使至少两个被乘数相乘的计算单元、方法和计算机程序

摘要

本发明涉及一种用于使至少两个被乘数相乘的计算单元和方法。这些被乘数以指数表示存在，也就是给这些被乘数分别分配有指数和底数。计算单元设立为执行被乘数的乘法，并且包括至少一个位移单元、算术单元和存储器，其中位移单元将二进制数尤其是向左移位了可预先给定的数目的数位，所述算术单元执行两个输入变量的加法和两个输入变量的减法。此外，本发明涉及一种计算机程序和一种机器可读的存储元件，该计算机程序设立为执行方法（10），在所述机器可读的存储元件上存储有该计算机程序。

说明书

技术领域

本发明涉及一种用于借助逐位移位来使至少两个被乘数相乘的计算单元。同样，本发明涉及一种用于借助逐位移位来使至少两个被乘数相乘的方法；涉及一种计算机程序，所述计算机程序设立为执行该方法；并且涉及一种机器可读的存储元件，在所述机器可读的存储元件上寄存有所述计算机程序。

背景技术

DE 10 2013 220 432 A1公开了一种用于集成控制组件的模型计算单元，所述集成控制组件通过纯粹基于硬件的实施而配备有至少一个内部循环和外部循环中的指数函数、求和函数和乘法函数，以便计算基于数据的函数模型、尤其是高斯过程模型。

发明内容

在第一方面，本发明涉及一种根据独立权利要求1所述的计算单元。该计算单元设立为，执行至少两个被乘数的乘法。被乘数分别具有第一指数和第一底数。被乘数（尤其是第一底数）分别具有第二底数、第二指数和第三指数。

计算单元尤其包括下列特征：

至少一个位移单元，该至少一个位移单元将二进制数（尤其是向左）移位了可预先给定的数目的数位。此外，计算单元包括算术单元以及存储器，该算术单元执行两个输入变量的加法和两个输入变量的减法。该存储器可以是寄存器或者查找表。

算术单元和位移单元相互连接来使得，算术单元首先执行第三指数的减法。

计算单元的算术单元和位移单元此外还相互连接，使得位移单元执行将被乘数的第一指数中的一个第一指数的二进制数第一次移位了数目为被减去的指数的值的数位，使得算术单元执行将第一次移位的结果与被乘数的其他第一指数相加。

根据第三指数中的较小指数的值，加法的结果被划分成整数部分（英语为integerpart）和小数位部分（英语为fractional part）。

划分成整数部分（英语为integer part）和小数位部分（英语为fractional part）可以借助将加法的结果移位了数目为第三指数中的较小指数的值的数位来进行，因为在该移位时，加法的结果的小数点被移位，所述小数点确定划分成相应的部分。

那么，从存储器中读出小数位部分的二进制数。

小数位部分的二进制数优选地是小数位部分的被乘方的二进制数，尤其是所确定的小数位部分对于底数2的幂的二进制数。

紧接着，位移单元执行将小数位部分的二进制数第二次移位了数目为整数部分的值的数位。

小数位部分可以被用作用于从存储器中读取的地址。

小数位部分被理解为一个数的如下部分：所述部分跟随在十进制小数点或者二进制小数点或者小数点之后。整数部分因此是该数的如下部分：所述部分相对应地在十进制小数点之前。替选地，整数部分也可以被理解为该数的如下部分的整数：所述部分相对应地在十进制小数点之前。

该计算单元具有如下优点：借助被乘数的指数的二进制数的移位来执行乘法，并且用硬件可以特别资源高效和能量高效地执行二进制数的移位。此外，可以在较小的芯片面积上实施该计算单元，因为可以省去复杂的硬件实施的乘法机构（Multiplikationswerk）（例如浮点乘法器或者定点乘法器）。此外，该计算单元是更节能的，因为用于在执行乘法时将二进制数移位的所需的运算与复杂的乘法机构相比消耗更少的能量。因此，计算单元特别节约地用为了执行乘法所需的资源、如能量、计算时间和芯片面积。

此外，在本发明的第一方面，可以分别逐位地执行移位。

此外，在本发明的第一方面可以设置，借助（尤其是与第三指数中的较大第三指数相对应的那个指数的）在右侧填充有与第三指数的减法的值有关的多个“0”，位移单元执行第一次移位。合乎目的地，多个“0”分别表示二进制值“0”。该措施在下文被称作位调整（Bit-Adjustment）。

在这种情况下，优点是，在第一指数的不同分辨率（也就是不同的定点表示）的情况下，这些第一指数的二进制表示可以彼此相协调，使得例如可以直接执行二进制数的随后的相加。

此外，可以设置，存储器具有至少2

在这种情况下，优点是，通过存储器存取来确定被乘方的小数位部分的二进制数，由此不必用硬件来执行指数计算，所述指数计算是非常耗费计算的。

此外可以设置，计算单元包括累加单元，该累加单元将分别至少两个被乘数的多个乘法的结果累加。

优点是，以此例如可以特别节省资源地执行矩阵向量乘法或者卷积，所述矩阵向量乘法或者卷积尤其在机器学习系统运行时出现，并且对于所述矩阵向量乘法或者卷积的确定，执行加法所跟随的乘法。那么，相应的乘法的结果不必单个被缓存，并且紧接着被合计，而是可以直接累加。

可以设置有换算单元、尤其是优先编码器，该优先编码器将乘法的结果转换成指数表示。在指数表示中，借助第一指数和第一底数来表示一个数。第一底数可以具有预先给定的值。也可设想的是，在指数表示中，该数又具有第二底数、第二指数和第三指数。

转换成指数表示是有利的，因为该结果以合适的格式存在，以便能够将该结果又作为被乘数提供给计算单元。

在第二方面，介绍了一种用于在计算单元上使至少两个被乘数相乘的方法。所述被乘数分别具有第一指数和第一底数。所述被乘数（尤其是第一底数）分别具有第二底数、第二指数和第三指数。

该方法尤其包括下列步骤：

首先，提供被乘数的第一指数，并且提供第三指数。所提供的指数中的每个指数都是经过量化的，尤其是二进制数。

于是，第三指数彼此相减。此后，执行将被乘数的第一指数中的一个第一指数的二进制数第一次移位了数目为被减去的指数的值的数位。紧接着，第一次移位的结果与被乘数的其他第一指数相加。根据第三指数中的较小指数的值，该加法的结果被划分成整数部分（英语为integer part）和小数位部分（英语为fractional part）。

该划分也可以通过将加法的结果移位了数目与第三指数中的较小指数的值有关的数位来进行。

此后，执行将小数位部分的二进制数第二次移位了数目为整数部分的值的数位。

优选地，借助计算单元的处理器或者算术单元（英语为

本发明的第二方面的优点是，借助该方法，可以资源节约型地在计算单元上执行乘法。

此外建议了，分别逐位地执行移位。

在第二方面可以设置，从存储器（尤其是寄存器或者查找表）中读出小数位部分的二进制数。小数位部分为此可以被用作存储器的用于读出小数位部分的二进制数的地址。

此外可以设置，第二次移位的结果被分解成指数和可预先给定的底数，尤其是被转换成指数表示。

借助按照本发明的第二方面的方法，这允许针对再次相乘简单地再使用该结果。其他优点是，借助指数表示，该结果要求较少的存储位置，因为指数比像这样的结果更强烈地被量化。由此，也可以实现在执行所述方法时所需的存储位置的减小。有利的是，第二底数和第二指数分别具有值2，因为二次幂允许从被乘数的所给出的指数和底数来简单地重建。除此以外，二次幂具有高的硬件亲和性，由此可以特别简单地用硬件（尤其是借助逐位移位）来映射该方法。

此外建议了，借助最大10位来表示所提供的指数。这导致极大的存储器减少，并且也导致所需的存储带宽的极大减小。

对此有利的是，可以实现显著的存储位置减小。那么，在乘法的结果中没有显著的精度损失的情况下，依据分别借助每个指数仅10位，可以存储通常利用至少32位存储的被乘数。这导致用于存储各个被乘数的存储开销极大减小。

在本发明的其他方面中，介绍了一种用于运行机器学习系统的方法。机器学习系统的多个参数和中间变量分别借助指数表示而寄存在（尤其是其他的）存储器中，所述参数和中间变量通常在机器学习系统运行期间被用作被乘数。按照本发明的第二方面的方法，执行被乘数的乘法。

在机器学习系统中，参数和中间变量可以相互相乘。中间变量被理解为机器学习系统的所确定的中间结果。根据机器学习系统的多个参数，并且根据输入变量和/或先前确定的中间结果，可以确定中间结果。可以借助机器学习系统来进一步处理中间结果，常常直至（根据该中间结果）机器学习系统已确定了输出变量。

由于在机器学习系统中基本计算运算是乘法并且所述乘法在机器学习系统中非常频繁地被执行，所以借助按照本发明的第二方面的方法，可以实现计算单元的计算性能效率和计算速度的显著提升，由此机器学习系统也更有效率。

可以设置，被乘数的多个结果被累加，尤其是借助累加器来累加。那么，除了乘法之外，在机器学习系统运行时常常执行加法，由此借助结果的累加可以特别计算高效地和时间高效地在计算单元上执行加法并且因此执行机器学习系统的计算。由此，附加地可以提升机器学习系统的性能。

在其他方面，可以设置，在训练机器学习系统时，确定中间变量和参数的指数表示的至少底数。

优点是，已经在训练时确定被乘数的合适的底数，由此机器学习系统在训练期间可以在确定机器学习系统的参数时考虑指数表示。

机器学习系统的训练被理解为，依据所提供的训练数据，机器学习系统学习：解决可预先给定的任务，例如对如所检测到的图像之类的输入变量进行分类或者分割。

替选地可以设置，在训练机器学习系统之后，确定针对机器学习系统的中间变量和参数的指数表示的至少底数。

优点是，不必利用经过转换的参数来执行再次训练，因为第一底数的值可以任意选择。对于机器学习系统已证实为特别有利的是，至少机器学习系统的参数的第一底数具有小于2的值（einen Wert kleiner 2），由此不必执行再次训练。

此外可以设置，根据所传播的量化误差来确定底数。所传播的量化误差表征两个被乘数的乘法的具有经过量化的指数的结果与这两个被乘数的乘法的如下结果的差：所述结果优选地具有实数指数或具有经过高分辨率量化的指数、例如经过32位量化的指数。

如果一个数以指数表示存在并且指数是经过量化的，则在下文谈到的是经过量化的指数表示。所传播的量化误差的优点是，仅需不曾配备有标签和属性的输入训练数据。

替选地，所传播的量化误差可以表征具有和不具有间接（直接）随后的乘法的量化的结果的差。直接随后的乘法的被乘数在这种情况下是被乘数的乘法的以经过量化的指数表示的结果，其中确定被乘数中的一个被乘数的以指数表示的至少第一底数。

间接随后的乘法的被乘数在这种情况下与被乘数的乘法的以经过量化的指数表示的结果有关，其中确定被乘数中的一个被乘数的以指数表示的第一底数。

尤其是，同样利用经过量化的指数或者实数指数来执行间接（直接）随后的乘法。

如果机器学习系统包括深度神经网络，那么所传播的量化误差可以表征深度神经网络的直接/间接随后的层的中间变量的差。中间变量在这种情况下与至少如下被乘数有关：所述被乘数的第一底数被确定。

此外可以设置，根据指数表示的所确定的底数来确定指数，并且所确定的指数被量化，尤其是被转换成二进制数。在量化指数或将指数转换成二进制数时，那么当表征量化误差的变量小于可预先给定的变量时，在借助10位为指数的初始分辨率的情况下开始，逐步地将分辨率分别减小了一位。应注意的是，初始分辨率可以任意地在至少5位到多于30位之间进行选择。针对机器学习系统而言已证实为有利的是，以10位开始，因为在这种情况下实现顺利地找到最优分辨率，而无需已经在开始获得不精确的指数。

在本发明的其他方面建议了，机器学习系统的输入变量是借助传感器已检测到的变量。根据机器学习系统的输出变量，可以确定控制变量。

控制变量可以被用于控制技术系统的执行器。该技术系统例如可以是至少部分自主的机器、至少部分自主的车辆、机器人、工具、工厂机器或者如无人机之类的飞行物。例如，可以控制机器人或者车辆的运动，或者依据控制变量对执行器进行控制。

替选地，输入变量可以例如根据所检测到的传感器数据来确定，并且被提供给机器学习系统。由技术系统的传感器（譬如摄像机）可以检测到传感器数据，或者可以从外部接收传感器数据。

在本发明的其他方面中，建议了一种计算机程序。计算机程序设立为，执行先前所提到的方法之一。该计算机程序包括如下指示：当计算机程序在计算机上运行时，所述指示促使计算机执行所提到的方法之一，所提到的方法具有所有它的步骤。此外，建议了一种机器可读的存储模块，在所述机器可读的存储模块上存储有该计算机程序。

在本发明的其他方面中，建议了一种产品，该产品通过执行第二方面的方法之一是可得到的，所述第二方面包括至少训练机器学习系统。

附图说明

上面所提到的方面的实施例在附上的附图中示出，并且在随后的描述中更详细地予以阐述。在此：

图1示出了用于借助逐位移位来确定两个被乘数的乘法的方法的示意图；

图2示出了用于确定机器学习系统的被乘数的底数的方法的示意图；

图3示出了用于运行机器学习系统的方法的示意图；

图4示出了用于借助逐位移位来确定两个被乘数的乘法的计算单元的实施形式的示意图；

图5示出了如下设备的实施形式的示意图：所述设备可以被用于训练机器学习系统。

图6示出了部分自主的车辆的实施形式的示意图，该部分自主的车辆包括机器学习系统。

具体实施方式

图1示出了用于使两个被乘数相乘的方法（10）的示意图。该方法尤其使用如下数学特性：如果另一被乘数b可以借助指数表示来表示（此处可以表示为二次幂

那么，通过将被乘数a的二进制数向左逐位移位了

运算符

针对被乘数a同样可以利用二次幂a=

应注意的是，将被乘数a和b换算成指数表示导致，为了存储所述值仅须存储指数

针对具有条件

其具有指数

此外，在随后，底数B如下地被选择，使得所述底数满足等式：

其中z源于整数集合（z

针对底数B的所给出的经过量化的指数

针对z＜0的情况，进行向右逐位移位，并且以指数形成二进制数，该二进制数具有z个小数位。

此外，等式（5）可以被简化：

应注意的是，数

优选地，等式（6）仅用硬件来执行。那么，可设想的是，在查找表（LUT，Look-UpTable）中寄存有值

由此，通过将从LUT读出的数向左逐位移位了表达式

按照图1的方法（10）以步骤11开始。在步骤11中，以指数表示来提供被乘数

以指数表示，乘法可以如下地被确定：

如果现在要

由于在该实例中适用

如果

等式（8）可以如下地被简化：

在步骤11已结束之后，跟随的是步骤12。在这一点上，如在等式（9）的第二行中所示出的那样，执行指数的减法

紧接着，在步骤12中执行将指数

在随后的步骤13中，（尤其是向右）通过第二次移位将加法的结果移位了数目为

在步骤13之后，跟随的是步骤14。在这一点上，来自步骤13的所确定的结果

针对

这意味着，在步骤14中，Fractional部分的值被移位了数目为整数部分的值的数位。

优选地，在LUT中寄存有表达式

应注意的是，该方法也可以利用多于两个的被乘数（a，b，c，...）来执行。为此，LUT包含

应注意的是，该方法（10）也可以利用至少一个负的被乘数来执行。如果所述被乘数中的一个被乘数或者两个被乘数具有负符号，则在其他实施形式中，在忽略被乘数的符号的情况下，可以执行该方法（10）直至步骤14且包括步骤14在内。在步骤14已结束之后，于是在该实施形式中执行步骤15。在步骤15中，乘法

由此，该方法（10）结束。可设想的是，用硬件或者软件，或者用软件和硬件构成的混合形式，实施该方法。

图2示出了用于确定机器学习系统的被乘数的指数表示的底数

该方法（20）以步骤21开始。在这一点上，提供了经过训练的机器学习系统。也就是，曾已经在训练时确定了对机器学习系统的参数化。依据所提供的训练数据，可以借助优化方法（尤其是梯度下降方法）来训练机器学习系统。替选地，在步骤21中可以训练机器学习系统。

在随后的步骤22中，选择参数，并且附加地或者替选地选择机器学习系统的中间结果，所述参数和中间结果被转换成指数表示。对于这些参数和/或中间结果，那么建立等式（参见随后的等式（13）和（14）），这些等式被优化。那么，优化的结果得出如下那些底数：所述底数适合于用指数表示来合适地表示这些参数和/或中间结果。

如果机器学习系统示例性地包括神经网络，则所述参数（尤其是中间结果）可以逐层地被转换成指数表示。优选地，相应的层的参数和/或中间结果分别借助同样的底数来表示。优选地，在确定所述底数时，考虑如下辅助条件：所述底数具有小于2的值。

附加地，可以量化机器学习系统的参数和中间结果的以指数表示的指数。

对于层

在等式（11）中所示出的关系也适用于机器学习系统的参数的表示，尤其是适用于与另外的值（如中间结果）相乘的那些参数。

根据量化误差

替选地，可以使用所传播的量化误差，以便确定底数

所传播的量化误差

在这种情况下，机器学习系统（尤其是神经网络）的层

在已建立等式（13）、（14）之后，这些等式于是在步骤22中被求解，以便确定相应的底数。

借助对底数的不同值的组合测试，替选地借助梯度下降方法，可以使等式（13）和（14）最小化。

在结束步骤22之后，可以执行步骤23。在步骤23中，所确定的底数被分配给相应的参数和/或中间结果。

在随后的步骤24中，这些参数和/或中间结果可以根据所分配的底数被转换成指数表示。

优选地，紧接着执行步骤25。在这一点上，优化指数

可选地，在步骤26中，用指数表示的参数和/或中间结果被寄存在存储器中。为此，保存底数和指数。替选地，可以寄存同样用指数表示的底数。优选地，在这些底数的指数表示中，使用底数2。

应注意的是，也在训练机器学习系统期间，可以执行确定针对中间结果和参数的底数的步骤。这可以借助所谓的影子权重（Shadow-weight）来执行。对此参见P. Gysel等人的“Hardware-oriented Approximation of Convolutional Neural Networks”（2016年，arxiv.org，[在线]https://arxiv.org/pdf/1604.03168.pdf）中的第3页的段落“fine-tuning”。

该方法（20）以步骤26结束。

图3示出了用于运行机器学习系统的方法（30）的示意图，合乎目的地在计算机器（如例如计算机）上运行机器学习系统。

该方法（30）以步骤31开始。在该步骤中，训练机器学习系统。可选地，可以多次连续地执行步骤31。

在训练了机器学习系统之后，执行步骤32。在这一点上，机器学习系统的多个参数和/或中间结果被转换成指数表示。为此，可以首先例如按照图2中的方法（20）来确定底数。根据所确定的底数，接着确定指数。

在步骤32已结束之后，跟随的是步骤33。在步骤33中，机器学习系统根据它的参数和所提供的输入变量来确定中间结果。按照图1中的方法（10），确定借助至少两个被乘数的乘法所确定的那些中间结果。乘法例如可以通过矩阵乘法或者卷积运算发生。附加地，可以累加借助方法（10）已执行的各个乘法（尤其是矩阵乘法或者卷积运算）的结果。

可选地，对于机器学习系统的每层可以寄存有指数的减法

在随后的步骤34中，根据机器学习系统的输出变量，可以确定针对技术系统的执行器的控制变量。

图4示出了计算单元的示意图，该计算单元设立为，借助逐位移位来执行乘法。

第一数据线路和第二数据线路（401，402）可以分别与计算单元的寄存器（403，404）连接。在寄存器（403，404）中，加载被乘数（c，d）。该实施形式的被乘数是经过量化的指数、优选地二进制指数。

第一被乘数经历向左逐位移位，以此根据减法

紧接着，在第一逻辑单元（406）中，执行对等式（9）中的指数

逻辑单元（406）的结果紧接着被分解成整数部分（407）和小数位部分（408）。优选地根据最小指数

在其他实施例中，尤其是当最小指数

小数位部分（408）紧接着被用作LUT（409）的地址。LUT的针对所给出的地址所寄存的值紧接着被转发给第二逻辑单元（410）。

除了LUT的值之外，第二逻辑单元（410）附加地获得第一逻辑单元（406）的结果的整数部分（407）。第二逻辑单元（410）执行将LUT的值逐位移位了数目为整数部分（407）的值的数位。有利地，逻辑单元（410）为此包括其他位移单元，或者替选地使用逻辑单元（406）的位移单元。

由于来自第二逻辑单元（410）的结果不是以指数表示被输出，所以为此可以设立转换单元（410）来将它的输入变量转换成经过量化的指数表示。转换单元（411）的输出可以与第三数据线路（412）连接。第三数据线路（412）的位宽可以与经过量化的指数的位宽适配，由此提高了有效的带宽。转换单元（411）优选地是优先编码器（英语为PriorityEncoder）。

可选地，在计算单元的第二逻辑单元（410）与转换单元（411）之间，可以中间连接有累加单元。累加单元设立为，在多次连续地执行乘法时，在累加单元中将乘法的结果累加。那么，累加单元的结果可以被使用，以便确定激活、尤其神经元的激活。应注意的是，所确定的激活也可以是卷积运算的结果。也就是，除了矩阵乘法之外，借助累加单元，计算单元也可以确定卷积，如其例如在卷积神经网络（英语：Convolutional Neural Networks）中出现的那样。

在其他实施例中，计算装置可以被用于辅助机器学习系统的运行。所述计算单元此处可以与计算机器连接，在该计算机器上例如运行机器学习系统。那么，在机器学习系统在计算机器上运行时必须执行的乘法可以被转移到计算单元上。

图5示出了用于训练机器学习系统的设备（50）的示意图，该设备（50）尤其是用于执行用于训练机器学习系统的步骤、例如方法（30）的步骤31。该设备（50）包括训练模块（51）和要训练的模块（52）。要训练的模块（52）包含机器学习系统。根据机器学习系统的输出变量并且优选地利用可预先给定的训练数据，用于训练机器学习系统的设备（50）训练该机器学习系统。合乎目的地，训练数据包括多个检测到的图像，所述图像分别带标签。在训练期间，适配机器学习系统的参数，所述参数寄存在存储器（53）中。

图6示出了至少部分自主的车辆（60）的示意图。在其他实施例中，至少部分自主的车辆（60）可以是服务机器人、装配机器人或者固定式生产机器人，替选地是自主的飞行物、如无人机。至少部分自主的车辆（60）可以包括检测单元（61）。检测单元（61）例如可以是摄像机，所述摄像机检测车辆（60）的周围环境。检测单元（61）可以与机器学习系统（62）连接。根据所提供的输入变量并且根据机器学习系统（62）的多个参数，所述机器学习系统（62）确定输出变量，所述输入变量例如由检测单元（61）来提供。输出变量可以被转发给执行器控制单元（63）。根据机器学习系统（62）的输出变量，执行器控制单元（63）控制执行器，优选地控制执行器来使得车辆（60）执行无碰撞的机动动作（Manoever）。执行器在该实施例中可以是车辆（60）的发动机或者制动系统。

此外，车辆（60）包括计算机器（64）和机器可读的存储元件（65）。在存储元件（65）上，可以存储有计算机程序，所述计算机程序包括如下指令：所述指令在计算机器（64）上执行这些指令时导致，计算机器（64）执行上面所提到的方法（10，20，30）之一。也可设想的是，下载产品或者人工生成的信号在车辆（60）的接收器处接收之后促使计算机器（64）执行所述方法之一，所述下载产品和人工生成的信号可以分别包括该计算机程序。

在替选的实施例中，机器学习系统（62）可以针对建筑物控制被采用。用户行为借助传感器来检测，例如借助摄像机或者运动检测器（Bewegungsmelder）来检测，并且根据机器学习系统（62）的输出变量，执行器控制单元例如操控采暖系统的热泵。机器学习系统（62）那么可以设立为，根据检测到的传感器变量来确定，基于用户行为期望建筑物控制的哪种运行模式。

在其他实施例中，执行器控制单元（63）包括使能系统（Freigabesystem）。根据机器学习系统（62）的输出变量，使能系统判定，对象（例如检测到的机器人或者检测到的人员）是否进入区域。优选地，借助执行器控制单元（63）来操控执行器（示例性地门打开机制）。建筑物控制的先前的实施例的执行器控制单元（63）可以附加地包括该使能系统。

在替选的实施例中，车辆（60）可以是工具或者工厂机器（Werkmaschine）或者制造机器人。工件的材料可以借助机器学习系统（62）来分类。执行器在这种情况下例如是马达，该马达运行磨头。

在其他实施形式中，机器学习系统（62）被使用在测量系统中，该测量系统并未在图中示出。测量系统与按照图1的车辆（60）区别如下：测量系统不包括执行器控制单元（63）。不是将机器学习系统（62）的输出变量转发给执行器控制单元（63），该测量系统可以例如针对以后的再使用而保存所述输出变量，或者附加地或者替选地，例如借助视觉或者听觉表示来表示所述输出变量。

也可设想的是，在测量系统的扩展方案中，检测单元（61）检测人体或者动物体或者其部分的图像。例如，这可以借助光学信号、借助超声信号或者借助MRT/CT方法来进行。该测量系统在该扩展方案中可以包括机器学习系统（62），这样训练所述机器学习系统（62）来根据输入变量输出分类：例如基于这些输入变量可能存在哪种临床表现（Krankheitsbild）。