CN114518911A

CN114518911A - 一种插件加载时长预测方法、装置、设备和存储介质

Info

Publication number: CN114518911A
Application number: CN202210154915.2A
Authority: CN
Inventors: 强建龙
Original assignee: Agricultural Bank of China
Current assignee: Agricultural Bank of China
Priority date: 2022-02-21
Filing date: 2022-02-21
Publication date: 2022-05-20
Anticipated expiration: 2042-02-21
Also published as: CN114518911B

Abstract

本发明公开了一种插件加载时长预测方法、装置、设备和存储介质，该方法包括：基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。上述技术方案，在插件的加载过程中，可以基于前一时刻确定加载时长产生的误差能量和当前时刻确定加载时长产生的误差能量，更新FIR滤波器，更新后的FIR滤波器在根据插件的最长加载时长确定预测加载时长时，效率更高，缩短了用户的等待时间，提升用户体验。

Description

一种插件加载时长预测方法、装置、设备和存储介质

技术领域

本发明实施例涉及互联网技术，尤其涉及一种插件加载时长预测方法、装置、设备和存储介质。

背景技术

随着小程序的普及，越来越多的原生应用页面采用混合开发模式完成页面开发，例如，采用Vue或React框架完成页面开发，以实现基于Cordova插件访问原生设备功能。特别对于IOS系统的设备，其应用页面中常常需要大量的Cordova插件完成页面访问原生设备功能。

现有技术中，Cordova插件的加载时长因设备而异，往往需要较长的时间等待插件加载，在插件加载完毕后，才能调用插件。

这种方式中，用户无法得知插件的加载时长，导致用户体验很差。

发明内容

本发明提供一种插件加载时长预测方法、装置、设备和存储介质，以实现对插件加载时长的预测，提升用户体验。

第一方面，本发明实施例提供了一种插件加载时长预测方法，包括：

基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；

将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。

本发明实施例提供一种插件加载时长预测方法，包括：基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。上述技术方案，在插件的加载过程中，可以基于前一时刻确定加载时长产生的误差能量和当前时刻确定加载时长产生的误差能量，更新FIR滤波器，更新后的FIR滤波器在根据插件的最长加载时长确定预测加载时长时，效率更高，缩短了用户的等待时间，提升用户体验。

进一步地，基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器，包括：

确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值；

根据所述几何平均值确定抽头系数，并基于所述抽头系数更新所述FIR滤波器。

进一步地，确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值，包括：

根据公式e(n)＝d(n)-y(n)确定所述前一时刻的误差能量和所述当前时刻的误差能量，其中，y(n)表示所述FIR滤波器的实际输出，d(n)表示所述FIR滤波器的期望输出，e(n)表示所述FIR滤波器的所述实际输出和所述期望输出的差值；

根据公式d(n)＝|e(n)e(n-1)|计算所述前一时刻的误差能量和所述当前时刻的误差能量的所述几何平均值，其中，e(n)表示所述当前时刻的误差能量，e(n-1)表示所述前一时刻的误差能量。

进一步地，根据所述几何平均值确定抽头系数，包括：

根据所述几何平均值确定所述变步长LMS算法的迭代步长，并基于所述迭代步长确定所述抽头系数。

进一步地，根据所述几何平均值确定所述变步长LMS算法的迭代步长，包括，

基于公式μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|确定所述迭代步长，其中，μ(n)表示所述当前时刻的迭代步长，μ(n-1)表示所述前一时刻的迭代步长，0<α<1，γ>0。

进一步地，基于所述迭代步长确定所述抽头系数，包括，

基于公式ω(n)＝ω(n-1)+μ(n)e(n)x(n)确定所述抽头系数，其中，ω(n)表示所述当前时刻的抽头系数，ω(n-1)表示所述前一时刻的抽头系数，x(n)表示所述最长加载时长。

进一步地，所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长，包括：

所述更新后的FIR滤波器基于y(n)＝ω^H(n)x(n)确定所述预测加载时长，其中，y(n)表示所述预测加载时长。

第二方面，本发明实施例还提供了一种插件加载时长预测装置，包括：

更新模块，用于基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；

确定模块，用于将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。

第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的插件加载时长预测方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的插件加载时长预测方法。

第五方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面提供的插件加载时长预测方法。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与插件加载时长预测装置的处理器封装在一起的，也可以与插件加载时长预测装置的处理器单独封装，本申请对此不做限定。

本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

在本申请中，上述插件加载时长预测装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。

本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

附图说明

图1为本发明实施例一提供的一种插件加载时长预测方法的流程图；

图2为本发明实施例二提供的一种插件加载时长预测方法的流程图；

图3为本发明实施例三提供的一种插件加载时长预测装置的结构示意图；

图4为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括其他没有列出的步骤或单元，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

实施例一

图1为本发明实施例一提供的一种插件加载时长预测方法的流程图，本实施例可适用于需要提升确定插件的预测加载时长的效率的情况，该方法可以由插件加载时长预测装置来执行，如图1所示，具体包括如下步骤：

步骤110、基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器。

其中，LMS为最小均方误差滤波算法，LMS自适应滤波可以根据预测值和期望值的误差自动调节FIR滤波器的抽头系数，使其代价函数最小的一种算法。

本发明实施例中，可以对LMS算法进行改进，根据前一时刻的误差能量和当前时刻的误差能量自动调节FIR滤波器的抽头系数，实现对FIR滤波器的更新。

具体地，可以根据前一时刻FIR滤波器的输出信号和期望信号确定前一时刻的误差能量，根据当前时刻FIR滤波器的输出信号和期望信号确定当前时刻的误差能量。进而，可以确定前一时刻的误差能量和当前时刻的误差能量的几何平均值，并根据几何平均值确定抽头系数，抽头系数为FIR滤波器的参数。根据前一时刻的误差能量和当前时刻的误差能量确定的几何平均值进一步确定抽头系数可以用于更新FIR滤波器。

本发明实施例中，前一时刻的误差能量和当前时刻的误差能量的几何平均值代替LMS算法中的当前时刻误差能量，在有效抑制不相关噪声的同时，大大降低了计算复杂度。

步骤120、将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。

其中，插件可以为Cordova插件，本申请可以用于确定Cordova插件的预测加载时长。x(n)可以表示FIR滤波器的输入信息，即插件的最长加载时长，y(n)可以表示FIR滤波器的输出信息，即插件的预测加载时长，ω(n)可以表示FIR滤波器的参数，即FIR滤波器的抽头系数。

具体地，将插件的最长加载时长x(n)输入更新后的FIR滤波器中，更新后的FIR滤波器基于变步长LMS算法确定插件的预测加载时长y(n)＝ω^H(n)x(n)。

由变步长LMS算法的可知，

e(n)＝d(n)-x^T(n)ω(n)。传统的变步长LMS算法中，μ(n)＝αμ(n-1)+γe²(n)，μ(n)的计算量较大。

本发明实施例中，可以确定μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|，其中，0<α<1，γ>0。减小了确定插件的预测加载时长的计算量，可以实现移动设备中插件的加载，进一步可以减少确定插件的预测加载时长的时间，提升用户体验。

本发明实施例一提供一种插件加载时长预测方法，包括：基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。上述技术方案，在插件的加载过程中，可以基于前一时刻确定加载时长产生的误差能量和当前时刻确定加载时长产生的误差能量，更新FIR滤波器，更新后的FIR滤波器在根据插件的最长加载时长确定预测加载时长时，效率更高，缩短了用户的等待时间，提升用户体验。

实施例二

图2为本发明实施例二提供的一种插件加载时长预测方法的流程图，本实施例是在上述实施例的基础上进行具体化。如图2所示，在本实施例中，该方法还可以包括：

步骤210、确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值。

一种实施方式中，步骤210具体可以包括：

根据公式e(n)＝d(n)-y(n)确定所述前一时刻的误差能量和所述当前时刻的误差能量，其中，y(n)表示所述FIR滤波器的实际输出，d(n)表示所述FIR滤波器的期望输出，e(n)表示所述FIR滤波器的所述实际输出和所述期望输出的差值；根据公式d(n)＝|e(n)e(n-1)|计算所述前一时刻的误差能量和所述当前时刻的误差能量的所述几何平均值，其中，e(n)表示所述当前时刻的误差能量，e(n-1)表示所述前一时刻的误差能量。

具体地，FIR滤波器的输入信息为插件的最长加载时长x(n)，输出信息为插件的预测加载时长y(n)，y(n)＝ω^H(n)x(n)，ω(n)为FIR滤波器的抽头系数。d(n)为将x(n)输入FIR滤波器后的期望输出，y(n)将x(n)输入FIR滤波器后的实际输出，因此可以确定误差能量e(n)＝d(n)-y(n)，此处n可以表示当前时刻。因此，前一时刻的误差能量e(n-1)＝d(n-1)-y(n-1)，当前时刻的误差能量e(n)＝d(n)-y(n)。进而可以确定前一时刻的误差能量和当前时刻的误差能量的所述几何平均值d(n)＝|e(n)e(n-1)|。

同样地，前一时刻的误差能量和当前时刻的误差能量的几何平均值代替LMS算法中的当前时刻误差能量，在有效抑制不相关噪声的同时，大大降低了计算复杂度。

步骤220、根据所述几何平均值确定抽头系数，并基于所述抽头系数更新所述FIR滤波器。

进一步地，步骤220具体可以包括：

更进一步的，根据所述几何平均值确定所述变步长LMS算法的迭代步长，并基于所述迭代步长确定所述抽头系数，包括：

基于公式μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|确定所述迭代步长，其中，μ(n)表示所述当前时刻的迭代步长，μ(n-1)表示所述前一时刻的迭代步长，0<α<1，γ>0；基于公式ω(n)＝ω(n-1)+μ(n)e(n)x(n)确定所述抽头系数，其中，ω(n)表示所述当前时刻的抽头系数，ω(n-1)表示所述前一时刻的抽头系数，x(n)表示所述最长加载时长。

本发明实施例中，基于μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|替代传统变步长LMS算法的迭代步长μ(n)＝αμ(n-1)+γe²(n)，使得计算μ(n)的计算量大幅下降，为确定插件的预测加载时长提供数据支持，并且减少了确定插件的预测加载时长的时间。

步骤230、将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。

一种实施方式中，步骤230具体可以包括：

将最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于y(n)＝ω^H(n)x(n)确定所述预测加载时长，其中，y(n)表示所述预测加载时长。

具体地，将最长加载时长x(n)输入更新后的FIR滤波器后，更新后的FIR滤波器基于y(n)＝ω^H(n)x(n)确定所述预测加载时长，当然，可以将ω(n)＝ω(n-1)+μ(n)e(n)x(n)和μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|带入y(n)＝ω^H(n)x(n)，以确定预测加载时长。

同样地，基于μ(n)＝αμ(n-1)+γ|e(n)e(n-1)|替代传统变步长LMS算法的迭代步长μ(n)＝αμ(n-1)+γe²(n)，使得计算μ(n)的计算量大幅下降，进一步减小了确定插件的预测加载时长的计算量，可以实现移动设备中插件的加载，进一步可以减少确定插件的预测加载时长的时间，提升用户体验。

本发明实施例二提供的一种插件加载时长预测方法，包括：确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值；根据所述几何平均值确定抽头系数，并基于所述抽头系数更新所述FIR滤波器；将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。上述技术方案，在插件的加载过程中，可以确定前一时刻的误差能量和当前时刻的误差能量，进而可以基于前一时刻确定加载时长产生的误差能量和当前时刻确定加载时长产生的误差能量，更新FIR滤波器，更新后的FIR滤波器在根据插件的最长加载时长确定预测加载时长时，效率更高，缩短了用户的等待时间，提升用户体验。

实施例三

图3为本发明实施例三提供的一种插件加载时长预测装置的结构示意图，该装置可以适用于需要提升确定插件的预测加载时长的效率的情况。该装置可以通过软件和/或硬件实现，并一般集成在计算机设备中。

如图3所示，该装置包括：

更新模块310，用于基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；

确定模块320，用于将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。

本实施例提供的插件加载时长预测装置，通过基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器；将插件的最长加载时长输入更新后的FIR滤波器中，以使所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长。上述技术方案，在插件的加载过程中，可以基于前一时刻确定加载时长产生的误差能量和当前时刻确定加载时长产生的误差能量，更新FIR滤波器，更新后的FIR滤波器在根据插件的最长加载时长确定预测加载时长时，效率更高，缩短了用户的等待时间，提升用户体验。

在上述实施例的基础上，更新模块310，具体用于：

在上述实施例的基础上，确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值，包括：

在上述实施例的基础上，根据所述几何平均值确定抽头系数，包括：

进一步地，基于所述迭代步长确定所述抽头系数，包括，

在上述实施例的基础上，确定模块320，具体用于：

本发明实施例所提供的插件加载时长预测装置可执行本发明任意实施例所提供的插件加载时长预测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述插件加载时长预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备4的框图。图4显示的计算机设备4仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备4以通用计算计算机设备的形式表现。计算机设备4的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备4典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备4访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备4可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备4也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备4交互的设备通信，和/或与使得该计算机设备4能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备4还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机设备4的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备4使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及页面显示，例如实现本发实施例所提供的插件加载时长预测方法，该方法包括：

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的插件加载时长预测方法的技术方案。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现例如本发实施例所提供的插件加载时长预测方法，该方法包括：

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种插件加载时长预测方法，其特征在于，包括：

2.根据权利要求1所述的插件加载时长预测方法，其特征在于，基于前一时刻的误差能量和当前时刻的误差能量更新FIR滤波器，包括：

3.根据权利要求2所述的插件加载时长预测方法，其特征在于，确定所述前一时刻的误差能量和所述当前时刻的误差能量后，计算所述前一时刻的误差能量和所述当前时刻的误差能量的几何平均值，包括：

4.根据权利要求3所述的插件加载时长预测方法，其特征在于，根据所述几何平均值确定抽头系数，包括：

5.根据权利要求4所述的插件加载时长预测方法，其特征在于，根据所述几何平均值确定所述变步长LMS算法的迭代步长，包括，

6.根据权利要求5所述的插件加载时长预测方法，其特征在于，基于所述迭代步长确定所述抽头系数，包括，

7.根据权利要求1所述的插件加载时长预测方法，其特征在于，所述更新后的FIR滤波器基于变步长LMS算法确定所述插件的预测加载时长，包括：

8.一种插件加载时长预测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的插件加载时长预测方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的插件加载时长预测方法。