| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题研究背景 | 第9-11页 |
| ·国内外相关研究现状及进展 | 第11-14页 |
| ·动态电源管理(DPM)技术 | 第11-12页 |
| ·动态电压调节(DVS)技术 | 第12-14页 |
| ·本文的研究动机 | 第14-15页 |
| ·本文的主要工作 | 第15-16页 |
| ·论文组织结构 | 第16-17页 |
| 第二章 嵌入式系统功耗优化方法概述 | 第17-23页 |
| ·基于硬件的嵌入式系统功耗优化 | 第17-18页 |
| ·基于软件的嵌入式系统功耗优化 | 第18页 |
| ·基于软硬件结合的嵌入式系统功耗优化 | 第18-22页 |
| ·ACPI简介 | 第18-19页 |
| ·ACPI中处理器的状态 | 第19-20页 |
| ·ACPI对于处理器功耗控制的意义 | 第20-21页 |
| ·CPUfreq子系统 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 机器学习的基础理论 | 第23-31页 |
| ·机器学习的概念与基本结构 | 第23页 |
| ·分类器 | 第23-25页 |
| ·分类算法 | 第25-30页 |
| ·决策树分类 | 第25-27页 |
| ·贝叶斯分类 | 第27-28页 |
| ·神经网络分类 | 第28-29页 |
| ·其它分类算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 基于GINI指数分类的嵌入式CPU功耗预测优化方法 | 第31-53页 |
| ·功耗预测模块构建步骤 | 第31-35页 |
| ·功耗测试 | 第32页 |
| ·分类器训练 | 第32-34页 |
| ·预测性能 | 第34页 |
| ·自动更新 | 第34-35页 |
| ·基于GINI指数的分类方法 | 第35-36页 |
| ·构建功耗预测模块 | 第36-40页 |
| ·获取训练数据 | 第37页 |
| ·分类器训练 | 第37-39页 |
| ·预测算法 | 第39-40页 |
| ·自动更新 | 第40页 |
| ·仿真实验 | 第40-44页 |
| ·实验准备 | 第41-43页 |
| ·仿真实验数据 | 第43-44页 |
| ·仿真实验结果与分析 | 第44-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 功耗预测模块的研究 | 第53-63页 |
| ·基于朴素贝叶斯分类的功耗预测方法 | 第53-55页 |
| ·基于模拟退火遗传算法的朴素贝叶斯分类功耗预测方法 | 第55-58页 |
| ·基于K－最近邻功耗预测方法 | 第58-59页 |
| ·其它方法 | 第59-60页 |
| ·对比总结 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第六章 总结和展望 | 第63-65页 |
| ·本文工作总结 | 第63-64页 |
| ·进一步工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-71页 |
| 致谢 | 第71页 |