CN112466471A - 微智商监测调节的方法 - Google Patents

Abstract

提出商数(包括智商、情商、逆商、数字智商等)是一个随着个人数据及时间变化而变化的函数；通过分解商数为微智商，调节个人数据来优化提升微智商，使得个人和团队在特定时点参加文化、体能、心理考试和应用时达到发挥超常，避免发挥失常的优势；独创微智商和个人数据的监测、训练优化可调个人数据、调节和优化提升微智商、团队微智商同步优化等方法，建立概念方程、偏微分方程、模糊数学方程、人工智能模型、混合模型、预测模型、单向映射模型、双向映射模型等数学模型；设计云中心、区块链和安全多方计算的云安全模式保护个人隐私；设计针对1、通用微智商优化方法，2、文化考试优化方法，3、狙击侦查和反侦查训练优化方法等3个应用实施例。

Description

微智商监测调节的方法

技术领域

本发明涉及人类学和信息技术领域，尤其涉及心理学、神经生理学和人工智能领域，特别涉及人类商数及分解而成的微智商监测和调节的方法。

背景技术

随着人类对于自身认知的发展，人们逐渐发现、定义和建立起以下各种概念，即：智商(智力商数，英文全称Intelligence Quotient，英文简称IQ)、情商(情绪、意志、性格、行为习惯组成的商数，英文全称Emotional Quotient，英文简称EQ)、数字智商(英文全称Digital Intelligence Quotient，英文简称DIQ)、逆商(逆境商数，英文全称AdversityQuotient，英文简称AQ)，并且还衍生出例如财商、胆商等各种细分方向的某数概念。本发明为了描述方便，对这些某商冠以上位概念，统称为商数(英文全称Quotient Value，英文简称QV)，亦即商数包括但不限于智商、情商、数字智商、逆商等。

然而，迄今为止，对于商数的监测，都是以书面答题方式、人工面对面交流方式为主，尚无采用基于计算机和人工智能为代表的新技术来自动地、系统地分析和提升。发明人认为，现有监测技术存在以下不足：

1、不认为个人的商数是可变化、可调节的。

2、商数只有一级分类，没有更详细的二级分类，例如智商、情商就没有可以量化的二级分类。

3、商数监测方法单一，均为人工监测，费工费时。

4、没有调节商数的办法，没有调节下位智商、情商、数字智商、逆商等办法，不利于科学而高效地优化提升个人和团队的微智商。

发明内容

发明人通过长期的观察、实验和研究，发现人类商数在一定范围内是可变的。本发明的目的和意图在于：

1、提出个人的商数是可变的、可调节的发明思路。

2、提出分解的发明思路，分解商数为多个微智商，分解微智商为多个微智商的分量的函数。

3、建立微智商及其分量与个人数据之间的数学模型。

4、直接监测微智商和通过监测个人数据以间接监测微智商。

5、通过调节个人数据实现调节微智商。

6、调节个人智商在指定时刻达到最佳状态。

7、同步和调节团队智商在指定时刻达到最佳状态。

特别声明：

1、本发明所指的商数，包括但不限于智商、情商、数字智商、逆商等概念。所述微智商是指构成商数内容的分解商数，所述微智商分量是对商数的进一步分解。

2、所述分解包括定性的分解和定量的分解，本发明所提出的分解思路不局限于权利要求书所指的具体分解方向。

3、依据监测技术的发展和人工智能技术的发展，业内中级技术人员可依据这一发明思路做出不同的分解方案和不同的实施例。

本发明的目的和意图是采用如下技术方案实现的：

一、基础方案步骤

微智商监测调节的方法，包括但不限于：

S1000步骤，监测个人数据。

S2000步骤，依据微智商与所述个人数据之间的数学模型，监测所述微智商。

S3000步骤，改变所述个人数据中可调个人数据，以调节所述微智商。

S4000步骤，依据所述数学模型，训练优化包括但不限于所述可调个人数据，以优化所述微智商。

S5000步骤，调节团队中所包括的个人的所述可调个人数据，以同步、统一调节所述团队微智商。

其中：所述微智商由商数分解获得，所述商数由一个以上微智商构成，包括但不限于：智商、情商、数字智商、逆商等。

二、监测个人数据步骤

在前述技术方案的基础上，本发明在包括但不限于监测个人数据方面，具体可以采用如下列的一种或者多种局部改进的措施：

所述S1000步骤具体包括但不限于：

S1010步骤，监测个人理化数据和个人理化数据分量：

分解所述个人理化数据为一个以上所述个人理化数据分量，采用传感器，按照公式(2.1)确定的所述个人理化数据分量的函数关系，监测所述个人理化数据分量，按照公式(2.2)建立所述个人理化数据分量的函数集合：

PDB_β＝f_2.1β(x) (2.1)

F_2.2＝{f_2.1β|f_2.1β个人理化数据编号β的函数，1≤β≤n} (2.2)

其中：

F_2.2为所述个人理化数据分量的函数集合，f_2.1β为编号为β的所述个人理化数据分量的函数，n为所述个人理化数据分量的函数的总数，n、β均属于自然数，且1≤β≤n。

PDB_β为编号为β的所述个人理化数据分量，x为所述个人理化数据分量的函数的自变量。

所述个人数据包括但不限于所述个人理化数据和所述个人扩展数据。

S1020步骤，监测所述个人扩展数据和个人扩展数据分量：

分解所述个人扩展数据为一个以上所述个人扩展数据分量，按照公式(2.3)确定的所述个人扩展数据的函数关系，监测所述个人扩展数据分量，按照公式(2.4)建立所述个人扩展数据的函数集合：

PDE_γ＝f_2.3γ(y) (2.3)

F_2.4＝{f_2.3γ|f_2.3γ个人扩展数据编号γ函数，1≤γ≤p} (2.4)

其中：

F_2.4为所述个人扩展数据的函数集合，f_2.3γ为编号为γ的所述个人扩展数据分量的函数，p为所述个人扩展数据分量的函数的总数，p、γ均属于自然数，且1≤γ≤p。

PDE_γ为编号为γ的所述个人扩展数据分量，y为所述个人扩展数据分量的函数的自变量。

S1030步骤，监测所述个人数据的时间值：

依据连续时间序列，按照公式(2.5)确定的所述个人数据的时间函数关系，监测所述个人数据的时间值：

PD＝f_2.5(t) (2.5)

其中：PD为所述个人数据，f_2.5为所述个人数据的时间函数，t为所述连续时间序列。

S1040步骤，监测所述个人理化数据的时间值：

依据所述连续时间序列，按照公式(2.6)确定的所述个人理化数据的时间函数关系，监测所述个人理化数据的时间值：

PDB＝f_2.6(t) (2.6)

其中：PDB为所述个人理化数据，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列。

S1050步骤，监测所述个人扩展数据的时间值：

依据所述连续时间序列，按照公式(2.7)确定的所述个人扩展数据的时间函数关系，监测所述个人扩展数据的时间值：

PDE＝f_2.7(t) (2.7)

其中：PDE为所述个人扩展数据，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列。

S1060步骤，监测所述个人数据的特定时刻值：

依据所述连续时间序列，按照公式(2.8)确定的所述个人数据的的特定时刻的函数关系，监测所述个人数据在特定时刻的所述特定时刻值：

PD_T＝f_2.5(t，t＝T) (2.8)

其中：PD_T为所述个人数据的所述特定时刻值，f_2.5为所述个人数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1070步骤，监测所述个人理化数据的特定时刻值：

依据所述连续时间序列，按照公式(2.9)确定的个人理化数据的特定时间函数关系，监测所述个人理化数据在特定时刻的所述特定时刻值：

PDB_T＝f_2.6(t，t＝T) (2.9)

其中：PDB_T为所述个人理化数据的所述特定时刻值，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1080步骤，监测所述个人扩展数据的特定时刻值：

依据所述连续时间序列，按照公式(2.10)确定的个人扩展数据的特定时间函数关系，监测所述个人扩展数据在特定时刻的所述特定时刻值：

PDE_T＝f_2.7(t，t＝T) (2.10)

其中：PDE_T为所述个人扩展数据的所述特定时刻值，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1090步骤，标定所述可调个人数据：

通过包括但不限于改变所述个人所处的外在环境、内在环境之后，监测所述个人数据，找出可以改变的这部分所述个人数据，标定为所述可调个人数据。

通过包括但不限于人为判断确定为可以调节的所述个人数据，标定为所述可调个人数据。

所述可调个人数据包括但不限于可调个人理化数据、可调个人理化数据分量、可调个人扩展数据、可调个人扩展数据分量，所述可调个人数据之外的所述个人数据为非可调个人数据。

S1100步骤，建立微智商数据库：

依据不同的所述连续时间序列和所述特定时刻，针对所述个人，按照所述S1010步骤到所述S1090步骤，执行一次以上监测，将结果数据和中间数据记录到所述微智商数据库。

三、监测微智商步骤

在前述技术方案的基础上，本发明在包括但不限于监测微智商方面，具体可以采用如下列的一种或者多种局部改进的措施：

所述S2000步骤具体包括但不限于：

S2010步骤，监测所述商数：

所述商数与所述微智商之间具有公式(3.1)所确定的函数关系，按照公式(3.1)监测所述商数：

QV＝f_3.1(MIQ) (3.1)

其中，QV为所述商数，MIQ为所述微智商，f_3.1为商数函数。

S2020步骤，监测所述微智商的时间值：

所述微智商与所述连续时间序列之间具有公式(3.2)所确定的函数关系，按照公式(3.2)监测所述微智商的时间值：

MIQ＝f_3.2(t) (3.2)

其中，MIQ为所述微智商，f_3.2为微智商时间函数，t为所述连续时间序列。

S2030步骤，监测所述微智商的特定时刻值：

所述微智商的所述特定时刻值与所述特定时刻之间具有公式(3.3)所确定的函数关系，按照公式(3.3)监测所述微智商的特定时刻值：

MIQ_T＝f_3.2(t，t＝T) (3.3)

其中，t为所述连续时间序列，T为所述特定时刻，MIQ_T为所述微智商在所述特定时刻的特定时刻值，f_3.2为所述微智商时间函数。

S2040步骤，监测微智商分量的时间值：

按照公式(3.4)分解所述微智商为一个以上所述微智商分量，所述微智商分量与所述连续时间序列之间具有公式(3.5)所确定的函数关系，按照公式(3.5)监测所述微智商分量的时间值：

MIQ＝f_3.4(MIQ₁，MIQ₂，…，MIQ_m) (3.4)

MIQ_α＝f_3.5(t，1≤α≤m) (3.5)

其中，MIQ₁,MIQ₂，…，MIQ_m为所述微智商分量，m为所述微智商分量的总数，α为所述微智商分量编号，m、α均属自然数，且1≤α≤m，f_3.4为所述微智商分解函数，f_3.5为微智商分量时间函数，MIQ_α为编号为α的所述微智商分量在所述连续时间序列的时间值。

S2050步骤，监测所述微智商分量的特定时刻值：

所述微智商分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(3.6)所确定的函数关系，按照公式(3.6)监测所述微智商分量在特定时刻的所述特定时刻值：

MIQ_αT＝f_3.5(t，t＝T，1≤α≤m) (3.6)

其中，MIQ_αT为在所述特定时刻所述微智商分量的所述特定时刻值，f_3.5为所述微智商分量时间函数，α为所述微智商分量编号，m为所述微智商分量的总数，且1≤α≤m，m为所述微智商分量的总数，m、α均属自然数。

S2060步骤，获取所述商数数据：

设计和收集商数监测题、商数监测题标准答案、商数监测题标准答案分值、商数监测方法，记入所述微智商数据库，依据所述商数监测方法监测所述个人一次以上，记录商数监测结果、所述商数监测结果平均值到所述微智商数据库。

S2070步骤，获取所述微智商数据：

设计微智商监测题、微智商监测题标准答案、微智商监测题标准答案分值、微智商监测方法，记入所述微智商数据库，依据所述微智商监测方法监测所述个人一次以上，记录微智商监测结果、所述微智商监测结果平均值到所述微智商数据库。

S2080步骤，获取所述微智商分量数据：

设计所述微智商分量监测题、微智商分量监测题标准答案、微智商分量监测题标准答案分值、微智商分量监测方法，依据所述微智商分量监测方法监测所述个人一次以上，记录所述微智商分量直接监测结果、所述微智商分量监测结果平均值到所述微智商数据库。

S2090步骤，升级微智商数据库：

选择不同的所述连续时间序列和不同的所述特定时刻，执行所述S2010步骤到所述S2080步骤，将中间结果和最终结果记录到所述微智商数据库，依据所述微智商数据库内容，优化和升级所述商数监测方法、所述微智商监测方法、所述微智商分量监测方法。

四、数学模型步骤

在前述技术方案的基础上，本发明在包括但不限于建立数学模型方面，具体可以采用如下列的一种或者多种局部改进的措施。

其特征在于所述S6000步骤具体包括但不限于：

S6010步骤，概念方程模型：

按照公式(4.1)建立所述微智商和所述个人数据之间的数学模型，计算所述微智商。

按照公式(4.2)建立所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商。

按照公式(4.3)建立所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商分量。

按照公式(4.4)建立所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的数学模型，计算所述微智商分量：

MIQ＝f_4.1(PD) (4.1)

MIQ_α＝f_4.4α(PDB_α，PDE_α) (4.4)

其中：

f_4.1是所述微智商和所述个人数据之间的数学模型的函数，MIQ是所述微智商，PD是所述个人数据。

f_4.2是所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，

是全部所述个人理化数据分量计算函数，

是全部所述个人扩展数据分量计算函数，PDB是所述个人理化数据分量，n是所述个人理化数据分量的总个数，β是所述个人理化数据分量的编号，PDE是所述个人扩展数据分量，p是所述个人扩展数据分量的总个数，γ是所述个人扩展数据分量的编号，且1≤β≤n、1≤γ≤p。

f_4.3是第α个所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，MIQ_α编号为α的所述微智商分量，且1≤β≤n、1≤γ≤p。

f_4.4α是第α个所述微智商分量和第α种部分所述个人理化数据分量、第α种部分所述个人扩展数据分量之间的数学模型的函数，MIQ_α是第α个所述微智商分量，PDB_α是第α种与所述MIQ_α有关的部分所述个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量，PDE_α是第α种与所述MIQ_α有关的部分所述个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量，α、β、γ为自然数。

S6020步骤，建立偏微分方程：

基于所述人工定义数学模型，采用偏微分方程原理，按照公式(4.5)和公式(4.6)建立所述微智商、所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的函数，计算所述微智商、所述微智商分量：

其中：

f_4.5、f_4.6均是偏微分方程，MIQ′₁是编号为1的所述微智商分量的1阶导数，

是标号为1所述微智商分量的ε阶导数，MIQ′_m是标号为m的所述微智商分量的1阶导数，

是标号为m的所述微智商分量的ε阶导数。PDB′_α是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的1阶导数。

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的v阶导数。PDE′_α是第α种部分个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量的1阶导数。

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的ξ阶导数。

其中，根据需要，f_4.4中的所述微智商分量还采用f_4.5中的MIQ_α替代。

其中，ε是所述微智商分量导数的最高阶，ν是所述个人理化数据分量导数的最高阶，ξ是所述个人扩展数据分量导数的最高阶，ε、ν、ξ均是自然数。

S6030步骤，模糊方程模型：

基于所述概念方程模型，采用模糊方程原理，依据所述微智商和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊数学关系，建立如公式(4.7)的所述模糊方程，计算所述微智商。依据所述微智商分量和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊关系，建立如公式(4.8)的模糊方程，计算所述微智商分量：

其中，f_4.7、f_4.8均是模糊方程，α是所述微智商分量编号，n是所述个人理化数据分量最大编号，β是所述个人理化数据分量编号，p是所述个人扩展数据分量的最大编号，γ是所述个人扩展数据分量的编号，n、p、δ、β、γ均是自然数，ρ是模糊隶属度，其中ρ的下标β编号与对应的所述个人理化数据分量编号β一致，并且ρ_β为PDB_β的模糊隶属度，ρ的下标γ编号与所述个人扩展数据分量编号γ一致，并且ρ_γ为PDE_γ的模糊隶属度。

S6040步骤，模糊偏微分方程模型：

基于所述偏微分方程和所述模糊方程，建立所述模糊偏微分方程，计算所述微智商和所述微智商分量。其中，包括以所述模糊隶属度为参数代入所述公式(4.5)和所述公式(4.6)来计算所述微智商和所述微智商分量的方法，和，以所述公式(4.5)和所述公式(4.6)列入到所述公式(4.7)和所述公式(4.8)来计算所述微智商和所述微智商分量的方法。

S6050步骤，人工智能数学模型：

基于人工智能方法建立所述人工智能数学模型，依据所述微智商数据库中的多个历史记录，采用监督学习训练所述历史记录得出参数，采用无监督学习和所述参数，预测计算未来的所述微智商和所述微智商分量。采用强化学习寻找优化的所述微智商和所述微智商分量的值。在学习的过程中引入人为测评，为所述学习的结果进行人为评分。

S6060步骤，基于所述人工智能数学模型，依据所述微智商数据库中的多个所述历史记录，采用支持向量机、卷积神经网络、T检验、Z检验、贝叶斯算法，执行以下S6061步骤到S6062步骤。

S6061步骤，挑选并标定出所述历史记录中的特异值，供进一步的所述人S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用。

S6062步骤，验证和总结所述微智商、所述微智商分量与所述历史记录之间的变化规律，供进一步的所述S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用。

S6070步骤，混合数学模型：

混合所述S6010步骤到所述S6050步骤的所述数学模型为所述混合数学模型，来计算和预测所述微智商、所述微智商分量。

S6080步骤，预测数学模型：

依据所述S6010步骤到S6070步骤的所述数学模型、所述微智商时间函数和微智商分量时间函数、设定未来时刻的所述特定时刻值，按照公式(4.9)计算所述微智商的预测值，按照公式(4.10)计算所述微智商分量的所述预测值：

MIQ_φ＝f_4.9(BMIQ_σ，t＝t_φ) (4.9)

MIQ_αφ＝f_4.10(BMIQ_σ，t＝t_φ) (4.10)

其中，f_4.9是所述微智商的所述预测数学模型的函数，f_4.10是所述微智商分量的所述预测数学模型的函数，φ是所述未来时刻，t_φ是所述设定未来时刻的所述特定时刻值，MIQ_φ是所述设定未来时刻的所述特定时刻的所述微智商的所述预测值，MIQ_αφ是所述设定未来时刻的所述特定时刻的编号为α的所述微智商分量的所述预测值，BMIQ是所述微智商数据库，σ是指定的时刻，BMIQ_σ是截止于时间σ的所述历史记录，t_φ是σ之后的未来时间。

S6090步骤，双向映射和单向映射数学模型：

依据所述个人数据和所述微智商之间实际存在的相互影响的关系，按照公式(4.11)建立双向映射数学模型，按照公式(4.12)建立左向映射数学模型，按照公式(4.13)建立右向映射数学模型：

其中：

运算符号

为双向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变也会影响所述个人数据。

运算符

为左向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变不会影响所述个人数据。

运算符

为右向映射运算符，即所述微智商的改变会影响所述个人数据，而所述个人数据的改变不会影响所述微智商。

五、调节微智商步骤

在前述技术方案的基础上，本发明在包括但不限于调节微智商方面，具体可以采用如下列的一种或者多种局部改进的措施：

所述S3000步骤，具体包括但不限于：

S3010步骤，依据所述可调个人数据分量调节所述微智商：

所述微智商和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.1)所确定的函数关系，所述微智商分量和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.2)所确定的函数关系，按照公式(5.1)调节所述微智商，按照公式(5.2)调节所述微智商分量：

MIQ＝f_5.1(APDB，APDE) (5.1)

MIQ_α＝f_5.2(APDB_α，APDE_α) (5.2)

其中，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量，APDB为所述可调个人理化数据分量，APDE为所述可调个人扩展数据分量，f_5.1是以APDB和APDE为自变量的微智商调节函数一，f_5.2是以APDB_α和APDE_α为自变量的微智商分量调节函数一，其中，APDB_α和APDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量。

S3020步骤，依据所述个人数据关键权重调节所述微智商：

所述微智商和关键个人理化数据集合、关键个人扩展数据集合之间具有公式(5.3)所确定的函数关系，所述微智商分量和与该所述微智商分量有关的所述关键个人理化数据集合、与该所述微智商分量有关的所述关键个人扩展数据集合之间具有公式(5.4)确定的函数关系，按照公式(5.3)调节所述微智商，按照公式(5.4)调节所述微智商分量：

MIQ＝f_5.3(KPDBset，KPDEset) (5.3)

MIQ_α＝f_5.4(KPDBsetα，KPDEsetα) (5.4)

具体包括但不限于：

S3021步骤，计算关键理化权重集合：

在全部所述个人理化数据分量中找出所有对所述微智商的影响权重最大的所述个人理化数据分量组成集合元素，建立所述个人理化数据权重集合，以所述可调个人理化数据分量组成集合元素，建立可调个人理化数据集合，按照公式(5.5)计算所述关键理化权重集合，如果结果为非空集合，则记其元素为所述关键个人理化数据：

KPDBset＝PDBBset∩APDBset (5.5)

S3022步骤，计算关键扩展权重集合：

在全部所述个人扩展数据分量中找出所有对所述微智商的影响权重最大的所述个人扩展数据分量组成集合元素，建立扩展权重集合，按照公式(5.6)计算所述关键扩展权重集合，如果结果为非空集合，则记其元素为所述关键个人扩展数据：

KPDEset＝PDBEset∩APDEset (5.6)

S3023步骤，集合关系按照公式(5.7)和公式(5.8)所示：

在所述S3020、所述S3021、所述S3022、所述S3023中：

f_5.3是微智商调节函数二，f_5.4是微智商分量调节函数二，α是所述微智商分量的编号，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量。

KPDBset为所述关键个人理化数据集合，PDBBset为所述个人理化数据权重集合，APDBset为所述可调个人理化数据集合。

KPDEset为所述关键个人扩展数据集合，PDBEset为所述个人扩展数据权重集合，APDEset为所述可调个人扩展数据集合。

KPDBsetα是与MIQ_α有关的所述关键个人理化数据集合，它是所述KPDBset的子集，KPDEsetα是与MIQ_α有关的所述关键个人扩展数据集合，它是所述KPDEset的子集。

S3030步骤，监测时间函数：

依据所述数学模型，按照公式(5.9)，建立所述微智商时间函数。

依据所述微智商时间函数，按照公式(5.10)建立所述微智商分量时间函数。

按照公式(5.11)建立微智商时间反函数，计算时间序列值。

按照公式(5.12)建立微智商分量时间反函数，计算时间序列值。

MIQ_t＝f_5.9(KPDB，KPDE，t) (5.9)

MIQ_αt＝f_5.10(KPDB_α，KPDE_α，t) (5.10)

t＝f_5.11(MIQ_t，KPDB，KPDE) (5.11)

t＝f_5.12(MIQ_αt，KPDB_α，KPDE_α) (5.12)

其中，MIQ_t为所述微智商的时间值，MIQ_αt为编号为α的所述微智商分量的时间值，t为所述连续时间序列，KPDB为所述关键个人理化数据，KPDE为所述关键个人扩展数据，其中，KPDB_α和KPDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量；f_5.9为所述微智商时间函数，f_5.10为所述微智商分量时间函数，f_5.11为所述微智商时间反函数，f_5.12为所述微智商分量时间反函数。

S3040步骤，监测微智商特定时刻值和微智商分量特定时刻值：

按照公式(5.13)计算在特定时刻，所述微智商特定时刻值，按照公式(5.14)计算在特定时刻，所述微智商分量特定时刻值：

MIQ_T＝f_5.13(KPDB，KPDE，t＝T) (5.13)

MIQ_αT＝f_5.14(KPDB_α，KPDE_α，t＝T) (5.14)

其中，MIQ_T是所述微智商特定时刻值，MIQ_αT是所述微智商分量特定时刻值，T为所述特定时刻，α为所述微智商分量的编号。

六、训练和优化微智商步骤

在前述技术方案的基础上，本发明在包括但不限于训练和优化微智商方面，具体可以采用如下列的一种或者多种局部改进的措施。

其特征在于所述S4000步骤包括但不限于：

S4010步骤，模糊优化法：

依据所述数学模型和所述模糊方程、所述模糊偏微分方程，优化所述微智商和所述微智商分量，获取在优化的情况下的所述个人数据的最优值，具体包括但不限于：

S4011步骤，建立集合：

包括但不限于以全部所述微智商为元素建立微智商集合，记为MIQset。以全部所述微智商分量为元素建立微智商分量集合，记为MIQ_αset。以全部所述个人数据为元素建立个人数据集合，记为PDset。分解所述个人数据集合为个人理化数据集合、个人扩展数据集合、人理化数据分量集合、个人扩展数据分量集合；分别记为PDBset、PDEset、PDB_βset、PDE_γset。所述集合包括但不限于模糊集合和非模糊集合。

其中：α为所述微智商分量的编号，β为所述个人理化数据分量的编号，γ为所述个人扩展数据分量的编号。

S4012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述微智商集合和所述微智商分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

MIQset_λ＝{miq|miq正排序号θ≤λ} (6.1)

MIQ_αset_λ＝{miq_δ|miq_α正排序号θ≤λ} (6.2)

PDset_λ＝{pd|pd正排序号θ≤λ} (6.3)

PDBset_λ＝{pdb|pdb正排序号θ≤λ} (6.4)

PDB_βset_λ＝{pdb_β|pdb_β正排序号θ≤λ} (6.5)

PDEset_λ＝{pde|pde正排序号θ≤λ} (6.6)

PDE_γset_λ＝{pde_γ|pde_γ正排序号θ≤λ} (6.7)

MIQset_μ＝{miq|miq反排序号η≤μ} (6.8)

MIQ_αset_μ＝{miq_δ|miq_α反排序号η≤μ} (6.9)

PDset_μ＝{pd|pd反排序号η≤μ} (6.10)

PDBset_μ＝{pdb|pdb反排序号η≤μ} (6.11)

PDB_βset_μ＝{pdb_β|pdb_β反排序号η≤μ} (6.12)

PDEset_μ＝{pde|pde反排序号η≤μ} (6.13)

PDE_γset_μ＝{pde_γ|pde_γ反排序号η≤μ} (6.14)

其中，MIQset_λ、MIQ_αset_λ、PDset_λ、PDBset_λ、PDB_βset_λ、PDEset_λ、PDE_γset_λ为所述有序头截集，MIQset_μ、MIQ_αset_μ、PDset_μ、PDBset_μ、PDB_βset_μ、PDEset_μ、PDE_γset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号。

S4013步骤，训练所述截集：

持续监测记录所述微智商和所述个人数据到所述微智商数据库，依据所述微智商数据库中的数据，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述微智商数据库。

S4014步骤，寻优所述截集：

依据所述数学模型，按照公式(6.1)至公式(6.14)，取λ＝1，计算获取微智商最优值和微智商分量最优值，所对应的所述个人数据同时作为最优值；取μ＝1，计算获取微智商最差值和微智商分量最差值，所对应的所述个人数据同时作为最差值。

S4020步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括但不限于公式(4.5)、公式(4.6)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述微智商和所述微智商分量的方法，获取所述微智商和所述微智商分量的所述最优值和所述最差值，以此获取所述个人数据的最优值。

S4021步骤，依据所述微智商数据库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括但不限于T检验和Z检验的方法选出所述微智商和所述微智商分量的所述最优值和所述微智商和所述微智商分量的所述最差值的异常值，消除所述异常值，以此获取所述个人数据的异常值。

S4030步骤，概率优化法：

在所述微智商数据库中，选取不同时间段采集的所述个人理化数据和所述个人扩展数据，依据所述数学模型执行所述S3000步骤，计算所述微智商和所述微智商分量，计算所述微智商和所述微智商分量为最大值和最小值时对应的所述个人数据，采用包括但不限于贝叶斯算法在内的概率计算方法，统计所述微智商和所述微智商分量为最大值和最小值时，所述个人数据中所述可调个人理化数据和所述可调个人扩展数据出现相近值的概率，并对高概率验证做验证。

标定在所述微智商和所述微智商分量为最大值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为优化可调个人理化数据和优化可调个人扩展数据，标定在所述微智商和所述微智商分量为最小值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为劣化可调个人理化数据和劣化可调个人扩展数据。

S4040步骤，神经网络优化法：

S4041步骤，依据包括但不限于所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤，针对所述微智商数据库中的关系型数据记录，以数据记录作为神经元，以包括但不限于所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络。

S4042步骤，依据所述连接函数中，所述优化可调个人理化数据和优化可调个人扩展数据对于所述微智商和所述微智商分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括但不限于常数型权重系数、函数型权重系数。

S4043步骤，采用深度学习算法，包括但不限于监督学习、无监督学习、强化学习算法，优化所述连接子函数。

S4044步骤，采用支持向量机算法，分类筛选所述微智商和所述微智商分量，并且筛选出所述优化可调个人理化数据和优化可调个人扩展数据。

S4045步骤，采用卷积神经网络算法，对于所述个人数据之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4046步骤，采用循环神经网络算法，对于所述个人数据之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4047步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述个人数据、所述微智商、所述微智商分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4048步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4049步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4050步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合、这些方法之内的任意组合的方法，计算所述微智商和所述微智商分量达到最优或者其区间内的指定值时，得到的包括但不限于对应的所述优化可调个人理化数据和优化可调个人扩展数据的结果数据，并且使得结果数据能够可逆复现所述微智商和所述微智商分量达到最优或者其区间内的指定值，记录此时的所述优化可调个人理化数据、优化可调个人扩展数据与所述微智商、所述微智商分量之间的可逆关系。

S4060步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述微智商、所述微智商分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述微智商、所述微智商分量到达优化值或者指定值。

S4070步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定考试时间值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定考试时间的时点，所述微智商、所述微智商分量到达优化值或者指定值。

S4080步骤，优化考试法：

依据所述数学模型和所述可逆关系，采用所述定时复现法、延时复现法，进行调节，使得在预定考试时间的时点，所述微智商、所述微智商分量到达优化值或者指定值。

七、团队同步步骤

在前述技术方案的基础上，本发明在包括但不限于团队同步方面，具体可以采用如下列的一种或者多种局部改进的措施：

其特征在于所述S5000步骤，具体包括但不限于：

S5010步骤，获取团队数据：

由一个以上所述个人构成所述团队，执行所述S1000步骤至所述S4000步骤、所述S6000步骤，获取产生的所述团队中全部所述个人的全部数据存入到所述微智商数据库。

S5020步骤，计算团队时差：

依据所述团队的考试时间，对所述团队中的每一个所述个人，统一设定所述预定考试时间，计算每一个所述个人所需要的所述延时时间差值。

S5030步骤，团队同步：

针对所述团队中每一个所述个人的所述延时时间差值，采用所述延时复现法进行调整，使得所述团队中的每一所述个人都在所述预定考试时间达到所述微智商、所述微智商分量为优化值或者指定值。

S5040步骤，团队优化考试：

驱动所述团队达到所述团队同步，对团队中的每个所述个人执行所述优化考试，使得所述团队的整体考试结果优化，并将考试结果记录到所述微智商数据库。

S5050步骤，团队均衡考试：

依据所述团队中每一个所述个人的微智商在时间轴上的概率分布和整个所述团队的概率分布，计算所述团队的均衡微智商，再计算所述团队中每一个所述个人的所述延时时间差值，通过对于所述团队中所述个人执行所述延时复现法和定时复现法，以便确保所述团队能够在任何时间参加考试，而不至于使得所述团队在微智商最坏的情况下参加考试。

S5060步骤，预测比较及优化：

依据所述预测数学模型，计算所述团队中全部所述个人在所述团队优化考试的时刻t_φ的所述微智商，监测此时的所述团队中全部所述个人的所述微智商，比较这两个微智商，寻找差距原因，优化所述预测数学模型，并记录到所述微智商数据库。

八、个人理化数据步骤

在前述技术方案的基础上，本发明在包括但不限于个人理化数据方面，具体可以采用如下列的一种或者多种局部改进的措施：

包括S7000所述个人理化数据步骤，具体包括但不限于：

S7010步骤，将所述传感器划分为有创传感器和无创传感器。

S7020步骤，所述有创传感器包括但不限于置入个人皮肤内，监测所述个人理化数据，获取个人血液、组织液、组织的监测数据，包括但不限于刺穿个人皮肤获取一次以上所述个人理化数据，和，留置于个人皮肤下、留置于个人血管内、留置于个人组织内以持续获取所述个人理化数据分量，并记为所述个人理化数据分量和监测时间到所述微智商数据库。

S7030步骤，采用酶电极构成所述有创传感器，置入个人皮下组织，通过酶与所述个人的组织液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据。

S7040步骤，采用酶电极构成所述有创传感器，置入个人血管中，通过酶与个人血液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据。

S7050步骤，采用光纤构成所述有创传感器，光纤传感器至少包括但不限于A端和B端，其中A端置入个人内部，包括但不限于血管、皮下组织，B端留在个人外部，由发光器件产生特定波长光线，通过所述B端传到所述A端，由设置在所述A端并离开所述A端有一个缝隙的光线反射装置，将所述光线返回到所述B端，由感光器件感光，此时，由于所述特定波长光线在所述缝隙中经过血液、组织液，产生特定吸收变化，据此构成所述光纤有创传感器的传感方法，所述缝隙的宽度介于0.01毫米到100毫米之间。

S7060步骤，采用基于人体神经网络的生物神经网络的有创传感器置入到个人的包括但不限于大脑、脊椎、皮下组织在内的神经网络，监测传感个人的神经网络信号。

S7070步骤，采用将所述酶电极传感器、所述光纤传感器和神经网络传感器融合于一体的融合传感器，监测所述个人理化数据。

S7080步骤，采用紧贴在皮肤上的通过电物理效应对于皮下组织产生反应的无创传感器，获取皮下生化信号，所述电物理效应包括但不限于电场、磁场、机械震动、物理挤压、微波、离子、化学的渗透。

S7090步骤，所述无创传感器为不刺入个人皮肤，监测所述个人理化数据，其种类包括但不限于血糖值、血氧值、血液成分、尿液成分、汗液成分、体液成分、唾液成分、血型、皮肤成分、肤色、皮肤斑块、皮肤表面分析、体温、身高、体重、性别、血型、心率、心电图值、脑电波、光电容积图值、监测位置、个人运动数据、食物种类、食物数量、季节、天气、监测时间、睡眠时间、心理特征、心情的单一种类及其它们的任意组合，并记为所述个人理化数据分量和监测时间到所述微智商数据库。

九、个人扩展数据步骤

在前述技术方案的基础上，本发明在包括但不限于个人扩展数据方面，具体可以采用如下列的一种或者多种局部改进的措施：

包括S8000所述个人扩展数据步骤，具体包括但不限于：

S8010步骤，所述个人扩展数据包括但不限于人工监测法、机器监测法，所述人工监测法是由人通过与所述个人面对面交流、面试、笔试，或非面对面监测产生所述个人扩展数据的方法，所述机器监测法包括但不限于由机器自主的或人工智能监测系统实施对于所述个人扩展数据的监测的方法。

S8020步骤，所述个人扩展数据的内容包括但不限于：监测表述能力，语言、文字、音乐、肢体、动作，监测感知注意能力、眼睛耳朵鼻子舌头身体意识的感知观察注意力，监测记忆能力，监测想象能力，监测分析判断能力，监测思维逻辑能力，监测应变能力，监测数字能力，监测空间能力，监测归纳能力，监测动作反应与空间能力，监测内省能力，监测人际能力，监测自然探索能力，监测生存智慧能力，监测强化能力，监测泛化能力，监测分化能力，监测消退能力，监测抗条件作用能力；包括但不限于所述个人参加的考试成绩、别人的主观评价、客观评价、所述个人自己的主观评价、客观评价作为所述个人扩展数据和所述个人扩展数据分量予以监测，并记录发生的时间序列，记入所述微智商数据库。

十、云大数据步骤

在前述技术方案的基础上，本发明在包括但不限于云数据及安全管理方面，具体可以采用如下列的一种或者多种局部改进的措施：

包括S9000步骤，具体包括但不限于：

S9010步骤，采用云大数据模式建立云中心，以存储、管理和支撑所述微智商数据库和支持本发明的各个步骤，存储位置包括本地和异地，所述微智商数据库存储包括一个以上所述个人的数据。

S9020步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述微智商数据库和前述的各个步骤，所述用户采用匿名记录，所述微智商数据库中的数据采用带有时间戳的链式结构，用户访问所述微智商数据库采用加解密通信，数据支持防篡改，支持防抵赖、多中心、无中心模式。

S9030步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述微智商数据库核心数据的前提下，依据各自所述机构的所述微智商数据库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个人；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强数据的安全性和保护个人隐私。

S9040步骤，采用集中学习模式建立和训练对于不强调个人隐私保护时的模型训练，所述微智商数据库存储于一个云中心。

S9050步骤，采用联邦学习模式建立和训练对于需要强调个人隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的数据。

有益效果

与现有技术相比，本发明实现了发明意图，具有以下有益效果：

1、支撑商数为可变化、可调节的发明思路。

2、分解商数为微智商，分量微智商为微智商分量。

3、能够监测商数、微智商及其分量。

4、建立了个人数据与商数、微智商及其分量之间的数学模型。

5、能够通过可调个人理化数据和可调个人扩展数据实现调节微智商，进而实现调节商数。

6、能够实现个人在考试时将商数调节到最佳状态。

7、能够实现团队在考试时将商数调节到最佳状态。

8、组建人类商数云大数据，并实现个人隐私保护。

附图说明

图1：微智商时间函数图

图2：微智商监测调节方法流程图

图3：微智商监测调节方法结构图

图4：实施例二的个人端

图5：实施例二的云中心端

图6：实施例二的安全管理

具体实施方法

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行描述。

本发明的具体实施方式如下：

实施例一：综合商数优化方法

这个例子是本发明的一个微智商监测调节方法的通用示例，需要申明的是，由于本发明的方法中，各个步骤的组合较多，无法一一举例。因此，本实施例不是对于本发明的限定，而只是本发明应用的实施例之一。

一、方法图说明

图1是本实施例的所述个人的微智商时间函数图。其中，横坐标表示时间，纵坐标表示微智商，图中微智商时间函数曲线代表所述个人的微智商在时间轴上的变化曲线。MIQ_Tmax为最优微智商数值，此时微智商时间函数曲线为B点，对应的时间轴为t_B，此时如果参加考试定义为“发挥超常”；MIQ_Tmin为最差微智商数值，此时微智商时间函数曲线为A点，对应的时间轴为t_A，此时如果参加考试定义为“发挥失常”。

图2是本发明所述的微智商监测调节方法流程图。其中2001是监测人体数据步骤；2002步骤是存储记录本发明的微智商数据库，包括本发明方法的各种数据、数学模型和完成机器学习；2003是调节微智商分量步骤；2004是分解商数，包括智商、情商、数字智商、逆商等商数。通过这些步骤和部分，构成本发明的所述综合商数优化法的实施例。

图3是微智商监测调节方法结构图。其中包括监测个人理化数据步骤、监测个人扩展数据步骤、监测微智商步骤、调节微智商步骤、优化训练微智商步骤、微智商团队同步步骤，还包括本发明的各种数学模型和微智商数据库。

本发明的目的在于通过对于微智商的监测和调节，使得在特定时刻，所述个人的微智商达到最优数值。具体的能够实现以下有益效果：

1、能够分解商数为微智商。

2、能够监测商数、微智商及其分量。

3、成功建立了个人数据与商数、微智商及其分量之间的数学模型。

4、能够通过可调个人理化数据和可调个人扩展数据实现调节微智商。

5、能够实现个人在考试时将商数调节到最佳状态。

6、能够实现团队在考试时将商数调节到最佳状态。

7、组建人类商数大数据。

二、工作步骤说明

本实施例的方法步骤分一至十的10个部分说明。其中，除非特别说明，否则这10个部分的步骤编号并不是具有先后顺序，也并不是任何实施例都需要这10个部分的组合。另外，这10个部分的每一个部分，都包括若干子步骤，除非特别说明，否则这些子步骤并不是完全需要的，其先后顺序也不是必须的，而是根据一些具体任务的需求，由专利实施者做出选择。

具体工作步骤说明如下：

一、基础方案步骤说明

微智商监测调节的方法，包括但不限于：

S1000步骤，监测个人数据。

S2000步骤，依据微智商与所述个人数据之间的数学模型，监测所述微智商。

S3000步骤，改变所述个人数据中可调个人数据，以调节所述微智商。

S4000步骤，依据所述数学模型，训练优化包括但不限于所述可调个人数据，以优化所述微智商。

S5000步骤，调节团队中所包括的个人的所述可调个人数据，以同步、统一调节所述团队微智商。

其中：所述微智商由商数分解获得，所述商数由一个以上微智商构成，包括但不限于：智商、情商、数字智商、逆商等。

这里，需要强调的是：

1、微智商是商数的一种分解，既可以把商数中的种类，例如智商、情商、数字智商等各自分解成智商微智商、情商微智商、数组智商微智商；也可以按照种类分解成若干个微智商，例如将智商按照观察力、记忆力、思维力、想象力、创造力等成分分解成观察力微智商、记忆力微智商、思维力微智商、想象力微智商、创造力微智商等；还可以根据对于智商等级划分成若干个微智商，例如超常聪明微智商、聪明微智商、欠聪明微智商等。这些分解是依据实际应用进行划分，并不局限于某种硬性划分方法，业内的工程技术人员可以依据这个思路设计出其它分解方法。

2、微智商的监测至少包括直接监测和间接监测，实际上，在大数据应用中，还包括人工智能推理获得微智商监测数据。

3、个人数据中有些是无法人为改变的，例如血型、性别等，而有些是可以人为改变的，例如心跳速度、血糖浓度等。另外，个人数据分量的选择，是依据后续产品的设计方案而确定的，并非是本发明的所有产品，对于个人数据的选择都是相同的，例如极简版和单人版就可以对于个人数据进行裁剪，例如只采用一部分的所述可调个人数据。

4、作为所述极简版本，可以涉及只采用S1000到S3000步骤，不包括S4000步骤，或者把S4000步骤中的局部纳入到产品中，以减小运算量。此时产品形态可以是可穿戴设备，也不一定需要手机APP(手机上应用程序，Application的缩写)的支持，例如包括但不限于一个手表、手环、耳夹，自带显示器或者提示器。

5、作为另外一种选项，可以设计只采用S1000到S4000步骤，产品设计成所述单人版本，无需支持所述团队，此时产品形态包括但不限于手表、手环、耳夹和手机APP。

二、监测个人数据步骤说明

在前述技术方案的基础上，本发明在包括但不限于监测个人数据步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

所述S1000步骤具体包括但不限于：

S1010步骤，监测个人理化数据和个人理化数据分量：

分解所述个人理化数据为一个以上所述个人理化数据分量，采用传感器，按照公式(2.1)确定的所述个人理化数据分量的函数关系，监测所述个人理化数据分量，按照公式(2.2)建立所述个人理化数据分量的函数集合：

PDB_β＝f_2.1β(x) (2.1)

F_2.2＝{f_2.1β|f_2.1β个人理化数据编号β的函数，1≤β≤n} (2.2)

其中：

F_2.2为所述个人理化数据分量的函数集合，f_2.1β为编号为β的所述个人理化数据分量的函数，n为所述个人理化数据分量的函数的总数，n、β均属于自然数，且1≤β≤n。

PDB_β为编号为β的所述个人理化数据分量，x为所述个人理化数据分量的函数的自变量。

所述个人数据包括但不限于所述个人理化数据和所述个人扩展数据。

这里需要强调的是，关于个人数据的划分，可基于以下几方面原因进行划分和设计：

1、个人理化数据和个人扩展数据的划分虽然是依据传感器可监测与否，但是，随着科技的进步，今天的传感器不可监测的个人数据，或许在未来变得传感器可监测，至少包括但不限于人的内在环境周期和数据，例如情绪周期、运动周期、睡眠周期、心率周期、女性的月经周期等；还包括但不限于外在环境周期，例如季节、天气、节假日、发工资日、纪念日等；还包括但不限于不需要考虑周期性变化的数据，例如：血压、血氧、血糖、呼吸、肺活量、运动量、运动速度等。

2、基于工业实用性和成本的考虑，一部分个人理化数据虽然可由传感器监测，但是由于不方便应用、成本过高等原因，这部分的个人理化数据也可以纳入到个人扩展数据范围；

3、一部分个人理化数据由于变化较小，或者基本不变化，例如包括但不限于血型、性别、个性、身高等数据，也可以纳入到个人扩展数据范围。因此这种个人数据的划分实际上是动态的、可变化的、可重新定义的。

4、另外一个方面，所述个人数据是否可由传感器监测，是随着传感器技术的发展和实际应用的需要而发展的。一些原来不可用传感器监测的、属于个人扩展数据的数据，由于出现了新型传感器而变得可以用传感器监测，那么此时可以根据成本、可靠性、使用难度和应用等实际情况，而把这部分原先属于个人扩展数据的数据酌情纳入到个人理化数据范畴。

5、以下涉及到所述个人数据，均包括这个说明，不一一复述。

S1020步骤，监测所述个人扩展数据和个人扩展数据分量：

分解所述个人扩展数据为一个以上所述个人扩展数据分量，按照公式(2.3)确定的所述个人扩展数据的函数关系，监测所述个人扩展数据分量，按照公式(2.4)建立所述个人扩展数据的函数集合：

PDE_γ＝f_2.3γ(y) (2.3)

F_2.4＝{f_2.3γ|f_2.3γ个人扩展数据编号γ函数，1≤γ≤p} (2.4)

其中：

F_2.4为所述个人扩展数据的函数集合，f_2.3γ为编号为γ的所述个人扩展数据分量的函数，p为所述个人扩展数据分量的函数的总数，p、γ均属于自然数，且1≤γ≤p。

PDE_γ为编号为γ的所述个人扩展数据分量，y为所述个人扩展数据分量的函数的自变量。

S1030步骤，监测所述个人数据的时间值：

依据连续时间序列，按照公式(2.5)确定的所述个人数据的时间函数关系，监测所述个人数据的时间值：

PD＝f_2.5(t) (2.5)

其中：PD为所述个人数据，f_2.5为所述个人数据的时间函数，t为所述连续时间序列。

S1040步骤，监测所述个人理化数据的时间值：

依据所述连续时间序列，按照公式(2.6)确定的所述个人理化数据的时间函数关系，监测所述个人理化数据的时间值：

PDB＝f_2.6(t) (2.6)

其中：PDB为所述个人理化数据，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列。

S1050步骤，监测所述个人扩展数据的时间值：

依据所述连续时间序列，按照公式(2.7)确定的所述个人扩展数据的时间函数关系，监测所述个人扩展数据的时间值：

PDE＝f_2.7(t) (2.7)

其中：PDE为所述个人扩展数据，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列。

这里需要强调的是，部分个人数据有可能是常数，与时间无关或者随着时间的变化，其自身变化很小，以至于对于后续的微智商影响很小，此时，对于该部分的个人数据，可以划出时间函数的范畴，以便于减小复杂度、减小运算量。

S1060步骤，监测所述个人数据的特定时刻值：

依据所述连续时间序列，按照公式(2.8)确定的所述个人数据的的特定时刻的函数关系，监测所述个人数据在特定时刻的所述特定时刻值：

PD_T＝f_2.5(t，t＝T) (2.8)

其中：PD_T为所述个人数据的所述特定时刻值，f_2.5为所述个人数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1070步骤，监测所述个人理化数据的特定时刻值：

依据所述连续时间序列，按照公式(2.9)确定的个人理化数据的特定时间函数关系，监测所述个人理化数据在特定时刻的所述特定时刻值：

PDB_T＝f_2.6(t，t＝T) (2.9)

其中：PDB_T为所述个人理化数据的所述特定时刻值，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1080步骤，监测所述个人扩展数据的特定时刻值：

依据所述连续时间序列，按照公式(2.10)确定的个人扩展数据的特定时间函数关系，监测所述个人扩展数据在特定时刻的所述特定时刻值：

PDE_T＝f_2.7(t，t＝T) (2.10)

其中：PDE_T为所述个人扩展数据的所述特定时刻值，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列，T为所述特定时刻。

S1090步骤，标定所述可调个人数据：

通过包括但不限于改变所述个人所处的外在环境、内在环境之后，监测所述个人数据，找出可以改变的这部分所述个人数据，标定为所述可调个人数据。

通过包括但不限于人为判断确定为可以调节的所述个人数据，标定为所述可调个人数据。

所述可调个人数据包括但不限于可调个人理化数据、可调个人理化数据分量、可调个人扩展数据、可调个人扩展数据分量，所述可调个人数据之外的所述个人数据为非可调个人数据。

S1100步骤，建立微智商数据库：

依据不同的所述连续时间序列和所述特定时刻，针对所述个人，按照所述S1010步骤到所述S1090步骤，执行一次以上监测，将结果数据和中间数据记录到所述微智商数据库。

所述通过试验，是指部分所述个人数据可以通过人为的或者自然的行为而发生改变，例如通过所述个人的体育运动，心跳、血压等个人数据会发生改变。

所述个人数据的监测，是根据产品设计的需要，在所述S1010步骤到所述S1100步骤中来选定和组合的，并非全部需要、也并非按照这些步骤的编号顺序组合的。

三、监测微智商步骤说明

在前述技术方案的基础上，本发明在包括但不限于监测所述微智商步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

所述S2000步骤具体包括：

S2010步骤，监测所述商数：

所述商数与所述微智商之间具有公式(3.1)所确定的函数关系，按照公式(3.1)监测所述商数：

QV＝f_3.1(MIQ) (3.1)

其中，QV为所述商数，MIQ为所述微智商，f_3.1为商数函数。

这里需要强调的是，f_2.1商数函数并不是一种函数，而是根据商数种类及其分解后与微智商的对应关系的函数。例如将商数分解成智商，又将智商按照观察力、记忆力、思维力、想象力、创造力等成分分解成观察力微智商、记忆力微智商、思维力微智商、想象力微智商、创造力微智商等，此时的f_2.1商数函数包括各自分类的商数函数，即观察力微智商商数函数、记忆力微智商商数函数、思维力微智商商数函数、想象力微智商商数函数、创造力微智商商数函数等。以下涉及到商数分类均包括这个说明，不一一复述。

S1020步骤，监测所述微智商的时间值：

所述微智商与所述连续时间序列之间具有公式(3.2)所确定的函数关系，按照公式(3.2)监测所述微智商的时间值：

MIQ＝f_3.2(t) (3.2)

其中，MIQ为所述微智商，f_3.2为微智商时间函数，t为所述连续时间序列。

S2030步骤，监测所述微智商的特定时刻值：

所述微智商的所述特定时刻值与所述特定时刻之间具有公式(3.3)所确定的函数关系，按照公式(3.3)监测所述微智商的特定时刻值：

MIQ_T＝f_3.2(t，t＝T) (3.3)

其中，t为所述连续时间序列，T为所述特定时刻，MIQ_T为所述微智商在所述特定时刻的特定时刻值，f_3.2为所述微智商时间函数。

S2040步骤，监测微智商分量的时间值：

按照公式(3.4)分解所述微智商为一个以上所述微智商分量，所述微智商分量与所述连续时间序列之间具有公式(3.5)所确定的函数关系，按照公式(3.5)监测所述微智商分量的时间值：

MIQ＝f_3.4(MIQ₁，MIQ₂，…，MIQ_m) (3.4)

MIQ_α＝f_3.5(t，1≤α≤m) (3.5)

其中，MIQ₁,MIQ₂，…，MIQ_m为所述微智商分量，m为所述微智商分量的总数，α为所述微智商分量编号，m、α均属自然数，且1≤α≤m，f_3.4为所述微智商分解函数，f_3.5为微智商分量时间函数，MIQ_α为编号为α的所述微智商分量在所述连续时间序列的时间值。

S2050步骤，监测所述微智商分量的特定时刻值：

所述微智商分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(3.6)所确定的函数关系，按照公式(3.6)监测所述微智商分量在特定时刻的所述特定时刻值：

MIQ_αT＝f_3.5(t，t＝T，1≤α≤m) (3.6)

其中，MIQ_αT为在所述特定时刻所述微智商分量的所述特定时刻值，f_3.5为所述微智商分量时间函数，α为所述微智商分量编号，m为所述微智商分量的总数，且1≤α≤m，m为所述微智商分量的总数，m、α均属自然数。

S2060步骤，获取所述商数数据：

设计和收集商数监测题、商数监测题标准答案、商数监测题标准答案分值、商数监测方法，记入所述微智商数据库，依据所述商数监测方法监测所述个人一次以上，记录商数监测结果、所述商数监测结果平均值到所述微智商数据库。

这里需要强调的是，商数的监测题，包括智商、情商、数字智商、逆商、财商等，依据现有的知识体系中所存在的测试题、标准答案、分值和监测方法，例如门萨的智商测试方法、心理学的情商测试方法，将这些方法按照本发明的微智商数据库格式，输入到微智商数据库；还可以针对性地设计其测试题、标准答案、分值和监测方法。下同，不一一复述。

S2070步骤，获取所述微智商数据：

设计微智商监测题、微智商监测题标准答案、微智商监测题标准答案分值、微智商监测方法，记入所述微智商数据库，依据所述微智商监测方法监测所述个人一次以上，记录微智商监测结果、所述微智商监测结果平均值到所述微智商数据库。

S2080步骤，获取所述微智商分量数据：

设计所述微智商分量监测题、微智商分量监测题标准答案、微智商分量监测题标准答案分值、微智商分量监测方法，依据所述微智商分量监测方法监测所述个人一次以上，记录所述微智商分量直接监测结果、所述微智商分量监测结果平均值到所述微智商数据库。

S2090步骤，升级微智商数据库：

选择不同的所述连续时间序列和不同的所述特定时刻，执行所述S2010步骤到所述S2080步骤，将中间结果和最终结果记录到所述微智商数据库，依据所述微智商数据库内容，优化和升级所述商数监测方法、所述微智商监测方法、所述微智商分量监测方法。

这里需要强调的是：对于个人的微智商监测，需要在不同的时刻、不同的阶段进行重复监测，以便于后续的大数据建立和人工智能训练。随着个人的成长阶段，微智商监测可以随之改进和升级，以便提高监测的准确度。

四、建立数学模型步骤说明

在前述技术方案的基础上，本发明在包括但不限于建立所述数学模型步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

所述S6000步骤是建立微智商和个人数据之间的数学模型，具体步骤包括：

S6010步骤，概念方程模型：

按照公式(4.1)建立所述微智商和所述个人数据之间的数学模型，计算所述微智商。

按照公式(4.2)建立所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商。

按照公式(4.3)建立所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商分量。

按照公式(4.4)建立所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的数学模型，计算所述微智商分量：

MIQ＝f_4.1(PD) (4.1)

MIQ_α＝f_4.4α(PDB_α，PDE_α) (4.4)

其中：

f_4.1是所述微智商和所述个人数据之间的数学模型的函数，MIQ是所述微智商，PD是所述个人数据。

f_4.2是所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，

是全部所述个人理化数据分量计算函数，

是全部所述个人扩展数据分量计算函数，PDB是所述个人理化数据分量，n是所述个人理化数据分量的总个数，β是所述个人理化数据分量的编号，PDE是所述个人扩展数据分量，p是所述个人扩展数据分量的总个数，γ是所述个人扩展数据分量的编号，且1≤β≤n、1≤γ≤p。

f_4.3是第α个所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，MIQ_α编号为α的所述微智商分量，且1≤β≤n、1≤γ≤p。

f_4.4α是第α个所述微智商分量和第α种部分所述个人理化数据分量、第α种部分所述个人扩展数据分量之间的数学模型的函数，MIQ_α是第α个所述微智商分量，PDB_α是第α种与所述MIQ_α有关的部分所述个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量，PDE_α是第α种与所述MIQ_α有关的部分所述个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量，α、β、γ为自然数。

这里需要强调的是，MIQ_α可能只与某些个人理化数据和个人扩展数据有关，并不是跟全部个人理化数据和个人扩展数据有关，对于很多情况下，即便与某些个人理化数据和个人扩展数据有关，其权重系数很小，以至于对于MIQ_α的影响很小，因此在计算过程中，为了加快运算速度，这部分权重很小的个人理化数据和个人扩展数据可以忽略或者删除计算范围。

S6020步骤，建立偏微分方程：

基于所述人工定义数学模型，采用偏微分方程原理，按照公式(4.5)和公式(4.6)建立所述微智商、所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的函数，计算所述微智商、所述微智商分量：

其中：

f_4.5、f_4.6均是偏微分方程，MIQ′₁是编号为1的所述微智商分量的1阶导数，

是标号为1所述微智商分量的ε阶导数，MIQ′_m是标号为m的所述微智商分量的1阶导数，

是标号为m的所述微智商分量的ε阶导数。PDB′_α是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的1阶导数。

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的v阶导数。PDE′_α是第α种部分个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量的1阶导数。

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的ξ阶导数。

其中，根据需要，f_4.4中的所述微智商分量还采用f_4.5中的MIQ_α替代。

其中，ε是所述微智商分量导数的最高阶，v是所述个人理化数据分量导数的最高阶，ξ是所述个人扩展数据分量导数的最高阶，ε、v、ξ均是自然数。

这里需要强调的是：

1、公式(4.5)和公式(4.6)只是偏微分方程的一种概念描述方法，在实际运算中，是以偏微分矩阵方式描述的，这里并不是对于偏微分方程组的限定，业内的工程技术人员可以依据这个思路设计出其它描述公式。

2、虽然从偏微分方程的理论上看，导数的最高阶的阶数所述ε、ν、ξ均没有限定，但在实际应用中，通常最高取到3就可以保持方程的精度。

S6030步骤，模糊方程模型：

基于所述概念方程模型，采用模糊方程原理，依据所述微智商和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊数学关系，建立如公式(4.7)的所述模糊方程，计算所述微智商。依据所述微智商分量和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊关系，建立如公式(4.8)的模糊方程，计算所述微智商分量：

其中，f_4.7、f_4.8均是模糊方程，α是所述微智商分量编号，n是所述个人理化数据分量最大编号，β是所述个人理化数据分量编号，p是所述个人扩展数据分量的最大编号，γ是所述个人扩展数据分量的编号，n、p、δ、β、γ均是自然数，ρ是模糊隶属度，其中ρ的下标β编号与对应的所述个人理化数据分量编号β一致，并且ρ_β为PDB_β的模糊隶属度，ρ的下标γ编号与所述个人扩展数据分量编号γ一致，并且ρ_γ为PDE_γ的模糊隶属度。

这里需要强调的是，公式(4.7)和公式(4.8)只是模糊方程的一种概念描述方法，在实际运算中，是以模糊矩阵方式描述的，这里并不是对于模糊方程组的限定，业内的工程技术人员可以依据这个思路设计出其它的描述公式。

S6040步骤，模糊偏微分方程模型：

基于所述偏微分方程和所述模糊方程，建立所述模糊偏微分方程，计算所述微智商和所述微智商分量。其中，包括以所述模糊隶属度为参数代入所述公式(4.5)和所述公式(4.6)来计算所述微智商和所述微智商分量的方法，和，以所述公式(4.5)和所述公式(4.6)列入到所述公式(4.7)和所述公式(4.8)来计算所述微智商和所述微智商分量的方法。

S6050步骤，人工智能数学模型：

基于人工智能方法建立所述人工智能数学模型，依据所述微智商数据库中的多个历史记录，采用监督学习训练所述历史记录得出参数，采用无监督学习和所述参数，预测计算未来的所述微智商和所述微智商分量。采用强化学习寻找优化的所述微智商和所述微智商分量的值。在学习的过程中引入人为测评，为所述学习的结果进行人为评分。

S6060步骤，基于所述人工智能数学模型，依据所述微智商数据库中的多个所述历史记录，采用支持向量机、卷积神经网络、T检验、Z检验、贝叶斯算法，执行以下S6061步骤到S6062步骤。

S6061步骤，挑选并标定出所述历史记录中的特异值，供进一步的所述人S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用。

S6062步骤，验证和总结所述微智商、所述微智商分量与所述历史记录之间的变化规律，供进一步的所述S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用。

S6070步骤，混合数学模型：

混合所述S6010步骤到所述S6050步骤的所述数学模型为所述混合数学模型，来计算和预测所述微智商、所述微智商分量。

S6080步骤，预测数学模型：

依据所述S6010步骤到S6070步骤的所述数学模型、所述微智商时间函数和微智商分量时间函数、设定未来时刻的所述特定时刻值，按照公式(4.9)计算所述微智商的预测值，按照公式(4.10)计算所述微智商分量的所述预测值：

MIQ_φ＝f_4.9(BMIQ_σ，t＝t_φ) (4.9)

MIQ_αφ＝f_4.10(BMIQ_σ，t＝t_φ) (4.10)

其中，f_4.9是所述微智商的所述预测数学模型的函数，f_4.10是所述微智商分量的所述预测数学模型的函数，φ是所述未来时刻，t_φ是所述设定未来时刻的所述特定时刻值，MIQ_φ是所述设定未来时刻的所述特定时刻的所述微智商的所述预测值，MIQ_αφ是所述设定未来时刻的所述特定时刻的编号为α的所述微智商分量的所述预测值，BMIQ是所述微智商数据库，σ是指定的时刻，BMIQ_σ是截止于时间σ的所述历史记录，t_φ是σ之后的未来时间。

S6090步骤，双向映射和单向映射数学模型：

依据所述个人数据和所述微智商之间实际存在的相互影响的关系，按照公式(4.11)建立双向映射数学模型，按照公式(4.12)建立左向映射数学模型，按照公式(4.13)建立右向映射数学模型：

其中：

运算符号

为双向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变也会影响所述个人数据。

运算符

为左向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变不会影响所述个人数据。

运算符

为右向映射运算符，即所述微智商的改变会影响所述个人数据，而所述个人数据的改变不会影响所述微智商。

这里需要注意的是：

1、个人数据和微智商之间的函数关系，存在着双向映射和单向映射之间的关系，所谓双向映射，就是改变个人数据结果会造成微智商的改变，改变微智商也会造成个人数据的改变；所谓单向映射，就是改变个人数据结果会造成微智商的改变，而改变微智商却不会造成个人数据的改变，或者改变个人数据结果不会造成微智商的改变，而改变微智商却会造成个人数据的改变。

2、所述数学模型中这些方法的选择，是依据实际应用而定，可以是采用单一模型，也可以是采用几个模型的组合。

3、本发明的所罗列出的这些模型，并非是对于模型的限定，业内的中级工程师在具体实施时，可以联想到采用其它模型，限于篇幅，这里不一一列举。

五、调节微智商步骤说明

在前述技术方案的基础上，本发明在包括但不限于调节微智商步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

所述S3000步骤，具体包括：

S3010步骤，依据所述可调个人数据分量调节所述微智商：

所述微智商和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.1)所确定的函数关系，所述微智商分量和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.2)所确定的函数关系，按照公式(5.1)调节所述微智商，按照公式(5.2)调节所述微智商分量：

MIQ＝f_5.1(APDB，APDE) (5.1)

MIQ_α＝f_5.2(APDB_α，APDE_α) (5.2)

其中，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量，APDB为所述可调个人理化数据分量，APDE为所述可调个人扩展数据分量，f_5.1是以APDB和APDE为自变量的微智商调节函数一，f_5.2是以APDB_α和APDE_α为自变量的微智商分量调节函数一，其中，APDB_α和APDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量。

这里需要注意的是，一部分所述可调个人理化数据分量和所述可调个人扩展数据分量APDB和APDE，均为多元素的集合，并不是单个数值。其中在公式(5.2)中，MIQ_α的计算，选定的APDB_α和APDE_α是其集合中与MIQ_α有关联的元素，基于简化计算的考虑，对于APDB和APDE中影响MIQ_α的权重很小的元素，可以忽略或者删除。

S3020步骤，依据所述个人数据关键权重调节所述微智商：

所述微智商和关键个人理化数据集合、关键个人扩展数据集合之间具有公式(5.3)所确定的函数关系，所述微智商分量和与该所述微智商分量有关的所述关键个人理化数据集合、与该所述微智商分量有关的所述关键个人扩展数据集合之间具有公式(5.4)确定的函数关系，按照公式(5.3)调节所述微智商，按照公式(5.4)调节所述微智商分量：

MIQ＝f_5.3(KPDBset，KPDEset) (5.3)

MIQ_α＝f_5.4(KPDBsetα，KPDEsetα) (5.4)

具体包括但不限于：

S3021步骤，计算关键理化权重集合：

在全部所述个人理化数据分量中找出所有对所述微智商的影响权重最大的所述个人理化数据分量组成集合元素，建立所述个人理化数据权重集合，以所述可调个人理化数据分量组成集合元素，建立可调个人理化数据集合，按照公式(5.5)计算所述关键理化权重集合，如果结果为非空集合，则记其元素为所述关键个人理化数据：

KPDBset＝PDBBset∩APDBset (5.5)

S3022步骤，计算关键扩展权重集合：

在全部所述个人扩展数据分量中找出所有对所述微智商的影响权重最大的所述个人扩展数据分量组成集合元素，建立扩展权重集合，按照公式(5.6)计算所述关键扩展权重集合，如果结果为非空集合，则记其元素为所述关键个人扩展数据：

KPDEset＝PDBEset∩APDEset (5.6)

S3023步骤，集合关系按照公式(5.7)和公式(5.8)所示：

在所述S3020、所述S3021、所述S3022、所述S3023中：

f_5.3是微智商调节函数二，f_5.4是微智商分量调节函数二，α是所述微智商分量的编号，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量。

KPDBset为所述关键个人理化数据集合，PDBBset为所述个人理化数据权重集合，APDBset为所述可调个人理化数据集合。

KPDEset为所述关键个人扩展数据集合，PDBEset为所述个人扩展数据权重集合，APDEset为所述可调个人扩展数据集合。

KPDBsetα是与MIQ_α有关的所述关键个人理化数据集合，它是所述KPDBset的子集，KPDEsetα是与MIQ_α有关的所述关键个人扩展数据集合，它是所述KPDEset的子集。

这里需要注意的是，微智商调节函数二和微智商分量调节函数二均为减小计算量和复杂度的一种快速算法的思路，并不是对于快速算法的一种限定，业内的工程技术人员可以依据这个思路设计出其它的改型设计。

S3030步骤，监测时间函数：

依据所述数学模型，按照公式(5.9)，建立所述微智商时间函数。

依据所述微智商时间函数，按照公式(5.10)建立所述微智商分量时间函数。

按照公式(5.11)建立微智商时间反函数，计算时间序列值。

按照公式(5.12)建立微智商分量时间反函数，计算时间序列值。

MIQ_t＝f_5.9(KPDB，KPDE，t) (5.9)

MIQ_αt＝f_5.10(KPDB_α，KPDE_α，t) (5.10)

t＝f_5.11(MIQ_t，KPDB，KPDE) (5.11)

t＝f_5.12(MIQ_αt，KPDB_α，KPDE_α) (5.12)

其中，MIQ_t为所述微智商的时间值，MIQ_αt为编号为α的所述微智商分量的时间值，t为所述连续时间序列，KPDB为所述关键个人理化数据，KPDE为所述关键个人扩展数据，其中，KPDB_α和KPDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量；f_5.9为所述微智商时间函数，f_5.10为所述微智商分量时间函数，f_5.11为所述微智商时间反函数，f_5.12为所述微智商分量时间反函数。

S3040步骤，监测微智商特定时刻值和微智商分量特定时刻值：

按照公式(5.13)计算在特定时刻，所述微智商特定时刻值，按照公式(5.14)计算在特定时刻，所述微智商分量特定时刻值：

MIQ_T＝f_5.13(KPDB，KPDE，t＝T) (5.13)

MIQ_αT＝f_5.14(KPDB_α，KPDE_α，t＝T) (5.14)

其中，MIQ_T是所述微智商特定时刻值，MIQ_αT是所述微智商分量特定时刻值，T为所述特定时刻，α为所述微智商分量的编号。

这里需要注意的是，由于公式(5.9)中，在相同的KPDB和KPDE情况下，MIQ_t和t不一定可逆，也就是说公式(5.9)和公式(5.11)并不一定可逆，并不一定是单值对应关系。依次类推，公式(5.10)和公式(5.12)同样并不一定可逆，并不一定是单值对应关系。在实际应用中需要多次验算并记录这种可逆关系。

六、训练和优化微智商步骤说明

在前述技术方案的基础上，本发明在包括但不限于训练和优化微智商步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

其特征在于所述S4000步骤包括但不限于：

S4010步骤，模糊优化法：

依据所述数学模型和所述模糊方程、所述模糊偏微分方程，优化所述微智商和所述微智商分量，获取在优化的情况下的所述个人数据的最优值，具体包括但不限于：

S4011步骤，建立集合：

包括但不限于以全部所述微智商为元素建立微智商集合，记为MIQset。以全部所述微智商分量为元素建立微智商分量集合，记为MIQ_αset。以全部所述个人数据为元素建立个人数据集合，记为PDset。分解所述个人数据集合为个人理化数据集合、个人扩展数据集合、人理化数据分量集合、个人扩展数据分量集合；分别记为PDBset、PDEset、PDB_βset、PDE_γset。所述集合包括但不限于模糊集合和非模糊集合。

其中：α为所述微智商分量的编号，β为所述个人理化数据分量的编号，γ为所述个人扩展数据分量的编号。

S4012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述微智商集合和所述微智商分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

MIQset_λ＝{miq|miq正排序号θ≤λ} (6.1)

MIQ_αset_λ＝{miq_δ|miq_α正排序号θ≤λ} (6.2)

PDset_λ＝{pd|pd正排序号θ≤λ} (6.3)

PDBset_λ＝{pdb|pdb正排序号θ≤λ} (6.4)

PDB_βset_λ＝{pdb_β|pdb_β正排序号θ≤λ} (6.5)

PDEset_λ＝{pde|pde正排序号θ≤λ} (6.6)

PDE_γset_λ＝{pde_γ|pde_γ正排序号θ≤λ} (6.7)

MIQset_μ＝{miq|miq反排序号η≤μ} (6.8)

MIQ_αset_μ＝{miq_δ|miq_α反排序号η≤μ} (6.9)

PDset_μ＝{pd|pd反排序号η≤μ} (6.10)

PDBset_μ＝{pdb|pdb反排序号η≤μ} (6.11)

PDB_βset_μ＝{pdb_β|pdb_β反排序号η≤μ} (6.12)

PDEset_μ＝{pde|pde反排序号η≤μ} (6.13)

PDE_γset_μ＝{pde_γ|pde_γ反排序号η≤μ} (6.14)

其中，MIQset_λ、MIQ_αset_λ、PDset_λ、PDBset_λ、PDB_βset_λ、PDEset_λ、PDE_γset_λ为所述有序头截集，MIQset_μ、MIQ_αset_μ、PDset_μ、PDBset_μ、PDB_βset_μ、PDEset_μ、PDE_γset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号。

S4013步骤，训练所述截集：

持续监测记录所述微智商和所述个人数据到所述微智商数据库，依据所述微智商数据库中的数据，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述微智商数据库。

S4014步骤，寻优所述截集：

依据所述数学模型，按照公式(6.1)至公式(6.14)，取λ＝1，计算获取微智商最优值和微智商分量最优值，所对应的所述个人数据同时作为最优值；取μ＝1，计算获取微智商最差值和微智商分量最差值，所对应的所述个人数据同时作为最差值。

这里需要注意的是，截集方法只是模糊优化法的一种实施例，并非是对于模糊优化法的一种限定，在实际应用中，业内的工程技术人员可以依据这个思路设计出其它模糊优化的具体方法。

S4020步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括但不限于公式(4.5)、公式(4.6)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述微智商和所述微智商分量的方法，获取所述微智商和所述微智商分量的所述最优值和所述最差值，以此获取所述个人数据的最优值。

S4021步骤，依据所述微智商数据库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括但不限于T检验和Z检验的方法选出所述微智商和所述微智商分量的所述最优值和所述微智商和所述微智商分量的所述最差值的异常值，消除所述异常值，以此获取所述个人数据的异常值。

所述T检验，英文全称是Student's t test，主要用于样本含量较小(例如n<30)，总体标准差σ未知的正态分布。T检验是用T分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。所述Z检验，英文全称是Z Test，也称作U检验，是一般用于大样本(即大于30)平均值差异性检验的方法。它是用标准的理论来推断差异发生的概率，从而比较两个的差异是否显着。

S4030步骤，概率优化法：

在所述微智商数据库中，选取不同时间段采集的所述个人理化数据和所述个人扩展数据，依据所述数学模型执行所述S3000步骤，计算所述微智商和所述微智商分量，计算所述微智商和所述微智商分量为最大值和最小值时对应的所述个人数据，采用包括但不限于贝叶斯算法在内的概率计算方法，统计所述微智商和所述微智商分量为最大值和最小值时，所述个人数据中所述可调个人理化数据和所述可调个人扩展数据出现相近值的概率，并对高概率验证做验证。

标定在所述微智商和所述微智商分量为最大值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为优化可调个人理化数据和优化可调个人扩展数据，标定在所述微智商和所述微智商分量为最小值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为劣化可调个人理化数据和劣化可调个人扩展数据。

S4040步骤，神经网络优化法：

S4041步骤，依据包括但不限于所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤，针对所述微智商数据库中的关系型数据记录，以数据记录作为神经元，以包括但不限于所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络。

S4042步骤，依据所述连接函数中，所述优化可调个人理化数据和优化可调个人扩展数据对于所述微智商和所述微智商分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括但不限于常数型权重系数、函数型权重系数。

S4043步骤，采用深度学习算法，包括但不限于监督学习、无监督学习、强化学习算法，优化所述连接子函数。

S4044步骤，采用支持向量机算法，分类筛选所述微智商和所述微智商分量，并且筛选出所述优化可调个人理化数据和优化可调个人扩展数据。

S4045步骤，采用卷积神经网络算法，对于所述个人数据之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4046步骤，采用循环神经网络算法，对于所述个人数据之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4047步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述个人数据、所述微智商、所述微智商分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4048步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4049步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括但不限于优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据。

S4050步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合、这些方法之内的任意组合的方法，计算所述微智商和所述微智商分量达到最优或者其区间内的指定值时，得到的包括但不限于对应的所述优化可调个人理化数据和优化可调个人扩展数据的结果数据，并且使得结果数据能够可逆复现所述微智商和所述微智商分量达到最优或者其区间内的指定值，记录此时的所述优化可调个人理化数据、优化可调个人扩展数据与所述微智商、所述微智商分量之间的可逆关系。

在实际应用中，根据需要，选择S4041步骤到S4049步骤中的一种或者多种组合，进行优化计算所述微智商、所述微智商分量。

S4060步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述微智商、所述微智商分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述微智商、所述微智商分量到达优化值或者指定值。

具体数学模型，包括但不限于所述S6080步骤的所述预测数学模型、所述S3030步骤的所述监测时间函数、所述S3040步骤的所述监测微智商特定时刻值和微智商分量特定时刻值。

S4070步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定考试时间值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定考试时间的时点，所述微智商、所述微智商分量到达优化值或者指定值。

S4080步骤，优化考试法：

依据所述数学模型和所述可逆关系，采用所述定时复现法、延时复现法，进行调节，使得在预定考试时间的时点，所述微智商、所述微智商分量到达优化值或者指定值。

这里需要注意的是：

1、所述定时复现法和所述延时复现法配合，实现优化考试法。例如，设定优化考试时间是3天以后，而通过定时复现法计算，某个个人只需要2天就达到了优化考试时点，此时相差1天，就需要通过延时复现法延时1天，到第3天正好是优化考试的时间点。

2、所述定时复现法和所述延时复现法包括但不限于单值函数、多值函数和周期函数，所述单值函数，即所述S4060步骤和所述S4070步骤的计算结果是单一结果，不会出现第二个或者更多的结果；所述多值函数，即所述S4060步骤和所述S4070步骤的计算结果是多于一个结果的；所述周期函数，即所述S4060步骤和所述S4070步骤的计算结果是按照固定周期性出现的。

3、基于所述S6080步骤的预测数学模型和所述S6090步骤的双向映射和单向映射数学模型，可以对本发明的训练和优化微智商进行再优化，业内的工程技术人员可以依据这个思路设计出其它优化方法。基于包括但不限于所述单值函数、所述多值函数和所述周期函数计算所述优化考试法。

七、团队同步说明

在前述技术方案的基础上，本发明在包括但不限于团队同步步骤方面具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

其特征在于所述S5000步骤，具体包括但不限于：

S5010步骤，获取团队数据：

由一个以上所述个人构成所述团队，执行所述S1000步骤至所述S4000步骤、所述S6000步骤，获取产生的所述团队中全部所述个人的全部数据存入到所述微智商数据库。

S5020步骤，计算团队时差：

依据所述团队的考试时间，对所述团队中的每一个所述个人，统一设定所述预定考试时间，计算每一个所述个人所需要的所述延时时间差值。

S5030步骤，团队同步：

针对所述团队中每一个所述个人的所述延时时间差值，采用所述延时复现法进行调整，使得所述团队中的每一所述个人都在所述预定考试时间达到所述微智商、所述微智商分量为优化值或者指定值。

S5040步骤，团队优化考试：

驱动所述团队达到所述团队同步，对团队中的每个所述个人执行所述优化考试，使得所述团队的整体考试结果优化，并将考试结果记录到所述微智商数据库。

S5050步骤，团队均衡考试：

依据所述团队中每一个所述个人的微智商在时间轴上的概率分布和整个所述团队的概率分布，计算所述团队的均衡微智商，再计算所述团队中每一个所述个人的所述延时时间差值，通过对于所述团队中所述个人执行所述延时复现法和定时复现法，以便确保所述团队能够在任何时间参加考试，而不至于使得所述团队在微智商最坏的情况下参加考试。

这里需要注意的是，所述均衡微智商，是指整个所述团队的每个所述个人的所述微智商所计算的统计学概念的均衡值，之所以引入均衡值，是基于对于整个团队中的所有人，在执行所述同步的过程中有困难，或者同步到最优有困难，此时可以采用对于每个人约束各自的微智商或者微智商分量在各自的某一个档次水平，例如达到每个人的微智商或者微智商分量的80％～100％的档次。

S5060步骤，预测比较及优化：

依据所述预测数学模型，计算所述团队中全部所述个人在所述团队优化考试的时刻t_φ的所述微智商，监测此时的所述团队中全部所述个人的所述微智商，比较这两个微智商，寻找差距原因，优化所述预测数学模型，并记录到所述微智商数据库。

八、采集个人理化数据步骤说明

在前述技术方案的基础上，本发明在包括但不限于采集所述个人理化数据步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

包括S7000所述个人理化数据步骤，具体包括但不限于：

S7010步骤，将所述传感器划分为有创传感器和无创传感器。

S7020步骤，所述有创传感器包括但不限于置入个人皮肤内，监测所述个人理化数据，获取个人血液、组织液、组织的监测数据，包括但不限于刺穿个人皮肤获取一次以上所述个人理化数据，和，留置于个人皮肤下、留置于个人血管内、留置于个人组织内以持续获取所述个人理化数据分量，并记为所述个人理化数据分量和监测时间到所述微智商数据库。

S7030步骤，采用酶电极构成所述有创传感器，置入个人皮下组织，通过酶与所述个人的组织液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据。

S7040步骤，采用酶电极构成所述有创传感器，置入个人血管中，通过酶与个人血液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据。

S7050步骤，采用光纤构成所述有创传感器，光纤传感器至少包括但不限于A端和B端，其中A端置入个人内部，包括但不限于血管、皮下组织，B端留在个人外部，由发光器件产生特定波长光线，通过所述B端传到所述A端，由设置在所述A端并离开所述A端有一个缝隙的光线反射装置，将所述光线返回到所述B端，由感光器件感光，此时，由于所述特定波长光线在所述缝隙中经过血液、组织液，产生特定吸收变化，据此构成所述光纤有创传感器的传感方法，所述缝隙的宽度介于0.01毫米到100毫米之间。

S7060步骤，采用基于人体神经网络的生物神经网络的有创传感器置入到个人的包括但不限于大脑、脊椎、皮下组织在内的神经网络，监测传感个人的神经网络信号。

S7070步骤，采用将所述酶电极传感器、所述光纤传感器和神经网络传感器融合于一体的融合传感器，监测所述个人理化数据。

S7080步骤，采用紧贴在皮肤上的通过电物理效应对于皮下组织产生反应的无创传感器，获取皮下生化信号，所述电物理效应包括但不限于电场、磁场、机械震动、物理挤压、微波、离子、化学的渗透。

S7090步骤，所述无创传感器包括但不限于：为不刺入个人皮肤，监测所述个人理化数据，其种类包括但不限于血糖值、血氧值、血液成分、尿液成分、汗液成分、体液成分、唾液成分、血型、皮肤成分、肤色、皮肤斑块、皮肤表面分析、体温、身高、体重、性别、血型、心率、心电图值、脑电波、光电容积图值、监测位置、个人运动数据、食物种类、食物数量、季节、天气、监测时间、睡眠时间、心理特征、心情的单一种类及其它们的任意组合，并记为所述个人理化数据分量和监测时间到所述微智商数据库。

随着传感器技术的的发展，所有能够纳入到用于传感个人生命体征的数据的传感器和传感器集群，都将落入到本发明所保护和应用的范畴，以进一步获取人体数据，以便于更精准地监测个人数据、更精准地监测微智商。包括但不限于疾病传感器、健康传感器、生命活力传感器、口渴传感器、心理紧张程度传感器、测谎仪、心理训练仪等。

九、采集个人扩展数据步骤说明

在前述技术方案的基础上，本发明在包括但不限于采集个人扩展数据步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

包括S8000所述个人扩展数据步骤，具体包括但不限于：

S8010步骤，所述个人扩展数据包括但不限于人工监测法、机器监测法，所述人工监测法是由人通过与所述个人面对面交流、面试、笔试，或非面对面监测产生所述个人扩展数据的方法，所述机器监测法包括但不限于由机器自主的或人工智能监测系统实施对于所述个人扩展数据的监测的方法。

S8020步骤，所述个人扩展数据的内容包括但不限于：监测表述能力，语言、文字、音乐、肢体、动作，监测感知注意能力、眼睛耳朵鼻子舌头身体意识的感知观察注意力，监测记忆能力，监测想象能力，监测分析判断能力，监测思维逻辑能力，监测应变能力，监测数字能力，监测空间能力，监测归纳能力，监测动作反应与空间能力，监测内省能力，监测人际能力，监测自然探索能力，监测生存智慧能力，监测强化能力，监测泛化能力，监测分化能力，监测消退能力，监测抗条件作用能力；包括但不限于所述个人参加的考试成绩、别人的主观评价、客观评价、所述个人自己的主观评价、客观评价作为所述个人扩展数据和所述个人扩展数据分量予以监测，并记录发生的时间序列，记入所述微智商数据库。

十、建立云大数据步骤说明

在前述技术方案的基础上，本发明在包括但不限于建立云大数据及安全管理步骤方面，具体可以采用如下列的一种或者多种局部改进的组合措施，其组合的顺序也是根据实际需要而定，并非依据步骤中的编号顺序确定。

包括S9000步骤，具体包括但不限于：

S9010步骤，采用云大数据模式建立云中心，以存储、管理和支撑所述微智商数据库和支持本发明的各个步骤，存储位置包括本地和异地，所述微智商数据库存储包括一个以上所述个人的数据。

S9020步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述微智商数据库和前述的各个步骤，所述用户采用匿名记录，所述微智商数据库中的数据采用带有时间戳的链式结构，用户访问所述微智商数据库采用加解密通信，数据支持防篡改，支持防抵赖、多中心、无中心模式。

S9030步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述微智商数据库核心数据的前提下，依据各自所述机构的所述微智商数据库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个人；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强数据的安全性和保护个人隐私。

这里需要注意的是，所述机构包括一个独立管理的组织，它包括但不限于若干个用户个人，例如一个学校、一个班级、一家公司，很多情况下，机构之间是不共享数据资源的，实施各自独立的财务、信息的管理。所述个人隐私包括但不限于全部个人数据、运算过程、中间和最后运算结果。

S9040步骤，采用集中学习模式建立和训练对于不强调个人隐私保护时的模型训练，所述微智商数据库存储于一个云中心。

S9050步骤，采用联邦学习模式建立和训练对于需要强调个人隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的数据。

所述云模式是一个可选项，例如对于单用户版本或者低成本版本，就未必选用云模式。另外，所述S9010步骤到所述S9050步骤，也是依据实际产品的需求，同样是可选项。

实施例二：书面考试优化方法

书面考试优化方法这一实施方式是本发明中的一个侧重书面考试的实施例，其意图是应用于考生在书面考试时促进正常发挥，达到最佳商数状态，取得最佳考试成绩。进一步，还能够驱使整个团队或者班级中的每个人在考试时都达到最佳商数，每个人都取得最佳考试成绩。

例如，作为典型应用之一，该实施例可作为高考考生的高中阶段的考试辅助系统，通过一段时间(例如约半年时间)的由本方法的系统向考生个人进行人工智能学习和训练，逐渐掌握考生的微智商分量与个人理化数据之间的变化规律，从而对个人和班级进行优化调整，使得个人和班级在考试中，都获得最好的考试成绩，或者取得正常、超常发挥。

一、差异化说明

与前述实施方式相比，相同之处不予复述，差异之处在于：

1、保留实施例一中的所述商数中的智商、情商、数字智商，删除其它例如逆商、财商等于考试无关的商数，简化计算。

2、采用无创传感器获取个人理化数据，其中无创传感器设计为人体可穿戴形式，例如手表型、手环型、配饰型，以获取个人理化数据中的常用部分，例如心率、脉搏、心电图、运动(多轴运动传感器)等，该传感器与所述个人的智能手机通过包括蓝牙、WIFI等无线相连接，接受智能手机的管理和驱动。

3、所述个人理化数据种类的设计，依据所述数学模型、所述微智商调节函数、所述微智商分量调节函数以及所述优化训练微智商的步骤，选择与包括书面考试相关联的所述微智商分量，并且依据对这些微智商分量影响权重大的那些所述个人理化数据，作为本实施例中重点监测的所述个人理化数据。

4、依据书面考试的特点，选择微智商分量偏重于商数中的面向书面考试的部分，例如智商、数字智商、情商部分，包括记忆力、理解力、计算力、综合力、反应速度等指标；对于数学模型，重点选择模糊偏微分方程、混合数学模型、人工智能模型；对于训练优化微智商方法，重点选择神经网络优化法、定时复现法、延时复现法、优化考试法等，采用多次训练和积累。

5、在智能手机上，设计相关APP应用软件，对下连接驱动管理所述传感器，对上通过公众无线网络连接云大数据系统，接受云大数据系统的驱动和管理。

6、采用云大数据中心模式存储所述微智商数据库及其相关数据，用户的手机中只保留一些阶段的个人数据，或者不保留个人数据。本发明方法中的功能，以云大数据中心服务器为主实现，用户通过安装有实现本发明功能的智能手机APP向所述服务器请求服务，由所述服务器响应配合所述手机完成本发明的方法和功能。

7、本实施例强调个人数据的安全管理。在用户智能手机和云大数据中心之间，采用区块链模式，实现去中心、防篡改、带时间戳链式存储、加密传输等要素，进行区块链安全设计。

8、本实施例书面考试水平优化方法选择采用安全多方计算和联邦计算模式，共享用户的个人数据。

9、对于由所述传感器采集之外的人体数据，基于本实施例书面考试水平优化方法所需要来选定，这些数据的获取采用包括问卷测试、医学监测、日常考试等在内的方法获取。尤其强调的是，对于考生用户，需要将历史考试成绩以及相关老师的评语录入到所述微智商数据库，并相应地调整具体的算法，以进一步优化本实施例，取得更好的效果。

10、鉴于在某些考试时，考生不得携带电子信息设备进入考场的规定，本实施例需要考虑到这一点。实施例中在APP、系统等设计方面，支持考生在进入考场之前，能够不携带传感器、手机等设备，即便损失这个考试时段的个人数据，也能够保持全系统的应用。例如，实施例在设计上，支持丢失这个时段的部分个人数据而不影响本系统的总体效果。

二、结构说明

图4是本实施例的个人端示意图。其中，4001是穿戴式无创传感器，它穿戴在用户个人身上，采集获取部分个人理化数据，通过包括无线传输在内的信号传输方式，传输到4003的智能手机上，在智能手机中，安装有本实施例所开发的个人端APP。4002是其它个人数据采集系统，所述其它个人数据，包括本实施例所需要的而所述穿戴式无创传感器所无法采集的个人数据，包括考试成绩、医院监测的数据、老师测评的成绩等多种本实施例所需要的信息。4002的信息采集到以后，通过约定传输，或者直接传输到4003的智能手机，或者通过网络直接传输到云中心中的所述微智商数据库。

所述个人端APP为用户的个人专有，对下连接所述个人的穿戴式无创传感器，还可以连接4002的其它个人数据采集系统，对上连接云中心，执行本实施例的个人端管理和支撑步骤。

图5本实施例的云中心端示意图。其中，5001是网络接入，完成用户的所述个人与所述云中心的连接与数据交互。5002是监测微智商，执行监测微智商的所有步骤的任务。5003是调节微智商，执行调节微智商的所有步骤的任务。5004是训练优化微智商，执行训练微智商的所有步骤的任务。5005是微智商团队同步，执行团队微智商同步的所有步骤的任务。5006是数学模型库，存储、执行和调度全部数学模型，完成全部计算的步骤。5007是微智商数据库，存储全部用户的微智商数据。

图6是安全管理示意图。其中，6001是一个所述机构，例如机构A，6002是另外一个所述机构，例如机构B。所述机构的结构组成相似，在所述机构内部，包括若干个用户，通过机构的管理，具有加密算法库，监管审计节点，区块链云平台，BaaS、PaaS、IaaS(BaaS，Blockchain as a Sevrice，区块链即服务；PaaS，Platfoem as a Sevrice，平台即服务；IaaS，Infrastructure as a Sevrice，基础设施及服务)。在各个机构的加密算法库之间和监管审计节点之间，存在着MPC连接(MPC，Secure Multi-Party Computation，安全多方计算)，在这种MPC连接下，实现所述安全多方计算。

实施例三：狙击、侦查、反侦查训练优化方法

体能训练优化方法这一实施方式是本发明中的一个侧重包括狙击应用、侦查应用和反侦查应用等训练的实施例，其意图是应用于训练生在相关训练时促进正常发挥，达到最佳商数状态、最佳发挥状态，取得最佳应用成绩。进一步，还能够驱使整个团队或者班级中的每个人都达到最佳商数、最佳发挥状态，每个人都取得最佳应用成绩、获得超常发挥。

例如，作为典型应用之一，该实施例可作为狙击手训练、情报人员侦查和反侦查训练的训练生的训练辅助系统，通过一段时间的训练，由本方法的系统向训练生个人进行人工智能学习和训练，向教练报告相关训练情况，逐渐掌握训练生的微智商分量与个人理化数据之间的变化规律，从而对个人和团队进行优化调整，使得个人和团队在考试中，获得最好的成绩。

业内的二次开发人员应当在本方法所确定的技术创新线路下能够了解，该实施方式是本发明的军事、情报与特种训练的优化方法，与前述2个实施方式相比，相同之处不予复述，差异之处在于：

1、所述个人理化数据种类的设计，依据所述数学模型、所述微智商调节函数、所述微智商分量调节函数以及所述优化训练微智商的步骤，选择与本实施例训练及应用考试相关联的所述微智商分量，并且依据对这些微智商分量影响权重大的那些所述个人理化数据，包括但不限于心率、心电图、脑电波、血氧、血糖、皮肤出汗量、运动量、运动速度、运动轨迹等，作为本实施例中重点监测的所述个人理化数据。

2、所述传感器除了采用无创传感器之外，针对一些特定的体能训练项目，采用有创传感器采集人体理化数据，例如血液分析数据、人体神经系统数据、脑电波数据等。

3、所述传感器在训练生身体的穿戴位置，包括手腕、脚踝、帽子等处，还可以用于例如肩部、膝盖、腰部等需要监测的位置，以监测包括但不限于运动信息。此外，对于需要进一步监测声音、呼吸等信息的，还可以在喉部采用声音和呼吸传感器。

4、所述微智商分量选型设计，针对体能训练的类型，选择能够表达该该应用训练的微智商分量的种类，例如对于短跑类型，选择微智商分量中的爆发力、反应速度等予以重点关注和调节，对于狙击手，还需要重点关注和调节运动、位置、静止姿态。

5、针对所述训练生的训练种类，修改所述数学模型、所述微智商调节函数、所述微智商分量调节函数以及所述优化训练微智商的步骤，以进一步适应训练种类。

6、针对狙击手训练：选择增加面向包括但不限于心理学的个人数据予以监测和训练，还包括但不限于抗压力监测、外界耐受力监测、心理耐受力监测、运动监测、体能监测、心理监测等，并在后续数学模型中加入计算，同时将监测结果回传到训练中心，供训练组织方采用。

7、针对情报人员侦查和反侦查训练：选择面向心理学、表情反应、心理反应、心理掩饰程度、细心程度、伪装程度、短期记忆力、长期记忆力、肢体反应、压力反应、紧张程度反应、身体耐受力、心理耐受力、谈判能力、测谎仪、心理测试仪、意志力测试仪等面向侦查和反侦查的个人数据监测，并在后续数学模型中修改参数权重，加入计算。

8、建立专项的微智商数据库，依据数学模型和应用修改专项参数，纳入人工智能管理，尤其对于个人和团队，建立专项训练和训练档案。

9、鉴于某些应用时，训练生不得携带电子信息设备进入应用场地，以免由于传感器、手机的无线电应用而暴露目标，本实施例需要考虑到这一点，在APP、系统等设计方面，支持训练生在进入应用场地之前，能够在不携带传感器、手机等设备时，也能够保证在该时段没有传感器、APP支撑时，不影响系统的工作，例如损失本时段的人体数据也能够使用。

Claims (10)

1.微智商监测调节的方法，包括：

S1000步骤，监测个人数据；

S2000步骤，依据微智商与所述个人数据之间的数学模型，监测所述微智商；

S3000步骤，改变所述个人数据中可调个人数据，以调节所述微智商；和/或，

S4000步骤，依据所述数学模型，训练优化所述可调个人数据，以优化所述微智商；和/或，

S5000步骤，调节团队中所包括的个人的所述可调个人数据，以同步和/或统一调节所述团队微智商；

其中：所述微智商由商数分解获得，所述商数由一个以上微智商构成，至少包括：智商、情商、数字智商、逆商。

2.根据权利要求1所述的方法，其特征在于，所述S1000步骤具体包括：

S1010步骤，监测个人理化数据和个人理化数据分量：

分解所述个人理化数据为一个以上所述个人理化数据分量，采用传感器，按照公式(2.1)确定的所述个人理化数据分量的函数关系，监测所述个人理化数据分量，按照公式(2.2)建立所述个人理化数据分量的函数集合：

PDB_β＝f_2.1β(x) (2.1)

F_2.2＝{f_2.1β|f_2.1β个人理化数据编号β的函数，1≤β≤n} (2.2)

其中：

F_2.2为所述个人理化数据分量的函数集合，f_2.1β为编号为β的所述个人理化数据分量的函数，n为所述个人理化数据分量的函数的总数，n、β均属于自然数，且1≤β≤n；

PDB_β为编号为β的所述个人理化数据分量，x为所述个人理化数据分量的函数的自变量；

所述个人数据包括所述个人理化数据和个人扩展数据；和/或，

S1020步骤，监测所述个人扩展数据和个人扩展数据分量：

分解所述个人扩展数据为一个以上所述个人扩展数据分量，按照公式(2.3)确定的所述个人扩展数据的函数关系，监测所述个人扩展数据分量，按照公式(2.4)建立所述个人扩展数据的函数集合：

PDE_γ＝f_2.3γ(y) (2.3)

F_2.4＝{f_2.3γ|f_2.3γ个人扩展数据编号γ函数，1≤γ≤p} (2.4)

其中：

F_2.4为所述个人扩展数据的函数集合，f_2.3γ为编号为γ的所述个人扩展数据分量的函数，p为所述个人扩展数据分量的函数的总数，p、γ均属于自然数，且1≤γ≤p；

PDE_γ为编号为γ的所述个人扩展数据分量，y为所述个人扩展数据分量的函数的自变量；和/或，

S1030步骤，监测所述个人数据的时间值：

依据连续时间序列，按照公式(2.5)确定的所述个人数据的时间函数关系，监测所述个人数据的时间值：

PD＝f_2.5(t) (2.5)

其中：PD为所述个人数据，f_2.5为所述个人数据的时间函数，t为所述连续时间序列；和/或，

S1040步骤，监测所述个人理化数据的时间值：

依据所述连续时间序列，按照公式(2.6)确定的所述个人理化数据的时间函数关系，监测所述个人理化数据的时间值：

PDB＝f_2.6(t) (2.6)

其中：PDB为所述个人理化数据，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列；和/或，

S1050步骤，监测所述个人扩展数据的时间值：

依据所述连续时间序列，按照公式(2.7)确定的所述个人扩展数据的时间函数关系，监测所述个人扩展数据的时间值：

PDE＝f_2.7(t) (2.7)

其中：PDE为所述个人扩展数据，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列；和/或，

S1060步骤，监测所述个人数据的特定时刻值：

依据所述连续时间序列，按照公式(2.8)确定的所述个人数据的的特定时刻的函数关系，监测所述个人数据在特定时刻的所述特定时刻值：

PD_T＝f_2.5(t，t＝T) (2.8)

其中：PD_T为所述个人数据的所述特定时刻值，f_2.5为所述个人数据的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S1070步骤，监测所述个人理化数据的特定时刻值：

依据所述连续时间序列，按照公式(2.9)确定的个人理化数据的特定时间函数关系，监测所述个人理化数据在特定时刻的所述特定时刻值：

PDB_T＝f_2.6(t，t＝T) (2.9)

其中：PDB_T为所述个人理化数据的所述特定时刻值，f_2.6为所述个人理化数据的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S1080步骤，监测所述个人扩展数据的特定时刻值：

依据所述连续时间序列，按照公式(2.10)确定的个人扩展数据的特定时间函数关系，监测所述个人扩展数据在特定时刻的所述特定时刻值：

PDE_T＝f_2.7(t，t＝T) (2.10)

其中：PDE_T为所述个人扩展数据的所述特定时刻值，f_2.7为所述个人扩展数据的时间函数，t为所述连续时间序列，T为所述特定时刻；和/或，

S1090步骤，标定所述可调个人数据：

通过包括改变所述个人所处的外在环境、内在环境之后，监测所述个人数据，找出可以改变的这部分所述个人数据，标定为所述可调个人数据；

通过包括人为判断确定为可以调节的所述个人数据，标定为所述可调个人数据；

所述可调个人数据包括可调个人理化数据、可调个人理化数据分量、可调个人扩展数据、可调个人扩展数据分量，所述可调个人数据之外的所述个人数据为非可调个人数据；

S1100步骤，建立微智商数据库：

依据不同的所述连续时间序列和所述特定时刻，针对所述个人，按照所述S1010步骤到所述S1090步骤，执行一次以上监测，将结果数据和中间数据记录到所述微智商数据库。

3.根据权利要求1所述的方法，其特征在于，所述S2000步骤具体包括：

S2010步骤，监测所述商数：

所述商数与所述微智商之间具有公式(3.1)所确定的函数关系，按照公式(3.1)监测所述商数：

QV＝f_3.1(MIQ) (3.1)

其中，QV为所述商数，MIQ为所述微智商，f_3.1为商数函数；和/或，

S2020步骤，监测所述微智商的时间值：

所述微智商与所述连续时间序列之间具有公式(3.2)所确定的函数关系，按照公式(3.2)监测所述微智商的时间值：

MIQ＝f_3.2(t) (3.2)

其中，MIQ为所述微智商，f_3.2为微智商时间函数，t为所述连续时间序列；和/或，

S2030步骤，监测所述微智商的特定时刻值：

所述微智商的所述特定时刻值与所述特定时刻之间具有公式(3.3)所确定的函数关系，按照公式(3.3)监测所述微智商的特定时刻值：

MIQ_T＝f_3.2(t，t＝T) (3.3)

其中，t为所述连续时间序列，T为所述特定时刻，MIQ_T为所述微智商在所述特定时刻的特定时刻值，f_3.2为所述微智商时间函数；和/或，

S2040步骤，监测微智商分量的时间值：

按照公式(3.4)分解所述微智商为一个以上所述微智商分量，所述微智商分量与所述连续时间序列之间具有公式(3.5)所确定的函数关系，按照公式(3.5)监测所述微智商分量的时间值：

MIQ＝f_3.4(MIQ₁，MIQ₂，…，MIQ_m) (3.4)

MIQ_α＝f_3.5(t，1≤α≤m) (3.5)

其中，MIQ₁，MIQ₂，…，MIQ_m为所述微智商分量，m为所述微智商分量的总数，α为所述微智商分量编号，m、α均属自然数，且1≤α≤m，f_3.4为微智商分解函数，f_3.5为微智商分量时间函数，MIQ_α为编号为α的所述微智商分量在所述连续时间序列的时间值；和/或，

S2050步骤，监测所述微智商分量的特定时刻值：

所述微智商分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(3.6)所确定的函数关系，按照公式(3.6)监测所述微智商分量在特定时刻的所述特定时刻值：

MIQ_αT＝f_3.5(t，t＝T，1≤α≤m) (3.6)

其中，MIQ_αT为在所述特定时刻所述微智商分量的所述特定时刻值，f_3.5为所述微智商分量时间函数，α为所述微智商分量编号，m为所述微智商分量的总数，且1≤α≤m，m、α均属自然数；和/或，

S2060步骤，获取所述商数数据：

设计和收集商数监测题、商数监测题标准答案、商数监测题标准答案分值、商数监测方法，记入所述微智商数据库，依据所述商数监测方法监测所述个人一次以上，记录商数监测结果和/或所述商数监测结果平均值到所述微智商数据库；

S2070步骤，获取所述微智商数据：

设计微智商监测题、微智商监测题标准答案、微智商监测题标准答案分值、微智商监测方法，记入所述微智商数据库，依据所述微智商监测方法监测所述个人一次以上，记录微智商监测结果和/或所述微智商监测结果平均值到所述微智商数据库；

S2080步骤，获取所述微智商分量数据：

设计所述微智商分量监测题、微智商分量监测题标准答案、微智商分量监测题标准答案分值、微智商分量监测方法，依据所述微智商分量监测方法监测所述个人一次以上，记录所述微智商分量直接监测结果和/或所述微智商分量监测结果平均值到所述微智商数据库；

S2090步骤，升级微智商数据库：

选择不同的所述连续时间序列和不同的所述特定时刻，执行所述S2010步骤到所述S2080步骤，将中间结果和最终结果记录到所述微智商数据库，和/或，依据所述微智商数据库内容，优化和升级所述商数监测方法、所述微智商监测方法、所述微智商分量监测方法。

4.根据权利要求1所述的方法，其特征在于包括S6000建立所述数学模型的步骤，具体包括：

S6010步骤，概念方程模型：

按照公式(4.1)建立所述微智商和所述个人数据之间的数学模型，计算所述微智商；

按照公式(4.2)建立所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商；

按照公式(4.3)建立所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型，计算所述微智商分量；

按照公式(4.4)建立所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的数学模型，计算所述微智商分量：

MIQ＝f_4.1(PD) (4.1)

MIQ_α＝f_4.4α(PDB_α，PDE_α) (4.4)

其中：

f_4.1是所述微智商和所述个人数据之间的数学模型的函数，MIQ是所述微智商，PD是所述个人数据；

f_4.2是所述微智商和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，

是全部所述个人理化数据分量计算函数，

是全部所述个人扩展数据分量计算函数，PDB是所述个人理化数据分量，n是所述个人理化数据分量的总个数，β是所述个人理化数据分量的编号，PDE是所述个人扩展数据分量，p是所述个人扩展数据分量的总个数，γ是所述个人扩展数据分量的编号，且1≤β≤n、1≤γ≤p；

f_4.3是第α个所述微智商分量和全部所述个人理化数据分量、全部所述个人扩展数据分量之间的数学模型的函数，MIQ_α编号为α的所述微智商分量，且1≤β≤n、1≤γ≤p；

f_4.4α是第α个所述微智商分量和第α种部分所述个人理化数据分量、第α种部分所述个人扩展数据分量之间的数学模型的函数，MIQ_α是第α个所述微智商分量，PDB_α是第α种与所述MIQ_α有关的部分所述个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量，PDE_α是第α种与所述MIQ_α有关的部分所述个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量，α、β、γ为自然数；和/或，

S6020步骤，建立偏微分方程：

基于所述人工定义数学模型，采用偏微分方程原理，按照公式(4.5)和公式(4.6)建立所述微智商、所述微智商分量和所述个人理化数据分量、所述个人扩展数据分量之间的函数，计算所述微智商、所述微智商分量：

其中：

f_4.5、f_4.6均是偏微分方程，MIQ′₁是编号为1的所述微智商分量的1阶导数，

是标号为1所述微智商分量的ε阶导数，MIQ′_m是标号为m的所述微智商分量的1阶导数，

是标号为m的所述微智商分量的ε阶导数；PDB′_α是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的1阶导数；

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的v阶导数；PDE′_α是第α种部分个人扩展数据分量，包括一个以上与所述MIQ_α有关联的所述个人扩展数据分量的1阶导数；

是第α种部分个人理化数据分量，包括一个以上与所述MIQ_α有关联的所述个人理化数据分量的ξ阶导数；

其中，根据需要，f_4.4中的所述微智商分量还采用f_4.5中的MIQ_α替代；

其中，ε是所述微智商分量导数的最高阶，v是所述个人理化数据分量导数的最高阶，ξ是所述个人扩展数据分量导数的最高阶，ε、v、ξ均是自然数；和/或，

S6030步骤，模糊方程模型：

基于所述概念方程模型，采用模糊方程原理，依据所述微智商和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊数学关系，建立如公式(4.7)的所述模糊方程，计算所述微智商；依据所述微智商分量和所述个人理化数据分量以及所述个人扩展数据分量之间的模糊关系，建立如公式(4.8)的模糊方程，计算所述微智商分量：

其中，f_4.7、f_4.8均是模糊方程，α是所述微智商分量编号，n是所述个人理化数据分量最大编号，β是所述个人理化数据分量编号，p是所述个人扩展数据分量的最大编号，γ是所述个人扩展数据分量的编号，n、p、δ、β、γ均是自然数，ρ是模糊隶属度，其中ρ的下标β编号与对应的所述个人理化数据分量编号β一致，并且ρ_β为PDB_β的模糊隶属度，ρ的下标γ编号与所述个人扩展数据分量编号γ一致，并且ρ_γ为PDE_γ的模糊隶属度；和/或，

S6040步骤，模糊偏微分方程模型：

基于所述偏微分方程和所述模糊方程，建立所述模糊偏微分方程，计算所述微智商和所述微智商分量；其中，包括以所述模糊隶属度为参数代入所述公式(4.5)和所述公式(4.6)来计算所述微智商和所述微智商分量的方法，和，以所述公式(4.5)和所述公式(4.6)列入到所述公式(4.7)和所述公式(4.8)来计算所述微智商和所述微智商分量的方法；和/或，

S6050步骤，人工智能数学模型：

基于人工智能方法建立所述人工智能数学模型，依据所述微智商数据库中的多个历史记录，采用监督学习训练所述历史记录得出参数，采用无监督学习和所述参数，预测计算未来的所述微智商和所述微智商分量；采用强化学习寻找优化的所述微智商和所述微智商分量的值；和/或，在学习的过程中引入人为测评，为所述学习的结果进行人为评分；和/或，

S6060步骤，基于所述人工智能数学模型，依据所述微智商数据库中的多个所述历史记录，采用支持向量机、和/或卷积神经网络和/或T检验和/或Z检验和/或贝叶斯算法，执行以下S6061步骤到S6062步骤：

S6061步骤，挑选并标定出所述历史记录中的特异值，供进一步的所述人S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用；

S6062步骤，验证和总结所述微智商、所述微智商分量与所述历史记录之间的变化规律，供进一步的所述S6010步骤到所述S6050步骤的所述数学模型以及人为分析使用；和/或，

S6070步骤，混合数学模型：

混合所述S6010步骤到所述S6050步骤的所述数学模型为所述混合数学模型，来计算和预测所述微智商、所述微智商分量；和/或，

S6080步骤，预测数学模型：

依据所述S6010步骤到S6070步骤的所述数学模型、所述微智商时间函数和微智商分量时间函数、设定未来时刻的所述特定时刻值，按照公式(4.9)计算所述微智商的预测值，按照公式(4.10)计算所述微智商分量的所述预测值：

MIQ_φ＝f_4.9(BMIQ_σ，t＝t_φ) (4.9)

MIQ_αφ＝f_4.10(BMIQ_σ，t＝t_φ) (4.10)

其中，f_4.9是所述微智商的所述预测数学模型的函数，f_4.10是所述微智商分量的所述预测数学模型的函数，φ是所述未来时刻，t_φ是所述设定未来时刻的所述特定时刻值，MIQ_φ是所述设定未来时刻的所述特定时刻的所述微智商的所述预测值，MIQ_αφ是所述设定未来时刻的所述特定时刻的编号为α的所述微智商分量的所述预测值，BMIQ是所述微智商数据库，σ是指定的时刻，BMIQ_σ是截止于时间σ的所述历史记录，t_φ是σ之后的未来时间；和/或，

S6090步骤，双向映射和单向映射数学模型：

依据所述个人数据和所述微智商之间实际存在的相互影响的关系，按照公式(4.11)建立双向映射数学模型，按照公式(4.12)建立左向映射数学模型，按照公式(4.13)建立右向映射数学模型：

其中：

运算符号

为双向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变也会影响所述个人数据；

运算符

为左向映射运算符，即所述个人数据的改变会影响所述微智商，而所述微智商的改变不会影响所述个人数据；

运算符

为右向映射运算符，即所述微智商的改变会影响所述个人数据，而所述个人数据的改变不会影响所述微智商。

5.根据权利要求2和3和/或4所述的方法，其特征在于，所述S3000步骤，具体包括：

S3010步骤，依据所述可调个人数据分量调节所述微智商：

所述微智商和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.1)所确定的函数关系，所述微智商分量和所述可调个人理化数据分量、所述可调个人扩展数据分量之间具有公式(5.2)所确定的函数关系，按照公式(5.1)调节所述微智商，按照公式(5.2)调节所述微智商分量：

MIQ＝f_5.1(APDB，APDE) (5.1)

MIQ_α＝f_5.2(APDB_α，APDE_α) (5.2)

其中，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量，APDB为所述可调个人理化数据分量，APDE为所述可调个人扩展数据分量，f_5.1是以APDB和APDE为自变量的微智商调节函数一，f_5.2是以APDB_α和APDE_α为自变量的微智商分量调节函数一，其中，APDB_α和APDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量；和/或，

S3020步骤，依据所述个人数据关键权重调节所述微智商：

所述微智商和关键个人理化数据集合、关键个人扩展数据集合之间具有公式(5.3)所确定的函数关系，所述微智商分量和与该所述微智商分量有关的所述关键个人理化数据集合、与该所述微智商分量有关的所述关键个人扩展数据集合之间具有公式(5.4)确定的函数关系，按照公式(5.3)调节所述微智商，按照公式(5.4)调节所述微智商分量：

MIQ＝f_5.3(KPDBset，KPDEset) (5.3)

MIQ_α＝f_5.4(KPDBsetα，KPDEsetα) (5.4)

具体包括：

S3021步骤，计算关键理化权重集合：

在全部所述个人理化数据分量中找出所有对所述微智商的影响权重最大的所述个人理化数据分量组成集合元素，建立所述个人理化数据权重集合，以所述可调个人理化数据分量组成集合元素，建立可调个人理化数据集合，按照公式(5.5)计算所述关键理化权重集合，如果结果为非空集合，则记其元素为所述关键个人理化数据；

KPDBset＝PDBBset∩APDBset (5.5)

S3022步骤，计算关键扩展权重集合：

在全部所述个人扩展数据分量中找出所有对所述微智商的影响权重最大的所述个人扩展数据分量组成集合元素，建立扩展权重集合，按照公式(5.6)计算所述关键扩展权重集合，如果结果为非空集合，则记其元素为所述关键个人扩展数据：

KPDEset＝PDBEset∩APDEset (5.6)

S3023步骤，集合关系按照公式(5.7)和公式(5.8)所示：

在所述S3020、所述S3021、所述S3022、所述S3023中：

f_5.3是微智商调节函数二，f_5.4是微智商分量调节函数二，α是所述微智商分量的编号，MIQ是所述微智商，MIQ_α是编号为α的所述微智商分量；

KPDBset为所述关键个人理化数据集合，PDBBset为所述个人理化数据权重集合，APDBset为所述可调个人理化数据集合；

KPDEset为所述关键个人扩展数据集合，PDBEset为所述个人扩展数据权重集合，APDEset为所述可调个人扩展数据集合；

KPDBsetα是与MIQ_α有关的所述关键个人理化数据集合，它是所述KPDBset的子集，KPDEsetα是与MIQ_α有关的所述关键个人扩展数据集合，它是所述KPDEset的子集；和/或，

S3030步骤，监测时间函数：

依据所述数学模型，按照公式(5.9)，建立所述微智商时间函数；

依据所述微智商时间函数，按照公式(5.10)建立所述微智商分量时间函数；

按照公式(5.11)建立微智商时间反函数，计算时间序列值；

按照公式(5.12)建立微智商分量时间反函数，计算时间序列值：

MIQ_t＝f_5.9(KPDB，KPDE，t) (5.9)

MIQ_αt＝f_5.10(KPDB_α，KPDE_α，t) (5.10)

t＝f_5.11(MIQ_t，KPDB，KPDE) (5.11)

t＝f_5.12(MIQ_αt，KPDB_α，KPDE_α) (5.12)

其中，MIQ_t为所述微智商的时间值，MIQ_αt为编号为α的所述微智商分量的时间值，t为所述连续时间序列，KPDB为所述关键个人理化数据，KPDE为所述关键个人扩展数据，其中，KPDB_α和KPDE_α是与所述MIQ_α有关联的一个以上所述可调个人理化数据分量和一个以上所述可调个人扩展数据分量；f_5.9为所述微智商时间函数，f_5.10为所述微智商分量时间函数，f_5.11为所述微智商时间反函数，f_5.12为所述微智商分量时间反函数；和/或，

S3040步骤，监测微智商特定时刻值和微智商分量特定时刻值：

按照公式(5.13)计算在特定时刻，所述微智商特定时刻值，按照公式(5.14)计算在特定时刻，所述微智商分量特定时刻值：

MIQ_T＝f_5.13(KPDB，KPDE，t＝T) (5.13)

MIQ_αT＝f_5.14(KPDB_α，KPDE_α，t＝T) (5.14)

其中，MIQ_T是所述微智商特定时刻值，MIQ_αT是所述微智商分量特定时刻值，T为所述特定时刻，α为所述微智商分量的编号。

6.根据权利要求5所述的方法，其特征在于所述S4000步骤包括：

S4010步骤，模糊优化法：

依据所述数学模型和所述模糊方程、所述模糊偏微分方程，优化所述微智商和所述微智商分量，获取在优化的情况下的所述个人数据的最优值，具体包括：

S4011步骤，建立集合：

包括以全部所述微智商为元素建立微智商集合，记为MIQset；以全部所述微智商分量为元素建立微智商分量集合，记为MIQ_αset；以全部所述个人数据为元素建立个人数据集合，记为PDset；分解所述个人数据集合为个人理化数据集合、个人扩展数据集合、人理化数据分量集合、个人扩展数据分量集合；分别记为PDBset、PDEset、PDB_βset、PDE_γset；所述集合包括模糊集合和非模糊集合；

其中：α为所述微智商分量的编号，β为所述个人理化数据分量的编号，γ为所述个人扩展数据分量的编号；

S4012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述微智商集合和所述微智商分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

MIQset_λ＝{miq|miq正排序号θ≤λ} (6.1)

MIQ_αset_λ＝{miq_δ|miq_α正排序号θ≤λ} (6.2)

PDset_λ＝{pd|pd正排序号θ≤λ} (6.3)

PDBset_λ＝{pdb|pdb正排序号θ≤λ} (6.4)

PDB_βset_λ＝{pdb_β|pdb_β正排序号θ≤λ} (6.5)

PDEset_λ＝{pde|pde正排序号θ≤λ} (6.6)

PDE_γset_λ＝{pde_γ|pde_γ正排序号θ≤λ} (6.7)

MIQset_μ＝{miq|miq反排序号η≤μ} (6.8)

MIQ_αset_μ＝{miq_δ|miq_α反排序号η≤μ} (6.9)

PDset_μ＝{pd|pd反排序号η≤μ} (6.10)

PDBset_μ＝{pdb|pdb反排序号η≤μ} (6.11)

PDB_βset_μ＝{pdb_β|pdb_β反排序号η≤μ} (6.12)

PDEset_μ＝{pde|pde反排序号η≤μ} (6.13)

PDE_γset_μ＝{pde_γ|pde_γ反排序号η≤μ} (6.14)

其中，MIQset_λ、MIQ_αset_λ、PDset_λ、PDBset_λ、PDB_βset_λ、PDEset_λ、PDE_γset_λ为所述有序头截集，MIQset_μ、MIQ_αset_μ、PDset_μ、PDBset_μ、PDB_βset_μ、PDEset_μ、PDE_γset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号；

S4013步骤，训练所述截集：

持续监测记录所述微智商和所述个人数据到所述微智商数据库，依据所述微智商数据库中的数据，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述微智商数据库；

S4014步骤，寻优所述截集：

依据所述数学模型，按照公式(6.1)至公式(6.14)，取λ＝1，计算获取微智商最优值和微智商分量最优值，所对应的所述个人数据同时作为最优值；取μ＝1，计算获取微智商最差值和微智商分量最差值，所对应的所述个人数据同时作为最差值；和/或，

S4020步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括公式(4.5)、公式(4.6)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述微智商和所述微智商分量的方法，获取所述微智商和所述微智商分量的所述最优值和所述最差值，以此获取所述个人数据的最优值；

S4021步骤，依据所述微智商数据库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括T检验和Z检验的方法选出所述微智商和所述微智商分量的所述最优值和所述微智商和所述微智商分量的所述最差值的异常值，消除所述异常值，以此获取所述个人数据的异常值；和/或，

S4030步骤，概率优化法：

在所述微智商数据库中，选取不同时间段采集的所述个人理化数据和所述个人扩展数据，依据所述数学模型执行所述S3000步骤，计算所述微智商和所述微智商分量，计算所述微智商和所述微智商分量为最大值和最小值时对应的所述个人数据，采用包括贝叶斯算法在内的概率计算方法，统计所述微智商和所述微智商分量为最大值和最小值时，所述个人数据中所述可调个人理化数据和所述可调个人扩展数据出现相近值的概率，并对高概率验证做验证；和/或，

标定在所述微智商和所述微智商分量为最大值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为优化可调个人理化数据和优化可调个人扩展数据，标定在所述微智商和所述微智商分量为最小值时的所述个人数据中所述可调个人理化数据和所述可调个人扩展数据为劣化可调个人理化数据和劣化可调个人扩展数据；和/或，

S4040步骤，神经网络优化法：

S4041步骤，依据包括所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤，针对所述微智商数据库中的关系型数据记录，以数据记录作为神经元，以包括所述数学模型、所述S6010步骤、所述S6020步骤、所述S6030步骤的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络；

S4042步骤，依据所述连接函数中，所述优化可调个人理化数据和优化可调个人扩展数据对于所述微智商和所述微智商分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数；

S4043步骤，采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数；和/或，

S4044步骤，采用支持向量机算法，分类筛选所述微智商和所述微智商分量，并且筛选出所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4045步骤，采用卷积神经网络算法，对于所述个人数据之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4046步骤，采用循环神经网络算法，对于所述个人数据之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4047步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述个人数据、所述微智商、所述微智商分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4048步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4049步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述微智商和所述微智商分量，以及所对应的所述优化可调个人理化数据和优化可调个人扩展数据；和/或，

S4050步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合和/或这些方法之内的任意组合的方法，计算所述微智商和所述微智商分量达到最优或者其区间内的指定值时，得到的包括对应的所述优化可调个人理化数据和优化可调个人扩展数据的结果数据，并且使得结果数据能够可逆复现所述微智商和所述微智商分量达到最优或者其区间内的指定值，记录此时的所述优化可调个人理化数据和/或优化可调个人扩展数据与所述微智商和/或所述微智商分量之间的可逆关系；和/或，

S4060步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述微智商和/或所述微智商分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述微智商和/或所述微智商分量到达优化值或者指定值；和/或，

S4070步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定考试时间值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定考试时间的时点，所述微智商和/或所述微智商分量到达优化值或者指定值；和/或，

S4080步骤，优化考试法：

依据所述数学模型和所述可逆关系，采用所述定时复现法和/或延时复现法，进行调节，使得在预定考试时间的时点，所述微智商和/或所述微智商分量到达优化值或者指定值。

7.根据权利要求6所述的方法，其特征在于所述S5000步骤，具体包括：

S5010步骤，获取团队数据：

由一个以上所述个人构成所述团队，执行所述S1000步骤至所述S4000步骤和/或所述S6000步骤，获取产生的所述团队中全部所述个人的全部数据存入到所述微智商数据库；

S5020步骤，计算团队时差：

依据所述团队的考试时间，对所述团队中的每一个所述个人，统一设定所述预定考试时间，计算每一个所述个人所需要的所述延时时间差值；

S5030步骤，团队同步：

针对所述团队中每一个所述个人的所述延时时间差值，采用所述延时复现法进行调整，使得所述团队中的每一所述个人都在所述预定考试时间达到所述微智商和/或所述微智商分量为优化值或者指定值；

S5040步骤，团队优化考试：

驱动所述团队达到所述团队同步，对团队中的每个所述个人执行所述优化考试，使得所述团队的整体考试结果优化，并将考试结果记录到所述微智商数据库；和/或，

S5050步骤，团队均衡考试：

依据所述团队中每一个所述个人的微智商在时间轴上的概率分布和整个所述团队的概率分布，计算所述团队的均衡微智商，再计算所述团队中每一个所述个人的所述延时时间差值，通过对于所述团队中所述个人执行所述延时复现法和定时复现法，以便确保所述团队能够在任何时间参加考试，而不至于使得所述团队在微智商最坏的情况下参加考试；和/或，

S5060步骤，预测比较及优化：

依据所述预测数学模型，计算所述团队中全部所述个人在所述团队优化考试的时刻t_φ的所述微智商，监测此时的所述团队中全部所述个人的所述微智商，比较这两个微智商，寻找差距原因，优化所述预测数学模型，并记录到所述微智商数据库。

8.根据权利要求3所述的方法，其特征在于，包括S7000所述个人理化数据步骤，具体包括：

S7010步骤，将所述传感器划分为有创传感器和无创传感器；

S7020步骤，所述有创传感器包括置入个人皮肤内，监测所述个人理化数据，获取个人血液、组织液、组织的监测数据，包括刺穿个人皮肤获取一次以上所述个人理化数据，和，留置于个人皮肤下、留置于个人血管内、留置于个人组织内以持续获取所述个人理化数据分量，并记为所述个人理化数据分量和监测时间到所述微智商数据库；和/或，

S7030步骤，采用酶电极构成所述有创传感器，置入个人皮下组织，通过酶与所述个人的组织液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据；和/或，

S7040步骤，采用酶电极构成所述有创传感器，置入个人血管中，通过酶与个人血液产生的生化反应，使得所述酶电极传感器发生的电阻、电容、电感的变化，由后续传感器电路解析出个人组织的所述个人理化数据；和/或，

S7050步骤，采用光纤构成所述有创传感器，光纤传感器至少包括A端和B端，其中A端置入个人内部，包括血管和/或皮下组织，B端留在个人外部，由发光器件产生特定波长光线，通过所述B端传到所述A端，由设置在所述A端并离开所述A端有一个缝隙的光线反射装置，将所述光线返回到所述B端，由感光器件感光，此时，由于所述特定波长光线在所述缝隙中经过血液和/或组织液，产生特定吸收变化，据此构成所述光纤有创传感器的传感方法，所述缝隙的宽度介于0.01毫米到100毫米之间；和/或，

S7060步骤，采用基于人体神经网络的生物神经网络的有创传感器置入到个人的包括大脑、脊椎、皮下组织在内的神经网络，监测传感个人的神经网络信号；和/或，

S7070步骤，采用将所述酶电极传感器、所述光纤传感器和神经网络传感器融合于一体的融合传感器，监测所述个人理化数据；和/或，

S7080步骤，采用紧贴在皮肤上的通过电物理效应对于皮下组织产生反应的无创传感器，获取皮下生化信号，所述电物理效应包括电场、磁场、机械震动、物理挤压、微波、离子、化学的渗透；和/或，

S7090步骤，所述无创传感器为不刺入个人皮肤，监测所述个人理化数据，其种类包括血糖值、血氧值、血液成分、尿液成分、汗液成分、体液成分、唾液成分、血型、皮肤成分、肤色、皮肤斑块、皮肤表面分析、体温、身高、体重、性别、血型、心率、心电图值、脑电波、光电容积图值、监测位置、个人运动数据、食物种类、食物数量、季节、天气、监测时间、睡眠时间、心理特征、心情的单一种类及其它们的任意组合，并记为所述个人理化数据分量和监测时间到所述微智商数据库。

9.根据权利要求3所述的方法，其特征在于包括S8000所述个人扩展数据步骤，具体包括：

S8010步骤，所述个人扩展数据包括人工监测法和/或机器监测法，所述人工监测法是由人通过与所述个人面对面交流、面试、笔试，或非面对面监测产生所述个人扩展数据的方法，所述机器监测法包括由机器自主的或人工智能监测系统实施对于所述个人扩展数据的监测的方法；和/或，

S8020步骤，所述个人扩展数据的内容包括：监测表述能力，语言、文字、音乐、肢体、动作，监测感知注意能力、眼睛耳朵鼻子舌头身体意识的感知观察注意力，监测记忆能力，监测想象能力，监测分析判断能力，监测思维逻辑能力，监测应变能力，监测数字能力，监测空间能力，监测归纳能力，监测动作反应与空间能力，监测内省能力，监测人际能力，监测自然探索能力，监测生存智慧能力，监测强化能力，监测泛化能力，监测分化能力，监测消退能力，监测抗条件作用能力；包括所述个人参加的考试成绩、别人的主观评价、客观评价、所述个人自己的主观评价、客观评价作为所述个人扩展数据和所述个人扩展数据分量予以监测，并记录发生的时间序列，记入所述微智商数据库。

10.根据权利要求1-9所述的任一方法，其特征在于包括S9000步骤，具体包括：

S9010步骤，采用云大数据模式建立云中心，以存储、管理和支撑所述微智商数据库和支持本发明的各个步骤，存储位置包括本地和异地，所述微智商数据库存储包括一个以上所述个人的数据；和/或，

S9020步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述微智商数据库和前述的各个步骤，所述用户采用匿名记录，所述微智商数据库中的数据采用带有时间戳的链式结构，用户访问所述微智商数据库采用加解密通信，数据支持防篡改，支持防抵赖、多中心、无中心模式；和/或，

S9030步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述微智商数据库核心数据的前提下，依据各自所述机构的所述微智商数据库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述个人；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强数据的安全性和保护个人隐私；和/或，

S9040步骤，采用集中学习模式建立和训练对于不强调个人隐私保护时的模型训练，所述微智商数据库存储于一个云中心；和/或，

S9050步骤，采用联邦学习模式建立和训练对于需要强调个人隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的数据。

Images