针对语音信号的MFCC特征提取，边缘计算提出了一种全新的处理流程：首先在模拟域进行相关运算，然后用滤波器提取各频段的信号，再用滤波器进行模数转换。与传统方法相比，该算法的功耗降低了97.2%，运算速度提高了6.4倍。
因为大量的研究表明，神经网络、边缘计算等应用算法具有很强的容错性，因此，近似计算自然也被引入相关研究。首先，研究者们设计了许多近似算子，比如近似乘法器，近似加法器等，以实现低功耗的可容错计算。引入对数运算，实现高能效率近似乘法，取得了很好的效果。另外，很多工作都集中在近似的存储设计上，比如降低位数，减少静态随机存取存储器供电电压等等。
因为近似计算精度与算法、数据分布密切相关，所以一个高效的应用层仿真平台也受到关注。边缘计算针对网络近似处理，如近似算子、比特位宽截断等问题，建立了一个高效、快速可配置的仿真平台，并提出了再训练的方法以弥补精度的损失。另外，虽然计算机被看作是广义的近似计算，但是它的数学严密性非常完备，因而受到研究者的青睐。
常规感知系统各模块分立设计，忽略了系统整体优化的潜力；对于某些应用，例如以事件驱动的应用，需要处理大量无用负荷，增加设计难度和使用成本。边缘计算智能算法将机器学习等智能算法应用于网络边缘端，放松了某些指标的要求，降低了设计难度和成本。连续感知的特点降低了维护成本，使传感器更有可能部署智能应用程序，降低了在边缘和云之间进行通信的云端处理负载。
与此同时，该边缘计算技术也带来了新的设计挑战：功耗优化、难以定制设计、设计边界探索、安全问题等。基于此，目前研究者正致力于从传感器优化与集成处理模块设计、电路定制化与新器件的使用、结构创新与探索、算法精度与硬件优化、软件与硬件的结合设计等方面，寻找合适的解决方案，满足各种应用和场景的不断感知需求。
