一种基于低噪放大器的芯片功耗降低方法和系统技术方案

本发明专利技术涉及芯片节能技术领域，发明专利技术了一种基于低噪放大器的芯片功耗降低方法，包括：将芯片运行日志清洗拆分成芯片日志序列以及将用户行为日志拆分成用户日志序列；从用户日志序列中提取出标准行为特征序列；利用标准行为特征序列将行为时序模型训练成行为分析模型；根据标准行为特征序列和芯片日志序列将回报奖励模型训练成降频回报模型，根据降频回报模型提取出降频芯片状态组；利用行为分析模型分析出实时用户行为日志对应的实时分析行为特征，根据降频芯片状态组和实时分析行为特征生成实时芯片节能策略并对低噪放大器芯片进行功耗配置

【技术实现步骤摘要】
一种基于低噪放大器的芯片功耗降低方法和系统


[0001]本专利技术涉及芯片节能
，尤其涉及一种基于低噪放大器的芯片功耗降低方法和系统
。

技术介绍

[0002]低噪放大器通常是一种专门用于放大弱小信号的放大器，常用于无线通信
、
射频电路
、
传感器接口等领域，低噪放大器的芯片在工作时可能会产生大量的功耗，影响设备续航，因为需要降低低噪放大器的芯片功耗
。
[0003]现有的低噪放大器的芯片功耗降低方法多为基于电路结构优化的功耗降低方法，主要是优化电路的拓扑结构
、
采用低功耗的晶体管器件以及使用深亚微米工艺降低芯片的功耗，实际应用中，基于电路结构优化的功耗降低方法需要经验充足的设计人员进行电路重构设计，且需要对现有的芯片进行更替，具有较高的经济
、
时间门槛，可能会导致进行芯片降耗时的效率较低
。

技术实现思路

[0004]本专利技术提供一种基于低噪放大器的芯片功耗降低方法和系统，其主要目的在于解决进行芯片降耗时的效率较低的问题
。
[0005]为实现上述目的，本专利技术提供的一种基于低噪放大器的芯片功耗降低方法，包括：
[0006]依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，根据所述芯片日志序列将预先获取的用户行为日志拆分成用户日志序列；
[0007]从所述用户日志序列中提取出用户行为特征序列，依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，其中，所述依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，包括：将所述用户行为特征序列拆分成多个用户行为特征组，随机在各用户行为特征组中筛选出初级行为中心特征；利用如下的行为聚类算法计算出所述用户行为特征序列中各个用户行为特征和各个初级行为中心特征之间的特征距离：
[0008][0009]其中，
G
是指所述特征距离，
m
是所述用户行为特征的总特征维度，且所述用户行为特征的总特征维度和所述初级行为中心特征的总特征维度相等，
f
是指第
f
维特征向量，
exp ()
是指数函数，
cos()
是余弦函数，
π
是圆周率，
A
f
是指所述用户行为特征中的第
f
维特征向量，
B
f
是指所述初级行为中心特征中的第
f
维特征向量；根据所述特征距离重新对各个用户行为特征进行分组，得到多个次级用户行为特征组，计算各个次级用户行为特征组对应的
次级行为中心特征；计算出各个次级行为中心特征和对应的初级行为中心特征之间的中心特征距离，根据所述中心特征距离将各个次级用户行为特征组迭代更新成标准用户行为特征组；逐个选取所述标准用户行为特征组作为目标用户行为特征组，将所述目标用户行为特征组的次级行为中心特征作为目标聚类中心；利用所述目标聚类中心对所述用户行为特征序列中所述目标用户行为特征组对应的各个用户行为特征进行特征替换，得到标准行为特征序列；
[0010]利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型；
[0011]对所述标准行为特征序列进行状态标注，得到用户行为状态序列，根据所述用户行为状态序列将所述芯片日志序列标注成芯片状态序列，利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组；
[0012]获取实时用户行为日志，利用所述行为分析模型分析出所述实时用户行为日志对应的实时分析行为特征，根据所述降频芯片状态组和所述实时分析行为特征生成实时芯片节能策略，根据所述实时芯片节能策略对低噪放大器芯片进行功耗配置
。
[0013]可选地，所述依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，包括：
[0014]依次对预先获取的芯片运行日志进行单位转换和日志格式化操作，得到标准运行日志；
[0015]分别从所述标准运行日志中提取出日志时间特征集
、
日志名称特征集以及日志大小特征集；
[0016]对所述日志时间特征集
、
所述日志名称特征集以及所述日志大小特征集进行特征拼接，得到日志标准特征集；
[0017]根据所述日志标准特征集对所述标准运行日志进行数据去重，得到去重运行日志；
[0018]从所述去重运行日志中提取出日志时间戳，根据所述日志时间戳对所述去重运行日志进行时序排列，得到时序运行日志；
[0019]按照预设的时域区间对所述时序运行日志进行时域拆分，得到芯片日志序列
。
[0020]可选地，所述从所述用户日志序列中提取出用户行为特征序列，包括：
[0021]逐个选取所述用户日志序列中的用户日志作为目标用户日志，对所述目标用户日志进行日志解析，得到目标用户日志数据；
[0022]从所述目标用户日志数据中提取出行为名称特征
、
行为资源特征以及行为周期特征；
[0023]将所述行为名称特征全局池化成池化名称特征，将所述行为资源特征全局池化成池化资源特征，将所述行为周期特征全局池化成池化周期特征；
[0024]利用如下的行为融合算法将所述池化名称特征
、
所述池化资源特征以及所述池化周期特征融合成用户行为特征：
[0025][0026]其中，
L
是指所述用户行为特征，
i
是指特征维度序号，
E
是指所述池化名称特征的特征总维度，且所述池化名称特征
、
所述池化资源特征及所述池化周期特征的特征总维度相等，
sigmoid
是
sigmoid
激活函数，
Q
i
是指所述池化名称特征的第
i
维特征，
α
、
β
、
γ
是所述行为融合算法的权重矩阵，
T
是转置符号，
d()
是特征维度函数，
R
i
是指所述池化资源特征的第
i
维特征，
P
i
是指所述池化周期特征的第
i
维特征；
[0027]根据所述用户日志序列将所有的用户行为特征汇集成用户行为特征序列
。
[0028]可选地，所述利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，包括：
[0029]利用预设的行为时序模型分别从所述标准行为特征序列中提取出行为长期特征和行为短期特征；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于低噪放大器的芯片功耗降低方法，其特征在于，所述方法包括：
S1
：依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，根据所述芯片日志序列将预先获取的用户行为日志拆分成用户日志序列；
S2
：从所述用户日志序列中提取出用户行为特征序列，依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，其中，所述依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，包括：
S21
：将所述用户行为特征序列拆分成多个用户行为特征组，随机在各用户行为特征组中筛选出初级行为中心特征；
S22
：利用如下的行为聚类算法计算出所述用户行为特征序列中各个用户行为特征和各个初级行为中心特征之间的特征距离：其中，
G
是指所述特征距离，
m
是所述用户行为特征的总特征维度，且所述用户行为特征的总特征维度和所述初级行为中心特征的总特征维度相等，
f
是指第
f
维特征向量，
exp()
是指数函数，
cos()
是余弦函数，
π
是圆周率，
A
f
是指所述用户行为特征中的第
f
维特征向量，
B
f
是指所述初级行为中心特征中的第
f
维特征向量；
S23
：根据所述特征距离重新对各个用户行为特征进行分组，得到多个次级用户行为特征组，计算各个次级用户行为特征组对应的次级行为中心特征；
S24
：计算出各个次级行为中心特征和对应的初级行为中心特征之间的中心特征距离，根据所述中心特征距离将各个次级用户行为特征组迭代更新成标准用户行为特征组；
S25
：逐个选取所述标准用户行为特征组作为目标用户行为特征组，将所述目标用户行为特征组的次级行为中心特征作为目标聚类中心；
S26
：利用所述目标聚类中心对所述用户行为特征序列中所述目标用户行为特征组对应的各个用户行为特征进行特征替换，得到标准行为特征序列；
S3
：利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型；
S4
：对所述标准行为特征序列进行状态标注，得到用户行为状态序列，根据所述用户行为状态序列将所述芯片日志序列标注成芯片状态序列，利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组；
S5
：获取实时用户行为日志，利用所述行为分析模型分析出所述实时用户行为日志对应的实时分析行为特征，根据所述降频芯片状态组和所述实时分析行为特征生成实时芯片节能策略，根据所述实时芯片节能策略对低噪放大器芯片进行功耗配置
。2.
如权利要求1所述的基于低噪放大器的芯片功耗降低方法，其特征在于，所述依次对
预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，包括：依次对预先获取的芯片运行日志进行单位转换和日志格式化操作，得到标准运行日志；分别从所述标准运行日志中提取出日志时间特征集
、
日志名称特征集以及日志大小特征集；对所述日志时间特征集
、
所述日志名称特征集以及所述日志大小特征集进行特征拼接，得到日志标准特征集；根据所述日志标准特征集对所述标准运行日志进行数据去重，得到去重运行日志；从所述去重运行日志中提取出日志时间戳，根据所述日志时间戳对所述去重运行日志进行时序排列，得到时序运行日志；按照预设的时域区间对所述时序运行日志进行时域拆分，得到芯片日志序列
。3.
如权利要求1所述的基于低噪放大器的芯片功耗降低方法，其特征在于，所述从所述用户日志序列中提取出用户行为特征序列，包括：逐个选取所述用户日志序列中的用户日志作为目标用户日志，对所述目标用户日志进行日志解析，得到目标用户日志数据；从所述目标用户日志数据中提取出行为名称特征
、
行为资源特征以及行为周期特征；将所述行为名称特征全局池化成池化名称特征，将所述行为资源特征全局池化成池化资源特征，将所述行为周期特征全局池化成池化周期特征；利用如下的行为融合算法将所述池化名称特征
、
所述池化资源特征以及所述池化周期特征融合成用户行为特征：其中，
L
是指所述用户行为特征，
i
是指特征维度序号，
E
是指所述池化名称特征的特征总维度，且所述池化名称特征
、
所述池化资源特征及所述池化周期特征的特征总维度相等，
sigmoid
是
sigmoid
激活函数，
Q
i
是指所述池化名称特征的第
i
维特征，
α
、
β
、
γ
是所述行为融合算法的权重矩阵，
T
是转置符号，
d()
是特征维度函数，
R
i
是指所述池化资源特征的第
i
维特征，
P
i
是指所述池化周期特征的第
i
维特征；根据所述用户日志序列将所有的用户行为特征汇集成用户行为特征序列
。4.
如权利要求1所述的基于低噪放大器的芯片功耗降低方法，其特征在于，所述利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，包括：利用预设的行为时序模型分别从所述标准行为特征序列中提取出行为长期特征和行为短期特征；对所述标准行为特征进行位置编码，得到位置行为特征；对所述位置行为特征进行自注意力编码，得到自注意力行为特征；将所述行为长期特征
、
所述行为短期特征以及所述自注意力行为特征拼接成初级行为特征矩阵；将所述初级行为特征矩阵归一化成次级行为特征矩阵，利用如下的矩阵映射算法计算出所述次级行为特征矩阵的映射矩阵：
其中，所述
C
u
是指所述次级行为特征矩阵中第
u
维特征的映射矩阵，所述
n
是指所述标准行为特征序列...

【专利技术属性】
技术研发人员：杨金枝，王强，黄鹏，
申请(专利权)人：深圳市新弘途科技有限公司，
类型：发明
国别省市：