CN109324902A - 一种调整移动终端工作频率的方法、移动终端及存储介质 - Google Patents

Abstract

本申请适用于移动终端技术领域，提供了一种调整移动终端工作频率的方法、移动终端及计算机可读存储介质，所述方法包括：获取所述移动终端的历史工作频率数据，基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型，基于所述自适应深度神经网络模型调整所述移动终端的工作频率，通过本申请可以自适应的调整移动终端的工作频率。

Description

一种调整移动终端工作频率的方法、移动终端及存储介质

技术领域

本申请属于移动终端技术领域，尤其涉及一种调整移动终端工作频率的方法、移动终端及计算机可读存储介质。

背景技术

随着社会和科技的发展，移动终端的中央处理器(Central Processing Unit，CPU)的性能越来越强大，应用程序的功能也越来越多。以智能手机为代表的移动终端已经融入我们的生活之中，在地铁里、公交车上我们随时可以通过智能手机连接到网络世界。

通常，为了延长移动终端的使用时间，往往需要限制CPU的工作频率，而有时为了提高使用性能，往往又需要提高CPU的工作频率。目前，会预先设置一些应用程序，在检测到这些应用程序运行时，强制性的提高工作频率。然而，这种调整CPU的工作频率的方式比较单一、且智能化程度较低。

发明内容

有鉴于此，本申请实施例提供了一种调整移动终端工作频率的方法、移动终端及计算机可读存储介质，以解决目前移动终端工作频率的调整方式比较单一、且智能化程度较低的问题。

本申请实施例的第一方面提供了一种调整移动终端工作频率的方法，包括：

获取所述移动终端的历史工作频率数据；

基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

本申请实施例的第二方面提供了一种移动终端，包括：

数据获取单元，用于获取所述移动终端的历史工作频率数据；

自适应训练单元，用于基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

自适应调整单元，用于基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

本申请实施例的第三方面提供了一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。

本申请实施例获取所述移动终端的历史工作频率数据，基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。由于获得的自适应深度神经网络模型是通过用户所在的移动终端的历史工作频率数据进行训练获得的，因此，自适应深度神经网络模型获得的预测频率是基于当前移动终端的用户的个人行为习惯预测获得的，这样，就能够基于所述自适应深度神经网络模型调整所述移动终端的工作频率，在保证用户能够获得较佳的体验的同时，还能够节省功耗。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种调整移动终端工作频率的方法的实现流程示意图；

图2是本申请实施例提供的另一种调整移动终端工作频率的方法的实现流程示意图；

图3是本申请实施例提供的另一种调整移动终端工作频率的方法的实现流程示意图；

图4是本申请实施例提供的一种移动终端的示意框图；

图5是本申请实施例提供的另一种移动终端的示意框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

图1是本申请实施例提供的一种调整移动终端工作频率的方法的实现流程示意图，如图所示，该方法可以包括以下步骤：

步骤S101，获取所述移动终端的历史工作频率数据。

在本申请实施例中，移动终端的工作频率表示移动终端中CPU的工作频率。通常，用户可以对移动终端的工作频率进行调整，或者，由移动终端检测当前运行的软件是否为预设的软件，若为预设的软件，则将移动终端的工作频率调大。因此，移动终端的工作频率并不是一成不变的，那么获取的移动终端的历史工作频率数据就可以表示为随历史时间变化的工作频率数据。当然，历史时间可能是按照一定的时间间隔排列的，通常，获得的所述移动终端的历史工作频率数据中的历史时间的跨度要大于一天。当然，对于哪一台移动终端进行工作频率的调整，获取的就是哪一台移动终端的历史工作频率数据。

步骤S102，基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型。

在本申请实施例中，所述预训练后的深度神经网络模型表示基于大数据训练后的深度神经网络模型，即在多台移动终端中均可以装载所述预训练后的深度神经网络模型，这样，装载了所述预训练后的深度神经网络模型的移动终端对于工作频率的调整就是完全一致的。然而，实际中由于用户个人习惯的不同，可能会在不同的时间点对工作频率的设置需求也是不同的，所以，需要基于每个移动终端还需要获取当前移动终端的历史工作频率数据，再次训练预训练后的深度神经网络模型，获得自适应深度神经网络模型，获得的自适应深度神经网络模型就比较符合当前移动终端对应的用户的个人使用习惯。

作为举例，用户A有深夜玩游戏的习惯，那么在装载预训练后的深度神经网络模型之前，用户A自己调整或者基于移动终端检测调整都会将移动终端的工作频率在深夜调大以提高性能；用户B深夜已经休息，那么在装载预训练后的深度神经网络模型之前，用户B自己调整或者基于移动终端检测调整都会将移动终端的工作频率调小，以节省功耗。那么在用户A的移动终端装载了预训练后的深度神经网络模型之后，通过用户A所在的移动终端的历史工作频率数据训练预训练后的深度神经网络模型，获得的自适应深度神经网络模型，在深夜就会将移动终端的工作频率调大；通过用户B所在的移动终端的历史工作频率数据训练预训练后的深度神经网络模型，获得的自适应深度神经网络模型，在深夜就会将移动终端的工作频率调小。

作为本申请又一实施例，所述基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型包括：

将所述历史时间对应的工作频率数据作为训练数据，并将所述历史时间作为输入数据，将与每个输入数据对应的工作频率作为标签值；

将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率；

基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型；

在本申请实施例中，可以将每个历史时间对应的工作频率作为一个训练数据，那么获得的所有历史时间对应的工作频率作为训练数据集，深度神经网络的输入就为训练数据中的历史时间，训练数据的标签值就为每个训练数据中的工作频率。每个训练数据可以对应一次迭代训练过程，在每次迭代训练过程中，将训练数据中的历史时间输入所述深度神经网络模型，获得一个输出值，输出值就为输出频率，由于预训练后的深度神经网络是基于多个移动终端的大数据进行训练获得的(参照图2所示实施例的描述)，因此获得的输出频率可能与当前的移动终端的训练数据的标签值不对应，那么就需要根据输出频率和标签值之间的差异，反向更新所述深度神经网络模型的参数，这样，就表示一次迭代训练过程结束。在通过所有的训练数据均对所述深度神经网络模型进行训练后，获得自适应深度神经网络模型。

需要说明的是，所述训练数据的输出频率和所述训练数据的标签值之间的差异可以是直接计算二者的差值，还可以基于二者的平方损失函数、绝对值损失函数、对数损失函数、指数损失函数等，在此不做限制。

步骤S103，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

在本申请实施例中，预训练的过程(基于多个移动终端的历史工作频率大数据训练的过程)和自适应训练的过程(基于当前的移动终端的历史工作频率数据训练的过程)是需要对应的，例如，预训练的过程是基于多个移动终端中历史时间的工作频率大数据，那么自适应训练过程就是基于当前移动终端中历史时间的工作频率数据。同样，在进行当前工作频率的调整过程，也需要是根据时间去预测移动终端的工作频率。例如，将目标时间输入所述自适应深度神经网络模型，获得与所述目标时间对应的预测频率，并在所述目标时间，将所述移动终端的工作频率调整为所述预测频率。所述目标时间可以是当前的时间，为了避免工作频率的调整会延后，可以将目标时间设置为当前时间之后的时间，例如，当前时间为t1，可以将目标时间设为t1+T1。T1表示间隔时间，例如5秒、1分钟等。这样在t1时刻预测t1+T1时刻的频率，然后在t1+T1时刻，将移动终端的工作频率设为预测的频率。当然，实际应用中，也可以在t1时刻，将t1时刻至t1+T2时刻之间的所有时间对应的频率均预测获得，那么在相应的时间调整移动终端的工作频率即可。T2可以是12小时、1天等。

本申请实施例获得的自适应深度神经网络模型是通过用户所在的移动终端的历史工作频率数据进行训练获得的，因此，自适应深度神经网络模型获得的预测频率是基于当前移动终端的用户的个人行为习惯预测获得的，这样，就能够基于所述自适应深度神经网络模型调整所述移动终端的工作频率，在保证用户能够获得较佳的体验的同时(工作频率比较符合用户当前的行为习惯)，还能够节省功耗。

图2是本申请实施例提供的另一种调整移动终端工作频率的方法的实现流程示意图，如图所示，该方法可以包括以下步骤：

步骤S201，获取多个移动终端的历史工作频率大数据。

步骤S202，基于所述历史工作频率大数据，训练构建的深度神经网络模型，获得预训练后的深度神经网络模型。

在本申请实施例中，预训练的深度神经网络模型是基于大数据训练获得的，大数据表示采集的多个移动终端对应的历史工作频率大数据。多个移动终端尽量涉及较多的用户群体、且尽量分布较多的年龄层、较多的职业等。即多个移动终端的历史工作频率大数据尽量能够覆盖较全面的数据。

在通过所述历史工作频率大数据，训练构建的深度神经网络模型的过程可以记为预训练的过程，这个过程与自适应训练过程一致，具体可参照自适应训练过程的描述，在此不再赘述。

需要说明的是，预训练过程和自适应训练过程中的训练数据不同，预训练过程是采集的多个移动终端的历史工作频率大数据，对应的大多数人群。而自适应训练过程中的训练数据是采集的当前的移动终端的历史工作频率数据，对应的当前移动终端的用户。

步骤S203，获取所述移动终端的历史工作频率数据。

步骤S204，基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型。

步骤S205，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

步骤S203至步骤S205的内容与步骤S101至步骤S103的内容一致，具体可参照步骤S101至步骤S103的描述，在此不再赘述。

步骤S206，接收用户通过所述移动终端上的虚拟按钮或物理按键发出的所述工作频率的手动调整指令，并基于所述手动调整指令调整所述移动终端的工作频率，所述手动调整指令的优先权高于所述自适应深度神经网络模型的自适应调整指令的优先权。

步骤S207，在基于所述手动调整指令调整所述移动终端的工作频率后的预设时间，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

在本申请实施例中，实际上用户的个人行为习惯不会是一成不变的，所以在第一次自适应过程之后，还需要继续根据用户的行为习惯对第一次自适应训练过程之后的自适应深度神经网络模型继续进行自适应训练。然而，如果在上一次自适应训练过程和本次自适应训练过程之间移动终端的工作频率均为上一次自适应训练过程获得的自适应深度神经网络模型调整的工作频率，那么本次自适应训练过程中获得的历史工作频率数据均为上次自适应训练过程获得的深度神经网络模型获得的预测频率，因此，对于本次自适应训练过程没有意义。为了能够更好的根据用户的个人行为习惯进行工作频率的自适应调整，允许用户调整移动终端的工作频率，例如，用户通过所述移动终端上的虚拟按钮或物理按键对所述移动终端的工作频率进行调整，可以将用户调整的指令记为手动调整指令，将自适应深度神经网络模型调整的指令记为自适应调整指令。移动终端一直保持自适应调整，中间允许用户个人的手动调整。但是，为了使用户获得良好的个人体验，所述手动调整指令的优先权高于所述自适应深度神经网络模型的自适应调整指令的优先权。在手动调整后，也不能无限制的一直按照手动调整的工作频率工作，还需要设置在基于所述手动调整指令调整所述移动终端的工作频率后的预设时间，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。这样，用户可以根据自已的行为习惯的改变从而手动调整工作频率，以能够提高性能或者降低功耗。同时，自适应深度神经网络也需要根据用户的个人习惯的改变从而调整自身的模型参数。从而使得自适应深度神经网络模型越来越符合用户的个人习惯。

步骤S208，以预设的时间间隔获取所述移动终端的历史工作频率数据，所述历史工作频率数据为上一个时间间隔内的时间对应的工作频率数据。

步骤S209，基于所述上一个时间间隔内的时间对应的工作频率数据，训练上一次获得的自适应深度神经网络模型，获得本次的自适应深度神经网络模型。

步骤S210，基于本次获得的自适应深度神经网络模型调整所述移动终端的工作频率。

在本申请实施例中，在第一次自适应训练过程之后，后续的自适应训练过程需要以预设的时间间隔进行，作为举例，第一自适应训练过程可以获取当前移动终端1个月的历史时间的工作频率，那么在第一次自适应训练过程后，可以每间隔1个星期或者半个月进行一次自适应训练过程。

每次自适应训练过程中的训练数据为上一个时间间隔内的时间对应的工作频率数据，即两次自适应训练过程中间的时间间隔内的历史时间，作为举例。18年4月1日装载了预训练的深度神经网络模型，18年4月1日通过将18年3月1日至18年4月1日之间的时间对应的工作频率作为训练数据训练预训练后的深度神经网络模型，获得第一次自适应深度神经网络模型，以后每间隔半个月进行一次自适应训练过程，那么就需要在18年4月16日，获取18年4月1日至18年4月15日之间的时间对应的工作频率作为训练数据训练之前自适应训练后的深度神经网络，同样，18年5月1日，需要将18年4与额6日至18年4月30日(上一个时间间隔)之间的时间的工作频率作为训练数据，进行本次自适应训练过程，获得本次的自适应深度神经网络模型，当然，训练的过程实际上是在更新深度神经网络模型中的参数，因此，每次训练后，在后续的工作频率的调整过程中，都是基于当前的自适应深度神经网络模型调整移动终端的工作频率。

图3是本申请实施例提供的另一种调整移动终端工作频率的方法的实现流程示意图，如图所示，该方法可以包括以下步骤：

步骤S301，获取所述移动终端的历史工作频率数据，所述历史工作频率数据包括：移动终端的历史状态对应的工作频率数据。

在本申请实施例中，除了如图1或图2所示实施例中描述的采用历史时间对应的工作频率进行训练，还可以采用移动终端的历史状态对应的工作频率进行训练，例如，所述移动终端的状态可以包括以下至少一项：前台运行的应用程序的类别、当前运行的应用程序的个数、是否在进行上传或下载任务、当前运行的任务个数、移动终端处理器的温度、所述移动终端的剩余电量。当然，实际应用中，还可以是其它的历史状态，或者包括其它的历史状态，在此不做限制。这是由于用户的个人行为可能并不是完全遵循一定的时间的，所以可以根据用户使用的移动终端的历史状态对应的工作频率数据作为训练数据。

当然，也可以将历史时间对应的工作频率数据和移动终端的历史状态对应的工作频率数据均作为训练数据，例如，将训练过程的输入数据设为：时间、时间对应的历史状态，将标签值设为与时间对应的工作频率。

步骤S302，将所述历史状态对应的工作频率数据作为训练数据，并将所述历史状态作为输入数据，将与每个输入数据对应的工作频率作为标签值。

步骤S303，将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率。

步骤S304，基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型。

在本申请实施例中，通过移动终端的历史状态对应的工作频率数据对深度神经网络模型训练的过程与通过历史时间对应的工作频率数据对深度神经网络模型训练的过程一致，区别在于训练数据不同。在此不再赘述。

当然，预训练过程是采用的多个移动终端的历史状态的工作频率大数据，自适应训练过程是采用的当前移动终端的历史状态的工作频率数据。

步骤S305，检测所述移动终端当前的状态。

步骤S306，将所述移动终端当前的状态输入所述自适应深度神经网络模型，获得与所述移动终端当前的状态对应的预测频率，并将所述移动终端的工作频率调整为所述预测频率。

在本申请实施例中，如果训练过程采用的是历史状态对应的工作频率，表示移动终端的工作频率与移动终端的状态相关，因此，需要检测所述移动终端当前的状态，将当前的状态输入所述自适应深度神经网络模型，获得与所述移动终端当前的状态对应的预测频率，并将所述移动终端的工作频率调整为所述预测频率。

需要说明，在将移动终端的历史状态对应的工作频率数据作为训练数据时，也需要预训练过程，也可以设置用户可以手动调整工作频率，还可以设置以预设的时间间隔进行自适应训练过程，可参照如图2所示实施例的描述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图4是本申请一实施例提供的移动终端的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。

该移动终端4可以是内置于手机、平板电脑、笔记本等移动终端内的软件单元、硬件单元或者软硬结合的单元，也可以作为独立的挂件集成到所述手机、平板电脑、笔记本等移动终端中。

所述移动终端4包括：

数据获取单元41，用于获取所述移动终端的历史工作频率数据；

自适应训练单元42，用于基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

自适应调整单元43，用于基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

作为本申请另一实施例，所述移动终端4还包括：

大数据获取单元44，用于获取多个移动终端的历史工作频率大数据；

预训练单元45，用于基于所述历史工作频率大数据，训练构建的深度神经网络模型，获得预训练后的深度神经网络模型。

作为本申请另一实施例，所述历史工作频率数据包括：历史时间对应的工作频率数据；

自适应训练单元42包括：

设置模块421，用于将所述历史时间对应的工作频率数据作为训练数据，并将所述历史时间作为输入数据，将与每个输入数据对应的工作频率作为标签值；

前向传播模块422，用于将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率；

前向传播模块423，用于基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型；

所述自适应调整单元43，还用于将目标时间输入所述自适应深度神经网络模型，获得与所述目标时间对应的预测频率，并在所述目标时间，将所述移动终端的工作频率调整为所述预测频率。

作为本申请另一实施例，所述历史工作频率数据包括：移动终端的历史状态对应的工作频率数据；

所述设置模块421，还用于将所述历史状态对应的工作频率数据作为训练数据，并将所述历史状态作为输入数据，将与每个输入数据对应的工作频率作为标签值；

所述前向传播模块422，还用于将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率；

所述反向传播模块423，还用于基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型；

所述自适应调整单元43，还用于检测所述移动终端当前的状态；将所述移动终端当前的状态输入所述自适应深度神经网络模型，获得与所述移动终端当前的状态对应的预测频率，并将所述移动终端的工作频率调整为所述预测频率。

作为本申请另一实施例，所述移动终端的状态包括以下至少一项：前台运行的应用程序的类别、当前运行的应用程序的个数、是否在进行上传或下载任务、当前运行的任务个数、移动终端处理器的温度、所述移动终端的剩余电量。

作为本申请另一实施例，所述移动终端4还包括：

手动调整单元46，用于接收用户通过所述移动终端上的虚拟按钮或物理按键发出的所述工作频率的手动调整指令，并基于所述手动调整指令调整所述移动终端的工作频率，所述手动调整指令的优先权高于所述自适应深度神经网络模型的自适应调整指令的优先权；

所述自适应调整单元43，还用于在基于所述手动调整指令调整所述移动终端的工作频率后的预设时间，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

作为本申请另一实施例，所述数据获取单元41还用于：以预设的时间间隔获取所述移动终端的历史工作频率数据，所述历史工作频率数据为上一个时间间隔内的时间对应的工作频率数据；

所述自适应训练单元42还用于：基于所述上一个时间间隔内的时间对应的工作频率数据，训练上一次获得的自适应深度神经网络模型，获得本次的自适应深度神经网络模型；

所述自适应调整单元43还用于：基于本次获得的自适应深度神经网络模型调整所述移动终端的工作频率。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述移动终端的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述移动终端中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图5是本申请又一实施例提供的移动终端的示意框图。如图5所示，该实施例的移动终端5包括：一个或多个处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个调整移动终端工作频率的方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器50执行所述计算机程序52时实现上述移动终端实施例中各模块/单元的功能，例如图4所示模块41至43的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述移动终端5中的执行过程。例如，所述计算机程序52可以被分割成数据获取单元、自适应训练单元、自适应调整单元。

数据获取单元，用于获取所述移动终端的历史工作频率数据；

自适应训练单元，用于基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

自适应调整单元，用于基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

其它单元或者模块可参照图4所示的实施例中的描述，在此不再赘述。

所述移动终端包括但不仅限于处理器50、存储器51。本领域技术人员可以理解，图5仅仅是移动终端5的一个示例，并不构成对移动终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述移动终端还可以包括输入设备、输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述移动终端5的内部存储单元，例如移动终端5的硬盘或内存。所述存储器51也可以是所述移动终端5的外部存储设备，例如所述移动终端5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述移动终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述移动终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的移动终端和方法，可以通过其它的方式实现。例如，以上所描述的移动终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种调整移动终端工作频率的方法，其特征在于，包括：

获取所述移动终端的历史工作频率数据；

基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

2.如权利要求1所述的调整移动终端工作频率的方法，其特征在于，在基于所述历史工作频率数据，训练预训练后的深度神经网络模型之前，还包括：

获取多个移动终端的历史工作频率大数据；

基于所述历史工作频率大数据，训练构建的深度神经网络模型，获得预训练后的深度神经网络模型。

3.如权利要求1所述的调整移动终端工作频率的方法，其特征在于，所述历史工作频率数据包括：历史时间对应的工作频率数据；

所述基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型包括：

将所述历史时间对应的工作频率数据作为训练数据，并将所述历史时间作为输入数据，将与每个输入数据对应的工作频率作为标签值；

将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率；

基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型；

所述基于所述自适应深度神经网络模型调整所述移动终端的工作频率包括：

将目标时间输入所述自适应深度神经网络模型，获得与所述目标时间对应的预测频率，并在所述目标时间，将所述移动终端的工作频率调整为所述预测频率。

4.如权利要求1所述的调整移动终端工作频率的方法，其特征在于，所述历史工作频率数据包括：移动终端的历史状态对应的工作频率数据；

所述基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型包括：

将所述历史状态对应的工作频率数据作为训练数据，并将所述历史状态作为输入数据，将与每个输入数据对应的工作频率作为标签值；

将所述训练数据中的输入数据输入预训练后的深度神经网络模型，获得所述训练数据的输出频率；

基于所述训练数据的输出频率和所述训练数据的标签值之间的差异，反向更新所述预训练后的深度神经网络模型的参数，并将更新参数后的深度神经网络模型作为自适应深度神经网络模型；

所述基于所述自适应深度神经网络模型调整所述移动终端的工作频率包括：

检测所述移动终端当前的状态；

将所述移动终端当前的状态输入所述自适应深度神经网络模型，获得与所述移动终端当前的状态对应的预测频率，并将所述移动终端的工作频率调整为所述预测频率。

5.如权利要求4所述的调整移动终端工作频率的方法，其特征在于，所述移动终端的状态包括以下至少一项：前台运行的应用程序的类别、当前运行的应用程序的个数、是否在进行上传或下载任务、当前运行的任务个数、移动终端处理器的温度、所述移动终端的剩余电量。

6.如权利要求1所述的调整移动终端工作频率的方法，其特征在于，还包括：

接收用户通过所述移动终端上的虚拟按钮或物理按键发出的所述工作频率的手动调整指令，并基于所述手动调整指令调整所述移动终端的工作频率，所述手动调整指令的优先权高于所述自适应深度神经网络模型的自适应调整指令的优先权；

在基于所述手动调整指令调整所述移动终端的工作频率后的预设时间，基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

7.如权利要求1至6任一项所述的调整移动终端工作频率的方法，其特征在于，在获得自适应深度神经网络模型之后，还包括：

以预设的时间间隔获取所述移动终端的历史工作频率数据，所述历史工作频率数据为上一个时间间隔内的时间对应的工作频率数据；

基于所述上一个时间间隔内的时间对应的工作频率数据，训练上一次获得的自适应深度神经网络模型，获得本次的自适应深度神经网络模型；

基于本次获得的自适应深度神经网络模型调整所述移动终端的工作频率。

8.一种移动终端，其特征在于，包括：

数据获取单元，用于获取所述移动终端的历史工作频率数据；

自适应训练单元，用于基于所述历史工作频率数据，训练预训练后的深度神经网络模型，获得自适应深度神经网络模型；

自适应调整单元，用于基于所述自适应深度神经网络模型调整所述移动终端的工作频率。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述方法的步骤。