买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于脉冲神经网络的处理器温度计算方法，涉及处理器性能优化技术领域，包括以下具体步骤：S1：收集数据形成数据集，利用CPU数据收集框架在CPU周期性的处于满载和空闲状态下，收集CPU的相关硬件信息和温度数据；S2：建立一个密集连接的前馈人工神经网络，S3：建立模拟生物神经元动态行为的神经网络模型，脉冲神经网络即为SNN。该一种基于脉冲神经网络的处理器温度计算方法，基于SNN的膜电位聚合（AMP）算法来估计当前时刻处理器的温度，即使在没有GPU的设备上，也可以高效的运行模型，降低训练模型的成本。

主权项：1.一种基于脉冲神经网络的处理器温度计算方法，其特征在于，包括以下具体步骤：S1：收集数据形成数据集，利用CPU数据收集框架在CPU周期性的处于满载和空闲状态下，收集CPU的相关硬件信息和温度数据；S2：建立一个密集连接的前馈人工神经网络，人工神经网络即为ANN,具体为：是从输入空间到输出空间的函数，由非线性函数hl的组合定义，使得：这里，表示维度dx的输入向量，表示维度dy的输出向量,非线性函数hl称为层并定义一个l折交叉验证，将输入向量映射到输出向量,第一层h0定义为输入层，最后一层hnL作为输出层，使得 输入层和输出层之间的层hl称为隐藏层，定义为: 其中是第l层hl的第η个神经单元，nu表示每层神经单元的总数，是第l层hl中第η个神经单元的权重向量，hl-1是前一层的输出，其中偏置值被吸收；S21：φl:R→R是一个非线性激活函数,考虑了历史相关的输入和输出数据和，则隐藏层的公式为: 由于时间是离散的，依次处理前一层的输入向量的每个离散时间切片为：S3：建立模拟生物神经元动态行为的神经网络模型，脉冲神经网络即为SNN，SNN是一个与历史相关的ANN，通过生物学启发的过程引入记忆效应，因此，S21中的激活函数φl可表示为： 和其中，是第η个神经单元在时间t的膜电位，表示膜阈值，是膜电位衰减率，分别是标准ANN权重乘以当前时间步的前一层；S31：通过时间演化膜电位没有达到膜阈值或保持沉默φspk＝0，如果膜电位超过膜阈值，则SNN将神经单元激活并输出离散脉冲φspk＝1，这些脉冲被称为尖峰，在S3中，被称为重置机制，一旦发出尖峰，就会重置膜电位，在训练过程中优化膜阈值和膜电位衰减率，使SNN的优化参数为：S32：尖峰分别是通过Diracdeltafunction或连续或离散设置中的离散脉冲表达的单个事件，随着时间的推移，一组尖峰称为尖峰序列，i＝[it,t＝0,…,nt]为此尖峰神经元在时间间隔内受到尖峰训练，由尖峰1或零输入0组成，膜电位被传入的尖峰it调节，在没有输入尖峰的情况下，由于膜衰减率膜电压随时间进行衰减；S33：从标准人工神经网络中使用反向传播算法，在反向传播期间使用代理梯度进行替换激活，使用了fastsigmoidfunction： 其中，k为参数化斜率，对于某些输入x，代理φsurrx连续可微并保留网络的梯度动态，使用φ'surr用于反向传播训练；S4：设计网络结构：先将真实数据进行在0到1的归一化处理，然后直接将归一化后的数据输入到网络的第一层输入层中，输入层会根据真实数据选择合适的编码方式，由于膜电位直接输出的就是连续值，所以解码部分直接使用了输出层的膜电位值作为实数，代表计算的温度值。

全文数据：

权利要求：

百度查询： 温州大学大数据与信息技术研究院 一种基于脉冲神经网络的处理器温度计算方法