带有NFC功能的终端设备的电源供电控制系统及其工作方法与流程

带有nfc功能的终端设备的电源供电控制系统及其工作方法
技术领域
1.本发明涉及电源供电控制的领域，且更为具体地，涉及一种带有nfc功能的终端设备的电源供电控制系统及其工作方法。


背景技术：

2.目前很多终端设备，例如智能手机，都带有nfc功能(near field communication，近距离无线通信技术)，nfc提供了一种简单、触控式的解决方案，可以让消费者简单直观地交换信息、访问内容与服务。
3.目前，在现有的智能手机中，电源提供的电能必须通过nfc芯片才能给sim进行供电，也就是，电源提供的电信号在经过nfc芯片加工后才会传输至sim卡。但是，sim卡在不同应用场景中所需的电能会发生变化，例如，在信号薄弱的地方sim卡所需的电能需要加强，而在信号强的地方其为了节省电能可适当减缩。并且由于nfc本身的工作状态会影响到对sim卡的供电，例如当nfc处于近场通信状态时，如果电源的供电功率不变，则显然会使得对sim卡的供电不足，从而影响sim卡的工作性能。因此，为了更为精准地控制输入sim卡的电信号强度，期望一种带有nfc功能的终端设备的电源供电控制系统。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种带有nfc功能的终端设备的电源供电控制系统及其工作方法，其通过基于神经网络模型的深度学习技术来挖掘出sim卡的工作状态以及nfc的工作状态间的高维隐含模式信息，并且在此过程中，还采用高斯密度图以准确地表达两者各自的信息和两者的关联信息的分类特征，从而以此来判定电源的供电功率是否应该调整。通过这样的方式，可以保证所述sim卡和所述nfc两者在没有不必要的功率波动的情况下也能正常工作。
5.根据本技术的一个方面，提供了一种带有nfc功能的终端设备的电源供电控制系统，其包括：
6.sim卡数据获取单元，用于获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量；
7.nfc芯片获取单元，用于获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量；
8.编码单元，用于将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量；
9.高斯分布构造单元，用于基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布
10.高斯密度图构造单元，用于将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行
方向或列方向；
11.离散化单元，用于对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直；
12.控制结果生成单元，用于将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及
13.电源功率控制单元，用于基于所述分类结果配置所述电源的供电功率。
14.在上述带有nfc功能的终端设备的电源供电控制系统中，所述编码单元，进一步用于：使用所述第一编码器模型的至少一个全连接层对所述信号向量进行全连接编码以提取出所述信号向量中各个位置的特征值的高维特征；使用所述第一编码器模型的一维卷积层对所述信号向量进行一维卷积处理以提取出所述信号向量中各个位置的特征值之间的关联的高维关联特征以获得所述信号特征向量；使用所述第二编码器模型的至少一个全连接层对所述电量向量进行全连接编码以提取出所述电量向量中各个位置的特征值的高维特征；使用所述第二编码器模型的一维卷积层对所述电量向量进行一维卷积处理以提取出所述电量向量中各个位置的特征值之间的关联的高维关联特征以获得所述电量特征向量。
15.在上述带有nfc功能的终端设备的电源供电控制系统中，所述第一编码器模型和所述第二编码器模型具有相同的模型结构。
16.在上述带有nfc功能的终端设备的电源供电控制系统中，所述高斯分布构造单元，进一步用于：基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布其中μi是xi和yi的均值，且σi是xi和yi的方差。
17.在上述带有nfc功能的终端设备的电源供电控制系统中，所述高斯密度图构造单元，进一步用于：以如下公式将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布拼接为所述高斯密度图；其中，所述公式为：
[0018][0019]
函数表示将与信号特征向量或所述电量特征向量的长度k对应的每个高斯分布按行或者列的方向。
[0020]
在上述带有nfc功能的终端设备的电源供电控制系统中，所述离散化单元，进一步用于：对所述高斯密度图进行沿列方向的随机采样处理以获得所述用于分类的分类矩阵。
[0021]
在上述带有nfc功能的终端设备的电源供电控制系统中，所述控制结果生成单元，进一步用于：使用所述分类器的至少一个全连接层将所述分类矩阵编码为分类特征向量；以及，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类结果。
[0022]
根据本技术的另一方面，一种带有nfc功能的终端设备的电源供电控制系统的工作方法，其包括：
[0023]
获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量；
[0024]
获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量；
[0025]
将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特
征向量；
[0026]
基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布
[0027]
将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向；
[0028]
对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直；
[0029]
将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及
[0030]
基于所述分类结果配置所述电源的供电功率；
[0031]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量，包括：使用所述第一编码器模型的至少一个全连接层对所述信号向量进行全连接编码以提取出所述信号向量中各个位置的特征值的高维特征；使用所述第一编码器模型的一维卷积层对所述信号向量进行一维卷积处理以提取出所述信号向量中各个位置的特征值之间的关联的高维关联特征以获得所述信号特征向量；使用所述第二编码器模型的至少一个全连接层对所述电量向量进行全连接编码以提取出所述电量向量中各个位置的特征值的高维特征；使用所述第二编码器模型的一维卷积层对所述电量向量进行一维卷积处理以提取出所述电量向量中各个位置的特征值之间的关联的高维关联特征以获得所述电量特征向量。
[0032]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，所述第一编码器模型和所述第二编码器模型具有相同的模型结构。
[0033]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布包括：基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布其中μi是xi和yi的均值，且σi是xi和yi的方差。
[0034]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向，包括：以如下公式将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布拼接为所述高斯密度图；其中，所述公式为：
[0035][0036]
函数表示将与信号特征向量或所述电量特征向量的长度k对应的每个高斯分布按行或者列的方向。
[0037]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第
一方向垂直，包括：对所述高斯密度图进行沿列方向的随机采样处理以获得所述用于分类的分类矩阵。
[0038]
在上述带有nfc功能的终端设备的电源供电控制系统的工作方法中，将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整，包括：使用所述分类器的至少一个全连接层将所述分类矩阵编码为分类特征向量；以及，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类结果。
[0039]
与现有技术相比，本技术提供的带有nfc功能的终端设备的电源供电控制系统及其工作方法，其通过基于神经网络模型的深度学习技术来挖掘出sim卡的工作状态以及nfc的工作状态间的高维隐含模式信息，并且在此过程中，还采用高斯密度图以准确地表达两者各自的信息和两者的关联信息的分类特征，从而以此来判定电源的供电功率是否应该调整。通过这样的方式，可以保证所述sim卡和所述nfc两者在没有不必要的功率波动的情况下也能正常工作。
附图说明
[0040]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0041]
图1为根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的应用场景图。
[0042]
图2为根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的框图。
[0043]
图3为根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的工作方法的流程图。
[0044]
图4为根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的工作方法的架构示意图。
具体实施方式
[0045]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0046]
场景概述
[0047]
如前所述，在现有的智能手机中，电源提供的电能必须通过nfc芯片才能给sim进行供电，也就是，电源提供的电信号在经过nfc芯片加工后才会传输至sim卡。但是，sim卡在不同应用场景中所需的电能会发生变化，例如，在信号薄弱的地方sim卡所需的电能需要加强，而在信号强的地方其为了节省电能可适当减缩。并且由于nfc本身的工作状态会影响到对sim卡的供电，例如当nfc处于近场通信状态时，如果电源的供电功率不变，则显然会使得对sim卡的供电不足，从而影响sim卡的工作性能。因此，为了更为精准地控制输入sim卡的电信号强度，期望一种带有nfc功能的终端设备的电源供电控制系统。
[0048]
相应地，由于nfc功能的开启状态一般维持较短，且sim卡本身的工作状态也处于
波动之中，考虑到终端设备的射频模块一般对功率波动较为敏感，也不宜通过强条件设定来控制电源的供电功率。
[0049]
基于此，在本技术的技术方案中，通过基于神经网络模型的深度学习技术来挖掘出sim卡的工作状态以及nfc的工作状态间的高维隐含模式信息，并以此来判定电源的供电功率是否应该调整，以保证sim卡和nfc两者在没有不必要的功率波动的情况下也能正常工作。
[0050]
具体地，对于sim卡的工作状态，获取sim卡在一系列预设时间点的信号强度数据以得到信号向量，而对于nfc的工作状态，获取nfc在该一系列预设时间点的电量消耗数据以得到电量向量。然后，将信号向量和电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型，得到信号特征向量和电量特征向量。
[0051]
为了基于信号特征向量和电量特征向量来得到准确地表达两者各自的信息和两者的关联信息的分类特征，本技术的申请人采用高斯密度图，由于高斯密度图广泛地用于提取关联特征的卷积神经网络的学习目标，因此其可以良好地表达向量间的关联特征。此外，另一方面也是考虑到在正常情况下，信号特征和电量特征本身也符合高斯分布的特性。
[0052]
具体地，针对信号特征向量的每个位置的特征值xi和电量特征向量的每个位置的特征值yi，构造高斯分布其中μi是xi和yi的圴值，且σi是xi和yi的方差，这样，就针对信号特征向量和电量特征向量，得到了高斯密度图：
[0053][0054]
其中，函数表示将与特征向量的长度k对应的每个高斯分布按行或者列的方向，即第一方向进行拼接以得到高斯密度图。
[0055]
然后，通过针对高斯密度图进行沿第二方向的离散化，例如随机采样，就可以获得用于分类的分类矩阵，最后将分类矩阵输入分类器，以得到电源的供电功率是否应该调整的分类结果。
[0056]
基于此，本技术提出了一种带有nfc功能的终端设备的电源供电控制系统，其包括：sim卡数据获取单元，用于获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量；nfc芯片获取单元，用于获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量；编码单元，用于将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量；高斯分布构造单元，用于基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布高斯密度图构造单元，用于将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向；离散化单元，用于对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直；控制结果生成单元，用于将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及，电源功率控制单元，用于基于所述分类结果配置所述电源的供电
功率。
[0057]
图1图示了根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取sim卡(例如，如图1中所示意的p)在一系列预设时间点的信号强度数据，并且获得nfc芯片(例如，如图1中所示意的f)在所述一系列预设时间点的电量消耗数据，其中，所述sim卡和所述nfc芯片之间通过电信号相互通信连接。然后，将获得的所述信号强度数据和所述电量消耗数据输入至部署有带有nfc功能的终端设备的电源供电控制算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以带有nfc功能的终端设备的电源供电控制算法对所述信号强度数据和所述电量消耗数据进行处理，以生成用于表示电源的供电功率是否应该调整的分类结果。进而，再基于所述分类结果配置所述电源(例如，如图1中所示意的ps)的供电功率。
[0058]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0059]
示例性系统
[0060]
图2图示了根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的框图。如图2所示，根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统200，包括：sim卡数据获取单元210，用于获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量；nfc芯片获取单元220，用于获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量；编码单元230，用于将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量；高斯分布构造单元240，用于基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布高斯密度图构造单元250，用于将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向；离散化单元260，用于对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直；控制结果生成单元270，用于将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及，电源功率控制单元280，用于基于所述分类结果配置所述电源的供电功率。
[0061]
具体地，在本技术实施例中，所述sim卡数据获取单元210和nfc芯片获取单元220，用于获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量，并获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量。如上所述，由于nfc功能的开启状态一般维持较短，且所述sim卡本身的工作状态也处于波动之中，并且考虑到终端设备的射频模块一般对功率波动较为敏感，也不宜通过强条件设定来控制电源的供电功率。因此，在本技术的技术方案中，选择采用通过基于神经网络模型的深度学习技术来挖掘出所述sim卡的工作状态以及所述nfc芯片的工作状态间的高维隐含模式信息，并以此来判定电源的供电功率是否应该调整，以保证所述sim卡和所述nfc芯片两者在没有不必要的功率波动的情况下也能正常工作。
[0062]
更具体地，也就是，对于所述sim卡的工作状态，首先，获取所述sim卡在一系列预设时间点的信号强度数据；然后，将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量。而对于所述nfc的工作状态，首先，获取所述nfc芯片在该所述一系列预设时间点的电量消耗数据；然后，将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量。值得一提的是，这里，所述sim卡和所述nfc芯片之间通过电信号相互通信连接。
[0063]
具体地，在本技术实施例中，所述编码单元230，用于将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量。也就是，首先，将所述信号向量通过由深度神经网络组成的第一编码器模型进行处理，以挖掘出所述sim卡的工作状态的高维隐含特征信息；然后，将所述电量向量通过由深度神经网络组成的第二编码器模型进行处理，以挖掘出所述nfc芯片的工作状态的高维隐含特征信息。
[0064]
更具体地，在本技术实施例中，所述编码单元，进一步用于：首先，使用所述第一编码器模型的至少一个全连接层对所述信号向量进行全连接编码以提取出所述信号向量中各个位置的特征值的高维特征；接着，使用所述第一编码器模型的一维卷积层对所述信号向量进行一维卷积处理以提取出所述信号向量中各个位置的特征值之间的关联的高维关联特征以获得所述信号特征向量；然后，使用所述第二编码器模型的至少一个全连接层对所述电量向量进行全连接编码以提取出所述电量向量中各个位置的特征值的高维特征；最后，使用所述第二编码器模型的一维卷积层对所述电量向量进行一维卷积处理以提取出所述电量向量中各个位置的特征值之间的关联的高维关联特征以获得所述电量特征向量。特别地，所述第一编码器模型和所述第二编码器模型具有相同的模型结构。
[0065]
具体地，在本技术实施例中，所述高斯分布构造单元240和所述高斯密度图构造单元250，用于基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布并将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向。应可以理解，为了基于所述信号特征向量和所述电量特征向量来得到准确地表达两者各自的信息和两者的关联信息的分类特征，在本技术的技术方案中，采用高斯密度图。相应地，由于所述高斯密度图广泛地用于提取关联特征的卷积神经网络的学习目标，因此其可以良好地表达向量间的关联特征，此外，考虑到在正常情况下，所述信号特征和所述电量特征本身也符合高斯分布的特性。因此，在一个具体示例中，针对所述信号特征向量的每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布其中μi是xi和yi的均值，且σi是xi和yi的方差，这样，就能够基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，值得一提的是，这里，所述第一方向为行方向或列方向。
[0066]
更具体地，在本技术实施例中，所述高斯密度图构造单元，进一步用于：以如下公式将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布拼接为所述高斯密度图；
[0067]
其中，所述公式为：
[0068]
[0069]
其中，函数表示将与所述信号特征向量或所述电量特征向量的长度k对应的每个高斯分布按行或者列的方向，也就是，所述第一方向进行拼接以得到高斯密度图。
[0070]
具体地，在本技术实施例中，所述离散化单元260，用于对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直。也就是，在一个具体示例中，通过对所述高斯密度图进行沿第二方向的随机采样处理以获得所述用于分类的分类矩阵。值得一提的是，这里，所述第二方向与所述第一方向垂直，也就是列方向。
[0071]
具体地，在本技术实施例中，所述控制结果生成单元270和所述电源功率控制单元280，用于将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整，并基于所述分类结果配置所述电源的供电功率。也就是，首先，将所述分类矩阵通过分类器进行处理，以获得用于表示电源的供电功率是否应该调整的分类结果；然后，基于所述分类结果，对所述电源的供电功率进行配置。
[0072]
更具体地，在本技术实施例中，所述控制结果生成单元，包括：首先，使用所述分类器的至少一个全连接层将所述分类矩阵编码为分类特征向量。然后，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类结果。在一个具体示例中，首先，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于电源的供电功率应该调整的第一概率和所述分类特征向量归属于电源的供电功率不应该调整的第二概率。接着，基于所第一概率与所述第二概率的比较，确定用于表示电源的供电功率是否应该调整的分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为电源的供电功率应该调整；当所述第一概率小于所述第二概率时，所述分类结果为电源的供电功率不应该调整。
[0073]
综上，基于本技术实施例的所述带有nfc功能的终端设备的电源供电控制系统200被阐明，其通过基于神经网络模型的深度学习技术来挖掘出sim卡的工作状态以及nfc的工作状态间的高维隐含模式信息，并且在此过程中，还采用高斯密度图以准确地表达两者各自的信息和两者的关联信息的分类特征，从而以此来判定电源的供电功率是否应该调整。通过这样的方式，可以保证所述sim卡和所述nfc两者在没有不必要的功率波动的情况下也能正常工作。
[0074]
如上所述，根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统200可以实现在各种终端设备中，例如带有nfc功能的终端设备的电源供电控制算法的服务器等。在一个示例中，根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该带有nfc功能的终端设备的电源供电控制系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该带有nfc功能的终端设备的电源供电控制系统200同样可以是该终端设备的众多硬件模块之一。
[0075]
替换地，在另一示例中，该带有nfc功能的终端设备的电源供电控制系统200与该终端设备也可以是分立的设备，并且该带有nfc功能的终端设备的电源供电控制系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0076]
示例性方法
[0077]
图3图示了带有nfc功能的终端设备的电源供电控制系统的工作方法的流程图。如
图3所示，根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的工作方法，包括步骤：s110，获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量；s120，获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量；s130，将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量；s140，基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布s150，将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向；s160，对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直；s170，将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及，s180，基于所述分类结果配置所述电源的供电功率。
[0078]
图4图示了根据本技术实施例的带有nfc功能的终端设备的电源供电控制系统的工作方法的架构示意图。如图4所示，在所述带有nfc功能的终端设备的电源供电控制系统的工作方法的网络架构中，首先，将获取的所述sim卡在一系列预设时间点的信号强度数据(例如，如图4中所示意的in1)排列为信号向量(例如，如图4中所示意的v1)；接着，将获取的所述nfc芯片在所述一系列预设时间点的电量消耗数据(例如，如图4中所示意的in2)排列为电量向量(例如，如图4中所示意的v2)；然后，将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型(例如，如图4中所示意的dn1)和第二编码器模型(例如，如图4中所示意的dn2)以从所述信号向量获得信号特征向量(例如，如图4中所示意的vf1)和从所述电量向量获得电量特征向量(例如，如图4中所示意的vf2)；接着，基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布(例如，如图4中所示意的g)；然后，将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图(例如，如图4中所示意的gdm)，所述第一方向为行方向或列方向；接着，对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵(例如，如图4中所示意的m)，所述第二方向与所述第一方向垂直；然后，将所述用于分类的分类矩阵通过分类器(例如，如图4中所示意的分类器)以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整；以及，最后，基于所述分类结果配置所述电源的供电功率。
[0079]
更具体地，在步骤s110和s120中，获取sim卡在一系列预设时间点的信号强度数据并将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量，并获得nfc芯片在所述一系列预设时间点的电量消耗数据并将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量。也就是，对于所述sim卡的工作状态，首先，获取所述sim卡在一系列预设时间点的信号强度数据；然后，将所述sim卡在一系列预设时间点的信号强度数据排列为信号向量。而对于所述nfc的工作状态，首先，获取所述nfc芯片在该所述一系列预设时间点的电量消耗数据；然后，将所述nfc芯片在所述一系列预设时间点的电量消耗数据排列为电量向量。值得一提的是，这里，所述sim卡和所述nfc芯片之间通过电信号相互通信连
接。
[0080]
更具体地，在步骤s130中，将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量。也就是，首先，将所述信号向量通过由深度神经网络组成的第一编码器模型进行处理，以挖掘出所述sim卡的工作状态的高维隐含特征信息；然后，将所述电量向量通过由深度神经网络组成的第二编码器模型进行处理，以挖掘出所述nfc芯片的工作状态的高维隐含特征信息。
[0081]
具体地，在本技术实施例中，将所述信号向量和所述电量向量分别通过由深度神经网络组成的第一编码器模型和第二编码器模型以从所述信号向量获得信号特征向量和从所述电量向量获得电量特征向量的过程，包括：首先，使用所述第一编码器模型的至少一个全连接层对所述信号向量进行全连接编码以提取出所述信号向量中各个位置的特征值的高维特征；接着，使用所述第一编码器模型的一维卷积层对所述信号向量进行一维卷积处理以提取出所述信号向量中各个位置的特征值之间的关联的高维关联特征以获得所述信号特征向量；然后，使用所述第二编码器模型的至少一个全连接层对所述电量向量进行全连接编码以提取出所述电量向量中各个位置的特征值的高维特征；最后，使用所述第二编码器模型的一维卷积层对所述电量向量进行一维卷积处理以提取出所述电量向量中各个位置的特征值之间的关联的高维关联特征以获得所述电量特征向量。特别地，所述第一编码器模型和所述第二编码器模型具有相同的模型结构。
[0082]
更具体地，在步骤s140和步骤s150中，基于所述信号特征向量中每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布并将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，所述第一方向为行方向或列方向。应可以理解，为了基于所述信号特征向量和所述电量特征向量来得到准确地表达两者各自的信息和两者的关联信息的分类特征，在本技术的技术方案中，采用高斯密度图。相应地，由于所述高斯密度图广泛地用于提取关联特征的卷积神经网络的学习目标，因此其可以良好地表达向量间的关联特征，此外，考虑到在正常情况下，所述信号特征和所述电量特征本身也符合高斯分布的特性。因此，在一个具体示例中，针对所述信号特征向量的每个位置的特征值xi和所述电量特征向量的每个位置的特征值yi，构造高斯分布其中μi是xi和yi的均值，且σi是xi和yi的方差，这样，就能够基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图，值得一提的是，这里，所述第一方向为行方向或列方向。
[0083]
具体地，在本技术实施例中，将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布沿着第一方向拼接为高斯密度图的过程，包括：以如下公式将基于所述信号特征向量和所述电量特征向量中每一对位置的特征值构造的所述高斯分布拼接为所述高斯密度图；
[0084]
其中，所述公式为：
[0085]
[0086]
其中，函数表示将与所述信号特征向量或所述电量特征向量的长度k对应的每个高斯分布按行或者列的方向，也就是，所述第一方向进行拼接以得到高斯密度图。
[0087]
更具体地，在步骤s160中，对所述高斯密度图进行沿第二方向的离散化处理以获得用于分类的分类矩阵，所述第二方向与所述第一方向垂直。也就是，在一个具体示例中，通过对所述高斯密度图进行沿第二方向的随机采样处理以获得所述用于分类的分类矩阵。值得一提的是，这里，所述第二方向与所述第一方向垂直，也就是列方向。
[0088]
更具体地，在步骤s170和步骤s180中，将所述用于分类的分类矩阵通过分类器以获得分类结果，所述分类结果用于表示电源的供电功率是否应该调整，并基于所述分类结果配置所述电源的供电功率。也就是，首先，将所述分类矩阵通过分类器进行处理，以获得用于表示电源的供电功率是否应该调整的分类结果；然后，基于所述分类结果，对所述电源的供电功率进行配置。
[0089]
具体地，在本技术实施例中，将所述用于分类的分类矩阵通过分类器以获得分类结果的过程，包括：首先，使用所述分类器的至少一个全连接层将所述分类矩阵编码为分类特征向量。然后，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类结果。在一个具体示例中，首先，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于电源的供电功率应该调整的第一概率和所述分类特征向量归属于电源的供电功率不应该调整的第二概率。接着，基于所第一概率与所述第二概率的比较，确定用于表示电源的供电功率是否应该调整的分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为电源的供电功率应该调整；当所述第一概率小于所述第二概率时，所述分类结果为电源的供电功率不应该调整。
[0090]
综上，基于本技术实施例的所述带有nfc功能的终端设备的电源供电控制系统的工作方法被阐明，其通过基于神经网络模型的深度学习技术来挖掘出sim卡的工作状态以及nfc的工作状态间的高维隐含模式信息，并且在此过程中，还采用高斯密度图以准确地表达两者各自的信息和两者的关联信息的分类特征，从而以此来判定电源的供电功率是否应该调整。通过这样的方式，可以保证所述sim卡和所述nfc两者在没有不必要的功率波动的情况下也能正常工作。
[0091]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0092]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0093]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0094]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本
申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0095]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。