CN117351860A - 一种基于数码管的仪表显示方法 - Google Patents
一种基于数码管的仪表显示方法 Download PDFInfo
- Publication number
- CN117351860A CN117351860A CN202311641157.8A CN202311641157A CN117351860A CN 117351860 A CN117351860 A CN 117351860A CN 202311641157 A CN202311641157 A CN 202311641157A CN 117351860 A CN117351860 A CN 117351860A
- Authority
- CN
- China
- Prior art keywords
- character
- display
- characters
- displayed
- nixie tube
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 53
- 238000013136 deep learning model Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/04—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of a single character by selection from a plurality of characters, or by composing the character by combination of individual elements, e.g. segments using a combination of such display devices for composing words, rows or the like, in a frame with fixed character positions
- G09G3/06—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of a single character by selection from a plurality of characters, or by composing the character by combination of individual elements, e.g. segments using a combination of such display devices for composing words, rows or the like, in a frame with fixed character positions using controlled light sources
- G09G3/12—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of a single character by selection from a plurality of characters, or by composing the character by combination of individual elements, e.g. segments using a combination of such display devices for composing words, rows or the like, in a frame with fixed character positions using controlled light sources using electroluminescent elements
- G09G3/14—Semiconductor devices, e.g. diodes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Controls And Circuits For Display Device (AREA)
Abstract
在本发明涉及电数字数据处理技术领域,揭露了基于数码管的仪表显示方法及装置,该方法包括:分析数码管的待显示字符;实时采集数码管的应用环境数据,分析数码管的应用环境的环境特性,确定待显示字符在应用环境中对应的显示重要度,提取待显示字符对应的字符特征,创建待显示字符在应用环境中的显示风格;计算待显示字符之间的字符相似值,对待显示字符进行字符归类处理,得到归类字符,对归类字符进行多路编码处理,得到字符编码信号,设置编码字符在数码管中的控制逻辑电路;利用数码管执行编码字符在应用环境中的字符显示,得到显示字符,将显示字符发送到数码管对应的显示仪表中,得到显示结果。本发明在于提高数码管的仪表显示效果和显示处理效率。
Description
技术领域
本发明涉及电数字数据处理技术领域,尤其涉及一种基于数码管的仪表显示方法。
背景技术
数码管是一种用于显示数字、符号和字母的电子元件,由多个发光二极管或荧光物质组成,通常排列成一个七段式的结构,可以显示从0到9的数字以及少数几个字母和符号,每个数码管由7个独立的发光二极管组成,按照特定的排列方式连接在一起,形成一个可以显示数字的单元,数码管广泛应用于各种电子设备和仪器中,例如电子时钟、计数器、温度计、测量仪器等,数码管的显示精确度不够,显示错误无法修正。
但是现有的数码管的仪表显示方法主要步骤为:接收需要显示的字符,将字符转换成对应的二进制编码,然后将二进制编码发送到对应的数码管中进行解码,根据解码的结果,利用数码管显示相应的字符,但是该方法使用过程中数码管在显示字符时都是用同样的颜色以及亮度进行显示,不能突出字符的重要程度,从而使得数码管的显示效果不佳,并且执行字符的显示过程是依次对字符进行单个处理,导致数码管的显示速度较慢,因此需要一种能够提高数码管的仪表显示效果和显示处理效率和显示处理效率的方法。
发明内容
本发明提供基于数码管的仪表显示方法及装置,其主要目的在于提高数码管的仪表显示效果和显示处理效率。
为实现上述目的,本发明提供的基于数码管的仪表显示方法,包括:
获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
可选地,所述根据显示指令,分析所述数码管的待显示字符,包括:
对所述显示指令进行指令解析,得到指令成分,所述指令成分包括:指令操作码和指令操作数;
对所述指令操作码进行解码处理,得到所述显示指令的显示内容,提取所述指令操作数中的操作信息;
计算所述操作信息对应的信息熵值;
根据所述信息熵值,对所述显示内容进行筛选处理,得到目标内容;
对所述目标内容进行字符识别处理,得到所述数码管的待显示字符。
可选地,所述计算所述操作信息对应的信息熵值,包括:
通过下述公式计算所述操作信息对应的信息熵值:
其中,B表示操作信息对应的信息熵值,a表示操作信息对应的序列号,表示操作信息对应的信息数量,/>表示操作信息中的第a个信息,/>表示操作信息中第a个信息在操作信息中的出现概率。
可选地,所述根据所述应用环境数据,分析所述数码管的应用环境的环境特性,包括:
查询所述数码管在所述应用环境中的应用服务,分析所述应用环境数据中的环境变量;
分析所述环境变量和所述应用服务之间的相关性,根据相关性,对所述环境变量进行变量筛选,得到目标变量;
从所述应用环境数据中提取所述目标变量对应的变量环境数据,对所述变量环境数据进行线性转换处理,得到数据线性值;
根据所述数据线性值和所述目标变量,构建所述应用环境数据对应的数据散点图;
根据所述数据散点图,确定所述目标变量对应的变量趋势;
根据所述变量趋势,分析所述目标变量对应的变量特性,结合所述变量特性,得到所述数码管的应用环境的环境特性。
可选地,所述根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,包括:
对所述待显示字符进行关键字符提取,得到关键显示字符,对所述关键显示字符进行语义解析,得到字符语义;
根据字符语义,确定所述待显示字符对应的字符显示要求,提取所述环境特性对应的特性标签;
计算所述字符显示要求和所述特性标签之间的显示关联度;
根据所述显示关联度,确定所述待显示字符在所述应用环境中对应的显示重要度。
可选地,所述根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,包括:
检测所述应用环境中的环境光,分析所述环境光对应的光原色,查询所述数码管对应的显示基色;
计算所述显示基色中每个基色在所述光原色中的色彩对比度;
根据所述显示重要度、所述色彩对比度以及所述显示基色,确定所述待显示字符中每个字符对应的最佳显示基色;
计算所述字符特征对应的特征辨识度,获取所述待显示字符的可调字符属性,根据所述显示重要度和所述特征辨识度,设置所述可调字符属性对应的属性参数;
结合所述属性参数和所述最佳显示基色,生成所述待显示字符在所述应用环境中的显示风格
可选地,所述利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,包括:
利用所述孪生网络中的轮廓识别层对所述待显示字符进行轮廓识别,得到字符轮廓;
利用所述孪生网络中的轮廓卷积层对所述字符轮廓进行特征提取,得到轮廓特征;
利用所述孪生网络中的特征转化层对所述轮廓特征进行特征转换,得到轮廓描述子;
利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值;
利用所述孪生网络中的输出层对所述轮廓相似值进行输出处理,得到所述待显示字符之间的字符相似值。
可选地,所述利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值,包括:
所述激活函数的具体计算过程如下:
其中,H表示轮廓描述子之间的轮廓相似值,表示轮廓描述子的维度,b表示轮廓描述子的序列号,/>表示轮廓描述子的数量,/>表示轮廓描述子中第b个描述子的向量值,表示轮廓描述子中第b+1个描述子的向量值,/>表示轮廓描述子对应的向量均值。
可选地,所述对所述归类字符进行多路编码处理,得到字符编码信号,包括:
识别所述归类字符对应的字符结构,根据所述字符结构,确定所述归类字符对应的编码准则;
结合所述编码准则和所述字符结构,构建所述归类字符对应的字符编码链路;
根据预设的字码集,在所述字符编码链路中执行所述归类字符中每个类别的字符编码处理,得到字码值;
根据所述字码值,生成所述归类字符对应的字符编码信号。
基于同一发明构思,本发明还提供基于数码管的仪表显示装置,所述装置包括:
显示字符分析模块,用于获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
显示风格创建模块,用于实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
控制电路设置模块,用于利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
字符显示模块,用于根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
本发明通过根据所述显示指令,分析所述数码管的待显示字符,可以了解所述数码管需要显示的信息,其中,本发明通过根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,可以强调所述待显示字符中的关键字符,从而提高了所述待显示字符在所述应用环境中的显示效果,其中,本发明通过对所述归类字符进行多路编码处理,可以同时对所述归类字符进行共同编码处理,以此提高了所述归类字符的编码效率,本发明通过根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,可以得到所述编码字符在所述应用环境中的显示情形,以便于可以对所述编码字符的显示进行验证,出现显示错误的情况,可以提前进行修复处理。因此,本发明提供的基于数码管的仪表显示方法及装置,能够提高数码管的仪表显示效果和显示处理效率。
附图说明
图1为本发明一实施例提供的基于数码管的仪表显示方法的流程示意图;
图2为本发明一实施例提供的基于数码管的仪表显示装置的功能模块图;
图3为本发明一实施例提供的基于数码管的仪表显示方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供基于数码管的仪表显示方法。本申请实施例中,所述基于数码管的仪表显示方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于数码管的仪表显示方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于数码管的仪表显示方法的流程示意图。在本实施例中,所述基于数码管的仪表显示方法包括步骤S1—S4。
S1、获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符。
本发明通过根据所述显示指令,分析所述数码管的待显示字符,可以了解所述数码管需要显示的信息,以便于后续对所述待显示字符进行显示优化处理,其中,所述数码管数码管是一种用来显示数字或字符的显示器件,它由多个发光二极管(LED)或液晶显示单元组成,广泛应用于各种电子设备中,例如电子钟、计时器、温度计等,用来显示相关的信息,所述显示指令是所述数码管接收到的代码,如数据传送指令、算术运算指令以及位运算指令等,所述待显示字符是所述数码管需要进行显示的字符信息,如时间或者文本内容提示内容等。
作为本发明的一个实施例,所述根据显示指令,分析所述数码管的待显示字符,包括:对所述显示指令进行指令解析,得到指令成分,所述指令成分包括:指令操作码和指令操作数,对所述指令操作码进行解码处理,得到所述显示指令的显示内容,提取所述指令操作数中的操作信息,计算所述操作信息对应的信息熵值,根据所述信息熵值,对所述显示内容进行筛选处理,得到目标内容,对所述目标内容进行字符识别处理,得到所述数码管的待显示字符。
其中,所述指令操作码是所述显示指令需要操作的类型或者具体行为信息的代码,所述指令操作数是关于所述指令操作码的附加数据,所述显示内容是所述显示指令关于显示信息的相关内容,所述操作信息是所述指令操作数中关于所述指令操作码的附加数据中的信息,所述信息熵值表示所述操作信息中每个信息的信息量的多少,所述目标内容是所述显示内容根据所述信息熵值的数值大小筛选后得到的关键内容。
进一步的,作为本发明的一个可选实施例,对所述显示指令进行指令解析可以通过指令解析器实现,如Shell解析器,对所述指令操作码进行解码处理可以通过解码器实现,利用所述解码器使用微程序查询得到,提取所述指令操作数中的操作信息可以通过位移操作法实现,所述指令操作数中的操作信息位于特定的位偏移量处,可以使用位移操作来提取,通过左移或右移操作数,并对结果进行逻辑和、或或运算以提取所需的操作信息,对所述显示内容进行筛选处理可以通过筛选函数filter实现,可以通过对所述目标内容进行字符识别处理,得到目标字符,根据目标字符的描述语义,确定所述数码管的待显示字符,如目标字符中有显示字符为XXX,则XXX为所述数码管的待显示字符。
可选的,作为本发明的一个可选实施例,所述计算所述操作信息对应的信息熵值,包括:
通过下述公式计算所述操作信息对应的信息熵值:
其中,B表示操作信息对应的信息熵值,a表示操作信息对应的序列号,表示操作信息对应的信息数量,/>表示操作信息中的第a个信息,/>表示操作信息中第a个信息在操作信息中的出现概率。
S2、实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述应用环境对应的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格。
本发明通过根据所述应用环境数据,分析所述应用环境对应的环境特性,可以通过所述环境特性了解所述应用环境中环境特有属性,依据所述环境特性,提高了后续显示重要度的计算准确性,其中,所述应用环境是所述数码管对应的使用场景,如家庭或者超市中,所述应用环境数据是所述数码管对应的使用场景的相关环境数据,所述环境特性是所述应用环境中的特有属性进一步的,实时采集所述数码管的应用环境数据可以通过传感器实现,如温度传感器或者光传感器等。
作为本发明的一个实施例,所述根据所述应用环境数据,分析所述数码管的应用环境的环境特性,包括:查询所述数码管在所述应用环境中的应用服务,分析所述应用环境数据中的环境变量,并分析所述环境变量和所述应用服务之间的相关性,根据相关性,对所述环境变量进行变量筛选,得到目标变量,从所述应用环境数据中提取所述目标变量对应的变量环境数据,对所述变量环境数据进行线性转换处理,得到数据线性值,根据所述数据线性值和所述目标变量,构建所述应用环境数据对应的数据散点图,根据所述数据散点图,确定所述目标变量对应的变量趋势,根据所述变量趋势,分析所述目标变量对应的变量特性,结合所述变量特性,得到所述数码管的应用环境的环境特性。
其中,所述应用服务是所述数码管在所述应用环境中服务性质,如计时服务或者字符提示服务等,所述环境变量是所述应用环境数据中环境参数,如环境温度或者环境湿度等,所述相关性表示所述环境变量和所述应用服务之间的影响关系,所述目标变量是所述环境变量中对所述应用服务具有影响的变量,所述数据线性值是所述变量环境数据对应的表达数值,所述数据散点图是根据所述数据线性值和所述目标变量构建的可视化图表,所述变量趋势是所述目标变量对应的变量走势,如上升或者下降,所述变量特性是所述目标变量对应的特征。
进一步的,作为本发明的一个可选实施例,可以通过查询所述数码管的使用说明资料,以此确定所述数码管在所述应用环境中的应用服务,分析所述应用环境数据中的环境变量可以通过逐步回归分析法实现,可以通过解析所述应用服务的服务属性,分析根据所述服务属性所述环境变量的属性关系,根据所述属性关系,确定所述环境变量和所述应用服务之间的相关性,从所述应用环境数据中提取所述目标变量对应的变量环境数据可以通过left函数实现,对所述变量环境数据进行线性转换处理可以通过线性函数实现,如一次线性函数,构建所述应用环境数据对应的数据散点图可以通过制图工具实现,如visio工具,可以通过计算所述数据散点图中的图像斜率,根据图像斜率确定所述目标变量对应的变量趋势,可以通过根据所述变量趋势,分析所述目标变量对应的变量特性,如温度变量为上升趋势,则表示温度的特性为升高特性,将所述变量特性合并到一起,得到所述数码管的应用环境的环境特性。
本发明通过根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,以便于后续根据所述显示重要度,创建所述待显示字符对应的显示风格,其中,所述显示重要度表示所述待显示字符在所述应用环境中进行显示的重要程度。
作为本发明的一个实施例,所述根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,包括:对所述待显示字符进行关键字符提取,得到关键显示字符,对所述关键显示字符进行语义解析,得到字符语义,根据字符语义,确定所述待显示字符对应的字符显示要求,提取所述环境特性对应的特性标签,计算所述字符显示要求和所述特性标签之间的显示关联度,根据所述显示关联度,确定所述待显示字符在所述应用环境中对应的显示重要度。
其中,所述关键显示字符是所述待显示字符中的代表性字符,所述字符语义是所述关键显示字符的字符含义或者解释,所述字符显示要求是所述待显示字符的需要达到的目的,如显示当前的温度,或者显示当前的时间,所述特性标签描述所述环境特性的相关信息,如温度等级或者温度阈值的信息等,所述显示关联度表示所述字符显示要求和所述特性标签之间的关联程度。
进一步的,对所述待显示字符进行关键字符提取可以通过TF-IDF算法实现,对所述关键显示字符进行语义解析可以通过语义解析工具实现,所述语义解析工具是由脚本语言编译,可以通过根据字符语义描述的内容确定所述待显示字符对应的字符显示要求,如当前的湿度等级为一级,则表示所述字符显示要求为显示湿度,提取所述环境特性对应的特性标签可以通过标签提取工具实现,所述标签提取工具是由Java语言编译,根据所述显示关联度,确定所述待显示字符在所述应用环境中对应的显示重要度。
可选的,作为本发明的一个可选实施例,所述计算所述字符显示要求和所述特性标签之间的显示关联度,包括:
通过下述公式计算所述字符显示要求和所述特性标签之间的显示关联度:
其中,E表示字符显示要求和特性标签之间的显示关联度,表示字符显示要求中第d个要求对应的向量,/>表示特性标签中第d+1个标签对应的向量,表示字符显示要求中第d个要求对应的向量和特性标签中第d+1个标签对应的向量的二级最小差,/>表示字符显示要求中第d个要求对应的向量和特性标签中第d+1个标签对应的向量的二级最大差。
本发明通过根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,可以通过所述显示风格可以强调所述待显示字符中的关键字符,从而提高了所述待显示字符在所述应用环境中的显示效果,其中,所述字符特征是所述待显示字符对应的字符特点,所述显示风格是所述待显示字符在所述应用环境中的显示形式,如不同的颜色或者字体粗细等,可选的,可以通过分析所述待显示字符的字形轮廓,根据所述字形轮廓确定所述待显示字符对应的字符特征。
作为本发明的一个实施例,所述根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,包括:检测所述应用环境中的环境光,分析所述环境光对应的光原色,查询所述数码管对应的显示基色,计算所述显示基色中每个基色在所述光原色中的色彩对比度,根据所述显示重要度、所述色彩对比度以及所述显示基色,确定所述待显示字符中每个字符对应的最佳显示基色,计算所述字符特征对应的特征辨识度,获取所述待显示字符的可调字符属性,根据所述显示重要度和所述特征辨识度,设置所述可调字符属性对应的属性参数,结合所述属性参数和所述最佳显示基色,生成所述待显示字符在所述应用环境中的显示风格。
其中,所述环境光是所述应用环境中存在的光源,所述光原色是所述环境光中包含的颜色,所述显示基色是所述数码管对应的显示颜色,如绿色或者白色等,所述色彩对比度是所述显示基色中每个基色在所述光原色中的色彩差异程度,差异程度越大,则该基色越鲜艳,所述最佳显示基色是所述待显示字符中每个字符对应的所述色彩对比度最大的颜色,所述特征辨识度表示所述字符特征对应的准确识别的程度,所述可调字符属性是所述待显示字符对应的可以调节的属性,如字符的字号或者字符的字体形式,所述属性参数是所述可调字符属性对应的具体设置数值,如字体为楷体或者字符的字号为四号等。
可选地,检测所述应用环境中的环境光可以通过光传感器实现,分析所述环境光对应的光原色可以通过光谱仪实现,可以通过从互联网上查询到所述数码管对应的显示基色,可以通过分别计算出所述显示基色中每个基色和所述光原色对应的亮度值,得到基色亮度值和原色亮度值,计算基色亮度值和原色亮度值的亮度比值,根据亮度比值,得到所述显示基色中每个基色在所述光原色中的色彩对比度,可以通过根据所述显示重要度和所述色彩对比度的数值大小,从所述显示基色中筛选所述待显示字符中每个字符对应的最佳显示基色,可以通过构建所述字符特征对应的特征矩阵,计算所述特征矩阵对应的矩阵值,将所述矩阵值的数值作为所述字符特征对应的特征辨识度,所述待显示字符的可调字符属性可以通过所述数码管的字符应用程序查询得到,所述可调字符属性对应的属性参数可以通过根据所述特征辨识度的高低进行设置,如字符对应的所述特诊辨识度低,而该字符对应的所述显示重要度高,则通过设置大字号和字体加粗,以此提高显示效果。
S3、利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路。
本发明通过利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,可以通过所述字符相似值了解所述待显示字符之间的相似程度,为后续的字符归类处理提供了保障,其中,所述深度学习模型是一种器学习模型,它由多个神经网络层级组成,每个网络层级处理不同的任务,以提高字符处理的效率,所述字符相似值表示所述待显示字符中每个字符之间的相似程度。
作为本发明的一个实施例,所述利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,包括:利用所述孪生网络中的轮廓识别层对所述待显示字符进行轮廓识别,得到字符轮廓,利用所述孪生网络中的轮廓卷积层对所述字符轮廓进行特征提取,得到轮廓特征,利用所述孪生网络中的特征转化层对所述轮廓特征进行特征转换,得到轮廓描述子,利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值,利用所述孪生网络中的输出层对所述轮廓相似值进行输出处理,得到所述待显示字符之间的字符相似值。
其中,所述轮廓识别层是所述孪生网络中用于识别所述待显示字符的轮廓的神经网络,所述字符轮廓是所述待显示字符对应的字符图形,所述轮廓卷积层是所述孪生网络中用于提取所述字符轮廓的特征的神经网络,所述轮廓特征是所述支付轮廓对应的形状信息,所述特征转化层是所述孪生网络中用于将所述轮廓特征转换为相应的描述符号的神经网络,所述轮廓相似值表示所述轮廓描述子之间的相似程度。
进一步的,作为本发明的一个可选实施例,可以通过所述轮廓识别层中的边缘检测算法对所述待显示字符进行轮廓识别,如canny边缘检测算法,可以通过所述轮廓卷积层中的卷积核对所述字符轮廓进行特征提取,可以通过所述特征转化层中的描述子生成算法对所述轮廓特征进行特征转换,如sift算法,可以通过所述输出层中的输出函数对所述轮廓相似值进行输出处理,如putchar函数。
可选地,作为本发明的一个可选实施例,所述利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值,包括:
所述激活函数的具体计算过程如下:
其中,H表示轮廓描述子之间的轮廓相似值,表示轮廓描述子的维度,b表示轮廓描述子的序列号,/>表示轮廓描述子的数量,/>表示轮廓描述子中第b个描述子的向量值,表示轮廓描述子中第b+1个描述子的向量值,/>表示轮廓描述子对应的向量均值。
本发明通过根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,可以将所述待显示字符中的相同字符划分到一起,以便于后续可以对相同的字符进行共同编码处理,为提高所述归类字符的编码效率提高了保障,其中,所述归类字符是所述待显示字符经过划分到一起后得到的字符。
作为本发明的一个实施例,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别,利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性,利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重,根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符。
其中,所述全连接层是所述注意力网络中用于分析所述待显示字符对应的类别的神经网络,所述字符类别是所述待显示字符对应的类型,如文本类或者数字类,所述属性分析层是所述注意力网络中用于分析所述字符类别对应的属性的神经网络,所述类别属性是所述字符类别对应的特有性质,所述关联权重表示所述类别属性之间的关联关系的强度大小。
进一步的,作为本发明的一个可选实施例,可以通过所述全连接层中的输入神经元和输出神经元分析所述待显示字符对应的字符类别,利用所述属性分析层中的映射函数对所述字符类别进行映射处理,得到多个映射属性,利用所述属性分析层中的损失函数计算映射属性对应的差异值,根据差异值确定所述字符类别对应的类别属性,利用所述注意力机制中的归类算法对所述待显示字符进行字符归类处理,如KMP算法。
进一步的,作为本发明的一个可选实施例,所述利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重,包括:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数。
本发明通过对所述归类字符进行多路编码处理,可以同时对所述归类字符进行共同编码处理,以此提高了所述归类字符的编码效率,其中,所述字符编码信号是所述归类字符对应的计算机可处理的数字信号。
作为本发明的一个实施例,所述对所述归类字符进行多路编码处理,得到字符编码信号,包括:识别所述归类字符对应的字符结构,根据所述字符结构,确定所述归类字符对应的编码准则,结合所述编码准则和所述字符结构,构建所述归类字符对应的字符编码链路,根据预设的字码集,在所述字符编码链路中执行所述归类字符中每个类别的字符编码处理,得到字码值,根据所述字码值,生成所述归类字符对应的字符编码信号。
其中,所述字符结构是所述归类字符中每个字符对应的字符布局形式,所述编码准则是所述归类字符对应的编码法则,所述字符编码链路是执行所述归类字符的编码处理时的链路,所述预设的字码集是字符对应的数字码的集合,所述字码值是所述归类字符中每个类别的字符编码处理后得到的二进制数值。
可选地,识别所述归类字符对应的字符结构可以通过OCR识别技术实现,可以通过根据所述字符结构,从互联网中查询所述归类字符对应的编码准则,构建所述归类字符对应的字符编码链路可以通过编程所述编码准则和所述字符结构对应的计算机语言实现,在所述字符编码链路中执行所述归类字符中每个类别的字符编码处理可以通过编码算法实现,如Huffman编码算法,生成所述归类字符对应的字符编码信号可以通过信号生成器实现,所述信号生成器是由脚本语言编译。
本发明通过根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,可以通过所述控制逻辑电路同时控制所述字符编码信号的显示处理,以提高所述编码字符的显示速度,其中,所述控制逻辑电路是控制所述字符编码信号的电子电路,可选地,设置所述编码字符在所述数码管中的控制逻辑电路的步骤为:首先确定所述数码管之间的电极接法,根据所述电极接法,设置电路拓扑结构,分析所述数码管对应的数码管功能,根据数码管功能确定电路的逻辑功能,根据逻辑功能配置电路的电路器件,结合电路器件、电路拓扑结构以及所述字符编码信号,编程所述编码字符对应的控制逻辑电路。
S4、根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
本发明通过根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,可以得到所述编码字符在所述应用环境中的显示情形,以便于可以对所述编码字符的显示进行验证,出现显示错误的情况,可以提前进行修复处理,其中,所述显示字符是所述编码字符在所述应用环境中的字符显示记录,所述显示仪表是所述数码管作用的对象,如闹钟或者电子秤等。
本发明通过根据所述显示指令,分析所述数码管的待显示字符,可以了解所述数码管需要显示的信息,其中,本发明通过根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,可以强调所述待显示字符中的关键字符,从而提高了所述待显示字符在所述应用环境中的显示效果,其中,本发明通过对所述归类字符进行多路编码处理,可以同时对所述归类字符进行共同编码处理,以此提高了所述归类字符的编码效率,本发明通过根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,可以得到所述编码字符在所述应用环境中的显示情形,以便于可以对所述编码字符的显示进行验证,出现显示错误的情况,可以提前进行修复处理。因此,本发明提供的基于数码管的仪表显示方法,能够提高数码管的仪表显示效果和显示处理效率。
如图2所示,是本发明一实施例提供的基于数码管的仪表显示装置的功能模块图。
本发明所述基于数码管的仪表显示装置100可以安装于电子设备中。根据实现的功能,所述基于数码管的仪表显示装置100可以包括显示字符分析模块101、显示风格创建模块102、控制电路设置模块103及字符显示模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述显示字符分析模块101,用于获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
所述显示风格创建模块102,用于实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
所述控制电路设置模块103,用于利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
所述字符显示模块104,用于根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
详细地,本申请实施例中所述基于数码管的仪表显示装置100中所述的各模块在使用时采用与上述图1中所述的基于数码管的仪表显示方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现基于数码管的仪表显示方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于数码管的仪表显示方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于数码管的仪表显示方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于数码管的仪表显示方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于数码管的仪表显示方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。。
Claims (10)
1.一种基于数码管的仪表显示方法,其特征在于,所述方法包括:
获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
2.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述根据显示指令,分析所述数码管的待显示字符,包括:
对所述显示指令进行指令解析,得到指令成分,所述指令成分包括:指令操作码和指令操作数;
对所述指令操作码进行解码处理,得到所述显示指令的显示内容,提取所述指令操作数中的操作信息;
计算所述操作信息对应的信息熵值;
根据所述信息熵值,对所述显示内容进行筛选处理,得到目标内容;
对所述目标内容进行字符识别处理,得到所述数码管的待显示字符。
3.如权利要求2所述的基于数码管的仪表显示方法,其特征在于,所述计算所述操作信息对应的信息熵值,包括:
通过下述公式计算所述操作信息对应的信息熵值:
其中,B表示操作信息对应的信息熵值,a表示操作信息对应的序列号,表示操作信息对应的信息数量,/>表示操作信息中的第a个信息,/>表示操作信息中第a个信息在操作信息中的出现概率。
4.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述根据所述应用环境数据,分析所述数码管的应用环境的环境特性,包括:
查询所述数码管在所述应用环境中的应用服务,分析所述应用环境数据中的环境变量;
分析所述环境变量和所述应用服务之间的相关性,根据相关性,对所述环境变量进行变量筛选,得到目标变量;
从所述应用环境数据中提取所述目标变量对应的变量环境数据,对所述变量环境数据进行线性转换处理,得到数据线性值;
根据所述数据线性值和所述目标变量,构建所述应用环境数据对应的数据散点图;
根据所述数据散点图,确定所述目标变量对应的变量趋势;
根据所述变量趋势,分析所述目标变量对应的变量特性,结合所述变量特性,得到所述数码管的应用环境的环境特性。
5.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,包括:
对所述待显示字符进行关键字符提取,得到关键显示字符,对所述关键显示字符进行语义解析,得到字符语义;
根据字符语义,确定所述待显示字符对应的字符显示要求,提取所述环境特性对应的特性标签;
计算所述字符显示要求和所述特性标签之间的显示关联度;
根据所述显示关联度,确定所述待显示字符在所述应用环境中对应的显示重要度。
6.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格,包括:
检测所述应用环境中的环境光,分析所述环境光对应的光原色,查询所述数码管对应的显示基色;
计算所述显示基色中每个基色在所述光原色中的色彩对比度;
根据所述显示重要度、所述色彩对比度以及所述显示基色,确定所述待显示字符中每个字符对应的最佳显示基色;
计算所述字符特征对应的特征辨识度,获取所述待显示字符的可调字符属性,根据所述显示重要度和所述特征辨识度,设置所述可调字符属性对应的属性参数;
结合所述属性参数和所述最佳显示基色,生成所述待显示字符在所述应用环境中的显示风格。
7.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,包括:
利用所述孪生网络中的轮廓识别层对所述待显示字符进行轮廓识别,得到字符轮廓;
利用所述孪生网络中的轮廓卷积层对所述字符轮廓进行特征提取,得到轮廓特征;
利用所述孪生网络中的特征转化层对所述轮廓特征进行特征转换,得到轮廓描述子;
利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值;
利用所述孪生网络中的输出层对所述轮廓相似值进行输出处理,得到所述待显示字符之间的字符相似值。
8.如权利要求7所述的基于数码管的仪表显示方法,其特征在于,所述利用所述孪生网络中的激活函数计算所述轮廓描述子之间的相似值,得到轮廓相似值,包括:
所述激活函数的具体计算过程如下:
其中,H表示轮廓描述子之间的轮廓相似值,表示轮廓描述子的维度,b表示轮廓描述子的序列号,/>表示轮廓描述子的数量,/>表示轮廓描述子中第b个描述子的向量值,表示轮廓描述子中第b+1个描述子的向量值,/>表示轮廓描述子对应的向量均值。
9.如权利要求1所述的基于数码管的仪表显示方法,其特征在于,所述对所述归类字符进行多路编码处理,得到字符编码信号,包括:
识别所述归类字符对应的字符结构,根据所述字符结构,确定所述归类字符对应的编码准则;
结合所述编码准则和所述字符结构,构建所述归类字符对应的字符编码链路;
根据预设的字码集,在所述字符编码链路中执行所述归类字符中每个类别的字符编码处理,得到字码值;
根据所述字码值,生成所述归类字符对应的字符编码信号。
10.一种基于数码管的仪表显示装置,其特征在于,所述装置包括:
显示字符分析模块,用于获取数码管的显示指令,根据所述显示指令,分析所述数码管的待显示字符;
显示风格创建模块,用于实时采集所述数码管的应用环境数据,根据所述应用环境数据,分析所述数码管的应用环境的环境特性,根据所述环境特性,确定所述待显示字符在所述应用环境中对应的显示重要度,并提取所述待显示字符对应的字符特征,根据所述显示重要度和所述字符特征,创建所述待显示字符在所述应用环境中的显示风格;
控制电路设置模块,用于利用训练好的深度学习模型中的孪生网络计算所述待显示字符之间的字符相似值,根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,对所述归类字符进行多路编码处理,得到字符编码信号,根据所述字符编码信号,设置所述编码字符在所述数码管中的控制逻辑电路,其中,所述根据所述字符相似值,利用训练好的深度学习模型中的注意力网络对所述待显示字符进行字符归类处理,得到归类字符,包括:
利用所述注意力网络中的全连接层分析所述待显示字符对应的字符类别;
利用所述注意力网络中的属性分析层分析所述字符类别对应的类别属性;
利用所述注意力网络中的权重函数计算所述类别属性对应的关联权重:
所述权重函数的计算过程具体如下:
其中,M表示类别属性对应的关联权重,表示类别属性中第i个属性对应的关联系数,i表示类别属性对应的序列号,/>表示类别属性中第i个属性的线性值,/>表示类别属性中第i个属性的线性值和所有类别属性的线性值的比值,trace()表示空间滤波函数;
根据所述关联权重和所述字符相似值,利用所述注意力网络中的注意力机制对所述待显示字符进行字符归类处理,得到归类字符;
字符显示模块,用于根据所述控制逻辑电路和所述显示风格,利用所述数码管执行所述编码字符在所述应用环境中的字符显示,得到显示字符,并将所述显示字符发送到所述数码管对应的显示仪表中,得到显示结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641157.8A CN117351860B (zh) | 2023-12-04 | 2023-12-04 | 一种基于数码管的仪表显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641157.8A CN117351860B (zh) | 2023-12-04 | 2023-12-04 | 一种基于数码管的仪表显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351860A true CN117351860A (zh) | 2024-01-05 |
CN117351860B CN117351860B (zh) | 2024-02-13 |
Family
ID=89367757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311641157.8A Active CN117351860B (zh) | 2023-12-04 | 2023-12-04 | 一种基于数码管的仪表显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351860B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107617573A (zh) * | 2017-09-30 | 2018-01-23 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流编码识别和分拣方法 |
CN114399754A (zh) * | 2021-12-30 | 2022-04-26 | 国电南京自动化股份有限公司 | 一种基于sw-fssd的数字仪表字符检测方法 |
WO2023065220A1 (zh) * | 2021-10-21 | 2023-04-27 | 深圳阿尔法分子科技有限责任公司 | 一种基于深度学习的化学分子相关水溶性预测方法 |
CN116844148A (zh) * | 2023-07-19 | 2023-10-03 | 中国测试技术研究院辐射研究所 | 一种用于数字字符识别的编码方法 |
CN117032717A (zh) * | 2023-07-19 | 2023-11-10 | 西安理工大学 | 基于字节码相似度的javac编译器安全风险检测方法 |
-
2023
- 2023-12-04 CN CN202311641157.8A patent/CN117351860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107617573A (zh) * | 2017-09-30 | 2018-01-23 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流编码识别和分拣方法 |
WO2023065220A1 (zh) * | 2021-10-21 | 2023-04-27 | 深圳阿尔法分子科技有限责任公司 | 一种基于深度学习的化学分子相关水溶性预测方法 |
CN114399754A (zh) * | 2021-12-30 | 2022-04-26 | 国电南京自动化股份有限公司 | 一种基于sw-fssd的数字仪表字符检测方法 |
CN116844148A (zh) * | 2023-07-19 | 2023-10-03 | 中国测试技术研究院辐射研究所 | 一种用于数字字符识别的编码方法 |
CN117032717A (zh) * | 2023-07-19 | 2023-11-10 | 西安理工大学 | 基于字节码相似度的javac编译器安全风险检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117351860B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN115238115A (zh) | 基于中文数据的图像检索方法、装置、设备及存储介质 | |
CN115238670A (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN117351860B (zh) | 一种基于数码管的仪表显示方法 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN113343306B (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN112734205A (zh) | 模型置信度分析方法、装置、电子设备及计算机存储介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN114637822A (zh) | 法律信息查询方法、装置、设备及存储介质 | |
CN114817547A (zh) | 基于多维表征的问诊意图识别方法、装置、设备及介质 | |
CN114970501A (zh) | 基于文本的实体关系抽取方法、装置、设备及介质 |
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 |