移动终端的散热方法及其系统技术方案

本申请公开了一种移动终端的散热方法，其以基于深度神经网络的人工智能技术来合理地对比如后台任务或者闲置任务等非必要运行的任务进行基于所产生热量的判定，以此为依据来优化移动终端的散热方案。这样，所述移动终端的运行性能可始终保持在较佳的状态中。的运行性能可始终保持在较佳的状态中。的运行性能可始终保持在较佳的状态中。

【技术实现步骤摘要】
移动终端的散热方法及其系统


[0001]本专利技术涉及移动终端的散热领域，且更为具体地，涉及一种移动终端的散热方法、移动终端的散热系统和电子设备。

技术介绍

[0002]目前的移动终端大多数是通过辐射和热传导来进行散热，即，通过核心功率器件的辐射和热传导将移动终端内部的热量传递至屏幕和后盖，再通过屏幕和后盖与环境进行热量交换，从而控制移动终端的内部温度。
[0003]应可以理解，移动终端的散热性能通常是固定的，当移动终端的散热性能不足时，则会导致移动终端的应用程序的性能受到影响。并且，在移动终端的工作过程中，存在必要任务和比如后台任务或者闲置任务等非必要运行的任务，这些非必要运行的任务的存在会增加所述移动终端的功耗和所产生的热量。
[0004]因此，期待一种优化的用于移动终端的散热控制方案。
[0005]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。/>[0006]深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动终端的散热方法，其特征在于，包括：获取移动终端当前正在运行的非必要任务的资源占比，其中，所述非必要任务为所述移动终端的后台任务或闲置任务中的每个任务；将所述移动终端的非必要任务的资源占比构造为输入向量；使用深度神经网络从所述输入向量获得第一特征向量，其中，所述第一特征向量用于表示各个所述非必要任务的资源占比之间的高维关联特征；计算所述第一特征向量中每个位置的特征值的平均发热功率谱密度以获得由每个位置的平均发热功率谱密度组成的第二特征向量，其中，所述平均发热功率谱密度基于普朗克常数、玻尔茨曼热力学常数、环境温度、该位置的特征值、热辐射的波长和所述移动终端的工作信号的波长确定；将所述第二特征向量通过类Softmax分类函数以获得所述第二特征向量中每个位置对应的概率值，其中，所述类Softmax分类函数为取以对应位置的特征值的负值为幂的自然指数函数值除以以各个位置的特征值的负值为幂的自然指数函数值的加权和的结果；以及基于每个位置对应的概率值与预设阈值之间的比较，确定是否将相应的非必要任务关闭。2.根据权利要求1所述的移动终端的散热方法，其中，计算所述第一特征向量中每个位置的特征值的平均发热功率谱密度以获得由每个位置的平均发热功率谱密度组成的第二特征向量，包括：以如下公式计算所述第一特征向量中每个位置的特征值的平均发热功率谱密度以获得由每个位置的平均发热功率谱密度组成的第二特征向量，其中，所述公式为：其中h是普朗克常数,k为玻尔兹曼热力学常数,T为环境温度，x是所述第一特征向量的每个位置的特征值，λ1为热辐射的波长，λ2为移动终端的工作信号的波长，以及，α和β为修正系数，用于分别将αhxλ1/λ2和βhx/kT修正为概率值的表现形式。3.根据权利要求2所述的移动终端的散热方法，其中，h为1.054
×
10
‑
34
,k为1.38
×
10
‑
23
,且T为300K。4.根据权利要求1所述的移动终端的散热方法，其中，将所述第二特征向量通过类Softmax分类函数以获得所述第二特征向量中每个位置对应的概率值，包括：以如下公式计算所述第二特征向量中每个位置对应的概率值，其中，所述公式为：P＝exp(
‑
xi)/∑exp(
‑
xi)，其中，x为所述第二特征向量中各个位置对应的特征值。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：江奇峰，
申请(专利权)人：上海玉契通讯有限公司，
类型：发明
国别省市：