CN107729143B - 应用控制方法、装置、存储介质及电子设备 - Google Patents
应用控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107729143B CN107729143B CN201710923023.3A CN201710923023A CN107729143B CN 107729143 B CN107729143 B CN 107729143B CN 201710923023 A CN201710923023 A CN 201710923023A CN 107729143 B CN107729143 B CN 107729143B
- Authority
- CN
- China
- Prior art keywords
- samples
- application
- image
- pair
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5022—Mechanisms to release resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
Abstract
本申请公开了一种应用控制方法、装置、存储介质以及电子设备,该应用控制方法应用于电子设备,包括:获取历史时段内每一采样时间点该电子设备的运行信息;根据该运行信息生成对应的特征图像;根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签;根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;基于该预设服务器返回的训练后模型对该电子设备中的后台应用进行控制,从而能根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单。
Description
技术领域
本申请属于通信技术领域,尤其涉及一种应用控制方法、装置、存储介质及电子设备。
背景技术
随着科技的发展,智能手机、平板电脑(PAD)等移动终端已经成为用户生活中不可或缺的设备。
目前,终端安装的应用程序越来越多,用户在使用完毕终端中的应用程序时,通常会执行如切换至新的应用程序、返回主界面、或者锁屏的操作,此时使用完毕的应用程序被切换至后台,这些在后台的应用程序会继续运行,例如,与服务器交换数据,监听用户动作等;在运行过程中,会持续占用系统资源,例如,占用系统内存、消耗数据流量、消耗终端电量等。为避免使用完毕的应用程序继续占用系统资源,通常需要对后台的应用程序进行清理,比如根据应用程序消耗的内存数量来选择消耗内存较多的应用程序进行清理,或者根据终端出厂时设置的应用程序优先级,清理低优先级的应用程序,等等,但是,这些清理方法都比较死板,无法灵活地判定哪些应用程序可以清理,难以有效提升系统资源。
发明内容
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备,能灵活清理后台应用程序,有效提升系统资源。
本申请实施例提供了一种应用控制方法,应用于电子设备,包括:
获取历史时段内每一采样时间点所述电子设备的运行信息;
根据所述运行信息生成对应的特征图像;
根据所述采样时间点和特征图像确定多对样本、以及每对样本的分类标签;
根据所述多对样本和分类标签生成训练指令,并将所述训练指令发送至预设服务器,所述训练指令用于指示所述预设服务器利用所述多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;
基于所述预设服务器返回的训练后模型对所述电子设备中的应用进行控制。
本申请实施例还提供了一种应用控制方法,应用于服务器,包括:
构建两个架构相同的神经网络,作为预设的孪生神经网络模型;
接收电子设备发送的训练指令,所述训练指令携带多对样本、以及每对样本的分类标签,所述多对样本和分类标签是所述电子设备根据历史时段内每一采样时间点的运行信息生成的;
利用所述多对样本和分类标签训练所述孪生神经网络模型,得到训练后模型;
向所述电子设备发送所述训练后模型。
本申请实施例还提供了一种应用控制装置,应用于电子设备,包括:
获取模块,用于获取历史时段内每一采样时间点所述电子设备的运行信息;
第一生成模块,用于根据所述运行信息生成对应的特征图像;
确定模块,用于根据所述采样时间点和特征图像确定多对样本、以及每对样本的分类标签;
第二生成模块,用于根据所述多对样本和分类标签生成训练指令,并将所述训练指令发送至预设服务器,所述训练指令用于指示所述预设服务器利用所述多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;
控制模块,用于基于所述预设服务器返回的训练后模型对所述电子设备中的应用进行控制。
进一步地,所述运行信息包括多个运行参数,所述第一生成模块具体包括:
第一确定子模块,用于确定每一运行参数对应的参数项和标记值;
第一生成子模块,用于根据所述参数项和标记值生成所述运行参数的二维坐标;
第二生成子模块,用于根据所述二维坐标生成特征图像。
进一步地,所述第二子模块具体用于:
构建二维的图像坐标系;
确定所述二维坐标在所述图像坐标系中的位置,作为像素点位置;
根据所述像素点位置生成第一预设尺寸的二维图像,作为特征图像。
进一步地,所述第二子模块具体用于:
将所述运行参数进行分组,得到多个运行参数组;
根据每一运行参数组中运行参数对应的二维坐标生成第二预设尺寸的二维图像,作为子图像;
将所述子图像进行拼接,得到特征图像。
进一步地,所述确定模块具体包括:
排序子模块,用于按照所述采样时间点的先后顺序对所述特征图像进行排序;
获取子模块,用于依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本;
第二确定子模块,用于确定根据每对样本的运行参数确定分类标签。
进一步地,所述运行参数包括前台运行应用和后台运行应用,所述第二确定子模块具体用于:
在每对样本中,将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标;
判断所述第一坐标和第二坐标的纵坐标值是否相同;
若相同,则确定分类标签为第一类别;
若不同,则确定分类标签为第二类别。
进一步地,所述控制模块具体用于:
获取后台清理指令;
根据所述后台清理指令获取当前后台应用、以及所述电子设备当前时刻的运行信息和上一时刻的运行信息;
根据所述当前时刻的运行信息和上一时刻的运行信息生成当前后台应用的预测图像对;
将所述预测图像对输入所述训练后模型中进行计算,得到预测值;
根据所述预测值对当前后台应用进行清理。
进一步地,所述控制模块具体用于:
根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像;
将所述第一图像和第二图像作为当前后台应用的预测图像对。
本申请实施例还提供了一种应用控制装置,应用于服务器,包括:
构建模块,用于构建两个架构相同的神经网络,作为预设的孪生神经网络模型;
接收模块,用于接收电子设备发送的训练指令,所述训练指令携带多对样本、以及每对样本的分类标签,所述多对样本和分类标签是所述电子设备根据历史时段内每一采样时间点的运行信息生成的;
训练模块,用于利用所述多对样本和分类标签训练所述孪生神经网络模型,得到训练后模型;
发送模块,用于向所述电子设备发送所述训练后模型。
进一步地,所述训练模块具体包括:
计算子模块,用于将每对样本输入所述孪生神经网络模型中计算对应的实际输出值;
处理子模块,用于利用第一预设公式对所述实际输出值进行处理,得到处理后数值,所述第一预设公式为:其中,y'k为第k对样本的处理后数值,ZK为第k对样本的实际输出值,Zj为第j对样本的实际输出值,C为分类标签的总数,j∈(1,C),k∈(1,n),n为样本的总对数;
分组子模块,用于对所述处理后数值进行分组,得到多个处理后数值组;
训练子模块,用于根据所述多个处理后数值组和分类标签对所述孪生神经网络模型进行训练,得到训练后模型。
进一步地,所述训练子模块用于:
利用第二预设公式确定每个处理后数值组的损失函数,所述第二预设公式为:其中,i∈(1,S),S为所述处理后数值组中处理后数值的总数,yi为第i对样本的分类标签,y'i为第i对样本的处理后数值,J为损失函数;
根据所述损失函数,利用批量梯度下降法对所述孪生神经网络模型进行训练,得到训练后模型。
本申请实施例还提供了一种存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行上述任一项应用控制方法。
本申请实施例还提供了一种电子设备,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于上述任一项所述的应用控制方法中的步骤。
本申请提供的应用控制方法、装置、存储介质以及电子设备,应用于电子设备和服务器,通过获取历史时段内每一采样时间点该电子设备的运行信息,并根据该运行信息生成对应的特征图像,接着,根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签,之后,根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型,最后,基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制,从而能根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单,灵活性高,节约了系统资源,用户体验感好。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的应用控制方法的流程示意图。
图2为本申请实施例提供的特征图像中坐标系创建的示意图。
图3为本申请实施例提供的特征图像中坐标系创建的另一示意图。
图4为本申请实施例提供的应用控制方法的另一流程示意图。
图5为本申请实施例提供的应用控制方法的另一流程示意图。
图6为本申请实施例提供的根据历史数据训练模型的框架示意图。
图7为本申请实施例提供的步骤303的流程示意图。
图8为本申请实施例提供的步骤303的另一流程示意图。
图9为本申请实施例提供的孪生神经网络模型的结构示意图。
图10为本申请实施例提供的应用控制装置的结构示意图。
图11为本申请实施例提供的第一生成模块的结构示意图。
图12为本申请实施例提供的确定模块的结构示意图。
图13为本申请实施例提供的应用控制装置的另一结构示意图。
图14为本申请实施例提供的训练模块的结构示意图。
图15为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备。
一种应用控制方法,应用于电子设备,包括:获取历史时段内每一采样时间点该电子设备的运行信息;根据该运行信息生成对应的特征图像;根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签;根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;基于该预设服务器返回的训练后模型对该电子设备中的后台应用进行控制。
如图1所示,该应用控制方法应用于电子设备,其具体流程可以如下:
101、获取历史时段内每一采样时间点该电子设备的运行信息。
本实施例中,该历史时段可以人为设定,比如可以是前一个月或前两个月。该采样时间点主要根据采样频率而定,比如可以每分钟或者每两分钟采样一次,其可以表现为x年x月x日x时x分的形式。该运行信息可以包括应用信息、屏幕亮灭信息、电量信息、网络信息、时间信息、位置信息等等,通常,该运行信息都是以参数(也即字符串)的形式进行记录,比如时间信息可以为2017.09.11、应用名可以为com.tencent.mobileqq,等等。
102、根据该运行信息生成对应的特征图像。
例如,该运行信息可以包括多个运行参数,此时,上述步骤102具体可以包括:
1-1、确定每一运行参数对应的参数项和标记值。
本实施例中,该运行参数可以按类型进行划分,比如应用使用类参数、时间类参数、位置类参数以及设备属性类参数等,每一类型可以包括多个参数项,比如属于位置类的参数项可以包括GPS、基站名以及WiFi名等,属于应用使用类的参数项可以包括所使用应用的应用名、后台停留时间、类型、当前使用时间等,属于时间类的参数项可以包括时间段、日期类型(比如节假日或工作日)等,属于设备属性类的参数项可以包括屏幕运行状态(比如亮灭屏)、电量、充电状态、网络状态等。
通常,该参数项和标记值可以是人为设定的数值,该数值通常表现为整数的形式,比如正整数或负整数,每一参数项可以对应多个标记值,比如应用名可以包括1(qq),2(美团),3(淘宝)等,不同的参数项或标记值对应的数值可以相同,也可以不同。
1-2、根据该参数项和标记值生成该运行参数的二维坐标。
本实施例中,可以将参数项作为横轴坐标x,将标记值作为纵轴坐标y生成对应的二维坐标(x,y),当然,也可以将参数项作为纵轴坐标y,将标记值作为横轴坐标x生成对应的二维坐标(x,y),具体可以根据实际需求而定。
需要说明的是,实际使用过程中,这些参数项和标记值应该是提前设置好的,且在设置过程中,为便于生成图像,不同类型的参数项及其标记值可以位于不同的区域,具体的,请参见图2,当区域划分好后,可以根据各自所对应的区域进行参数项和标记值的设置,比如,当将参数项作为横轴坐标时,可以使属于位置类、以及属于时间类的参数项位于X1~X2,使其标记值分别位于Y2~Y3、Y1~Y2,使属于应用使用类、以及设备属性类的参数项位于X2~X3,使其标记值分别位于Y2~Y3、Y1~Y2,其中,X1、X2、X3以及Y1、Y2、Y3均为正数,不难发现,参数项与参数项(或者标记值与标记值)之间的数值可以相同,也可以不同。
1-3、根据该二维坐标生成特征图像。
本实施例中,可以将二维坐标看做像素点坐标生成特征图像,不足位置补零处理。该特征图像可以是由几个图像块拼接而成的,也即存在多个坐标系,也可以是一整幅图像,也即共用一个坐标系。
例如,当为共用一个坐标系时,上述步骤1-3具体可以包括:
构建二维的图像坐标系;
确定该二维坐标在该图像坐标系中的位置,作为像素点位置;
根据该像素点位置生成第一预设尺寸的二维图像,作为特征图像。
本实施例中,该图像坐标系的位置可以位于图像的四个顶角,比如图2,也可以位于中间,当然,还可以是其他设置方式,具体可以根据实际需求而定。该第一预设尺寸主要根据参数数量而定,比如可以为12×12个像素点,每个区域的大小可以相同,比如均为6×6个像素点,也可以不同。
例如,当存在多个坐标系时,上述步骤1-3具体可以包括:
将该运行参数进行分组,得到多个运行参数组;
根据每一运行参数组中运行参数对应的二维坐标生成第二预设尺寸的二维图像,作为子图像;
将该子图像进行拼接,得到特征图像。
本实施例中,每一运行参数组中的运行参数可以是同一参数类型。该第二预设尺寸可以人为设定,比如6×6个像素点,在生成子图像的时候,请参见图3,每个子图像都有独立的坐标系,根据该坐标系可以确定每一运行参数对应的像素点位置,然后在该像素点位置处生成像素点。
103、根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签。
例如,上述步骤103具体可以包括:
2-1、按照该采样时间点的先后顺序对该特征图像进行排序。
2-2、依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本。
本实施例中,每一采样时间点采集的运行参数可以对应生成一幅特征图像,在对这些图像进行排序的过程中,可以按照从近到远或从远到近的顺序进行排序,比如离当前时间越近的特征图像可以排位越靠后,离当前时间越远的特征图像可以排位越靠前,之后,可以从队尾或者队头开始,依次不重复的选取两个特征图像作为样本对,以确保每个样本对为相邻采样时间点采集的。
2-3、根据每对样本的运行参数确定分类标签。
本实施例中,该分类标签可以包括指示正样本和负样本的两种标签,通常,对于任意一对样本,若存在前一样本中的后台运行应用与后一样本中的前台运行应用或后台运行应用相同(也即当前时间的后台运行应用在下一时间未关闭,还在继续使用),则可以认为该样本对为正样本对,否则为负样本对。
例如,该运行参数可以包括前台运行应用和后台运行应用,此时,上述步骤2-3具体可以包括:
在每对样本中,将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标;
判断该第一坐标和第二坐标的纵坐标值是否相同;
若相同,则确定分类标签为第一类别;
若不同,则确定分类标签为第二类别。
本实施例中,该第一类别和第二类别均可以是数值,比如0、1,第一类别可以指示该样本对为正样本,第二类别可以指示该样本对为负样本。需要说明的是,之所以将纵坐标值作为判断依据,是基于以标记值作为纵轴坐标,以参数项作为横轴坐标生成二维坐标而言的,而若以标记值作为横轴坐标,以参数项作为纵坐标值,此时应该将横坐标值作为判断依据。
104、根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型。
本实施例中,该预设服务器可以是电子设备厂商指定的服务器,主要用于训练模型。该孪生神经网络模型是以两个相同架构的神经网络生成的模型,该相同架构是指具有相同的网络层数,并且每一层网络具有相同参数。
105、基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制。
例如,上述步骤105具体可以包括:
3-1、获取后台清理指令。
本实施例中,该后台清理指令可以是电子设备自动生成的,比如内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,生成该后台清理指令,当然,该后台清理指令也可以是用户手动操作生成的,比如用户可以通过点击指定清理图标来生成该后台清理指令。
3-2、根据该后台清理指令获取当前后台应用、以及该电子设备当前时刻的运行信息和上一时刻的运行信息。
3-3、根据该当前时刻的运行信息和上一时刻的运行信息生成当前后台应用的预测图像对。
例如,上述步骤3-3具体可以包括:
根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像;
将该第一图像和第二图像作为当前后台应用的预测图像对。
本实施例中,由于训练过程中输入的样本是图像对,故实际预测的时候,也需要利用图像对来预测,具体的,当需要判断某个后台应用当前时刻是否需要清理时,通常默认上一时刻该后台应用已经在后台运行了,也即上一时刻的图像中一定存在该后台应用,此时,可以假设该后台应用当前时刻还在运行,根据这种假设生成对应的图像,将该图像与上一时刻的图像作为预测图像对。
3-4、将该预测图像对输入该训练后模型中进行计算,得到预测值。
本实施例中,该预测值主要是相似值,也即当前时刻和上一时刻用户对后台应用进行相同操作的概率。
3-5、根据该预测值对当前后台应用进行清理。
例如,上述步骤3-5具体可以包括:
判断该预测值是否小于预设阈值;
若是,则关闭当前后台应用。
本实施例中,该预设阈值主要用于界定相似度高低,其可以是0.6,当预测值小于0.6时,说明根据以往的使用习惯,用户在当前时刻对后台应用的操作不同于上一时刻(上一时刻默认该后台应用处于运行状态),可以进行清理,当预测值大于或等于0.6时,说明用户在当前时刻对后台应用的操作和上一时刻相同,无需进行清理。
由上述可知,本实施例提供的应用控制方法,应用于电子设备,通过获取历史时段内每一采样时间点该电子设备的运行信息,并根据该运行信息生成对应的特征图像,接着,根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签,之后,根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型,最后,基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制,从而能根据以往应用的使用情况较好地选出需要清理的后台应用,减少内存占用,方法简单,灵活性高,节约了系统资源,用户体验感好。
与此同时,本申请实施例还提供一种应用控制方法,应用于服务器,包括:构建两个架构相同的神经网络,作为预设的孪生神经网络模型;接收电子设备发送的训练指令,该训练指令携带多对样本、以及每对样本的分类标签;利用该多对样本和分类标签训练该孪生神经网络模型,得到训练后模型;向该电子设备发送该训练后模型。
如图4所示,该应用控制方法应用于服务器,其具体流程可以如下:
201、构建两个架构相同的神经网络,作为预设的孪生神经网络模型。
本实施例中,该相同架构是指具有相同的网络层数,并且每一层网络具有相同参数和权重。
202、接收电子设备发送的训练指令,该训练指令携带多对样本、以及每对样本的分类标签,该多对样本和分类标签是该电子设备根据历史时段内每一采样时间点的运行信息生成的。
本实施例中,该分类标签可以包括指示正样本和负样本的两种标签,每一种标签都可以通过数值表示,比如正样本可以为1,负样本可以为0。
203、利用该多对样本和分类标签训练该孪生神经网络模型,得到训练后模型。
例如,上述步骤203具体可以包括:
将每对样本输入该孪生神经网络模型中计算对应的实际输出值;
利用第一预设公式对该实际输出值进行处理,得到处理后数值,该第一预设公式为:其中,y'k为第k对样本的处理后数值,ZK为第k对样本的实际输出值,Zj为第j对样本的实际输出值,C为分类标签的总数,j∈(1,C),k∈(1,n),n为样本的总对数;
对该处理后数值进行分组,得到多个处理后数值组;
根据该多个处理后数值组和分类标签对该孪生神经网络模型进行训练,得到训练后模型。
本实施例中,该孪生神经网络模型主要用于衡量两个可比较事物之间的相似性,这里是指衡量用户在不同时刻对同一应用进行相同操作的概率。该训练过程实际是该孪生神经网络模型的参数和权重的调整过程,具体的,可以根据多对样本计算出的实际输出值(也即网络计算出的相似度)和真实输出值(也即人为标记的分类标签)之间的误差来调整该孪生神经网络模型的参数和权重,实现对孪生神经网络模型的训练。
该调整主要是基于迭代的思想来实现的,对于大批量样本,通常可以采用批量梯度下降法,每批的数量可以人为设定,比如128,也即每次计算的误差是128个样本的实际输出值和真实输出值之间的误差均值,而非单个样本,此时,上述步骤“根据该多个处理后数值组和分类标签对该孪生神经网络模型进行训练,得到训练后模型”具体可以包括:
利用第二预设公式确定每个处理后数值组的损失函数,该第二预设公式为:其中,i∈(1,S),S为该处理后数值组中处理后数值的总数,yi为第i对样本的分类标签,y'i为第i对样本的处理后数值,J为损失函数;
根据该损失函数,利用批量梯度下降法对该孪生神经网络模型进行训练,得到训练后模型。
本实施例中,调整过程中,需要通过批量梯度下降法一步步的迭代求解,得到最小化的损失函数,基于最小化的损失函数来获取该孪生神经网络模型的最优参数和权重,完成整个训练。
204、向该电子设备发送该训练后模型。
本实施例中,可以将具有最优化参数和权重的孪生神经网络模型以模型文件的形式发送至电子设备,以便电子设备安装和运行。
需要说明的是,上述步骤101-103不局限应用于电子设备,其还可以应用于服务器,也即服务器可以完成特征图像的生成、以及孪生神经网络模型的训练。
在本实施例中,将以该应用控制装置具体集成在电子设备和服务器中为例进行详细说明。
请参见图5和图6,一种应用控制方法,具体流程可以如下:
301、电子设备获取历史时段内每一采样时间点的运行信息,该运行信息可以包括多个运行参数,该运行参数可以包括前台运行应用和后台运行应用。
譬如,该历史时段可以是前一个月或前两个月,该运行参数可以按类型进行划分,比如应用使用类参数、时间类参数、位置类参数以及设备属性类参数等,该应用使用类参数可以包括前台运行应用和后台运行应用的参数。每一类型可以包括多个参数项,比如属于位置类的参数项可以包括GPS、基站名以及WiFi名等,属于应用使用类的参数项可以包括所使用应用的应用名、后台停留时间、类型、当前使用时间等,属于时间类的参数项可以包括时间段、日期类型(比如节假日或工作日)等,属于设备属性类的参数项可以包括屏幕运行状态(比如亮灭屏)、电量、充电状态、网络状态等。
302、电子设备确定每一运行参数对应的参数项和标记值,并根据该参数项和标记值生成该运行参数的二维坐标。
譬如,该参数项和标记值可以是人为设定的数值,每一参数项可以对应多个标记值,比如应用名可以包括1(qq),2(美团),3(淘宝)等,可以将参数项作为横轴坐标x,将标记值作为纵轴坐标y生成对应的二维坐标(x,y)。
303、电子设备根据该二维坐标生成特征图像。
譬如,可以将二维坐标看做像素点坐标生成特征图像,该特征图像可以是由几个图像块拼接而成的,也即存在多个坐标系,也可以是一整幅图像,也即共用一个坐标系。
具体的,请参见图7,当为共用一个坐标系时,上述步骤303具体可以包括:
3031A、电子设备构建二维的图像坐标系;
3032A、电子设备确定该二维坐标在该图像坐标系中的位置,作为像素点位置;
3033A、电子设备根据该像素点位置生成第一预设尺寸的二维图像,作为特征图像。
本实施例中,该图像坐标系的位置可以位于图像的四个顶角,也可以位于中间,该第一预设尺寸可以为12×12个像素点。
请参见图8,当存在多个坐标系时,上述步骤303具体可以包括:
3031B、将该运行参数进行分组,得到多个运行参数组;
3032B、根据每一运行参数组中运行参数对应的二维坐标生成第二预设尺寸的二维图像,作为子图像;
3033B、将该子图像进行拼接,得到特征图像。
本实施例中,该第二预设尺寸可以为6×6个像素点,该运行参数组的数量可以为四,也即子图像个数为4,在生成每个子图像的时候,可以以左下角作为原点建立坐标系,然后在该坐标系中找到对应二维坐标的位置生成子图像,最后通过上下拼接的方式将四个子图像拼接成12×12大小的特征图像。
304、电子设备按照该采样时间点的先后顺序对该特征图像进行排序,并依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本。
譬如,可以按照从远到近的顺序进行排序,该排序后的样本可以为[M1,M2,M3...Mn],之后,可以从队尾或者队头开始,依次不重复的选取两个特征图像作为样本对,该样本对可以包括M1M2、M3M4...Mn-1Mn。
305、在每对样本中,电子设备将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标。
譬如,对于样本M1M2,可以将M1的后台应用对应的二维坐标作为第一坐标,将M2的后台运行应用或前台运行应用对应的二维坐标作为第二坐标。
306、电子设备判断该第一坐标和第二坐标的纵坐标值是否相同,若相同,则确定分类标签为第一类别,若不同,则确定分类标签为第二类别。
譬如,该第一类别可以为1,第二类别可以为0。当样本M1M2的分类标签为1时,说明前一时刻运行的后台应用在下一时刻依然在运行,当样本M1M2的分类标签为0时,说明前一时刻运行的后台应用在下一时刻已停止运行。
307、电子设备根据该多对样本和分类标签生成训练指令,并将该训练指令发送至服务器。
308、服务器将每对样本输入预设的孪生神经网络模型中计算对应的实际输出值,该预设的孪生神经网络模型包括两个架构相同的神经网络。
譬如,由于需要训练的样本并非现实中拍摄的真实图像,而是只有若干个像素点的简单二维图像,故我们可以采用较浅层的神经网络结构,比如请参见图9,该孪生神经网络模型由上下分布的两个卷积网络构成,每一卷积网络采用相同的权值,其可以包括卷积层和全连接层,不采用池化层,卷积层为5层,全连接层为2层,卷积核大小统一为3×3,滑动步长统一为1,并且该上下两个卷积网络最后通过2层全连接层进行网络融合,并经由同一输出层输出,该输出层为2个神经元。
309、服务器利用第一预设公式对该实际输出值进行处理,得到处理后数值,该第一预设公式为:其中,y'k为第k对样本的处理后数值,ZK为第k对样本的实际输出值,Zj为第j对样本的实际输出值,C为分类标签的总数,j∈(1,C),k∈(1,n),n为样本的总对数。
310、服务器对该处理后数值进行分组,得到多个处理后数值组,并利用第二预设公式确定每个处理后数值组的损失函数,该第二预设公式为:其中,i∈(1,S),S为该处理后数值组中处理后数值的总数,yi为第i对样本的分类标签,y'i为第i对样本的处理后数值,J为损失函数。
311、服务器根据该损失函数,利用批量梯度下降法对该孪生神经网络模型进行训练,得到训练后模型,并向该电子设备发送该训练后模型。
譬如,该训练过程实际是该孪生神经网络模型的参数和权重的调整过程,可以根据多对样本计算出的实际输出值(也即网络计算出的相似度)和真实输出值(也即人为标记的分类标签)之间的误差来调整该孪生神经网络模型的参数和权重,该调整主要是基于迭代的思想来实现的,对于大批量样本,通常可以采用批量梯度下降法,每批的数量可以是128,通过批量梯度下降法一步步的迭代求解,得到最小化的损失函数,基于最小化的损失函数来获取该孪生神经网络模型的最优参数和权重,完成整个训练。
312、电子设备获取后台清理指令,并根据该后台清理指令获取当前后台应用、以及该电子设备当前时刻的运行信息和上一时刻的运行信息。
譬如,电子设备可以在内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,生成该后台清理指令。
313、电子设备根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像,并将该第一图像和第二图像作为当前后台应用的预测图像对。
譬如,当需要判断某个后台应用当前时刻是否需要清理时,可以假设该后台应用当前时刻还在运行,根据这种假设生成对应的图像,将该图像与上一时刻的图像作为预测图像对。
314、电子设备将该预测图像对输入该训练后模型中进行计算,得到预测值,并根据该预测值对当前后台应用进行清理。
譬如,当计算出的预测值小于0.6时,说明用户在当前时刻对后台应用的操作与上一时刻相同的可能性低,由于上一时刻该后台应用处于运行状态,故当前时刻应该关闭该后台应用。
由上述可知,本实施例提供的应用控制方法,其中电子设备可以获取其在历史时段内每一采样时间点的运行信息,该运行信息可以包括多个运行参数,该运行参数可以包括前台运行应用和后台运行应用,接着,确定每一运行参数对应的参数项和标记值,并根据该参数项和标记值生成该运行参数的二维坐标,接着,根据该二维坐标生成特征图像,接着,按照该采样时间点的先后顺序对该特征图像进行排序,并依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本,之后,在每对样本中,电子设备将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标,接着,判断该第一坐标和第二坐标的纵坐标值是否相同,若相同,则确定分类标签为第一类别,若不同,则确定分类标签为第二类别,之后,根据该多对样本和分类标签生成训练指令,并将该训练指令发送至服务器,而服务器可以将每对样本输入预设的孪生神经网络模型中计算对应的实际输出值,该预设的孪生神经网络模型包括两个架构相同的神经网络,并利用第一预设公式对该实际输出值进行处理,得到处理后数值,接着,对该处理后数值进行分组,得到多个处理后数值组,并利用第二预设公式确定每个处理后数值组的损失函数,接着,根据该损失函数,利用批量梯度下降法对该孪生神经网络模型进行训练,得到训练后模型,并向该电子设备发送该训练后模型,从而完成模型训练,之后,电子设备可以获取后台清理指令,并根据该后台清理指令获取当前后台应用、以及该电子设备当前时刻的运行信息和上一时刻的运行信息,接着,根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像,并将该第一图像和第二图像作为当前后台应用的预测图像对,之后,将该预测图像对输入该训练后模型中进行计算,得到预测值,并根据该预测值对当前后台应用进行清理,从而能根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单,灵活性高,节约了系统资源,用户体验感好。
根据上述实施例所描述的方法,本实施例将从应用控制装置的角度进一步进行描述,该应用控制装置具体可以作为独立的实体来实现,也可以集成在电子设备,比如终端,或者服务器中来实现,该终端可以包括手机、平板电脑以及个人计算机等。
请参阅图10,图10具体描述了本申请实施例提供的应用控制装置,应用于电子设备,其可以包括:获取模块10、第一生成模块20、确定模块30、第二生成模块40和控制模块50,其中:
(1)获取模块10
获取模块10,用于获取历史时段内每一采样时间点该电子设备的运行信息。
本实施例中,该历史时段可以人为设定,比如可以是前一个月或前两个月。该采样时间点主要根据采样频率而定,比如可以每分钟或者每两分钟采样一次,其可以表现为x年x月x日x时x分的形式。该运行信息可以包括应用信息、屏幕亮灭信息、电量信息、网络信息、时间信息、位置信息等等,通常,该运行信息都是以参数(也即字符串)的形式进行记录,比如时间信息可以为2017.09.11、应用名可以为com.tencent.mobileqq,等等。
(2)第一生成模块20
第一生成模块20,用于根据该运行信息生成对应的特征图像。
例如,该运行信息可以包括多个运行参数,此时,请参见图11,该第一生成模块20具体可以包括第一确定子模块21、第一生成子模块22和第二生成子模块23,其中:
第一确定子模块21,用于确定每一运行参数对应的参数项和标记值。
本实施例中,该运行参数可以按类型进行划分,比如应用使用类参数、时间类参数、位置类参数以及设备属性类参数等,每一类型可以包括多个参数项,比如属于位置类的参数项可以包括GPS、基站名以及WiFi名等,属于应用使用类的参数项可以包括所使用应用的应用名、后台停留时间、类型、当前使用时间等,属于时间类的参数项可以包括时间段、日期类型(比如节假日或工作日)等,属于设备属性类的参数项可以包括屏幕运行状态(比如亮灭屏)、电量、充电状态、网络状态等。
通常,该参数项和标记值可以是人为设定的数值,该数值通常表现为整数的形式,比如正整数或负整数,每一参数项可以对应多个标记值,比如应用名可以包括1(qq),2(美团),3(淘宝)等,不同的参数项或标记值对应的数值可以相同,也可以不同。
第一生成子模块22,用于根据该参数项和标记值生成该运行参数的二维坐标。
本实施例中,第一生成子模块22可以将参数项作为横轴坐标x,将标记值作为纵轴坐标y生成对应的二维坐标(x,y),当然,也可以将参数项作为纵轴坐标y,将标记值作为横轴坐标x生成对应的二维坐标(x,y),具体可以根据实际需求而定。
需要说明的是,实际使用过程中,这些参数项和标记值应该是提前设置好的,且在设置过程中,为便于生成图像,不同类型的参数项及其标记值可以位于不同的区域,具体的,请参见图2,当区域划分好后,可以根据各自所对应的区域进行参数项和标记值的设置,比如,当将参数项作为横轴坐标时,可以使属于位置类、以及属于时间类的参数项位于X1~X2,使其标记值分别位于Y2~Y3、Y1~Y2,使属于应用使用类、以及设备属性类的参数项位于X2~X3,使其标记值分别位于Y2~Y3、Y1~Y2,其中,X1、X2、X3以及Y1、Y2、Y3均为正数,不难发现,参数项与参数项(或者标记值与标记值)之间的数值可以相同,也可以不同。
第二生成子模块23,用于根据该二维坐标生成特征图像。
本实施例中,第二生成子模块23可以将二维坐标看做像素点坐标生成特征图像,不足位置补零处理。该特征图像可以是由几个图像块拼接而成的,也即存在多个坐标系,也可以是一整幅图像,也即共用一个坐标系。
进一步地,当为共用一个坐标系时,该第二子模块23具体用于:
构建二维的图像坐标系;
确定该二维坐标在该图像坐标系中的位置,作为像素点位置;
根据该像素点位置生成第一预设尺寸的二维图像,作为特征图像。
本实施例中,该图像坐标系的位置可以位于图像的四个顶角,比如图2,也可以位于中间,当然,还可以是其他设置方式,具体可以根据实际需求而定。该第一预设尺寸主要根据参数数量而定,比如可以为12×12个像素点,每个区域的大小可以相同,比如均为6×6个像素点,也可以不同。
进一步地,当存在多个坐标系时,该第二子模块23具体可以用于:
将该运行参数进行分组,得到多个运行参数组;
根据每一运行参数组中运行参数对应的二维坐标生成第二预设尺寸的二维图像,作为子图像;
将该子图像进行拼接,得到特征图像。
本实施例中,每一运行参数组中的运行参数可以是同一参数类型。该第二预设尺寸可以人为设定,比如6×6个像素点,在生成子图像的时候,请参见图3,每个子图像都有独立的坐标系,根据该坐标系可以确定每一运行参数对应的像素点位置,然后在该像素点位置处生成像素点。
(3)确定模块30
确定模块30,用于根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签。
例如,请参见图12,该确定模块30具体可以包括排序子模块31、获取子模块32和第二确定子模块33,其中:
排序子模块31,用于按照该采样时间点的先后顺序对该特征图像进行排序。
获取子模块32,用于依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本。
本实施例中,每一采样时间点采集的运行参数可以对应生成一幅特征图像,在对这些图像进行排序的过程中,排序子模块31可以按照从近到远或从远到近的顺序进行排序,比如离当前时间越近的特征图像可以排位越靠后,离当前时间越远的特征图像可以排位越靠前,之后,获取子模块32可以从队尾或者队头开始,依次不重复的选取两个特征图像作为样本对,以确保每个样本对为相邻采样时间点采集的。
第二确定子模块33,用于确定根据每对样本的运行参数确定分类标签。
本实施例中,该分类标签可以包括指示正样本和负样本的两种标签,通常,对于任意一对样本,若存在前一样本中的后台运行应用与后一样本中的前台运行应用或后台运行应用相同(也即当前时间的后台运行应用在下一时间未关闭,还在继续使用),则可以认为该样本对为正样本对,否则为负样本对。
例如,该运行参数包括前台运行应用和后台运行应用,该第二确定子模块33具体可以用于:
在每对样本中,将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标;
判断该第一坐标和第二坐标的纵坐标值是否相同;
若相同,则确定分类标签为第一类别;
若不同,则确定分类标签为第二类别。
本实施例中,该第一类别和第二类别均可以是数值,比如0、1,第一类别可以指示该样本对为正样本,第二类别可以指示该样本对为负样本。需要说明的是,之所以将纵坐标值作为判断依据,是基于以标记值作为纵轴坐标,以参数项作为横轴坐标生成二维坐标而言的,而若以标记值作为横轴坐标,以参数项作为纵坐标值,此时应该将横坐标值作为判断依据。
(4)第二生成模块40
第二生成模块40,用于根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型。
本实施例中,该预设服务器可以是电子设备厂商指定的服务器,主要用于训练模型。该孪生神经网络模型是以两个相同架构的神经网络生成的模型,该相同架构是指具有相同的网络层数,并且每一层网络具有相同参数。
(5)控制模块50
控制模块50,用于基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制。
例如,该控制模块50具体可以用于:
3-1、获取后台清理指令。
本实施例中,该后台清理指令可以是电子设备自动生成的,比如内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,生成该后台清理指令,当然,该后台清理指令也可以是用户手动操作生成的,比如用户可以通过点击指定清理图标来生成该后台清理指令。
3-2、根据该后台清理指令获取当前后台应用、以及该电子设备当前时刻的运行信息和上一时刻的运行信息。
3-3、根据该当前时刻的运行信息和上一时刻的运行信息生成当前后台应用的预测图像对。
例如,该控制模块50进一步可以用于:
根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像;
将该第一图像和第二图像作为当前后台应用的预测图像对。
本实施例中,由于训练过程中输入的样本是图像对,故实际预测的时候,也需要利用图像对来预测,具体的,当需要判断某个后台应用当前时刻是否需要清理时,通常默认上一时刻该后台应用已经在后台运行了,也即上一时刻的图像中一定存在该后台应用,此时,可以假设该后台应用当前时刻还在运行,根据这种假设生成对应的图像,将该图像与上一时刻的图像作为预测图像对。
3-4、将该预测图像对输入该训练后模型中进行计算,得到预测值。
本实施例中,该预测值主要是相似值,也即当前时刻和上一时刻用户对后台应用进行相同操作的概率。
3-5、根据该预测值对当前后台应用进行清理。
例如,该控制模块50进一步可以用于:
判断该预测值是否小于预设阈值;
若是,则关闭当前后台应用。
本实施例中,该预设阈值主要用于界定相似度高低,其可以是0.6,当预测值小于0.6时,说明根据以往的使用习惯,用户在当前时刻对后台应用的操作不同于上一时刻(上一时刻默认该后台应用处于运行状态),可以进行清理,当预测值大于或等于0.6时,说明用户在当前时刻对后台应用的操作和上一时刻相同,无需进行清理。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上述可知,本实施例提供的应用控制装置,应用于电子设备,通过获取模块10获取历史时段内每一采样时间点该电子设备的运行信息,第一生成模块20根据该运行信息生成对应的特征图像,接着,确定模块30根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签,之后,第二生成模块40根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型,最后,控制模块50基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制,从而能根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单,灵活性高,节约了系统资源,用户体验感好。
请参阅图13,图13具体描述了本申请实施例提供的应用控制装置,应用于服务器,其可以包括构建模块60、接收模块70、训练模块80和发送模块90,其中:
(6)构建模块60
构建模块60,用于构建两个架构相同的神经网络,作为预设的孪生神经网络模型。
本实施例中,该相同架构是指具有相同的网络层数,并且每一层网络具有相同参数和权重。
(7)接收模块70
接收模块70,用于接收电子设备发送的训练指令,该训练指令携带多对样本、以及每对样本的分类标签,该多对样本和分类标签是该电子设备根据历史时段内每一采样时间点的运行信息生成的。
本实施例中,该分类标签可以包括指示正样本和负样本的两种标签,每一种标签都可以通过数值表示,比如正样本可以为1,负样本可以为0。
(8)训练模块80
训练模块80,用于利用该多对样本和分类标签训练该孪生神经网络模型,得到训练后模型。
例如,请参见图14,该训练模块80具体可以包括计算子模块81、处理子模块82、分组子模块83以及训练子模块84,其中:
计算子模块81,用于将每对样本输入该孪生神经网络模型中计算对应的实际输出值;
处理子模块82,用于利用第一预设公式对该实际输出值进行处理,得到处理后数值,该第一预设公式为:其中,y'k为第k对样本的处理后数值,ZK为第k对样本的实际输出值,Zj为第j对样本的实际输出值,C为分类标签的总数,j∈(1,C),k∈(1,n),n为样本的总对数;
分组子模块83,用于对该处理后数值进行分组,得到多个处理后数值组。
训练子模块84,用于根据该多个处理后数值组和分类标签对该孪生神经网络模型进行训练,得到训练后模型。
本实施例中,该孪生神经网络模型主要用于衡量两个可比较事物之间的相似性,这里是指衡量用户在不同时刻对同一应用进行相同操作的概率。该训练过程实际是该孪生神经网络模型的参数和权重的调整过程,具体的,可以根据多对样本计算出的实际输出值(也即网络计算出的相似度)和真实输出值(也即人为标记的分类标签)之间的误差来调整该孪生神经网络模型的参数和权重,实现对孪生神经网络模型的训练。
该调整主要是基于迭代的思想来实现的,对于大批量样本,通常可以采用批量梯度下降法,每批的数量可以人为设定,比如128,也即每次计算的误差是128个样本的实际输出值和真实输出值之间的误差均值,而非单个样本,此时,该训练子模块84进一步可以用于:
利用第二预设公式确定每个处理后数值组的损失函数,该第二预设公式为:其中,i∈(1,S),S为该处理后数值组中处理后数值的总数,yi为第i对样本的分类标签,y'i为第i对样本的处理后数值,J为损失函数;
根据该损失函数,利用批量梯度下降法对该孪生神经网络模型进行训练,得到训练后模型。
本实施例中,调整过程中,训练子模块84需要通过批量梯度下降法一步步的迭代求解,得到最小化的损失函数,基于最小化的损失函数来获取该孪生神经网络模型的最优参数和权重,完成整个训练。
(9)发送模块90
发送模块90,用于向该电子设备发送该训练后模型。
本实施例中,可以将具有最优化参数和权重的孪生神经网络模型以模型文件的形式发送至电子设备,以便电子设备安装和运行。
另外,本申请实施例还提供一种电子设备,该电子设备可以是智能手机、平板电脑等设备。图15所示,电子设备100包括处理器101、存储器102、显示屏103以及控制电路104。其中,处理器101分别与存储器102、显示屏103、控制电路104电性连接。
处理器101是电子设备100的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器102内的应用程序,以及调用存储在存储器102内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备100中的处理器101会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器102中,并由处理器101来运行存储在存储器102中的应用程序,从而实现各种功能:
获取历史时段内每一采样时间点该电子设备的运行信息;
根据该运行信息生成对应的特征图像;
根据该采样时间点和特征图像确定多对样本、以及每对样本的分类标签;
根据该多对样本和分类标签生成训练指令,并将该训练指令发送至预设服务器,该训练指令用于指示该预设服务器利用该多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;
基于该预设服务器返回的训练后模型对该电子设备中的应用进行控制。
存储器102可用于存储应用程序和数据。存储器102存储的应用程序中包含有可在处理器中执行的指令。应用程序可以组成各种功能模块。处理器101通过运行存储在存储器102的应用程序,从而执行各种功能应用以及数据处理。
显示屏103可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路104与显示屏103电性连接,用于控制显示屏103显示信息。
在一些实施例中,如图15所示,电子设备100还包括:射频电路105、输入单元106、音频电路107、传感器108以及电源101。其中,处理器101分别与射频电路105、输入单元106、音频电路107、传感器108以及电源109电性连接。
射频电路105用于收发射频信号,以通过无线通信与网络设备或其他电子设备建立无线通讯,与网络设备或其他电子设备之间收发信号。
输入单元106可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元106可以包括指纹识别模组。
音频电路107可通过扬声器、传声器提供用户与终端之间的音频接口。
电子设备100还可以包括至少一种传感器108,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板的亮度,接近传感器可在终端移动到耳边时,关闭显示面板和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
电源109用于给电子设备100的各个部件供电。在一些实施例中,电源109可以通过电源管理系统与处理器101逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图15中未示出,电子设备100还可以包括摄像头、蓝牙模块等,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种应用控制方法中的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种应用控制方法中的步骤,因此,可以实现本发明实施例所提供的任一种应用控制方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
综上该,虽然本申请已以优选实施例揭露如上,但上述优选实施例并非用以限制本申请,本领域的普通技术人员,在不脱离本申请的精神和范围内,均可作各种更动与润饰,因此本申请的保护范围以权利要求界定的范围为准。
Claims (15)
1.一种应用控制方法,应用于电子设备,其特征在于,包括:
获取历史时段内每一采样时间点所述电子设备的运行信息,所述运行信息包括多个运行参数,所述运行参数包括应用使用类参数、时间类参数、位置类参数以及设备属性类参数;
根据所述运行信息生成对应的特征图像;
根据所述采样时间点和特征图像确定多对样本以及每对样本的分类标签;
根据所述多对样本和分类标签生成训练指令,并将所述训练指令发送至预设服务器,所述训练指令用于指示所述预设服务器利用所述多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;
基于所述预设服务器返回的训练后模型对所述电子设备中的应用进行控制。
2.根据权利要求1所述的应用控制方法,其特征在于,所述运行信息包括多个运行参数,所述根据所述运行信息生成对应的特征图像,包括:
确定每一运行参数对应的参数项和标记值;
根据所述参数项和标记值生成所述运行参数的二维坐标;
根据所述二维坐标生成特征图像。
3.根据权利要求2所述的应用控制方法,其特征在于,所述根据所述二维坐标生成特征图像,包括:
构建二维的图像坐标系;
确定所述二维坐标在所述图像坐标系中的位置,作为像素点位置;
根据所述像素点位置生成第一预设尺寸的二维图像,作为特征图像。
4.根据权利要求2所述的应用控制方法,其特征在于,所述所述根据所述二维坐标生成特征图像,包括:
将所述运行参数进行分组,得到多个运行参数组;
根据每一运行参数组中运行参数对应的二维坐标生成第二预设尺寸的二维图像,作为子图像;
将所述子图像进行拼接,得到特征图像。
5.根据权利要求2所述的应用控制方法,其特征在于,所述根据所述采样时间点和特征图像确定多对样本以及每对样本的分类标签,包括:
按照所述采样时间点的先后顺序对所述特征图像进行排序;
依次获取位于相邻排序位置的两个特征图像作为一对样本,得到多对样本;
根据每对样本的运行参数确定分类标签。
6.根据权利要求5所述的应用控制方法,其特征在于,所述运行参数包括前台运行应用和后台运行应用,所述根据每对样本的运行参数确定分类标签,包括:
在每对样本中,将位于较远采样时间点的特征图像中后台运行应用对应的二维坐标作为第一坐标,并将位于较近采样时间点的特征图像中后台运行应用或前台运行应用对应的二维坐标作为第二坐标;
判断所述第一坐标和第二坐标的纵坐标值是否相同;
若相同,则确定分类标签为第一类别;
若不同,则确定分类标签为第二类别。
7.根据权利要求1-6中任意一项所述的应用控制方法,其特征在于,所述基于返回的训练后模型对所述电子设备中的后台应用进行控制,包括:
获取后台清理指令;
根据所述后台清理指令获取当前后台应用、以及所述电子设备当前时刻的运行信息和上一时刻的运行信息;
根据所述当前时刻的运行信息和上一时刻的运行信息生成当前后台应用的预测图像对;
将所述预测图像对输入所述训练后模型中进行计算,得到预测值;
根据所述预测值对当前后台应用进行清理。
8.根据权利要求7所述的应用控制方法,其特征在于,所述根据所述当前时刻的运行信息和上一时刻的运行信息生成当前后台应用的预测图像对,包括:
根据当前时刻的运行信息生成第一图像、以及根据上一时刻的运行信息生成第二图像;
将所述第一图像和第二图像作为当前后台应用的预测图像对。
9.一种应用控制方法,应用于服务器,其特征在于,包括:
构建两个架构相同的神经网络,作为预设的孪生神经网络模型;
接收电子设备发送的训练指令,所述训练指令携带多对样本以及每对样本的分类标签,所述多对样本和分类标签是所述电子设备根据历史时段内每一采样时间点的运行信息生成的,所述运行信息包括多个运行参数,所述运行参数包括应用使用类参数、时间类参数、位置类参数以及设备属性类参数;
利用所述多对样本和分类标签训练所述孪生神经网络模型,得到训练后模型;
向所述电子设备发送所述训练后模型。
12.一种应用控制装置,应用于电子设备,其特征在于,包括:
获取模块,用于获取历史时段内每一采样时间点所述电子设备的运行信息,所述运行信息包括多个运行参数,所述运行参数包括应用使用类参数、时间类参数、位置类参数以及设备属性类参数;
第一生成模块,用于根据所述运行信息生成对应的特征图像;
确定模块,用于根据所述采样时间点和特征图像确定多对样本以及每对样本的分类标签;
第二生成模块,用于根据所述多对样本和分类标签生成训练指令,并将所述训练指令发送至预设服务器,所述训练指令用于指示所述预设服务器利用所述多对样本和分类标签训练预设的孪生神经网络模型,并返回训练后模型;
控制模块,用于基于所述预设服务器返回的训练后模型对所述电子设备中的应用进行控制。
13.一种应用控制装置,应用于服务器,其特征在于,包括:
构建模块,用于构建两个架构相同的神经网络,作为预设的孪生神经网络模型;
接收模块,用于接收电子设备发送的训练指令,所述训练指令携带多对样本以及每对样本的分类标签,所述多对样本和分类标签是所述电子设备根据历史时段内每一采样时间点的运行信息生成的,所述运行信息包括多个运行参数,所述运行参数包括应用使用类参数、时间类参数、位置类参数以及设备属性类参数;
训练模块,用于利用所述多对样本和分类标签训练所述孪生神经网络模型,得到训练后模型;
发送模块,用于向所述电子设备发送所述训练后模型。
14.一种存储介质,其特征在于,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行权利要求1至8中任一项所述的应用控制方法。
15.一种电子设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于执行权利要求1至8中任一项所述的应用控制方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923023.3A CN107729143B (zh) | 2017-09-30 | 2017-09-30 | 应用控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923023.3A CN107729143B (zh) | 2017-09-30 | 2017-09-30 | 应用控制方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729143A CN107729143A (zh) | 2018-02-23 |
CN107729143B true CN107729143B (zh) | 2020-01-14 |
Family
ID=61209671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710923023.3A Active CN107729143B (zh) | 2017-09-30 | 2017-09-30 | 应用控制方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729143B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101326A (zh) * | 2018-06-06 | 2018-12-28 | 三星电子(中国)研发中心 | 一种后台进程管理方法和装置 |
CN109360105A (zh) * | 2018-09-18 | 2019-02-19 | 平安科技(深圳)有限公司 | 产品风险预警方法、装置、计算机设备和存储介质 |
CN109731336B (zh) * | 2018-12-27 | 2022-09-09 | 三星电子(中国)研发中心 | 一种游戏应用的控制方法和装置 |
CN110689953A (zh) * | 2019-09-03 | 2020-01-14 | 东软医疗系统股份有限公司 | 数据存储方法及装置、数据查找方法及装置、电子设备 |
CN110569176A (zh) * | 2019-09-17 | 2019-12-13 | 北京字节跳动网络技术有限公司 | 应用预测模型的训练方法及装置、应用控制方法及装置 |
CN112817661A (zh) * | 2021-02-23 | 2021-05-18 | 浙江大华技术股份有限公司 | 一种设备配置方法、装置及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106201871A (zh) * | 2016-06-30 | 2016-12-07 | 重庆大学 | 基于代价敏感半监督的软件缺陷预测方法 |
CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
CN107220277A (zh) * | 2017-04-14 | 2017-09-29 | 西北大学 | 基于手绘草图的图像检索算法 |
-
2017
- 2017-09-30 CN CN201710923023.3A patent/CN107729143B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106201871A (zh) * | 2016-06-30 | 2016-12-07 | 重庆大学 | 基于代价敏感半监督的软件缺陷预测方法 |
CN107220277A (zh) * | 2017-04-14 | 2017-09-29 | 西北大学 | 基于手绘草图的图像检索算法 |
CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107729143A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729143B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN111260665B (zh) | 图像分割模型训练方法和装置 | |
CN107577522B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN110796725B (zh) | 一种数据渲染方法、装置、终端及存储介质 | |
CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
CN111209423B (zh) | 一种基于电子相册的图像管理方法、装置以及存储介质 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN109783859A (zh) | 模型构建方法、装置及计算机可读存储介质 | |
CN107765853A (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN112135325A (zh) | 网络切换方法、装置、存储介质以及终端 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
WO2019062462A1 (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN108322897A (zh) | 卡套餐组合方法及装置 | |
CN107729078B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
CN112818898B (zh) | 模型训练方法、装置和电子设备 | |
CN109993234A (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
CN110287817A (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN112101109B (zh) | 人脸关键点检测模型训练方法、装置、电子设备和介质 | |
CN112966592A (zh) | 手部关键点检测方法、装置、设备和介质 | |
CN112418443A (zh) | 基于迁移学习的数据处理方法、装置、设备及存储介质 | |
CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
CN116229188A (zh) | 图像处理显示方法、分类模型的生成方法及其设备 | |
CN115880719A (zh) | 手势深度信息生成方法、装置、设备和计算机可读介质 | |
CN107797831B (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN113656128A (zh) | 页面生成方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: Guangdong Opel Mobile Communications Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |