CN117475806B - 基于多维传感数据反馈的显示屏自适应响应方法及其装置 - Google Patents
基于多维传感数据反馈的显示屏自适应响应方法及其装置 Download PDFInfo
- Publication number
- CN117475806B CN117475806B CN202311835750.6A CN202311835750A CN117475806B CN 117475806 B CN117475806 B CN 117475806B CN 202311835750 A CN202311835750 A CN 202311835750A CN 117475806 B CN117475806 B CN 117475806B
- Authority
- CN
- China
- Prior art keywords
- response
- display screen
- screen
- touch
- data
- 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
- 230000004044 response Effects 0.000 title claims abstract description 278
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008649 adaptation response Effects 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000005265 energy consumption Methods 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000005316 response function Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- G09G3/006—Electronic inspection or testing of displays and display drivers, e.g. of LED or LCD displays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0412—Digitisers structurally integrated in a display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
- G06F3/0418—Control or interface arrangements specially adapted for digitisers for error correction or compensation, e.g. based on parallax, calibration or alignment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
- G06F3/147—Digital output to display device ; Cooperation and interconnection of the display device with other functional units using display panels
-
- 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
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- User Interface Of Digital Computer (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域，公开了一种基于多维传感数据反馈的显示屏自适应响应方法及其装置。方法包括：通过预置的传感器组对目标显示屏进行多维融合数据采集、数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；对屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；通过显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；生成屏幕温度保护策略和触控响应延迟补偿策略；根据屏幕温度保护策略和触控响应延迟补偿策略，对第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果，进而通过多维传感数据提高了显示屏自适应响应准确率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于多维传感数据反馈的显示屏自适应响应方法及其装置。
背景技术
传统的亮度控制方法通常依赖于用户手动设置或简单的环境传感器，未能实现精确的显示屏自适应响应。因此，研究如何综合考虑多维融合数据的显示屏自适应响应方法，以解决上述问题，是当前研究的重要方向之一。
发明内容
本发明提供了一种基于多维传感数据反馈的显示屏自适应响应方法及其装置，进而通过多维传感数据提高了显示屏自适应响应准确率。
本发明第一方面提供了一种基于多维传感数据反馈的显示屏自适应响应方法，所述基于多维传感数据反馈的显示屏自适应响应方法包括：
通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对所述初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略；
对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略；
根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
本发明第二方面提供了一种基于多维传感数据反馈的显示屏自适应响应系统，所述基于多维传感数据反馈的显示屏自适应响应系统包括：
监控模块，用于通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对所述初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
提取模块，用于对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
调整模块，用于将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
温度分析模块，用于对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略；
延迟分析模块，用于对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略；
优化模块，用于根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
本发明提供的技术方案中，能够综合利用多个传感器的数据，包括亮度、温度和触控等多维信息，从而更全面地了解目标显示屏的状态和环境。通过分析传感数据，可以根据不同显示屏的需求和特征生成个性化的响应策略，使得每个显示屏都能够根据其自身情况进行自适应响应，提高响应延迟。通过实时采集和分析传感数据，能够快速做出响应决策，并根据实际情况不断优化响应策略，以确保响应的实时性和精准性。通过温度分析和能耗效率评估，可以降低显示屏的能耗，延长设备的寿命，并减少对环境的影响，实现了温度过热保护的目标。通过触控响应分析和延迟补偿策略，可以显著减少触控延迟，提高用户的触控体验，尤其对于交互式应用和游戏等方面有益。通过多目标优化和模拟退火算法，能够找到最佳的显示屏响应策略，实现了全局最优化，确保了整个系统的性能最大化。通过数据驱动的方式，根据实际传感数据生成响应策略，避免了依赖静态设置或经验法则，提高了响应的智能性和适应性，进而通过多维传感数据提高了显示屏自适应响应准确率。
附图说明
图1为本发明实施例中基于多维传感数据反馈的显示屏自适应响应方法的一个实施例示意图；
图2为本发明实施例中基于多维传感数据反馈的显示屏自适应响应系统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基于多维传感数据反馈的显示屏自适应响应方法及其装置，进而通过多维传感数据提高了显示屏自适应响应准确率。
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，本发明实施例中基于多维传感数据反馈的显示屏自适应响应方法的一个实施例包括：
步骤101、通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
可以理解的是，本发明的执行主体可以为基于多维传感数据反馈的显示屏自适应响应系统，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，通过多种传感器进行综合监控，确保能够从不同维度捕捉到液晶显示屏的工作状态。感光传感器主要负责捕捉环境光线的强度，并将这一信息转换成液晶显示屏的初始亮度反馈数据。这一过程中，传感器需要准确地响应外部光线的变化，并将其转化为电信号，以便后续处理。温度监测传感器监控显示屏的运行温度，温度过高或过低都影响显示效果或导致设备损坏。传感器需要能够精确测量显示屏表面的温度，并将这些数据转换成电信号以供分析。同时，感应模组捕捉用户的触控交互行为。这有助于理解用户的操作习惯和优化响应延迟。传感器需要高度灵敏以准确记录触摸的位置、力度和持续时间。获得这些初始数据后，通过克里金插值分析来提升数据的完整性和准确度。克里金插值是一种空间插值技术，能够基于已知数据点来预测未知数据点的值，可以填补数据空缺、减少测量误差。对插值后的数据进行标准化处理。标准化是数据预处理的一个环节，通过消除数据之间的尺度差异，使得数据更加一致，便于进行后续的统计分析和模式识别。通过预置的信息熵函数来评估数据集的复杂性和不确定性。信息熵是衡量数据随机性的重要指标，高信息熵意味着数据中蕴含着丰富的、未被揭示的信息。通过计算信息熵，系统可以更好地理解数据集的内在特性，并据此进行有效的数据分割和特征提取。
步骤102、对屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
具体的，通过预置的CNN模型对所述屏幕亮度反馈参数进行亮度响应特征提取，得到初始亮度特征集合。CNN模型利用其多层结构和卷积核来提取图像数据中的局部特征，这些特征有助于理解显示屏在不同环境光线条件下的表现。CNN模型中的每个卷积层都会应用一组卷积核，这些核通过滑动窗口的方式在输入数据上进行卷积操作，捕捉局部依赖关系和空间层次结构。通过激活函数和偏置项的作用，网络能够增强其对数据的非线性建模能力。在提取出初步的亮度特征后，进行归一化处理。归一化是一种常见的数据预处理方法，它通过调整特征数据的范围，使其分布在一个特定的区间（通常是0到1），从而提高了不同特征数据的可比性，降低了模型训练的复杂性。归一化处理后的数据更适合用于后续的机器学习和数据分析任务。使用分类函数对归一化后的亮度特征集合进行分类。这一步骤涉及到监督学习方法，通过学习和识别不同类别的特征，模型可以更准确地将数据归类。分类函数包括支持向量机（SVM）或其他分类算法，这些算法通过找到数据集中不同类别之间的最佳分界线，来实现高效的分类。通过预置的LSTM模型对屏幕亮度反馈参数进行亮度响应模式提取。LSTM模型适合处理和预测时间序列数据中的关键事件，因为它能够学习到数据在时间上的长期依赖关系。LSTM模型通过维护一个隐藏状态，这个状态可以捕捉到之前时间点的信息，并影响当前和未来的输出。
步骤103、将目标亮度响应特征以及目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
需要说明的是，将目标亮度响应特征和目标亮度响应模式输入到预置的显示屏响应决策模型中。这个模型包括嵌入层、线性回归决策网络、随机森林决策网络以及输出层。嵌入层的主要作用是将亮度响应的各种特征和模式整合成一个融合亮度特征集合。不同来源的数据如亮度级别、变化模式和时间序列特征被统一处理，确保后续分析能够全面考虑各种因素。这种融合处理有助于提高模型的预测精度和鲁棒性。线性回归决策网络对融合后的亮度特征集合进行分析，以生成第一显示状态预测参数。多元线性回归是一种常用的统计方法，用于分析多个自变量与一个因变量之间的线性关系。在这个过程中，每个特征的重要性被量化为一个回归系数，这有助于理解不同特征对显示状态的影响力度。通过这种分析，可以得到一个反映显示屏应该如何调整的初步参数集。随机森林决策网络进一步对融合亮度特征集合进行分析，以生成第二显示状态预测参数。随机森林是一种基于决策树集合的强大的机器学习方法，它能够处理高维度数据并提供准确的预测。随机森林通过多个决策树的平均结果来提高预测的准确性和泛化能力。模型能够从多个角度综合考虑亮度特征，生成更加精准和可靠的显示状态调整策略。在获取到这两组预测参数后，通过将每个层的输出与相应的权重数据相结合，模型会分别计算出基于线性回归决策网络和随机森林决策网络的加权预测参数。这种加权方法可以平衡不同模型的贡献，确保最终的显示状态调整策略既准确又全面。输出层将这两组加权状态预测参数进行汇总和求和运算，生成最终的显示屏响应决策结果。
步骤104、对屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据显示屏温度变化特征生成目标显示屏的屏幕温度保护策略；
具体的，通过预置的线性能耗模型对屏幕温度反馈参数进行显示屏温度分析，从而得到显示屏的总能耗数据。这个模型的核心是将每个运行状态的温度数据与该状态持续时间的乘积相加，从而计算出整体的能耗。在这个过程中，每个状态的能耗被视为温度和时间的函数，意味着温度越高或状态持续时间越长，其能耗就越大。通过预置的能耗效率评估函数对所得到的总能耗数据进行分析，从而评估显示屏的能耗效率。能耗效率是衡量显示屏能量使用效率的重要指标，它通过比较有用能量输出与总能耗之间的比例来计算。从而识别出能源使用中的不足之处，为后续的温度过热保护优化提供依据。根据所得到的总能耗数据和能耗效率，进行能耗特征提取，从而得到显示屏温度变化特征。这些特征有助于理解显示屏的能耗模式，它们能够帮助确定温度过热保护优化的重点区域。将这些显示屏温度变化特征输入预置的贝叶斯网络进行耗能温度保护分析。贝叶斯网络是一种基于概率的图模型，它能够处理不确定性和复杂的依赖关系。通过这种分析，可以生成目标显示屏的屏幕温度保护策略。
步骤105、对屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据触控响应延迟特征生成目标显示屏的触控响应延迟补偿策略；
具体的，通过预置的特征聚类模型对屏幕触控反馈参数进行聚类分析，将触控数据根据其特征分为不同的类别。特征聚类模型主要运用距离度量的方法来确定数据点与各个类别中心点之间的相似度，通过最小化每个类别内的数据点与其中心点之间的距离平方和，以实现有效的数据分类。对这些初始触控类别进行关联规则挖掘。通过关联规则挖掘，可以识别出不同触控类别之间的内在联系，如某些触控模式经常同时出现或相继发生。从而提取出更加精确的触控响应延迟特征。将提取出的触控响应延迟特征输入预置的ARIMA模型进行触控响应延迟补偿分析。ARIMA模型，即自回归积分滑动平均模型，是一种常用的时间序列预测方法，适用于分析和预测具有时间序列数据的场景。ARIMA模型可以分析触控交互特征随时间的变化趋势，从而预测用户的未来触控行为。基于这些预测，可以生成目标显示屏的触控响应延迟补偿策略，这些约束旨在根据用户的历史行为和预测趋势，调整显示屏的各种参数，如亮度、色温或界面布局，以优化响应延迟。
步骤106、根据屏幕温度保护策略和触控响应延迟补偿策略，对第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
具体的，根据屏幕温度保护策略和触控响应延迟补偿策略，对原有的第一显示屏响应决策结果进行多目标优化。多目标优化在此处的作用是同时考虑温度过热保护和响应延迟两方面的目标，通过算法寻找一个综合最优的解决方案。根据得到的第一目标优化结果（屏幕温度保护策略）和第二目标优化结果（触控响应延迟补偿策略）对原先的显示屏响应决策结果进行更新，以形成候选的显示屏响应决策结果。为了确保找到全局最优的显示屏响应决策结果，采用预置的模拟退火算法对候选策略进行进一步的全局最优求解和迭代优化。模拟退火算法是一种概率型优化算法，它通过模拟物理退火过程中的随机和渐冷过程来寻找全局最优解。在应用模拟退火算法时，算法会从一个初始解开始，通过随机选择邻域解，并根据特定的准则接受或拒绝这些解，逐步寻找更优的解决方案。这一过程中的“退火”机制允许算法在一定程度上接受较差的解，从而避免陷入局部最优解，增加找到全局最优解的概率。通过不断的迭代和优化，最终得到的第二显示屏响应决策结果。
本发明实施例中，能够综合利用多个传感器的数据，包括亮度、温度和触控等多维信息，从而更全面地了解目标显示屏的状态和环境。通过分析传感数据，可以根据不同显示屏的需求和特征生成个性化的响应策略，使得每个显示屏都能够根据其自身情况进行自适应响应，提高响应延迟。通过实时采集和分析传感数据，能够快速做出响应决策，并根据实际情况不断优化响应策略，以确保响应的实时性和精准性。通过温度分析和能耗效率评估，可以降低显示屏的能耗，延长设备的寿命，并减少对环境的影响，实现了温度过热保护的目标。通过触控响应分析和延迟补偿策略，可以显著减少触控延迟，提高用户的触控体验，尤其对于交互式应用和游戏等方面有益。通过多目标优化和模拟退火算法，能够找到最佳的显示屏响应策略，实现了全局最优化，确保了整个系统的性能最大化。通过数据驱动的方式，根据实际传感数据生成响应策略，避免了依赖静态设置或经验法则，提高了响应的智能性和适应性，进而通过多维传感数据提高了显示屏自适应响应准确率。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）通过预置的感光传感器对目标显示屏进行屏幕光线传感分析，得到初始亮度反馈数据，其中，感光传感器的公式为：，L表示初始亮度反馈数据，/>表示环境光线强度，/>表示传感器响应系数；
（2）通过预置的温度监测传感器对目标显示屏进行运行温度分析，得到初始温度反馈数据，其中，温度监测传感器的公式为：，/>表示显示屏温度，/>表示电阻值，/>表示温度转换系数；
（3）通过预置的感应模组对目标显示屏进行触控响应分析，得到初始触控反馈参数，其中，感应模组的公式为：表示触摸响应，(x,y)表示触摸坐标，/>表示触摸响应函数；
（4）根据初始亮度反馈数据、初始温度反馈数据以及初始触控反馈参数生成对应的初始多维融合数据；
（5）通过预置的克里金插值函数对初始多维融合数据进行插值分析，得到第一多维融合数据，克里金插值函数为：表示预测位置/>的值，/>表示权重系数，/>表示已知点/>的值；
（6）通过预置的标准化处理函数对第一多维融合数据进行标准化处理，得到第二多维融合数据，标准化处理函数为：表示第二多维融合数据，μ表示平均值，/>表示标准差；
（7）通过预置的信息熵函数对第二多维融合数据进行信息熵计算，得到信息熵，信息熵函数为：，/>表示信息熵，/>表示事件/>发生的概率；
（8）基于信息熵，对第二多维融合数据进行主成分分析和数据集分割，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数。
具体的，通过感光传感器对目标显示屏进行屏幕光线传感分析。传感器利用特定的公式来量化环境光线强度对显示屏亮度的影响。具体地，通过将环境光线强度（通常以光照强度单位测量）乘以一个预先定义的响应系数来计算初始亮度反馈数据。这个响应系数是基于显示屏的特定特性和最佳显示效果进行调整的。它的作用是将环境光线强度转换成相应的显示屏亮度级别，确保在不同光照条件下保持最佳的可视性和舒适度。通过温度监测传感器进行显示屏运行温度的分析。温度监测传感器公式考虑了显示屏内部的电阻值，并结合了特定的温度转换系数。这些系数将电阻值转换为温度读数，帮助监控和调整显示屏的温度，以保证其在有效的工作范围内运行，防止过热导致的性能下降或损害。通过感应模组分析用户与显示屏的触控交互。这一过程中，传感器收集的数据包括触摸位置、力度和持续时间等信息。通过特定的触摸响应函数，这些数据被转换为能够反映用户交互习惯和偏好的信息。这些初始的亮度响应、温度和触控反馈参数共同形成了一个多维融合数据。通过克里金插值函数对这些数据进行插值分析，以提高数据的准确度和完整性。克里金插值函数基于已知数据点来估计未知点的值，提供了一种预测显示屏在不同位置和状态下的行为的有效方法。对这些数据进行标准化处理，以消除不同类型数据间的尺度差异，使其更适合进行复杂的分析处理。标准化处理涉及将数据转换为一个共同的标准，如将其规范到一个固定的范围或分布。通过信息熵函数对标准化后的数据集进行信息熵计算，这一步骤有助于评估数据集中的复杂性和不确定性，为后续的数据分析提供重要的信息。随后，基于这些信息，对数据集进行主成分分析和分割，从而提取出最关键的亮度响应、温度和触控反馈参数，为后续的显示状态调整提供依据。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）通过预置的CNN模型对屏幕亮度反馈参数进行亮度响应特征提取，得到初始亮度特征集合，其中，CNN模型包括：，/>表示初始亮度特征集合，表示卷积核权重，/>表示屏幕亮度反馈参数，b表示偏置项，/>表示激活函数，/>表示卷积操作；
（2）通过预置的归一化函数对初始亮度特征集合进行归一化处理，得到归一化亮度特征集合，归一化函数为：，/>表示归一化亮度特征集合，表示初始亮度特征集合中的最小值和最大值；
（3）通过预置的分类函数对归一化亮度特征集合进行特征分类，生成目标亮度响应特征，分类函数为：，/>表示目标亮度响应特征，/>表示拉格朗日乘子，/>表示类标签，/>表示内积，/>表示偏置项；
（4）通过预置的LSTM模型对屏幕亮度反馈参数进行亮度响应模式提取，得到目标亮度响应模式，其中，LSTM模型包括：，/>表示在时间t的隐藏状态，/>表示权重矩阵，/>表示在时间t的输入，/>表示偏置项。
具体的，通过预置的CNN模型对屏幕亮度反馈参数进行处理，以提取出初始的亮度特征集合。CNN模型是一种深度学习模型，适合处理具有空间关系的数据。在处理显示屏亮度数据时，CNN模型通过其卷积层捕获亮度的空间特征，这些特征包括亮度的分布、变化模式等。卷积层中的每个卷积核负责提取特定的亮度特征，然后通过激活函数增加非线性，使模型能够捕捉到更复杂的亮度模式，这些处理过程生成了一个初始亮度特征集合，它反映了液晶显示屏在不同环境下的亮度响应。对这些初始亮度特征进行归一化处理。归一化通过调整数据的尺度使数据更加统一。归一化函数将每个特征的值转换为0到1之间的数值，这使得不同的特征可以在相同的尺度上进行比较和分析。归一化后的亮度特征更适合于机器学习模型的进一步处理和分析。使用分类函数对归一化后的亮度特征进行分类，通过监督学习算法，如支持向量机（SVM）等，生成目标亮度响应特征。分类函数的目的是根据已知的标签数据来识别出不同类型的亮度响应模式，比如在不同时间段或不同环境条件下的亮度变化。这些分类后的特征为显示屏的亮度调整提供了更精确的指导。通过LSTM模型对屏幕亮度反馈参数进行深入分析，以提取亮度响应的时间序列模式。LSTM模型是一种特殊的循环神经网络，擅长处理时间序列数据，能够捕捉到数据中的长期依赖关系。在处理亮度反馈数据时，LSTM通过其结构记住过去的信息，并利用这些信息来预测未来的亮度变化。这有助于理解显示屏如何在不同时间段对环境变化做出反应。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）将目标亮度响应特征以及目标亮度响应模式输入预置的显示屏响应决策模型，显示屏响应决策模型包括：嵌入层、线性回归决策网络、随机森林决策网络以及输出层；
（2）通过嵌入层对目标亮度响应特征以及目标亮度响应模式进行特征融合，得到融合亮度特征集合；
（3）通过线性回归决策网络对融合亮度特征集合进行显示屏响应决策分析，得到第一显示状态预测参数，其中，线性回归决策网络包括：，/>表示第一显示状态预测参数，/>表示截距，表示融合亮度特征集合中第n个融合亮度特征的回归系数，/>表示融合亮度特征集合中第n个融合亮度特征；
（4）通过随机森林决策网络对融合亮度特征集合进行显示屏响应决策分析，得到第二显示状态预测参数，其中，随机森林决策网络包括：，/>表示第二显示状态预测参数，/>表示第i棵决策树的显示状态预测参数；
（5）获取线性回归决策网络的第一权重数据和随机森林决策网络的第二权重数据，并根据第一权重数据计算第一显示状态预测参数的第一加权状态预测参数，以及根据第二权重数据计算第二显示状态预测参数的第二加权状态预测参数；
（6）通过输出层，对第一加权状态预测参数和第二加权状态预测参数进行求和运算，并生成目标显示屏的第一显示屏响应决策结果。
具体的，将目标亮度响应特征以及目标亮度响应模式输入预置的显示屏响应决策模型，显示屏响应决策模型包括：嵌入层、线性回归决策网络、随机森林决策网络以及输出层。通过嵌入层对目标亮度响应特征和目标亮度响应模式进行融合。将来自不同来源的特征综合在一起，形成一个融合的亮度特征集合。例如，亮度响应特征包括在特定光照条件下的亮度级别，而亮度响应模式涉及亮度随时间的变化趋势。这些不同的数据点通过嵌入层结合在一起，为更精确的显示状态调整提供了更全面的数据基础。通过线性回归决策网络对融合后的亮度特征集合进行分析，以生成第一显示状态预测参数。建立一个线性关系，其中每个融合后的亮度特征都对应一个权重系数。这些系数共同决定了显示状态的调整方向和幅度。例如，如果某个特定的亮度特征与用户偏好的亮度设置高度相关，那么这个特征在回归模型中的权重系数将会较大，从而在预测显示状态时发挥更大的影响。使用随机森林决策网络对同一融合亮度特征集合进行另一种形式的分析，得到第二显示状态预测参数。随机森林是一种集成学习方法，它通过构建多棵决策树并综合它们的预测结果来提高预测的准确性和鲁棒性。模型能够从多个角度综合考虑同一组亮度特征，生成一个更加可靠和全面的显示状态调整策略。将线性回归决策网络和随机森林决策网络的预测结果进行加权融合。每个层的预测结果都根据其相应的权重数据进行加权，以平衡不同分析方法的贡献，从而寻找最佳显示状态调整策略。这综合考虑了从线性和非线性两种不同视角分析亮度特征所得出的结论。通过输出层将这两种加权后的预测参数进行整合，生成最终的显示屏响应决策结果。这个策略是显示屏状态调整的最终产物，它基于从亮度响应特征和模式中提取的深入见解，以及通过先进的数据分析方法得出的综合预测。例如，如果分析结果显示在晚上用户倾向于使用较低的亮度设置，而且这一偏好在多元线性回归和随机森林分析中都得到了证实，那么最终的显示状态调整策略将包括在晚上自动降低显示屏的亮度。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）通过预置的线性能耗模型，对屏幕温度反馈参数进行显示屏温度分析，得到总能耗数据，线性能耗模型包括：，/>表示总能耗数据，/>表示第i个状态的屏幕温度反馈参数，/>表示第i个状态持续的时间；
（2）通过预置的能耗效率评估函数，对总能耗数据进行能耗效率评估，得到能耗效率，能耗效率评估函数为：，/>表示能耗效率，/>表示有用能量输出，/>表示总能耗数据；
（3）根据总能耗数据和能耗效率，对屏幕温度反馈参数进行能耗特征提取，得到显示屏温度变化特征；
将显示屏温度变化特征输入预置的贝叶斯网络进行耗能温度保护分析，得到目标显示屏的屏幕温度保护策略。
具体的，通过预置的线性能耗模型对屏幕温度反馈参数进行分析，以计算显示屏的总能耗。这个模型基于温度反馈参数和每个状态持续的时间，计算出在不同运行状态下显示屏的能耗。具体地，模型将每个状态的运行温度与该状态持续的时间相乘，然后将所有状态的能耗累加起来，得到总能耗。通过能耗效率评估函数对计算出的总能耗进行分析，以评估显示屏的能耗效率。这个评估过程通过比较显示屏的有用能量输出与总能耗来进行。能耗效率是衡量显示屏能量使用效率的重要指标，它能帮助识别能源使用中的效率问题。例如，如果一个显示屏产生了大量的有用能量输出，但同时也有很高的能耗，那么它的能耗效率并不理想。相反，如果有用能量输出与能耗之间比例较高，则表明显示屏在能源使用上更有效率。随后，基于总能耗数据和能耗效率，对屏幕温度反馈参数进行能耗特征提取，得到显示屏温度变化特征。使用总能耗数据和能耗效率评估结果，对屏幕温度反馈参数进行能耗特征提取。这些特征可以包括能耗的平均值、方差、最小值、最大值等统计信息，以及能耗与其他传感参数之间的相关性。构建一个预置的贝叶斯网络，该网络以能耗特征为输入，用于耗能温度保护分析。贝叶斯网络是一种用于处理不确定性的概率图模型，可以描述参数之间的依赖关系和概率分布。在网络中，设置适当的节点和边，以表示能耗特征和屏幕温度保护策略之间的关系。使用贝叶斯网络进行耗能温度保护分析，得到目标显示屏的屏幕温度保护策略。这些策略可以包括调整屏幕亮度、限制资源密集型任务、优化温度控制算法等，以保护显示屏免受过热或过冷的影响。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）通过预置的特征聚类模型，对屏幕触控反馈参数进行聚类分析，得到多个初始触控类别，特征聚类模型为：，/>表示第i个初始触控类别，/>表示第k个类别的中心点，R表示屏幕触控反馈参数；
（2）对多个初始触控类别进行关联规则挖掘，得到多个目标触控类别，并根据多个目标触控类别对屏幕触控反馈参数进行触控交互特征提取，得到触控响应延迟特征；
（3）将触控响应延迟特征输入预置的ARIMA模型进行触控响应延迟补偿分析，生成目标显示屏的触控响应延迟补偿策略。
具体的，使用一个预置的聚类算法，如K均值聚类，对屏幕触控反馈参数进行聚类分析。K均值聚类是一种常用的聚类算法，它可以将数据分成K个不同的簇。选择一个合适的K值，可以使用Elbow方法或Silhouette分数等技术来确定K值。对于每个聚类，计算中心点（簇的平均值），这将成为该类别的中心点。使用关联规则挖掘技术，如Apriori算法或FP-growth算法，来分析多个初始触控类别之间的关联。设置最小支持度和最小置信度的阈值，以控制规则挖掘的严格程度。挖掘出多个目标触控类别，并记录它们之间的关联规则，这些规则将指导后续的触控响应延迟特征提取。对于每个目标触控类别，计算触控响应延迟特征。这些特征可以包括触控响应时间的平均值、方差、最小值、最大值等统计信息，以及与其他传感参数的关联性。还可以考虑时间序列分析技术，如自回归移动平均模型（ARIMA），以捕捉触控响应的时间动态。这些特征将作为输入传递给ARIMA模型。使用预置的ARIMA模型，该模型需要事先训练或根据数据来拟合。将触控响应延迟特征输入ARIMA模型，然后进行触控响应延迟补偿分析。ARIMA模型可以帮助预测触控响应延迟，并生成补偿策略，以使触控响应更加实时和流畅。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）根据屏幕温度保护策略和触控响应延迟补偿策略对第一显示屏响应决策结果进行多目标优化，得到屏幕温度保护策略的第一目标优化结果以及触控响应延迟补偿策略的第二目标优化结果；
（2）根据第一目标优化结果以及第二目标优化结果，对第一显示屏响应决策结果进行策略更新，得到候选显示屏响应决策结果；
（3）通过预置的模拟退火算法，对候选显示屏响应决策结果进行全局最优求解和迭代优化，得到第二显示屏响应决策结果。
具体的，定义两个目标函数，一个代表屏幕温度保护策略的目标函数（第一目标）和另一个代表触控响应延迟补偿策略的目标函数（第二目标）。设定优化问题的约束条件，包括屏幕温度、触控响应时间等。使用多目标优化算法，如多目标遗传算法（MOGA）或多目标粒子群优化（MOPSO），来同时优化这两个目标函数。这些算法将生成一组非劣解，其中每个解都在两个目标之间取得平衡。从多目标优化的结果中选择一个候选解作为第一显示屏的响应决策策略。通常，选择一个平衡性较好的解。使用这个候选解来更新第一显示屏的响应策略。这可以涉及到参数的调整、策略的重新制定等。使用模拟退火算法，对候选显示屏响应决策结果进行全局最优求解和迭代优化。模拟退火算法是一种启发式算法，通过模拟金属冶炼时的退火过程，来搜索全局最优解。它可以在搜索空间中随机选择新的解，并根据目标函数的值来接受或拒绝这些解。通过不断的退火迭代，最终收敛到全局最优解或接近最优解。
上面对本发明实施例中基于多维传感数据反馈的显示屏自适应响应方法进行了描述，下面对本发明实施例中基于多维传感数据反馈的显示屏自适应响应系统进行描述，请参阅图2，本发明实施例中基于多维传感数据反馈的显示屏自适应响应系统一个实施例包括：
监控模块201，用于通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对所述初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
提取模块202，用于对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
调整模块203，用于将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
温度分析模块204，用于对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略；
延迟分析模块205，用于对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略；
优化模块206，用于根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
通过上述各个组成部分的协同合作，能够综合利用多个传感器的数据，包括亮度、温度和触控等多维信息，从而更全面地了解目标显示屏的状态和环境。通过分析传感数据，可以根据不同显示屏的需求和特征生成个性化的响应策略，使得每个显示屏都能够根据其自身情况进行自适应响应，提高响应延迟。通过实时采集和分析传感数据，能够快速做出响应决策，并根据实际情况不断优化响应策略，以确保响应的实时性和精准性。通过温度分析和能耗效率评估，可以降低显示屏的能耗，延长设备的寿命，并减少对环境的影响，实现了温度过热保护的目标。通过触控响应分析和延迟补偿策略，可以显著减少触控延迟，提高用户的触控体验，尤其对于交互式应用和游戏等方面有益。通过多目标优化和模拟退火算法，能够找到最佳的显示屏响应策略，实现了全局最优化，确保了整个系统的性能最大化。通过数据驱动的方式，根据实际传感数据生成响应策略，避免了依赖静态设置或经验法则，提高了响应的智能性和适应性，进而通过多维传感数据提高了显示屏自适应响应准确率。
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（random access 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)
1.一种基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述基于多维传感数据反馈的显示屏自适应响应方法包括：
通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对所述初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；具体包括：通过预置的感光传感器对目标显示屏进行屏幕光线传感分析，得到初始亮度反馈数据，其中，屏幕光线传感的公式为：，L表示初始亮度反馈数据，/>表示环境光线强度，/>表示传感器响应系数；通过预置的温度监测传感器对目标显示屏进行运行温度分析，得到初始温度反馈数据，其中，所述温度监测传感器的公式为：/>，/>表示显示屏温度，/>表示电阻值，/>表示温度转换系数；通过预置的感应模组对目标显示屏进行触控响应分析，得到初始触控反馈参数，其中，所述感应模组的公式为：/> 表示触摸响应，/>表示触摸坐标，/>表示触摸响应函数；根据所述初始亮度反馈数据、所述初始温度反馈数据以及所述初始触控反馈参数生成对应的初始多维融合数据；通过预置的克里金插值函数对所述初始多维融合数据进行插值分析，得到第一多维融合数据，所述克里金插值函数为：/>表示预测位置/>的值，/>表示权重系数，/>表示已知点/>的值；通过预置的标准化处理函数对所述第一多维融合数据进行标准化处理，得到第二多维融合数据，所述标准化处理函数为：/>表示第二多维融合数据，μ表示平均值，/>表示标准差；通过预置的信息熵函数对所述第二多维融合数据进行信息熵计算，得到信息熵，所述信息熵函数为：/>，/>表示信息熵，/>表示事件/>发生的概率；基于所述信息熵，对所述第二多维融合数据进行主成分分析和数据集分割，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略；
对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略；
根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
2.根据权利要求1所述的基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式，包括：
通过预置的CNN模型对所述屏幕亮度反馈参数进行亮度响应特征提取，得到初始亮度特征集合，其中，所述CNN模型包括：，/>表示初始亮度特征集合，/>表示卷积核权重，/>表示屏幕亮度反馈参数，b表示偏置项，/>表示激活函数，/>表示卷积操作；
通过预置的归一化函数对所述初始亮度特征集合进行归一化处理，得到归一化亮度特征集合，所述归一化函数为：，/>表示归一化亮度特征集合，表示初始亮度特征集合中的最小值和最大值；
通过预置的分类函数对所述归一化亮度特征集合进行特征分类，生成目标亮度响应特征，所述分类函数为：，/>表示目标亮度响应特征，/>表示拉格朗日乘子，/>表示类标签，/>表示内积，/>表示偏置项；
通过预置的LSTM模型对所述屏幕亮度反馈参数进行亮度响应模式提取，得到目标亮度响应模式，其中，所述LSTM模型包括：，/>表示在时间t的隐藏状态，/>表示权重矩阵，/>表示在时间t的输入，/>表示偏置项。
3.根据权利要求2所述的基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果，包括：
将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型，所述显示屏响应决策模型包括：嵌入层、线性回归决策网络、随机森林决策网络以及输出层；
通过所述嵌入层对所述目标亮度响应特征以及所述目标亮度响应模式进行特征融合，得到融合亮度特征集合；
通过所述线性回归决策网络对所述融合亮度特征集合进行显示屏响应决策分析，得到第一显示状态预测参数，其中，所述线性回归决策网络包括：，/>表示第一显示状态预测参数，/>表示截距，/>表示融合亮度特征集合中第n个融合亮度特征的回归系数，/>表示融合亮度特征集合中第n个融合亮度特征；
通过所述随机森林决策网络对所述融合亮度特征集合进行显示屏响应决策分析，得到第二显示状态预测参数，其中，所述随机森林决策网络包括：，/>表示第二显示状态预测参数，/>表示第i棵决策树的显示状态预测参数；
获取所述线性回归决策网络的第一权重数据和所述随机森林决策网络的第二权重数据，并根据所述第一权重数据计算所述第一显示状态预测参数的第一加权状态预测参数，以及根据所述第二权重数据计算所述第二显示状态预测参数的第二加权状态预测参数；
通过所述输出层，对所述第一加权状态预测参数和所述第二加权状态预测参数进行求和运算，并生成所述目标显示屏的第一显示屏响应决策结果。
4.根据权利要求1所述的基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略，包括：
通过预置的线性能耗模型，对所述屏幕温度反馈参数进行显示屏温度分析，得到总能耗数据，所述线性能耗模型包括：，/>表示总能耗数据，/>表示第i个状态的屏幕温度反馈参数，/>表示第i个状态持续的时间；
通过预置的能耗效率评估函数，对所述总能耗数据进行能耗效率评估，得到能耗效率，所述能耗效率评估函数为：，/>表示能耗效率，/>表示有用能量输出，/>表示总能耗数据；
根据所述总能耗数据和所述能耗效率，对所述屏幕温度反馈参数进行能耗特征提取，得到显示屏温度变化特征；
将所述显示屏温度变化特征输入预置的贝叶斯网络进行耗能温度保护分析，得到所述目标显示屏的屏幕温度保护策略。
5.根据权利要求1所述的基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略，包括：
通过预置的特征聚类模型，对所述屏幕触控反馈参数进行聚类分析，得到多个初始触控类别，所述特征聚类模型为：，/>表示第i个初始触控类别，/>表示第k个类别的中心点，R表示屏幕触控反馈参数；
对所述多个初始触控类别进行关联规则挖掘，得到多个目标触控类别，并根据所述多个目标触控类别对所述屏幕触控反馈参数进行触控交互特征提取，得到触控响应延迟特征；
将所述触控响应延迟特征输入预置的ARIMA模型进行触控响应延迟补偿分析，生成所述目标显示屏的触控响应延迟补偿策略。
6.根据权利要求1所述的基于多维传感数据反馈的显示屏自适应响应方法，其特征在于，所述根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果，包括：
根据所述屏幕温度保护策略和所述触控响应延迟补偿策略对所述第一显示屏响应决策结果进行多目标优化，得到所述屏幕温度保护策略的第一目标优化结果以及所述触控响应延迟补偿策略的第二目标优化结果；
根据所述第一目标优化结果以及所述第二目标优化结果，对所述第一显示屏响应决策结果进行策略更新，得到候选显示屏响应决策结果；
通过预置的模拟退火算法，对所述候选显示屏响应决策结果进行全局最优求解和迭代优化，得到第二显示屏响应决策结果。
7.一种基于多维传感数据反馈的显示屏自适应响应系统，其特征在于，所述基于多维传感数据反馈的显示屏自适应响应系统包括：
监控模块，用于通过预置的传感器组对目标显示屏进行多维融合数据采集，得到初始多维融合数据，并对所述初始多维融合数据进行数据降维，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；具体包括：通过预置的感光传感器对目标显示屏进行屏幕光线传感分析，得到初始亮度反馈数据，其中，屏幕光线传感的公式为：，L表示初始亮度反馈数据，/>表示环境光线强度，/>表示传感器响应系数；通过预置的温度监测传感器对目标显示屏进行运行温度分析，得到初始温度反馈数据，其中，所述温度监测传感器的公式为：/>，/>表示显示屏温度，/>表示电阻值，/>表示温度转换系数；通过预置的感应模组对目标显示屏进行触控响应分析，得到初始触控反馈参数，其中，所述感应模组的公式为：/>表示触摸响应，/>表示触摸坐标，/>表示触摸响应函数；根据所述初始亮度反馈数据、所述初始温度反馈数据以及所述初始触控反馈参数生成对应的初始多维融合数据；通过预置的克里金插值函数对所述初始多维融合数据进行插值分析，得到第一多维融合数据，所述克里金插值函数为：表示预测位置/>的值，/>表示权重系数，/>表示已知点的值；通过预置的标准化处理函数对所述第一多维融合数据进行标准化处理，得到第二多维融合数据，所述标准化处理函数为：/>表示第二多维融合数据，μ表示平均值，/>表示标准差；通过预置的信息熵函数对所述第二多维融合数据进行信息熵计算，得到信息熵，所述信息熵函数为：/>，/>表示信息熵，表示事件/>发生的概率；基于所述信息熵，对所述第二多维融合数据进行主成分分析和数据集分割，得到屏幕亮度反馈参数、屏幕温度反馈参数以及屏幕触控反馈参数；
提取模块，用于对所述屏幕亮度反馈参数进行响应特征和响应模式计算，得到目标亮度响应特征和目标亮度响应模式；
调整模块，用于将所述目标亮度响应特征以及所述目标亮度响应模式输入预置的显示屏响应决策模型进行显示屏响应决策分析，得到第一显示屏响应决策结果；
温度分析模块，用于对所述屏幕温度反馈参数进行显示屏温度分析，得到显示屏温度变化特征，并根据所述显示屏温度变化特征生成所述目标显示屏的屏幕温度保护策略；
延迟分析模块，用于对所述屏幕触控反馈参数进行触控响应分析，得到触控响应延迟特征，并根据所述触控响应延迟特征生成所述目标显示屏的触控响应延迟补偿策略；
优化模块，用于根据所述屏幕温度保护策略和所述触控响应延迟补偿策略，对所述第一显示屏响应决策结果进行策略优化，得到第二显示屏响应决策结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311835750.6A CN117475806B (zh) | 2023-12-28 | 2023-12-28 | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311835750.6A CN117475806B (zh) | 2023-12-28 | 2023-12-28 | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117475806A CN117475806A (zh) | 2024-01-30 |
| CN117475806B true CN117475806B (zh) | 2024-03-29 |
Family
ID=89624249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311835750.6A Active CN117475806B (zh) | 2023-12-28 | 2023-12-28 | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117475806B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850653B (zh) * | 2024-03-04 | 2024-06-21 | 山东京运维科技有限公司 | 触摸显示屏的控制方法及系统 |
| CN118425840A (zh) * | 2024-05-11 | 2024-08-02 | 深圳清芬挺秀信息科技有限公司 | 一种笔记本电脑外接显示接口的测试方法及系统 |
| CN118447805B (zh) * | 2024-07-03 | 2024-09-24 | 广东嘀嗒酷显柔性显示技术股份有限公司 | 一种可移动液晶显示屏的智能调控方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719618A (zh) * | 2016-03-30 | 2016-06-29 | 深圳市蓝视界科技有限公司 | 一种自动调节手机屏幕亮度的节能方法 |
| WO2019117942A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Adaptive display brightness adjustment |
| US11030946B1 (en) * | 2020-02-12 | 2021-06-08 | Beijing Xiaomi Mobile Software Co., Ltd. | Ambient brightness detection method, electronic device, detection apparatus and storage medium |
| CN114139659A (zh) * | 2021-06-07 | 2022-03-04 | 王霞 | 基于多维感知融合的轨迹数据采集系统 |
| CN114723904A (zh) * | 2022-04-13 | 2022-07-08 | 腾讯科技（深圳）有限公司 | 机场数据的动态管理方法、系统、计算机设备和存储介质 |
| CN114998771A (zh) * | 2022-07-18 | 2022-09-02 | 沃飞长空科技(成都)有限公司 | 飞行器视景增强的显示方法、系统、飞行器及存储介质 |
| EP4060652A1 (en) * | 2021-03-18 | 2022-09-21 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus for determining screen light intensity value, and storage medium |
| CN116072088A (zh) * | 2023-01-13 | 2023-05-05 | 东风汽车集团股份有限公司 | 一种数字外后视镜屏幕亮度控制方法、系统和显示装置 |
| CN116985803A (zh) * | 2023-09-26 | 2023-11-03 | 赛奎鹰智能装备(威海)有限责任公司 | 电动滑板车速度自适应控制系统及方法 |
| CN117201862A (zh) * | 2023-11-02 | 2023-12-08 | 深圳康荣电子有限公司 | 一种基于多屏幕协同的实时互动方法及相关装置 |
-
2023
- 2023-12-28 CN CN202311835750.6A patent/CN117475806B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719618A (zh) * | 2016-03-30 | 2016-06-29 | 深圳市蓝视界科技有限公司 | 一种自动调节手机屏幕亮度的节能方法 |
| WO2019117942A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Adaptive display brightness adjustment |
| US11030946B1 (en) * | 2020-02-12 | 2021-06-08 | Beijing Xiaomi Mobile Software Co., Ltd. | Ambient brightness detection method, electronic device, detection apparatus and storage medium |
| EP4060652A1 (en) * | 2021-03-18 | 2022-09-21 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus for determining screen light intensity value, and storage medium |
| CN114139659A (zh) * | 2021-06-07 | 2022-03-04 | 王霞 | 基于多维感知融合的轨迹数据采集系统 |
| CN114723904A (zh) * | 2022-04-13 | 2022-07-08 | 腾讯科技（深圳）有限公司 | 机场数据的动态管理方法、系统、计算机设备和存储介质 |
| CN114998771A (zh) * | 2022-07-18 | 2022-09-02 | 沃飞长空科技(成都)有限公司 | 飞行器视景增强的显示方法、系统、飞行器及存储介质 |
| CN116072088A (zh) * | 2023-01-13 | 2023-05-05 | 东风汽车集团股份有限公司 | 一种数字外后视镜屏幕亮度控制方法、系统和显示装置 |
| CN116985803A (zh) * | 2023-09-26 | 2023-11-03 | 赛奎鹰智能装备(威海)有限责任公司 | 电动滑板车速度自适应控制系统及方法 |
| CN117201862A (zh) * | 2023-11-02 | 2023-12-08 | 深圳康荣电子有限公司 | 一种基于多屏幕协同的实时互动方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117475806A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117475806B (zh) | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 | |
| Reunanen et al. | Unsupervised online detection and prediction of outliers in streams of sensor data | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| CN117371765B (zh) | 基于节能降碳智慧能源的综合优化运行方法及系统 | |
| Qi et al. | An efficient GAN-based predictive framework for multivariate time series anomaly prediction in cloud data centers | |
| CN117668582A (zh) | 基于行为数据的用户聚类分析方法 | |
| CN117972358A (zh) | 基于ai的配电柜状态识别方法、装置、设备及存储介质 | |
| CN117636477A (zh) | 一种基于径向基函数模糊神经网络的多目标跟踪匹配方法 | |
| US20230385664A1 (en) | A computer-implemented method for deriving a data processing and inference pipeline | |
| CN117421084A (zh) | 一种基于云平台的软件数据智能分析系统及方法 | |
| CN118102555A (zh) | 客厅灯光智慧调节方案的部署和控制方法 | |
| Fan | Data mining model for predicting the quality level and classification of construction projects | |
| CN116862078A (zh) | 一种换电套餐用户逾期的预测方法、系统、装置及介质 | |
| CN116755811A (zh) | 一种融合应用的桌面虚拟化方法及系统 | |
| Imtiaz et al. | Automatic Clustering of Performance Events | |
| CN116611022B (zh) | 智慧校园教育大数据融合方法及平台 | |
| CN118378152B (zh) | 一种基于行为数据分析的用户画像分类方法及系统 | |
| Gao | Trend-Based K-Nearest Neighbor Algorithm in Stock Price Prediction | |
| CN117763492B (zh) | 基于时序空间特征和偏好波动的网络安全工具智能推荐方法及装置 | |
| CN118038283B (zh) | 一种沥青路面隐伏病害检测方法及设备 | |
| CN118533848B (zh) | Ffc排线ai瑕疵检测方法、系统及设备 | |
| KR102433930B1 (ko) | 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치 | |
| CN118550415B (zh) | 一种利用ai技术实现智能化的页面布局交互方法 | |
| CN118735283A (zh) | 一种用人工智能技术评估风险的方法、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 |