CN1641688A

CN1641688A - 触控面板的类神经网络校正方法

Info

Publication number: CN1641688A
Application number: CN 200410000189
Authority: CN
Inventors: 赖志章; 林汉昌
Original assignee: Wintek Corp
Current assignee: Wintek Corp
Priority date: 2004-01-07
Filing date: 2004-01-07
Publication date: 2005-07-20

Abstract

一种触控面板的类神经网络校正方法，它是将触控面板区分为数个区块，并在每一区块中设定至少一个校正点，测量点选各校正点所获得的点选坐标值作为输入讯号，再以设定的各校正点的原坐标值作为输出讯号，并依输入讯号与输出讯号的关系以类神经学习法则求得区块的权重参数与偏压参数来建立修正式，并以类神经算法运算求得校正后的坐标值，以提高点选触控讯号的准确率。

Description

触控面板的类神经网络校正方法

技术领域

本发明涉及一种触控面板的类神经网络校正方法，尤指一种以类神经学习法则求得权重参数与偏压参数来建立修正式，再以类神经网络算法运算修正式，以提高触控讯号准确率的校正方法。

背景技术

按，市面上有许多运用电阻式触控面板的相关产品，这些触控面板本身均存在着非线性阻抗不均结构，且触控面板与显示器面板为两个不同组件，两者的相对坐标不完全相同，再者，相同方法制成的产品的特性也不尽相同，因此需要进行校正，以提高触控讯号的准确率。

现阶段运用在触控面板的校正法，大都是通过几个选定点导出校准矩阵，然后再进行点对点之间对应关系的校准运算。此一运算需要使用精确的三角函数运算。当选定点较多时，整个运算会相当繁杂，而且运算处理速度缓慢；若选定点较少，又存在误差较大的问题，故而有加以改进的必要。

发明内容

鉴于上述原因，本发明的目的是提供一种可提高触控讯号准确率的触控面板类神经网络校正方法。

为实现上述目的，本发明采用以下技术方案：一种触控面板的类神经网络校正方法，它是将触控面板区分为数个区块，并在每一区块中设定至少一个校正点，测量点选各校正点所获得的点选坐标值作为输入讯号，而以设定的各校正点的原坐标值(显示于显示器上的)作为输出讯号，以类神经网络学习法运算输入讯号与输出讯号的关系，并依输入讯号与输出讯号的关系训练学习得到权重参数与偏压参数以建立修正式，而以类神经算法运算修正式，以求出校正后的坐标值。

在本发明的具体实施例中：

所述触控面板被五乘五的矩阵区分为二十五个区块，在每个区块中分别设置一校正点，分别依据类神经学习法则求得修正式进行校正。

所述触控面板依其Y轴方向等分成五个区块，每个区块依X轴方向等分设置五个校正点，分别依据类神经学习法则求得五个区块的修正式进行校正。

本发明是以多层式类神经网络学习法运算输入讯号与输出讯号的关系，并依输入讯号与输出讯号的关系训练学习得到权重参数与偏压参数以建立多层式的修正式。

由于本发明采用以上技术方案，可提高点选触控讯号的准确率。

附图说明

图1为本发明第一实施例将触控面板区分为二十五个区块并设有二十五个校正点的示意图

图2为本发明类神经网络校正方法的流程图

图3为本发明第一实施例中各点选坐标、各校正点原座标以及各校正后的坐标的位置示意图

图4为本发明第二实施例将触控面板区分为五个区块并设有二十五个校正点的示意图

图5为本发明第二实施例的类神经网络校正方法流程图

图6为本发明第二实施例中各点选坐标、各校正点原座标以及各校正后的坐标的位置示

具体实施方式

本发明触控面板的类神经网络校正方法，是将触控面板区分为数个区块，并于每一区块中设定至少一个校正点，测量点选各校正点所获得的点选坐标值作为输入讯号，而以设定的各校正点的原坐标值作为输出讯号，以类神经网络学习法运算输入讯号与输出讯号的关系，并依输入讯号与输出讯号的关系训练学习得到每个区块的权重参数与偏压参数，再以类神经网络算法运算修正式，以求出校正后的坐标值。

下面举例说明。

实施例1：

运用Matlab软件仿真，将触控面板1区分为五乘五的矩阵共二十五个区块，在每个区块分别设置一校正点Tn，如图1所示。

图2为运用本发明的类神经网络(Neural Network)校正方法的流程图。触控面板在使用时，第一步先判定是否进行校正，如果进行校正，即进入二十五点校正进行类神经学习法则求得权重参数(Wx，Wy)与偏压参数(b)，以更新类神经算法的权重参数(Wx，Wy)与偏压参数(b)，而求得其修正式：

Xn＝Wx*X+b

Yn＝Wy*Y+b

一般操作模式时不进行校正，而直接将点选坐标值的输入讯号代入修正式以类神经网络算法运算求出校正后的坐标值。

进行校正时，先逐一点选这二十五个校正点Tn，并测量出各点选坐标Pn作为输入讯号，而以设定的各校正点Tn的原坐标值作为输出讯号。在本实施例中，设定的各校正点Tn原坐标值为显示器所显示的校正点的坐标值；请参阅第3图，图中绘示有各点选坐标、各校正点原坐标以及各校正后的坐标。

各点选坐标Pn(未含±0.05的随机误差量)如下：

P1＝[0，0]；P2＝[1，0.1]；P3＝[2，0.2]；P4＝[3，0.1]；P5＝[4，0]

P6＝[0.1，1]；P7＝[1，1]；P8＝[2，1]；P9＝[3，1]；P10＝[3.9，1]

P11＝[0.2，2]；P12＝[1，2]；P13＝[2，2]；P14＝[3，2]；P15＝[3.8，2]

P16＝[0.1，3]；P17＝[1，3]；P18＝[2，3]；P19＝[3，3]；P20＝[3.9，3]

P21＝[0，4]；P22＝[1，3.9]；P23＝[2，3.8]；P24＝[3，3.9]；P25＝[4，4]

各校正点的原坐标Tn如下：

T1＝[0，0]；T2＝[1，0]；T3＝[2，0]；T4＝[3，0]；T5＝[4，0]

T6＝[0，1]；T7＝[1，1]；T8＝[2，1]；T9＝[3，1]；T10＝[4，1]

T11＝[0，2]；T12＝[1，2]；T13＝[2，2]；T14＝[3，2]；T15＝[4，2]

T16＝[0，3]；T17＝[1，3]；T18＝[2，3]；T19＝[3，3]；T20＝[4，3]

T21＝[0，4]；T22＝[1，4]；T23＝[2，4]；T24＝[3，4]；T25＝[4，4]

再以类神经网络算法运算输入讯号与输出讯号的关系，其MatLab程序如下：

　　for i＝1∶1∶25

　　P(i，:)＝P(i，:)+(-1)^i*rand(1)/20；

　　//25点量测坐标，具有+-0.05的随机误差量

　　end

　　W＝[0 0]；b＝[0]；

　　[FW Fb]＝learn_a(P′，T(:，1)′，W，b，1，0.01)；

　　//使用Matlab现有的learn_a()function，求出X的权重(FW)

　　//与偏压值(Fb)

　　Xn＝FW*P′+Fb；//计算校正后的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[FW Fb]＝learn_a(P′，T(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出Y的权重(FW)

　　//与偏压值(Fb)

　　Yn＝FW*P′+Fb；//计算校正后的Y坐标

　　E1＝sum((P(:，1)′-T(:，1)′).^2)+sum((P(:，2)′-T(:，2)′).^2)

　　//计算点选坐标值P与校正点T的误差量

　　E2＝sum((Xn-T(:，1)′).^2)+sum((Yn-T(:，2)′).^2)
        <!-- SIPO <DP n="3"> -->
        <dp n="d3"/>
　　//计算校正后坐标值(Xn，Yn)与校正点T的误差量

类神经网络(Neural Network)依输入讯号与输出讯号的关系训练学习得到每个区块的权重参数(Wx，Wy)＝[0.0009 1.0373]与偏压参数(b)＝-0.0598，而求得其修正式为：

Xn＝Wx(0.0009)*X+b(-0.0598)

Yn＝Wy(1.0373)*Y+b(-0.0598)

将二十五点的点选坐标值每一笔皆乘以权重参数(Wx，Wy)＝[0.0009 1.0373]，再加偏压参数(b)＝-0.0598，得到新的二十五点校正后的坐标(Xn，Yn)资料如下：

(Xn1，Yn1)＝-[0.0935，-0.1039]；(Xn2，Yn2)＝[0.9946，0.0564]；

(Xn3，Yn3)＝[1.9818，0.1149]；(Xn4，Yn4)＝[3.0615，0.0585]；

(Xn5，Yn5)＝[4.0574，-0.0824]；(Xn6，Yn6)＝[0.0535，0.9811]；

(Xn7，Yn7)＝[0.9439，1.0155]；(Xn8，Yn8)＝[2.0492，0.9421]；

(Xn9，Yn9)＝[3.0181，0.9515]；(Xn10，Yn10)＝[4.0110，1.0158]；

(Xn11，Yn11)＝[0.1359，2.0011]；(Xn12，Yn12)＝[0.9951，2.0346]；

(Xn13，Yn13)＝[1.9706，1.9772]；(Xn14，Yn14)＝[3.0823，2.0571]；

(Xn15，Yn15)＝[3.8517，2.0002]；(Xn16，Yn16)＝[0.0741，3.0837]；

(Xn17，Yn17)＝[0.9357，3.0155]；(Xn18，Yn18)＝[2.0157，3.0636]；

(Xn19，Yn19)＝[3.0172，3.0324]；(Xn20，Yn20)＝[3.9833，3.0696]；

(Xn21，Yn21)＝[-0.0790，4.0743]；(Xn22，Yn22)＝[0.9940，4.0111]；

(Xn23，Yn23)＝[1.9685，3.8487]；(Xn24，Yn24)＝[3.0506，4.0028]；

(Xn25，Yn25)＝[4.0459，4.0695]

将每一点选坐标Pn(含±0.05的随机误差量)与校正点的原坐标Tn相减的平方相加，所得的误差量为0.2934，每一点校正后的坐标(Xn，Yn)与校正点的原坐标Tn相减的平方相加，所得的误差量为0.1951，可知校正后的坐标(Xn，Yn)提高33.5％的精确度。

经校正后的触控面板在一般操作模式下便不需再进行校正，当使用者点选后被测量所得的坐标值均会被代入修正式，而以类神经网络算法运算修正式求得校正后的坐标(Xn，Yn)，以提高触控讯号准确率。

再请参阅图4及图5，即本发明的实施例2，它是将触控面板依其坐标的Y轴等分为A、B、C、D、E五个区块，每个区块依坐标的X轴向等分设置五个校正点，共二十五个校正点。以分成五个区块分别进行类神经学习法则求得五组权重参数(W)与偏压参数(b)，以更新类神经算法的权重参数(W)与偏压参数(b)。一般操作模式时不进行校正，所测量的X、Y坐标先判定在A、B、C、D、E那个区块，再代入该区块的权重参数(Wx，Wy)与偏压参数(b)所建立的修正式中，利用类神经算法运算更新得到新的Xn、Yn值。

本实施例利用矩阵运算Matlab仿真触控面板的二十五个校正点，进行校正时，先逐一点选这二十五个校正点Tn，并测量出各点选坐标Pn作为输入讯号，而以设定的各校正点Tn的原坐标值作为输出讯号；图6中绘示有各点选坐标、各校正点原坐标以及各校正后的坐标。

各点选坐标如下：

A区块中的5个点选坐标点为：

A1＝[0 0]；A2＝[1 0.1]；A3＝[2 0.2]；A4＝[3 0.1]；A5＝[4 0]；

B区块中的5个点选坐标点为：

B1＝[0.1 1]；B2＝[1 1]；B3＝[2 1]；B4＝[3 1]；B5＝[3.9 1]；

C区块中的5个点选坐标点为：

C1＝[0.2 2]；C2＝[1 2]；C3＝[2 2]；C4＝[3 2]；C5＝[3.8 2]；

D区块中的5个点选坐标点为：

D1＝[0.1 3]；D2＝[1 3]；D3＝[2 3]；D4＝[3 3]；D5＝[3.9 3]；

E区块中的5个点选坐标点为：

E1＝[0 4]；E2＝[1 3.9]；E3＝[2 3.8]；E4＝[3 3.9]；E5＝[4 4]

各校正点的原坐标Tn如下：

A区块中的5个校正点坐标为：

TA1＝[0 0]；TA2＝[1 0]；TA3＝[2 0]；TA4＝[3 0]；TA5＝[4 0]；

B区块中的5个校正点坐标为：

TB1＝[0 1]；TB2＝[1 1]；TB3＝[2 1]；TB4＝[3 1]；TB5＝[4 1]；

C区块中的5个校正点坐标为：

TC1＝[0 2]；TC2＝[1 2]；TC3＝[2 2]；TC4＝[3 2]；TC5＝[4 2]；

D区块中的5个校正点坐标为：

TD1＝[0 3]；TD2＝[1 3]；TD3＝[2 3]；TD4＝[3 3]；TD5＝[4 3]；

E区块中的5个校正点坐标为：

TE1＝[0 4]；TE2＝[1 4]；TE3＝[2 4]；TE4＝[3 4]；TE5＝[4 4]

再以类神经网络算法运算输入讯号与输出讯号的关系，其程序如下：

　　   for i＝1∶1∶5

　　   A(i，:)＝A(i，:)+(-1)^i*rand(1)/20；

　　   //A区域的5点量测坐标，具有+-0.05的随机误差量

　　   end

　　   W＝[0 0]；
        <!-- SIPO <DP n="5"> -->
        <dp n="d5"/>
　　b＝[0]；

　　[AWX AbX]＝learn_a(A′，TA(:，1)′，W，b，1，0.01)；

　　//使用Matlab现有的learn_a()function，求出A区域X的权重

　　//(AWX)与偏压值(AbX)

　　XnA＝AWX*A′+AbX；//计算校正后A区域的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[AWY AbY]＝learn_a(A′，TA(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出A区域Y的权重

　　//(AWY)与偏压值(AbY)

　　YnA＝AWY*A′+AbY；//计算校正后A区域的Y坐标

　　for i＝1∶1∶5

　　B(i，:)＝B(i，:)+(-1)^i*rand(1)/20；

　　//B区域的5点量测坐标，具有+-0.05的随机误差量

　　end

　　W＝[0 0]；

　　b＝[0]；

　　[BWX BbX]＝learn_a(B′，TB(:，1)′，W，b，1，0.01)；

　　//使用Matlab现有的learn_a()function，求出B区域X的权重

　　//(BWX)与偏压值(BbX)

　　XnB＝BWX*B′+BbX；//计算校正后B区域的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[BWY BbY]＝learn_a(B′，TB(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出B区域Y的权重

　　//(BWY)与偏压值(BbY)

　　YnB＝BWY*B′+BbY；//计算校正后B区域的Y坐标

　　for i＝1∶1∶5

　　C(i，:)＝C(i，:)+(-1)^i*rand(1)/20；

　　//C区域的5点量测坐标，具有+-0.05的随机误差量

　　end

　　W＝[0 0]；

　　b＝[0]；

　　[CWX CbX]＝learn_a(C′，TC(:，1)′，W，b，1，0.01)；
        <!-- SIPO <DP n="6"> -->
        <dp n="d6"/>
　　//使用Matlab现有的learn_a()function，求出C区域X的权重

　　//(CWX)与偏压值(CbX)

　　XnC＝CWX*C′+CbX；//计算校正后C区域的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[CWY CbY]＝learn_a(C′，TC(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出C区域Y的权重

　　//(CWY)与偏压值(CbY)

　　YnC＝CWY*C′+CbY；//计算校正后C区域的Y坐标

　　for i＝1∶1∶5

　　D(i，:)＝D(i，:)+(-1)^i*rand(1)/20；

　　//D区域的5点量测坐标，具有+-0.05的随机误差量

　　end

　　W＝[0 0]；

　　b＝[0]；

　　[DWX DbX]＝learn_a(D′，TD(:，1)′，W，b，1，0.01)；

　　//使用Matlab现有的learn_a()function，求出D区域X的权重

　　//(DWX)与偏压值(DbX)

　　XnD＝DWX*D′+DbX；//计算校正后D区域的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[DWY DbY]＝learn_a(D′，TD(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出D区域Y的权重

　　//(DWY)与偏压值(DbY)

　　YnD＝DWY*D′+DbY；//计算校正后D区域的Y坐标

　　fbr i＝1∶1∶5

　　E(i，:)＝E(i，:)+(-1)^i*rand(1)/20；

　　//E区域的5点量测坐标，具有+-0.05的随机误差量

　　end

　　W＝[0 0]；

　　b＝[0]；

　　[EWX EbX]＝learn_a(E′，TE(:，1)′，W，b，1，0.01)；

　　//使用Matlab现有的learn_a()function，求出E区域X的权重

　　//(EWX)与偏压值(EbX)
        <!-- SIPO <DP n="7"> -->
        <dp n="d7"/>
　　XnE＝EWX*E′+EbX；//计算校正后E区域的X坐标

　　W＝[0 0]；

　　b＝[0]；

　　[EWY EbY]＝learn_a(E′，TE(:，2)′，W，b，1，0.011)；

　　//使用Matlab现有的learn_a()function，求出E区域Y的权重

　　//(EWY)与偏压值(EbY)

　　YnE＝EWY*E′+EbY；//计算校正后E区域的Y坐标

　　E1A＝sum((A(:，1)′-TA(:，1)′).^2)+sum((A(:，2)′-TA(:，2)′).^2)

　　//计算A区域点选坐标值A1～5与校正点TA的误差量

　　E2A＝sum((XnA-TA(:，1)′).^2)+sum((YnA-TA(:，2)′).^2)

　　//计算A区域校正后坐标值(XnA，YnA)与校正点TA的误差量

　　E1B＝sum((B(:，1)′-TB(:，1)′).^2)+sum((B(:，2)′-TB(:，2)′).^2)

　　//计算B区域点选坐标值B1～5与校正点TB的误差量

　　E2B＝sum((XnB-TB(:，1)′).^2)+sum((YnB-TB(:，2)′).^2)

　　//计算B区域校正后坐标值(XnB，YnB)与校正点TB的误差量

　　E1C＝sum((C(:，1)′-TC(:，1)′).^2)+sum((C(:，2)′-TC(:，2)′).^2)

　　//计算C区域点选坐标值C1～5与校正点TC的误差量

　　E2C＝sum((XnC-TC(:，1)′).^2)+sulm((YnC-TC(:，2)′).^2)

　　//计算C区域校正后坐标值(XnC，YnC)与校正点TC的误差量

　　E1D＝sum((D(:，1)′-TD(:，1)′).^2)+sum((D(:，2)′-TD(:，2)′).^2)

　　//计算D区域点选坐标值D1～5与校正点TD的误差量

　　E2D＝sum((XnD-TD(:，1)′).^2)+sum((YnD-TD(:，2)′).^2)

　　//计算D区域校正后坐标值(XnD，YnD)与校正点TD的误差量

　　E1E＝sum((E(:，1)′-TE(:，1)′).^2)+sum((E(:，2)′-TE(:，2)′).^2)

　　//计算E区域点选坐标值E1～5与校正点TE的误差量

　　E2E＝sum((XnE-TE(:，1)′).^2)+sum((YnE-TE(:，2)′).^2)

　　//计算E区域校正后坐标值(XnE，YnE)与校正点TE的误差量

　　E1＝E1A+E1B+E1C+E1D+E1E

　　//所有点选坐标值与校正点TE的误差量

　　E2＝E2A+E2B+E2C+E2D+E2E

　　//所有校正后坐标值与校正点TE的误差量

类神经网络(Neural Network)依输入讯号与输出讯号的关系训练学习得到每个区块的权重参数(Wx，Wy)与偏压参数(b)：

A区块

X坐标的权重参数(Wx)＝[0.9824 0.0373]

偏压参数(b)＝0.0160；

Y坐标的权重参数(Wy)＝[0 0]

偏压参数(b)＝0；

B区块

X坐标的权重参数(Wx)＝[1.0197-0.0385]

偏压参数(b)＝-0.0317；

Y坐标的权重参数(Wy)＝[-0.0049 0.4940]

偏压参数(b)＝0.5061；

C区块

X坐标的权重参数(Wx)＝[1.0489 -0.0431]

偏压参数(b)＝-0.0358；

Y坐标的权重参数(Wy)＝[-0.0078 0.8031]

偏压参数(b)＝0.4093；

D区块

X坐标的权重参数(Wx)＝[1.0159 -0.0183]

偏压参数(b)＝-0.0047；

Y坐标的权重参数(Wy)＝[-0.0114 0.8995]

偏压参数(b)＝0.3099；

E区块

X坐标的权重参数(Wx)＝[0.9833 0.0001]

偏压参数(b)＝0.0181；

Y坐标的权重参数(Wy)＝[0.0159 0.9442]

偏压参数(b)＝0.2845；

将二十五点量测点的坐标A1～5、B1～5、C1～5、D1～5、E1～5每一笔皆依其相对区块乘以区块的权重参数(Wx，Wy)，再加偏压参数(b)，得到新的二十五点校正后的坐标资料如下：

A区块

(XnA1，YnA1)＝[-0.0169 0]；(XnA2，YnA2)＝[1.0514 0]；

(XnA3，YnA3)＝[1.9543 0]；(XnA4，YnA4)＝[3.0112 0]；

(XnA5，YnA5)＝[3.9449 0]；

B区块

(XnB1，YnB1)＝[0.0251 0.9963]；(XnB2，YnB2)＝[0.9897 1.0153]；

(XnB3，YnB3)＝[1.9481 0.9799]；(XnB4，YnB4)＝[3.0326 1.0073]；

(XnB5，YnB5)＝[3.8706 0.9632]；

C区块

(XnC1，YnC1)＝[0.0532 1.9867]；(XnC2，YnC2)＝[0.9442 2.0216]；

(XnC3，YnC3)＝[1.9673 1.9934]；(XnC4，YnC4)＝[3.0323 1.9985]；

(XnC5，YnC5)＝[3.8540 1.9784]；

D区块

(XnD1，YnD1)＝[0.0209 2.9886]；(XnD2，YnD2)＝[0.9989 3.0352]；

(XnD3，YnD3)＝[1.9477 2.9640]；(XnD4，YnD4)＝[3.0287 3.0106]；

(XnD5，YnD5)＝[3.8793 2.9437]；

E区块

(XnE1，YnE1)＝[-0.0040 4.0392]；(XnE2，YnE2)＝[1.0239 4.0043]；

(XnE3，YnE3)＝[1.9648 3.8843]；(XnE4，YnE4)＝[3.0127 4.0577]；

(XnE5，YnE5)＝[3.9513 4.1244]

将A区块每一点的A1～5与TA1～5相减的平方相加，所得误差的误差量为0.0778，(XnA1～5、YnA1～5)与TA1～5相减的平方相加，所得误差的误差量为0.0082。

将B区块每一点的B1～5与TB1～5相减的平方相加，所得误差的误差量为0.0370，(XnB1～5、YnB1～5)与TB1～5相减的平方相加，所得误差的误差量为0.0233。

将C区块每一点的C1～5与TC1～5相减的平方相加，所得误差的误差量为0.0735，(XnC1～5、YnC1～5)与TC1～5相减的平方相加，所得误差的误差量为0.0305。

将D区块每一点的D1～5与TD1～5相减的平方相加，所得误差的误差量为0.0305，(XnD1～5、YnD1～5)与TD1～5相减的平方相加，所得误差的误差量为0.0245。

将E区块每一点的E1～5与TE1～5相减的平方相加，所得误差的误差量为0.0617，(XnE1～5、YnE1～5)与TE1～5相减的平方相加，所得误差的误差量为0.0381。

将五个区块的误差值相加，未校正前的总误差量E1＝0.2806，校正后的总误差量E2＝0.1246，可知校正后的点提高56.5％的精确度。

经校正后的触控面板在一般操作模式下便不需再进行校正，当使用者点选触控面板时，后被量测所得的坐标值会依其所在的区块代入该区块的权重参数(Wx，Wy)与偏压参数(b)所建立的修正式，而以类神经算法运算求得校正后的坐标(Xn，Yn)，以提高触控讯号准确率。

除了前述实施例中以类神经算法运算求得一层式的修正式之外，亦可以用类神经算法运算求得多层式的修正式来进行修正。

例如将修正式建立为：

Xn＝Wx1*X²+Wx2*X+b；

Yn＝Wy1*Y²+Wy2*Y+b；

此即为二层式(2 layers)的类神经算法运算，再运用类神经学习法求得Wx1，Wx2，Wy1，Wy2，b等权重参数与偏压参数以建立多层式的修正式。

综上所述，本发明藉由将触控面板区分为数个区块，并于每一区块分别设定个校正点，以量测点选各校正点所获得的点选坐标值作为输入讯号，再以设定的各校正点的原坐标值作为输出讯号，并依输入讯号与输出讯号的关系以类神经学习法则求得区块的权重参数与偏压参数来建立修正式，求得校正后的坐标值，以提高点选触控讯号的准确率。

Claims

1、一种触控面板的类神经网络校正方法，它是将触控面板区分为数个区块，并在每一区块中设定至少一个校正点，测量点选各校正点所获得的点选坐标值作为输入讯号，而以设定的各校正点的原坐标值作为输出讯号，以类神经网络学习法运算输入讯号与输出讯号的关系，并依输入讯号与输出讯号的关系训练学习得到权重参数与偏压参数以建立修正式，而以类神经算法运算修正式，以求出校正后的坐标值。

2、根据权利要求1所述的触控面板的类神经网络校正方法，其特征在于：所述触控面板被五乘五的矩阵区分为二十五个区块，在每个区块中分别设置一校正点，分别依据类神经学习法则求得修正式进行校正。

3、根据权利要求1所述的触控面板的类神经网络校正方法，其特征在于：所述触控面板依其Y轴方向等分成五个区块，每个区块依X轴方向等分设置五个校正点，分别依据类神经学习法则求得五个区块的修正式进行校正。

4、根据权利要求1所述的触控面板的类神经网络校正方法，其特征在于：是以多层式类神经网络学习法运算输入讯号与输出讯号的关系，并依输入讯号与输出讯号的关系训练学习得到权重参数与偏压参数以建立多层式的修正式。