应用程序管控方法、装置、介质及电子设备与流程
本申请涉及电子设备终端领域，具体涉及一种应用程序管控方法、装置、介质及电子设备。
背景技术：
终端用户每天会使用大量应用，通常一个应用被推到后台后，如果及时不清理会占用宝贵的系统内存资源，并且会影响系统功耗。因此，有必要提供一种应用程序管控方法、装置、介质及电子设备。
技术实现要素：
本申请实施例提供一种应用程序管控方法、装置、介质及电子设备，以智能关闭应用程序。
本申请实施例提供一种应用程序管控方法，应用于电子设备，所述应用程序管控方法包括以下步骤：
获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi；
采用反向传播(backpropagation，bp)神经网络算法对样本向量集进行计算，生成训练模型；
当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
本申请实施例还提供一种应用程序管控方法装置，所述装置包括：
获取模块，用于获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi；
生成模块，用于采用bp神经网络算法对样本向量集进行计算，生成训练模型；
计算模块，用于当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断模块，用于判断所述应用程序是否需要关闭。
本申请实施例还提供一种介质，所述介质中存储有多条指令，所述指令适于由处理器加载以执行上述的应用程序管控方法。
本申请实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述电子设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行以下步骤：
获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi；
采用bp神经网络算法对样本向量集进行计算，生成训练模型；
当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
本申请所提供的应用程序管控方法、装置、介质及电子设备，通过获取历史特征信息xi，采用bp神经网络算法生成训练模型，当检测应用程序进入后台时，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
附图说明
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。
图1为本申请实施例提供的应用程序管控装置的一种系统示意图。
图2为本申请实施例提供的应用程序管控装置的应用场景示意图。
图3为本申请实施例提供的应用程序管控方法的一种流程示意图。
图4为本申请实施例提供的应用程序管控方法的另一种流程示意图。
图5为本申请实施例提供的装置的一种结构示意图。
图6为本申请实施例提供的装置的另一种结构示意图。
图7为本申请实施例提供的电子设备的一种结构示意图。
图8为本申请实施例提供的电子设备的另一种结构示意图。
具体实施例
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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施例或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参照附图中的图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所示例的本申请的具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
本申请原理以上述文字来说明，其并不代表为一种限制，本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。
本申请提供的应用程序管控方法，主要应用于电子设备，如：手环、智能手机、基于苹果系统或安卓系统的平板电脑、或基于windows或linux系统的笔记本电脑等智能移动电子设备。需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
请参阅图1，图1为本申请实施例提供的应用程序管控装置的系统示意图。所述应用程序管控装置主要用于：从数据库中获取应用程序的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序是否可关闭，以对预设应用程序进行管控，例如关闭、或者冻结等。
具体的，请参阅图2，图2为本申请实施例提供的应用程序管控方法的应用场景示意图。在一种实施例中，从数据库中获取应用程序的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，当应用程序管控装置在检测到应用程序进入电子设备的后台时，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序是否可关闭。比如，从数据库中获取应用程序a的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，当应用程序管控装置在检测到应用程序a进入电子设备的后台时，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序a可关闭，并将应用程序a关闭，当应用程序管控装置在检测到应用程序b进入电子设备的后台时，将应用程序b的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序b需要保留，并将应用程序b保留。
本申请实施例提供一种应用程序管控方法，所述应用程序管控方法的执行主体可以是本发明实施例提供的应用程序管控装置，或者成了该应用程序管控装置的电子设备，其中该应用程序管控装置可以采用硬件或者软件的方式实现。
请参阅图3，图3为本申请实施例提供的应用程序管控方法的流程示意图。本申请实施例提供的应用程序管控方法应用于电子设备，具体流程可以如下：
步骤s101，获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi。
其中，从样本数据库中获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表1。
表1
需要说明的是，以上表1示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。
在一种实施例中，可以选取6个维度的历史特征信息：
a、应用程序在后台驻留的时间；
b、屏幕是否为亮，例如，屏幕亮，记为1，屏幕熄灭，记为0；
c、当周总使用次数统计；
d、当周总使用时间统计；
e、wifi是否打开，例如，wifi打开，记为1，wifi关闭，记为0；以及
f、当前是否在充电，例如，当前正在充电，记为1，当前未在充电，记为0。
步骤s102，采用bp神经网络算法对样本向量集进行计算，生成训练模型。
请参阅图4，图4为本申请实施例提供的应用程序管控方法的流程示意图。在一种实施例中，所述步骤s102可以包括：
步骤s1021：定义网络结构；以及
步骤s1022：将样本向量集带入网络结构进行计算，得到训练模型。
在步骤s1021中，所述定义网络结构包括：
步骤s1021a，设定输入层，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息xi的维数相同。
其中，所述历史特征信息xi的维数小于10个，所述输入层的节点数小于10个，以简化运算过程。
在一种实施例中，所述历史特征信息xi的维数为6维，所述输入层包括6个节点。
步骤s1021b，设定隐含层，所述隐含层包括m个节点。
其中，所述隐含层可以包括多个隐含分层。每一所述隐含分层的节点数小于10个，以简化运算过程。
在一种实施例中，所述隐含层可以包括第一隐含分层，第二隐含分层和第三隐含分层。所述第一隐含分层包括10个节点，第二隐含分层包括5个节点，第三隐含分层包括5个节点。
步骤s1021c，设定分类层，所述分类层采用softmax函数，所述softmax函数为
步骤s1021d，设定输出层，所述输出层包括2个节点。
步骤s1021e，设定激活函数，所述激活函数采用sigmoid函数，所述sigmoid函数为
步骤s1021f，设定批量大小，所述批量大小为a。
其中，所述批量大小可以根据实际情况灵活调整。所述批量大小可以为50-200。
在一种实施例中，所述批量大小为128。
步骤s1021g，设定学习率，所述学习率为b。
其中，所述学习率可以根据实际情况灵活调整。所述学习率可以为0.1-1.5。
在一种实施例中，所述学习率为0.9。
需要说明的是，所述步骤s1021a、s1021b、s1021c、s1021d、s1021e、s1021f、s1021g的先后顺序可以灵活调整。
在步骤s1022中，所述将样本向量集带入网络结构进行计算，得到训练模型的步骤可以包括：
步骤s1022a，在输入层输入所述样本向量集进行计算，得到输入层的输出值。
步骤s1022b，在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值。
其中，所述输入层的输出值为所述隐含层的输入值。
在一种实施例中，所述隐含层可以包括多个隐含分层。所述输入层的输出值为第一隐含分层的输入值。所述第一隐含分层的输出值为第二隐含分层的输入值。所述第二隐含分层的输出值为所述第三隐含分层的输入值，依次类推。
步骤s1022c，在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]t。
其中，所述隐含层的输出值为所述分类层的输入值。
在一种实施例中，所述隐含层可以包括多个隐含分层。最后一个隐含分层的输出值为所述分类层的输入值。
步骤s1022d，将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]t，当p1小于等于p2时，y＝[01]t。
其中，所述分类层的输出值为所述输出层的输入值。
步骤s1022e，根据预测结果值y修正所述网络结构，得到训练模型。
步骤s103，当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算。
请参阅图4，在一种实施例中，所述步骤s103可以包括：
步骤s1031：采集所述应用程序的当前特征信息s。
其中，采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
步骤s1032：将当前特征信息s带入训练模型进行计算。
其中，将当前特征信息s输入所述训练模型进行计算得到分类层的预测概率值[p1’p2’]t，当p1’大于p2’时，y＝[10]t，当p1’小于等于p2’时，y＝[01]t。
步骤s104，判断所述应用程序是否需要关闭。
需要说明的是，当y＝[10]t，判定所述应用程序需要关闭；当y＝[01]t，判定所述应用程序需要保留。
本申请所提供的应用程序管控方法，通过获取历史特征信息xi，采用bp神经网络算法生成训练模型，当检测应用程序进入后台时，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
请参阅图5，图5为本申请实施例提供的应用程序管控装置的结构示意图。所述装置30包括获取模块31，生成模块32、计算模块33和判断模块34。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
所述获取模块31用于获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi。
其中，从样本数据库中获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi。
请参阅图6，图6为本申请实施例提供的应用程序管控装置的结构示意图。所述装置30还包括检测模块35，用于检测所述应用程序进入后台。
所述装置30还可以包括储存模块36。所述储存模块36用于储存应用程序的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表2。
表2
需要说明的是，以上表2示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。
在一种实施例中，可以选取6个维度的历史特征信息：
a、应用程序在后台驻留的时间；
b、屏幕是否为亮，例如，屏幕亮，记为1，屏幕熄灭，记为0；
c、当周总使用次数统计；
d、当周总使用时间统计；
e、wifi是否打开，例如，wifi打开，记为1，wifi关闭，记为0；以及
f、当前是否在充电，例如，当前正在充电，记为1，当前未在充电，记为0。
所述生成模块32用于采用bp神经网络算法对样本向量集进行计算，生成训练模型。
所述生成模块32训练所述获取模块31获取的历史特征信息xi，在bp神经网络算法中输入所述历史特征信息xi。
请参阅图6，所述生成模块32包括定义模块321和求解模块322。
所述定义模块321用于定义网络结构。
所述定义模块321可以包括输入层定义模块3211、隐含层定义模块3212、分类层定义模块3213、输出层定义模块3214、激活函数定义模块3215、批量大小定义模块3216和学习率定义模块3217。
所述输入层定义模块3211用于设定输入层，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息xi的维数相同。
其中，所述历史特征信息xi的维数小于10个，所述输入层的节点数小于10个，以简化运算过程。
在一种实施例中，所述历史特征信息xi的维数为6维，所述输入层包括6个节点。
所述隐含层定义模块3212用于设定隐含层，所述隐含层包括m个节点。
其中，所述隐含层可以包括多个隐含分层。每一所述隐含分层的节点数小于10个，以简化运算过程。
在一种实施例中，所述隐含层可以包括第一隐含分层，第二隐含分层和第三隐含分层。所述第一隐含分层包括10个节点，第二隐含分层包括5个节点，第三隐含分层包括5个节点。
所述分类层定义模块3213用于设定分类层，所述分类层采用softmax函数，所述softmax函数为
所述输出层定义模块3214用于设定输出层，所述输出层包括2个节点。
所述激活函数定义模块3215用于设定激活函数，所述激活函数采用sigmoid函数，所述sigmoid函数为
所述批量大小定义模块3216用于设定批量大小，所述批量大小为a。
其中，所述批量大小可以根据实际情况灵活调整。所述批量大小可以为50-200。
在一种实施例中，所述批量大小为128。
所述学习率定义模块3217用于设定学习率，所述学习率为b。
其中，所述学习率可以根据实际情况灵活调整。所述学习率可以为0.1-1.5。
在一种实施例中，所述学习率为0.9。
需要说明的是，所述输入层定义模块3211设定输入层、所述隐含层定义模块3212设定隐含层、所述分类层定义模块3213设定分类层、所述输出层定义模块3214设定输出层、所述激活函数定义模块3215设定激活函数、所述批量大小定义模块3216设定批量大小和所述学习率定义模块3217设定学习率的先后顺序可以灵活调整。
所述求解模块322用于将样本向量集带入网络结构进行计算，得到训练模型。
所述求解模块322可以包括第一求解模块3221、第二求解模块3222、第三求解模块3223、第四求解模块3224和修正模块。
所述第一求解模块3221用于在输入层输入所述样本向量集进行计算，得到输入层的输出值。
所述第二求解模块3222用于在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值。
其中，所述输入层的输出值为所述隐含层的输入值。
在一种实施例中，所述隐含层可以包括多个隐含分层。所述输入层的输出值为第一隐含分层的输入值。所述第一隐含分层的输出值为第二隐含分层的输入值。所述第二隐含分层的输出值为所述第三隐含分层的输入值，依次类推。
所述第三求解模块3223用于在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]t。
其中，所述隐含层的输出值为所述分类层的输入值。
所述第四求解模块3224用于将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]t，当p1小于等于p2时，y＝[01]t。
其中，所述分类层的输出值为所述输出层的输入值。
所述修正模块3225用于根据预测结果值y修正所述网络结构，得到训练模型。
所述计算模块33用于当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算。
请参阅图6，在一种实施例中，所述计算模块33可以包括采集模块331和运算模块332。
所述采集模块331用于采集所述应用程序的当前特征信息s。
其中，采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
所述运算模块332用于当前特征信息s带入训练模型进行计算。
其中，将当前特征信息s输入所述训练模型进行计算得到分类层的预测概率值[p1’p2’]t，当p1’大于p2’时，y＝[10]t，当p1’小于等于p2’时，y＝[01]t。
在一种实施例中，所述采集模块331用于根据预定采集时间定时采集当前特征信息s，并将当前特征信息s存入储存模块36，所述采集模块331还用于采集检测到应用程序进入后台的时间点对应的当前特征信息s，并将该当前特征信息s输入运算模块332用于带入训练模型进行计算。
所述判断模块34用于判断所述应用程序是否需要关闭。
需要说明的是，当y＝[10]t，判定所述应用程序需要关闭；当y＝[01]t，判定所述应用程序需要保留。
所述装置30还可以包括关闭模块37，用于当判断应用程序需要关闭时，将所述应用程序关闭。
本申请所提供的用于应用程序管控方法的装置，通过获取历史特征信息xi，采用bp神经网络算法生成训练模型，当检测应用程序进入后台时，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
请参阅图7，图7为本申请实施例提供的电子设备的结构示意图。所述电子设备500包括：处理器501和存储器502。其中，处理器501与存储器502电性连接。
处理器501是电子设备500的控制中心，利用各种接口和线路连接整个电子设备500的各个部分，通过运行或加载存储在存储器502内的应用程序，以及调用存储在存储器502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500进行整体监控。
在本实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi；
采用神经网络算法对样本向量集进行计算，生成训练模型；
当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
其中，从样本数据库中获取所述应用程序样本向量集，其中该样本向量集中的样本向量包括所述应用程序多个维度的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表3。
表3
需要说明的是，以上表3示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接wifi等。
在一种实施例中，可以选取6个维度的历史特征信息：
a、应用程序在后台驻留的时间；
b、屏幕是否为亮，例如，屏幕亮，记为1，屏幕熄灭，记为0；
c、当周总使用次数统计；
d、当周总使用时间统计；
e、wifi是否打开，例如，wifi打开，记为1，wifi关闭，记为0；以及
f、当前是否在充电，例如，当前正在充电，记为1，当前未在充电，记为0。
在一种实施例中，所述处理器501采用bp神经网络算法对样本向量集进行计算，生成训练模型还包括：
定义网络结构；以及
将样本向量集带入网络结构进行计算，得到训练模型。
其中，所述定义网络结构包括：
设定输入层，所述输入层包括n个节点，所述输入层的节点数与所述历史特征信息xi的维数相同；
其中，所述历史特征信息xi的维数小于10个，所述输入层的节点数小于10个，以简化运算过程。
在一种实施例中，所述历史特征信息xi的维数为6维，所述输入层包括6个节点。
设定隐含层，所述隐含层包括m个节点。
其中，所述隐含层可以包括多个隐含分层。每一所述隐含分层的节点数小于10个，以简化运算过程。
在一种实施例中，所述隐含层可以包括第一隐含分层，第二隐含分层和第三隐含分层。所述第一隐含分层包括10个节点，第二隐含分层包括5个节点，第三隐含分层包括5个节点。
设定分类层，所述分类层采用softmax函数，所述softmax函数为
设定输出层，所述输出层包括2个节点。
设定激活函数，所述激活函数采用sigmoid函数，所述sigmoid函数为
设定批量大小，所述批量大小为a。
其中，所述批量大小可以根据实际情况灵活调整。所述批量大小可以为50-200。
在一种实施例中，所述批量大小为128。
设定学习率，所述学习率为b。
其中，所述学习率可以根据实际情况灵活调整。所述学习率可以为0.1-1.5。
在一种实施例中，所述学习率为0.9。
需要说明的是，所述设定输入层、设定隐含层、设定分类层、设定输出层、设定激活函数、设定批量大小、设定学习率的先后顺序可以灵活调整。
所述将样本向量集带入网络结构进行计算，得到训练模型的步骤可以包括：
在输入层输入所述样本向量集进行计算，得到输入层的输出值。
在所述隐含层的输入所述输入层的输出值，得到所述隐含层的输出值。
其中，所述输入层的输出值为所述隐含层的输入值。
在一种实施例中，所述隐含层可以包括多个隐含分层。所述输入层的输出值为第一隐含分层的输入值。所述第一隐含分层的输出值为第二隐含分层的输入值。所述第二隐含分层的输出值为所述第三隐含分层的输入值，依次类推。
在所述分类层输入所述隐含层的输出值进行计算，得到所述预测概率值[p1p2]t。
其中，所述隐含层的输出值为所述分类层的输入值。
在一种实施例中，所述隐含层可以包括多个隐含分层。最后一个隐含分层的输出值为所述分类层的输入值。
将所述预测概率值带入输出层进行计算，得到预测结果值y，当p1大于p2时，y＝[10]t，当p1小于等于p2时，y＝[01]t。
其中，所述分类层的输出值为所述输出层的输入值。
根据预测结果值y修正所述网络结构，得到训练模型。
所述当应用程序进入后台，将所述应用程序的当前特征信息s输入所述训练模型进行计算的步骤包括：
采集所述应用程序的当前特征信息s。
其中，采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
将当前特征信息s带入训练模型进行计算。
其中，将当前特征信息s输入所述训练模型进行计算得到分类层的预测概率值[p1’p2’]t，当p1’大于p2’时，y＝[10]t，当p1’小于等于p2’时，y＝[01]t。
在所述判断所述应用程序是否需要关闭的步骤中，当y＝[10]t，判定所述应用程序需要关闭；当y＝[01]t，判定所述应用程序需要保留。
存储器502可用于存储应用程序和数据。存储器502存储的程序中包含有可在处理器中执行的指令。所述程序可以组成各种功能模块。处理器501通过运行存储在存储器502的程序，从而执行各种功能应用以及数据处理。
在一些实施例中，如图8所示，图8为本申请实施例提供的电子设备的结构示意图。所述电子设备500还包括：射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509。其中，处理器501分别与射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509电性连接。
射频电路503用于收发射频信号，以通过无线通信网络与服务器或其他电子设备进行通信。
显示屏504可用于显示由用户输入的信息或提供给用户的信息以及终端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。
控制电路505与显示屏504电性连接，用于控制显示屏504显示信息。
输入单元506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。
音频电路507可通过扬声器、传声器提供用户与终端之间的音频接口。
传感器508用于采集外部环境信息。传感器508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。
电源509用于给电子设备500的各个部件供电。在一些实施例中，电源509可以通过电源管理系统与处理器501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。
尽管图8中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
本申请所提供的电子设备，通过获取历史特征信息xi，采用bp神经网络算法生成训练模型，当检测应用程序进入后台时，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
本发明实施例还提供一种介质，该介质中存储有多条指令，该指令适于由处理器加载以执行上述任一实施例所述的应用程序管控方法。
本发明实施例提供的应用程序管控方法、装置、介质及电子设备属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。
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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、磁盘或光盘等。
以上对本申请实施例提供的应用程序管控方法、装置、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例进行了阐述，以上实施例的说明只是用于帮助理解本申请。同时，对于本领域的技术人员，依据本申请的思想，在具体实施例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。
- 还没有人留言评论。精彩留言会获得点赞！