一種基於改進神經網絡的嵌入式軟體能耗測試方法
2023-05-18 19:17:41
一種基於改進神經網絡的嵌入式軟體能耗測試方法
【專利摘要】本發明涉及一種基於改進神經網絡的嵌入式軟體能耗測試方法，屬於嵌入式【技術領域】。本發明首先分析引入的嵌入式軟體，得到節點關係圖；接著根據節點關係圖，分析每個節點的聚類關係、出度、入度，根據每個節點的聚類關係得到聚類關係平均值；然後將輸入節點的聚類關係、出度、入度值，每個輸入節點的聚類關係得到的聚類關係平均值代入改進的神經網絡模型；再根據每個輸出節點的輸出值與設定的每個輸出節點的訓練目標值，計算每個節點輸出值的誤差；最後在Linux系統中，將優化後的節點個數對應的嵌入式軟體，採用功耗仿真器進行能耗測試，得到優化後的能耗值。本發明改善了代碼復用率，實現了能耗優化。
【專利說明】一種基於改進神經網絡的嵌入式軟體能耗測試方法
【技術領域】
[0001] 本發明涉及一種基於改進神經網絡的嵌入式軟體能耗測試方法，屬於嵌入式技術 領域。
【背景技術】
[0002] 嵌入式軟體能耗是當前嵌入式領域研究的熱點問題之一，為了優化軟體能耗，已 經出現了很多測試和優化的方法。通常基於指令層分析或者算法和軟體體系結構層中進行 能耗分析。
[0003] 然而通過神經網絡訓練進行的能耗測試，人們只是用傳統的神經網絡模型訓練軟 件中的特徵量，但這些特徵量不能很準確的分析軟體能耗，只是從某一方面進行了嵌入式 軟體能耗的分析與研究。一種改進神經網絡的嵌入式軟體能耗測試方法，分析嵌入式軟體 程序中的節點關係圖，通過改進神經網絡模型，優化節點的聚類關係、出入度，改善代碼的 復用率，實現嵌入式軟體能耗優化。
【發明內容】
[0004] 本發明提供了一種基於改進神經網絡的嵌入式軟體能耗測試方法及其安裝方法， 通過分析嵌入式軟體程序中的節點關係圖，得出各個節點的聚類關係、聚類關係平均值、出 度、入度值，改進神經網絡模型且在MATLAB中進行數據訓練，優化節點的聚類關係、聚類關 系平均值、出入度，改善代碼復用率，實現能耗優化。
[0005] 本發明的技術方案是：一種基於改進神經網絡的嵌入式軟體能耗測試方法，首先 分析引入的嵌入式軟體，得到節點關係圖；接著根據節點關係圖，分析每個節點的聚類關 系、出度、入度，根據每個節點的聚類關係得到聚類關係平均值；然後將輸入節點的聚類關 系、出度、入度值，每個輸入節點的聚類關係得到的聚類關係平均值代入改進的神經網絡模 型；再根據每個輸出節點的輸出值與設定的每個輸出節點的訓練目標值，計算每個節點輸 出值的誤差；最後在Linux系統中，將優化後的節點個數對應的嵌入式軟體，採用功耗仿真 器進行能耗測試，得到優化後的能耗值。
[0006] 所述方法的具體步驟如下：
[0007] St印1、分析引入的嵌入式軟體，得到節點關係圖：
[0008] 首先確定嵌入式軟體系統中涉及的各個模塊，將系統模塊分解成每個簡單的子系 統模塊；然後分析每個模塊函數體之間的變量關係，將每個模塊作為一個節點，通過模塊之 間的變量關係連接每個節點，最後得到節點關係圖；
[0009] Step2、根據節點關係圖，分析每個節點的聚類關係、出度、入度，根據每個節點的 聚類關係得到聚類關係平均值：
[0010] 聚類關係Ci = ZEiZX(Ni-I);其中，Ei為Ni個節點之間實際存在的邊數,N i為與節 點i相連的邊數；
[0011] 出度X_i為從節點i流出的邊的數目，入度Xi為流入節點i的邊的數目；
【權利要求】
1. 一種基於改進神經網絡的嵌入式軟體能耗測試方法，其特徵在於：首先分析引入的 嵌入式軟體，得到節點關係圖；接著根據節點關係圖，分析每個節點的聚類關係、出度、入 度，根據每個節點的聚類關係得到聚類關係平均值；然後將輸入節點的聚類關係、出度、入 度值，每個輸入節點的聚類關係得到的聚類關係平均值代入改進的神經網絡模型；再根據 每個輸出節點的輸出值與設定的每個輸出節點的訓練目標值，計算每個節點輸出值的誤 差；最後在Linux系統中，將優化後的節點個數對應的嵌入式軟體，採用功耗仿真器進行能 耗測試，得到優化後的能耗值。
2. 根據權利要求1所述的基於改進神經網絡的嵌入式軟體能耗測試方法，其特徵在 於：所述方法的具體步驟如下： Stepl、分析引入的嵌入式軟體，得到節點關係圖： 首先確定嵌入式軟體系統中涉及的各個模塊，將系統模塊分解成每個簡單的子系統模 塊；然後分析每個模塊函數體之間的變量關係，將每個模塊作為一個節點，通過模塊之間的 變量關係連接每個節點，最後得到節點關係圖； Step2、根據節點關係圖，分析每個節點的聚類關係、出度、入度，根據每個節點的聚類 關係得到聚類關係平均值： 聚類關係Q=ZEi/N^Ni-l);其中，Ei為隊個節點之間實際存在的邊數，隊為與節點i相連的邊數； 出度L為從節點i流出的邊的數目，入度Xi為流入節點i的邊的數目； 聚類關係平均值
?，其中，L為節點總數； Step3、將輸入節點的聚類關係、出度、入度值，每個輸入節點的聚類關係得到的聚類關 系平均值代入改進的神經網絡模型： 將輸入節點的聚類關係、出度、入度值代入改進的神經網絡模型隱節點的輸出模型
，i= 1，…L;將每個輸入節點的聚類關係得到的聚 類關係平均值代入改進的神經網絡模型輸出節點的輸出模型Yi=f(TXOiXC-q)，i= 1，…L;其中f為訓練函數，w、T為連接權向量，s為隱節點的個數，q為隱節點或者輸出節點的 輸出模型的神經單元閥值，〇i為第i個隱節點輸出值，t為第i個輸出節點輸出值；其中隱 藏節點的個數與輸入節點的個數相等，輸出節點的個數與隱藏節點的個數相等； Step4、根據每個輸出節點的輸出值與設定的每個輸出節點的訓練目標值，計算每個節 點輸出值的誤差： 若存在輸出節點的輸出值誤差小於輸出節點的最小誤差Es，則對該輸出節點進行優 化，得到優化後的節點個數，接著根據優化後的節點個數直接改善優化代碼，再得到節點關 系圖，接著重複執行步驟Step2_步驟Step4 ; 當每個輸出節點的輸出值誤差都大於輸出節點的最小誤差Es，則執行步驟Step5 ; 其中
Step5、在Linux系統中，將優化後的節點個數對應的嵌入式軟體，採用功耗仿真器進 行能耗測試，得到優化後的能耗值。
【文檔編號】G06F11/36GK104407972SQ201410669007
【公開日】2015年3月11日 申請日期:2014年11月21日 優先權日:2014年11月21日
【發明者】張晶, 陳沫良, 嚴涵, 沈江炎, 潘有順, 薛冷, 王彬 申請人:昆明理工大學