CN109144214A - 能量管理***、方法、电子设备、装置及非易失处理器 - Google Patents
能量管理***、方法、电子设备、装置及非易失处理器 Download PDFInfo
- Publication number
- CN109144214A CN109144214A CN201810884579.0A CN201810884579A CN109144214A CN 109144214 A CN109144214 A CN 109144214A CN 201810884579 A CN201810884579 A CN 201810884579A CN 109144214 A CN109144214 A CN 109144214A
- Authority
- CN
- China
- Prior art keywords
- information
- power
- electronic equipment
- write
- energy management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 124
- 230000014759 maintenance of location Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims description 112
- 238000007726 management method Methods 0.000 claims description 107
- 238000004891 communication Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 27
- 239000008280 blood Substances 0.000 claims description 15
- 210000004369 blood Anatomy 0.000 claims description 15
- 238000004146 energy storage Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 34
- 239000003990 capacitor Substances 0.000 description 25
- 210000002569 neuron Anatomy 0.000 description 21
- 230000004044 response Effects 0.000 description 19
- 230000036541 health Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 210000003414 extremity Anatomy 0.000 description 9
- 238000011084 recovery Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000005381 potential energy Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 230000005611 electricity Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 5
- 230000037213 diet Effects 0.000 description 5
- 235000016709 nutrition Nutrition 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000003423 ankle Anatomy 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002513 implantation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3836—Instruction issuing, e.g. dynamic instruction scheduling or out of order instruction execution
- G06F9/3842—Speculative instruction execution
- G06F9/3844—Speculative instruction execution using dynamic branch prediction, e.g. using branch history tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
- G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
- G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Power Sources (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种能量管理***、方法、电子设备、装置及非易失处理器，所述方法包括基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。本申请通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时长，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低服务质量相匹配。
Description
技术领域
本申请涉及能量管理技术领域，特别是涉及一种能量管理***、能量管理方法、电子设备、电子装置、非易失处理器以及计算机可读存储介质。
背景技术
物联网设备及无线通信技术的快速发展，使得例如高性能、小体积的可穿戴设备或可植入设备得到了突飞猛进的发展，高性能的需求意味着***能耗的提升，而目前电池的发展速度已经远远落后于能耗需求的增加，并且电池供电依然存在体积重量大和维护费用昂贵的问题。为此，可穿戴设备或可植入设备通常会通过采集外界能量实现自供能，然而，自供能存在着能量有限，变化剧烈以及难以预测的缺陷，因此，物联网节点需要通过合理存储和利用有限的采集能量，并根据不同负载的能量需求进行合理的能量管理，使得能量利用效率最优化。
物联网节点中，除了处理器内部的信号处理和控制操作外，还存在处理器与周边设备进行数据通信和信息交互的操作，比如传感器信息从传感器读回到处理器中，存储器芯片中数据的写入和读出，以及数据通过射频单元进行发送接收等。这些都会造成处理器对电能有很高的需求。在自供能***中，每次原子操作都必须要保证在足够的能量下才能完成。因此，***的能量管理装置需要能够提供此类支持。为此，科学合理的能源管理则显得尤为重要。
发明内容
鉴于以上所述现有相关的缺点，本申请的目的在于提供一种能量管理***、能量管理方法、电子设备、电子装置、非易失处理器以及计算机可读存储介质，以利用低成本的方式进行能源管理。
为实现上述目的及其他相关目的，本申请的第一方面提供一种能量管理***，应用于具有处理器的电子设备中，包括预测模块及执行模块，其中。所述预测模块基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；所述执行模块用于依据所述预测模块输出的至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。
本申请的第二方面提供一种电子装置，包括上述第一方面所述的能量管理***。
本申请的第三方面提供一种非易失处理器，包括上述第一方面所述的能量管理***。
本申请的第四方面提供一种电子设备，包括上述第一方面所述的能量管理***。
本申请的第五方面提供一种能量管理方法，应用于具有处理器的电子设备中，所述方法包括以下步骤：提取所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息；依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；以及依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。
本申请的第六方面提供一种计算机可读存储介质，存储有能量管理的计算机程序，其特征在于，所述计算机程序被执行时上述第五方面所述的能量管理方法。
如上所述，本申请的能量管理***、能量管理方法、电子设备、电子装置、非易失处理器以及计算机可读存储介质，通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低服务质量相匹配。
附图说明
图1显示为本申请能量管理***在一实施例中的框架示意图。
图2显示为本申请能量管理***在一实施例中预测模块的一种神经网络示意图。
图3显示为本申请能量管理***在一实施例中预测模块的另一种神经网络示意图。
图4显示为本申请能量管理***在一实施例中的特征提取模块的电路框图。
图5显示为本申请能量管理***的预测模块在一实施方式中的示意图。
图6显示为本申请能量管理***的预测模块在另一实施方式中的示意图。
图7显示为本申请能源管理***的预测模块在再一实施方式中的示意图。
图8显示为本申请在一实施例中写策略的写入电流和写入脉冲宽度的关系示意图。
图9显示为本申请能量管理***在一实施例中的执行模块的示意图。
图10显示为本申请能量管理***的另一实施例中的框架示意图。
图11显示为本申请的电子设备在一实施例中的示意图。
图12显示为本申请的电子设备在另一实施例中的示意图。
图13显示为本申请能量管理方法在一实施例中的流程图。
图14显示为本申请能量管理方法中步骤S11在一实施方式中的流程图。
图15显示为本申请能量管理方法中步骤S11在另一实施方式中的流程图。
图16显示为本申请能量管理方法中步骤S11在再一实施方式中的流程图。
图17显示为本申请在一实施例中近似计算架构示意图。
图18显示为本申请在一实施例中的写操作电路示意图。
图19显示为本申请中神经网络模块在一实施例中的硬件架构示意图。
图20显示为本申请中神经网络模块在另一实施例中的硬件架构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行组成以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由本申请的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一阈值可以被称作第二阈值，并且类似地，第二阈值可以被称作第一阈值，而不脱离各种所描述的实施例的范围。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。比如本申请中对“至少一个时刻”则包括一个时刻以及多个时刻的情况。本文中所使用的，引述一列项目中的“至少一个”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c和a-b-c。
应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解的，所述“指令”在本申请中还可以宽泛地解释成意指指令、数据、信息、信号或其任何组合等。所述“非易失”或“非易失性”均表示为相同的概念，对应的英文为Nonvolatile。
在物联网设备比如可穿戴设备或可植入设备中，例如更换电池的成本，电池安全性，电池仓体积、充电时间与及时性都是需要考虑的因素，许多设备希望***中电池的体积尽可能的小甚至没有电池，因此包括环境能量收集电源或数据采集装置的自供电***应运而生，尤其是随着非易失性处理器(Nonvolatile Processors，简称NVP)的发展，使得环境能量收集电源在可穿戴设备的使用中得以普及。非易失处理器可以通过备份计算状态来处理不稳定的输入电能，与电池相比，可以确保在非常短的时间范围内，允许使用这些处理器的***在没有电池或超级电容器的情况下工作。
虽然非易失处理器在某种程度上可以确保程序在不稳定的电能供给的情况下连续执行，但是当数据采集装置的供电不稳时，现有数据采集装置中的处理器无法做到处理最新采集的数据，保证数据精度，恢复计算或备份计算等。当然，充分利用能源可以增加备份操作的数量，但同时也导致在不必要的备份和恢复操作中浪费更多的能源，而若采用节省能源的策略，则又可能导致电容器的不必要的泄漏，另外电容器在满电情况下也不能存储新收集的能量，也将会延迟的服务响应时间。这就需要对其进行能源管理的优化，比如预测未来的能源输入以更好地为一个后续任务分配资源，以及预测停电持续时间以减少用于备份操作的保留时间和电能。
为此，本申请提供了一种能源管理***，以期高电能使用的效率，处理器的计算效率并减少备用能源，同时保持最基本的服务质量等。本申请的能源管理***应用于具有处理器的电子设备中。在实施例中，所述处理器例如为非易失性处理器(NVP)，但并不局限于此，在其他的实施例中，在不背离本申请所揭示的发明构思和思想的情况下，所述处理器也可以是通常的处理器，比如可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。
在本申请提供的实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。
作为一个示例，可穿戴电子设备可被实施为可穿戴健康助理的形式，该可穿戴健康助理将与健康相关的信息(实时或者非实时)提供到用户、被授权的第三方和/或相关联的监视设备。该设备可被配置为提供与健康相关的信息或数据，诸如但不限于心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据。相关联的监视设备可为例如平板计算设备、电话、个人数字助理、计算机等等。
作为另一个示例，电子设备可被配置为可穿戴通信设备的形式。可穿戴通信设备可包括与存储器耦接或进行通信的处理器、一个或多个通信接口、输出设备(诸如显示器和扬声器)、以及一个或多个输入设备。一个或多个通信接口可提供通信设备与任何外部通信网络、设备或平台之间的电子通信，该通信接口诸如但不限于无线接口、蓝牙接口、USB接口、Wi-Fi接口、TCP/IP接口、网络通信接口或者任何常规的通信接口。除了通信以外，可穿戴通信设备可提供关于时间、健康、状态或者外部连接的设备或正在进行通信的设备和/或在此类设备上运行的软件的信息、消息、视频、操作命令等等(并且可从外部设备接收上述中的任一者)。
请参阅图1，显示为本申请能量管理***在一实施例中的框架示意图，如图所示，所述能量管理***1包括：预测模块10以及执行模块11。
所述预测模块10基于接收的所述电子设备至少一个时刻的供电信息(PowerSensing)、储电信息(Stored Energy Sensing)、以及断电信息(Power Outage Sensing)中的至少一种信息(Sensing Results)进行预测计算，输出数据位宽指令(Bitwidth)、启动指令(System Start)或写策略指令(Write Configuration)中的至少一种指令或/及服务质量预测信息(Predicted QoS)；所述执行模块11依据所述预测模块输出的至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理，本申请的能量管理***通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量(Quality of Service，QoS)与预先请求的最低(最基本的)服务质量相匹配。
在一实施例中，所述预测模块10基于接收所述电子设备一个或多个时刻的供电信息、储电信息、以及断电信息。
在实施例中，所述的时刻可以是不同时间段的，依据不同的需求可以划分成多个时刻等级，比如10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等，需述明的是，上述时刻的举例是示例性的，在不同的实施状况下，并不局限于此。
比如所述预测模块10基于接收所述电子设备最近的10个历史时刻的供电信息、最近的10个历史时刻的储电信息、或最近的10个历史时刻的断电信息给所述预测模块10进行预测。在一种示例中，所述电子设备最近的10个历史时刻的供电信息为最近10个连续上电时间，或者所述电子设备最近的10个历史时刻的储电信息为最近10个时刻的剩余电量，或者所述电子设备最近的10个历史时刻的断电信息为最近10个时刻的断电时长。
在一实施例中，所述预测模块10藉由一特征提取模块检测到所述电子设备上电时或在一个上电周期内获取所述电子设备至少一个时刻的供电信息。
在又一实施例中，所述预测模块10藉由一特征提取模块检测到所述电子设备上电时或在一个上电周期内获取所述电子设备至少一个时刻的储电信息。
在另一实施例中，所述预测模块10藉由一特征提取模块在检测到所述电子设备断电时或在一个上电周期内获取所述电子设备至少一个时刻的断电信息。
在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电***产生的，比如能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述能量采集器收集的电能需要从AC到DC或DC到DC处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。
在实施例中，所述储电信息为电子设备的电池或储电电容中存储的电量信息，比如在假定功耗恒定的情况下实时获取或者断续地获取存储的电量信息。
在实施例中，所述断电信息为电子设备中因能量供应不足，或者能量耗尽，或者人为因素(比如人为设置或人为损坏)或不可预见的意外等因素导致的电能输入中断的信息，比如断电的时间以及断电的时长等信息。在一实施例中，可以设置10个级别的断电时间例如为10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等不同的时间段。
在一实施例中，所述预测模块10藉由一个或多个神经网络对接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息。在一个示例中，所述神经网络例如为前馈神经网络，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。
请参阅图2所示的一种神经网络，图2显示为本申请能量管理***在一实施例中预测模块的一种神经网络示意图，如图所示，在本实施例中，所述神经网络例如为前馈神经网络，所述前馈神经网络包括1个输入层(Input Layer)，2个隐藏层(Hidden Layer 1,2)，1个输出层(Output Layer)，每层有10个神经元，每个神经元有10个输出，基于从非易失性移位器(Nonvolatile shifter，NV Shifter)对接收到的10个时刻(自On time_1到On time_10)的供电信息、储电信息、或断电信息用于对未来的产生的电能或者未来可能间断的时间进行预测。但并不局限与此，在其他可能的实施例中，诚如图3所示的另一种神经网络结构，图3显示为本申请能量管理***在一实施例中预测模块的另一种神经网络示意图，如图所示所述前馈神经网络可以包括更多的隐藏层(Hidden Layer 1，2……N)，每一层也可能包括更多或更少的神经元(N)。图3中所示的神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。
在一实施例中，所述预测模块10藉由一特征提取模块获取一个或多个时刻的供电信息、储电信息、或断电信息，所述特征提取模块将这些信息作为检测结果(SensingResults)传输给所述预测模块10。请参阅图4，显示为本申请能量管理***在一实施例中的特征提取模块的电路框图，如图所示，所述特征提取模块2包括：检测单元，储能单元，以及断电感应单元，所述特征提取模块通信连接所述能源管理***。
在本实施例中，所述为前端电路的特征提取模块包括例如为电池或包括充电器件的电源，电源一端接地，另一端连接一Rs电阻，所述Rs电阻作为检测元件，通过采集流经为电阻的检测元件Rs的电流值或者其两端的电压值获取向所述电子设备提供的供电信息给所述预测模块10，图4中Rs电阻和一个6位ADC转换器构成了本实施例中所述的检测单元，用于检测获取所述供电信息(Input power sensing)，即图示中实线箭头所示的，在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电***产生的。
在本实施例中，所述储能单元用以通过采集储能元件两端的电压差(压降)获取储电信息(Stored energy sensing)，即图示中虚线箭头所示的，即储能元件的剩余电量；所述储能元件为图4中的接地电容C1。图4中电容C1和ADC转换器构成了本实施例中所述的检测单元。
在本实施例中，所述断电感应单元用以通过采集泄电元件两端的电压差获取包括断电时间的断电信息(Power-off sensing)，即图示中点状线箭头所示的。所述泄电元件为图4中的泄漏电容C2，所述泄漏电容C2的一端经由一DC-DC转换器、电荷断路器(ChargeBreaker)和一LDO器件连接，泄漏电容C2的另一端接地。在具体的实现过程中，通过在由电荷断路器控制的恢复操作期间每次对泄漏电容器C2进行充电。图4中的DC-DC转换器、LDO器件、电荷断路器、泄漏电容C2和ADC转换器构成了断电感应单元。如图4所示。通过在由LDO器件控制的恢复操作期间每次对泄漏电容器充电如图4所示，当电子设备从停电恢复时检查电容器的电压，***断电时间可以通过ADC检测到的电压降来计算。
在一实施例中，所述预测模块10包括一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述预测模块10接收的所述电子设备一个或多个时刻的供电信息、储电信息、以及断电信息存储分别这些非易失性移位单元中。
在本申请中所述预测模块10利用近似计算来进行预测以实现将能量耗散曲线与输入能源曲线动态匹配。请参阅图5，显示为本申请能量管理***的预测模块在一实施方式中的示意图，如图所示，在一实施例中，所述预测模块10包括近似计算单元100，所述近似计算单元100用于依据所述供电信息及储电信息进行近似计算以预测输出所述数据位宽指令及启动指令。在本实施例中，所述近似计算单元100包括未来能量预测器1001及位宽预测器1002。
所述未来能量预测器1001基于所述供电信息(Power Sensing)预测所述电子设备的未来通电时间(Power-on Time)及通电置信度(Confidence)。在本实施例中，所述未来能量预测器1001具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述未来能量预测器1001将接收的所述电子设备一个或多个时刻的供电信息存储到所述非易失性移位单元中。在本实施例中，所述未来能量预测器1001将接收的所述电子设备10个时刻的供电信息存储到所述非易失性移位单元中。
在本实施例中，以所述未来能量预测器1001藉由一个前馈神经网络对接收的所述电子设备最近10个连续上电时间为例，藉由一个计数器(未图示)用以计算通电时间，该计数器将最后计算的通电时间推送至非易失性移位器以替换掉最早的通电时间。
在本实施例中，通过配置具有2个隐藏层的完全连接的前馈神经网络，每层设置10个神经元，输出层的10个神经元输出10个潜在的能量水平(能量等级)，将每一个能量水平转换对应一个通电时间，每个输出指示一个通电置信度，当通电置信度与其他置信度非常不同时，其中最高值被输出作为预测的能量水平以及其置信度。在一种情况下，如果前几个预测的通电置信度在10％的区间内，则预测未来通电时间的能量水平被加权平均，并且对应的通电置信度也被平均。
所述位宽预测器1002用于依据所述未来通电时间、通电置信度以及接收的所述电子设备的储电信息(Stored Energy Sensing)进行近似计算以预测输出数据位宽指令(Bitwidth)及启动阈值(System Start Stored Energy Threshold)。所述位宽预测器1002动态地收集每个开机间隔期间动态预测执行模块11的所需的位宽，藉此以降低处理器计算和备份成本，缩短响应时间。
在本实施例中，所述位宽预测器1002藉由一前馈神经网络进行预测，以输出数据位宽指令及启动阈值，所述位宽预测器1002的前馈神经网络通过接收未来通电时间的能量水平，通电置信度以及储电信息中包含的存储能量水平作为输入，所述前馈神经网络包括1个输入层，2个隐藏层，1个输出层，每层有10个神经元，每个神经元有10个输出，所述输出层输出2种信息，即输出数据位宽指令及启动阈值，其中，用所述输出层的8个输出作为数据位宽指令的输出，用所述输出层的1个输出作为启动阈值的输出。
在本实施例中，所述位宽预测器1002的前馈神经网络的输入层接收到所述未来能量预测器1001输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算输出启动阈值，以给所述执行模块11是否启动的指示。
比如，如果预测的潜在输入能量水平比较低，并且缓冲电容器中没有足够的存储能量，则令执行模块11不启动；如果预测的潜在输入能量高，但接收到的通电置信度比较低，则仅当存储的能量水平足够高以达到预测阈值时才指示所述执行模块11启动；如果预测的潜在输入能量高，并且通电置信度比较高，即使存储的能量较低，仍然指示所述执行模块11启动(预测器输出非常低的阈值)以获得更好的前向进度和QoS满意度。在一种示例中，所述通电置信度比较低例如为小于30％，所述通电置信度比较高例如为大于70％。但并不局限与此，在知晓本申请创新思想的情况下，可依据实际情况动态调整通电置信度的阈值。
在本实施例中，所述位宽预测器1002的前馈神经网络还用于通过预测以决策输出数据位宽，即，根据所述位宽预测器1002的前馈神经网络的输入层接收到所述未来能量预测器1001输出的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度进行近似计算，以预测决定适当的输出数据位宽，以决定所述执行模块11在哪一种能量水平下采用什么样的精度进行运算。
在本实施例中，被配置为所述位宽预测器1002的前馈神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令的过程为：
首先，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行预测计算获得近似配置数据(Approx Config)；在本实施例中，经由被配置为位宽预测器的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述近似配置数据，所述近似配置数据中包含所述位宽预测器经神经网络依据未来通电时间、通电置信度以及储电信息预测计算所获得的位宽信息，比如处理器要用多少位的位宽进行计算，以确定正确或合适的位宽配置。
然后，依据预设的近似标示数据(ACEN)识别所述近似配置数据(Approx Config)，当判断为所述近似配置数据可以被近似计算时，进行近似计算以生成数据位宽指令(Bitwidth)。在本实施例中，所述近似标示数据(ACEN)是预设的，具体而言，是经由程序员识别设置的可以近似的数据，这些数据包括数据缓存(data buffer)或图像(image)，但不包括基本变量，如“for”循环中的索引。
请参阅图17，显示为本申请获得数据位宽指令的过程在一实施例中近似计算架构示意图，如图所示，所述近似计算架构包括5级流水线的处理器架构，藉由一动态架构近似控制单元对所述流水线的处理架构进行近似计算的控制。如图所示，藉由一被配置为未来能量预测器的神经网络依据所述供电信息(Input Power)进行预测计算所述电子设备的未来通电时间及通电置信度，再由被配置为位宽预测器的神经网络依据所述未来通电时间、通电置信度以及所述电子设备的储电信息(Stored Energy)进行预测计算获得近似配置数据(Approx Config)，再通过预设有近似标示数据(ACEN)接口的近似控制单元向每个近似配置数据添加一个称为ACEN的位，以识别该近似配置数据是否可以在操作期间近似，所述动态架构近似控制单元从一个指令中的两个运算符读取近似标示数据(ACEN)以及获得的近似配置数据(Approx Config)，如果判断为一个运算符可近似，但另一个运算符不可近似，则不会近似该指令，如果两个运算符都可以近似，则以生成数据位宽指令(Bitwidth)使所述处理器利用所述的5级流水线的处理器架构进行近似计算，进而实现处理器计算(运算)精度的控制。由上可知，被配置为位宽预测器在主程序中的程序员预定义循环的开始处被激活，这通常是要处理的新帧的循环。该被配置为位宽预测器用于决定适当的位宽以便在此上电周期内完成整个程序的循环操作。
在实施例中，所述动态架构近似控制单元例如为设置在处理器或执行模块中的近似位宽控制器，所述近似位宽控制器用以接收到被配置为位宽预测器的神经网络输出的数据位宽指令(Bitwidth)时依据所述数据位宽指令控制运算操作的精度；在本实施例中，所述近似位宽控制器具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述近似位宽控制器将接收的数据位宽指令存储到所述非易失性移位单元中。
所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。
在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。
在一实施例中，为避免电子设备产生低质量的数据输出，所述低质量的数据比如为低于20dB的数据，相应的，20dB及以上的数据通常被认为是合理质量的数据。本申请中的预测模块10还包括服务质量预测器，以基于位宽预测器1002和断电预测来预测电子设备的程序的潜在输出质量。请参阅图6，显示为本申请能量管理***的预测模块在另一实施方式中的示意图，如图所示，所述预测模块10还包括服务质量预测器101，所述服务质量预测器101用于依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息(Predicted QoS)；并在所述服务质量预测信息满足一第一阈值时输出给所述执行模块11，以及在所述启动阈值满足所述第一阈值时输出启动指令给所述执行模块11；所述断电信息包括断电置信度，在一实施例中，所述断电置信度是藉由一断电预测器经预测获取的。
所述服务质量预测器101在帧数据作为输入处理期间获取近似位宽和平均功率中断预测置信度。在实施例中，所述服务质量预测器101依据所述数据位宽指令(Bitwidth)及断电信息(Power Outage Sensing)进行预测计算获得服务质量预测信息(PredictedQoS)；并在所述服务质量预测信息(Predicted QoS)满足一第一阈值Y时输出给所述执行模块11，以及在所述启动阈值(System Start Stored Energy Threshold)满足所述第一阈值Y时输出启动指令(System Start)给所述执行模块11。其中，所述断电信息包括断电置信度(Confidence)，所述断电置信度可藉由一个断电预测器生成。在本实施例中，所述第一阈值Y例如为20dB，但并不局限于此，在不同的实施状态下，比如针对不同类型的电子设备，可以设置不同的阈值Y。在一实施例中，所述服务质量预测器101藉由一包括2个隐藏层的神经网络来实现服务质量的预测。
由于高位宽运算(处理器计算精度高)比低位宽(处理器计算精度低)耗散更多电能，在本申请中通过控制执行模块11启动存储能量阈值，即利用图5中所示的服务质量预测器101控制执行模块11的启动时刻进而在能量管理合理的情况下达到缓解低质量输出问题的目的，通过控制第一阈值Y的参数来延迟所述执行模块11的启动时刻，直到能量存储电容器中存在足够的能量再启动所述执行模块11，进而在合理的能量管理的机制下确保高质量的数据运算或输出。
尽管许多电子设备在非易失性元件的帮助下实现了由不稳定电源(比如自供电***中的能量采集器)进行供电，但是电子设备在工作时的备份操作仍然消耗了大量电能，尤其是在电源间歇性高时会消耗大量的电能。因此，如果可以通过某种技术提前获得断电信息，将NVM(Non-volatile memory，非易失存储器，简称NVM)保留时间从很长的时间(比如10年以上)缩短到仅比断电时间稍长一点，可以在数据备份操作期间节省必要的能源。因此，本申请的能量管理***的预测模块10包括备份预测单元102。请参阅图7，显示为本申请能源管理***的预测模块在再一实施方式中的示意图，如图所示，所述备份预测单元102包括断电预测器1021以及备份时间预测器1022。
所述断电预测器1021用于依据所述特征提取模块输出的断电信息预测未来断电时间及断电置信度；在本实施例中，所述断电预测器1021用于依据所述特征提取模块输出的多个时刻的断电信息(Power Outage Sensing)预测未来断电时间(Power-off Time)及断电置信度(Confidence)；在一个示例中，所述断电信息为电子设备中因能量供应不足，或者能量耗尽，或者人为设置或者不可预防的意外事件等因素导致的电能输入中断的信息，比如断电的时间节点以及断电的时长等信息。在一实施例中，可以设置10个级别的断电时间例如为10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等不同的时间段。
在一个示例中，所述断电信息可藉由所述特征提取模块的断电感应单元进行采集，例如图4中的DC-DC转换器、LDO器件、电荷断路器(Charge Breaker)、泄漏电容C2和ADC转换器构成了断电感应单元，通过在由电荷断路器(Charge Breaker)控制的恢复操作期间每次对泄漏电容器充电如图4所示，当电子设备从停电恢复时检查电容器的电压，***断电时间可以通过ADC检测到的电压降来计算。详而言之，如图4断电感应单元部分所示。每次***上电时(在恢复操作之前)，泄漏电容器都会以完全稳定的电压充电。当发生电源故障时，泄漏电容器上的电压随着时间流逝而下降，通过在下次上电后测量所述泄漏电容器中的剩余电压可以获得检测的断电时间。
在本实施例中，所述断电预测器1021具有一个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述断电预测器1021将接收的所述电子设备一个或多个时刻的断电信息(Power Outage Sensing)存储到所述非易失性移位单元中。在一个示例中，所述断电预测器1021接收的所述电子设备最近10个连续断电信息为例，藉由一个计数器(未图示)用以计算断电时间，该计数器将最后计算的断电时间推送至非易失性移位器以替换掉最早的断电时间。
在本实施例中，所述断电预测器1021通过配置具有包括1个输入层，2个隐藏层，以及1个输出层的完全连接的前馈神经网络，每层设置10个神经元，所述输入层用于从非易失性移位单元接收比如为10个历史断电时间的断电信息，经过所述前馈神经网络的2个隐藏层计算后藉由所述输出层输出预测例如为10个停电时间水平的未来断电时间(Power-offTime)及对应每一未来断电时间的断电置信度(Confidence)。
由于电子设备中通常具有块/分布式非易失性存储器(NVM)，这使得***常常在数据备份操作消耗大量备用能量，为了这些不必要的消耗，可以通过改善备份保留时间来降低备用能量，进而实现节能的控制。为此，在本申请中，可以通过对断电时间的预测来确定合理的写策略，换言之，则为在什么时间采用多大的写入电流来决定数据备份的时间。
所述备份时间预测器1022用于依据所述未来断电时间(Power-off Time)及断电置信度(Confidence)生成写策略指令(Write Configuration)及写策略置信度(Confidence)，并在所述写策略置信度满足一第二阈值时输出所述写策略指令给所述执行模块11；所述写策略指令包括执行写操作的写入电流及写入时间至少一种信息。所述的写入时间为数据写入的时长，在具体的实现中，所述数据写入的时长是由写入脉冲宽度决定的，所述的写入电流和写入脉冲宽度能够影响写入的数据的保留(保持或备份)时间。在本实施例中，所述写策略指令为包括写入数据的保留时间配置或者为保留时间(RetentionTime)策略，通过写策略的控制可以改善备份保留时间来降低备用能量，进而实现节能的目的。
在实施例中，所述备份时间预测器1022藉由一神经网络接收所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度，具体地，所述神经网络例如为前馈神经网络(Feedforward Neural Network)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络，所述前馈神经网络呈如图3或图4的网络结构。例如将所述神经网络配置为一时间备份预测器进行预测计算以获得写策略指令(WriteConfiguration)及写策略置信度(Confidence)。
在一实施例中，所述备份时间预测器1022还用于依据所述未来断电时间及断电置信度进行预测计算，通过权衡所述写策略指令中的写入电流和写入时间以获得所述写策略指令。在本实施例中，所述权衡写策略指令中的写入电流和写入时间的目的是寻找最佳的写策略，即利用最小的写电流和最短的写时间进行数据的写操作。
请参阅图8，显示为本申请在一实施例中写策略的写入电流和写入脉冲宽度的关系示意图，如图8所示，当写策略确定写入数据的保留时间为10ms时，采用图8中由方点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为则采用图8中示意的小正方形的右上角的顶点(即图8中箭头所指示的a点)坐标的写入电流和写入脉冲宽度；相应地，当写策略确定写入数据的保留时间为1天时，采用图8中由圆点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为则采用图8中示意的大正方形的右上角的顶点坐标点(即图8中箭头所指示的b点)的写入电流和写入脉冲宽度；同理，当写策略确定写入数据的保留时间为1分钟或1秒时，采用图8中由正三角点和倒三角点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为分别采用图8中示意的正方形的右上角的顶点(即图8中箭头所指示的c点或d点)坐标点的写入电流和写入脉冲宽度。
由于数据的写入电流和写入脉冲宽度能够影响写入的数据的保留(保持或备份)时间，因此本申请中提供了一种写入电流，请参阅图18，显示为本申请在一实施例中的写操作电路示意图，如图所示，依据来自写策略指令确定的写入电流和写入时间，由电流镜生成不同电流，由一个计数器确定不同的时间，通过图18所示的写入数据MUX阵列控制电流的选择，以确定用多大的电流写数据，比如图示的I1至I8显示的8路电路，通过图示的写入时间比较器选择不同的时长，以确定用多少时间写数据。
图18中，Iref是电流镜的基线电流，通过改变由PMOS晶体管组成的电流镜的W/L比(晶体管沟道的宽长比，可以决定电流镜的放大倍数)进而产生从I1到I8的不同写电流，本实施例中，最大电流变化率从1天到10ms。根据图示中的预测写入电流配置，可以在MUX阵列中选择不同的电流，写电流连接到“Bit”或“Bit B”(可以通过翻转“Bit”或“Bit B”的电流方向来改变写入数据)，具体取决于“写入数据”信号的输入。“Bit”或“Bit B”的另一行控制写入时间，通过一个高频的4位计数器(sub ns per cycle)，所述计数器的计数时间与根据图示中的预测写入时间配置进行比较，一旦计数器的时间达到预设的写入时间就断开与地(GND)的连接以终止写操作。在本实施例中，通过执行所述写操作将数据写入存储器中，所述存储器为NVM(Non-volatile memory，非易失存储器，简称NVM)，比如STT-RAM(SharedTransistor Technology Random Access Memory)。
请参阅图7，所述备份时间预测器1022在写策略置信度满足第二阈值X时输出所述写策略指令给所述执行模块11，所述第二阈值X为一个预设的断电置信度，当所述备份时间预测器1022经由神经网络预测获得的断电置信度大于预设的断电置信度X时，所述备份时间预测器1022向所述执行模块11发送写策略指令。在不同的实施状态下，所述第二阈值X可以被设置成不同的值，这些不同的实施状态包括写入数据的存储装置的介质，比如STT-RAM(Shared Transistor Technology Random Access Memory)等；另外，这些不同的实施状态还可能是处理器要求记录的数据内容的不同等等。
在一实施例中，当所述断电预测器1021预测到断电时间比较短时，比如断电时间小于50ms或者断电置信度低于80％，则***可以使用存储的能量进行运行而无需备份操作，即所述备份时间预测器1022并不向所述执行模块11发送写策略指令。
在另一实施例中，当电子设备中的存储器采用比如低待机功耗静态随机存取存储器(Static Random-Access Memory，SRAM)的情况下，由于该类存储器的待机能耗比较低，当断电时间例如为50ms到0.2s之间，也可以无需备份，即所述备份时间预测器1022并不向所述执行模块11发送写策略指令。
在一实施例中，所述执行模块11为电子设备的处理器的一部分，所述处理器为非易失处理器(Nonvolatile Processors，简称NVP)，用于对电子设备获取的感测数据进行计算和处理。
请参阅图9，显示为本申请能量管理***在一实施例中的执行模块的示意图，如图所示，所述执行模块11包括近启动控制器110，近似位宽控制器111，以及保留时间控制器112。
所述近似位宽控制器111用以接收到所述预测模块10输出的数据位宽指令(Bitwidth)时依据所述数据位宽指令控制所述处理器的计算精度；在本实施例中，所述近似位宽控制器111具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述近似位宽控制器111将接收的数据位宽指令存储到所述非易失性移位单元中。在一些示例中，所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。
在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。
在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。
所述启动控制器110用以接收到所述预测模块10输出的启动指令(System Start)时启动所述处理器的工作；在一实施例中，所述启动控制器110具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述启动控制器110将接收的启动指令存储到所述非易失性移位单元中。在本实施例中，所述启动控制器110例如为NVP启动触发器(NVP Start Trigger Controller)。
所述保留时间控制器112用以接收到所述预测模块10输出的写策略指令(WriteConfiguration)时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。在本实施例中，所述保留时间控制器112具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述保留时间控制器112将接收的写策略指令存储到所述非易失性移位单元中。所述保留时间控制器112依据接收到的写策略指令执行写数据的操作，在一种示例中，藉由所述写操作向电子设备的存储器写入的数据例如为处理器的计算或处理的数据，或者记录备份的计算状态等。
所述执行模块11还接收所述预测模块10输出的服务质量预测信息(PredictedQoS)，以使得所述处理器基于动态位宽执行近似和动态备份数据保留时间中的不同近似方法来预测电子设备运行程序的潜在输出质量，以使得整个所述能量管理***的结果具有服务质量控制。
在一实施例中，所述预测模块10基于接收的所述电子设备多个时刻的供电信息(Power Sensing)、储电信息(Stored Energy Sensing)、以及断电信息(Power OutageSensing)进行预测计算，并分别输出数据位宽指令(Bitwidth)、启动指令(System Start)或写策略指令(Write Configuration)以及服务质量预测信息(Predicted QoS)；所述执行模块11依据所述预测模块10输出的至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。请参阅图10，显示为本申请能量管理***的另一实施例中的框架示意图，如图10所示的实施例中，所述能量管理***包括执行模块11和预测模块10，其中所述预测模块10连接一特征提取模块，包括所述近似计算单元，备份预测单元以及服务质量预测器101，所述近似计算单元包括未来能量预测器1001、近似位宽预测器1002；所述备份预测单元包括断电预测器1021、备份时间预测器1022；所述执行模块11包括连接所述近似位宽预测器1002的启动控制器110及近似位宽控制器111，以及连接所述备份时间预测器1022的保留时间控制器112。
在本实施例中，所述预测模块10藉由一个神经网络对接收的所述电子设备多个时刻的供电信息、储电信息、以及断电信息进行预测计算，输出数据位宽指令、启动指令或写策略指令以及服务质量预测信息，在具体的实现中，所述预测模块10可藉由一个时间复用的硬件架构来实现对上述信息的预测，并藉由该复用硬件架构来实现数据位宽指令、启动指令或写策略指令以及服务质量预测信息的输出。所述的时间复用亦可称之为时序复用(Timing based Multiplexing)或时分复用，用于通过一个神经网络预测器的硬件架构在不同时间段内实现多种预测计算，即，利用不同的时间段实现多个小规模的神经网络的预测计算，藉此达到节省硬件成本和面积的目的。
在实施例中，所述预测模块10的时间复用的硬件架构为多种预测计算在不同时间段内共享一个神经网络模块的硬件架构，在实施例中，所述预测模块10包括神经网络模块41以及时序控制模块42。所述时序控制模块42用于控制所述神经网络模块41基于接收的所述至少一种信息输出所述至少一种指令或/及服务质量预测信息的预测计算的时序。请参阅图19，显示为本申请中神经网络模块在一实施例中的硬件架构示意图，如图所示，在本实施例中，所述神经网络模块41包括神经网络单元411以及单次预测状态机412，其中，所述神经网络单元411包括神经元寄存器4110，存储有多个权值的权值寄存器4112、多个用于选择数据输入或输出的选择器4113、以及乘法累加单元4114。所述单次预测状态机412用于控制所述神经网络单元411接收到所述至少一种信息进行单次预测计算的时序。图19中所示的神经网络模块41为一个串行架构，所述单次预测状态机412依据所述神经网络单元411的输入，控制相应的选择器4113从所述权值寄存器4112选择一个权值以及需要被激活的源神经元和目标神经元，计算之后再交由一个乘法累加(Multiply-and-Accumulate，MAC)单元4114，然后写回神经网络单元中的神经元直到处理完所述输入层、隐藏层及输出层中的所有神经元。所述权值寄存器4112中预存的权值是经训练获取的。
在本实施例中，所述权值寄存器4112包括用于存储对应每一预测计算的权值的非易失移位单元或非易失存储单元，其中，所述非易失移位单元为非易失移位器(Nonvolatile shifter，NV Shifter)，所述非易失存储单元为非易失存储器(Non-volatile memory，简称NVM)。
在本实施例中，所述单次预测状态机412具有非易失移位单元或非易失存储单元，用于存储时序控制程序，具体而言，用于所述时序控制程序用于控制各该选择器4113的输出时序。其中，所述非易失移位单元为非易失移位器，所述非易失存储单元为非易失存储器。
所述时序控制模块42用于控制所述神经网络模块41基于接收的至少一个时刻的供电信息(Power Sensing)、储电信息(Stored Energy Sensing)、以及断电信息(PowerOutage Sensing)中的至少一种信息输出数据位宽指令(Bitwidth)、启动指令(SystemStart)或写策略指令(Write Configuration)中的至少一种指令或/及服务质量预测信息(Predicted QoS)的预测计算的时序，进而可以确保上述的多种预测计算可以共享一个神经网络模块，换言之，可以利用一个预测硬件(一个神经网络架构)完成所有这些预测器的功能。
请参阅图20，显示为本申请中的神经网络模块在另一实施例中的硬件架构示意图，在图20所示的本实施例中，为了使得多种预测计算能够在一个硬件架构中在不同的时间完成计算，进而本申请中规范了硬件架构。如图所示，所述神经网络模块41进一步包括softmax状态机413以及配置于乘法累加单元中的判断单元414(即图20中所示的OR＝＝0的部分)。在本实施例中，为了规范硬件架构，在所述神经网络模块41的在网络中构建了许多虚拟连接，以通过***0个连接权值(即图20中所示的权值寄存器的Weights 1、Weights2……Weights 5)来对神经网络拓扑进行标准化。
在图20所示的实施例中，所述单次预测状态机412包括用于存储时序控制程序的非易失移位单元。所述单次预测状态机412控制所述神经网络单元接收到输入的信息进行单次预测计算的时序的示意由图20中所示的虚线箭头表示；所述时序控制模块42控制所述神经网络模块的时序的示意由图20中所示的点状线箭头表示。
当所述神经网络模块41执行一次预测(比如未来通断时间的预测或者未来断电时间的预测)时，单次预测状态机412控制所述选择器将被选中的权值以及需要被激活的源神经元和目标神经元进行一次计算后输出给所述判断单元414，由判断单元414任何一个输入是否为0，如果任一输入为0，则绕过乘法器，如果任一输入不为0，则经由乘法器乘以并累加，然后写回神经网络单元411中的神经元直到处理完所述输入层、隐藏层及输出层中的所有神经元。最后，在softmax状态机413的控制下执行softmax层。在所有步骤由该预测器执行之后，该预测器的输出随后被选择存储在执行模块中的非易失移位单元415中，并且一些输出在图6中所示的非易失存储器(NVM)415中更新(比如所述时序控制模块还控制所述神经网络模块在一个上电周期内更新所述断电信息；或者时序控制模块控制所述神经网络模块在一个断电周期内更新所述供电信息)，用于下一个其他预测，如断电预测置信度或通电置信度。在本实施例中，所述乘法累加单元中乘法器和加法器为浮点乘法器和浮点加法器。
在本实施例中，所述时序控制模块42包括用于存储时序控制程序的非易失移位单元或非易失存储单元，其中，所述非易失移位单元为非易失移位器，所述非易失存储单元为非易失存储器。
在实施例中，所述神经网络模块通过一个复用硬件架构来实现对多种预测计算，藉由该复用硬件架构来实现数据位宽指令(Bitwidth)、启动指令(System Start)或写策略指令(Write Configuration)中的至少一种指令或/及服务质量预测信息(Predicted QoS)的输出，以对所述处理器的运算进行能量管理。在本实施例中，所述神经网络模块111基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息在一个预测计算过程中进行以下预测计算：
(1)基于接收的所述供电信息进行预测计算获得所述电子设备的未来通电时间(Power-on Time)及通电置信度(Confidence)；
(2)基于接收的所述未来通电时间、通电置信度、储电信息(Stored EnergySensing)进行预测计算获得数据位宽指令及启动指令(System Start)；
(3)基于接收的所述数据位宽指令及断电信息(Power Outage Sensing)进行预测计算获得服务质量预测信息；
(4)基于接收的所述断电信息(Power Outage Sensing)进行预测计算所述电子设备的未来断电时间及断电置信度；
(5)基于接收的所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度。
上述基于时间复用的神经网络预测模块通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低服务质量相匹配；而且本申请的基于时间复用的神经网络预测器用于通过一个神经网络预测器的硬件架构在不同时间段内实现多种预测计算，换言之，本申请利用不同的时间段实现多个小规模的神经网络的预测计算，藉此达到节省硬件成本和面积的目的。
请继续参阅图10，如图所示，所述未来能量预测器1001自所述特征提取模块获取多个时刻的供电信息(Power Sensing)，并基于所述供电信息进行预测，之后输出所述电子设备的未来通电时间(Power-on Time)及通电置信度(Confidence)给所述位宽预测器1002；同时所述特征提取模块输出储电信息(Stored Energy)给所述位宽预测器1002，所述位宽预测器1002用于依据所述未来通电时间(Power-on Time)及通电置信度(Confidence)以及储电信息(Stored Energy)进行近似计算，输出数据位宽指令(Bitwidth)给所述服务质量预测器101以及近似位宽控制器111；同时所述位宽预测器1002还依据未来通电时间(Power-on Time)、通电置信度(Confidence)以及特征提取模块输出储电信息(StoredEnergy)预测输出启动阈值(System Start Stored Energy Threshold)，并在所述启动阈值(System Start Stored Energy Threshold)满足阈值Y时输出启动指令(System Start)给所述启动控制器110。
所述启动控制器110用以接收到所述预测模块10输出的启动指令(System Start)时启动所述处理器的工作。
所述近似位宽控制器111用以接收到所述位宽预测器1002输出的数据位宽指令(Bitwidth)时依据所述数据位宽指令控制所述处理器的计算精度。
所述断电预测器1021用于依据所述特征提取模块输出的断电信息(Power OutageSensing)进行预测，之后输出未来断电时间(Power-off Time)给所述备份时间预测器1022，同时输出断电置信度(Confidence)分别给所述备份时间预测器1022以及服务质量预测器101，所述备份时间预测器1022用于依据所述未来断电时间(Power-off Time)及断电置信度(Confidence)生成写策略指令(Write Configuration)及写策略置信度(Confidence)，并在所述写策略置信度满足阈值X时输出所述写策略指令给所述保留时间控制器112。
所述保留时间控制器112用以接收到所述备份时间预测器1022输出的写策略指令(Write Configuration)时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。
所述服务质量预测器101依据所述数据位宽指令(Bitwidth)及所述断电预测器1021输出的断电置信度(Confidence)进行预测计算获得服务质量预测信息(PredictedQoS)，以使得所述处理器基于动态位宽执行近似和动态备份数据保留时间中的不同近似方法来预测电子设备运行程序的潜在输出质量，以使得整个所述能量管理***的结果具有服务质量控制。
综上所述，本申请的能量管理***通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低(最基本的)服务质量相匹配。
本申请还提供一种电子装置，所述电子装置包括上述实施例中所述的能量管理***，在一实施例中，所述电子装置例如为芯片，所述芯片中内置有上述能量管理***(图10中所示的结构)中所涉及的各个模块，所述各模块包括未来能量预测器1001、近似位宽预测器1002、断电预测器1021、备份时间预测器1022、服务质量预测器101、启动控制器110、近似位宽控制器111，以及保留时间控制器112。该些器件以逻辑处理单元或逻辑电路的形式被集成在芯片中，依据应用到不同电子设备中的需求，所述的芯片可以呈现多种封装结构。
在一实施例中，所述芯片例如为微处理器芯片，所述微处理器为非易失性处理器(Nonvolatile Processors，简称NVP)，所述非易失性处理器的体系架构包括未来能量预测器1001、近似位宽预测器1002、断电预测器1021、备份时间预测器1022、服务质量预测器101、启动控制器110、近似位宽控制器111，以及保留时间控制器112。该处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。
在一实施例中，所述电子装置例如布设有集成电路或芯片的电路板或板卡。所述电路板例如为双层PCB板或多层PCB板。
本申请还提供一种非易失处理器(Nonvolatile Processors，简称NVP)，所述非易失处理器包括上述的能量管理***。所述非易失处理器为微处理器芯片，所述微处理器芯片中内置有上述能量管理***(图10中所示的结构)中所涉及的各个模块，所述各模块包括未来能量预测器1001、近似位宽预测器1002、断电预测器1021、备份时间预测器1022、服务质量预测器101、启动控制器110、近似位宽控制器111，以及保留时间控制器112。该些器件以逻辑处理单元或逻辑电路的形式被集成在微处理器芯片中，依据应用到不同电子设备中的需求，所述微处理器芯片可以呈现多种封装结构。
本申请还提供一种电子设备，请参阅图11，显示为本申请的电子设备在一实施例中的示意图，如图所示，所述电子设备3包括处理器31及上述的能量管理***30。在一实施例中，所述处理器31为非易失性处理器(Nonvolatile Processors，简称NVP)，但并不局限于此，在其他的实施例中，在不背离本申请所揭示的发明构思和思想的情况下，所述处理器也可以是通常的处理器，比如可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其它此类配置。
在本申请提供的实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。
作为一个示例，可穿戴电子设备可被实施为可穿戴健康助理的形式，该可穿戴健康助理将与健康相关的信息(实时或者非实时)提供到用户、被授权的第三方和/或相关联的监视设备。该设备可被配置为提供与健康相关的信息或数据，诸如但不限于心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据。相关联的监视设备可为例如平板计算设备、电话、个人数字助理、计算机等等。
作为另一个示例，电子设备可被配置为可穿戴通信设备的形式。可穿戴通信设备可包括与存储器耦接或进行通信的处理器、一个或多个通信接口、输出设备(诸如显示器和扬声器)、以及一个或多个输入设备。一个或多个通信接口可提供通信设备与任何外部通信网络、设备或平台之间的电子通信，该通信接口诸如但不限于无线接口、蓝牙接口、USB接口、Wi-Fi接口、TCP/IP接口、网络通信接口或者任何常规的通信接口。除了通信以外，可穿戴通信设备可提供关于时间、健康、状态或者外部连接的设备或正在进行通信的设备和/或在此类设备上运行的软件的信息、消息、视频、操作命令等等(并且可从外部设备接收上述中的任一者)。
请参阅图12，显示为本申请的电子设备在另一实施例中的示意图。如图所示，在一实施例中，所述电子设备还包括用于产生或存储电能的电源装置32。在本实施例中，所述电源装置32例如为电池或自供电***，所述自供电***包括能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述电源装置32收集的电能需要从AC到DC或DC到DC处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。
在一实施例中，如图12所示，所述电子设备还包括一个或多个传感装置33，所述一个或多个传感装置33用于感测地理位置信息、环境光信息、环境磁场信息、声音信息、温度信息、湿度信息、压力感应信息、加速度信息、紫外线信息、血糖信息、酒精浓度信息、脉搏信息、心率信息、呼吸信息、运动量信息中的至少一种信息。
在实施例中，所述传感器可包括各种电子设备、机械设备、机电设备、光学设备、或提供与可穿戴设备周围的外部条件相关的信息的其他设备。在一些实施例中，传感器可将数字信号提供至处理子***，例如根据需要基于流式传输或响应于由处理子***进行的轮询。可使用任何类型的环境传感器以及环境传感器的组合；以举例的方式示出加速度计、磁力仪、陀螺仪和GPS接收器。
一些环境传感器可提供有关可穿戴设备的位置和/或运动的信息。例如，加速度计可感测沿一个或多个轴的加速度(相对于自由下落)，例如，使用压电部件或其他部件结合相关联的电子器件来产生信号。磁力仪可感测环境磁场(例如，地球的磁场)并生成可被解释为指南针方向的对应电信号。陀螺传感器可感测在一个或多个方向上的旋转运动，例如使用一个或多个MEMS(微机电***)陀螺仪以及相关的控制和感测电路。全球定位***(GPS)接收器可基于从GPS卫星所接收的信号确定位置。
除了或代替这些实例，还可包括其他传感器。例如，声音传感器可结合麦克风连同相关联的电路和/或程序代码以确定例如环境声音的分贝级，还可包括温度传感器、接近传感器、环境光传感器，生物特征传感器/生理特征传感器，比如心跳、呼吸、脉搏、血糖、酒精浓度检测传感器等。在一些实施例中，生理或生物传感器可用于验证可穿戴设备的穿戴者的身份。
在一实施例中，如图12所示，所述电子设备还包括存储装置34，用于存储所述处理器器输出的数据。在一些示例中，所述存储装置34例如为NVM(Non-volatile memory，非易失存储器，简称NVM)，只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、EEPROM、CD-ROM或、磁盘存储装置或其它磁存储设备、闪存、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。
在一实施例中，如图12所示，所述电子设备还包括无线通信模块35，用于发送所述处理器器输出的数据，或接收外部设备无线传输的数据。该无线通信模块的通信接口诸如但不限于无线接口、蓝牙接口、USB接口、Wi-Fi接口、TCP/IP接口、网络通信接口或者任何常规的通信接口。
本申请还提供一种能量管理方法，应用于具有处理器的电子设备中，在一实施例中，所述处理器为非易失性处理器(Nonvolatile Processors，简称NVP)。
在本申请提供的实施例中，所述电子设备为物联网设备，例如为可穿戴设备或可植入设备，比如可穿戴电子设备可包括可被穿戴在用户的肢体上的任何类型的电子设备。该可穿戴电子设备可被固定到人类的肢体诸如手腕、脚踝、手臂或腿部上。此类电子设备包括但不限于健康或健身助理设备、数码音乐播放器、智能电话、计算设备或显示器锻炼或其他活动监视器、能够报时的设备、能够测量穿戴者或用户的生物特征参数的设备等。所述可植入设备例如为血糖检测设备等。
在一实施例中，本申请还提供一种应用于具有处理器的电子设备中的能量管理方法，在实施例中，针对所述电子设备的描述请参阅上述图1至12所述的实施例中的相应描述，在此不予赘述。请参阅图13，显示为本申请能量管理方法在一实施例中的流程图，如图所示，所述能量管理方法包括以下步骤：
步骤S10，提取所述电子设备至少一个时刻的供电信息(Power Sensing)、储电信息(Stored Energy Sensing)、以及断电信息(Power Outage Sensing)中的至少一种信息。在实施例中，所述的时刻可以是不同时间段的，依据不同的需求可以划分成多个时刻等级，比如10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等，需述明的是，上述时刻的举例是示例性的，在不同的实施状况下，并不局限于此。
在一实施例中，提取所述电子设备一个或多个时刻的供电信息、储电信息、以及断电信息，比如提取所述电子设备最近的10个历史时刻的供电信息、最近的10个历史时刻的储电信息、或最近的10个历史时刻的断电信息给所述预测模块进行预测。在一种示例中，所述电子设备最近的10个历史时刻的供电信息为最近10个连续上电时间，或者所述电子设备最近的10个历史时刻的储电信息为最近10个时刻的剩余电量，或者所述电子设备最近的10个历史时刻的断电信息为最近10个时刻的断电时长。
在所述步骤S10的一实施例中，藉由一特征提取模块检测到所述电子设备上电时或在一个上电周期内获取所述电子设备至少一个时刻的供电信息。
在所述步骤S10的又一实施例中，藉由一特征提取模块检测到所述电子设备上电时或在一个上电周期内获取所述电子设备至少一个时刻的储电信息。
在所述步骤S10的另一实施例中，藉由一特征提取模块在检测到所述电子设备断电时或在一个上电周期内获取所述电子设备至少一个时刻的断电信息。
在实施例中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电***产生的，比如能量采集器，从人体运动中获取能量，例如人走路或肢体的摆动、跳跃、按压(比如跑步时植入鞋内的小型能量采集器获取的压力)、呼吸等动作或行为带来的振动能量，将该振动能量转换为电能，在另一些情况下，所述的能量也可以来自自然环境，比如太阳能等。所述能量采集器收集的电能需要从AC到DC或DC到DC处理，然后将收集的能量临时存储在片外或甚至片上电容器中，其主要用于支持数据而不是存储能量。
在实施例中，所述储电信息为电子设备的电池或储电电容中存储的电量信息，比如在假定功耗恒定的情况下实时获取或者断续地获取存储的电量信息。
在实施例中，所述断电信息为电子设备中因能量供应不足，或者能量耗尽，或者人为因素(比如人为设置或人为损坏)或不可预见的意外等因素导致的电能输入中断的信息，比如断电的时间以及断电的时长等信息。在一实施例中，可以设置10个级别的断电时间例如为10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等不同的时间段。
在一实施例中，可依据图4所示的特征提取模块的电路实现所述电子设备至少一个时刻的供电信息(Power Sensing)、储电信息(Stored Energy Sensing)、以及断电信息(Power Outage Sensing)的提取。
在一实施例中，所述提取电子设备至少一个时刻的供电信息的步骤为通过采集流经一检测元件的电流值或所述检测元件两端的电压值获取所述电子设备的供电信息；其中，所述供电信息为电子设备的上电信息，该供电信息是由电子设备的自供电***产生的。在图4所示的实施例中，所述为前端电路的特征提取模块包括例如为电池或包括充电器件的电源，电源一端接地，另一端连接一Rs电阻，所述Rs电阻作为检测元件，通过采集流经为电阻的检测元件Rs的电流值或者其两端的电压值获取向所述电子设备提供的供电信息给所述预测模块，图4中Rs电阻和一个6位ADC转换器构成了本实施例中所述的检测单元，用于检测获取所述供电信息。
在一实施例中，所述提取电子设备至少一个时刻的储电信息的步骤为通过采集一储能元件的压降获取所述电子设备的储电信息，即通过采集储能元件两端的电压差(压降)获取储电信息，即储能元件的剩余电量。在图4所示的实施例中，所述储能元件为图4中的接地电容C1。图4中电容C1和ADC转换器构成了本实施例中所述的检测单元。
在一实施例中，所述提取电子设备至少一个时刻的断电信息的步骤为通过采集一泄电元件两端的压降获取所述断电信息，具体地，当电子设备从停电恢复时检查电容器的电压，***断电时间可以通过检测到的电压降来计算。在图4所示的实施例中，所述断电感应单元用以通过采集泄电元件两端的电压差获取包括断电时间的断电信息。所述泄电元件为图4中的泄漏电容C2，所述泄漏电容C2的一端经由一DC-DC转换器、电荷断路器(ChargeBreaker)和一LDO器件连接，泄漏电容C2的另一端接地。在具体的实现过程中，通过在由电荷断路器控制的恢复操作期间每次对泄漏电容器C2进行充电。图4中的DC-DC转换器、LDO器件、电荷断路器、泄漏电容C2和ADC转换器构成了断电感应单元。如图4所示。通过在由LDO器件控制的恢复操作期间每次对泄漏电容器充电如图4所示，当电子设备从停电恢复时检查电容器的电压，***断电时间可以通过ADC检测到的电压降来计算。
在一实施例中，将提取的所述电子设备一个或多个时刻的供电信息、储电信息、以及断电信息(即图4中所示的Sensing Results信息)存储分别非易失性移位单元中，所述非易失性移位单元例如为非易失性移位器(NV Shifter)。
接着执行步骤S11，依据所述供电信息(Power Sensing)、储电信息(StoredEnergy Sensing)、以及断电信息(Power Outage Sensing)中的至少一种信息进行预测计算并输出数据位宽指令(Bitwidth)、启动指令(System Start)或写策略指令(WriteConfiguration)中的至少一种指令或/及服务质量预测信息(Predicted QoS)。
在一实施例中，执行所述步骤S11是藉由一个或多个神经网络所述至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息。在一个示例中，所述神经网络例如为前馈神经网络，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。
请参阅图2所示的一种神经网络，图2显示为本申请能量管理***在一实施例中预测模块的一种神经网络示意图，如图所示，在本实施例中，所述神经网络例如为前馈神经网络，所述前馈神经网络包括1个输入层(Input Layer)，2个隐藏层(Hidden Layer 1,2)，1个输出层(Output Layer)，每层有10个神经元，每个神经元有10个输出，基于从非易失性移位器(Nonvolatile shifter，NV Shifter)对接收到的10个时刻(自On time_1到On time_10)的供电信息、储电信息、或断电信息用于对未来的产生的电能或者未来可能间断的时间进行预测。但并不局限与此，在其他可能的实施例中，诚如图3所示的另一种神经网络结构，如图所示所述前馈神经网络可以包括更多的隐藏层(Hidden Layer 1,2……N)，每一层也可能包括更多或更少的神经元(N)。图3中所示的神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络。
在步骤S11中，依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息，即，通过执行该步骤S11，通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，并将该些预测的信息提供给处理器，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量(Quality of Service，QoS)与预先请求的最低(最基本的)服务质量相匹配。
在一实施例中，所述的依据所述供电信息(Power Sensing)、储电信息(StoredEnergy Sensing)、以及断电信息(Power Outage Sensing)中的至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息的步骤包括依据所述供电信息及储电信息进行近似计算以预测输出所述数据位宽指令及启动指令。请参阅图14，显示为本申请能量管理方法中步骤S11在一实施方式中的流程图，如图所示，在本实施例中，所述步骤S11进一步包括：
步骤S110，依据所述供电信息预测未来通电时间及通电置信度；在本实施例中，藉由一个前馈神经网络对接收的所述电子设备最近10个连续上电时间为例，藉由一个计数器(未图示)用以计算通电时间，该计数器将最后计算的通电时间推送至非易失性移位器以替换掉最早的通电时间。
在本实施例中，通过配置具有2个隐藏层的完全连接的前馈神经网络，每层设置10个神经元，输出层的10个神经元输出10个潜在的能量水平(能量等级)，将每一个能量水平转换对应一个通电时间，每个输出指示一个通电置信度，当通电置信度与其他置信度非常不同时，其中最高值被输出作为预测的能量水平以及其置信度。在一种情况下，如果前几个预测的通电置信度在10％的区间内，则预测未来通电时间的能量水平被加权平均，并且对应的通电置信度也被平均。
步骤S111，依据所述未来通电时间、通电置信度以及接收的所述电子设备的储电信息(Stored Energy Sensing)进行近似计算以预测输出数据位宽指令(Bitwidth)及启动阈值(System Start Stored Energy Threshold)。
在本实施例中，所述藉由一前馈神经网络进行预测以输出数据位宽指令及启动阈值，所述前馈神经网络通过接收未来通电时间的能量水平，通电置信度以及储电信息中包含的存储能量水平作为输入，所述前馈神经网络包括1个输入层，2个隐藏层，1个输出层，每层有10个神经元，每个神经元有10个输出，所述输出层输出2种信息，即输出数据位宽指令及启动阈值，其中，用所述输出层的8个输出作为数据位宽指令的输出，用所述输出层的1个输出作为启动阈值的输出。
在本实施例中，所述前馈神经网络通过预测以决策输出数据位宽，具体为根据所述前馈神经网络的输入层接收的10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度进行近似计算，以预测决定适当的输出数据位宽，以决定所述处理器在哪一种能量水平下采用什么样的精度进行运算，即，动态地收集每个开机间隔期间所需的位宽，藉此以降低处理器计算和备份成本，缩短响应时间。
在本实施例中，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令的过程为：
首先，依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行预测计算获得近似配置数据(Approx Config)；在本实施例中，经由被配置为位宽预测器的神经网络接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算所述近似配置数据，所述近似配置数据中包含所述位宽预测器经神经网络依据未来通电时间、通电置信度以及储电信息预测计算所获得的位宽信息，比如处理器要用多少位的位宽进行计算，以确定正确或合适的位宽配置。
然后，依据预设的近似标示数据(ACEN)识别所述近似配置数据(Approx Config)，当判断为所述近似配置数据可以被近似计算时，进行近似计算以生成数据位宽指令(Bitwidth)。在本实施例中，所述近似标示数据(ACEN)是预设的，具体而言，是经由程序员识别设置的可以近似的数据，这些数据包括数据缓存(data buffer)或图像(image)，但不包括基本变量，如“for”循环中的索引。
依据所述未来通电时间、通电置信度以及所述电子设备的储电信息进行近似计算以获得数据位宽指令的过程可由上述实施例中针对图17介绍的近似计算架构来实现，在此不予赘述。
步骤S112，在所述启动阈值满足所述一第一阈值时输出启动指令给所述处理器，在本实施例中，利用一前馈神经网络的输入层接收到10个潜在的能量水平(能量等级)以及对应每一个能量水平的通电置信度时，藉由2个隐藏层的预测计算输出启动阈值，以作为是否启动的指示。
比如，如果预测的潜在输入能量水平比较低，并且缓冲电容器中没有足够的存储能量，则不启动；如果预测的潜在输入能量高，但接收到的通电置信度比较低，则仅当存储的能量水平足够高以达到预测阈值时才指示启动；如果预测的潜在输入能量高，并且通电置信度比较高，即使存储的能量较低，仍然指示启动(预测器输出非常低的阈值)以获得更好的前向进度和QoS满意度。在一种示例中，所述通电置信度比较低例如为小于30％，所述通电置信度比较高例如为大于70％。但并不局限与此，在知晓本申请创新思想的情况下，可依据实际情况动态调整通电置信度的阈值。
在一实施例中，为避免电子设备产生低质量的数据输出，所述低质量的数据比如为低于20dB的数据，相应的，20dB及以上的数据通常被认为是合理质量的数据。请参阅图15，显示为本申请能量管理方法中步骤S11在另一实施方式中的流程图，如图所示，所述步骤S11进一步包括：
步骤S113，依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息(Predicted QoS)，所述断电信息包括断电置信度；在一实施例中，所述断电置信度是藉由一断电预测器经预测获取的。
在本实施例中，在帧数据作为输入处理期间获取近似位宽和平均功率中断预测置信度。在本实施例中，所述第一阈值例如为20dB，但并不局限于此，在不同的实施状态下，比如针对不同类型的电子设备，可以设置不同的阈值。
步骤S114，在所述服务质量预测信息满足一第一阈值时输出服务质量预测信息(Predicted QoS)给所述处理器。
由于高位宽运算(处理器计算精度高)比低位宽(处理器计算精度低)耗散更多电能，在本申请中通过控制处理器启动存储能量阈值，进而在能量管理合理的情况下达到缓解低质量输出问题的目的，通过控制第一阈值的参数来延迟所述处理器的启动时刻，直到能量存储电容器中存在足够的能量再启动所述处理器，进而在合理的能量管理的机制下确保高质量的数据运算或输出。
尽管许多电子设备在非易失性元件的帮助下实现了由不稳定电源(比如自供电***中的能量采集器)进行供电，但是电子设备在工作时的备份操作仍然消耗了大量电能，尤其是在电源间歇性高时会消耗大量的电能。因此，如果可以通过某种技术提前获得断电信息，将NVM(Non-volatile memory，非易失存储器，简称NVM)保留时间从很长的时间(比如10年以上)缩短到仅比断电时间稍长一点，可以在数据备份操作期间节省必要的能源。另外，由于电子设备中通常具有块/分布式非易失性存储器(NVM)，这使得***常常在数据备份操作消耗大量备用能量，为了这些不必要的消耗，可以通过改善备份保留时间来降低备用能量，进而实现节能的控制。为此，在本申请中，可以通过对断电时间的预测来确定合理的写策略，换言之，则为在什么时间采用多大的写入电流来决定数据备份的时间。请参阅图16，显示为本申请能量管理方法中步骤S11在再一实施方式中的流程图，如图所示，步骤S11还包括：
步骤S110’，依据所述断电信息预测所述电子设备的未来断电时间及断电置信度；在本实施例中，依据所述多个时刻的断电信息(Power Outage Sensing)预测未来断电时间(Power-off Time)及断电置信度(Confidence)；在一个示例中，所述断电信息为电子设备中因能量供应不足，或者能量耗尽，或者人为设置或者不可预防的意外事件等因素导致的电能输入中断的信息，比如断电的时间节点以及断电的时长等信息。在一实施例中，可以设置10个级别的断电时间例如为10ms，100ms，1s，2s，3s，10s，1分钟，10分钟，1小时，1天等不同的时间段。
在一个示例中，所述断电信息可藉由图4中所示的特征提取模块的断电感应单元进行采集，例如图4中的DC-DC转换器、LDO器件、电荷断路器(Charge Breaker)、泄漏电容C2和ADC转换器构成了断电感应单元，通过在由电荷断路器(Charge Breaker)控制的恢复操作期间每次对泄漏电容器充电如图4所示，当电子设备从停电恢复时检查电容器的电压，***断电时间可以通过ADC检测到的电压降来计算。详而言之，如图4断电感应单元部分所示。每次***上电时(在恢复操作之前)，泄漏电容器都会以完全稳定的电压充电。当发生电源故障时，泄漏电容器上的电压随着时间流逝而下降，通过在下次上电后测量所述泄漏电容器中的剩余电压可以获得检测的断电时间。在本实施例中，接收的所述电子设备一个或多个时刻的断电信息(Power Outage Sensing)存储到非易失性移位单元中。在一个示例中，所述接收的所述电子设备最近10个连续断电信息为例，藉由一个计数器(未图示)用以计算断电时间，该计数器将最后计算的断电时间推送至非易失性移位器以替换掉最早的断电时间。
在本实施例中，通过配置具有包括1个输入层，2个隐藏层，以及1个输出层的完全连接的前馈神经网络，每层设置10个神经元，所述输入层用于从非易失性移位单元接收比如为10个历史断电时间的断电信息，经过所述前馈神经网络的2个隐藏层计算后藉由所述输出层输出预测例如为10个停电时间水平的未来断电时间(Power-off Time)及对应每一未来断电时间的断电置信度(Confidence)。
步骤S111’，依据所述未来断电时间及断电置信度生成写策略指令及写策略置信度；所述写策略指令包括写入数据的写入电流及写入时间至少一种信息。所述的写入时间为数据写入的时长，在具体的实现中，所述数据写入的时长是由写入脉冲宽度决定的，所述的写入电流和写入脉冲宽度能够影响写入的数据的保留(保持或备份)时间。在本实施例中，所述写策略指令为包括写入数据的保留时间配置或者为保留时间(Retention Time)策略，通过写策略的控制可以改善备份保留时间来降低备用能量，进而实现节能的目的。
在一实施例中，所述步骤S111’中还用于依据所述未来断电时间及断电置信度进行预测计算，通过权衡所述写策略指令中的写入电流和写入时间以获得所述写策略指令。在本实施例中，所述权衡写策略指令中的写入电流和写入时间的目的是寻找最佳的写策略，即利用最小的写电流和最短的写时间进行数据的写操作。
如图8所示，当写策略确定写入数据的保留时间为10ms时，采用图8中由方点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为则采用图8中示意的小正方形的右上角的顶点(即图8中箭头所指示的a点)坐标的写入电流和写入脉冲宽度；相应地，当写策略确定写入数据的保留时间为1天时，采用图8中由圆点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为则采用图8中示意的大正方形的右上角的顶点坐标点(即图8中箭头所指示的b点)的写入电流和写入脉冲宽度；同理，当写策略确定写入数据的保留时间为1分钟或1秒时，采用图8中由正三角点和倒三角点组成的曲线分布的写入电流和写入脉冲宽度，在该曲线中所述权衡写入电流和写入时间则为分别采用图8中示意的正方形的右上角的顶点(即图8中箭头所指示的c点或d点)坐标点的写入电流和写入脉冲宽度。
由于数据的写入电流和写入脉冲宽度能够影响写入的数据的保留(保持或备份)时间，因此本申请中提供了一种写入电流，请参阅图18，显示为本申请在一实施例中的写操作电路示意图，如图所示，依据来自写策略指令确定的写入电流和写入时间，由电流镜生成不同电流，由一个计数器确定不同的时间，通过图18所示的写入数据MUX阵列控制电流的选择，以确定用多大的电流写数据，比如图示的I1至I8显示的8路电路，通过图示的写入时间比较器选择不同的时长，以确定用多少时间写数据。
图18中，Iref是电流镜的基线电流，通过改变由PMOS晶体管组成的电流镜的W/L比(晶体管沟道的宽长比，可以决定电流镜的放大倍数)进而产生从I1到I8的不同写电流，本实施例中，最大电流变化率从1天到10ms。根据图示中的预测写入电流配置，可以在MUX阵列中选择不同的电流，写电流连接到“Bit”或“Bit B”(可以通过翻转“Bit”或“Bit B”的电流方向来改变写入数据)，具体取决于“写入数据”信号的输入。“Bit”或“Bit B”的另一行控制写入时间，通过一个高频的4位计数器(sub ns per cycle)，所述计数器的计数时间与根据图示中的预测写入时间配置进行比较，一旦计数器的时间达到预设的写入时间就断开与地(GND)的连接以终止写操作。在本实施例中，通过执行所述写操作将数据写入存储器中，所述存储器为NVM(Non-volatile memory，非易失存储器，简称NVM)，比如STT-RAM(SharedTransistor Technology Random Access Memory)。
步骤S112’，在所述写策略置信度满足一第二阈值时输出所述写策略指令给所述处理器。在本实施例中，在写策略置信度满足第二阈值X时输出所述写策略指令给所述处理器，所述第二阈值X为一个预设的断电置信度，当经由神经网络预测获得的断电置信度大于预设的断电置信度X时，向处理器发送写策略指令。在不同的实施状态下，所述第二阈值X可以被设置成不同的值，这些不同的实施状态包括写入数据的存储装置的介质，比如STT-RAM(Shared Transistor Technology Random Access Memory)等；另外，这些不同的实施状态还可能是处理器要求记录的数据内容的不同等等。
在本实施例中，上述步骤S111’至步骤S112’藉由一神经网络来实现，所述神经网络例如为前馈神经网络(Feedforward Neural Network)，所述前馈神经网络是经离线训练的神经网络或者在线的反向传播训练的神经网络，所述前馈神经网络呈如图2或图3的网络结构。例如将所述神经网络配置为一时间备份预测器进行预测计算以获得写策略指令(Write Configuration)及写策略置信度(Confidence)。
在一实施例中，当预测到断电时间比较短时，比如断电时间小于50ms或者断电置信度低于80％，则***可以使用存储的能量进行运行而无需备份操作，即所述备份时间预测器1022并不向所述处理器发送写策略指令。
在另一实施例中，当电子设备中的存储器采用比如低待机功耗静态随机存取存储器(Static Random-Access Memory，SRAM)的情况下，由于该类存储器的待机能耗比较低，当断电时间例如为50ms到0.2s之间，也可以无需备份，即所述备份时间预测器1022并不向所述处理器发送写策略指令。
在一实施例中，所述处理器为非易失处理器(Nonvolatile Processors，简称NVP)，用于对电子设备获取的感测数据进行计算和处理。
最后执行步骤S12，依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理，具体地，依据所述数据位宽指令(Bitwidth)、启动指令(SystemStart)或写策略指令(Write Configuration)中的至少一种指令或/及服务质量预测信息(Predicted QoS)对所述处理器的运算进行能量管理。具体地，包括以下步骤：接收到所述数据位宽指令时依据所述数据位宽指令控制所述处理器的计算精度；接收到所述启动指令时启动所述处理器的工作；接收到所述写策略指令时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。
在一实施例中，所述处理器包括近启动控制器110，近似位宽控制器111，以及保留时间控制器112。
所述近似位宽控制器111用以接收到数据位宽指令(Bitwidth)时依据所述数据位宽指令控制所述处理器的计算精度；在本实施例中，所述近似位宽控制器111具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述近似位宽控制器111将接收的数据位宽指令存储到所述非易失性移位单元中。在一些示例中，所述处理器的计算为处理器对电子设备获取的感测数据或交互数据进行计算和处理。
在一些示例中，所述的感测数据的处理例如可穿戴设备藉由采集的心率数据、血压数据、温度数据、血氧饱和度数据、饮食/营养信息、医疗提醒、与健康相关的提示或信息，或者其他与健康相关的数据进行处理生成可以通过无线模块进行传输或者通过显示设备进行显示的用户数据。
在一些示例中，所述的交互数据的处理比如可由用户操作可穿戴设备以对由主机设备生成的事件通知作出响应。可穿戴设备可从主机设备接收事件的通知，并为用户呈现提醒以及对响应的提示。如果用户对提示作出响应，则可穿戴设备可将响应传输至主机设备。例如，用户可对在主机设备处所接收的电话呼叫、文本消息或其他通信作出响应。
所述启动控制器110用以接收到所述启动指令(System Start)时启动所述处理器的工作；在一实施例中，所述启动控制器110具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述启动控制器110将接收的启动指令存储到所述非易失性移位单元中。在本实施例中，所述启动控制器110例如为NVP启动触发器(NVP Start Trigger Controller)。
所述保留时间控制器112用以接收到所述写策略指令(Write Configuration)时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。在本实施例中，所述保留时间控制器112具有一个或多个非易失性移位单元，所述非易失性移位单元例如为非易失性移位器(NV Shifter)，所述保留时间控制器112将接收的写策略指令存储到所述非易失性移位单元中。所述保留时间控制器112依据接收到的写策略指令执行写数据的操作，在一种示例中，藉由所述写操作向电子设备的存储器写入的数据例如为处理器的计算或处理的数据，或者记录备份的计算状态等。
所述处理器还接收所述服务质量预测信息(Predicted QoS)，以使得所述处理器基于动态位宽执行近似和动态备份数据保留时间中的不同近似方法来预测电子设备运行程序的潜在输出质量，以使得整个所述能量管理***的结果具有服务质量控制。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
本申请还提供一种计算机可读存储介质，所述存储介质存储有能量管理的计算机程序，所述程序在被执行时实现前述的任一所述的能量管理方法。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
综上所述本申请提供的能量管理***、方法、电子设备、电子装置及计算机可读存储介质，本申请基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。本申请通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低服务质量相匹配。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (29)
1.一种能量管理***，应用于具有处理器的电子设备中，其特征在于，包括：
预测模块，基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；以及
执行模块，用于依据所述预测模块输出的至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。
2.根据权利要求1所述的能量管理***，其特征在于，所述预测模块藉由一特征提取模块接收所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息，所述特征提取模块包括：
检测单元，用以通过采集流经一检测元件的电流值或所述检测元件两端的电压值获取所述电子设备的供电信息；
储能单元，用以通过采集一储能元件的压降获取所述电子设备的储电信息；及/或
断电感应单元，用以通过采集一泄电元件两端的压降获取所述断电信息。
3.根据权利要求1所述的能量管理***，其特征在于，所述预测模块包括一个或多个非易失性移位单元。
4.根据权利要求1所述的能量管理***，其特征在于，所述预测模块藉由一个或多个神经网络对接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息。
5.根据权利要求1、3或4所述的能量管理***，其特征在于，所述预测模块包括近似计算单元，用于依据所述供电信息及储电信息进行近似计算以预测输出所述数据位宽指令及启动指令。
6.根据权利要求7所述的能量管理***，其特征在于，所述近似计算单元，包括：
未来能量预测器，基于所述供电信息预测所述电子设备的未来通电时间及通电置信度；
位宽预测器，用于依据所述未来通电时间、通电置信度以及接收的所述电子设备的储电信息进行近似计算以预测输出数据位宽指令及启动阈值。
7.根据权利要求8所述的能量管理***，其特征在于，所述预测模块还包括服务质量预测器，用于依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息；并在所述服务质量预测信息满足一第一阈值时输出给所述执行模块，以及在所述启动阈值满足所述第一阈值时输出启动指令给所述执行模块；所述断电信息包括断电置信度。
8.根据权利要求1、3或4所述的能量管理***，其特征在于，所述预测模块包括备份预测单元，包括：
断电预测器，基于所述断电信息预测所述电子设备的未来断电时间及断电置信度；
备份时间预测器，用于依据所述未来断电时间及断电置信度生成写策略指令及写策略置信度，并在所述写策略置信度满足一第二阈值时输出所述写策略指令给所述执行模块；所述写策略指令包括写入数据的写入电流及写入时间至少一种信息。
9.根据权利要求1所述的能量管理***，其特征在于，所述执行模块包括：
近似位宽控制器，用以接收到所述预测模块输出的数据位宽指令时依据所述数据位宽指令控制所述处理器的计算精度；
启动控制器，用以接收到所述预测模块输出的启动指令时启动所述处理器的工作；
保留时间控制器，用以接收到所述预测模块输出的写策略指令时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。
10.根据权利要求9所述的能量管理***，其特征在于，所述执行模块包括一个或多个非易失性移位单元。
11.根据权利要求1所述的能量管理***，其特征在于，所述处理器为非易失处理器。
12.一种电子装置，其特征在于，包括如权利要求1-11任一项所述的能量管理***。
13.一种非易失处理器，其特征在于，包括如权利要求1-11任一项所述的能量管理***。
14.一种电子设备，其特征在于，包括处理器如权利要求1-11任一项所述的能量管理***。
15.根据权利要求14所述的电子设备，其特征在于，还包括用于产生或存储电能的电源装置。
16.根据权利要求14所述的电子设备，其特征在于，还包括一个或多个传感装置，用于感测地理位置信息、环境光信息、环境磁场信息、声音信息、温度信息、湿度信息、压力感应信息、加速度信息、紫外线信息、血糖信息、酒精浓度信息、脉搏信息、心率信息、呼吸信息、运动量信息中的至少一种信息。
17.根据权利要求14所述的电子设备，其特征在于，还包括存储装置，用于存储所述处理器器输出的数据。
18.根据权利要求14所述的电子设备，其特征在于，还包括无线通信模块，用于发送所述处理器器输出的数据，或接收外部设备无线传输的数据。
19.根据权利要求14所述的电子设备，其特征在于，所述处理器为非易失处理器。
20.根据权利要求14所述的电子设备，其特征在于，所述电子设备为可穿戴电子设备或人体植入设备。
21.一种能量管理方法，应用于具有处理器的电子设备中，其特征在于，包括以下步骤：
提取所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息；
依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；
依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理。
22.根据权利要求21所述的能量管理方法，其特征在于，所述提取电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息的步骤包括：
通过采集流经一检测元件的电流值或所述检测元件两端的电压值获取所述电子设备的供电信息；
通过采集一储能元件的压降获取所述电子设备的储电信息；及/或
通过采集一泄电元件两端的压降获取所述断电信息。
23.根据权利要求21所述的能量管理方法，其特征在于，所述的依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息的步骤包括藉由一个或多个神经网络对所述至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息。
24.根据权利要求21或23所述的能量管理方法，其特征在于，所述的依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息的步骤包括依据所述供电信息及储电信息进行近似计算以预测输出所述数据位宽指令及启动指令。
25.根据权利要求21所述的能量管理方法，其特征在于，所述依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息的步骤包括：
依据所述供电信息预测未来通电时间及通电置信度；
依据所述未来通电时间、通电置信度以及接收的所述电子设备的储电信息进行近似计算以预测输出数据位宽指令给所述处理器及输出启动阈值；
在所述启动阈值满足所述一第一阈值时输出启动指令给所述处理器。
26.根据权利要求25所述的能量管理方法，其特征在于，所述的依据所述储电信息、所述未来通电时间及通电置信度进行近似计算以预测输出数据位宽指令及启动阈值的步骤包括：
依据所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息，所述断电信息包括断电置信度；
在所述服务质量预测信息满足一第一阈值时输出所述服务质量预测信息给所述处理器。
27.根据权利要求21或23所述的能量管理方法，其特征在于，所述的依据所述至少一种信息进行预测计算并输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息的步骤包括：
依据所述断电信息预测所述电子设备的未来断电时间及断电置信度；
依据所述未来断电时间及断电置信度生成写策略指令及写策略置信度，所述写策略指令包括写入数据的写入电流及写入时间至少一种信息；
在所述写策略置信度满足一第二阈值时输出所述写策略指令。
28.根据权利要求21所述的能量管理方法，其特征在于，所述的依据所述至少一种指令或/及服务质量预测信息对所述处理器的运算进行能量管理的步骤包括：
接收到所述数据位宽指令时依据所述数据位宽指令控制所述处理器的计算精度；
接收到所述启动指令时启动所述处理器的工作；或者/以及
接收到所述写策略指令时，依据所述写策略指令中包含的写入电流及写入时间至少一种信息执行写操作。
29.一种计算机可读存储介质，存储有能量管理的计算机程序，其特征在于，所述计算机程序被执行时实现权利要求21-28任一项所述的能量管理方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884579.0A CN109144214B (zh) | 2018-08-06 | 2018-08-06 | 能量管理***、方法、电子设备、装置及非易失处理器 |
| PCT/CN2019/097149 WO2020029789A1 (zh) | 2018-08-06 | 2019-07-22 | 能量管理***、方法、电子设备、装置及非易失处理器 |
| US16/703,583 US11422818B2 (en) | 2018-08-06 | 2019-12-04 | Energy management system and method, electronic device, electronic apparatus, and nonvolatile processor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884579.0A CN109144214B (zh) | 2018-08-06 | 2018-08-06 | 能量管理***、方法、电子设备、装置及非易失处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109144214A true CN109144214A (zh) | 2019-01-04 |
| CN109144214B CN109144214B (zh) | 2022-05-03 |
Family
ID=64791723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810884579.0A Active CN109144214B (zh) | 2018-08-06 | 2018-08-06 | 能量管理***、方法、电子设备、装置及非易失处理器 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11422818B2 (zh) |
| CN (1) | CN109144214B (zh) |
| WO (1) | WO2020029789A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020029789A1 (zh) * | 2018-08-06 | 2020-02-13 | 交叉信息核心技术研究院(西安)有限公司 | 能量管理***、方法、电子设备、装置及非易失处理器 |
| CN110943368A (zh) * | 2019-11-14 | 2020-03-31 | 武汉凌云光电科技有限责任公司 | 可靠控制半导体激光器输出功率装置，***及方法 |
| CN110968458A (zh) * | 2019-11-26 | 2020-04-07 | 山东大学 | 一种面向非易失处理器的基于增强学习的备份***及方法 |
| CN112241318A (zh) * | 2020-11-03 | 2021-01-19 | 中国航空工业集团公司西安航空计算技术研究所 | 一种消除表征盲点的处理器心跳计数方法 |
| CN115509626A (zh) * | 2022-11-07 | 2022-12-23 | 首都师范大学 | 非易失性处理器中实现基于能量预测的暂停态设置的方法及装置 |
| EP4070719A4 (en) * | 2020-01-06 | 2023-01-18 | Huawei Technologies Co., Ltd. | ELECTRONIC DEVICE, ITS CONTROL METHOD FOR PERFORMING PPG DETECTION, AND SUPPORT |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11205900B2 (en) * | 2019-01-14 | 2021-12-21 | Samsung Electronics Co., Ltd. | Device and method with power control |
| CN111669624B (zh) * | 2020-05-08 | 2023-01-03 | 广州微算互联信息技术有限公司 | 一种云手机控制方法和*** |
| CN112084089B (zh) * | 2020-09-04 | 2022-07-08 | 山东英信计算机技术有限公司 | 数据中心节点功耗上限确定方法、装置、设备及存储介质 |
| US20230119984A1 (en) * | 2021-10-16 | 2023-04-20 | Nana Wilberforce | System and Method for Development of an AI Computational Intelligence Platform for Energy Resilience in Buildings |
| CN114506311B (zh) * | 2022-02-22 | 2023-06-20 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
| CN116600175B (zh) * | 2023-07-18 | 2023-10-20 | 荣耀终端有限公司 | 丢帧预测方法和电子设备 |
| US11988416B1 (en) * | 2024-01-12 | 2024-05-21 | Shenzhen University | Shallow geothermal energy efficient utilization and storage system and method based on deep learning optimization |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010108253A (ja) * | 2008-10-30 | 2010-05-13 | Hitachi Ltd | 不揮発性メモリを主記憶に用いた装置 |
| CN103237338A (zh) * | 2013-03-08 | 2013-08-07 | 清华大学 | 一种基于脉冲直流供电模式的非易失传感网节点*** |
| CN103955355A (zh) * | 2013-03-18 | 2014-07-30 | 清华大学 | 一种应用于非易失处理器中的分段并行压缩方法及*** |
| CN106055418A (zh) * | 2015-04-09 | 2016-10-26 | 微电子中心德累斯顿有限公司 | 电子***和用于评估并且预测该电子***的失效的方法 |
| CN106249840A (zh) * | 2015-06-10 | 2016-12-21 | 邱沥毅 | 节能非易失性微处理器 |
| CN106407048A (zh) * | 2016-05-25 | 2017-02-15 | 清华大学 | 输入输出通信接口、基于该接口的数据备份和恢复方法 |
| CN106570585A (zh) * | 2016-05-25 | 2017-04-19 | 清华大学 | 一种面向自供能***的任务调度方法及能量管理装置 |
| CN106844103A (zh) * | 2017-01-16 | 2017-06-13 | 山东大学 | 非易失处理器备份容量设定、内存备份方法及*** |
| CN106844101A (zh) * | 2017-01-16 | 2017-06-13 | 山东大学 | 基于Cache感知的NVP性能优化备份方法及*** |
| CN107667325A (zh) * | 2015-06-26 | 2018-02-06 | 英特尔公司 | 用于管理具有半非易失性存储器或非易失性存储器的数据处理设备的可用间歇性功率的投机功率管理 |
| CN107678887A (zh) * | 2017-10-09 | 2018-02-09 | 首都师范大学 | 非易失性处理器中基于维持态的能量分配方法及*** |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5625751A (en) * | 1994-08-30 | 1997-04-29 | Electric Power Research Institute | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system |
| US20060182262A1 (en) * | 2005-02-15 | 2006-08-17 | Goldman Stuart O | Auxiliary power conservation for telecommunications site |
| US7630843B2 (en) * | 2006-09-21 | 2009-12-08 | Intel Corporation | Method, apparatus, and system for power source failure prediction |
| CN101132595A (zh) * | 2007-09-29 | 2008-02-27 | 清华大学 | 无线网络测量的能量管理方法 |
| US8108720B2 (en) * | 2009-09-28 | 2012-01-31 | At&T Intellectual Property I, L.P. | Methods, systems and products for detecting failing power supplies |
| US8954017B2 (en) * | 2011-08-17 | 2015-02-10 | Broadcom Corporation | Clock signal multiplication to reduce noise coupled onto a transmission communication signal of a communications device |
| WO2013047595A1 (ja) * | 2011-09-26 | 2013-04-04 | 日本電気株式会社 | 電力接続制御システム及び方法 |
| US10079507B2 (en) * | 2013-06-28 | 2018-09-18 | Intel Corporation | Techniques for adaptive demand/response energy management of electronic systems |
| US10606718B1 (en) * | 2013-12-19 | 2020-03-31 | Amdocs Development Limited | System, method, and computer program for managing fault recovery in network function virtualization (Nfv) based networks |
| JP2017017822A (ja) * | 2015-06-30 | 2017-01-19 | ルネサスエレクトロニクス株式会社 | 半導体装置および故障検出方法 |
| WO2017111833A1 (en) * | 2015-12-26 | 2017-06-29 | Intel Corporation | Reusable device management in machine-to-machine systems |
| US11009836B2 (en) * | 2016-03-11 | 2021-05-18 | University Of Chicago | Apparatus and method for optimizing quantifiable behavior in configurable devices and systems |
| CN106627225B (zh) * | 2016-12-22 | 2018-10-19 | 清华大学 | 一种用于电动汽车的串联电池组剩余放电能量预测方法 |
| KR20180084358A (ko) * | 2017-01-17 | 2018-07-25 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| US10970146B2 (en) * | 2018-03-09 | 2021-04-06 | Seagate Technology Llc | Adaptive fault prediction analysis of computing components |
| US10289464B1 (en) * | 2018-07-18 | 2019-05-14 | Progressive Casualty Insurance Company | Robust event prediction |
| EP3824677A1 (en) * | 2018-07-19 | 2021-05-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and devices for optimizing backup power control using machine learning |
| CN109144214B (zh) * | 2018-08-06 | 2022-05-03 | 交叉信息核心技术研究院(西安)有限公司 | 能量管理***、方法、电子设备、装置及非易失处理器 |
| CN109101100B (zh) * | 2018-08-06 | 2021-10-01 | 清华大学 | 数据位宽预测方法、***及其适用的电子设备 |
| US11126490B2 (en) * | 2018-10-12 | 2021-09-21 | Vixtera, Inc. | Apparatus and methods for fault detection in a system consisted of devices connected to a computer network |
| US20220007213A1 (en) * | 2018-11-06 | 2022-01-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and machine-readable mediums for mitigating power failures in a communication network |
| US20210409962A1 (en) * | 2020-06-26 | 2021-12-30 | T-Mobile Usa, Inc. | Flow controller resource allocation |
| US20220021608A1 (en) * | 2021-09-23 | 2022-01-20 | Kshitij Arun Doshi | Software defined networking with en-route computing |
-
2018
- 2018-08-06 CN CN201810884579.0A patent/CN109144214B/zh active Active
-
2019
- 2019-07-22 WO PCT/CN2019/097149 patent/WO2020029789A1/zh active Application Filing
- 2019-12-04 US US16/703,583 patent/US11422818B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010108253A (ja) * | 2008-10-30 | 2010-05-13 | Hitachi Ltd | 不揮発性メモリを主記憶に用いた装置 |
| CN103237338A (zh) * | 2013-03-08 | 2013-08-07 | 清华大学 | 一种基于脉冲直流供电模式的非易失传感网节点*** |
| CN103955355A (zh) * | 2013-03-18 | 2014-07-30 | 清华大学 | 一种应用于非易失处理器中的分段并行压缩方法及*** |
| CN106055418A (zh) * | 2015-04-09 | 2016-10-26 | 微电子中心德累斯顿有限公司 | 电子***和用于评估并且预测该电子***的失效的方法 |
| CN106249840A (zh) * | 2015-06-10 | 2016-12-21 | 邱沥毅 | 节能非易失性微处理器 |
| CN107667325A (zh) * | 2015-06-26 | 2018-02-06 | 英特尔公司 | 用于管理具有半非易失性存储器或非易失性存储器的数据处理设备的可用间歇性功率的投机功率管理 |
| CN106407048A (zh) * | 2016-05-25 | 2017-02-15 | 清华大学 | 输入输出通信接口、基于该接口的数据备份和恢复方法 |
| CN106570585A (zh) * | 2016-05-25 | 2017-04-19 | 清华大学 | 一种面向自供能***的任务调度方法及能量管理装置 |
| CN106844103A (zh) * | 2017-01-16 | 2017-06-13 | 山东大学 | 非易失处理器备份容量设定、内存备份方法及*** |
| CN106844101A (zh) * | 2017-01-16 | 2017-06-13 | 山东大学 | 基于Cache感知的NVP性能优化备份方法及*** |
| CN107678887A (zh) * | 2017-10-09 | 2018-02-09 | 首都师范大学 | 非易失性处理器中基于维持态的能量分配方法及*** |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020029789A1 (zh) * | 2018-08-06 | 2020-02-13 | 交叉信息核心技术研究院(西安)有限公司 | 能量管理***、方法、电子设备、装置及非易失处理器 |
| US11422818B2 (en) | 2018-08-06 | 2022-08-23 | Institute for Interdisciplinary Information Core Technology (Xi'an) Co., Ltd. | Energy management system and method, electronic device, electronic apparatus, and nonvolatile processor |
| CN110943368A (zh) * | 2019-11-14 | 2020-03-31 | 武汉凌云光电科技有限责任公司 | 可靠控制半导体激光器输出功率装置，***及方法 |
| CN110968458A (zh) * | 2019-11-26 | 2020-04-07 | 山东大学 | 一种面向非易失处理器的基于增强学习的备份***及方法 |
| CN110968458B (zh) * | 2019-11-26 | 2022-03-29 | 山东大学 | 一种面向非易失处理器的基于增强学习的备份***及方法 |
| EP4070719A4 (en) * | 2020-01-06 | 2023-01-18 | Huawei Technologies Co., Ltd. | ELECTRONIC DEVICE, ITS CONTROL METHOD FOR PERFORMING PPG DETECTION, AND SUPPORT |
| CN112241318A (zh) * | 2020-11-03 | 2021-01-19 | 中国航空工业集团公司西安航空计算技术研究所 | 一种消除表征盲点的处理器心跳计数方法 |
| CN112241318B (zh) * | 2020-11-03 | 2024-05-24 | 中国航空工业集团公司西安航空计算技术研究所 | 一种消除表征盲点的处理器心跳计数方法 |
| CN115509626A (zh) * | 2022-11-07 | 2022-12-23 | 首都师范大学 | 非易失性处理器中实现基于能量预测的暂停态设置的方法及装置 |
| CN115509626B (zh) * | 2022-11-07 | 2024-02-02 | 首都师范大学 | 非易失性处理器中实现基于能量预测的暂停态设置的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020029789A1 (zh) | 2020-02-13 |
| US20200110614A1 (en) | 2020-04-09 |
| US11422818B2 (en) | 2022-08-23 |
| CN109144214B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109144214A (zh) | 能量管理***、方法、电子设备、装置及非易失处理器 | |
| Jackson et al. | Capacity over capacitance for reliable energy harvesting sensors | |
| US9554747B2 (en) | Power efficient system and method for measuring physical activity in resource constrained devices | |
| US11064910B2 (en) | Physical activity monitoring system | |
| US8793522B2 (en) | Power management in a data-capable strapband | |
| JP6275868B2 (ja) | ニューラルウォッチドッグ | |
| CN204520644U (zh) | 有数据能力的缚带中的电力管理 | |
| CN110678825A (zh) | 具有机器学习功能的低功率环境计算*** | |
| CN105675048B (zh) | 平衡识别精确度与耗电量的无线***和方法 | |
| CN107003973A (zh) | 用于模拟前端的低功率情境感知控制 | |
| CN107408150B (zh) | 提供动态进展更新消息的方法、介质和设备 | |
| CN106462212A (zh) | 锻炼期间的设备省电 | |
| CN109890067A (zh) | 对特定路线上的特定位置进行识别的方法及电子设备 | |
| CN109690900A (zh) | 一种充电的方法及终端 | |
| CN106062661A (zh) | 用于常开常听的语音识别***的位置感知功率管理方案 | |
| CN107809949A (zh) | 用于测量与人体有关的信息的电子设备及其操作方法 | |
| CN107784357A (zh) | 基于多模态深度神经网络的个性化智能唤醒***及方法 | |
| CN108141045A (zh) | 计算无线电力递送***中的功耗 | |
| CN104813307A (zh) | 数据处理装置、数据处理方法和程序 | |
| CN107949827A (zh) | 用于可穿戴设备的多功能按键 | |
| CN109116967A (zh) | 基于时间复用的神经网络预测器及其适用的电子设备 | |
| CN109116968A (zh) | 写策略控制方法、***及其适用的电子设备 | |
| CN109101100A (zh) | 数据位宽预测方法、***及其适用的电子设备 | |
| Mokrenko | Energy management of a Wireless Sensor Network at application level | |
| CN113705070A (zh) | 模拟器训练方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190508 Address after: 710077 Room 101, Block B, Yunhui Valley, 156 Tiangu Eighth Road, New Town, Yuhua Street Software, Xi'an High-tech Zone, Shaanxi Province Applicant after: Cross Information Core Technology Research Institute (Xi'an) Co., Ltd. Address before: 100084 Tsinghua Yuan, Beijing, Haidian District Applicant before: Tsinghua University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |