Some content of this application is unavailable at the moment.
If this situation persists, please contact us atFeedback&Contact
1. (WO2019062369) APPLICATION MANAGEMENT METHOD AND APPARATUS, STORAGE MEDIUM, AND ELECTRONIC DEVICE
Document

说明书

发明名称 0001   0002   0003   0004   0005   0006   0007   0008   0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106   0107   0108   0109   0110   0111   0112   0113   0114   0115   0116   0117   0118   0119   0120   0121   0122   0123   0124   0125   0126   0127   0128   0129   0130   0131   0132   0133   0134   0135   0136   0137   0138   0139   0140   0141   0142   0143   0144   0145   0146   0147   0148   0149   0150   0151   0152   0153   0154   0155   0156   0157   0158   0159   0160   0161   0162   0163   0164   0165   0166   0167   0168   0169   0170   0171   0172   0173   0174   0175   0176   0177   0178   0179   0180   0181   0182   0183   0184   0185   0186   0187   0188   0189   0190   0191   0192   0193   0194   0195   0196   0197   0198   0199   0200   0201   0202   0203   0204   0205   0206   0207   0208   0209   0210   0211   0212   0213   0214   0215   0216   0217   0218   0219   0220   0221   0222   0223   0224   0225   0226   0227   0228   0229   0230   0231   0232   0233   0234   0235   0236   0237   0238   0239   0240   0241   0242   0243   0244   0245   0246   0247   0248   0249   0250   0251   0252   0253   0254   0255   0256   0257  

权利要求书

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18   19   20  

附图

1   2   3   4   5   6   7   8   9   10   11  

说明书

发明名称 : 应用管理方法、装置、存储介质及电子设备

[0001]
本申请要求于2017年09月30日提交中国专利局、申请号为201710940338.9、发明名称为“应用管理方法、装置、存储介质及电子设备”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。

技术领域

[0002]
本申请涉及电子设备技术领域,特别涉及一种应用管理方法、装置、存储介质及电子设备。

背景技术

[0003]
随着电子技术的发展,诸如智能手机等电子设备的功能越来越丰富。用户通常在电子设备上安装有多个应用。当电子设备中打开多个应用时,若电子设备退回主屏幕或者停留在某一应用的应用界面,则电子设备中打开的多个应用依然会在电子设备的后台运行。
[0004]
发明内容
[0005]
本申请实施例提供一种应用管理方法、装置、存储介质及电子设备,可以减少电子设备的内存占用,提高电子设备的运行流畅度。
[0006]
本申请实施例提供一种应用管理方法,包括:
[0007]
根据应用的运行记录采集所述应用的多个特征信息;
[0008]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0009]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0010]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0011]
根据所述第二特征系数判断所述应用是否可被清理。
[0012]
本申请实施例还提供一种应用管理装置,包括:
[0013]
采集模块,用于根据应用的运行记录采集所述应用的多个特征信息;
[0014]
学习模块,用于通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0015]
计算模块,用于当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0016]
确定模块,用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0017]
判断模块,用于根据所述第二特征系数判断所述应用是否可被清理。
[0018]
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行以下步骤:
[0019]
根据应用的运行记录采集所述应用的多个特征信息;
[0020]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0021]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0022]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0023]
根据所述第二特征系数判断所述应用是否可被清理。
[0024]
本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行以下步骤:
[0025]
根据应用的运行记录采集所述应用的多个特征信息;
[0026]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0027]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0028]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0029]
根据所述第二特征系数判断所述应用是否可被清理。

附图说明

[0030]
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0031]
图1是本申请实施例提供的应用管理装置的系统示意图。
[0032]
图2是本申请实施例提供的应用管理方法的应用场景示意图。
[0033]
图3是本申请实施例提供的应用管理方法的流程示意图。
[0034]
图4是本申请实施例提供的应用管理方法的另一流程示意图。
[0035]
图5是本申请实施例提供的应用管理方法的又一流程示意图。
[0036]
图6是本申请实施例中的自组织神经网络的架构示意图。
[0037]
图7是本申请实施例提供的应用管理装置的结构示意图。
[0038]
图8是本申请实施例提供的应用管理装置的另一结构示意图。
[0039]
图9是本申请实施例提供的应用管理装置的又一结构示意图。
[0040]
图10是本申请实施例提供的电子设备的结构示意图。
[0041]
图11是本申请实施例提供的电子设备的另一结构示意图。

具体实施方式

[0042]
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
[0043]
参考图1,图1为本申请实施例提供的应用管理装置的系统示意图。该应用管理装置主要用于:根据应用的运行记录采集所述应用的多个特征信息;通过自组织神经网络模型对采集到的多个特征进行学习,以得到所述应用的自组织神经网络模型,其中所述自组织神经网络模型包括所述应用的特征系数矩阵;采集所述应用的当前特征信息,并根据采集到的当前特征信息计算所述应用的第一特征系数;根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;随后根据所述第二特征系数判断所述应用是否可被清理。
[0044]
参考图2,图2为本申请实施例提供的应用管理方法的应用场景示意图。其中,电子设备对后台运行的多个应用进行管理。例如,后台运行有应用a、应用b以及应用c。电子设备分别判断应用a、应用b、应用c是否可被清理。例如,判断为应用a、应用c不可被清理,应用b可被清理,则电子设备可以清理掉应用b,保持应用a和应用c继续在后台运行。从而,电子设备可以关闭应用b,以释放应用b 所占用的内存。
[0045]
本申请实施例提供一种应用管理方法,包括:
[0046]
根据应用的运行记录采集所述应用的多个特征信息;
[0047]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0048]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0049]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0050]
根据所述第二特征系数判断所述应用是否可被清理。
[0051]
在一些实施例中,所述特征系数矩阵包括多个特征系数,所述根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数的步骤包括:
[0052]
分别计算所述第一特征系数与所述多个特征系数的差值的绝对值;
[0053]
将绝对值最小的差值对应的特征系数确定为第二特征系数。
[0054]
在一些实施例中,所述根据所述第二特征系数判断所述应用是否可被清理的步骤包括:
[0055]
获取预设时长参数;
[0056]
将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果;
[0057]
根据所述比较结果判断所述应用是否可被清理。
[0058]
在一些实施例中,所述获取预设时长参数的步骤包括:
[0059]
根据所述第二特征系数确定所述第二特征系数对应的时刻;
[0060]
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[0061]
在一些实施例中,所述根据所述比较结果判断所述应用是否可被清理的步骤包括:
[0062]
当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理;
[0063]
当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[0064]
在一些实施例中,所述通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型的步骤包括:
[0065]
根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数;
[0066]
根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[0067]
在一些实施例中,根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数时,根据以下公式进行计算:
[0068]
W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
[0069]
其中,W(t)为t时刻节点的连接权值,并且W(t)也为所计算的特征系数,t表示进行计算时的时刻,W(t-1)为t-1时刻节点的连接权值,Θ(t-1)为t-1时刻的领域半径变化率,L(t-1)为t-1时刻的学习率,I(t-1)为t-1时刻输入到自组织神经网络中的输入节点的特征信息。
[0070]
参考图3,图3为本申请实施例提供的应用管理方法的流程示意图。该应用管理方法可以应用于电子设备中。该电子设备可以是智能手机、平板电脑等设备。该应用管理方法可以包括以下步骤:
[0071]
S110,根据应用的运行记录采集所述应用的多个特征信息。
[0072]
其中,所述应用可以是安装在电子设备中的任意应用程序,例如通讯应用程序、多媒体应用程序、 游戏应用程序、资讯应用程序、或者购物应用程序等等。
[0073]
所述应用的多个特征信息可以包括所述应用自身所固有的特征信息,例如所述应用的应用类型;所述应用的多个特征信息也可以包括所述应用在运行过程中所产生的特征信息,例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等;所述应用的多个特征信息还可以包括电子设备运行过程中所产生的特征信息,例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
[0074]
在电子设备的运行过程中,电子设备可以对自身的运行状况进行记录。例如电子设备可以通过日志文件记录电子设备每次熄屏的时刻、亮屏的时刻、电量信息、网络状态、充电状态等等。当上述应用开始运行后,电子设备还可以对所述应用的运行状况进行记录。例如电子设备中的日志文件可以记录所述应用开始运行的时刻、进入后台运行的时刻、进入后台的切换方式等等。
[0075]
当电子设备接收到应用管理请求时,可以根据所述应用的运行记录获取所述应用的多个特征信息。其中,所述应用管理请求可以是通过用户的指令所触发的,也可以是电子设备自行触发的操作。例如,电子设备中可以设置定时,每当时间到达设置的定时,电子设备即自行触发应用管理操作。
[0076]
S120,通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型。
[0077]
参考图6,图6为本申请实施例中的自组织神经网络的架构示意图。自组织神经网络是通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。其中,自组织神经网络具有输入层和计算层。输入层和计算层分别包括多个节点。
[0078]
电子设备采集到应用的多个特征信息后,将所述应用的多个特征信息输入到自组织神经网络的输入层。随后,所述自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型。其中,所述自组织神经网络模型包括所述应用的特征系数矩阵,所述特征系数矩阵包括多个特征系数。
[0079]
在一些实施例中,如图4所示,步骤S120、通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,包括以下步骤:
[0080]
S121,根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数;
[0081]
S122,根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[0082]
具体地,自组织神经网络的输入层中的某个节点(输入节点)获取到特征信息后,根据以下公式一确定计算层中与所述节点(输入节点)匹配性最好的节点(计算节点):
[0083]
[0084]
其中,DistFromInput表示计算层中与输入层中的所述节点(输入节点)匹配性最好的节点(计算节点)到所述输入节点之间的距离,I表示输入到输入层中的所述节点(输入节点)的特征信息,W表示领域半径内所有节点的连接权值,n表示输入到所述节点(输入节点)的特征信息的个数。
[0085]
其中,领域半径内所有节点的连接权值W根据以下公式二计算:
[0086]
公式二:W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
[0087]
其中,t表示进行计算时的时刻,W(t)为t时刻所计算的连接权值,也为所计算的特征系数,W(t-1)为(t-1)时刻节点的连接权值,Θ(t-1)为(t-1)时刻的领域半径变化率,L(t-1)为(t-1)时刻的学习率,I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。分别根据以下公式三和公式四计算Θ(t-1)和L(t-1):
[0088]
[0089]
[0090]
其中,e为自然常数(超越数),e为定值,e约等于2.71828。L 0为固定常数,例如L 0可以取值0.3、0.5等。σ(t-1)表示(t-1)时刻的领域半径,σ(t-1)根据以下公式五进行计算:
[0091]
[0092]
其中,σ 0为初始领域半径,σ 0为固定常数,例如σ 0可以取值5、10等等。λ(t-1)为(t-1)时刻的迭代系数,λ(t-1)根据以下公式六进行计算:
[0093]
[0094]
其中,λ 0为初始迭代系数,λ 0为固定常数,例如λ 0可以取值1000。
[0095]
电子设备采集到上述应用的多个特征信息后,根据公式一至公式六进行迭代运算,得到所述应用的多个连接权值W(t)。连接权值W(t)也即为特征系数。最后,计算得到的多个连接权值W(t)构成特征系数矩阵。所述特征系数矩阵即包括多个特征系数。所述特征系数矩阵以及特征系数矩阵中的多个特征系数与时间之间的对应关系即构成所述应用的自组织神经网络模型。
[0096]
需要说明的是,在构建应用的自组织神经网络模型时,电子设备可以根据以上公式进行大量次数的运算。
[0097]
S130,当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数。
[0098]
其中,当所述应用由前台运行进入后台运行时,电子设备即可对所述应用进行是否可被清理的判断操作。
[0099]
具体地,当所述应用进入后台运行时,电子设备采集所述应用当前的特征信息。其中,当前特征信息可以包括所述应用自身所固有的特征信息,例如所述应用的应用类型;当前特征信息也可以包括所述应用在运行过程中所产生的特征信息,例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等;当前特征信息还可以包括电子设备运行过程中所产生的特征信息,例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
[0100]
随后,电子设备根据上述公式一至公式六对所述应用的当前特征信息进行计算,以得到所述应用的第一特征系数。
[0101]
S140,根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数。
[0102]
其中,电子设备计算得到所述应用的第一特征系数后,即可根据所述第一特征系数以及所述应用的自组织神经网络模型确定出所述应用的第二特征系数。
[0103]
具体地,所述应用的自组织神经网络模型包括所述应用的特征系数矩阵。所述特征系数矩阵中包括多个特征系数。电子设备可以分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较,以从所述特征系数矩阵中的多个特征系数中确定出第二特征系数。
[0104]
本申请实施例中,术语“第一”、“第二”只用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应当理解,这样描述的对象在适当情况下可以互换。
[0105]
在一些实施例中,如图4所示,步骤S140、根据所述第一特征系数从所述特征系数矩阵中确定出第 二特征系数,包括以下步骤:
[0106]
S141,分别计算所述第一特征系数与所述多个特征系数的差值的绝对值;
[0107]
S142,将绝对值最小的差值对应的特征系数确定为第二特征系数。
[0108]
其中,电子设备计算得出所述应用的第一特征系数后,分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较,计算所述第一特征系数与所述多个特征系数的差值,并计算所述差值的绝对值。
[0109]
得到多个差值的绝对值后,从多个差值的绝对值中确定出最小的一个。随后,将绝对值最小的差值所对应的特征系数确定为第二特征系数。
[0110]
S150,根据所述第二特征系数判断所述应用是否可被清理。
[0111]
其中,电子设备计算得出所述应用的第二特征系数后,即可根据所述第二特征系数进行判断,以确定所述应用是否可被清理。若所述应用不可被清理,则保留所述应用继续在后台运行,允许所述应用的进程驻留在系统中。若所述应用可以被清理,则可以结束所述应用的进程,以关闭所述应用,释放所述应用占用的内存。
[0112]
在一些实施例中,如图4所示,步骤S150、根据所述第二特征系数判断所述应用是否可被清理,包括以下步骤:
[0113]
S151,获取预设时长参数;
[0114]
S152,将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果;
[0115]
S153,根据所述比较结果判断所述应用是否可被清理。
[0116]
其中,预设时长参数可以是预先设置在电子设备中的一个时长值。例如,预设时长参数可以为10分钟。电子设备计算得出所述应用的第二特征系数后,从所述电子设备中调取所述预设时长参数。随后,将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果。其中,比较结果为所述第二特征系数与所述预设时长参数之间的大小关系。比较结果包括所述第二特征系数小于或等于所述预设时长参数,或者所述第二特征系数大于所述预设时长参数。随后,电子设备根据所述比较结果判断所述应用是否可被清理。
[0117]
在一些实施例中,如图5所示,步骤S151、获取预设时长参数,包括以下步骤:
[0118]
S1511,根据所述第二特征系数确定所述第二特征系数对应的时刻;
[0119]
S1512,根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[0120]
其中,第二特征系数是从所述应用的自组织神经网络模型中确定出的特征系数。第二特征系数为关于时间t的函数。电子设备可以根据所述第二特征系数确定所述第二特征系数对应的时刻。
[0121]
电子设备中可以预先设置时间段与预设时长参数之间的对应关系。例如,一天中的24个小时可以分为4个时间段:0:00~6:00,6:00~12:00,12:00~18:00,18:00~24:00。每个时间段可以设置对应的预设时长参数。例如,0:00~6:00对应的预设时长参数为8分钟,6:00~12:00对应的预设时长参数为10分钟,12:00~18:00对应的预设时长参数为15分钟,18:00~24:00对应的预设时长参数为20分钟。
[0122]
电子设备确定出所述第二特征系数对应的时刻后,进一步确定所述时刻所处的时间段。随后,根据时间段以及时间段与预设时长参数之间的对应关系获取预设时长参数。
[0123]
在一些实施例中,如图5所示,步骤S153、根据所述比较结果判断所述应用是否可被清理,包括以下步骤:
[0124]
S1531,当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理;
[0125]
S1532,当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[0126]
其中,电子设备得到所述第二特征系数与预设时长参数之间的比较结果后,根据所述比较结果判断所述应用是否可被清理。
[0127]
具体地,当所述第二特征系数小于或等于所述预设时长参数时,表示所述应用在所述预设时长参数的时间段内可能被再次切换到前台运行,此时判断结果为所述应用不可被清理。例如,第二特征系数小于预设时长参数10分钟,表示所述应用在接下来的10分钟内可能被用户再次切换到前台运行,此时所述应用不可被清理。
[0128]
当所述第二特征系数大于所述预设时长参数时,表示所述应用在所述预设时长参数的时间段内不会被再次切换到前台运行,也即用户不会再次使用所述应用,此时判断结果为所述应用可以被清理。例如,第二特征系数大于预设时长参数15分钟,表示所述应用在接下来的15分钟内不会被用户再次运行,此时所述应用可以被清理。随后,电子设备可以关闭所述应用。
[0129]
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
[0130]
由上可知,本申请实施例提供的应用管理方法,根据应用的运行记录采集所述应用的多个特征信息;通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型;当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;根据所述第一特征系数从特征系数矩阵中确定出第二特征系数;根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理,从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理,在所述应用可以被清理时,及时关闭所述应用以释放电子设备的内存,进而可以减少电子设备的内存占用,提高电子设备的运行流畅度。
[0131]
本申请实施例还提供一种应用管理装置,该装置可以集成在电子设备中,该电子设备可以是智能手机、平板电脑等设备。
[0132]
本申请实施例提供一种应用管理装置,包括:
[0133]
采集模块,用于根据应用的运行记录采集所述应用的多个特征信息;
[0134]
学习模块,用于通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0135]
计算模块,用于当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0136]
确定模块,用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0137]
判断模块,用于根据所述第二特征系数判断所述应用是否可被清理。
[0138]
如图7所示,应用管理装置200可以包括:采集模块201、学习模块202、计算模块203、确定模块204以及判断模块205。
[0139]
采集模块201,用于根据应用的运行记录采集所述应用的多个特征信息。
[0140]
其中,所述应用可以是安装在电子设备中的任意应用程序,例如通讯应用程序、多媒体应用程序、游戏应用程序、资讯应用程序、或者购物应用程序等等。
[0141]
所述应用的多个特征信息可以包括所述应用自身所固有的特征信息,例如所述应用的应用类型;所述应用的多个特征信息也可以包括所述应用在运行过程中所产生的特征信息,例如所述应用在后台的 运行时长、一天中进入后台的次数、上一次在前台的运行时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等;所述应用的多个特征信息还可以包括电子设备运行过程中所产生的特征信息,例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
[0142]
在电子设备的运行过程中,应用管理装置200可以对电子设备的运行状况进行记录。例如可以通过日志文件记录电子设备每次熄屏的时刻、亮屏的时刻、电量信息、网络状态、充电状态等等。当上述应用开始运行后,应用管理装置200还可以对所述应用的运行状况进行记录。例如电子设备中的日志文件可以记录所述应用开始运行的时刻、进入后台运行的时刻、进入后台的切换方式等等。
[0143]
当应用管理装置200接收到应用管理请求时,采集模块201可以根据所述应用的运行记录获取所述应用的多个特征信息。其中,所述应用管理请求可以是通过用户的指令所触发的,也可以是电子设备自行触发的操作。例如,电子设备中可以设置定时,每当时间到达设置的定时,电子设备即自行触发应用管理操作。
[0144]
学习模块202,用于通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型。
[0145]
其中,自组织神经网络是通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。自组织神经网络具有输入层和计算层。输入层和计算层分别包括多个节点。
[0146]
采集模块201采集到应用的多个特征信息后,学习模块202将所述应用的多个特征信息输入到自组织神经网络的输入层。随后,所述自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型。其中,所述自组织神经网络模型包括所述应用的特征系数矩阵,所述特征系数矩阵包括多个特征系数。
[0147]
在一些实施例中,学习模块202用于执行以下步骤:
[0148]
根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数;
[0149]
根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[0150]
具体地,自组织神经网络的输入层中的某个节点(输入节点)获取到特征信息后,学习模块202根据以下公式七确定计算层中与所述节点(输入节点)匹配性最好的节点(计算节点):
[0151]
[0152]
其中,DistFromInput表示计算层中与输入层中的所述节点(输入节点)匹配性最好的节点(计算节点)到所述输入节点之间的距离,I表示输入到输入层中的所述节点(输入节点)的特征信息,W表示领域半径内所有节点的连接权值,n表示输入到所述节点(输入节点)的特征信息的个数。
[0153]
其中,领域半径内所有节点的连接权值W根据以下公式八计算:
[0154]
公式八:W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
[0155]
其中,t表示进行计算时的时刻,W(t)为t时刻所计算的连接权值,也为所计算的特征系数,W(t-1)为(t-1)时刻节点的连接权值,Θ(t-1)为(t-1)时刻的领域半径变化率,L(t-1)为(t-1)时刻的学习率,I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。分别根据以下公式九和公式十计算Θ(t-1)和L(t-1):
[0156]
[0157]
[0158]
其中,e为自然常数(超越数),e为定值,e约等于2.71828。L 0为固定常数,例如L 0可以取值0.3、0.5等。σ(t-1)表示(t-1)时刻的领域半径,σ(t-1)根据以下公式十一进行计算:
[0159]
[0160]
其中,σ 0为初始领域半径,σ 0为固定常数,例如σ 0可以取值5、10等等。λ(t-1)为(t-1)时刻的迭代系数,λ(t-1)根据以下公式十二进行计算:
[0161]
[0162]
其中,λ 0为初始迭代系数,λ 0为固定常数,例如λ 0可以取值1000。
[0163]
采集模块201采集到上述应用的多个特征信息后,学习模块202根据公式七至公式十二进行迭代运算,得到所述应用的多个连接权值W(t)。连接权值W(t)也即为特征系数。最后,计算得到的多个连接权值W(t)构成特征系数矩阵。所述特征系数矩阵即包括多个特征系数。所述特征系数矩阵以及特征系数矩阵中的多个特征系数与时间之间的对应关系即构成所述应用的自组织神经网络模型。
[0164]
需要说明的是,在构建应用的自组织神经网络模型时,学习模块202可以根据以上公式进行大量次数的运算。
[0165]
计算模块203,用于当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数。
[0166]
其中,当所述应用由前台运行进入后台运行时,应用管理装置200即可对所述应用进行是否可被清理的判断操作。
[0167]
具体地,当所述应用进入后台运行时,计算模块203采集所述应用当前的特征信息。其中,当前特征信息可以包括所述应用自身所固有的特征信息,例如所述应用的应用类型;当前特征信息也可以包括所述应用在运行过程中所产生的特征信息,例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等;当前特征信息还可以包括电子设备运行过程中所产生的特征信息,例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
[0168]
随后,计算模块203根据上述公式七至公式十二对所述应用的当前特征信息进行计算,以得到所述应用的第一特征系数。
[0169]
确定模块204,用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数。
[0170]
其中,计算模块203计算得到所述应用的第一特征系数后,确定模块204即可根据所述第一特征系数以及所述应用的自组织神经网络模型确定出所述应用的第二特征系数。
[0171]
具体地,所述应用的自组织神经网络模型包括所述应用的特征系数矩阵。所述特征系数矩阵中包括多个特征系数。确定模块204可以分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较,以从所述特征系数矩阵中的多个特征系数中确定出第二特征系数。
[0172]
在一些实施例中,如图8所示,确定模块204包括:计算子模块2041、确定子模块2042。
[0173]
计算子模块2041,用于分别计算所述第一特征系数与所述多个特征系数的差值的绝对值;
[0174]
确定子模块2042,用于将绝对值最小的差值对应的特征系数确定为第二特征系数。
[0175]
其中,计算模块203计算得出所述应用的第一特征系数后,计算子模块2041分别将所述第一特征系 数与所述特征系数矩阵中的多个特征系数进行比较,计算所述第一特征系数与所述多个特征系数的差值,并计算所述差值的绝对值。
[0176]
得到多个差值的绝对值后,确定子模块2042从多个差值的绝对值中确定出最小的一个。随后,将绝对值最小的差值所对应的特征系数确定为第二特征系数。
[0177]
判断模块205,用于根据所述第二特征系数判断所述应用是否可被清理。
[0178]
其中,确定模块204得出所述应用的第二特征系数后,判断模块205即可根据所述第二特征系数进行判断,以确定所述应用是否可被清理。若所述应用不可被清理,则保留所述应用继续在后台运行,允许所述应用的进程驻留在系统中。若所述应用可以被清理,则可以结束所述应用的进程,以关闭所述应用,释放所述应用占用的内存。
[0179]
在一些实施例中,如图9所示,判断模块205包括:获取子模块2051、比较子模块2052、判断子模块2053。
[0180]
获取子模块2051,用于获取预设时长参数;
[0181]
比较子模块2052,用于将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果;
[0182]
判断子模块2053,用于根据所述比较结果判断所述应用是否可被清理。
[0183]
其中,预设时长参数可以是预先设置在电子设备中的一个时长值。例如,预设时长参数可以为10分钟。确定模块204得出所述应用的第二特征系数后,获取子模块2051从所述电子设备中调取所述预设时长参数。随后,比较子模块2052将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果。其中,比较结果为所述第二特征系数与所述预设时长参数之间的大小关系。比较结果包括所述第二特征系数小于或等于所述预设时长参数,或者所述第二特征系数大于所述预设时长参数。随后,判断子模块2053根据所述比较结果判断所述应用是否可被清理。
[0184]
在一些实施例中,获取子模块2051用于执行以下步骤:
[0185]
根据所述第二特征系数确定所述第二特征系数对应的时刻;
[0186]
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[0187]
其中,第二特征系数是从所述应用的自组织神经网络模型中确定出的特征系数。第二特征系数为关于时间t的函数。获取子模块2051可以根据所述第二特征系数确定所述第二特征系数对应的时刻。
[0188]
电子设备中可以预先设置时间段与预设时长参数之间的对应关系。例如,一天中的24个小时可以分为4个时间段:0:00~6:00,6:00~12:00,12:00~18:00,18:00~24:00。每个时间段可以设置对应的预设时长参数。例如,0:00~6:00对应的预设时长参数为8分钟,6:00~12:00对应的预设时长参数为10分钟,12:00~18:00对应的预设时长参数为15分钟,18:00~24:00对应的预设时长参数为20分钟。
[0189]
获取子模块2051确定出所述第二特征系数对应的时刻后,进一步确定所述时刻所处的时间段。随后,根据时间段以及时间段与预设时长参数之间的对应关系获取预设时长参数。
[0190]
在一些实施例中,判断子模块2053用于执行以下步骤:
[0191]
当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理;
[0192]
当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[0193]
其中,比较子模块2052得到所述第二特征系数与预设时长参数之间的比较结果后,判断子模块2053根据所述比较结果判断所述应用是否可被清理。
[0194]
具体地,当所述第二特征系数小于或等于所述预设时长参数时,表示所述应用在所述预设时长参 数的时间段内可能被再次切换到前台运行,此时判断结果为所述应用不可被清理。例如,第二特征系数小于预设时长参数10分钟,表示所述应用在接下来的10分钟内可能被用户再次切换到前台运行,此时所述应用不可被清理。
[0195]
当所述第二特征系数大于所述预设时长参数时,表示所述应用在所述预设时长参数的时间段内不会被再次切换到前台运行,也即用户不会再次使用所述应用,此时判断结果为所述应用可以被清理。例如,第二特征系数大于预设时长参数15分钟,表示所述应用在接下来的15分钟内不会被用户再次运行,此时所述应用可以被清理。随后,应用管理装置200可以关闭所述应用。
[0196]
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
[0197]
由上可知,本申请实施例提供的应用管理装置200,通过采集模块201根据应用的运行记录采集所述应用的多个特征信息;学习模块202通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型;计算模块203当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;确定模块204根据所述第一特征系数从特征系数矩阵中确定出第二特征系数;判断模块205根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理,从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理,在所述应用可以被清理时,及时关闭所述应用以释放电子设备的内存,进而可以减少电子设备的内存占用,提高电子设备的运行流畅度。
[0198]
本申请实施例还提供一种电子设备。该电子设备可以是智能手机、平板电脑等设备。如图10所示,电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
[0199]
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
[0200]
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:
[0201]
根据应用的运行记录采集所述应用的多个特征信息;
[0202]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0203]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0204]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0205]
根据所述第二特征系数判断所述应用是否可被清理。
[0206]
在一些实施例中,所述特征系数矩阵包括多个特征系数,根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数时,处理器301执行以下步骤:
[0207]
分别计算所述第一特征系数与所述多个特征系数的差值的绝对值;
[0208]
将绝对值最小的差值对应的特征系数确定为第二特征系数。
[0209]
在一些实施例中,根据所述第二特征系数判断所述应用是否可被清理时,处理器301执行以下步骤:
[0210]
获取预设时长参数;
[0211]
将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果;
[0212]
根据所述比较结果判断所述应用是否可被清理。
[0213]
在一些实施例中,获取预设时长参数时,处理器301执行以下步骤:
[0214]
根据所述第二特征系数确定所述第二特征系数对应的时刻;
[0215]
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[0216]
在一些实施例中,根据所述比较结果判断所述应用是否可被清理时,处理器301执行以下步骤:
[0217]
当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理;
[0218]
当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[0219]
在一些实施例中,通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型时,处理器301执行以下步骤:
[0220]
根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数;
[0221]
根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[0222]
在一些实施例中,根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数时,处理器301根据以下公式进行计算:
[0223]
W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
[0224]
其中,W(t)为t时刻节点的连接权值,并且W(t)也为t时刻所计算的特征系数,t表示进行计算时的时刻,W(t-1)为t-1时刻节点的连接权值,Θ(t-1)为(t-1)时刻的领域半径变化率,L(t-1)为(t-1)时刻的学习率,I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。
[0225]
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
[0226]
在一些实施例中,如图11所示,电子设备300还包括:射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309。其中,处理器301分别与射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309电性连接。
[0227]
射频电路303用于收发射频信号,以通过无线通信与网络设备或其他电子设备进行通信。
[0228]
显示屏304可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
[0229]
控制电路305与显示屏304电性连接,用于控制显示屏304显示信息。
[0230]
输入单元306可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元306可以包括指纹识别模组。
[0231]
音频电路307可通过扬声器、传声器提供用户与电子设备之间的音频接口。
[0232]
传感器308用于采集外部环境信息。传感器308可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
[0233]
电源309用于给电子设备300的各个部件供电。在一些实施例中,电源309可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
[0234]
尽管图11中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
[0235]
由上可知,本申请实施例提供了一种电子设备,该电子设备根据应用的运行记录采集所述应用的多个特征信息;通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型;当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;根据所述第一特征系数从特征系数矩阵中确定出第二特征系数;根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理,从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理,在所述应用可以被清理时,及时关闭所述应用以释放电子设备的内存,进而可以减少电子设备的内存占用,提高电子设备的运行流畅度。
[0236]
本申请实施例还提供一种存储介质,该存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,该计算机执行上述任一实施例所述的应用管理方法。
[0237]
本申请实施例提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行以下步骤:
[0238]
根据应用的运行记录采集所述应用的多个特征信息;
[0239]
通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵;
[0240]
当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数;
[0241]
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数;
[0242]
根据所述第二特征系数判断所述应用是否可被清理。
[0243]
在一些实施例中,所述特征系数矩阵包括多个特征系数,所述根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数的步骤包括:
[0244]
分别计算所述第一特征系数与所述多个特征系数的差值的绝对值;
[0245]
将绝对值最小的差值对应的特征系数确定为第二特征系数。
[0246]
在一些实施例中,所述根据所述第二特征系数判断所述应用是否可被清理的步骤包括:
[0247]
获取预设时长参数;
[0248]
将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果;
[0249]
根据所述比较结果判断所述应用是否可被清理。
[0250]
在一些实施例中,所述获取预设时长参数的步骤包括:
[0251]
根据所述第二特征系数确定所述第二特征系数对应的时刻;
[0252]
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[0253]
在一些实施例中,所述根据所述比较结果判断所述应用是否可被清理的步骤包括:
[0254]
当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理;
[0255]
当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[0256]
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,该存储介质可以包括但不限于:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
[0257]
以上对本申请实施例所提供的应用管理方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的 方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

权利要求书

[权利要求 1]
一种应用管理方法,其中,包括: 根据应用的运行记录采集所述应用的多个特征信息; 通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵; 当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数; 根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数; 根据所述第二特征系数判断所述应用是否可被清理。
[权利要求 2]
根据权利要求1所述的应用管理方法,其中,所述特征系数矩阵包括多个特征系数,所述根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数的步骤包括: 分别计算所述第一特征系数与所述多个特征系数的差值的绝对值; 将绝对值最小的差值对应的特征系数确定为第二特征系数。
[权利要求 3]
根据权利要求1所述的应用管理方法,其中,所述根据所述第二特征系数判断所述应用是否可被清理的步骤包括: 获取预设时长参数; 将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果; 根据所述比较结果判断所述应用是否可被清理。
[权利要求 4]
根据权利要求3所述的应用管理方法,其中,所述获取预设时长参数的步骤包括: 根据所述第二特征系数确定所述第二特征系数对应的时刻; 根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[权利要求 5]
根据权利要求3所述的应用管理方法,其中,所述根据所述比较结果判断所述应用是否可被清理的步骤包括: 当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理; 当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[权利要求 6]
根据权利要求1所述的应用管理方法,其中,所述通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型的步骤包括: 根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数; 根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[权利要求 7]
根据权利要求6所述的应用管理方法,其中,根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数时,根据以下公式进行计算: W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1)) 其中,W(t)为t时刻节点的连接权值,并且W(t)也为所计算的特征系数,t表示进行计算时的时刻,W(t-1)为t-1时刻节点的连接权值,Θ(t-1)为t-1时刻的领域半径变化率,L(t-1)为t-1时刻的学习率,I(t-1)为t-1时刻输入到自组织神经网络中的输入节点的特征信息。
[权利要求 8]
一种应用管理装置,其中,包括: 采集模块,用于根据应用的运行记录采集所述应用的多个特征信息; 学习模块,用于通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵; 计算模块,用于当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数; 确定模块,用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数; 判断模块,用于根据所述第二特征系数判断所述应用是否可被清理。
[权利要求 9]
一种存储介质,其中,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行以下步骤: 根据应用的运行记录采集所述应用的多个特征信息; 通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵; 当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数; 根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数; 根据所述第二特征系数判断所述应用是否可被清理。
[权利要求 10]
根据权利要求9所述的存储介质,其中,所述特征系数矩阵包括多个特征系数,所述根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数的步骤包括: 分别计算所述第一特征系数与所述多个特征系数的差值的绝对值; 将绝对值最小的差值对应的特征系数确定为第二特征系数。
[权利要求 11]
根据权利要求9所述的存储介质,其中,所述根据所述第二特征系数判断所述应用是否可被清理的步骤包括: 获取预设时长参数; 将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果; 根据所述比较结果判断所述应用是否可被清理。
[权利要求 12]
根据权利要求11所述的存储介质,其中,所述获取预设时长参数的步骤包括: 根据所述第二特征系数确定所述第二特征系数对应的时刻; 根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预设时长参数之间的对应关系。
[权利要求 13]
根据权利要求11所述的存储介质,其中,所述根据所述比较结果判断所述应用是否可被清理的步骤包括: 当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理; 当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[权利要求 14]
一种电子设备,其中,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行以下步骤: 根据应用的运行记录采集所述应用的多个特征信息; 通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型,所述自组织神经网络模型包括所述应用的特征系数矩阵; 当所述应用进入后台运行时,根据所述应用的当前特征信息计算所述应用的第一特征系数; 根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数; 根据所述第二特征系数判断所述应用是否可被清理。
[权利要求 15]
根据权利要求14所述的电子设备,其中,所述特征系数矩阵包括多个特征系数,根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数时,所述处理器用于执行以下步骤: 分别计算所述第一特征系数与所述多个特征系数的差值的绝对值; 将绝对值最小的差值对应的特征系数确定为第二特征系数。
[权利要求 16]
根据权利要求14所述的电子设备,其中,根据所述第二特征系数判断所述应用是否可被清理时,所述处理器用于执行以下步骤: 获取预设时长参数; 将所述第二特征系数与所述预设时长参数进行比较,以得到比较结果; 根据所述比较结果判断所述应用是否可被清理。
[权利要求 17]
根据权利要求16所述的电子设备,其中,获取预设时长参数时,所述处理器用于执行以下步骤: 根据所述第二特征系数确定所述第二特征系数对应的时刻; 根据所述时刻所处的时间段以及预设对应关系获取预设时长参数,所述预设对应关系为时间段与预 设时长参数之间的对应关系。
[权利要求 18]
根据权利要求16所述的电子设备,其中,根据所述比较结果判断所述应用是否可被清理时,所述处理器用于执行以下步骤: 当所述第二特征系数小于或等于所述预设时长参数时,判断结果为所述应用不可被清理; 当所述第二特征系数大于所述预设时长参数时,判断结果为所述应用可被清理。
[权利要求 19]
根据权利要求14所述的电子设备,其中,通过自组织神经网络对所述多个特征信息进行学习,以得到所述应用的自组织神经网络模型时,所述处理器用于执行以下步骤: 根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数; 根据得到的多个特征系数获取所述应用的自组织神经网络模型。
[权利要求 20]
根据权利要求19所述的电子设备,其中,根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数时,所述处理器根据以下公式进行计算: W(t)=W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1)) 其中,W(t)为t时刻节点的连接权值,并且W(t)也为所计算的特征系数,t表示进行计算时的时刻,W(t-1)为t-1时刻节点的连接权值,Θ(t-1)为t-1时刻的领域半径变化率,L(t-1)为t-1时刻的学习率,I(t-1)为t-1时刻输入到自组织神经网络中的输入节点的特征信息。

附图

[ 图 1]  
[ 图 2]  
[ 图 3]  
[ 图 4]  
[ 图 5]  
[ 图 6]  
[ 图 7]  
[ 图 8]  
[ 图 9]  
[ 图 10]  
[ 图 11]