隨著科技的進(jìn)步和時代的發(fā)展,嵌入式系統(tǒng)幾乎應(yīng)用在我們生活中的各個方法,如家用電子產(chǎn)品、通信、汽車和航空電子設(shè)備等。從這些應(yīng)用中,我們可以觀察到嵌入式系統(tǒng)發(fā)展的新趨勢:第一,功能多樣化;第二,低功耗和高性能;第三,自適應(yīng)性。為了滿足上述的需求,傳統(tǒng)的單核處理器由于受到功率密度的限制,通過提高處理器的時鐘頻率已經(jīng)很難滿足這些需求,異構(gòu)多核處理器（Heterogeneous Multi-Processes,HPMs）成為現(xiàn)代嵌入式系統(tǒng)的主流解決方案。對于異構(gòu)多核處理器來說,如何充分利用它的并行性來提高系統(tǒng)的性能并降低功耗,需要解決的一個重要問題是任務(wù)的動態(tài)映射（或調(diào)度）問題。而動態(tài)映射問題的關(guān)鍵是要能夠?qū)ο到y(tǒng)的資源分配和調(diào)度方案進(jìn)行性能等方面的評估,傳統(tǒng)的性能評估方法有建立成本模型和仿真模擬兩種方法,但是受到準(zhǔn)確性以及高效性等方面的制約,不能得到廣泛的使用。針對如何創(chuàng)建一種既能提高性能評估準(zhǔn)確性,又能提高效率的方法,基于機(jī)器學(xué)習(xí)的方法能夠自動的學(xué)習(xí)和分析系統(tǒng)行為并產(chǎn)生相應(yīng)設(shè)計(jì)的解決方案,這無疑可以很大程度上減少設(shè)計(jì)人員的負(fù)擔(dān)。本文分析了當(dāng)前異構(gòu)多核系統(tǒng)的發(fā)展趨勢以及面臨的問題,重點(diǎn)圍繞異構(gòu)多... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

嵌入式產(chǎn)品：索尼PS4游戲機(jī)和iPhoneFig1.1Embeddedproducts:SONYPS4gameconsoleandiPhone

圖 3.6 AdaBoost 算法偽代碼Fig 3.6 AdaBoost algorithm pseudo code現(xiàn)假設(shè)給定訓(xùn)練樣本集如圖 3.7 左側(cè)所示的一個弱學(xué)習(xí)算法或基學(xué)習(xí)算法，其中符號+和-分別表示兩種不同類別的實(shí)例。AdaBoost 算法的實(shí)現(xiàn)算法如下，首先將基學(xué)習(xí)算法根據(jù)訓(xùn)練樣本集 D 得到第一個基分類器 h1，它的工作機(jī)制是先從初始訓(xùn)練集訓(xùn)練一個基學(xué)習(xí)器，再根據(jù)基學(xué)習(xí)器的表現(xiàn)對訓(xùn)練樣本分布進(jìn)行調(diào)整，使得先前基學(xué)習(xí)器做錯的訓(xùn)練樣本在后續(xù)收到更多的關(guān)注，然后基于調(diào)整后的樣本分布來訓(xùn)練下一個基學(xué)習(xí)器，如此重復(fù)進(jìn)行，直至基學(xué)習(xí)器數(shù)目達(dá)到事先指定的值最終將這些基學(xué)習(xí)器進(jìn)行加權(quán)結(jié)合，得到如圖 3.7 右側(cè)所示的分類圖。

圖 4.5 ANN 預(yù)測模型的趨勢預(yù)測對應(yīng)比例 4.5 The corresponding proportion of trend prediction of ANN m態(tài)調(diào)度方法效果驗(yàn)證文動態(tài)調(diào)度方案的效果，我們通過隨機(jī)生成一個固定，例如某個運(yùn)行核由于負(fù)載過高或故障等原因不可用，來進(jìn)行實(shí)驗(yàn)�？紤]到采用遺傳算法不同參數(shù)對算法的評估不同參數(shù)的效果和開銷，然后將本文得到的在線見的輪詢調(diào)度（RoundRobinScheduler，RRS）[71]、抽獲得的最優(yōu)化方法進(jìn)行對比試驗(yàn)。評估實(shí)驗(yàn)法，我們需要考慮如下參數(shù)：1）種群規(guī)模（populati；2）迭代（iteration）：種群交叉變異迭代的次數(shù)；3）基特征；4）交叉概率（P_cross）：在循環(huán)中進(jìn)行交叉操作

【參考文獻(xiàn)】：
期刊論文
[1]基于SVM的CPU-GPU異構(gòu)系統(tǒng)任務(wù)分配模型[J]. 王彥華,喬建忠,林樹寬,趙廷磊.  東北大學(xué)學(xué)報(自然科學(xué)版). 2016(08)
[2]基于神經(jīng)網(wǎng)絡(luò)的多核功耗預(yù)測策略[J]. 袁景凌,繆旭陽,楊敏龍,向堯.  計(jì)算機(jī)科學(xué). 2014(S1)

碩士論文
[1]DVS節(jié)能技術(shù)與EDF調(diào)度結(jié)合的節(jié)能算法[D]. 錢杰.浙江大學(xué) 2007



本文編號：3003629