[发明专利]一种基于改进神经网络的嵌入式软件能耗测试方法

权利要求书

1.一种基于改进神经网络的嵌入式软件能耗测试方法，其特征在于：首先分析引入的嵌入式软件，得到节点关系图；接着根据节点关系图，分析每个节点的聚类关系、出度、入度，根据每个节点的聚类关系得到聚类关系平均值；然后将输入节点的聚类关系、出度、入度值，每个输入节点的聚类关系得到的聚类关系平均值代入改进的神经网络模型；再根据每个输出节点的输出值与设定的每个输出节点的训练目标值，计算每个节点输出值的误差；最后在Linux系统中，将优化后的节点个数对应的嵌入式软件，采用功耗仿真器进行能耗测试，得到优化后的能耗值；其中每个节点表示节点关系图中所有的节点；输入节点的个数、输出节点的个数与神经网络模型中隐藏节点的个数相等；

所述方法的具体步骤如下：

Step1、分析引入的嵌入式软件，得到节点关系图：

首先确定嵌入式软件系统中涉及的各个模块，将系统模块分解成每个简单的子系统模块；然后分析每个模块函数体之间的变量关系，将每个模块作为一个节点，通过模块之间的变量关系连接每个节点，最后得到节点关系图；

Step2、根据节点关系图，分析每个节点的聚类关系、出度、入度，根据每个节点的聚类关系得到聚类关系平均值：

聚类关系C_i＝2E_i/N_i(N_i-1)；其中，E_i为N_i个节点之间实际存在的边数，N_i为与节点i相连的边数；

出度x_-i为从节点i流出的边的数目，入度x_i为流入节点i的边的数目；

聚类关系平均值其中，L为节点总数；

Step3、将输入节点的聚类关系、出度、入度值，每个输入节点的聚类关系得到的聚类关系平均值代入改进的神经网络模型：

将输入节点的聚类关系、出度、入度值代入改进的神经网络模型隐节点的输出模型i＝1,…L；将每个输入节点的聚类关系得到的聚类关系平均值代入改进的神经网络模型输出节点的输出模型Y_i＝f(T×O_i×C-q)，i＝1,…L；其中f为训练函数，w、T为连接权向量，s为隐节点的个数，q为隐节点或者输出节点的输出模型的神经单元阀值，O_i为第i个隐节点输出值，Y_i为第i个输出节点输出值；其中隐藏节点的个数与输入节点的个数相等，输出节点的个数与隐藏节点的个数相等；

Step4、根据每个输出节点的输出值与设定的每个输出节点的训练目标值，计算每个节点输出值的误差：

若存在输出节点的输出值误差小于输出节点的最小误差E^s，则对该输出节点进行优化，得到优化后的节点个数，接着根据优化后的节点个数直接改善优化代码，再得到节点关系图，接着重复执行步骤Step2-步骤Step4；

当每个输出节点的输出值误差都大于输出节点的最小误差E^s，则执行步骤Step5；

其中，

Step5、在Linux系统中，将优化后的节点个数对应的嵌入式软件，采用功耗仿真器进行能耗测试，得到优化后的能耗值。