[发明专利]后台应用程序管控方法、装置、存储介质及电子设备

权利要求书

1.一种后台应用程序管控方法，应用于电子设备，其特征在于，所述方法包括步骤：

获取预设后台应用程序的第一样本集，获取所述电子设备的第二样本集，其中所述第一样本集和第二样本集中的样本分别包括所述预设后台应用程序和所述电子设备的多个特征信息；

将所述第一样本集和所述第二样本集分别构建成二维的第一样本图和第二样本图，所述第一样本图和所述第二样 本图采用n*n像素点的图，每个像素点对应一个样本，其中n>2；

获取参考模型，并将所述第一样本图和所述第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数，所述参考模型包括两个子参考模型，两个所述子参考模型为不同类型的卷积神经网络模型，将所述第一样本图和第二样本图作为训练数据分别输入两个所述子参考模型进行学习，最终得到所述优化参数；

获取所述预设后台应用程序和所述电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据所述参考模型、所述优化参数、所述第一特征图以及所述第二特征图，生成预测结果，并根据所述预测结果对所述预设后台应用程序进行管控。

2.根据权利要求1所述的后台应用程序管控方法，其特征在于，所述参考模型还包括分类器；

所述将所述第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数的步骤，包括：

将两个所述子参考模型的输出值合成输入所述分类器，并得到对应多个所述预测结果的概率；

根据多个所述预测结果和与其对应的多个所述概率得到损失值；

根据所述损失值进行训练，得到所述优化参数。

3.根据权利要求2所述的后台应用程序管控方法，其特征在于，所述根据所述损失值进行训练的步骤，包括：

根据所述损失值利用随机梯度下降法进行训练。

4.根据权利要求2所述的后台应用程序管控方法，其特征在于，所述将两个所述子参考模型的输出值合成输入所述分类器的步骤，包括：

将两个所述子参考模型的输出值按不同权重合成输入所述分类器。

5.根据权利要求2所述的后台应用程序管控方法，其特征在于，所述将两个所述子参考模型的输出值合成输入所述分类器，并得到对应多个所述预测结果的概率的步骤，包括：

基于第一预设公式将两个所述子参考模型的输出值合成输入所述分类器，并得到对应多个所述预测结果的概率，其中所述第一预设公式为：

其中，Z_K为两个所述子参考模型的输出值的合成值，C为预测结果的类别数，Z_j为第j个合成值。

6.根据权利要求2所述的后台应用程序管控方法，其特征在于，所述根据多个所述预测结果和与其对应的多个所述概率得到损失值的步骤，包括：

基于第二预设公式根据多个所述预测结果和与其对应的多个所述概率得到损失值，其中所述第二预设公式为：

其中C为预测结果的类别数，y_k为真实值。

7.根据权利要求2或3所述的后台应用程序管控方法，其特征在于，所述根据所述损失值进行训练的步骤，包括：

获取多个所述损失值，根据多个所述损失值的平均值进行训练。

8.根据权利要求7所述的后台应用程序管控方法，其特征在于，所述根据多个所述预测结果和与其对应的多个所述概率得到损失值的步骤，包括：

基于第三预设公式根据多个所述预测结果和与其对应的多个所述概率得到损失值，其中所述第三预设公式为：

其中C为预测结果的类别数，y_k为真实值，E为平均值。