基于Android平台的智能能源管理系统外文翻译资料

 2022-05-24 21:20:29

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

2015年软件，多媒体和通信工程国际会议（SMCE，2015）

ISBN：978-1-60595-284-0

基于Android平台的智能能源管理系统

王永超，张建武

杭州电子科技大学电信工程学院，杭州，中国

关键词：智能手机，情境感知，决策模型，节电策略

摘要：针对目前智能手机电池寿命越来越短的问题，本文提出了一种基于情境感知计算的智能能量管理系统，该系统通过分析传感器数据推断设备的当前状态，并依赖于功耗 优化决策模型，通过监督学习方法进行训练和生成，实施相应的节能优化策略，在保证服务质量的前提下最大限度地降低功耗。 我们将其应用于Android手机并分析其效果，结果表明，所提出的智能能源管理系统能够在24小时内有效降低近20％的功耗。

介绍

嵌入式处理技术的快速发展极大地提高了智能手机的性能，同时导致嵌入式设备功耗的快速增长。如今的大多数智能手机都能为诸如Wi-Fi，蓝牙，GPS，互联网连接和其他实用组件等多种硬件提供完美支持[1]。但是，如果没有强大的处理器，巨大的触摸屏，通信网络和其他相关硬件，这些功能就无法正常工作。一项相关研究表明，大多数电池供电的移动设备的电池寿命不到1天，处理器，屏幕，网络连接模块已成为手机的主要功耗部件[2]。智能手机的节电策略因不同情况而有所不同，而移动设备的环境因素变化不规则，导致无法及时调整相应的节电策略而导致大量能源浪费的普遍现象[3]。

传统的嵌入式系统低功耗研究主要集中在设备上，主要是盲目地限制一些高功耗部件的使用，这将不可避免地对服务质量产生不利影响。然而，由上下文信息和用户行为引起的对功耗的影响有时也不能忽略[4]。上下文感知技术方法的引入将使其与用户行为和能量管理的上下文信息完全相关联，从而使智能手机的能量管理更加智能和人性化。

本文提出了一种基于情境感知计算的智能高效能源管理系统，通过对传感器数据的分析推断设备的现状，并基于监督学习方法训练和生成的功率优化决策模型来控制不必要的组件。一旦情况信息或用户行为发生变化，系统就会自动调整节能策略。为了展示所提出的系统的有效性，我们将其应用到Android手机并分析了结果。建议的系统所提出的智能电源管理系统主要由传感器数据采集，数据预处理，功耗优化决策模型，能源策略推理和组件控制模块组成。 图1显示了系统的结构图。

Android操作系统支持各种硬件并提供丰富的API（应用程序编程接口），可用于开发有用的上下文感知应用[7]。通过调用相关的API，我们可以获得原始的传感器数据，如光照，接近度，加速度和当前时间值。这四种类型的数据可以在不同情况下描述几乎所有的设备信息。图2显示了正常步行运动和运行模式下加速度传感器值的变化曲线。通过分析加速传感器数据，我们可以轻松识别用户的运输模式。

图1.系统的结构图。

情境感知技术

用户上下文信息是对当前场景的描述，包括灯光，位置，声音信息和用户习惯，行为特征等。上下文感知技术利用传感器数据定期从各自的传感器元件获取有意义的信息，然后通过相关的处理和挖掘方法，根据不同的需求为消费者提供实时和相应的服务[5]。

自Android和iPhone等智能手机出现以来，它们为各种传感器提供了完美的支持，包括光线，接近度，加速度和方向等。这些传感器具有提供高精度原始数据的能力，可用于推断通过收集和分析这些数据[6]，手机的上下文信息。例如，环境的光强度可以通过光传感器值具体量化，接近传感器值可以用于估计智能手机的当前位置是在口袋还是在手上，加速度值是直观反映的在目前的运输模式下，我们可以将设备分类为静止或移动状态。

传感器数据收集和预处理

Android操作系统支持各种硬件并提供丰富的API（应用程序编程接口），可用于开发有用的上下文感知应用[7]。通过调用相关的API，我们可以获得原始的传感器数据，如光照，接近度，加速度和当前时间值。这四种类型的数据可以在不同情况下描述几乎所有的设备信息。图2显示了正常步行运动和运行模式下加速度传感器值的变化曲线。通过分析加速传感器数据，我们可以轻松识别用户的运输模式。

图2.不同运动状态下的加速度变化曲线视图。

原始的连续传感器数据需要大量的存储器和计算时间，毫无疑问，它将消耗移动设备中比离散值更多的能量。 有效的上下文感知计算的传感器数据需要被离散化，因此通过每两秒收集一次来进行处理。

功率优化决策模型

在Weka智能分析平台中生成功耗优化决策模型，该平台包含一系列数据挖掘算法[8]。 通过C4.5算法对一组有意义的数据进行训练，它将生成当前属性值与其所属类别之间的对应关系，也可以用于对属性未知的新类别进行分类[9]。 假设D是训练集的类别，熵可以由等式（1）表示：

???? (?) =- (1)

??表示当前类别属性在整个训练集合中出现的概率，可以通过将此类别的数量除以总训练元素元素来估计。 如果我们用属性A对训练元组D进行分类，那么A到D的期望信息可以通过等式（2）计算：

?????(?) = (2)

信息的增益是两个值之间的差异：

???? (?) = ????(?) minus; ?????(?) (3)

C4.5算法定义分割信息，它可以表示为方程（4）： (4)

然后通过公式（5）计算信息增益比率：

(5)

C4.5算法选择最大信息增益比的属性作为分类一，通过在决策模型生成过程中进行适当的修剪，减少误差数据对分类结果的影响。由其生成的分类规则更容易理解并具有较高的准确性[10]。因此C4.5算法被广泛应用于数据挖掘相关的分类研究。

一个有效的决策模型是基于对大量有用的信息数据进行训练，我们的研究收集了每个不同场景下的数据，以便生成更高精度和效率的决策模型，每组信息由两部分组成：其中一部分是传感器数据包括光的值，加速度，接近度和当前时间值;另一部分是相应的节能策略，包括Wi-Fi状态，蓝牙，GPS组件和屏幕亮度。

每个组件的状态受不同背景因素的影响，所以决策模型也各不相同。例如，Wi-Fi的状态由用户的传输模式和环境信息决定，因此接近度，加速度，光传感器的值和时间值组成其决策模型。其他组件，如蓝牙，GPS和屏幕亮度也由相应的环境因素

估算。图5是C4.5算法产生的Wi-Fi状态决策模型。

图3.由C4.5生成的Wi-Fi状态决策模型。

图3中的ACCELERATE，LIGHT，PROXIMITY和TIME代表各种传感器的值，ON和OFF是Wi-Fi的两种不同决策结果。

推理和组件控制模块

每个组件都有一个决策模型来根据传感器数据预处理结果来推断特定功能是否关闭。如果电力管理存在漏洞，能源管理将及时调整和优化。但是，如果当前环境没有变化，则没有必要推断节能策略。例如，用户通常使用Wi-Fi在室内上网，当他外出时，上下文信息的变化将被及时注意到，然后由组件控制模块及时关闭Wi-Fi。

用户上下文信息是对当前场景的描述，包括灯光，位置，声音信息和用户习惯，行为特征等。上下文感知技术利用传感器数据定期从各自的传感器元件获取有意义的信息，然后通过相关的处理和挖掘方法，根据不同的需求为消费者提供实时和相应的服务[5]。

自Android和iPhone等智能手机出现以来，它们为各种传感器提供了完美的支持，包括光线，接近度，加速度和方向等。这些传感器具有提供高精度原始数据的能力，可用于推断通过收集和分析这些数据[6]，手机的上下文信息。例如，环境的光强度可以通过光传感器值具体量化，接近传感器值可以用于估计智能手机的当前位置是在口袋还是在手上，加速度值是直观反映的在目前的运输模式下，我们可以将设备分类为静止或移动状态。

针对目前智能手机电池寿命越来越短的问题，本文提出了一种基于情境感知计算的智能能量管理系统，该系统通过分析传感器数据推断设备的当前状态，并依赖于功耗 优化决策模型，通过监督学习方法进行训练和生成，实施相应的节能优化策略，在保证服务质量的前提下最大限度地降低功耗。 我们将其应用于Android手机并分析其效果，结果表明，所提出的智能能源管理系统能够在24小时内有效降低近20％的功耗。

针对目前智能手机电池寿命越来越短的问题，本文提出了一种基于情境感知计算的智能能量管理系统，该系统通过分析传感器数据推断设备的当前状态，并依赖于功耗 优化决策模型，通过监督学习方法进行训练和生成，实施相应的节能优化策略，在保证服务质量的前提下最大限度地降低功耗。 我们将其应用于Android手机并分析其效果，结果表明，所提出的智能能源管理系统能够在24小时内有效降低近20％的功耗。

评估结果

为了评估所提议的系统的有效性，我们将其应用于Android手机进行测试。测试过程分两部分进行，其中之一是对威卡生成的功耗优化决策模型的准确性进行评估，第二部分是对智能手机节电效果的评估。

决策模型精度评估

我们的研究收集数据来评估生成的决策模型的效率。在每个不同的场景中收集200组测试数据，然后在Weka中通过C4.5和朴素贝叶斯算法执行。图4是五种不同场景模式下决策模型的精度比较。

图4.不同场景下的决策模型精度比较

图4显示了C4.5算法生成的模型的性能优于朴素贝叶斯在各种情况下的性能。 朴素贝叶斯算法可以表现出优异的性能，当属性具有较少的相关条件时[11]。 然而，光传感器和接近传感器的价值是内在联系的，这个有限的因素影响了它在这项研究中的表现。

节电效果评估

为了提出智能电源管理系统的可行性，我们将其应用于两款Android智能手机。 测试在不同的时间段和不同的环境中执行，他们两个在实验期间使用相同的网络连接和其他系统功能。 我们记录电池电量变化并绘制图5中的变化曲线。

图5.电池电量的变化曲线

图5显示了两台测试电话在24小时内从上午8:00开始的电池电量变化。 x轴代表时间，y轴代表剩余电池电量。 结果表明，该系统能够在24小时内有效降低功耗近20％，同时也证明了该方法的有效性。

结论

嵌入式处理技术的快速发展极大地提高了智能手机的性能，同时导致嵌入式设备功耗的快速增长。如今的大多数智能手机都能为诸如Wi-Fi，蓝牙，GPS，互联网连接和其他实用组件等多种硬件提供完美支持[1]。但是，如果没有强大的处理器，巨大的触摸屏，通信网络和其他相关硬件，这些功能就无法正常工作。一项相关研究表明，大多数电池供电的移动设备的电池寿命不到1天，处理器，屏幕，网络连接模块已成为手机的主要功耗部件[2]。智能手机的节电策略因不同情况而有所不同，而移动设备的环境因素变化不规则，导致无法及时调整相应的节电策略而导致大量能源浪费的普遍现象[3]。

传统的嵌入式系统低功耗研究主要集中在设备上，主要是盲目地限制一些高功耗部件的使用，这将不可避免地对服务质量产生不利影响。然而，由上下文信息和用户行为引起的对功耗的影响有时也不能忽略[4]。上下文感知技术方法的引入将使其与用户行为和能量管理的上下文信息完全相关联，从而使智能手机的能量管理更加智能和人性化。

本文提出了一种基于情境感知计算的智能高效能源管理系统，通过对传感器数据的分析推断设备的现状，并基于监督学习方法训练和生成的功率优化决策模型来控制不必要的组件。一旦情况信息或用户行为发生变化，系统就会自动调整节能策略。为了展示所提出的系统的有效性，我们将其应用到Android手机并分析了结果。建议的系统所提出的智能电源管理系统主要由传感器数据采集，数据预处理，功耗优化决策模型，能源策略推理和组件控制模块组成。

本文提出了一种基于Android平台的智能电源管理系统，通过在Weka中建立节能模型，利用低功耗传感器推测手机状态，进行相应的节能策略。 随着对服务质量的要求越来越高，未来对嵌入式系统节能管理的研究应充分考虑用户的行为，更加关注设备环境。

参考文献

[1]有关http://developer.android.com/reference/android/hardware.html的信息。

[2]丁方伟，夏锋，张炜，智能手机能源消耗监测，2011国际会议暨第4届网络，物理与社会计算国际会议，第6卷，第19-22页，10月。 2011。

[3] Karmore，SP，Mahajan，AR和Kitey，S.，基于android系统的电池监测和分析，高级计算技术（ICACT），2013年第15届国际会议，第1卷，第21-22页，9月。2013。

[4] Shye，A.，Scholbrock，B.，进入野外：研究真正的用户活动模式，以指导移动架构的功耗优化。 Microarchitecture，2009年第42届IEEE / ACM国际研讨会，vol.168，pp.12-16,

全文共6234字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[11866]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章