动态电源管理预测算法研究

摘要

动态电源管理是物探仪器低功耗控制中的重要技术。高效的动态电源管理预测算法是动态电源管理的核心技术，直接影响物探仪器的续航能力，是物探设备的正常运行和数据采集的重要保障。
　　 基于以上原因，本文提出了一种动态电源管理的预测式算法:自反馈内嵌式马尔可夫算法。算法基于分布式系统和多任务系统的特点，对多任务系统运行状态进行归类，再利用马尔可夫算法，构建出抽象数据模型和实例数据模型，以此求出转换概率矩阵，并由初始状态对未来运行状态进行预测。同时增加了自反馈机制，对比未改进的马尔可夫算法，预测精度和算法稳定性都得到有效的提高。此外，影响系统功耗的因素有很多，由此提出了一种基于自反馈内嵌式马尔可夫算法和神经网络算法的双重预测机制，同时对空闲状态和运行状态进行预测，提高了预测精度，因而可进一步降低系统功耗。
　　 文章先分析了嵌入式移动设备功耗控制情况和现有动态电源管理算法，结合多任务系统和分布式系统功耗控制中所面临的问题，提出了一种预测式动态电源管理算法。随着动态神经网络算法的提出，文中对静态神经网络中的BP神经网络算法和RBF神经网络算法与动态神经网络算法进行了预测精度的对比仿真测试。并探讨了自反馈内嵌式马尔可夫算法与神经网络算法的各种耦合方法，构建出了权值调配法和双重预测机制模型，整体预测精度有所提高。最后针对所做工作进行了总结，并提出进一步的改进和建议。

目录

声明

摘要

第一章 绪论

1．1 课题的来源和研究背景

1．2 预测策略动态电源管理法国内外研究现状

1．2．1 动态电源管理简介

1．2．2 预测策略动态电源管理简介

1．2．3 预测算法的特点及其局限性

1．3 论文的主要工作和创新点

1．3．1 论文的主要工作

1．3．2 论文主要创新点

1．3．3 课题实验环境

1．4 论文结构

第二章 动态电源管理

2．1 超时策略

2．2 随机策略

2．3 预测策略动态电源管理

2．4 本章小结

第三章 预测策略中的预测算法

3．1 学习树算法

3．2 指数平均算法

3．3 马尔可夫算法

3．3．1 马尔可夫算法的基本理论

3．3．2 马尔可夫算法的实现过程

3．3．3 马尔可夫算法的代码实现

3．4 人工神经网络算法

3．5 本章小结

第四章 自反馈内嵌式马尔可夫算法的设计

4．1 内嵌式马尔可夫模型的设计

4．2 自反馈机制的设置

4．2．1 反馈机制

4．2．2 自反馈模型

4．3 程序流程和代码设计

4．3．1 程序流程

4．3．2 代码实现

4．4 本章小结

第五章 神经网络时间序列预测

5．1 静态神经网络

5．1．1 BP神经网络算法

5．1．2 RBF(径向基因)神经网络算法

5．2 动态神经网络

5．2．1 动态神经网络的原理特点

5．2．2 动态神经网络的构建和实现

5．3 提高神经网络泛化能力的优化方法

5．4 本章小结

第六章 仿真对比实例

6．1 仿真数据和仿真平台

6．2 预测精度仿真测试

6．3 神经网络与自反馈内嵌式马尔可夫算法耦合方法仿真实验

6．3．1．误差纠正法

6．3．2．权值调配法

6．3．3．双重预测模型法的建立

6．4 功耗仿真测试对比

6．4．1 试验环境

6．4．2 仿真结果

6．5 本章小结

第七章 结论与建议

7．1 全文总结

7．2 建议和展望

参考文献

致谢

硕士生期间的研究成果和参加科研情况