CN116484269B - 显示屏模组的参数处理方法、装置、设备及存储介质 - Google Patents
显示屏模组的参数处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116484269B CN116484269B CN202310744806.0A CN202310744806A CN116484269B CN 116484269 B CN116484269 B CN 116484269B CN 202310744806 A CN202310744806 A CN 202310744806A CN 116484269 B CN116484269 B CN 116484269B
- Authority
- CN
- China
- Prior art keywords
- parameter
- feature
- data
- parameter data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 83
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及人工智能领域，公开了一种显示屏模组的参数处理方法、装置、设备及存储介质，用于实现智能化的显示屏模组参数分析并提高显示屏最优运行参数的求解准确率。方法包括：对多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；根据至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解，得到多个性能求解值；根据多个性能求解值，对多个特征参数数据进行最优运行参数分析，得到目标显示屏对应的目标最优运行参数。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种显示屏模组的参数处理方法、装置、设备及存储介质。
背景技术
在现代电子设备中，显示屏模组被广泛应用，如手机、平板电脑和电视等。这些显示屏模组需要经常进行参数调整以确保其正常工作。传统上，这些参数调整需要人工完成，既费时又容易出错。
显示屏模组通常由多个部件组成，包括显示屏、控制电路板、灯光源等。在生产过程中，不同部件之间存在着参数差异，这些差异可能导致显示效果不一致或者影响显示质量。目前市场上针对参数处理的方法多采用手动调节和人工筛选，这些方法耗时且易出现误差。
发明内容
本发明提供了一种显示屏模组的参数处理方法、装置、设备及存储介质，用于实现智能化的显示屏模组参数分析并提高显示屏最优运行参数的求解准确率。
本发明第一方面提供了一种显示屏模组的参数处理方法，所述显示屏模组的参数处理方法包括：
获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据；
对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；
根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；
分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值；
根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数。
结合第一方面，在本发明第一方面的第一实施方式中，所述获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据，包括：
获取目标显示屏的初始模组参数数据，并对所述初始模组参数数据进行参数预处理，得到显示屏模组参数数据；
对所述显示屏模组参数数据进行数据量和数据结构分析，得到目标数据量以及数据结构信息；
根据所述目标数据量以及所述数据结构信息，通过预置的参数特征分类模型对所述显示屏模组参数数据进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据，所述多个特征参数数据包括：亮度特征参数、色温特征参数以及对比度特征参数。
结合第一方面，在本发明第一方面的第二实施方式中，所述对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标，包括：
分别对所述多个特征参数数据进行参数离散化处理，得到每个特征参数数据对应的多个离散特征值；
构建每个特征参数数据对应的多个离散特征值的概率分布图，得到每个特征参数数据对应的目标概率分布图；
根据每个特征参数数据对应的目标概率分布图，计算每两个特征参数数据对应的至少一个相关系数，并将所述至少一个相关系数作为每两个特征参数数据对应的至少一个参数相关性评价指标。
结合第一方面，在本发明第一方面的第三实施方式中，所述根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据，包括：
对所述至少一个参数相关性评价指标进行特征转换，得到至少一个参数转换值；
构建所述至少一个参数转换值与参数特征分析模型之间的映射关系；
根据所述映射关系，分别对每两个特征参数数据进行参数特征分析模型映射匹配，得到目标参数特征分析模型；
从预置的参数数据库中匹配每个特征参数数据对应的标准参数数据。
结合第一方面，在本发明第一方面的第四实施方式中，所述分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值，包括：
对所述标准参数数据和对应的特征参数数据进行数据匹配，得到多个参数对；
对所述多个参数对进行向量转换，得到每个参数特征数据对应的目标参数向量，并分别将每个参数特征数据对应的目标参数向量输入所述目标参数特征分析模型，其中，所述目标参数特征分析模型包括：双层门限循环网络、全连接网络以及预测层；
通过所述目标参数特征分析模型，分别对每个参数特征数据对应的目标参数向量进行性能求解运算，得到对应的多个性能求解值。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数，包括：
根据所述多个性能求解值，对所述多个特征参数数据进行性能指标分类，得到待优化的第一特征参数数据以及待搜索的第二特征参数数据；
对所述第一特征参数数据进行优化，得到优化后的第一特征参数数据；
根据所述优化后的第一特征参数数据以及所述第二特征参数数据，通过预置的最优化模型在特征参数空间中搜索最优的运行参数组合，得到所述目标显示屏对应的目标最优运行参数。
结合第一方面，在本发明第一方面的第六实施方式中，所述显示屏模组的参数处理方法还包括：
根据所述目标最优运行参数，对所述目标显示屏进行运行参数调整，并实时采集所述目标显示屏的运行状态数据；
对所述运行状态数据和所述目标最优运行参数进行异常监控，得到异常监控结果。
本发明第二方面提供了一种显示屏模组的参数处理装置，所述显示屏模组的参数处理装置包括：
获取模块，用于获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据；
分析模块，用于对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；
构建模块，用于根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；
求解模块，用于分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值；
输出模块，用于根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数。
本发明第三方面提供了一种显示屏模组的参数处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述显示屏模组的参数处理设备执行上述的显示屏模组的参数处理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的显示屏模组的参数处理方法。
本发明提供的技术方案中，对多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；根据至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解，得到多个性能求解值；根据多个性能求解值，对多个特征参数数据进行最优运行参数分析，得到目标显示屏对应的目标最优运行参数，本发明通过智能处理显示屏模组参数，提高了显示效果和一致性，消除因部件参数差异而导致的显示不一致，并且采用机器学习算法进行数据分析和模型建立，具有较高的准确性和可靠性，能够预测最优参数设置值，进而实现了智能化的显示屏模组参数分析并提高了显示屏最优运行参数的求解准确率。
附图说明
图1为本发明实施例中显示屏模组的参数处理方法的一个实施例示意图；
图2为本发明实施例中特征相关性分析的流程图；
图3为本发明实施例中构建目标参数特征分析模型的流程图；
图4为本发明实施例中性能求解的流程图；
图5为本发明实施例中显示屏模组的参数处理装置的一个实施例示意图；
图6为本发明实施例中显示屏模组的参数处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种显示屏模组的参数处理方法、装置、设备及存储介质，用于实现智能化的显示屏模组参数分析并提高显示屏最优运行参数的求解准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中显示屏模组的参数处理方法的一个实施例包括：
S101、获取目标显示屏的显示屏模组参数数据，并将显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，特征参数集合包括：多个特征参数数据；
可以理解的是，本发明的执行主体可以为显示屏模组的参数处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器首先确定想要获取参数的显示器，其中，服务器通过厂商提供的接口或者驱动程序来获取显示器的参数数据。通常，通过显示器的厂商提供的特定软件或者驱动程序，从而使参数数据可以被的计算机获取，例如，如果想获取显示器的分辨率，可以查看显示器的参数证书或者从厂商的网站上查找相关信息。当找到相关信息时，通过显示器上的设定菜单来查看或者更改这些参数，或者可以用特定的计算机软件来提取这些数据并保存在一个数据文件中，将显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，进而，需要按照预先设定的参数特征分类模型来分类这些数据。这个模型需要事先根据机器学习算法开发，以便将参数数据自动分类。通常情况下，这个模型通过简单的人工智能算法来识别显示器的各种参数类型，例如分辨率、亮度、对比度等等，如果使用类神经网络来实现参数分类的算法，输入的数据可以非常复杂、没有规律且有多种类型的显示屏模组参数数据。神经网络通过有监督学习的方式使得分类器在训练环节中就可以准确地识别出每一个属性的类别，而不需要进行人工手动分类。分类器会通根据经过训练的数据做出自适应的分类，以最好地满足数据，识别出屏幕参数信息，也就是显示器上的“特征参数”，当已经输入并且经过分类系统分类的显示器参数模型数据时，就可以得到一个特征参数集合。这个集合包括各种特征参数信息，例如显示器的尺寸、亮度、对比度、分辨率和色彩深度等等。这个集合将根据特征数据分类算法，把数据有序的组织在一起，具体来讲，一个显示器的尺寸、重量、分辨率、亮度和对比度等参数都将被分类到相应的类别中，而不是保持在没有组织的数据状态中。这样，得到的特征参数集合将变得更加可靠和易于管理，例如：如果需要调整一台显示器的画面质量，通过厂商提供的音频和视频的接口，把数据输入到音频控制器或者视频控制器中。然后，通过计算机软件或者设备驱动程序来获取显示器的参数数据，并将这些数据输入到预设的参数特征分类模型中。
S102、对多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；
具体的，服务器在开始对多个特征参数数据进行特征相关性分析之前，首先需要收集这些参数数据。这些数据可能包括在之前步骤中获取到的特征参数集合或其他相关数据集中。例如，可能包括屏幕尺寸、亮度、对比度、分辨率、灰度、色彩深度等等，进而，对这些特征参数进行相关性分析，以确定它们之间的关系。这个过程通过统计方法和数据挖掘技术来完成，例如线性回归分析、主成分分析、因子分析、支持向量机以及核方法等等。这些方法和技术可以帮助提取特征参数之间的信息和关系，进而得到各个参数数据之间的相关性。
最后，在分析特征参数之间的相关性后，需要得到每两个特征参数数据对应的至少一个参数相关性评价指标。这个指标可以表示特征参数之间的相关性强度，并说明这种关系的正负性、线性或非线性以及相关性的程度等等。常用的参数相关性评价指标包括皮尔逊相关系数、斯皮尔曼排名相关系数、判别分析和线性判别分析等等。例如：以一台显示器为例。假设显示器的分辨率、色深度、亮度和对比度是需要进行特征相关性分析的几个特征参数。首先，得到这些参数数据，然后使用统计方法和数据挖掘技术进行特征相关性分析，例如线性回归分析。
在得到相关性分析结果后，通过皮尔逊相关系数作为相关性评价指标。如果分辨率和色深度两个特征参数成正相关，则两者之间的皮尔逊相关系数可为0.5。如果亮度和对比度是负相关，则两者之间的皮尔逊相关系数可为-0.8。
S103、根据至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；
需要说明的是，在开始构建目标参数特征分析模型之前，选定至少一个参数相关性评价指标。这些指标可以帮助判断特征参数之间的相关性强度，并说明这种关系的正负性、线性或非线性以及相关性的程度等等。常用的指标包括皮尔逊相关系数、斯皮尔曼排名相关系数、判别分析和线性判别分析等等。可以选择其中任意一种指标或多种指标组合使用，进而，通过选定的参数相关性评价指标，构建每两个特征参数数据对应的目标参数特征分析模型。这个模型可以描述和预测特征参数之间的关系，并帮助用户准确地确定特征参数值的标准值。常用的目标参数特征分析模型包括线性回归、非线性回归、卡方检验以及ANOVA（方差分析）等，例如，如果使用线性回归模型进行目标参数特征分析，模型可以对特定的特征参数之间的线性关系进行建模。这个模型通常包括一个因变量和多个自变量，建立一个回归方程，通过自变量的参数数据来预测因变量的参数值。方程的各个参数可以通过多元线性回归等方法进行计算，并根据得到的模型参数，对待测特征参数进行标准化处理，最后，根据每个特征参数数据对应的目标参数特征分析模型，可以获取每个特征参数数据对应的标准参数数据。这个标准参数数据可以表明每个特征参数的标准值和偏差度，并用于调整和优化特征参数值。例如，通过这些标准参数数据来帮助用户在设置显示器的亮度、对比度等特征参数时，做出准确的调整和优化，在提高显示效果和用户体验的同时，延长显示器的使用寿命，例如，在显示器中，常常用“色调”来调整影像的饱和度，以满足的观看需求。现在，通过选定的参数相关性评价指标（例如判别分析），构建影像色调和色温之间的目标参数特征分析模型，从而实现自动调整影像的饱和度和色温。然后，通过这个模型，获取每个特征参数数据对应的标准参数数据，并用于调整影像的饱和度和色温，以满足用户需求。
S104、分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解，得到多个性能求解值；
具体的，在开始进行性能求解之前，将标准参数数据和多个特征参数数据收集起来，标准参数数据是前一步骤中获取的数据，用于表示特征参数的标准值和偏差度。而多个特征参数数据包括之前步骤中获取的特征参数数据，例如屏幕尺寸、亮度、对比度、分辨率等等。进而，通过目标参数特征分析模型对这些标准参数数据和特征参数数据进行性能求解。这个模型可以帮助判断特征参数和标准参数之间的性能差距，并说明怎样调整特征参数值以优化性能。常用的性能指标包括响应时间、图像质量、能量效率等，例如，通过线性回归模型进行性能求解，对标准参数数据和特征参数数据进行建模，并得到多个性能求解值。这个模型通过自变量数据的变化来预测因变量的特征性能，计算模型的方程参数，并获取性能求解值，最后，通过目标参数特征分析模型得到多个性能求解值，这些值可以帮助评估特征参数的性能和标准参数的性能差距，并选择最优的性能参数组合。这些值用于优化性能，提高生产效率，改进质量和减少成本，例如，在屏幕显示领域中，常常使用响应时间、色彩饱和度、灰度等性能指标来评价显示器的表现。通过收集标准参数数据和多个特征参数数据（例如屏幕尺寸、亮度、对比度、分辨率等等），然后使用线性回归模型分别对标准参数和特征参数进行性能求解，可以得到多个性能求解值，例如响应时间的提高，色彩饱和度的提升，灰度的改进等等。通过比较这些性能指标的变化情况，可以选择最优的性能参数组合，进而优化显示屏的性能和表现。这样可以更好地提高用户体验和满足客户需求。
S105、根据多个性能求解值，对多个特征参数数据进行最优运行参数分析，得到目标显示屏对应的目标最优运行参数。
具体的，在开始进行最优运行参数分析之前，需要收集多个性能求解值。这些值可以帮助评估特征参数的性能和标准参数的性能差距，并选择最优的性能参数组合。常用的性能指标包括响应时间、图像质量、能量效率等。进而，对多个特征参数数据进行最优运行参数分析，以确定最优的运行参数组合。这个过程通过优化算法、机器学习和人工智能等技术来完成。其中，最优化算法可以通过搜索和评估特征参数数据之间的关系，得到最优的参数组合。机器学习可以通过训练数据集和测试数据集，来预测最优的参数组合。人工智能可以通过神经网络和深度学习等模型，进行特征参数之间的强相关性分析，帮助确定最优的运行参数组合。例如，通过遗传算法进行最优运行参数分析，对多个特征参数数据进行建模，并得到最优的参数组合。这个算法可以通过生成随机种群，然后使用选择、交叉和突变等方法，进化出更优秀的种群，最终得到最优的参数组合。最后，根据多个性能求解值和最优运行参数分析的结果，可以得到目标显示屏对应的目标最优运行参数。这个参数值可以表明特定的运行配置和特征参数值，从而提高显示器的性能和质量。例如，通过这个参数值来帮助用户在设置显示器的清晰度、亮度、对比度等特征参数时，做出准确的调整和优化，在提高显示效果和用户体验的同时，延长显示器的使用寿命。
需要说明的是，遗传算法用于对多个特征参数数据进行最优运行参数分析，以得到优化的目标最优运行参数。例如，在分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解中，得出了响应时间、图像质量和能量效率几个性能求解值。然后，通过使用遗传算法进行最优运行参数分析，选择出最优的特征参数值组合，如更高的分辨率、更高的亮度和更低的色彩深度等，从而实现目标显示屏的目标最优运行参数。
本发明实施例中，对多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；根据至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解，得到多个性能求解值；根据多个性能求解值，对多个特征参数数据进行最优运行参数分析，得到目标显示屏对应的目标最优运行参数，本发明通过智能处理显示屏模组参数，提高了显示效果和一致性，消除因部件参数差异而导致的显示不一致，并且采用机器学习算法进行数据分析和模型建立，具有较高的准确性和可靠性，能够预测最优参数设置值，进而实现了智能化的显示屏模组参数分析并提高了显示屏最优运行参数的求解准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标显示屏的初始模组参数数据，并对初始模组参数数据进行参数预处理，得到显示屏模组参数数据；
（2）对显示屏模组参数数据进行数据量和数据结构分析，得到目标数据量以及数据结构信息；
（3）根据目标数据量以及数据结构信息，通过预置的参数特征分类模型对显示屏模组参数数据进行参数数据特征分类，得到特征参数集合，其中，特征参数集合包括：多个特征参数数据，多个特征参数数据包括：亮度特征参数、色温特征参数以及对比度特征参数。
具体的，服务器在开始处理显示屏模组参数数据之前，首先需要获取目标显示屏的初始模组参数数据，并进行预处理。包括数据离散化、归一化、去噪和数据缺失值的处理等。预处理可以帮助整理数据，提高数据的质量和精度，减少对后续处理步骤的干扰。例如，对于目标显示屏，可以采集其初始模组参数数据，例如屏幕尺寸、分辨率、亮度、色温、对比度等等，然后对这些数据进行预处理，例如将连续数据转化为离散量，归一化数据以便比较等等，进而，对处理后的显示屏模组参数数据进行数据量和数据结构分析。可以帮助判断数据之间的关系和特点，并确定特征参数的类别和数量，例如，可以对目标显示屏的处理后的模组参数数据进行数据统计和分析，以获得数据分布和结构信息。这些信息用于确定目标数据量和数据结构，帮助选择合适的特征分类模型，并确定特征参数的类别和数量，根据目标数据量和数据结构信息，运用预置的参数特征分类模型对显示屏模组参数数据进行参数数据特征分类，得到特征参数集合。其中，特征参数集合包括多个特征参数数据，多个特征参数数据包括：亮度特征参数、色温特征参数以及对比度特征参数等。这些特征参数可以表征显示屏的性能和特性，帮助调整和优化显示器的参数，提高显示效果和用户体验。
例如，运用卡方检验或决策树等分类方法对显示屏模组参数数据进行参数特征分类，获得特征参数集合。其中，亮度特征参数可以反映显示器的亮度水平，色温特征参数可以反映显示器的色彩质量，对比度特征参数可以反映显示器不同区域之间的亮度和色彩差异等等。这些特征参数可以帮助确定显示器的性能、优化特征参数设置，从而提高用户体验和满足客户需求。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、分别对多个特征参数数据进行参数离散化处理，得到每个特征参数数据对应的多个离散特征值；
S202、构建每个特征参数数据对应的多个离散特征值的概率分布图，得到每个特征参数数据对应的目标概率分布图；
S203、根据每个特征参数数据对应的目标概率分布图，计算每两个特征参数数据对应的至少一个相关系数，并将至少一个相关系数作为每两个特征参数数据对应的至少一个参数相关性评价指标。
具体的，服务器对多个特征参数数据进行离散化处理，将连续的特征参数数据转换为离散的特征值。这样可以将特征参数数据分成多个离散特征值，方便进行进一步的分析和处理，例如，对于目标显示屏，可以对其特征参数数据进行离散化处理，例如将亮度参数从0到100范围内分成多个等距的离散值，例如10、20、30等，由于需要基于离散化后的特征参数数据，构建每个特征参数数据对应的多个离散特征值的概率分布图，并得到每个特征参数数据对应的目标概率分布图。这个概率分布图可以反映每个特征参数数据的概率分布情况，帮助确定特征参数数据的概率分布和重要性，例如，对于目标显示屏的亮度特征参数，可以在离散化处理的基础上，针对每个离散特征值计算其概率分布，并构建出亮度特征参数对应的概率分布图，通过每个特征参数数据对应的目标概率分布图，计算每两个特征参数数据对应的至少一个相关系数，并将至少一个相关系数作为每两个特征参数数据对应的至少一个参数相关性评价指标。这个指标可以反映两个特征参数数据之间的关系，帮助确定特征参数数据的重要性和关联性，例如，对于目标显示屏的亮度特征参数和色温特征参数，通过其目标概率分布图，计算出两个特征参数数据之间的相关系数。这个相关系数可以表明两个特征参数数据之间的关系程度，从而帮助确定特征参数之间的关联性和重要性。
总之，在本发明实施例中，通过离散化处理、概率分布图构建和参数相关性评价指标的计算，可以帮助更好地理解和分析目标显示屏的特征参数数据，确定特征参数数据的概率分布和重要性，从而为后续的特征参数优化和调整提供基础。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对至少一个参数相关性评价指标进行特征转换，得到至少一个参数转换值；
S302、构建至少一个参数转换值与参数特征分析模型之间的映射关系；
S303、根据映射关系，分别对每两个特征参数数据进行参数特征分析模型映射匹配，得到目标参数特征分析模型；
S304、从预置的参数数据库中匹配每个特征参数数据对应的标准参数数据。
具体的，对至少一个参数相关性评价指标进行特征转换，将其转化为数值表示的参数转换值。这个转换值可以反映不同特征参数之间的关系程度，帮助进行进一步的分析和处理。例如，对于目标显示屏的亮度特征参数和色温特征参数之间的相关系数，可以对其进行特征转换，将相关系数值转换为参数转换值，例如-1到1之间的数值。构建至少一个参数转换值与参数特征分析模型之间的映射关系。这个映射关系可以帮助确定特征参数之间的关系和特征分析模型例如，可以设定一个基于参数转换值的特征分析模型映射关系。根据这个映射关系，可以将不同参数转换值映射到特定的参数特征分析模型，进一步确定参数之间的关系和特征分析模型，通过映射关系，分别对每两个特征参数数据进行参数特征分析模型映射匹配，得到目标参数特征分析模型。这个目标参数特征分析模型可以反映特征参数之间的关联关系和特性，帮助进行特征参数优化和调整，例如，通过目标参数转换值，将其匹配到指定的参数特征分析模型，例如根据亮度特征参数和色温特征参数之间的相关序列匹配到指定的参数特征分析模型，从预置的参数数据库中匹配每个特征参数数据对应的标准参数数据。这个标准参数数据可以帮助理解目标特征参数数据的参考含义和预期值，例如，可以从预置的参数数据库中匹配目标显示屏的特征参数数据，例如屏幕尺寸、分辨率、亮度、色温、对比度等，以获得每个特征参数数据对应的标准参数数据。这个标准参数数据可以帮助确定目标特征参数数据的参考值和参考范围，从而进行参数分析和调整。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对标准参数数据和对应的特征参数数据进行数据匹配，得到多个参数对；
S402、对多个参数对进行向量转换，得到每个参数特征数据对应的目标参数向量，并分别将每个参数特征数据对应的目标参数向量输入目标参数特征分析模型，其中，目标参数特征分析模型包括：双层门限循环网络、全连接网络以及预测层；
S403、通过目标参数特征分析模型，分别对每个参数特征数据对应的目标参数向量进行性能求解运算，得到对应的多个性能求解值。
具体的，服务器对标准参数数据和对应的特征参数数据进行匹配，得到多个参数对。这个参数对可以反映标准参数数据和对应的特征参数数据之间的关系，例如，对于显示屏的标准参数数据，例如分辨率、色彩空间等，可以与其对应的特征参数数据，例如亮度、色温等进行匹配，得到多个参数对。这个参数对可以反映标准参数数据和对应的特征参数数据之间的关系和相互影响情况，对多个参数对进行向量转换，得到每个参数特征数据对应的目标参数向量，并将每个参数特征数据对应的目标参数向量输入目标参数特征分析模型。这个目标参数特征分析模型可以反映参数之间的关系和特性，例如，通过多个参数对，将其转换为目标参数向量，并将这个目标参数向量输入到目标参数特征分析模型中。目标参数特征分析模型通过双层门限循环网络、全连接网络以及预测层等机器学习模型进行建模和分析，需要通过目标参数特征分析模型，分别对每个参数特征数据对应的目标参数向量进行性能求解运算，得到对应的多个性能求解值。这个性能求解值可以反映目标参数的性能和特性。
例如，通过机器学习模型，针对目标参数向量进行性能求解运算，得到对应的性能求解值。这个性能求解值可以反映目标参数的性能和特性，从而帮助确定和优化目标参数的设置和调整。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）根据多个性能求解值，对多个特征参数数据进行性能指标分类，得到待优化的第一特征参数数据以及待搜索的第二特征参数数据；
（2）对第一特征参数数据进行优化，得到优化后的第一特征参数数据；
（3）根据优化后的第一特征参数数据以及第二特征参数数据，通过预置的最优化模型在特征参数空间中搜索最优的运行参数组合，得到目标显示屏对应的目标最优运行参数。
具体的，通过多个性能求解值，对多个特征参数数据进行性能指标分类，以获得待优化的第一特征参数数据和待搜索的第二特征参数数据。这个分析可以帮助识别哪些特征参数对性能和特性的影响最大，从而优化特征参数设置。例如，可以通过聚类分析等方法对多个性能求解值进行分类，判断哪些特征参数对性能和特性的影响最大，将其作为待优化的第一特征参数数据。同时，可以选择其他特征参数作为待搜索的第二特征参数数据，以寻找更优的特征参数组合。对待优化的第一特征参数数据进行优化，得到优化后的第一特征参数数据，以进一步提高其性能和特性。这个优化通过一些设定的优化策略执行。例如，通过优化策略，对特定的第一特征参数数据进行优化。这个过程可以基于机器学习模型，使用梯度下降、遗传算法等方法对参数进行优化，从而获得更高的性能和特性。通过优化后的第一特征参数数据和待搜索的第二特征参数数据，在特征参数空间中搜索最优的运行参数组合，以获得目标显示屏对应的目标最优运行参数。例如，通过预置的最优化模型，基于优化后的第一特征参数数据和待搜索的第二特征参数数据，在特征参数空间中搜索最优运行参数组合，以获得更高的性能和特性。这个过程可以考虑不同的优化策略和算法，例如深度强化学习、贝叶斯优化等。
在一具体实施例中，执行上述显示屏模组的参数处理方法还包括如下步骤：
（1）根据目标最优运行参数，对目标显示屏进行运行参数调整，并实时采集目标显示屏的运行状态数据；
（2）对运行状态数据和目标最优运行参数进行异常监控，得到异常监控结果。
具体的，首先根据目标最优运行参数，对目标显示屏进行运行参数调整。这一步骤可以理解为对目标设备进行配置，以达到最佳的运行性能。具体而言，需要掌握目标设备的运行参数，例如刷新率、亮度、色彩等级等等。通过不断调整这些参数，可以找到一个最佳配置，以使目标设备达到最佳的视觉效果。为了实现这一步骤，需要采集目标显示屏的运行状态数据，以掌握目标设备的当前状态。运行状态数据可能包括FPS、CPU 占用、I/O 等指标。这些数据可以帮助了解目标设备的瓶颈问题，以便及时调整配置方式，其次，是对运行状态数据和目标最优运行参数进行异常监控，得到异常监控结果。这一步骤可以理解为需要监控目标设备的运行状态，以便及时发现并解决任何潜在的问题。在日常生活中，设备可能会出现各种异常情况，例如过热、崩溃等等。为了避免这些问题的发生，需要不断监控目标设备的运行状态，以及与其相应的运行参数。如果发现了异常情况，可以及时采取相应的措施，例如重新配置设备、调整参数等等，例如，假设要对一台显示屏进行优化。首先会进行一些基本配置，例如设置刷新率、亮度、色彩等级等等。然后会启动的监控系统，开始对这台设备的运行状态进行监控。可以收集设备的各种运行数据、工作状态、发热情况等等，并分析这些数据，以便能够更好地了解设备的实际情况。如果发现设备出现异常情况，例如温度过高，就可以及时对设备进行调整，以便有效地避免设备的过热问题。
上面对本发明实施例中显示屏模组的参数处理方法进行了描述，下面对本发明实施例中显示屏模组的参数处理装置进行描述，请参阅图5，本发明实施例中显示屏模组的参数处理装置一个实施例包括：
获取模块501，用于获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据；
分析模块502，用于对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；
构建模块503，用于根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；
求解模块504，用于分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值；
输出模块505，用于根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数。
通过上述各个组成部分的协同合作，对多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标；根据至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据；分别将标准参数数据和多个特征参数数据输入目标参数特征分析模型进行性能求解，得到多个性能求解值；根据多个性能求解值，对多个特征参数数据进行最优运行参数分析，得到目标显示屏对应的目标最优运行参数，本发明通过智能处理显示屏模组参数，提高了显示效果和一致性，消除因部件参数差异而导致的显示不一致，并且采用机器学习算法进行数据分析和模型建立，具有较高的准确性和可靠性，能够预测最优参数设置值，进而实现了智能化的显示屏模组参数分析并提高了显示屏最优运行参数的求解准确率。
上面图5从模块化功能实体的角度对本发明实施例中的显示屏模组的参数处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中显示屏模组的参数处理设备进行详细描述。
图6是本发明实施例提供的一种显示屏模组的参数处理设备的结构示意图，该显示屏模组的参数处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对显示屏模组的参数处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在显示屏模组的参数处理设备600上执行存储介质630中的一系列指令操作。
显示屏模组的参数处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，MacOS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的显示屏模组的参数处理设备结构并不构成对显示屏模组的参数处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种显示屏模组的参数处理设备，所述显示屏模组的参数处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述显示屏模组的参数处理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述显示屏模组的参数处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（randomacceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种显示屏模组的参数处理方法，其特征在于，所述显示屏模组的参数处理方法包括：
获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据；
对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标，具体包括：分别对所述多个特征参数数据进行参数离散化处理，得到每个特征参数数据对应的多个离散特征值；构建每个特征参数数据对应的多个离散特征值的概率分布图，得到每个特征参数数据对应的目标概率分布图；根据每个特征参数数据对应的目标概率分布图，计算每两个特征参数数据对应的至少一个相关系数，并将所述至少一个相关系数作为每两个特征参数数据对应的至少一个参数相关性评价指标；
根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据，具体包括：对所述至少一个参数相关性评价指标进行特征转换，得到至少一个参数转换值；构建所述至少一个参数转换值与参数特征分析模型之间的映射关系；根据所述映射关系，分别对每两个特征参数数据进行参数特征分析模型映射匹配，得到目标参数特征分析模型；从预置的参数数据库中匹配每个特征参数数据对应的标准参数数据；
分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值，具体包括：对所述标准参数数据和对应的特征参数数据进行数据匹配，得到多个参数对；对所述多个参数对进行向量转换，得到每个参数特征数据对应的目标参数向量，并分别将每个参数特征数据对应的目标参数向量输入所述目标参数特征分析模型，其中，所述目标参数特征分析模型包括：双层门限循环网络、全连接网络以及预测层；通过所述目标参数特征分析模型，分别对每个参数特征数据对应的目标参数向量进行性能求解运算，得到对应的多个性能求解值；
根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数。
2.根据权利要求1所述的显示屏模组的参数处理方法，其特征在于，所述获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据，包括：
获取目标显示屏的初始模组参数数据，并对所述初始模组参数数据进行参数预处理，得到显示屏模组参数数据；
对所述显示屏模组参数数据进行数据量和数据结构分析，得到目标数据量以及数据结构信息；
根据所述目标数据量以及所述数据结构信息，通过预置的参数特征分类模型对所述显示屏模组参数数据进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据，所述多个特征参数数据包括：亮度特征参数、色温特征参数以及对比度特征参数。
3.根据权利要求1所述的显示屏模组的参数处理方法，其特征在于，所述根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数，包括：
根据所述多个性能求解值，对所述多个特征参数数据进行性能指标分类，得到待优化的第一特征参数数据以及待搜索的第二特征参数数据；
对所述第一特征参数数据进行优化，得到优化后的第一特征参数数据；
根据所述优化后的第一特征参数数据以及所述第二特征参数数据，通过预置的最优化模型在特征参数空间中搜索最优的运行参数组合，得到所述目标显示屏对应的目标最优运行参数。
4.根据权利要求1所述的显示屏模组的参数处理方法，其特征在于，所述显示屏模组的参数处理方法还包括：
根据所述目标最优运行参数，对所述目标显示屏进行运行参数调整，并实时采集所述目标显示屏的运行状态数据；
对所述运行状态数据和所述目标最优运行参数进行异常监控，得到异常监控结果。
5.一种显示屏模组的参数处理装置，其特征在于，所述显示屏模组的参数处理装置包括：
获取模块，用于获取目标显示屏的显示屏模组参数数据，并将所述显示屏模组参数数据输入预置的参数特征分类模型进行参数数据特征分类，得到特征参数集合，其中，所述特征参数集合包括：多个特征参数数据；
分析模块，用于对所述多个特征参数数据进行特征相关性分析，得到每两个特征参数数据对应的至少一个参数相关性评价指标，具体包括：分别对所述多个特征参数数据进行参数离散化处理，得到每个特征参数数据对应的多个离散特征值；构建每个特征参数数据对应的多个离散特征值的概率分布图，得到每个特征参数数据对应的目标概率分布图；根据每个特征参数数据对应的目标概率分布图，计算每两个特征参数数据对应的至少一个相关系数，并将所述至少一个相关系数作为每两个特征参数数据对应的至少一个参数相关性评价指标；
构建模块，用于根据所述至少一个参数相关性评价指标构建每两个特征参数数据对应的目标参数特征分析模型，并获取每个特征参数数据对应的标准参数数据，具体包括：对所述至少一个参数相关性评价指标进行特征转换，得到至少一个参数转换值；构建所述至少一个参数转换值与参数特征分析模型之间的映射关系；根据所述映射关系，分别对每两个特征参数数据进行参数特征分析模型映射匹配，得到目标参数特征分析模型；从预置的参数数据库中匹配每个特征参数数据对应的标准参数数据；
求解模块，用于分别将所述标准参数数据和所述多个特征参数数据输入所述目标参数特征分析模型进行性能求解，得到多个性能求解值，具体包括：对所述标准参数数据和对应的特征参数数据进行数据匹配，得到多个参数对；对所述多个参数对进行向量转换，得到每个参数特征数据对应的目标参数向量，并分别将每个参数特征数据对应的目标参数向量输入所述目标参数特征分析模型，其中，所述目标参数特征分析模型包括：双层门限循环网络、全连接网络以及预测层；通过所述目标参数特征分析模型，分别对每个参数特征数据对应的目标参数向量进行性能求解运算，得到对应的多个性能求解值；
输出模块，用于根据所述多个性能求解值，对所述多个特征参数数据进行最优运行参数分析，得到所述目标显示屏对应的目标最优运行参数。
6.一种显示屏模组的参数处理设备，其特征在于，所述显示屏模组的参数处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述显示屏模组的参数处理设备执行如权利要求1-4中任一项所述的显示屏模组的参数处理方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的显示屏模组的参数处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744806.0A CN116484269B (zh) | 2023-06-25 | 2023-06-25 | 显示屏模组的参数处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744806.0A CN116484269B (zh) | 2023-06-25 | 2023-06-25 | 显示屏模组的参数处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116484269A CN116484269A (zh) | 2023-07-25 |
| CN116484269B true CN116484269B (zh) | 2023-09-01 |
Family
ID=87219940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310744806.0A Active CN116484269B (zh) | 2023-06-25 | 2023-06-25 | 显示屏模组的参数处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484269B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008479B (zh) * | 2023-09-27 | 2023-12-01 | 深圳碳中和生物燃气股份有限公司 | 基于生物质气化炉的负碳排放优化控制方法及系统 |
| CN117348831B (zh) * | 2023-12-06 | 2024-02-06 | 深圳康荣电子有限公司 | 液晶显示屏的画面调校方法及系统 |
| CN118427540B (zh) * | 2024-07-05 | 2024-09-17 | 国鲸科技(广东横琴粤澳深度合作区)有限公司 | 一种提高有机发光显示器件发光效率的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122483A (zh) * | 2010-12-22 | 2011-07-13 | 利亚德光电股份有限公司 | Led显示屏的监控方法、系统及led显示器 |
| CN104317859A (zh) * | 2014-10-15 | 2015-01-28 | 西安诺瓦电子科技有限公司 | Led显示屏智能分类系统及方法 |
| CN108121780A (zh) * | 2017-12-15 | 2018-06-05 | 中盈优创资讯科技有限公司 | 数据分析模型确定方法及装置 |
| CN108873401A (zh) * | 2018-06-22 | 2018-11-23 | 西安电子科技大学 | 基于大数据的液晶显示器响应时间预测方法 |
| CN110534071A (zh) * | 2019-07-19 | 2019-12-03 | 南京巨鲨显示科技有限公司 | 一种基于神经网络的显示器颜色校准系统及方法 |
| US10916333B1 (en) * | 2017-06-26 | 2021-02-09 | Amazon Technologies, Inc. | Artificial intelligence system for enhancing data sets used for training machine learning-based classifiers |
| WO2021146996A1 (zh) * | 2020-01-22 | 2021-07-29 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控系统和方法 |
| CN113470576A (zh) * | 2021-06-30 | 2021-10-01 | 合肥维信诺科技有限公司 | 显示屏的评价方法、装置、设备和计算机可读存储介质 |
| CN113515225A (zh) * | 2020-04-10 | 2021-10-19 | Oppo广东移动通信有限公司 | 显示控制方法、装置及存储介质 |
| CN113867670A (zh) * | 2021-09-26 | 2021-12-31 | 北京德为智慧科技有限公司 | 一种多显示器调节方法、系统、设备及存储介质 |
| CN115782105A (zh) * | 2022-12-19 | 2023-03-14 | 深圳市瑞多益科技有限公司 | 一种注塑生产管理方法、系统、计算机设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8345038B2 (en) * | 2007-10-30 | 2013-01-01 | Sharp Laboratories Of America, Inc. | Methods and systems for backlight modulation and brightness preservation |
| FR3008210B1 (fr) * | 2013-07-03 | 2016-12-09 | Snecma | Procede et systeme de realite augmentee pour la supervision |
| US10951875B2 (en) * | 2018-07-03 | 2021-03-16 | Raxium, Inc. | Display processing circuitry |
| JP7419955B2 (ja) * | 2020-04-27 | 2024-01-23 | 横河電機株式会社 | データ解析システム、データ解析方法、およびプログラム |
| CN113596428B (zh) * | 2020-04-30 | 2022-12-06 | 华为技术有限公司 | 映射曲线参数的获取方法和装置 |
-
2023
- 2023-06-25 CN CN202310744806.0A patent/CN116484269B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122483A (zh) * | 2010-12-22 | 2011-07-13 | 利亚德光电股份有限公司 | Led显示屏的监控方法、系统及led显示器 |
| CN104317859A (zh) * | 2014-10-15 | 2015-01-28 | 西安诺瓦电子科技有限公司 | Led显示屏智能分类系统及方法 |
| US10916333B1 (en) * | 2017-06-26 | 2021-02-09 | Amazon Technologies, Inc. | Artificial intelligence system for enhancing data sets used for training machine learning-based classifiers |
| CN108121780A (zh) * | 2017-12-15 | 2018-06-05 | 中盈优创资讯科技有限公司 | 数据分析模型确定方法及装置 |
| CN108873401A (zh) * | 2018-06-22 | 2018-11-23 | 西安电子科技大学 | 基于大数据的液晶显示器响应时间预测方法 |
| CN110534071A (zh) * | 2019-07-19 | 2019-12-03 | 南京巨鲨显示科技有限公司 | 一种基于神经网络的显示器颜色校准系统及方法 |
| WO2021146996A1 (zh) * | 2020-01-22 | 2021-07-29 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控系统和方法 |
| CN113515225A (zh) * | 2020-04-10 | 2021-10-19 | Oppo广东移动通信有限公司 | 显示控制方法、装置及存储介质 |
| CN113470576A (zh) * | 2021-06-30 | 2021-10-01 | 合肥维信诺科技有限公司 | 显示屏的评价方法、装置、设备和计算机可读存储介质 |
| CN113867670A (zh) * | 2021-09-26 | 2021-12-31 | 北京德为智慧科技有限公司 | 一种多显示器调节方法、系统、设备及存储介质 |
| CN115782105A (zh) * | 2022-12-19 | 2023-03-14 | 深圳市瑞多益科技有限公司 | 一种注塑生产管理方法、系统、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于光纤光栅的顶板离层监测系统;倪正华等;《仪表技术与传感器》(第2期);第68-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116484269A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116484269B (zh) | 显示屏模组的参数处理方法、装置、设备及存储介质 | |
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| US20170248944A1 (en) | A method for managing subsystems of a process plant using a distributed control system | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
| CN117543791B (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
| CN117078105B (zh) | 基于人工智能的生产质量监控方法及系统 | |
| CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
| CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
| CN117132169B (zh) | 电力人工智能模型调用评价方法及系统 | |
| CN118136537A (zh) | 一种光磁电半导体器件的封装测试系统与方法 | |
| CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
| WO2023175921A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
| CN113569970B (zh) | 量化特征指标对标签影响的分析方法、系统、介质和终端 | |
| US8682817B1 (en) | Product testing process using diploid evolutionary method | |
| KR20210093618A (ko) | 학습 모델에 기초하여 응답을 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
| CN118604640B (zh) | 电池的评估方法、装置、电子设备、存储介质及程序产品 | |
| CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 | |
| CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
| KR102304321B1 (ko) | 시뮬레이션 실행 시간 예측 장치 및 예측 방법 | |
| WO2023175922A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
| CN118070183A (zh) | 房地产数据异常检测方法、装置、设备及介质 | |
| CN118396606A (zh) | 一种基于多模态大模型的制造业产品生产优化方法 | |
| CN118014615A (zh) | 基于电力交易决策数据的处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |