CN113168216A - 用于预测系统响应的聚合随机方法 - Google Patents

Abstract

一种信息处理系统，其操作基于传感器融合预测的自动调节系统，并且可包括：传感器，其测量包括信息处理系统操作值的影响属性，其中影响属性的子集影响多个系统特征中的一个；以及存储装置，其存储用户行为特征、性能映像特征、功率状态特征、安全配置文件特征和策略配置特征。处理器可执行代码指令以将随机预测应用于影响属性值的子集，以预测在将来时间受影响属性值的子集影响的系统特征的将来值；如果系统特征的预测的将来值落在当前策略定义的操作范围之外，确定对控制系统特征的操作范围的策略的调节；以及在该将来时间之前，自动执行该策略调节。

Description

用于预测系统响应的聚合随机方法

AbeyeTeshone(亚百叶特少梅)

SinemGulbay(席纳古尔贝)

技术领域

本发明是关于信息处理系统性能特征的自适应调整。本公开更具体地是关于一种使用传感器融合算法(sensor fusion algorithm)的聚合随机方法(aggregatedstochastic method)，其用于对一个或多个信息处理系统操作特征进行预测响应和自动调整。

背景技术

随着信息的价值和使用持续增加，个人和企业寻求处理和存储信息的其他方式。客户可以使用的一个选项是信息处理系统。信息处理系统通常为商业、个人或其他目的处理、编译、存储和/或传输信息或数据，藉以允许客户利用信息的价值。由于不同客户或应用之间的技术和信息处理需求和要求各不相同，因此信息处理系统也可能因所处理的信息，处理信息的方式，处理、存储或传输信息量以及处理、存储或传输信息的处理速度和效率而有所不同。信息处理系统的变化允许信息处理系统是通用的，或为特定客户或特定用途配置，其中特定用途例如电子商务、金融事务处理、航空公司预订、企业资料存储或全球通信。另外，信息处理系统可以包括可以被配置为处理、存储和传输信息的各种硬件和软件组件，并且可以包括一个或多个计算机系统、数据存储系统和网络系统。信息处理系统可以包括电信、网络通信和视频通信功能。此外，信息处理系统可以包括多个传感器设备，以用于测量信息处理系统的功能、安全性、位置和/或资源处理。

发明内容

附图说明

应当理解，为了图示的简单和清楚起见，图中所示的组件不一定按比例绘制。例如，某些组件的尺寸可能相对于其他组件被放大。参考本文的附图示出和描述了结合本公开的教导的实施例，其中在附图中：

图1是示出根据本公开的一个实施例的信息处理系统的框图；

图2是示出根据本公开的一个实施例的多个影响属性的框图；

图3是示出根据本公开的一个实施例的多个系统特征的框图；

图4是示出根据本公开的一个实施例的系统特征的调节的框图；

图5是示出根据本公开的一个实施例的将一个或多个影响属性与系统特征相关联的方法的流程图；以及

图6是示出根据本公开的实施例的自动执行调节的方法的流程图。

在不同附图中所使用的相同的附图标记可以指示相似或相同的项目。

具体实施方式

提供以下结合附图的描述以帮助理解本文公开的教导。描述集中于教导的具体实施方式和实施例，并且被提供以帮助描述该教导。该集中不应被解释为对教导的范围或适用性的限制。

优化功能性能是所有信息处理系统和那些信息处理系统的操作系统的制造商的持续目标。除了其他考虑因素之外，这种最佳性能可能涉及计算资源(例如，存储装置、电池电力、处理能力等)的有效消耗，自适应地优化无线通信链路，并为给定情况提供足够的安全性。现有技术中的信息处理系统试图基于过去的性能特征来优化性能特征。换句话说，这样的现有信息处理系统仅响应于已经发生的操作的变化来优化性能。需要一种方法来预测这种操作改变的时间，并在操作变化发生之前或之时自动调节信息处理系统的性能，以保持无缝优化。

在本公开的实施例中，基于传感器融合预测的自动调节系统通过以下方式来解决这些问题：通过预测某些性能指针的将来状态，并调节控制那些指标的策略以实时地实现最佳性能。该方法可以包括首先确定多个影响属性如何影响多个系统特征中的每一个的方式。本公开的实施例中的影响属性可以描述信息处理系统的操作条件，并且系统特征可以描述可能受到一个或多个影响属性影响的性能指针。

影响属性可以包括例如信息处理系统的应用程序配置文件、策略调节、功能配置文件和功率配置文件，或信息处理系统的各个组件或程序。进一步的示例影响属性可以包括信息处理系统的或者信息处理系统的各个组件或程序的特征/能力映像、网络配置文件、小时/天映像、属性配置文件、威胁配置文件、位置映像、历史性能。信息处理系统或其子组件的影响属性的其他示例可以包括管理配置文件、配置调节配置文件和默认设置增量配置文件。

这些属性中的每一个也可以与一个或多个其他影响属性相互关联。例如，网络配置文件影响属性(例如，RSSI值)可以与位置映像影响属性(例如，距已知网络基站的距离)相关。一些实施例还可经由功能配置文件影响属性来测量两个或更多个影响属性之间的相互关系，该功能配置文件影响属性测量在给定时间段内、其中一个影响属性影响一个或多个其他影响属性的值的次数。

本公开的实施例中的影响属性可以提供关于信息处理系统或其子组件的性能的高度细化的信息。响应于性能的预测变化而对信息处理系统的功能性能进行的调节可以在较高级别、较小细化度的级别上进行。例如，可以对更高级别的系统特征(例如功率子系统)进行调节。本公开的实施例中的这种子系统可以例如指示信息处理系统的一个或多个过程或子组件所消耗的功率。对这样的功率系统的示例性调节可以包括例如通过降低发光强度或者通过将视频显示器从始终开启状态切换到屏幕闲置达两分钟后进入休眠状态，来减少信息处理系统的视频显示器所消耗的功率量。在本公开的实施例中，可以对其进行这种更高级别的调节的信息处理系统的系统功能特征在本文中可以被称为系统特征。可以直接测量本公开的实施例中的每一个系统特征。例如，功率状态系统特征可以测量信息处理系统的每一个子组件(例如，视频显示器)接收和消耗的功率量，和/或可以确定信息处理系统当前是否已插入壁装电源插座或仅靠电池供电。

在一个实施例中的每一个较高级别的系统特征可能会受到一个或多个影响属性的影响。例如，功耗和网络连通性可能会影响一些属性，这些属性影响或指示描述功率状态的系统特征的状态。功耗影响属性可以指示例如信息处理系统当前已插入A/C插座，并且网络连接影响属性可以指示正在使用大于平均功率量来经由信息处理系统天线传输数据，以保持信号强度。这些影响属性(例如，A/C功率和天线的高功耗)可能会导致信息处理系统的功率状态在由当前实施的低功率策略所指示的范围之外操作，用以提示需要转向全功率策略，在全功率策略中，将不限制或抑制向天线供应的功率。

在本公开的实施例中描述的基于传感器融合预测的自动调节系统可以使用迭代运算统计推断方法，来确定哪些影响属性影响每一个系统特征的值。这种统计推断算法(例如，贝叶斯推断和贝叶斯更新)可以确定给定影响属性的任何可能组合引起或显著影响所测量的系统特征的概率。在其他实施例中，可以用机器学习系统来实现确定哪些影响属性影响给定系统特征的设置/测量/值。基于传感器融合预测的自动调节系统可以应用机器学习算法的一种或多种应用，以经由学习的目标函数将本文所述的一种或多种影响属性映像到一种或多种系统特征的输出设置或值。

一旦在一些实施例中的基于传感器融合预测的自动调节系统确定了每一个影响属性和每一个系统特征之间的关系，它就可以进入预测阶段，在该预测阶段，它基于一个或多个影响属性随时间变化的测量值以及每一个系统特征和每一个影响属性之间的已知关系来预测一个或多个系统特征的将来状态。基于传感器融合预测的自动调节系统可以对影响属性的所有预测的将来值执行传感器融合算法，以预测多个系统特征中的每一个系统特征的将来状态，并减少与每一个预测的将来状态相关的不确定性。通过使用融合算法分析多个影响属性中的每一个的将来状态，与一次确定仅一个系统特征的将来状态的方法相比，预测属性融合算法可以更高程度的确定性确定每一个系统特征的将来状态。这可能是由于每一个系统特征的相互关联的性质。

在本申请的实施方式中，基于传感器融合预测的自动调节系统可以确定当前策略或设置不允许系统特征的预测的将来状态。在这种情况下，基于传感器融合预测的自动调节系统可以确定与该系统特征相关联的调节的设置或策略，该调节的设置或策略将允许当前设置或策略不允许的系统特征的预测的状态。在一个实施例中的系统特征的每一个可能状态可以与内存中的一个或多个策略或配置相关联，以使得给定的系统特征的每一个可能状态与允许或不允许这种状态发生的策略和/或配置之间的关系是已知的。在一个实施例中，基于传感器融合预测的自动调节系统可以访问存储在内存中的这种关系描述，以便识别已知允许系统特征的预期将来状态的策略/配置。在一些实施例中，基于传感器融合预测的自动调节系统可以自动调节与该系统特征相关联的策略/配置，以允许该系统特征的预期的将来状态。在其他实施例中，在执行调节之前，基于传感器融合预测的自动调节系统可以确定这种调节是否会导致其他系统特征的将来状态发生变化。在这样的实施例中，如果确定该调节将不会不利地影响其他系统特征设置，则基于传感器融合预测的自动调节系统可以自动执行所需的调节。然而，如果确定该调节将不利地影响其他系统特征设置，则一些实施例中的基于传感器融合预测的自动调节系统可以确定对多于一个系统特征设置所需的多个调节，以便优化策略/配置，用以使得每一个预测的将来状态在将来策略下是允许的。实施例中的基于传感器融合预测的自动调节系统然后可以在预期那些将来状态时，自动执行所有识别到的调节。以这种方式，基于传感器融合预测的自动调节系统可以调节信息处理系统的功能，而没有使用户体验到低质量的性能，并且无需用户手动更改系统的任何设置。因此，本公开的实施例中的基于传感器融合预测的自动调节系统可以在需求出现之前，预期这种所需的系统特征调节，并且自动执行这种调节，用以提供信息处理系统的无缝优化的性能。

图1示出了与根据本公开的几个方面的信息处理系统相似的信息处理系统100。在本文所述的实施例中，信息处理系统可以包括可用于计算、分类、处理、发送、接收、检索、发起、切换、存储、显示、表明、检测、记录、复制、处理、或使用用于商业、科学、控制、娱乐或其他目的任何形式的信息、情报或数据的任何工具或工具集合。例如，信息处理系统可以是个人计算机、移动设备(例如，个人数字助理(PDA)或智能电话)、服务器(例如，刀片式服务器或机箱式服务器)、消费电子设备、网络服务器或存储设备、网络路由器、交换机、或网桥、无线路由器、或其他网络通信设备、网络连接设备(蜂窝电话、平板设备等)、IoT计算设备、可穿戴计算设备、机顶盒(STB)、移动信息处理系统、掌上电脑、膝上型计算机、桌面计算机、通信设备、接入点(AP)、基站收发器、无线电话、座机电话、控制系统、相机、扫描仪、传真机、打印机、传呼机、个人可信设备、网络器具或能够执行一组指定机器要执行的动作的指令(顺序或其他方式)的任何其他合适的机器，并且在大小、形状、性能、价格和功能上可能会有所不同。

在网络部署中，信息处理系统100可以在服务器-用户端网络环境中作为服务器操作或者作为用户端计算机操作，或者可以在对等(或分布式)网络环境中作为对等计算机系统操作。在一个具体实施例中，计算机系统100可以使用提供语音、视频或数据通信的电子设备来实现。例如，信息处理系统100可以是能够执行指定机器要采取的动作的一组指令(顺序的或其他方式)的任何移动或其他计算设备。此外，尽管示出了单个信息处理系统100，但是术语“系统”也应被认为包括单独地或共同地执行一组或多组指令以执行一个或多个计算机功能的系统或子系统的任何集合。

信息处理系统可以包括内存(易失性(例如，随机存取内存等)、非易失性(只读存储器、闪存等)或其任意组合)、一个或多个处理资源(例如中央处理单元(CPU)、图形处理单元(GPU)、硬件或软件控制逻辑、或其任何组合)。信息处理系统的其他组件可以包括一个或多个存储装置，用于与外部设备进行通信的一个或多个通信端口，以及各种输入和输出(I/O)设备(例如键盘、鼠标、视频/图形显示、或其任何组合)。信息处理系统还可包括一个或多个可操作以在各种硬件组件之间传输通信的总线。信息处理系统的一部分本身可以被认为是信息处理系统。

信息处理系统100可以包括体现上述一个或多个设备或为上述一个或多个系统和模块执行指令的设备或模块，并且操作以执行上述一种或多种方法。信息处理系统100可以执行代码指令124，该代码指令124可以在根据本文的各个实施例中的各个用户端信息处理系统中的服务器或系统、远程数据中心、或机顶盒上操作。在一些实施例中，应理解的是，代码指令124的任何或全部部分可以在多个信息处理系统100上操作。

信息处理系统100可以包括处理器102，例如中央处理单元(CPU)、控制逻辑或它们的某种组合。任何该处理资源都可操作以执行代码，该代码或是固件或是软件代码。此外，信息处理系统100可以包括内存(内存诸如主存储装置104、静态存储装置106)、计算机可读介质122，该计算机可读介质122存储基于传感器融合预测的自动调节系统132的指令124，以及驱动单元116(易失性(例如，随机存取内存等)、非易失性(只读存储器、闪存等)或其任意组合)。信息处理系统100还可包括一个或多个总线108，总线108可操作以在各种硬件组件(例如各种输入和输出(I/O)设备的任何组合)之间传输通信。

如图所示，信息处理系统100还可以包括视频显示器110。在一个实施例中，视频显示器110可以用作液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器、或阴极射线管(CRT)。另外，信息处理系统100可以包括字母数字元输入设备112(诸如键盘)，和/或游标控制设备(诸如鼠标、触摸板、或手势或触摸屏输入)。信息处理系统100还可以包括一个或多个传感器114、电池118、和磁盘驱动器单元116。在一个实施例中，传感器114可以是能够记录信息处理系统100的周围环境的测量或描述信息处理系统100的操作效率的任何指标的任何设备。在一个实施例中的传感器114的示例可以包括：用于提供小时/天测量的数字定时器、用于提供位置测量的GPS传感器、用于提供信息处理系统的当前配置(例如翻盖模式、平板计算机模式、帐篷模式)的测量值的在GPS传感器内的加速度计、以及提供通信链路质量测量的天线前端传感器。传感器114还可以包括指针记录系统，该指针记录系统能够监控信息处理系统操作系统性能的各种指针，包括输入设备112、视频显示器110、以及电池118的操作特征。

显示为无线适配器120的网络接口设备可以提供与网络128的联机，例如广域网(WAN)、局域网(LAN)、无线局域网(WLAN)、无线个人局域网(WPAN)、无线广域网(WWAN)或其他网络。连接可以经由有线或无线连接。无线适配器120可以包括一个或多个射频子系统134，其具有发射器/接收器电路、调制解调器电路、一个或多个统一射频前端电路、一个或多个无线控制器电路、放大器、天线系统130和其他射频子系统电路，其用于经由多种无线电访问技术进行无线通信。每一个射频子系统134可以利用一个或多个无线技术协议通信。射频子系统134可以包括用于每一个技术服务提供商的单独的订户身份模块(SIM)配置文件，以及它们对于基于订户的无线接入技术(诸如蜂窝LTE通信之类)可用的协议。无线适配器120还可包括天线系统130，该天线系统130可以是可调天线系统，其可用于与本文公开的系统和方法。在一些实施例中，网络接口设备120可以包括多达四个天线系统130。

在本公开的一些方面，一个无线适配器120可以操作两个或更多个无线链路，并且多达四个无线链路，或者每一个天线一个无线链路。在另一个方面，无线适配器120可以使用单个共享的通信频带来操作两个或更多个无线链路，例如，与用于小蜂窝5G操作的或者在一个示例性方面用于未许可的Wi-Fi WLAN操作的未许可的无线频谱相关的5G标准。例如，可以在5G标准下分配5GHz无线通信频带，以便在小蜂窝WWAN无线链路操作或Wi-FiWLAN操作上进行通信。在一些实施例中，可以通过一个或多个天线来发送共享的无线通信频带。还预期其他共享通信频带也可以用在本公开的实施例中。

在其他方面，作为移动信息处理系统操作的信息处理系统100可以操作多个无线适配器120，以同时在一个或多个无线通信频带中进行无线电操作。在一些公开的实施例中，多个无线适配器120可以进一步共享无线通信频带或在接近的无线通信频带中操作。此外，如在一些当前描述的实施例中，当多个无线链路同时操作时，谐波和其他影响可能影响无线链路的操作。在共享的频带或干扰的频带中同时进行的无线电发送或接收的接近性导致需要评估同时作业的天线系统，并且可能根据本公开的天线优化系统进行天线系统调节。

无线适配器120可以根据任何无线数据通信标准来操作。为了与无线局域网通信，可以使用包括IEEE 802.11WLAN标准、IEEE 802.15WPAN标准、诸如3GPP或3GPP2的WWAN或诸如蓝牙的类似无线标准。无线适配器120可以连接到宏蜂窝无线连接的任何组合，宏蜂窝无线连接包括来自一个或多个服务提供商的2G、2.5G、3G、4G、5G等。根据本公开的几个示例性实施例，射频通信频带的利用可以包括与WLAN标准和WWAN载波一起使用的频带，其可以在许可频谱和未许可频谱两者中操作。例如，WLAN和WWAN都可以使用未经许可的国家信息基础架构(U-NII)频段，该频段通常在～5MHz频段中操作，频段例如802.11a/h/j/n/ac/ad/ax(例如中心频率在5.170-5.785GHz之间)，以及在60GHz和80GHz频段(例如802.11ad)。应该理解的是，在5GHz共享通信频带下，任何数量的可用信道都是可用的。例如，WLAN也可以在2.4GHz频带上操作。WWAN可以在多个频带中操作，其中一些频带是专有的，但是可以包括例如大约2.5GHz频带的无线通信频带。在其他示例中，WWAN载波许可的频带也可以在例如大约700MHz、800MHz、1900MHz或1700/2100MHz的频带上操作。在示例性实施例中，移动信息处理系统100包括未许可的无线射频通信能力以及许可的无线射频通信能力。例如，可以经由订户载波无线服务来获得许可的无线射频通信能力。

无线适配器120可以代表附加卡，与信息处理系统的主板集成或与另一无线网络接口功能集成或其任何组合的无线网络接口模块。在一个实施例中，无线适配器120可以包括一个或多个射频子系统130，该射频子系统130包括用于经由多个无线链路进行连接的发射机和无线控制器。在示例性实施例中，信息处理系统可以具有用于5G小蜂窝WWAN、Wi-FiWLAN或WiGig连接的天线系统发射机130以及用于宏蜂窝通信的一个或多个附加天线系统发射机130。射频子系统134包括无线控制器，以用于管理身份验证、连接、通信、传输的功率电平、缓冲、纠错、基带处理、以及无线适配器120的其他功能。

无线适配器的射频子系统134还可以根据本公开中的天线优化系统的操作，来测量与无线通信有关的各种指标。例如，射频子系统134的无线控制器可以管理检测和测量接收到的信号强度级别、误码率、信噪比、延迟、抖动、以及与信号质量和强度有关的其他指标。在一个实施例中，无线接口适配器120的无线控制器可以管理一个或多个射频子系统134。

本公开内容预期了一种计算机可读介质，其包括指令、参数和配置文件124，或者响应于传播的信号来接收并执行指令、参数和配置文件124；因此，连接到网络128的设备可以通过网络128传送语音、视频或数据。此外，可以经由网络接口设备或无线适配器120通过网络128发送或接收指令124。

信息处理系统100可以包括一组指令124，该指令124可被执行以使计算机系统执行本文公开的方法或基于计算机的功能中的任何一个或多个。例如，指令124可以执行基于传感器融合预测的自动调节系统132、软件代理或其他方面或组件。包括应用程序指令124的各种软件模块可以由操作系统(OS)和/或经由应用程序设计界面(API)进行协调。示例性操作系统可以包括

和本领域已知的其他OS类型。API的示例可能包括WinAPI(例如Win32、Win32s、Win64和WinCE)、Core Java API或Android API。

磁盘驱动器单元116和基于传感器融合预测的自动调节系统132可以包括计算机可读介质122，其中可以嵌入一组或多组指令124，例如软件。类似地，主存储装置104和静态存储装置106也可包括用于存储一组或多组指令、参数或配置文件124的计算机可读介质，该指令、参数或配置文件124包括一个或多个多任务器配置方案表和/或一个或多个数据流配置方案表。磁盘驱动器单元116和静态存储装置106还包括用于数据存储的空间。此外，指令124可以体现本文所述的一种或多种方法或逻辑。例如，这里也可以存储与基于传感器融合预测的自动调节系统和特设路由算法有关的指令。在一个具体实施例中，在由信息处理系统100的处理器102执行期间，指令、参数和配置文件124可以完全或至少部分地驻留在主存储装置104、静态存储装置106和/或磁盘驱动器116内。如所解释的，可以在本地或远程处执行基于传感器融合预测的自动调节系统中的一些或全部。主存储装置104和处理器102还可以包括计算机可读介质。

主存储装置104可以包括计算机可读介质(未示出)，例如在示例性实施例中的RAM。主存储装置104的示例包括随机存取存储装置(RAM)，诸如静态RAM(SRAM)、动态RAM(DRAM)、非易失性RAM(NV-RAM)等、只读存储装置(ROM)、另一种类型的存储装置或其组合。在一些示例性实施例中，静态存储装置106可以包括计算机可读介质(未示出)，诸如NOR或NAND闪存。在一个示例性实施例中，基于传感器融合预测的自动调节系统132和磁盘驱动器单元116可以包括诸如磁盘的计算机可读介质122。尽管计算机可读介质被示为单一介质，但是术语“计算机可读介质”可以包括单一介质或多种介质，例如集中式或分布式数据库，和/或存储一组或多组指令的相关联的缓存和服务器。术语“计算机可读介质”还应包括能够存储、编码或承载一组指令以供处理器执行、或使计算机系统执行本文公开的方法或操作中的任何一个或多个的任何介质。

在一个具体的非限制性的示例性实施例中，计算机可读介质可以包括固态存储装置(诸如存储卡)或容纳一个或多个非易失性只读存储装置的其他封装。此外，计算机可读介质可以是随机存取存储装置或其他易失性可重写存储装置。另外，计算机可读介质可以包括磁光或光学介质(诸如磁盘或磁带之类或其他存储装置)，以存储经由载波信号(诸如通过传输介质传送的信号)接收的信息。此外，计算机可读介质可以存储从诸如基于云的环境的分布式网络资源接收的信息。电子邮件或其他独立信息档案或档案集的数字元文件附件可以被视为等同于有形存储介质的分布介质。因此，本公开被认为包括可以将数据或指令存储在其中的计算机可读介质或分布介质以及其他等效物和后继介质中的任何一个或多个。

信息处理系统100还可以包括可操作地连接到总线108的基于传感器融合预测的自动调节系统132。基于传感器融合预测的自动调节系统132计算机可读介质122也可以包括用于资料存储的空间。基于传感器融合预测的自动调节系统132可以基于接收到的传感器数据或系统指针的测量来执行与预测一个或多个信息处理系统特征中的状态变化有关的任务，并自动执行那些预期的状态变化。在一个实施例中，基于传感器融合预测的自动调节系统132可以经由总线108与主存储装置104、处理器102、视频显示器110、字母数字元输入设备112、传感器114、电池118和网络接口设备120进行通信，并且可以使用若干形式的通信，包括ACPI、SM总线(SMBus)、24MHZ BFSK编码的传输信道或共享存储装置。

在其他实施例中，专用硬件实现方式(诸如专用集成电路、可程序化逻辑数组、和其他硬设备)可以被构造为实现本文描述的一种或多种方法。可以包括各种实施例的装置和系统的应用可以广泛地包括各种电子和计算机系统。本文描述的一个或多个实施例可以使用两个或更多个特定的互连硬件模块或设备来实现功能，其中相关的控制和数据信号可以在该模块之间和通过模块进行通信，或者作为专用集成电路的一些部分。此外，在一个示例性非限制性实施例中，实现方式可以包括分布式处理、组件/对象分布式处理和并行处理。替代地，虚拟计算机系统处理可以被构造为实现本文描述的方法或功能中的一个或多个。因此，本系统包括软件、固件和硬件的实现方式。

当被称为“系统”、“设备”、“模块”、“控制器”等时，本文描述的实施例可以被配置为硬件。例如，信息处理系统设备的一部分可以是硬件，例如集成电路(例如专用集成电路(ASIC)、现场可程序化门阵列(FPGA)、结构化ASIC、或嵌入在较大芯片上的设备)，卡(例如外围组件接口(PCI)卡、串行总线(PCI Express)卡、个人计算机存储卡国际协会(PCMCIA)卡、或其他此类扩展卡)，或系统(例如主板、片上系统(SoC)、或独立设备)。系统、设备、控制器或模块可以包括软件(包括嵌入在设备上的固件，例如，英特尔

酷睿类处理器、ARM

品牌处理器、高通

骁龙

处理器或其他处理器和芯片组，或其他此类设备)，或能够操作信息处理系统相关环境的软件。该系统、设备、控制器、或模块还可以包括前述示例的硬件或软件的组合。应注意，信息处理系统可以包括集成电路或板级产品，其一些部分也可以是硬件和软件的任意组合。除非另有明确说明，否则彼此通信的设备、模块、资源、控制器或程序无需彼此持续地通信。另外，彼此通信的设备、模块、资源、控制器或程序可以直接通信或通过一个或多个中介装置间接通信。

图2是示出根据本公开的实施例的多个传感器、外围设备和影响属性的框图。本公开的实施例中的基于传感器融合预测的自动调节系统可以对多个影响属性或由信息处理系统中的传感器测量的指针执行传感器融合算法。以这种方式，基于传感器融合预测的自动调节系统可以最佳地适应预期到的、将来可能发生的性能变化。

在一个实施例中，多个传感器114和外围或内部设备可以接收若干不同类型的传感器测量值或系统指针。在一个实施例中的示例性外围设备和/或内部设备可以包括输入设备112、视频显示器110和电池118。示例性传感器114可以包括用于提供小时/天测量的数字定时器、用于提供位置测量的GPS传感器、用于提供对信息处理系统的当前配置(例如，翻盖模式、平板计算机模式、帐篷模式)的测量的在GPS传感器内的加速度计、用于提供通信链路质量测量的天线前端传感器。传感器114可以进一步包括指针记录系统，该指针记录系统能够监控信息处理系统操作系统性能的各种指针，包括输入设备112、视频显示器110和电池118的操作特征。这种指针可以用作影响属性200来以多种方式影响系统特征。

影响属性200可以包括用于例如信息处理系统或信息处理系统的各个组件或程序的应用程序配置文件202、策略调节204、功能配置文件206和功率配置文件208。在一个实施例中，应用程序配置文件202影响属性可以识别哪些应用程序正在运行和/或使用者正积极参与的应用程序。在一个实施例中，策略调节204影响属性可以描述对于信息处理系统特定的策略进行的调节的细节，例如电池消耗策略、唤醒/休眠策略、使用者识别策略、以及安全性策略。在一个实施例中，功能配置文件206影响属性可以识别一个或多个其他影响属性之间的关系。例如，功能配置文件影响属性206可以识别在一个训练时间段中、其他影响属性(例如202、204或210-228)中的每一个影响其他影响属性中的另一个的值的次数，和/或可以识别其所影响的其他影响属性中的每一个。例如，在一个实施例中，功率策略影响属性可以描述电池消耗策略、唤醒/休眠策略、推送通知的接收、和/或无线通信策略(例如，使用一个或多个多无线电接入技术天线)。

其他示例影响属性可以包括用于信息处理系统或用于信息处理系统的单个组件或程序的历史性能210、特征/能力映像212、网络配置文件214、小时/天映像216、属性配置文件218、威胁配置文件220、和位置映像222。在一个实施例中，历史性能配置文件210影响属性可以描述多个不同计算资源(例如，存储装置、处理能力、电池功率等)随时间推移的消耗。在一个实施例中，特征/能力影响属性212可以描述高级特征的启用/禁用，该高级特征诸如特殊辅助功能选项(例如，隐藏式字幕)、扩增或虚拟现实用户接口的使用、将信息处理系统的屏幕内容无线地投影到附近的显示设备，连接一个或多个外部视频显示器110、和/或使用蓝牙连接到附近设备、使用其他可操作地连接的附件设备(例如指纹扫描仪、网络相机或摄影机、三维相机等)。在一个实施例中，网络配置文件影响属性214可以识别信息处理系统连接到的一个或多个网络，和/或所建立每一个通信链路的性能特征(例如，RSSI、拥塞分数、频率、数据速率)。在一个实施例中，小时/天映像影响属性216可以将多个其他影响属性映像到其发生或调节的小时或天。在一个实施例中，属性配置文件218影响属性可以操作以动态地管理其他影响属性中的每一个。例如，一个属性配置文件218可以操作以动态地管理由功率配置文件影响属性208所指示的可操作电池。在一个实施例中，威胁配置文件影响属性220可以识别例行执行的计算机硬盘驱动器安全扫描的时间和结果。在一个实施例中，位置映像222影响属性可以描述在一段时间内的位置测量的历史，其可以用于建立使用者的关于在房屋、建筑物、邻里、城镇、城市、州、国家，或不同国家的每日、每周、或每月历程，或使用者的关于一个或多个无线网络的每日、每周、或每月历程。

影响信息处理系统或其子组件的属性的又一些示例可以包括管理配置文件224、配置调节配置文件226、和默认设置增量配置文件228。在一个实施例中，管理配置文件224影响属性可以描述下载的和安装的计算机配置配置文件或系统更新的细节。在一个实施例中，配置调节影响属性226可以识别对信息处理系统的配置进行的调节的每一个实例，包括对显示功能的调节(例如，有线地或无线地增加或移除新的显示设备)、信息处理系统从笔记本电脑配置到平板计算机配置的操纵、将信息处理系统配置为网状网络中的节点、将信息处理系统从高觉醒状态更改为低觉醒或休眠状态、以更高或更低的分辨率显示图像、启用或禁用一种或多种类型的无线通信、启用或禁用IT专业人员对信息处理系统的远程访问、添加或移除授权的用户、或者对信息处理系统内的一个或多个系统的配置进行的任何其他调节。在一个实施例中，默认设置增量影响属性228可以识别对在由IT专业人员设置或在制造时设置的信息处理系统的默认设置的调节，以及进行这种调节的时间。

在一些实施例中，影响属性200可以具有在可能值的范围内的可测量值。例如，网络配置文件影响属性214可以为由网络接口设备建立的特定通信链路提供具有在零和一百之间的值的RSSI。作为另一个示例，位置映像影响属性222可以包括信息处理系统的GPS坐标，或者可以测量信息处理系统与已知的网络网关、基站、接入点或网状网络节点之间的距离(以米为单位)。在一个实施例的其他方面，一些影响属性200可以具有反映“开”或“关”状态的二进制值。此外，这些属性中的每一个也可以与一个或多个其他影响属性相互关联。例如，网络配置文件影响属性214(例如，RSSI值)可以与位置映像影响属性222(例如，距已知网络基站的距离)相关。在一个实施例中，影响属性200因此可以提供关于信息处理系统或其子组件的性能的高度细化的信息。

图3是示出根据本公开的一个实施例的、经由随机过程的多个影响属性和多个系统特征之间的相互关系的框图。响应于性能的预测的变化而对信息处理系统的功能性能进行的调节可以在比细化的影响属性200更高级别上进行。例如，可以对高级别系统特征300进行调节。系统特征300可以包括例如行为使用特征302、性能映像特征304、功率状态特征306、安全配置文件特征308、和配置特征310。每一个系统特征300可以由多个性能指针来描述，并且在一个实施例中，每一个系统特征300与其定义的多个性能指针之间的关联可以存储在存储装置中。在一个实施例中定义系统特征300的多个性能指针中的每一个可以是影响属性，或者可以描述若干影响属性200的组合。在另一方面，定义一个系统特征的性能指针可以包括其他系统特征的状态或值。

在一个实施例中的行为使用系统特征302可以描述和/或指示信息处理系统可能被使用的位置和/或天/周的时间，和使用其的方式。例如，行为使用系统特征302可以识别信息处理系统的时间和/或位置，该时间和/或位置指示用户在家、在公司或在两者之间的路上。能够区分这两种状态可能有助于预测将来的通信、功率和性能要求。在这样的实施例中，可以部分地基于包括信息处理系统在给时间的位置的性能指针来定义行为使用302系统特征。在另一个示例中，行为使用302系统特征可以测量用户随时间的行为。例如，在这样的一个实施例中，其中信息处理系统在默认时间段后进入到睡眠、休眠、锁定或变暗状态，并且用户此后立即将信息处理系统从该状态持续移至唤醒或变亮状态，行为使用302系统特征可以使该用户与在信息处理系统移入睡眠、休眠、锁定或变暗状态之前，与延长所需的空闲时间段的需求相关联。

在其他方面，行为使用特征302可以识别用户在某时间段从事的活动类型，以及完成这些任务所需的一个或多个性能资源的测量值。例如，行为使用系统特征302可以区分主要使用信息处理系统以串流和观看视频内容(需要高性能的互联网连接、图形处理和显示能力)的第一用户，以及主要使用信息处理系统以用于编写和编译计算机代码指令(需要相对较低性能的互联网连接、图形处理和显示功能但需要相对较高的处理能力)的第二使用者。在这样的实施例中，可以部分地基于性能指针来定义行为用户302的系统特征，该性能指针包括用户在给定时间正在运行哪些应用，以及对于这种用途所需的图形/计算资源的识别。

在一个实施例中，性能映像系统特征304可以确定某些操作资源可以专用于哪些应用程序或过程，以便优化当前由用户使用的信息处理系统的性能。例如，性能映像系统特征304可以基于用户正在从事的哪些活动(例如，如由行为使用302系统特征所规定)，预期有多少功率可用(例如，通过功率状态306系统特征所规定)，由于建立的策略(如配置310系统特征所规定)或由于安全考虑(如安全配置文件308系统特征所规定)而不允许进行哪些活动，来为各种计算组件的任务进行优先级排序。以这种方式，定义性能映像304系统特征的性能指针可以包括其他系统特征302和306-310中的每一个的状态或值。

在一个实施例中的功率状态系统特征306可以描述和/或指示信息处理系统的一个或多个过程或子组件消耗的功率以及预期在给定时间可用的功率。对这种功率状态306的示例性调节可以包括例如通过降低发光强度、或通过将视频显示器从始终开启状态移入在闲置两分钟后屏幕进入休眠的状态，来减少信息处理系统的视频显示器所消耗的功率量。

在一个实施例中，安全配置文件308系统特征可以确定访问信息处理系统的要求。示例性要求可以包括满足视网膜扫描、指纹扫描、语音扫描、面部识别扫描、密码或这些或任何其他已知安全特征的组合。换句话说，在一个实施例中的安全配置文件系统特征308可以指示能够经由这些方法中的任何一种来执行识别的外围或集成的指纹扫描仪、麦克风或相机是否需要保持在活动或休眠状态，或者可以在检测到附近的使用者时自动接合。在其他实施例中，安全配置文件308系统特征可以基于信息处理系统的测量位置、或者通过经由麦克风测量的环境噪声来确定用户在公共场所中，并且发起安全观看会话(在安全观看会话中，使用者可以经由公众可观看的视频显示来观看非安全信息)，并且仅可以经由可穿戴式头戴式耳机显示设备查看安全信息以形成扩增实境。在其他实施例中，安全性配置文件308系统特征可以描述是否需要辅助BIOS级别的安全性密码，或者是否建立了基于辅助地理位置的安全性协议，用以仅当信息处理系统处于预先指定的位置时才允许用户访问。在其他实施例中，安全配置文件308系统特征可以指示哪些应用程序或过程可以经由网络接口设备与远程网络通信，以及出于安全原因可以沙盒化哪些应用程序。

在一个实施例中的配置系统特征310可以描述信息处理系统的软件配置、BIOS配置、物理/硬件配置、或相对于较大企业网络的配置。物理配置可以描述信息处理系统与一个或多个外围设备的交互，外围设备例如多个显示器、虚拟现实耳机、扩增实境耳机、电磁共振笔或触控笔、蓝牙麦克风、有线和/或无线打印机、和/由物联网(IoT)无线传感器或设备。配置系统特征310指示的其他配置可以包括根据与学生、访客、客户、雇员或企业网络的管理员相关联的默认规则来配置操作系统或在其上运行的应用程序。配置系统特征310的其他示例可以描述策略内(例如，软件或固件内)的设置，其中每一个可能的策略设置是预设的并且是已知的。

每一个系统特征300可以具有预定或已知的设置或值的范围，并且每一个这样的设置或值可以指示性能配置的特定组合。例如，功率状态306系统特征可以包括沿着从低功率到全功率设置的频谱的若干设置。在这样的示例性实施例中，更接近频谱的低功率侧的设置可以指示性能配置的组合，包括不允许推送通知、禁止蓝牙连接、以及不允许某些应用程序在后台运行或访问处理资源。在一个实施例中，这些可能设置中的每一个可以被预设并存储在存储装置中。

在本公开的实施例中，可以通过确定每一个系统特征可能置于的哪些可能状态，在给定时间直接测量每一个系统特征300。例如，功率状态系统特征可以测量信息处理系统的每一个子组件(例如，视频显示器)接收和消耗的功率量，和/或可以确定信息处理系统当前是否已插入壁装电源插座或仅仅靠电池功率来操作。作为另一个示例，性能映像系统特征304可以被设置为禁止所有推送通知。类似地，可以确定行为使用系统特征302是否被设置为在家庭模式、工作模式和旅行模式，安全配置文件系统特征308是否需要视网膜扫描、语音识别、和/或面部识别以用于访问，以及配置系统特征310是否被设置为与诸如蓝牙麦克风的外围设备集成在一起。

在一个实施例中，基于传感器融合预测的自动调节系统可以使用迭代预测算法在事件发生之前预期可能触发系统特征300的所需变化的事件，并在该事件发生之前自动进行调节。为了提高迭代预测算法的准确性，基于传感器融合预测的自动调节系统可以将其对将来系统特征状态的预测基于多个影响属性数据200，该影响属性数据比系统特征300的测量更细化。在本公开的实施例中，基于传感器融合预测的自动调节系统可以对影响属性采用随机过程/统计推断算法312，以便识别哪个影响属性影响每一个系统特征以及如何影响系统特征。

在一个实施例中，基于传感器融合预测的自动调节系统可以通过随机过程312来归一化每一个影响属性的值和每一个系统特征，以使得可以避免关于这些指标中的每一个指针之间的冲突单元对这些预测的有害影响。这种随机方法可以通过将每一个值除以在任何给定情况下可能取值的潜在范围来对每一个值进行归一化。例如，如果网络基站的已知范围为一公里，并且位置映像影响属性描述距基站的距离为100米，则基于传感器融合预测的自动调节系统可以将位置映像影响属性的值归一化为等于可能的一百分之十的值(例如100米除以一公里)。随机方法可以类似地应用于所有其他影响属性，以赋予它们介于零到一百之间的值，以指示测量值相对于可能的值的范围的百分比。此外，可以将随机方法类似地应用于所有系统特征，以使赋予它们介于零到一百之间的值。此外，每一个系统特征300的每一个可能状态可以被归一化为零到一百之间的值。例如，如果行为使用302系统特征能够在家庭状态、工作状态和旅行状态下运作，则这些值中的每一个可以分别归一化为零、五十和一百的值。

一旦每一个影响属性和每一个系统特征都被归一化，则基于传感器融合预测的自动调节系统就可以执行统计推断算法，以确定给定影响属性200的任何可能组合引起或显著影响测量的系统特征300的可能性。在一个实施例中，如果给定组合的可能性满足默认的推断阈值，则基于传感器融合预测的自动调节系统可以将该组合中的每一个影响属性200与该特定系统特征300相关联。另外，在一些实施例中的基于传感器融合预测的自动调节系统可以在学习时间段内重复执行这样的统计推断算法，以便确定影响属性200的组合的哪些状态(值)最有可能导致系统特征300的给定状态(值)。换句话说，基于传感器融合预测的自动调节系统可以学习在哪些情况下(如由多个影响属性200的值所描述的)，给定的系统特征300可以从第一状态移动到第二状态。在一个实施例中的统计推断算法的示例可以包括贝叶斯推断和贝叶斯更新，以及其他已知的非贝叶斯推断方法。

在其他实施例中，可以用机器学习系统来实现对哪些影响属性影响给定系统特征300的设置/测量/值的确定。如本文所述，每一个影响属性可以具有可测量的值(例如，在可能设置的归一化规模或频谱上)，或者可以具有指示“开”或“关”状态的二进制值。在其他方面，可将迭代加权应用于各种影响属性200，以训练人工神经网络或判定树，用以使得一些影响属性200将被认为在影响一个或多个系统特征300的测量结果方面具有更大的重要性。

基于传感器融合预测的自动调节系统可以应用机器学习算法的一个或多个应用，以经由学习的目标函数来将本文所述的一个或多个影响属性200映像到一个或多个系统特征300的输出设置或值。例如，可以采用预测分析来将功率状态306系统特征与影响属性200相关联，该影响属性200包括网络配置文件、应用程序配置文件、功率配置文件、历史性能、特征/能力。

将理解的是，影响属性通常可以包括一个或多个其他系统特征，这些特征可以被视为用于机器学习算法确定的用于另一系统特征的值/设置的各个单独的输入变量。在一个示例性实施例中，可能需要在影响属性或系统特征的两个可能状态之间进行二进制分类确定。在这样的示例性实施例中，可以使用适合于二进制分类分析的任何机器学习算法。在一些实施例中，用于这种分析的示例性机器学习算法可以包括逻辑回归技术、线性判别分析、线性回归分析、人工神经网络或分类/回归树。在示例性实施例中，可以采用机器学习分类器算法来确定影响属性的分类，该影响属性影响给定系统特征的结果。

在各种其他实施例中，机器学习系统可以采用若干品种的单纯贝叶斯预测模型分析，学习向量量化人工神经网络算法，或诸如Adaboost或随机梯度增强系统之类的增强算法的实现，以迭代地更新权重，来训练机器学习分类器，以确定影响属性和系统特征之间的关系和/或这种影响属性影响这种系统特征的结果的程度。这后几种算法中的几种可以利用训练数据建立模型，以供基于传感器融合预测的自动调节系统使用。一方面，增强可以与判定树一起使用，而学习向量量化可以与人工神经网络算法一起使用。有多种可用于具有多个变量的分类预测中的机器学习范式，例如在本文的基于传感器融合预测的自动调节系统的实施例中描述的那些。

在一个实施例中，随机过程312还可基于在学习时间段的影响属性200的测量、记录、和/或归一化的值来进一步预测一个或多个影响属性200的将来状态。在这样的实施例中，死循环的迭代过程可以用于基于影响属性的先前状态来确定相同的影响属性200的将来值。例如，在一个实施例中，可以使用卡尔曼滤波器来进行该确定。作为另一个示例，可以使用采用梯度下降方法的神经网络或机器学习算法来对将来状态进行该预测。

图4是示出根据本公开的一个实施例的基于预测属性融合算法的系统特征的调节的框图。在一个实施例中的基于传感器融合预测的自动调节系统可以使用传感器融合算法402，基于由已知会影响一个或多个系统特征302-310的一个或多个影响属性的随机过程所确定的将来状态，来确定是否针对每一个预测的将来系统特征状态来优化当前可调节的设置。

每一个系统特征302-310可以具有多个可能的设置，如图4所示的调节接口404-412所示。例如，行为使用系统特征302可以包括在第一已知状态和第二已知状态之间的、多个可能的可调节的行为设置404，其中第一已知状态指示使用者正在浏览互联网并且需要很少的计算资源，第二已知状态指示使用者正在串流超高清视频并且需要更多处理能力和非常快速的互联网连接。作为另一个示例，性能映像系统特征304可以包括在第一已知状态和第二已知状态之间的、多个可调节的性能设置406，其中第一已知状态允许高清图形应用程序消耗尽可能所有其所需的处理能力，第二已知状态限制了此类程序可用的处理能力，限制网络接口设备访问的处理能力的量，关闭后台应用程序，或禁止来自空闲应用程序的推送通知。作为又一个示例，功率状态系统特征306可以包括在第一已知低功率模式414和第二已知的全功率模式416之间的多个可能的可调节功率设置408，其中在第一已知低功率模式414中，网络接口设备和/或一个或多个无线电接入技术(例如，蓝牙)被关闭以节约用电；在第二已知的全功率模式416中，可以允许这种活动。安全配置文件系统特征308可以包括在第一已知状态和第二已知状态之间的多个可能的可调节安全设置410，其中在第一已知状态中，仅需要密码以访问信息处理系统，在第二已知状态中，也需要面部识别、语音识别、指纹扫描、或视网膜扫描以获得访问权限。作为又一个示例，配置系统特征310可以包括在第一状态和第二状态之间的多个可能的可调节配置设置412，其中在第一状态中，信息处理系统被配置为检测附近的蓝牙麦克风并自动与其连接，在第二状态中，信息处理系统被替代地配置为可操作地连接到头戴式显示设备，以用于扩增实境用户接口。

给定系统特征内的每一个可能的设置可以与指示信息处理系统性能的策略、设置(例如，硬件、软件、固件、组件)或配置的不同组合相关联。例如，低功率模式设置414可以与禁止蓝牙连接的连接策略、禁止空闲应用程序访问处理资源的应用程序策略、限制显示器内的像素的照明以节省能量的显示策略、和/或禁止推送通知的通知策略相关联。在一个实施例中，在低功率模式414和全功率模式416之间的每一个可能的设置与受该设置影响的每一个策略、设置或配置之间的关联可以被预设并存储在存储装置中。

在一个实施例中的预测属性融合算法402可基于每一个影响属性的预测的将来状态，以及基于每一个系统特征与每一个影响属性和/或其他系统特征之间的已知关系，来为每一个系统特征302-210确定将来状态。例如，在一个实施例中，基于传感器融合预测的自动调节系统可能经由统计推断算法确定了功率状态系统特征306的给定状态将在功率配置文件、历史性能、功能配置文件、位置映像、网络配置文件、配置调节、和应用程序配置文件影响属性的多个指针测量的给定组合发生。在这样的示例中，传感器融合算法402可以组合这些影响属性中的每一个的预测的将来状态，以便确定那些影响属性的预测的将来状态的组合是否可能引起功率状态系统特征306的改变。以这种方式，在出现这种需求之前，本公开实施例中的基于传感器融合预测的自动调节系统可以预测一个或多个信息处理系统特征302-310的所需变化。通过使用融合算法来分析多个影响属性中的每一个的将来状态，与一次仅确定一个系统特征的将来状态的方法相比，预测属性融合算法可以更大程度地确定每一个系统特征的将来状态。在一个实施例中，这可能是由于每一个系统特征302-310的相互关联的性质。

一旦在本公开的实施例中已经识别出该将来需求，基于传感器融合预测的自动调节系统就可以确定与该系统特征相关联的当前设置是否允许这种改变。例如，功率状态306的当前状态可以指示信息处理系统正在依靠电池功率操作，并且被设置为低功率模式414。在这样的示例性实施例中，由预测属性融合算法402确定的功率状态306系统特征的将来状态可指示信息处理系统可能已插入到连续的电源中，并且使用者当时将从事的活动将消耗高级别的处理资源，因此消耗高级别的电力。在这种情况下，基于传感器融合预测的自动调节系统可确定当前的低功耗模式414设置不允许处理器消耗当时预期使用者将需要的高级别处理资源和电力。在一个实施例中，这种高电力需求和对连续的电源的访问可以与全功率模式416而不是低功率模式414相关联。在一个实施例中，基于传感器融合预测的自动调节系统可以将与功率状态306系统特征相关的设置自动调节到全功率模式416，其基于预期需求以及基于预期当时那信息处理系统将被插入到连续的电源中，来确实允许处理器消耗使用者当时预期需要的高级别处理资源和电力。

在另一个实施例中，在对任何一个系统特征设置执行任何自动调节之前，预测属性融合算法可以优化多个系统特征的设置。例如，在这样一个实施例中，其中可能需要更改多个系统特征的设置以适应那些系统特征的预测的将来状态，预测属性融合算法可以确保这样的设置调节不会相互冲突，并如果在这种情况下减轻有害影响。例如，如果行为使用302系统特征的将来状态指示用户将可能开始串流超高清(UHD)视频，则预测属性融合算法402可以确定可能需要更改行为使用302系统特征设置以允许这种活动。但是，如果功率状态306系统特征的将来状态指示信息处理系统可能仅靠电池电源操作，则预测属性融合算法可确定可能需要调节功率状态306设置以禁止进行该相同的活动(例如串流超高清视频)。

在这样的实施例中，预测属性融合算法可以分析每一个系统特征302-310的所有可能的设置，以便识别可能满足预测的将来需求的所有系统特征的设置的最佳组合。在这样的实施例中，预测属性融合算法可以例如修改其他系统特征(例如304、308-310)的设置，以便节省足够的电池功率量，使得串流UHD视频不会有害地影响系统性能。例如，预测属性融合算法402可以确定安全配置文件308系统特征的将来状态不指示需要视网膜扫描仪访问信息处理系统，并且将安全调节410设置为不需要视网膜扫描的较低安全设置。通过避免使用这种视网膜扫描仪，用于视网膜扫描的功率可以改为用于串流UHD视频的更高优先级活动。然后，在这样的实施例中的预测属性融合算法可以自动调节每一个受影响的系统特征的设置，以便优化所有系统特征的性能。

以这种方式，基于传感器融合预测的自动调节系统可以调节信息处理系统的功能，而用户不会经受效率低下或性能不佳，并且不需要用户手动地更改系统的任何设置。因此，在一个实施例中，基于传感器融合预测的自动调节系统可以在出现这种需求之前预期这种所需的系统特征调节，并自动执行这种调节，用以提供信息处理系统的无缝优化性能。

图5是示出根据本公开的一个实施例的使用统计推断算法将一个或多个影响属性与系统特征相关联的方法的流程图。在一个实施例中，基于传感器融合预测的自动调节系统可以进行这种关联，以便基于已知会影响这种系统特征的一个或多个影响属性的预测的状态，来预测系统特征的将来状态。

在框502处，在一个实施例中的基于传感器融合预测的自动调节系统可以定义由设置或策略控制的多个系统特征，包括行为使用、性能映像、功率状态、安全配置文件、以及信息处理系统的配置。例如，在参考图4描述的实施例中，每一个系统特征302-310可以具有多个可能的设置，如调节接口404-412所示。在一个实施例中，调节接口404-412中所示的每一个可能的设置之间的关系可以在存储装置中与一个或多个策略设置相关联。在一个实施例中，这些策略中的每一个都可以指示遵守这些策略的信息处理系统可以允许的动作。例如，低功率模式设置414可以与禁止蓝牙连接的连接策略，禁止空闲应用程序访问处理资源的应用程序策略，限制显示器内的像素的照明以节省能量的显示策略、和/或禁止推送通知的通知策略相关联。

在框504处，在一个实施例中，基于传感器融合预测的自动调节系统可以接收影响属性和/或系统特征的值的测量。在一个实施例中，影响属性可以包括影响一个或多个系统特征的状态的细化性能指针。例如，在参考图2描述的实施例中，基于传感器融合预测的自动调节系统可以接收每一个影响属性200的测量或指针，并且可以将每个单个影响属性200的测量值存储在信息处理系统的存储装置中的单独的索引或表中。在一个实施例中，这样的索引或表中的每一个测量值可以与进行每一个测量的日期和时间相关联。这样的测量可以在信息处理系统正在被动地记录这样的指针或测量值的初始学习时间段内进行，或者可以在信息处理系统基于学习时间段期间记录的影响属性的状态而自适应地并且自动地调节一个或多个系统特征的调节时间段内进行。

在一些实施例中，基于传感器融合预测的自动调节系统可以在信息处理系统上操作，其中在该信息处理系统中测量每一个影响属性。例如，基于传感器融合预测的自动调节系统可以在笔记本电脑上操作，其中在该笔记本电脑上测量每一个影响属性，并且基于传感器融合预测的自动调节系统可以自动调节其系统特征。在其他实施例中，基于传感器融合预测的自动调节系统可以远离信息处理系统进行远程操作，其中在该信息处理系统中测量每一个影响属性。例如，基于传感器融合预测的自动调节系统可以在位于中心的远程服务器上操作，以从进行测量的笔记本电脑接收每一个影响属性的测量值，并且可以在框502处将那些测量的影响属性存储在位于远程的中央服务器的存储装置中的多个索引或表中。

在一个实施例中，每一个系统特征可以通过确定可以将每一个系统特征所置于的哪个可能状态而在给定时间直接测量。例如，功率状态系统特征306可以识别信息处理系统当前是否已插入壁装电源插座(例如，置于默认的全功率模式)或仅依靠电池电力来操作以将信息处理系统置于中功率或低功率模式。作为另一个示例，性能映像系统特征304可以被设置为禁止所有推送通知。类似地，可以确定行为使用系统特征302是否被设置为家模式、工作模式或旅行模式，安全配置文件系统特征308是否需要视网膜扫描，语音识别和/或面部识别以进行访问，以及配置系统特征310是否被设置为与诸如蓝牙麦克风的外围设备集成在一起。可以在训练时间段期间以例行间隔来测量每一个系统特征300的状态，并且可以将那些测量中的每一个存储在这样的系统特征300所描述的信息处理系统的存储装置中。

在一个实施例中，每一个系统特征300可以是一个或多个影响属性200的函数。换句话说，一个或多个影响属性可以影响每一个系统特征的值或状态，尽管这种关系可能未知。例如，描述功耗方式以及哪些组件或过程比其他组件或过程消耗更多或更少功率的指标(如由功率状态系统特征306所描述的)可以受到来自以下的指标测量中反映的因素的影响：功率分布、历史性能、功能配置文件、位置映像、网络配置文件、配置调节和应用程序配置文件影响属性。然而，在一个实施例中，可能不知道影响这种功率状态系统特征306测量的每一个影响属性的身份、以及每一个影响属性影响该测量的方式。

在框506处，在一个实施例中的基于传感器融合预测的自动调节系统可以将第一系统特征识别为关注的系统特征。例如，在参考图3描述的实施例中，基于传感器融合预测的自动调节系统可以将行为使用系统特征302识别为关注的系统特征。作为同一个实施例的另一示例，基于传感器融合预测的自动调节系统可以将安全配置文件系统特征308识别为关注的系统特征。作为同一个实施例的又一个示例，基于传感器融合预测的自动调节系统可以将功率状态系统特征306识别为关注的系统特征。

在框508，在一个实施例中的基于传感器融合预测的自动调节系统可以将初始概率值分配给影响属性的每一个可能的组合，其中关注的系统特征可以是其函数。在一个实施例中，这种初始概率值分配可以是用于确定哪些影响属性影响关注的系统特征的迭代统计推断方法中的第一步。因为影响所关注的系统特征的结果的影响属性的身份是未知的，所以在这样的实施例中，基于传感器融合预测的自动调节系统可以针对在学习时间段期间有测量其指标的每一个影响属性执行该初始步骤。对于一个实施例中的影响属性和给定系统特征的给定组合，可以基于对在单个时间获得的影响属性和给定的系统特征的给定组合的值的分析，来确定该初始概率值。换句话说，可以基于影响属性的给定组合和给定的系统特征中的每一个的仅一个状态来分配初始概率值。

在一个实施例中的基于传感器融合预测的自动调节系统可以在一个实施例中使用迭代统计推断方法来确定影响属性的可能组合中的哪一个最有可能引起对关注的系统特征值的测量(在框512处)。统计推断算法可以确定事件以先行事件的组合为有条件的概率。更具体地说，基于传感器融合预测的自动调节系统的统计推断算法可以确定给定影响属性200的任何可能组合导致或显著影响所测系统特征300的概率。

在一个实施例中，统计推断算法的示例可以包括贝叶斯推断和贝叶斯更新，以及其他已知的非贝叶斯推断方法。例如，在所使用的迭代统计推断方法是贝叶斯更新方法的实施例中，该方法的每次迭代可以处理直到另一个时间点所收集的影响属性数据。换句话说，贝叶斯更新方法的第一迭代可以基于在针对那些值中的每一个进行记录的第一时间点处的每一个影响属性的单个状态和关注的系统特征，来考虑在框512中确定的初始概率。在这样的实施例中的第二迭代可以基于那些单个状态，加上在第二时间点(例如，比第一时间点晚一秒)的那些影响属性和关注的系统特征的每一个的第二状态来考虑概率。在每次迭代中，对所考虑的影响属性导致所测系统特征值出现的边际可能性进行计算。随着执行更多迭代，当前迭代处的边际可能性与先前迭代处的边际可能性之间的差可减小。换句话说，在一个实施例中的边际可能性可以随着迭代次数的增加而收敛。

如果边际可能性朝着最小收敛阈值收敛，则在一个实施例中的基于传感器融合预测的自动调节系统可以将该组合中的每一个影响属性与该特定系统特征相关联。在一个实施例中，最小收敛阈值可以在训练时间段之前预先设置，并且例如可以是百分之二。换句话说，在这样的实施例中，可以采用进一步的迭代，直到来自当前迭代的边际可能性与先前迭代的边际可能性相差仅百分之二。在其他实施例中，最小收敛阈值可以例如等于十分之一、百分之一或百分之五。如果边际可能性尚未朝着最小收敛阈值收敛，则在一个实施例中的基于传感器融合预测的自动调节系统可以通过分析影响属性和给定系统特征的给定组合中每一个的较晚状态，来移至迭代统计推断方法的下一个迭代。在一些实施例中，满足最小收敛阈值所需的迭代次数可以指示训练时间段的长度。换句话说，在一些实施例中，当边际可能性已经朝着最小收敛阈值收敛时，训练时间段可以结束。

此外，在一个实施例中的基于传感器融合预测的自动调节系统可以在学习时间段内重复执行这样的统计推断算法，以便确定影响属性200的组合的哪些状态(值)最可能导致系统特征300的给定状态(值)。换句话说，基于传感器融合预测的自动调节系统可以学习到在哪些情况下(如多个影响属性200的值所描述的)，给定的系统特征300可以从第一状态移动到第二状态。

在其他实施例中，可以用机器学习系统来实现对哪些影响属性影响给定系统特征300的设置/测量/值的确定。基于传感器融合预测的自动调节系统可以应用机器学习算法的一次或多次应用，以经由学习的目标函数，将本文所述的一个或多个影响属性200映像到一个或多个系统特征300的输出设置或值。例如，可以采用预测分析来将功率状态306系统特征与影响属性200相关联，该影响属性200包括网络配置文件、应用程序配置文件、功率配置文件、历史性能、特征/能力。

在一些实施例中，用于这种分析的示例性机器学习算法可以包括逻辑回归技术、线性判别分析、线性回归分析、人工神经网络、机器学习分类器算法或分类/回归树。在各种其他实施例中，机器学习系统可以采用若干品种的单纯贝叶斯预测模型分析，学习向量量化人工神经网络算法，或诸如Adaboost或随机梯度增强系统之类的增强算法的实现，以迭代地更新权重来训练机器学习分类器，以确定影响属性和系统特征之间的关系和/或这种影响属性影响这种系统特征的结果的程度。

在框512处，在一个实施例中，基于传感器融合预测的自动调节系统可以将关注的系统特征与确定为最有可能引起关注的系统特征的测量值发生的影响属性相关联。例如，在参考图3描述的实施例中(其中功率状态系统特征306是所关注的系统特征)，功率状态系统特征306可以与功率配置文件、历史性能、功能配置文件、位置映像、网络配置文件、配置调节、以及应用程序配置文件影响属性相关联。在一些实施例中，迭代统计推断方法可以进一步用于确定与关注的系统特征相关联的影响属性的值实际影响关注的系统特征的测量值的程度。例如，在一个实施例中，基于传感器融合预测的自动调节系统可以确定网络配置文件和位置映像影响属性的组合可能比功率配置文件、历史性能、功能配置文件、配置调节、和应用程序配置文件影响属性对功率状态系统特征的测量值具有更大的影响。

在一个实施例中，基于传感器融合预测的自动调节系统可以在框514处确定每一个定义的系统特征是否已经与一个或多个影响属性相关联。例如，在其中行为使用系统特征302是关注的系统特征的实施例中，其余系统特征304-310可能尚未与任何影响属性相关联。如果每一个定义的系统特征尚未与一个或多个影响属性相关联，则该方法可以进行到框516。如果每一个定义的系统特征已经与一个或多个影响属性相关联，则该方法可以进行至框518。

在框516处，如果已经确定每一个定义的系统特征尚未与一个或多个影响属性相关联，则在一个实施例中的基于传感器融合预测的自动调节系统可以将下一可用的系统特征识别为关注的系统特征。例如，在用户行为系统特征302已经与一个或多个影响属性相关联的实施例中，基于传感器融合预测的自动调节系统可以将性能映像系统特征304识别为关注的系统特征。该方法然后可以回到框504，并且可以循环遍历到框514。在一个实施例中，通过执行框504至框514所描述的循环，基于传感器融合预测的自动调节系统可以确保每一个定义的系统特征300与一个或多个影响属性200相关联。此外，在一些实施例中，通过执行这样的循环，基于传感器融合预测的自动调节系统可以确定与系统特征相关联的每一个影响属性可能影响那些系统特征的测量值的程度。以这种方式，在一个实施例中，基于传感器融合预测的自动调节系统可以识别每一个影响属性可能影响每一个系统特征的方式。

在框518中，在其中每一个定义的系统特征已经与一个或多个影响属性相关联的实施例中，还可以确定每一个系统特征之间的关系。如本文所述，每一个系统特征可以充当对其他系统特征的影响属性。例如，行为使用系统特征302可以指示用户当前正在参与处理器耗用型应用(例如，渲染三维图像)，用以导致功率状态系统特征306指示不限制处理器消耗的功率量的全功率模式，因此允许处理器完成处理器耗用型任务。在框518处，可以使用在框510处用于确定影响属性的可能组合中的哪一个最有可能引起关注的系统特征的值的测量的相同迭代统计推断方法，来确定哪个系统特征影响其他系统特征的值，以及如何影响和/或该影响的程度。在其他实施例中，在框518处使用的迭代统计推断方法可以与在框510处使用的方法不同，但是可以是在框510处使用的方法的可能实施例中描述的方法中的一个。

在框520中，在一个实施例中，基于传感器融合预测的自动调节系统可以预测多个影响属性中的每一个的将来状态。例如，在参照图3描述的实施例中，随机过程312还可基于在学习时间段内对影响属性200的测量、记录和/或归一化值，来预测一个或多个影响属性200的将来状态。在这样的实施例中，死循环的迭代过程可用于基于相同影响属性的先前状态，来确定影响属性200的将来值。例如，在一个实施例中，可以使用卡尔曼滤波器作出该确定。作为另一个示例，可以使用采用梯度下降方法的神经网络或机器学习算法，来对将来状态进行该预测。

在框522处，基于传感器融合预测的自动调节系统可以将多个影响属性中的一个或多个的预测的将来状态与影响属性值的新接收到的测量值进行比较，以进行错误纠正。在一个实施例中，可以将一个或多个影响属性200的预测的将来状态与预测的预测的将来状态发生时的一个或多个影响属性200的新的测量状态进行比较。以这种方式，死循环迭代过程还可以对预测的将来状态不断执行错误纠正。该方法然后可以结束。

图6是示出根据本公开的一个实施例的使用迭代预测和传感器融合算法来自动执行调节以允许被预测发生的系统特征状态的方法的流程图。在一个实施例中，通过对影响属性的多个将来状态执行传感器融合算法，基于传感器融合预测的自动调节系统可准确地预测将来可能发生的性能变化。以这种方式，在一个实施例中的基于传感器融合预测的自动调节系统可以自动且无缝地优化信息处理系统的功能性能。

在框602处，在一个实施例中的基于传感器融合预测的自动调节系统可以对影响属性的所有预测的将来值执行传感器融合算法，以预测多个系统特征中的每一个的将来状态，并减少与每一个预测的将来状态相关联的不确定性。例如，传感器融合算法可对作为上述流程图5中所述方法的一部分而预测的影响属性的所有将来值执行。本公开的实施例中的传感器融合算法可以组合来自不同的源(例如，每一个影响属性)的数据，使得与单独地使用这些资源时相比，所得到的信息具有更少的不确定性。例如，如果在一个实施例中的基于传感器融合预测的自动调节系统仅考虑单独的位置映像影响属性，则由于单独的位置映像影响属性不能描述信息处理系统与基站的关系，它可能无法准确地估计功率状态系统特征306是否可能被改变。类似地，如果在一个实施例中的基于传感器融合预测的自动调节系统仅考虑单独的网络配置文件影响属性，则由于单独的网络配置文件影响属性不能描述检测到的信号质量下降是由干扰引起还是由与基站的距离引起，它可能无法准确地估计功率状态系统特征306是否可能被改变。因此，仅从网络配置文件影响属性测量可能还不清楚知道提高天线的功率是否会有效地改善发射信号的质量。

如参考图4的实施例中所述，在一个实施例中的预测属性融合算法402可以基于每一个影响属性的预测的将来状态，并且基于每一个系统特征和每一个影响属性和/或其他系统特征之间的已知关系，来确定每一个系统特征302-210的将来状态。例如，传感器融合算法402可以组合已知影响功率状态系统特征306的状态的每一个影响属性的预测的将来状态(例如，功率配置文件、历史性能、功能配置文件、位置映像、网络配置文件、配置调节和应用程序配置文件影响属性)，以确定那些影响属性的预测的将来状态的组合是否可能会引起功率状态系统特征306的状态发生变化。以这种方式，本公开的一个实施例中的基于传感器融合预测的自动调节系统可以在这种变化产生之前，预测一个或多个信息处理系统特征302-310的预期变化。通过使用融合算法分析多个影响属性中的每一个的将来状态，与一次确定仅一个系统特征的将来状态的方法相比，预测属性融合算法可以更高程度地确定每一个系统特征的将来状态。在一个实施例中，这可能是由于每一个系统特征302-310的相互关联的性质。

在一个实施例中，基于传感器融合预测的自动调节系统可以在框604处确定当前可调节的设置是否针对系统特征的预测的将来状态而优化。例如，在参考图4描述的实施例中，可以将当前可调节的功率设置408设置为针对系统特征302-310的预测的将来值未优化的低功率模式414。在一个实施例中，当一个或多个系统特征的预测的将来状态落在与当前可调节的设置相关联的已知的一组最佳操作范围之外时，可以针对预测的系统特征优化当前的可调节的设置(例如404-412)。在一个实施例中，可以在每一个系统特征302-310的将来状态的确定之前，在预测属性融合算法402可访问的存储装置内确定每一个可调节的设置(例如，图4中所示的可调节的设置404-412内的每一个标记)的最佳操作范围。

在框604处确定一个或多个可调节的设置未针对每一个系统特征的将来值进行优化(如在框602处预测的)可以指示与系统性能有关的优先级或将来需求的变化不处于当前可调节的设置404-412的最佳范围内。例如，功率状态306系统特征的将来状态可能指示信息处理系统可能将来会插入到连续的电源中，并且使用者当时将从事的活动将消耗高级别的处理资源(因此消耗高级别的功率)。在这样的情况下，基于传感器融合预测的自动调节系统可以确定与将来的预测功率状态306相关联的功耗渴求应用的使用落在当前低功率模式414设置的最佳操作范围之外。然而，在一个实施例中，这种高功率需求和对连续的电源的访问可能在全功率模式416的最佳操作范围内。在一个实施例中，如果发现针对系统特征302-310的所有预测的将来状态优化了每一个当前可调节的设置，则可能不需要自动调节可调节的设置以优化信息处理系统的性能，并且方法可以结束。但是，如果未针对系统特征302-210的所有预测的将来状态优化一个或多个当前可调节的设置，则这可能指示需要调节一个或多个可调节的设置404-412，并且该方法可以继续进行到框606。

在框606处，在一个实施例中，基于传感器融合预测的自动调节系统可以将未针对将来的系统特征状态优化的可调节的设置识别为关注的可调节的设置。例如，在确定与将来的预测功率状态306相关联的功耗应用的使用落在当前低功率模式414设置的最佳操作范围之外的实施例中，在框606处，可以将功率状态系统特征306识别为关注的系统特征。在另一示例性实施例中，如果行为使用302系统特征的将来预测的状态包括串流UHD视频，并且当前可调节的行为设置404没有针对该活动进行优化，则可以将行为使用系统特征302识别为关注的系统特征。

在框608处，基于传感器融合预测的自动调节系统可以确定可以对关注的可调节的设置进行的调节，以针对系统特征的将来的预测的状态对其进行优化。再次，在一个实施例中，在确定每一个系统特征302-310的将来状态之前，可以在预测属性融合算法402可访问的存储装置内确定每一个可调节设置的最优操作范围(例如，图4中所示的可调节的设置404-412内的每一个标记)。在一个实施例中，基于传感器融合预测的自动调节系统可以访问存储在存储装置中的该信息，以在框608处识别针对其关注的设置的可调节的设置(除了当前可调节的设置外)，该关注的设置的最佳操作范围包括在框604处确定的系统特征的预测的将来状态在当前可调节的设置的最佳操作范围之外。例如，在其中功率状态306系统特征的预测的将来状态描述了功耗应用的预期使用落在可调节的功率设置408内的当前低功率模式414的最佳操作范围之外的实施例中，基于传感器融合预测的自动调节系统可以在框608处确定功耗应用的预期使用落在全功率模式416设置的最佳操作范围内。

在一些实施例中，该方法然后可以直接进行到框614，在此，基于传感器融合预测的自动调节系统可以将关注的可调节的设置自动调节为在框608处确定的设置，以将所有系统特征的预测的将来状态包括在最佳操作范围内。例如，基于传感器融合预测的自动调节系统可以在预期使用功耗应用之前，将功率设置408从低功率模式414自动调节到全功率模式416。在其他实施例中，在执行调节之前，基于传感器融合预测的自动调节系统可以确定这种调节是否会导致其他系统特征的将来状态发生变化，并且该方法可以进行至框610，以优化所有系统特征上作出的所有改变，以预期这种相互关系。

在框610中，在一个实施例中的基于传感器融合预测的自动调节系统可以基于在框608所识别的针对关注的可调节的设置的调节、以及每一个系统特征之间的已知相互关系，来预测所有系统特征的调节后的将来值。给定的系统特征的值影响每一个其他系统特征的值的方式，或系统特征之间的关系的方式也可以是已知的并存储在存储装置中。基于传感器融合预测的自动调节系统可以访问该存储的关系信息，以便确定在执行框608处识别的调节将在其执行时对每一个系统特征产生影响。例如，可以在框606确定，将来的行为使用系统特征指示用户将可能在将来时间使用信息处理系统来串流超高清(UHD)视频。然后，在框608处可以确定，串流UHD视频落在当前可调节的行为使用设置404的操作范围之外，并且可能需要将可调节的设置404调节到其最佳操作范围包括串流UHD视频的新设置。

在这样的实施例中，在框610处，基于传感器融合预测的自动调节系统可以访问存储在存储装置中的信息(该信息描述了系统特征302-310的相互关系)以便确定将行为设置404调节为新设置(其最佳操作范围包括串流UHD视频)将对每一个系统特征302-310的将来的预测的状态产生何种影响。例如，在一个实施例中的当前可调节的功率设置408可以是低功率模式414。在框610处可以确定可调节的行为设置404将可能被调节以允许将来串流UHD视频，其继而将导致预测的功率状态306系统特征发生改变，以使额外功率被转移到GPU和显示器以处理和显示此类UHD视频。以这种方式将功率转移到GPU以及显示器可能落在当前设置的低功率模式414的最佳操作范围之外。在这样的实施例中，基于传感器融合预测的自动调节系统除了对在框608处识别的行为使用设置404进行调节之外，可能还需要对可调节的功率设置408进行调节。如果在框612处确定执行在框608处识别的调节不需要进行进一步调节，则该方法可以进行到框614。

在框612处，如果确定执行在框608处识别的调节需要对与一个或多个其他系统特征相关联的另一可调节的设置进行调节，则该方法可以返回至框606以识别该调节。例如，在这样的实施例中，其中在框612确定基于传感器融合预测的自动调节系统可能除了需要对在框608处先前识别的行为使用设置404进行调节之外，还可能需要对可调节的功率设置408进行调节，则该方法可以返回到框606，其中将可调节的功率设置408识别为关注的可调节的设置。然后，一旦执行了在各个循环中的、在框608处识别的调节，该方法可以在606和612之间循环，直到在框610的最新循环期间确定的预测的将来的系统特征中没有一个落在可调节的设置404-412的最佳操作范围之外。例如，在第二循环中，其中可调节功率设置408被识别为关注的可调节的设置，基于传感器融合预测的自动调节系统可以在框608确定将功率转移到GPU并且显示器以处理和显示UHD视频落在全功率模式416的操作范围内。在这样的实施例中，可能需要将功率设置408从低功率模式414调节到全功率模式416，以适应在先前循环中确定的行为使用设置404的调节。在这样的实施例中，在框610处，基于传感器融合预测的自动调节系统可以基于对在先前循环中确定的行为使用设置404的调节和对全功率模式416的调节两者，来预测所有系统特征的调节后的将来值。在这样的实施例中，基于传感器融合预测的自动调节系统然后可以在框612处确定在紧接前框610中预测的每一个预测系统特征都落在当前性能设置406、当前安全设置410、和配置设置412的操作范围内、以及在先前循环中识别的调节后的行为设置404的操作范围内，以及在当前循环中识别的对全功率模式416的调节的操作范围内。在这种情况下，该方法然后可以进行到框614。

在一些实施例中，可能无法容纳每一个系统特征302-310的所有预测的将来状态，因为它们的预测的状态与相互竞争的需求相关联。例如，在一个实施例中的将来功率状态系统特征可以指示信息处理系统将可能仅依靠电池电力来操作，而将来行为使用系统特征指示用户将开始串流UHD视频。在这样的实施例中，可以在框608处确定，串流UHD视频可以使得功率状态306特征的将来的预测的状态反映出对更多功率被转移到GPU和显示器以用于处理和显示UHD视频的需求。在这种情况下，对依赖于电池功率所落入的、可调节的功率设置的最佳操作范围(例如，低功率模式414)可能不包括将功率转移到GPU和显示器以用于处理和显示UHD视频。类似地，用于将功率转移到GPU和显示器以用于处理和显示UHD视频所落入的、可调节功率设置的最佳操作范围(例如，全功率模式416)可能不包括仅依靠电池功率。换句话说，在这样的实施例中，低功率模式414或全功率模式416都不能允许同时仅依靠电池功率(如通过功率状态306系统特征的将来状态所预测的)和串流UHD视频(如行为使用302系统特征的将来状态所预测)。在这样的实施例中，预测属性融合算法可以尝试平衡这些相互竞争的需求，以确定用于多个系统特征的可调节的设置的组合，该组合使信息处理系统的总操作范围最接近由多个预测的将来系统特征值定义的预期操作。可以使用死循环迭代过程来作出这样的确定，以识别有可能产生信息处理系统的最佳操作范围的可调节的设置404-412的其中一个可能组合。例如，可以使用卡尔曼滤波器、神经网络或采用梯度下降方法的机器学习算法来对这种将来状态进行这种预测。

在其中在框610处识别了必要或优选的对系统特征策略的一个或多个调节的一个实施例中，基于传感器融合预测的自动调节系统可以在框614处自动执行控制关注的系统特征的策略的预期调节。例如，在一个实施例中，如果已经确定功率状态系统特征306将可能需要从低功率模式414移动到全功率模式416，则基于传感器融合预测的自动调节系统可以自动将功率状态系统特征从低功率模式414转换到全功率模式416，而无需使用者干预。在这样的实施例中，其中在方法在框606和612之间的一个或多个循环期间在框608处已识别了一个或多个调节，基于传感器融合预测的自动调节系统可以在那些循环中的每一个中在框612处执行在框608处识别的调节。例如，如果方法在框606至612的第一循环指示需要对行为设置404进行调节，而在框606至612的第二循环指示需要从低功率模式414转换到全功率模式416，基于传感器融合预测的自动调节系统可以在框614处自动对行为设置404和功率设置408进行这两项调节。

在框614处对在一个实施例中的设置404-412中的任何一个进行的调节可以提示对现有策略、模式、设置或配置的改变。例如，用于每一个系统特征的每一个可能的策略设置可以与指示软件或固件的操作的一个或多个策略相关联。作为另一示例，对一个或多个设置404-412的调节可以提示配置的改变(例如，哪些安全要求有效)或配置(例如，是否可以使用诸如显示器之类的外部设备)。作为又一示例，调节可以导致一个或多个组件的操作模式的改变(例如，将网络适配器设置为仅经由WLAN或WWAN而非经由LTE进行通信)。每一个可能的设置(例如，沿着每一个可调节的设置404-412的每一个标记)可以与预定策略、模式、设置或配置相关联，并且这种关联可以存储在存储装置中。当选择新设置时(例如，沿着可调节的设置404-412的其中一个标记)，基于传感器融合预测的自动调节系统可以确定哪些策略、模式、设置和/或配置与系统特征的新的或调节的设置相关联，并将该策略、模式、设置和/或配置替换为当前策略、模式、设置或配置。

这种自动调节可以在需要这样做的时间之前执行(例如，在当前策略不允许的系统特征的预测的将来状态发生之前)。以这种方式，基于传感器融合预测的自动调节系统可以调节信息处理系统的功能，而没有使用户体验到低质量的性能，并且无需用户手动更改系统的任何设置。因此，本公开的实施例中的基于传感器融合预测的自动调节系统可以在这种需求出现之前预期这种所需的系统特征调节，并且自动执行这种调节，藉以提供信息处理系统的无缝优化的性能。

以上讨论的流程图5至图6的框不需要以任何给定或指定的顺序执行。可以预期，可以添加额外的框、步骤或功能，可以不执行某些框、步骤或功能，多个框、步骤或功能可以同时发生，并且可以在一个流程图内执行来自另一个流程图的框、步骤或功能。此外，本领域技术人员将理解，在以上针对上述算法讨论的流程图内，可以出现其他框或步骤、或替代框或步骤。

尽管这里仅详细描述了几个示例性实施例，但是本领域技术人员将容易理解，在实质上不脱离本公开的实施例的新颖性教导和优点的情况下，可以对示例性实施例进行许多修改。因此，所有这样的修改旨在落入如以下申请专利范围所限定的本公开的实施例的范围内。在申请专利范围中，装置加功能的条款旨在覆盖本文描述为执行所列举功能的结构，不仅覆盖结构上的等同物，而且还覆盖等同的结构。

以上公开的主题应被认为是说明性的而非限制性的，并且所附申请专利范围旨在覆盖落入本发明范围内的任何和所有此类修改、改进和其他实施例。因此，在法律允许的最大范围内，本发明的范围将由以下申请专利范围及其等同物的最宽泛的允许解释来确定，并且不应由前述详细描述来局限或限制。

Claims (20)

1.一种信息处理系统，其操作基于传感器融合预测的自动调节系统，该信息处理系统包括：

多个传感器，其测量多个影响属性，该多个影响属性包括信息处理系统操作值或状态值，其中，该影响属性的子集影响多个系统特征中的一个；

存储装置，其存储该多个系统特征的定义，包括用户行为特征、性能映像特征、功率状态特征、安全配置文件特征和策略配置特征；

处理器，其执行基于传感器融合预测的自动调节系统的代码指令，以执行以下动作：

将随机预测应用于所述影响属性值的子集，以预测在将来时间中受该影响属性值的子集影响的多个系统特征中的至少一个的将来值；

如果第一系统特征的预测的将来值落在指示异常操作的当前策略定义的操作范围之外，则确定对控制该第一系统特征的操作范围的策略的第一调节；以及

在该将来时间出现之前，对控制该第一系统特征的操作范围的该策略自动执行该第一调节。

2.如权利要求1所述的信息处理系统，进一步包括：

该处理器执行代码指令以执行以下动作：

应用预测属性融合算法，以基于多个系统特征中每一个特征之间的已知关系，确定对控制该第一系统特征的操作范围的策略的该调节导致需要对控制第二系统特征的操作范围的策略进行第二调节；以及

在该将来时间出现之前，自动对控制该第二系统特征的操作范围的该策略进行该第二调节。

3.如权利要求1所述的信息处理系统，进一步包括：

该处理器执行死循环迭代过程，以基于所测量的多个影响属性来预测该多个影响属性中的每一个的将来值。

4.如权利要求3所述的信息处理系统，其中，该死循环迭代过程是对所测量的多个影响属性的神经网络分析。

5.如权利要求3所述的信息处理系统，其中，该死循环迭代过程是逻辑或线性回归技术。

6.如权利要求1所述的信息处理系统，进一步包括：

该处理器执行迭代统计推断方法，以确定每一个影响属性和每一个系统特征之间的关系。

7.如权利要求8所述的信息处理系统，其中，该迭代统计推断方法是梯度下降算法。

8.一种基于传感器融合预测来自动调节信息处理系统的系统特征的方法，其包括：

经由多个传感器测量多个影响属性，该多个影响属性包括信息处理系统操作值或状态值，其中，该影响属性的子集影响多个系统特征中的一个；

在存储装置中存储多个系统特征的定义，包括用户行为特征、性能映像特征、功率状态特征、安全配置文件特征和策略配置特征；

经由处理器将迭代死循环随机预测应用于该影响属性值的子集，以预测在将来时间中受该影响属性值的子集影响的多个系统特征中的至少一个的将来值；

如果第一系统特征的预测的将来值落在指示异常操作的当前策略定义的操作范围之外，则经由该处理器确定对控制该第一系统特征的操作范围的策略的第一调节；以及

在该将来时间出现之前，经由该处理器对控制该第一系统特征的操作范围的该策略自动执行该第一调节。

9.如权利要求8所述的方法，进一步包括：

经由该处理器应用预测属性融合算法，以基于多个系统特征中每一个特征之间的已知关系，确定对控制该第一系统特征的操作范围的策略的该调节导致需要对控制第二系统特征的操作范围的策略进行第二调节；以及

在该将来时间出现之前，经由该处理器自动对控制该第二系统特征的操作范围的该策略进行该第二调节。

10.如权利要求8所述的方法，进一步包括：

经由该处理器执行迭代统计推断方法，以确定每一个影响属性和每一个系统特征之间的关系。

11.如权利要求8所述的方法，其中，该死循环迭代随机预测是经由神经网络执行的梯度下降方法。

12.如权利要求8所述的方法，其中，该死循环迭代随机预测是线性判别分析。

13.如权利要求8所述的方法，其中，该死循环迭代随机预测是分类树方法。

14.如权利要求8所述的方法，其中，该死循环迭代随机预测是回归树方法。

15.一种基于传感器融合预测的自动调节系统，其包括：

经由网络适配器接收多个影响属性，该多个影响属性包括用于远程信息处理系统的操作值或状态值，其中，该影响属性的子集影响用于该远程信息处理系统的多个系统特征中的一个；

经由存储装置存储该多个系统特征的定义，包括用户行为特征、性能映像特征、功率状态特征、安全配置文件特征和策略配置特征；

经由处理器将随机预测应用于影响属性值的子集，以预测在将来时间中受该影响属性值的子集影响的多个系统特征中的至少一个的将来值；

如果第一系统特征的预测的将来值落在指示异常操作的当前策略定义的操作范围之外，则经由该处理器确定对控制该第一系统特征的操作范围的策略的第一调节；

经由该处理器应用传感器融合算法，以基于多个系统特征中的每一个系统特征之间的已知关系，确定对控制该第一系统特征的操作范围的策略的调节导致需要对控制第二系统特征的操作范围的策略进行第二调节；以及

经由该网络适配器向该远程信息处理系统发送指令，以在该将来时间出现之前，自动对控制该第一系统特征的操作范围的该策略进行该第一调节，以及自动对控制该第二系统特征的操作范围的该策略进行该第二调节。

16.如权利要求15所述的信息处理系统，其中，该传感器融合算法是中央极限定理算法。

17.如权利要求15所述的信息处理系统，其中，该传感器融合算法是卡尔曼滤波器算法。

18.如权利要求15所述的信息处理系统，其中，该传感器融合算法是DS证据理论算法。

19.如权利要求15所述的信息处理系统，其中，该传感器融合算法是统计推断网络算法。

20.如权利要求15所述的信息处理系统，其中，该传感器融合算法是卷积神经网络算法。

Images