| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 背景与意义 | 第9-10页 |
| 1.2 研究内容及目标 | 第10-11页 |
| 1.3 论文组织 | 第11-13页 |
| 第二章 处理器功耗建模概述 | 第13-25页 |
| 2.1 处理器功耗组成 | 第13-16页 |
| 2.1.1 开关功耗 | 第13-14页 |
| 2.1.2 短路功耗 | 第14-15页 |
| 2.1.3 漏电功耗 | 第15-16页 |
| 2.2 结构级功耗模型 | 第16-17页 |
| 2.3 基于性能事件的功耗模型 | 第17-20页 |
| 2.3.1 基于模块划分的功耗模型 | 第17-18页 |
| 2.3.2 基于少量性能事件的功耗模型 | 第18-20页 |
| 2.4 采用人工神经网络建立处理器功耗模型 | 第20-23页 |
| 2.4.1 人工神经网络简介 | 第21-22页 |
| 2.4.2 功耗建模的总体方案设计 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 功耗与性能事件数据的采集 | 第25-37页 |
| 3.1 功耗数据的采集 | 第25-27页 |
| 3.2 性能事件数据的采集 | 第27-32页 |
| 3.2.1 性能监测单元PMU | 第27-30页 |
| 3.2.2 Peff简介 | 第30页 |
| 3.2.3 Perf的使用 | 第30-32页 |
| 3.3 数据采样方案设计 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于神经网络的处理器功耗模型的实现 | 第37-51页 |
| 4.1 BP神经网络原理 | 第37-41页 |
| 4.2 功耗模型输入参数的选取 | 第41-47页 |
| 4.2.1 斯皮尔曼相关系数 | 第41-44页 |
| 4.2.2 性能事件的选取 | 第44-47页 |
| 4.3 BP神经网络的结构设计 | 第47-49页 |
| 4.4 BP神经网络模型的matlab实现 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-59页 |
| 5.1 实验的软硬件平台 | 第51-53页 |
| 5.1.1 实验的硬件平台 | 第51-52页 |
| 5.1.2 实验的软件平台 | 第52-53页 |
| 5.2 模型的精度验证 | 第53-56页 |
| 5.2.1 不同比例训练数据对神经网络模型精度的影响 | 第53-54页 |
| 5.2.2 针对安兔兔评测的模型精度 | 第54-55页 |
| 5.2.3 针对典型Android应用的模型精度 | 第55-56页 |
| 5.3 与线性拟合模型的精度对比 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-64页 |