[发明专利]一种智能终端的AI工业应用能力测试方法和系统

权利要求书

1.一种智能终端的AI工业应用能力测试方法，其特征在于，包括以下步骤：

根据不同设备参数下标准智能终端设备执行不同AI工业应用的温度变化值，构建标准智能终端设备的设备参数与温度变化的关系模型；

获取待测智能终端设备的设备参数，基于所述标准智能终端设备的设备参数与温度变化的关系模型，获得所述待测智能终端设备的温度变化预测值；

获取所述待测智能终端设备执行不同AI工业应用的温度变化实际值；根据所述温度变化预测值与所述温度变化实际值，得到所述待测智能终端设备的测试结果；

所述设备参数包括：CPU运行参数、GPU运行参数、内存吞吐率、固定存储吞吐率和执行不同AI工业应用的收敛时间；

根据所述温度变化预测值与所述温度变化实际值，得到所述待测智能终端设备的测试结果，包括：

若所述温度变化预测值与所述温度变化实际值的差值在预先设置的阈值范围内则待测智能终端设备的AI工业应用能力满足要求，否则待测智能终端设备的AI工业应用能力不满足要求。

2.根据权利要求1所述的智能终端的AI工业应用能力测试方法，其特征在于，所述关系模型包括线性回归模型。

3.根据权利要求2所述的智能终端的AI工业应用能力测试方法，其特征在于，所述根据不同设备参数下标准智能终端设备执行不同AI工业应用的温度变化值，获得标准智能终端设备的设备参数与温度变化的关系模型，包括，

对所述设备参数进行归一化处理；

基于归一化处理后的设备参数，采用多元线性回归方法建立标准智能终端设备的设备参数与温度变化的线性回归模型；

采用最小二乘法确定所述线性回归模型的模型参数；

对所述线性回归模型进行残差分析，若存在异常数据，则剔除异常数据重新确定所述线性回归模型的模型参数。

4.根据权利要求3所述的智能终端的AI工业应用能力测试方法，其特征在于，所述采用最小二乘法确定所述线性回归模型的模型参数，包括：

所述回归模型为Y＝BX+U，其中，Y表示运行温度变化值，X为设备参数，n为设备参数的数量，m为统计样本数量，B为回归系数，U为回归常数；

采用最小二乘法，以实际值与模型估计值间的离差平方和最小为目标，计算其中，X_i和Y_i表示第i个样本的观测值，Y_i^*表示第i个样本的回归值。

5.根据权利要求3所述的智能终端的AI工业应用能力测试方法，其特征在于，所述对所述设备参数进行归一化处理，包括，采用以下公式对所述设备参数进行归一化处理：其中，X^*表示归一化后的设备参数，X为原始设备参数，X_mean为设备参数的均值，X_std为设备参数的标准差。

6.一种智能终端的AI工业应用能力测试系统，其特征在于，包括以下模块：

模型构建模块，用于根据不同设备参数下标准智能终端设备执行不同AI工业应用的温度变化值，构建标准智能终端设备的设备参数与温度变化的关系模型；

温度预测模块，用于获取待测智能终端设备的设备参数，基于所述标准智能终端设备的设备参数与温度变化的关系模型，获得所述待测智能终端设备的运行温度变化预测值；

测试结果获取模块，用于获取所述待测智能终端设备执行AI工业应用的温度变化实际值；根据所述温度变化预测值与所述温度变化实际值，得到所述待测智能终端设备的测试结果；

所述设备参数包括：CPU运行参数、GPU运行参数、内存吞吐率、固定存储吞吐率和执行不同AI工业应用的收敛时间；

根据所述温度变化预测值与所述温度变化实际值，得到所述待测智能终端设备的测试结果，包括：

若所述温度变化预测值与所述温度变化实际值的差值在预先设置的阈值范围内则待测智能终端设备的AI工业应用能力满足要求，否则待测智能终端设备的AI工业应用能力不满足要求。

7.根据权利要求6所述的智能终端的AI工业应用能力测试系统，其特征在于，所述关系模型包括线性回归模型。

8.根据权利要求7所述的智能终端的AI工业应用能力测试系统，其特征在于，所述模型构建模块，包括：

归一化模块，用于对所述设备参数进行归一化处理；

线性回归模型构建模块，用于基于归一化处理后的设备参数，采用多元线性回归方法建立标准智能终端设备的设备参数与温度变化的线性回归模型；

模型参数获取模块，用于采用最小二乘法确定所述线性回归模型的模型参数；

模型修正模块，用于对所述线性回归模型进行残差分析，若存在异常数据，则剔除异常数据重新确定所述线性回归模型的模型参数。