CN112817560B - 一种基于表函数的计算任务处理方法、系统及计算机可读存储介质 - Google Patents

Abstract

本发明的基于表函数的计算任务处理方法、系统及计算机可读存储介质，根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，采用分类后的参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据特征分类映射表确定计算子任务的具体类型；根据计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点；根据分类子映射表将所述计算子任务转换为线性计算并输出计算结果，从而创新的将非线性运算转换为线性运算，大大提高了非线性计算的计算速度，为破解非线性计算难题提供超高速、可靠的支持。

Description

一种基于表函数的计算任务处理方法、系统及计算机可读存 储介质

技术领域

本发明涉及信息计算领域，更具体地说，涉及一种基于表函数的计算任务处理方法、系统及计算机可读存储介质。

背景技术

1945年6月，冯·诺依曼提出了在数字计算机内部的存储器中存放程序的概念(Stored Program Concept)，这是所有现代电子计算机的模板，被称为“冯·诺依曼结构”，按这一结构建造的电脑称为存储程序计算机(Stored Program Computer)，又称为通用计算机。通用计算机经过几十年的蓬勃发展,其计算性能的提升受到了摩尔定律的限制，现在用冯诺依曼体系架构构建的通用计算机，其计算性能将出现瓶颈。不能进行无限的扩展和相应性能的持续提升。

在大数据与海量计算任务处理的发展趋势下，信息化应用面临的计算日趋复杂，需要满足实时性、低延迟、高可靠、高流量处理等要求。基于现有的物联网、人工智能等技术的不断涌现，对计算速度的要求越发严苛，现有通用计算机体系已不能满足当前大数据、云计算、自动驾驶、智慧城市、智能医疗、区块链、等超大量信息处理需要与需求。因此，亟需提出一种超高速的全新的计算处理方法和系统以满足日新月异的超大计算量需求，突破现有通用计算机体系的性能瓶颈。同时，现有的通用计算机解决非线性问题的能力和速度难以满足要求，现有通用的许多算法中经常包含着各种非线性运算,如对数运算、开方运算、指数运算、三角函数运算等。比如神经网络算法就存在着大量的指数和对数运算。“对数和指数甚至无处不在”。所以对于将复杂的非线性计算转换为线性计算的基于表函数的计算任务处理系统与方法的研究是迫切需要的。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种用于解决传统计算机无法将非线性计算问题转换为线性问题的难题的基于表函数的计算任务处理方法、系统及计算机可读存储介质。

本发明解决其技术问题所采用的一种技术方案是，构造一种基于表函数的计算任务处理方法，包括：

S1、根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息；

S2、基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型；

S3、根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；

S4、通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点；

S5、根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果。

进一步地，所述步骤S1进一步包括：

S11、发起非线性计算作业请求；

S12、响应于所述非线性计算作业请求发起非线性计算任务；

S13、根据非线性计算任务的类别和计算量，将所述非线性计算任务拆分为多个可对表查询的非线性子计算任务，根据所述非线性子计算任务得到所述特征分类的结果。

进一步地，所述步骤S11进一步包括：

S111、检测用户的登录操作，并对所述用户进行身份认证，

S112、在身份证验证成功之后，允许发起非线性计算作业请求，否则提示认证失败并禁止发起非线性计算作业请求。

进一步地，在所述步骤S2中，所述特征分类映射表的构建包括：根据计算任务的表征类别、编码和分类计算方法，离线生成对应不同输入信息的输出结果，并基于预设的映射模板生成映射关系表，并将所述映射关系表作为所述特征分类映射表。

进一步地，所述映射模板包括一一对应、一对多或多对一的映射模板。

进一步地，采用自适应共振网络模型进行所述第一级搜索和所述第二级检索。

进一步地，所述步骤S4进一步包括：

S41、基于所述分类子映射表将所述非线性子计算任务分解为多个阶段的计算子任务进行求解，

S42、根据所述计算子任务的计算量将所述计算子任务分发到不同的计算子节点进行计算。

进一步地，所述步骤S5进一步包括：

S51、根据所述分类子映射表将所述计算子任务转换为线性计算，获得计算子结果并将所述计算子任务的状态置为计算完成状态；

S52、将所述计算完成状态下获得的所有计算子结果进行统计计算后的结果作为所述非线性计算任务的最终计算结果进行输出。

本发明解决其技术问题所采用的另一种技术方案是，构造一种基于表函数的计算任务处理系统，包括：

计算任务管理模块，用于根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息；

第一表征搜索模块，用于基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型；

第二表征搜索模块，用于根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；

节点管理模块，用于通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点模块；

计算子节点模块，用于根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果。

本发明解决其技术问题所采用的再一种技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于表函数的计算任务处理方法。

实施本发明的基于表函数的计算任务处理方法、系统及计算机可读存储介质，通过映射关系表计算的模式，创新的将非线性运算转换为线性运算，大大提高了非线性计算的计算速度，为破解非线性计算难题提供超高速、可靠的支持。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的基于表函数的计算任务处理方法的优选实施例的流程图；

图2是本发明的基于表函数的计算任务处理系统的第一优选实施例的原理框图；

图3是本发明的基于表函数的计算任务处理系统的第二优选实施例的原理框图；

图4示出了适用于本发明的基于表函数的计算任务处理系统和方法的应用场景；

图5示出了适用于本发明的基于表函数的计算任务处理系统和方法的底层计算和架构。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的基于表函数的计算任务处理方法、系统及计算机可读存储介质，根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，采用分类后的参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型；根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；再通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点；根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果，从而创新的将非线性运算转换为线性运算，大大提高了非线性计算的计算速度，为破解非线性计算难题提供超高速、可靠的支持。

图1是本发明的基于表函数的计算任务处理方法的优选实施例的流程图。如图1所示，在步骤S1中，根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类。所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息。

在本发明的优选实施例中，用户发起非线性计算作业请求，响应于所述非线性计算作业请求发起非线性计算任务；然后根据非线性计算任务的类别和计算量，将所述非线性计算任务拆分为多个可对表查询的非线性子计算任务，根据所述非线性子计算任务得到所述特征分类的结果。

在本发明的进一步的优选实施例中，还可以在用户发起非线性计算作业请求之前对用户进行验证。只有验证通过时，才允许用户发起非线性计算作业请求。例如在检测用户的登录操作后对所述用户进行身份认证，在身份证验证成功之后，允许发起非线性计算作业请求，否则提示认证失败并禁止发起非线性计算作业请求。

在步骤S2中，基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型。

在本发明的优选实施例中，所述特征分类映射表的构建包括根据计算任务的表征类别、编码和分类计算方法，离线生成对应不同输入信息的输出结果，并基于预设的映射模板生成映射关系表，并将所述映射关系表作为所述特征分类映射表。优选的，所述映射模板包括一一对应、一对多或多对一的映射模板。根据需要计算的非线性问题，对照相应的映射关系表，即可直接计算出结果。

在本发明的优选实施例中，在进行第一级检索时，采用自适应共振网络的多级模式搜索算法，采用并行分发的方式，在所述映射关系表的输入空间中进行搜索，采用模式相似度计算方法，判定所述输入信息与所述映射关系表中的输入模式进行匹配度；将满足匹配的所述输入信息对应的输入值作为需要计算的求解问题的输入真值。

在步骤S3中，根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表。在本发明的优选实施例中，同样地，在进行第二级检索时，采用自适应共振网络的多级模式搜索算法，采用并行分发的方式，在所述映射关系表的输入空间中进行搜索，采用模式相似度计算方法，判定所述输入信息与所述映射关系表中的输入模式进行匹配度；将满足匹配的所述输入信息对应的输入值作为需要计算的求解问题的输入真值。

在步骤S4中，通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点。在本发明的优选实施例中，可以基于所述分类子映射表将所述非线性子计算任务分解为多个阶段的计算子任务进行求解，根据所述计算子任务的计算量将所述计算子任务分发到不同的计算子节点进行计算。

在所述步骤S5中，根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果。优选地，根据所述分类子映射表将所述计算子任务转换为线性计算，获得计算子结果并将所述计算子任务的状态置为计算完成状态；将所述计算完成状态下获得的所有计算子结果进行统计计算后的结果作为所述非线性计算任务的最终计算结果进行输出。

在本发明的进一步的优选实施例中，对所述非线性计算任务的开始、计算过程以及得到的任何子结果，最终计算结果等均可以进行可视化的界面展示。该可视化页面展示可以在整个计算完成之后进行，也可以随着计算过程的推进实时展示。

下面通过一个具体的实施例，对本发明的基于表函数的计算任务处理方法进行说明如下。现假设有一计算任务Work_all＝work₁+work₂+work₃+…+work_n,n∈N。所述计算任务work₁、work₂、work₃、…、work_n,n∈N皆为非线性计算，如用通用计算机需要耗费大量的计算资源以及花费许多的时间。将所述计算任务按照前述基于表函数的计算任务处理方法进行处理如下。

首先，用户发起Work_all＝work₁+work₂+work₃+…+work_n,n∈N的非线性计算任务请求。其中，所述Work_all为总的非线性任务集合，work₁+work₂+work₃+…+work_n,n∈N为从1至n个非线性任务的子任务。

在收到所述非线性计算任务Work_all＝work₁+work₂+work₃+…+work_n,n∈N后之后，将该任务拆分为子任务：work₁、work₂、work₃、…、work_n,n∈N。

根据各子任务work₁、work₂、work₃、…、work_n,n∈N的类别通过一级搜索定位到计算任务的具体类型。所述计算任务的具体类别根据学科分类的大类进行搜索，定位到具体的学科分类映射总表；然后在所述一级搜索的学科分类总表中查询子映射关系表。然后通过所述二级搜索将计算任务定位到具体的映射关系子表后，通过所述计算量参数将计算任务分配到不同的计算子节点。

所述计算子节点在进行映射关系表计算后获得子任务work_n,n∈N的计算结果。在此，所述映射关系表计算，是将非线性计算拆分为多个计算采用在映射表中查询的方式将其转换为线性计算，支持快速的非线性计算问题。所述各子任务的映射关系表计算过程采用分布式并行计算方式同步进行，可大大缩短计算时间。

在计算完成之后，汇总的最终计算结果Work_all，用户即可获得非线性计算的结果，非线性计算任务完成。

以上实施例只是从方便理解的角度列举了一个简单的计算实例，将非线性计算转换为线性计算的过程。可以理解的是，复杂的非线性计算也可以转换为相应的线性计算，将复杂计算解耦。并将每个线性计算并行分发到不同的计算子节点，然后汇总后即可产生最后的计算结果。

实施本发明的基于表函数的计算任务处理方法，通过映射关系表计算的模式，创新的将非线性运算转换为线性运算，大大提高了非线性计算的计算速度，为破解非线性计算难题提供超高速、可靠的支持。

图2是本发明的基于表函数的计算任务处理系统的优选实施例的原理框图。如图2所示，所述基于表函数的计算任务处理系统100包括计算任务管理模块110，第一表征搜索模块120，第二表征搜索模块130，节点管理模块140和计算子节点模块150。所述任务管理模块110用于根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息。所述第一表征搜索模块120用于基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型。所述第二表征搜索模块130用于根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表。所述节点管理模块140用于通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点模块150。所述计算子节点模块150用于根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果。

本领域技术人员知悉，所述计算任务管理模块110，第一表征搜索模块120，第二表征搜索模块130，节点管理模块140和计算子节点模块150可以分别根据前述基于表函数的计算任务处理方法的步骤S1-S5构建。在此就不再累述了。

图3是本发明的基于表函数的计算任务处理系统的第二优选实施例的原理框图。如图3所示，所述基于表函数的计算任务处理系统200包括登录模块210、响应模块220、计算任务管理模块230、第一表征搜索模块240，第二表征搜索模块250，映射关系表模块260、节点管理模块270和计算子节点模块280。其中所述登录模块210用于检测用户的登录操作，发起非线性计算作业请求。所述响应模块202，用于响应于所述非线性计算作业请求发起非线性计算任务。如前所述，所述计算任务管理模块230，提供任务的拆分与合并功能，即用于根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息。如前所述，第一表征搜索模块240和第二表征搜索模块250用于将相应的非线性计算问题通过所述自适应共振网络3多级模式搜索算法进行搜索。所述映射关系表模块260用于根据计算任务的表征类别、编码和分类计算方法，离线生成对应不同输入信息的输出结果，并基于预设的映射模板生成映射关系表，并将所述映射关系表作为所述特征分类映射表。优选的，所述映射模板包括一一对应、一对多或多对一的映射模板。根据需要计算的非线性问题，对照相应的映射关系表，即可直接计算出结果。同样地，所述节点管理模块270用于通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点模块280。所述计算子节点模块280用于根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果。所述计算子节点模块280可以包括多个计算子节点。进一步地，所述响应模块220还可以用于对所述非线性计算任务的开始、计算过程以及得到的任何子结果，最终计算结果等均可以进行可视化的界面展示。该可视化页面展示可以在整个计算完成之后进行，也可以随着计算过程的推进实时展示。

本领域技术人员知悉，所述登录模块210、响应模块220、计算任务管理模块230、第一表征搜索模块240，第二表征搜索模块250，映射关系表模块260、节点管理模块270和计算子节点模块280可以分别根据前述基于表函数的计算任务处理方法的对应步骤构建。在此就不再累述了。基于本发明的教导，本领域技术人员能够实现各种对应前述基于表函数的计算任务处理方法的基于表函数的计算任务处理系统，在此就不再累述了。

进一步地，本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是、可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能、a)转换成其它语言、编码或符号；b)以不同的格式再现。

该计算机可读介质包括但不限于U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

图4示出了适用于本发明的基于表函数的计算任务处理系统和方法的应用场景。在该场景中。在步骤S401中，进行认知的分类表征体系构建。基于学科分类表，构建信息分类基本类。依据基本类的划分，以及相应基本类的不同属性按人脑功能的66个分区进行映射，继承脑功能结构的类间连接关系，形成信息分类的属性类及连接关系。采用一定的形式化方法对基本类和属性特征类进行表征，包含运动、色彩、空间拓扑结构、时间序列、语言、热、声、光、点、磁、能等，形成数值、符号、图像、语音、视频等表征结果。覆盖知识图相关信息，以及相关知识体系。

在步骤S402中，进行表征的编码。根据分类表征的属性特征类定义相对应的数据结构，如空间拓扑结构的数据结构，语言的数据结构，声音的数据结构等，形成脑功能分区的对应属性类特征数据结构。对建立的脑功能分区按照属性类特征数据结构进行编码，建立不同编码的数据结构。

在步骤S403中，进行表征的分类计算。针对表征类别和属性特征编码，构建相应的处理算法对该类数据进行计算。如数值类处理算法、符号类处理算法、语音类处理算法、图像类处理算法等。针对不同的表征类别及编码输入信息，调用不同的算法进行计算和处理。

在步骤S404中，进行表征的存储模型构建。根据存算一体，以及快速存取需要，结合分类表征及属性特征数据的特点，构建相应数据存储模型。主要表现为依据不同的数值、符号、图像、语音、视频等类型，以及不同类型的运动、色彩、空间拓扑结构、时间序列、语言、热、声、光、点、磁、能等特征属性数据，采用可扩展存储模型，如一维无限深势阱模型，对不同表征分类的属性特征的数据分别建模。

在步骤S405中，进行存算一体的输入输出函数映射关系表生成。基于统一的映射表模板，形成相应结果的输入输出真值映射关系表。可选的采用一一映射模板，及一个输入对应一个输出的方式，形成映射关系表。或者采用一对多、多对一的方式，根据输入值对应的输出结果值的对应关系，建立映射关系表。所述映射表模板简单的可用二维表实现或多维表实现，具体根据数据类型和映射关系在实际实现时具体设计。

在步骤S406中，进行搜索匹配计算。采用自适应共振网络ART3的多级模式搜索算法，采用并行分发的方式，在映射表的输入空间中进行搜索。采用模式相似度计算方法，判定输入与映射表中的输入模式进行匹配度；根据满足匹配的输入对应的输入值即为需要计算的求解问题的输入值。

图5示出了适用于本发明的基于表函数的计算任务处理系统和方法的底层计算和架构。其借鉴了人工神经网络(AI)模型，仿生记忆推理的脑认知机理，建立存算一体模型，实现基于内容的联想记忆；融合高并行计算特性，集成系列大规模机器学习计算模型，模拟脑神经群的全连接机制，构建全交换类脑计算网络架构，实现无中心的协同计算。支持计算节点的弹性伸缩和分布式集群灵活组装，提供强大的计算能力。

虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

实施本发明的基于表函数的计算任务处理方法、系统及计算机可读存储介质，通过映射关系表计算的模式，创新的将非线性运算转换为线性运算，大大提高了非线性计算的计算速度，为破解非线性计算难题提供超高速、可靠的支持。

因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。

本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。

虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于表函数的计算任务处理方法，其特征在于，包括：

S1、根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息；

S2、基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型；

S3、根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；

S4、通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点；

S5、根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果；

所述步骤S1进一步包括：

S11、发起非线性计算作业请求；

S12、响应于所述非线性计算作业请求发起非线性计算任务；

S13、根据非线性计算任务的类别和计算量，将所述非线性计算任务拆分为多个可对表查询的非线性子计算任务，根据所述非线性子计算任务得到所述特征分类的结果；

所述步骤S4进一步包括：

S41、基于所述分类子映射表将所述非线性子计算任务分解为多个阶段的计算子任务进行求解；

S42、根据所述计算子任务的计算量将所述计算子任务分发到不同的计算子节点进行计算。

2.根据权利要求1所述的基于表函数的计算任务处理方法，其特征在于，所述步骤S11进一步包括：

S111、检测用户的登录操作，并对所述用户进行身份认证，

S112、在身份证验证成功之后，允许发起非线性计算作业请求，否则提示认证失败并禁止发起非线性计算作业请求。

3.根据权利要求1所述的基于表函数的计算任务处理方法，其特征在于，在所述步骤S2中，所述特征分类映射表的构建包括：根据计算任务的表征类别、编码和分类计算方法，离线生成对应不同输入信息的输出结果，并基于预设的映射模板生成映射关系表，并将所述映射关系表作为所述特征分类映射表。

4.根据权利要求3所述的基于表函数的计算任务处理方法，其特征在于，所述映射模板包括一一对应、一对多或多对一的映射模板。

5.根据权利要求1所述的基于表函数的计算任务处理方法，其特征在于，采用自适应共振网络模型进行所述第一级搜索和所述第二级搜索。

6.根据权利要求1-5中任意一项所述的基于表函数的计算任务处理方法，其特征在于，所述步骤S5进一步包括：

S51、根据所述分类子映射表将所述计算子任务转换为线性计算，获得计算子结果并将所述计算子任务的状态置为计算完成状态；

S52、将所述计算完成状态下获得的所有计算子结果进行统计计算后的结果作为所述非线性计算任务的最终计算结果进行输出。

7.一种基于表函数的计算任务处理系统，其特征在于，包括：

计算任务管理模块，用于根据非线性计算任务的类别和计算量，对所述非线性计算任务进行特征分类，所述特征分类的结果包括所述非线性计算任务进行分类后所得到的多个不同类别的计算子任务的参数信息；

第一表征搜索模块，用于基于所述参数信息中的计算子任务的类别进行第一级搜索定位到构建的特征分类映射表，并根据所述特征分类映射表确定所述计算子任务的具体类型；

第二表征搜索模块，用于根据所述计算子任务的具体类型进行第二级搜索定位到所述特征分类映射表中的分类子映射表；

节点管理模块，用于通过所述分类子映射表和所述参数信息中的计算量将所述计算子任务分配到对应的计算子节点模块；

计算子节点模块，用于根据所述分类子映射表将所述计算子任务转换为线性计算并输出计算结果；

所述计算任务管理模块进一步用于发起非线性计算作业请求；响应于所述非线性计算作业请求发起非线性计算任务；根据非线性计算任务的类别和计算量，将所述非线性计算任务拆分为多个可对表查询的非线性子计算任务，根据所述非线性子计算任务得到所述特征分类的结果；

所述节点管理模块进一步用于基于所述分类子映射表将所述非线性子计算任务分解为多个阶段的计算子任务进行求解；根据所述计算子任务的计算量将所述计算子任务分发到不同的计算子节点进行计算。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-6中任意一项权利要求所述的基于表函数的计算任务处理方法。

Images