体地，可以获取智能神经网络模型的训练数据，将训练数据中与监控数据对应的电子设备的使用场景确定为电子设备的参考使用场景。
123.s3042、若确定智能神经网络模型确定的电子设备的使用场景不属于电子设备的参考使用场景，则确定智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值。
124.可以理解的是，在电子设备使用过程中，电子设备中的某些事件(比如，电子设备中增加了新的应用程序的事件，或，电子设备中多种应用程序同时运行，且同时运行的多种应用程序的数据未被监控过)会导致获取的第一监控数据和第二监控数据是智能神经网络模型没有处理过的，进而会导致智能神经网络模型确定的电子设备的使用场景不属于电子设备的参考使用场景，
125.步骤s305、第一处理单元基于通用使用场景调整目标处理单元的目标参数。
126.本实施例中，第一处理单元可以将通用使用场景发送给bios，以使得bios确定目标处理单元的与通用使用场景对应的第二待使用参数，将目标处理单元的目标参数调整为第二待使用参数。
127.需要说明的是，与通用使用场景对应的第二待使用参数，至少可以保证处于运行状态的目标处理单元能够满足电子设备中至少一部分应用程序的使用需求。
128.步骤s305为实施例1中步骤s104的一种具体实施方式。
129.本实施例中，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景，若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景，并基于通用使用场景调整目标处理单元的目标参数，降低目标参数调整的误差，保证用户使用体验。
130.作为本技术另一可选实施例，参照图9，为本技术提供的一种处理方法实施例4的流程示意图，本实施例主要是对上述实施例3描述的处理方法的扩展方案，该方法可以包括但不局限于以下步骤：
131.步骤s401、第一处理单元获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能。
132.步骤s402、第一处理单元获得智能引擎的第二监控数据，处于运行状态的智能引擎管理当前运行的目标程序。
133.步骤s403、第一处理单元将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景。
134.步骤s404、若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景。
135.步骤s405、第一处理单元基于通用使用场景调整目标处理单元的目标参数。
136.步骤s401-s405的详细过程可以参见实施例3中步骤s301-s305的相关介绍，在此不再赘述。
137.步骤s406、智能引擎获取电子设备的第一信息，第一信息表征电子设备在通用使用场景下的使用状况的参数信息。
138.智能引擎获取电子设备的第一信息，可以包括但不局限于：
139.s4061、智能引擎获取第一感应单元通过监控电源提供给在通用使用场景下的电子设备的目标处理单元的目标参数得到的第三监控数据。
140.通过监控电源提供给在通用使用场景下的电子设备的目标处理单元的目标参数，得到第三监控数据的具体实施方式可以参见实施例1中第一感应单元得到第一监控数据的相关介绍，在此不再赘述。
141.s4062、智能引擎通过管理在通用使用场景下的电子设备中运行的目标程序确定得到第四监控数据。
142.智能引擎确定得到第四监控数据的具体实施方式可以参见实施例1中步骤s102中智能引擎确定得到第二监控数据的相关介绍，在此不再赘述。
143.第一信息包括第三监控数据和第四监控数据。
144.步骤s407、智能引擎将第一信息发送给云服务器，以使得第一服务器从云服务器获取第一信息，基于第一信息对智能神经网络模型进行更新，并将更新后的智能神经网络模型发送给云服务器进行存储。
145.基于第一信息对智能神经网络模型进行更新，可以包括：
146.s4071、第一服务器获取对第一信息标注的第二使用场景标签；
147.第二使用场景标签表征与第一信息对应的电子设备的使用场景。
148.s4072、基于第一信息和对第一信息标注的第二使用场景标签，对智能神经网络模型进行更新，得到更新后的智能神经网络模型。
149.可以理解的是，更新后的智能神经网络模型在具备与智能神经网络模型相同的能力的基础上，还具备能准确地确定出第二使用场景标签所表征的使用场景的能力。
150.本实施例中，如图10所示，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景，若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景，并基于通用使用场景调整目标处理单元的目标参数，智能引擎获取第一感应单元的第三监控数据，并管理在通用使用场景下的电子设备中运行的目标程序得到第四监控数据，将包含第三监控数据和第四监控数据的第一信息发送给云服务器，以使得第一服务器从云服务器获取第一信息，基于第一信息对智能神经网络模型进行更新，提高智能神经网络模型确定使用场景的准确性，并将更新后的智能神经网络模型发送给云服务器进行存储，使得智能引擎可以从云服务器中获取并给第一处理单元使用，进一步提高目标参数调整的准确性，改善用户使用体验。
151.作为本技术另一可选实施例，参照图11，为本技术提供的一种处理方法实施例5的流程示意图，本实施例主要是对上述实施例3描述的处理方法的扩展方案，该方法可以包括
但不局限于以下步骤：
152.步骤s501、第一处理单元获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能。
153.步骤s502、第一处理单元获得智能引擎的第二监控数据，处于运行状态的智能引擎管理当前运行的目标程序。
154.步骤s503、第一处理单元将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景。
155.步骤s504、若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景。
156.步骤s505、第一处理单元基于通用使用场景调整目标处理单元的目标参数。
157.步骤s401-s405的详细过程可以参见实施例3中步骤s301-s305的相关介绍，在此不再赘述。
158.步骤s506、智能引擎获取电子设备的第二信息，将电子设备的第二信息发送给云服务器。
159.智能引擎获取电子设备的第二信息，可以理解为：智能引擎通过管理在通用使用场景下的电子设备中运行的目标程序，得到电子设备的第二信息。
160.步骤s507、第一感应单元获取电子设备的第三信息，将电子设备的第三信息发送给云服务器，以使得第一服务器从云服务器中获取第二信息和第三信息，基于第二信息和第三信息对智能神经网络模型进行更新，并将更新后的智能神经网络模型发送给云服务器进行存储。
161.第一感应单元获取电子设备的第三信息，可以理解为：第一感应单元通过监控电源提供给在通用使用场景下的电子设备的目标处理单元的目标参数，得到电子设备的第三信息。
162.本实施例中，如图12所示，第一处理单元通过获得第一感应单元的第一监控数据，及获得智能引擎的第二监控数据，将第一监控数据以及第二监控数据，输入到智能神经网络模型，得到智能神经网络模型确定的电子设备的使用场景，若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景，并基于通用使用场景调整目标处理单元的目标参数，智能引擎获取电子设备的第二信息，第一感应单元获取电子设备的第三信息，智能引擎将电子设备的第二信息发送给云服务器，第一感应单元将电子设备的第三信息发送给云服务器，以使得第一服务器从云服务器中获取第二信息和第三信息，基于第二信息和第三信息对智能神经网络模型进行更新，提高智能神经网络模型确定使用场景的准确性，并将更新后的智能神经网络模型发送给云服务器进行存储，使得电子设备可以从云服务器中获取并使用更新后的智能神经网络模型，进一步提高目标参数调整的准确性，改善用户使用体验。
163.与上述本技术提供的一种处理方法实施例相对应的，本技术还提供了一种处理装置的实施例。
164.请参见图13，处理装置包括：第一获得模块100、第二获得模块200、确定模块300和调整模块400。
165.第一获得模块100，用于获得第一感应单元的第一监控数据，第一感应单元通过监控电源提供给目标处理单元的目标参数，目标参数用于指示目标处理单元处于运行状态的性能；
166.第二获得模块200，用于获得智能引擎的第二监控数据，处于运行状态的智能引擎管理当前运行的目标程序；
167.确定模块300，用于基于第一监控数据以及第二监控数据与智能场景模型匹配，确定电子设备的使用场景；
168.调整模块400，用于基于使用场景调整目标处理单元的所述目标参数。
169.本实施例中，处理装置还可以包括：
170.设置模块，用于通过智能引擎设置用于控制目标处理单元的管理软件。
171.本实施例中，智能场景模型可以为智能神经网络模型，第一处理单元可以为具有运算能力的芯片。
172.本实施例中，处理装置还可以包括：
173.控制模块，用于若智能神经网络模型确定的电子设备的使用场景的准确度不满足准确度阈值，则控制电子设备的使用场景为通用使用场景。
174.与上述本技术提供的一种处理方法实施例相对应的，本技术还提供了一种处理系统的实施例。
175.处理系统包括：
176.第一感应单元，用于通过监控电源提供给目标处理单元的目标参数，目标参数用于指示所述目标处理单元处于运行状态的性能；
177.智能引擎，用于在处于运行状态的情况下，管理当前运行的目标程序；
178.第一处理单元，用于执行如方法实施例1-3中任意一个实施例所介绍的处理方法。
179.本实施例中，处理系统还可以包括：云服务器和第一服务器；
180.智能引擎，还可以用于：
181.获取电子设备的第一信息，第一信息表征所述电子设备在通用使用场景下的使用状况的参数信息；
182.将第一信息发送给云服务器，以使得第一服务器从云服务器获取第一信息，基于第一信息对智能神经网络模型进行更新，并将更新后的智能神经网络模型发送给云服务器进行存储。
183.本实施例中，所述智能引擎，还可以用于：
184.向云服务器发送第一请求，并获得云服务器响应第一请求返回的神经网络模型版本信息和神经网络模型下载地址；
185.若神经网络模型版本信息表征云服务器中的当前神经网络模型新于电子设备的神经网络模型，则基于神经网络模型下载地址，获取云服务器中的当前神经网络模型，将当前神经网络模型作为智能神经网络模型。
186.需要说明的是，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
187.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
188.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
189.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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)执行本技术各个实施例或者实施例的某些部分所述的方法。
190.以上对本技术所提供的一种处理方法、装置及系统进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。