色温调节方法及装置、背光源、显示设备的制造方法

文档序号:10513453
色温调节方法及装置、背光源、显示设备的制造方法
【专利摘要】本发明提供一种色温调节方法,包括:按照预定频率获取实际的环境信息;获取与实际的环境信息对应的目标色温;向发光单元提供与所述目标色温对应的电信号,以使所述发光单元的色温达到所述目标色温。相应地,本发明还提供一种色温调节装置、背光源和显示设备。本发明能够根据实际的环境信息对发光单元的色温进行调节,以使在不同环境下,发光单元的色温始终是与环境相适应的,从而提高人眼的舒适度。
【专利说明】
色温调节方法及装置、背光源、显示设备
技术领域
[0001] 本发明涉及显示技术领域,具体涉及一种色温调节方法及装置、背光源、显示设 备。
【背景技术】
[0002] 色温,是光源光色的一种尺度,是表示光源光谱质量最通用的指标,色温对人的心 理有着重大影响。市场上对光源进行调节的装置大都是亮度调节装置,用于调节光源的亮 度,造成光源色温较为单一。为了解决单一色温的问题,现有技术中提出使用色温调节装置 来调节光源的色温,例如,在显示器中安装色温调节装置,用户可以根据自行控制所述色温 调节装置,从而调节显示器的画面色温。但是这种色温调节装置实时性差、且只是起到简单 地改变发光单元色温的功能,不能自动为用户提供较舒适的色温。

【发明内容】

[0003] 本发明旨在至少解决现有技术中存在的技术问题之一,提出了一种色温调节方法 及装置、背光源、显示设备,以结合实际的外部环境调节色温,提高人眼的舒适度。
[0004] 为了解决上述技术问题之一,本发明提供一种色温调节方法,包括:
[0005] 按照预定频率获取实际的环境信息;
[0006] 获取与实际的环境信息对应的目标色温;
[0007] 向发光单元提供与所述目标色温对应的电信号,以使所述发光单元的色温达到所 述目标色温。
[0008] 优选地,所述按照预定频率获取实际的环境信息的步骤之前还包括:
[0009] 预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环境隶属度函数、 多个色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设置环境模糊集 与色温模糊集之间的对应规则;
[0010] 所述获取与实际的环境信息对应的目标色温的步骤包括:
[0011] 根据所述环境隶属度函数对实际的环境信息进行模糊化,以获取实际的环境信息 隶属于各环境模糊集的隶属度;
[0012] 根据实际的环境信息隶属于各环境模糊集的隶属度以及环境模糊集与色温模糊 集之间的对应规则,获取每个色温模糊集适用于实际的环境信息的适用度;
[0013] 根据所述色温隶属度函数对所述适用度最大的色温模糊集进行去模糊化,以获取 对应于该最大的适用度的色温,并将该色温作为所述目标色温。
[0014] 优选地,所述环境信息包括环境光通量和当前时刻,所述环境模糊集包括光通量 模糊集和时刻模糊集,所述环境隶属度函数包括环境光通量与光通量模糊集之间的第一隶 属度函数以及当前时刻与时刻模糊集之间的第二隶属度函数,所述环境模糊集与色温模糊 集之间的对应规则包括:每个光通量模糊集与任意一个时刻模糊集组合得到的多个组合结 果与多个色温模糊集之间的对应关系。
[0015] 优选地,获取每个色温模糊集适用于实际的环境信息的适用度的步骤通过预设的 神经网络模型执行,所述神经网络模型包括依次设置的:
[0016] 输入层,包括与光通量模糊集一一对应的第一隶属度节点和与时刻模糊集一一对 应的第二隶属度节点,所述第一隶属度节点的值为实际的环境光通量隶属于该第一隶属度 节点所对应的光通量模糊集的隶属度,所述第二隶属度节点的值为实际的当前时刻隶属于 该第二隶属度节点所对应的时刻模糊集的隶属度;
[0017]隐含层,包括与所述组合结果一一对应的组合结果节点,当第i个环境模糊集和第 j个时刻模糊集组合得到第P个组合结果时,则相应第P个组合结果节点的值根据以下公式 计算:
[0018] RP=min(yliff2pi,y2jff2pj)
[0019]其中,Rp为第P个组合结果节点的值;μΗ为第i个第一隶属度节点的值,μ伪第j个 第二隶属度节点的值,W2Pl为第P个组合结果节点与第i个第一隶属度节点之间的连接权值, W2Pj为第P个组合结果节点与第j个第二隶属度节点之间的连接权值;
[0020] 输出层,包括与所述色温模糊集一一对应的输出节点,所述输出节点的值为相应 的色温模糊集的适用度,所述输出节点的值根据以下公式计算:
[0021] a〇= ZpRpwlop
[0022] 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间 的连接权值。
[0023]优选地,多个光通量模糊集包括:
[0024]环境光通量在0-200 lm之间的第一光通量模糊集;
[0025] 环境光通量在50 lm-2000 lm之间的第二光通量模糊集;
[0026] 环境光通量在200 lm-5000 lm之间的第三光通量模糊集;
[0027] 环境光通量在4000 lm-10000 lm之间的第四光通量模糊集;
[0028]环境光通量与各个光通量模糊集之间的第一隶属度函数均为三角形隶属度函数。 [0029]优选地,多个时刻模糊集包括:
[0030] 当前时刻在0-10h之间的第一时刻模糊集;
[0031] 当前时刻在9h-16h之间的第二时刻模糊集;
[0032]当前时刻在15h_24h之间的第三时刻模糊集;
[0033]当前时刻与各个时刻模糊集之间的第二隶属度函数均为三角形隶属度函数。
[0034]优选地,多个色温模糊集包括:
[0035] 色温在0-3000K之间的第一色温模糊集;
[0036] 色温在2000K-4000K之间的第二色温模糊集;
[0037] 色温在3000K-5000K之间的第三色温模糊集;
[0038] 色温在4000K-6000K之间的第四色温模糊集;
[0039] 色温在5000K-8000K之间的第五色温模糊集;
[0040] 色温在6000K-8000K之间的第六色温模糊集;
[0041] 色温与各个色温模糊集之间的色温隶属度函数均为三角形隶属度函数。
[0042] 优选地,所述多个组合结果与多个色温模糊集之间的对应关系为:
[0043]第一光通量模糊集与第一时刻模糊集的组合结果、第一光通量模糊集与第三时刻 模糊集的组合结果均与第一色温模糊集对应;
[0044] 第一光通量模糊集与第二时刻模糊集的组合结果、第二光通量模糊集与第一时刻 模糊集的组合结果、第二光通量模糊集与第三时刻模糊集的组合结果、第三光通量模糊集 与第一时刻模糊集的组合结果均与第二色温模糊集对应;
[0045] 第二光通量模糊集与第二时刻模糊集的组合结果与第三色温模糊集对应;
[0046] 第三光通量模糊集与第二时刻模糊集的组合结果与第四色温模糊集对应;
[0047]第三光通量模糊集与第三时刻模糊集的组合结果、第四光通量模糊集与第一时刻 模糊集的组合结果、第四光通量模糊集与第三时刻模糊集的组合结果与第五色温模糊集对 应;
[0048] 第四光通量模糊集与第二时刻模糊集的组合结果与第六色温模糊集对应。
[0049] 优选地,所述按照预定频率获取实际的环境信息的步骤之前还包括:
[0050] 建立初始的神经网络模型,该初始的神经网络模型的各个连接权值的初始值均在 [_1,1 ]之间;
[0051] 调节初始的神经网络模型的各个连接权值,以对所述初始的神经网络模型进行训 练,当达到预设训练条件时,所述初始的神经网络模型形成为所述预设的神经网络模型。 [0052]相应地,本发明还提供一种色温调节装置,包括:
[0053] 环境信息获取模块,用于按照预定频率获取实际的环境信息;
[0054] 目标色温获取模块,与所述环境信息获取模块相连,用于获取与实际的环境信息 对应的目标色温;
[0055] 信号输出模块,与所述目标色温获取模块相连,用于向发光单元提供与所述目标 色温对应的电信号,以使所述发光单元的色温达到所述目标色温。
[0056] 优选地,所述色温调节装置还包括:
[0057] 预设模块,用于预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环 境隶属度函数、多个色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设 置环境模糊集与色温模糊集之间的对应规则;
[0058]所述目标色温获取模块包括:
[0059] 模糊化单元,用于根据所述环境隶属度函数对实际的环境信息进行模糊化,以获 取实际的环境信息隶属于各环境模糊集的隶属度;
[0060] 适用度获取单元,分别与所述模糊化单元和所述预设模块相连,用于根据实际的 环境信息隶属于各环境模糊集的隶属度以及环境模糊集与色温模糊集之间的对应规则,获 取每个色温模糊集适用于实际的环境信息的适用度;
[0061] 去模糊化单元,与所述适用度获取单元相连,用于根据所述色温隶属度函数对所 述适用度最大的色温模糊集进行去模糊化,以获取对应于该最大的适用度的色温,并将该 色温作为所述目标色温。
[0062] 优选地,所述环境信息包括环境光通量和当前时刻,所述环境模糊集包括光通量 模糊集和时刻模糊集,所述环境隶属度函数包括环境光通量与光通量模糊集之间的第一隶 属度函数以及当前时刻与时刻模糊集之间的第二隶属度函数,所述环境模糊集与色温模糊 集之间的对应规则包括:每个光通量模糊集与任意一个时刻模糊集组合得到的多个组合结 果与多个色温模糊集之间的对应关系。
[0063] 优选地,所述适用度获取单元用于通过预设的神经网络模型获取所述每个色温模 糊集的适用度,所述神经网络模型包括依次设置的:
[0064] 输入层,包括与光通量模糊集一一对应的第一隶属度节点和与时刻模糊集一一对 应的第二隶属度节点,所述第一隶属度节点的值为实际的环境光通量隶属于该第一隶属度 节点所对应的光通量模糊集的隶属度,所述第二隶属度节点的值为实际的当前时刻隶属于 该第二隶属度节点所对应的时刻模糊集的隶属度;
[0065] 隐含层,包括与所述组合结果一一对应的组合结果节点,当第i个环境模糊集和第 j个时刻模糊集组合得到第P个组合结果时,则相应第P个组合结果节点的值根据以下公式 计算:
[0066] RP=min(yliff2pi,y2jff2pj)
[0067] 其中,RP为第P个组合结果节点的值;μL,为第i个第一隶属度节点的值,^为第j个 第二隶属度节点的值,W2 Pl为第P个组合结果节点与第i个第一隶属度节点之间的连接权值, W2Pj为第P个组合结果节点与第j个第二隶属度节点之间的连接权值;
[0068] 输出层,包括与所述色温模糊集一一对应的输出节点,所述输出节点的值为相应 的色温模糊集的适用度,所述输出节点的值根据以下公式计算:
[0069] a〇= ZpRpfflQP
[0070] 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间 的连接权值。
[0071 ]优选地,多个光通量模糊集包括:
[0072]环境光通量在0-200 lm之间的第一光通量模糊集;
[0073] 环境光通量在50 lm-2000 lm之间的第二光通量模糊集;
[0074] 环境光通量在200 lm-5000 lm之间的第三光通量模糊集;
[0075] 环境光通量在4000 lm-10000 lm之间的第四光通量模糊集;
[0076]环境光通量与各个光通量模糊集之间的第一隶属度函数均为三角形隶属度函数。 [0077]优选地,多个时刻模糊集包括:
[0078]当前时刻在0-10h之间的第一时刻模糊集;
[0079]当前时刻在9h_16h之间的第二时刻模糊集;
[0080]当前时刻在15h_24h之间的第三时刻模糊集;
[0081]当前时刻与各个时刻模糊集之间的第二隶属度函数均为三角形隶属度函数。
[0082]优选地,多个色温模糊集包括:
[0083]色温在0-3000K之间的第一色温模糊集;
[0084] 色温在2000K-4000K之间的第二色温模糊集;
[0085] 色温在3000K-5000K之间的第三色温模糊集;
[0086] 色温在4000K-6000K之间的第四色温模糊集;
[0087] 色温在5000K-8000K之间的第五色温模糊集;
[0088] 色温在6000K-8000K之间的第六色温模糊集;
[0089]色温与各个色温模糊集之间的色温隶属度函数均为三角形隶属度函数。
[0090] 优选地,所述多个组合结果与多个色温模糊集之间的对应关系为:
[0091] 第一光通量模糊集与第一时刻模糊集的组合结果、第一光通量模糊集与第三时刻 模糊集的组合结果均与第一色温模糊集对应;
[0092]第一光通量模糊集与第二时刻模糊集的组合结果、第二光通量模糊集与第一时刻 模糊集的组合结果、第二光通量模糊集与第三时刻模糊集的组合结果、第三光通量模糊集 与第一时刻模糊集的组合结果均与第二色温模糊集对应;
[0093]第二光通量模糊集与第二时刻模糊集的组合结果与第三色温模糊集对应;
[0094]第三光通量模糊集与第二时刻模糊集的组合结果与第四色温模糊集对应;
[0095]第三光通量模糊集与第三时刻模糊集的组合结果、第四光通量模糊集与第一时刻 模糊集的组合结果、第四光通量模糊集与第三时刻模糊集的组合结果与第五色温模糊集对 应;
[0096]第四光通量模糊集与第二时刻模糊集的组合结果与第六色温模糊集对应。
[0097] 优选地,所述色温调节装置还包括:
[0098] 初始模型建立模块,用于建立初始的神经网络模型,该初始的神经网络模型的各 个连接权值的初始值均在[-1,1 ]之间;
[0099] 训练模块,用于调节初始的神经网络模型的各个连接权值,以对所述初始的神经 网络模型进行训练,当达到预设训练条件时,所述初始的神经网络模型形成为所述预设的 神经网络模型。
[0100] 相应地,本发明还提供一种背光源,包括发光单元与该发光单元相连的色温调节 装置,所述色温调节装置为本发明提供的上述色温调节装置。
[0101]相应地,本发明还提供一种显示设备,包括显示面板和本发明提供的上述背光源。
[0102] 本发明的色温调节方法能够根据实际的环境信息对发光单元的色温进行调节,以 使在不同环境下,发光单元的色温始终是与环境相适应的,从而提高人眼的舒适度。且在色 温调节的过程中,本发明将模糊算法和神经网络模型相结合,提高了色温调节的精度,并 且,当神经网络模型训练完成后,每获取一次实际的环境信息,均可以利用模糊化算法和神 经网络模型很快得出目标色温,不需要再设置目标色温与实际的环境信息之间的具体公 式,从而使得色温调节实时性更高,实现更容易。
【附图说明】
[0103] 附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具 体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
[0104] 图1是本发明的实施例中提供的色温调节方法的流程示意图;
[0105] 图2是环境光通量与各个光通量模糊集之间的第一隶属度函数示意图;
[0106] 图3是当前时刻与各个时刻模糊集之间的第二隶属度函数示意图;
[0107] 图4是色温与各个色温模糊集之间的色温隶属度函数示意图;
[0108] 图5是色温调节过程中所利用的模糊神经网络模型的示意图;
[0109] 图6是获取预设的神经网络模型的过程示意图;
[0110] 图7本发明的实施例中提供的色温调节装置的结构示意图。 其中,附图标记为:
[0112] 10、环境信息获取模块;20、目标色温获取模块;21、模糊化单元;22、适用度获取单 元;23、去模糊化单元;30、信号输出模块;40、预设模块;50、初始模型建立模块;60、训练模 块。
【具体实施方式】
[0113] 以下结合附图对本发明的【具体实施方式】进行详细说明。应当理解的是,此处所描 述的【具体实施方式】仅用于说明和解释本发明,并不用于限制本发明。
[0114] 作为本发明的一方面,提供一种色温调节方法,如图1所示,所述色温调节方法包 括:
[0115] S1、按照预定频率获取实际的环境信息。其中,所述环境信息为影响人眼舒适度的 外界环境因素,例如,环境光通量、当前时刻、环境的气压、温度、天气的阴晴等;所述预定频 率可以米用$父尚的频率,如,每秒1~2次,以提尚色温调节的实时性。
[0116] S2、获取与实际的环境信息对应的目标色温,即,当发光单元的色温达到所述目标 色温时,人眼在该环境信息下的舒适度较好。以所述环境信息包括环境光通量为例,当光通 量较大时,可以将目标色温设置在冷色范围内;当光通量较小时,可以将目标色温设置在暖 色范围内;或者,当所述环境信息包括当前时刻时,当前时刻处于白天时,可以将目标色温 设置在冷色范围内,给人一种清醒的状态;当前时刻处于夜晚时,将目标色温设置在暖色范 围内,给人一种温暖舒适的状态。
[0117] S3、向发光单元提供与所述目标色温对应的电信号,以使所述发光单元的色温达 到所述目标色温。需要说明的是,每获取一次实际的环境信息,均执行一次S2~S3。
[0118] 在本发明中,所述色温调节方法能够根据实际的环境信息来对发光单元的色温进 行调节,以使得发光单元的实际色温能够随实际环境的改变而改变,从而提高人眼的舒适 度。
[0119] 所述步骤S2中,可以根据环境信息的类别预先设置多个环境信息模糊集,例如,所 述环境信息为当前时刻时,多个环境信息模糊集包括凌晨、白天、夜晚等,所述目标色温的 获取可以根据模糊化算法首先获取环境信息所对应的环境信息模糊集,然后根据环境信息 模糊集所对应的色温模糊集判断环境信息所对应的色温模糊集,再利用反模糊化算法获取 目标色温。
[0120] 具体地,如图1所示,步骤S1之前还包括:
[0121] S0、预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环境隶属度函 数、多个色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设置环境模糊 集与色温模糊集之间的对应规则。
[0122] 这时,步骤S2具体包括以下步骤S21~S23:
[0123] S21、根据所述环境隶属度函数对实际的环境信息进行模糊化,以获取实际的环境 信息隶属于各环境模糊集的隶属度。
[0124] 其中,所述环境信息可以包括环境光通量和当前时刻。相应地,所述环境模糊集包 括光通量模糊集和时刻模糊集;所述环境隶属度函数包括环境光通量与光通量模糊集之间 的第一隶属度函数以及当前时刻与时刻模糊集之间的第二隶属度函数;所述环境模糊集与 色温模糊集之间的对应规则包括:每个光通量模糊集与任意一个时刻模糊集组合得到的多 个组合结果与多个色温模糊集之间的对应关系。可以理解,m个光通量模糊集和η个时刻模 糊集可以组合得到m*n个不同的组合结果,每个组合结果均可以对应一个时刻模糊集,任意 两个组合结果可以对应不同的两个时刻模糊集,也可以对应同一个时刻模糊集。所述对应 规则即为,当环境光通量隶属于第X个光通量模糊集且当前时刻隶属于第y个时刻模糊集 时,对应的色温模糊集是哪一个。
[0125] 更进一步具体地,如图2所示,多个光通量模糊集包括:环境光通量在01m-2001m之 间的第一光通量模糊集A(即,光线暗);环境光通量在501m-20001m之间的第二光通量模糊 集S(即,光线正常);环境光通量在2001m-50001m之间的第三光通量模糊集B(即,光线较 亮);环境光通量在40001m-100001m之间的第四光通量模糊集VL(即,光线很亮)。其中,环境 光通量与各个光通量模糊集之间的第一隶属度函数(即,图中所不的A(lm)、S(lm)、B(lm)和 VL(lm))均为三角形隶属度函数。第一隶属度函数A(lm)设置为:环境光通量在0-2001m之间 时,隶属度从1到〇递减;第一隶属度函数S(lm)设置为:环境光通量在501m-2001m之间时,隶 属度从0到1递增,环境光通量在2001m-20001m之间时,隶属度从1到0递减;第一隶属度函数 B(lm)设置为:环境光通量在2001m-20001m之间时,隶属度从1到0递增,环境光通量在 20001m-50001m之间时,隶属度从1到0递减;第一隶属度函数VL(lm)设置为:环境光通量在 4000 lm-10000 lm之间时,隶属度从0到1递增。
[0126] 如图3所示,多个时刻模糊集包括:当前时刻在0-10h之间的第一时刻模糊集Μ(即, 凌晨);当前时刻在9h-19h之间的第二时刻模糊集Β(即,白天);当前时刻在16h-24h之间的 第三时刻模糊集N(即,夜晚)。其中,当前时刻与各个时刻模糊集之间的第二隶属度函数 (即,图中所示的M(h)、L(h)和N(h))均为三角形隶属度函数。第二隶属度函数M(h)设置为: 当前时刻在〇_8h之间时,隶属度递增,当前时刻在8h-10h之间时,隶属度递减;第二隶属度 函数L(h)设置为:当前时刻在9h-12h之间时,隶属度递增,当前时刻在12h-19h之间时,隶属 度递减;第二隶属度函数N(h)设置为:当前时刻在16h-24h之间时,隶属度递增。
[0127] 如图4所示,多个色温模糊集包括:色温在0-3000K之间的第一色温模糊集RB(即, 暖色光偏红);色温在2000K-4000K之间的第二色温模糊集RM(即,正常暖色光);色温在 3000K-5000K之间的第三色温模糊集RS( 即,正常自然白光);色温在4000K-6000K之间的第 四色温模糊集BS( 即,自然白光偏蓝);色温在5000K-8000K之间的第五色温模糊集BM( 即,正 常冷色光);色温在6000K-8000K之间的第六色温模糊集BL (即,冷色光偏蓝)。其中,色温与 各个色温模糊集之间的色温隶属度函数(即,图中所示的RB(K)、RM(K)、RS(K)、BS(K)、BM(K) 和BL(L))均为三角形隶属度函数。色温隶属度函数RB(K)设置为:色温在0-3000K之间时,隶 属度递减;色温隶属度函数RM(K)设置为:色温在2000K-3000K之间时,隶属度递增,色温在 3000K-4000K之间时,隶属度递减;其余色温隶属度函数的具体设置如图4所示,这里不再一 一描述。
[0128] 表1为本发明中的多个组合结果与多个色温模糊集之间的对应关系。
[0129] 表1
[0131] 如表1所示,第一光通量模糊集A与第一时刻模糊集Μ的组合结果、第一光通量模糊 集Α与第三时刻模糊集Ν的组合结果均与第一色温模糊集RB相对应;第一光通量模糊集Α与 第二时刻模糊集L的组合结果、第二光通量模糊集S与第一时刻模糊集Μ的组合结果、第二光 通量模糊集S与第三时刻模糊集Ν的组合结果、第三光通量模糊集Β与第一时刻模糊集Μ的组 合结果均与第二色温模糊集RM对应;第二光通量模糊集S与第二时刻模糊集L的组合结果与 第三色温模糊集RS对应;第三光通量模糊集Β与第二时刻模糊集L的组合结果与第四色温模 糊集BS对应;第三光通量模糊集Β与第三时刻模糊集Ν的组合结果、第四光通量模糊集VL与 第一时刻模糊集Μ的组合结果、第四光通量模糊集VL与第三时刻模糊集Ν的组合结果与第五 色温模糊集ΒΜ对应;第四光通量模糊集VL与第二时刻模糊集L的组合结果与第六色温模糊 集BL对应。例如,当实际的环境光通量隶属于对第一光通量模糊集Α的隶属度a大于零,且实 际的当前时刻隶属于第一时刻模糊集Μ的隶属度b大于零时,目标色温隶属于第一色温模糊 集RB的隶属度c应大于零,即,实际的环境光通量有一定的可能是位于第一光通量模糊集A 的范围内的,当前时刻有一定的可能是位于第一时刻模糊集Μ的范围内,因此,目标色温有 一定的可能是位于第一色温模糊集RB的范围内的;相反地,当a = 0且b = 0时,c = 0。
[0132] 当然,光通量模糊集的数量以及各个光通量模糊集的光通量范围、时刻模糊集的 数量以及各个时刻模糊集的当前时刻范围、色温模糊集的数量以及各个色温模糊集的色温 范围均可以根据实际需要设置为其他形式,相应地,所述对应规则可以根据各个模糊集的 具体设置方式而定,只要能够满足:根据实际的环境信息和对应规则获取到色温模糊集后, 人眼在该色温模糊集条件下的舒适度较高即可。
[0133] S22、根据实际的环境信息隶属于各环境模糊集的隶属度以及环境模糊集与色温 模糊集之间的对应规则,获取每个色温模糊集适用于实际的环境信息的适用度。由于实际 的环境信息并不一定绝对是隶属于某一个环境模糊集的,而是有一定的可能性是隶属于其 中一个环境模糊集,有一定的可能性是隶属于另一个环境模糊集的,通过这两个环境模糊 集分别对应的色温模糊集,进而判断出每个色温模糊集的适用度,所述适用度可以看作,与 实际的环境信息对应的目标色温位于各个色温模糊集的色温范围内的概率,也即,隶属于 各个色温模糊集的隶属度。
[0134] S23、根据所述色温隶属度函数对所述适用度最大的色温模糊集进行去模糊化,以 获取对应于该最大的适用度的色温,并将该色温作为所述目标色温。
[0135] 为了得到准确的目标色温,提高色温调节的精度,优选地,步骤S22通过预设的神 经网络模型执行,神经网络模型和模糊化算法的系统相结合,形成如图5所示的模糊神经网 络。图5中节点X用于输入实际的环境光通量,节点Y用于输入实际的当前时刻,节点c用于输 出所述目标色温;实际的环境光通量和当前时刻进行模糊化后,神经网络模型221进行进一 步计算。模糊神经网络汇集了神经网络和模糊理论的优点,集学习、联想、识别、信息处理于 一体,因此,利用模糊神经网络模型进行色温调节时,调节精度较高、实时性强。
[0136] 神经网络模型221包括依次设置的输入层、隐含层和输出层。
[0137] 输入层包括与多个光通量模糊集 对应的第一隶属度节点(Ka~Kvl)和与多个 时刻模糊集一一对应的第二隶属度节点(Km~K N)。所述第一隶属度节点的值为实际的环境 光通量隶属于该第一隶属度节点所对应的光通量模糊集的隶属度,具体可以根据图2得到; 所述第二隶属度节点的值为实际的当前时刻隶属于该第二隶属度节点所对应的时刻模糊 集的隶属度,具体值可以根据图3得到。
[0138] 隐含层包括与所述组合结果一一对应的组合结果节点(Ri~R12),当第i个环境模 糊集和第j个时刻模糊集组合得到第P个组合结果时,则相应的第P个组合结果节点的值根 据以下公式计算:
[0139] RP=min(yliff2pi,y2jff2pj)
[0140] 其中,RP为第P个组合结果节点的值,yh为第i个第一隶属度节点的值,^为第j个 第二隶属度节点的值;W2 Pl为第P个组合结果节点与第i个第一隶属度节点之间的连接权值, W2Pj为第P个组合结果节点与第j个第二隶属度节点之间的连接权值。即,每个组合结果节点 的值均根据上述公式计算得出,每个组合结果节点的值可以看作在实际的环境信息下,得 到该组合结果节点对应的组合结果的概率。应当理解,i为大于零且小于等于第一隶属度节 点总数的整数,j为大于零且小于等于第二隶属度节点总数的整数。
[0141]输出层包括与所述色温模糊集一一对应的输出节点(ai~a6),所述输出节点的值 为相应的色温模糊集的适用度,所述输出节点的值根据以下公式计算:
[0142] a〇= ZpRpfflQP
[0143] 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间 的连接权值。应当理解的是,当第P个组合结果与第Q个输出节点对应的色温模糊集对应时, 第P个组合结果节点与第Q个输出节点之间的连接权值不为零,否则,连接权值为零,图5中 隐含层的节点与输出层的节点之间没有连接线时,表明该两个节点之间的连接权值为零。P 为大于零且小于等于组合结果节点总数的整数,Q为大于零且小于等于输出节点总数的整 数。例如,根据表1,第一光通量模糊集A与第一时刻模糊集Μ的组合结果(对应于节点心)与 第一色温模糊集RB(对应于节点 ai)相对应,而与其余的色温模糊集不对应,则在图5中,节 点Ri与节点ai之间的连接权值不为零,而与节点a2~a6的连接权值均为零。
[0144] 通过神经网络模型的计算,可以准确地得出各色温模糊集的适用度,从而在后续 进行反模糊化时提高目标色温计算的准确率,进而使人眼获得更高的舒适度。
[0145] 进一步地,步骤S1之前还包括获取预设的神经网络模型的过程,如图6所示,具体 包括:
[0146] S001、建立初始的神经网络模型,该初始的神经网络模型的各个连接权值的初始 值均在[_1,1 ]之间。
[0147] S002、调节初始的神经网络模型的各个连接权值,以对所述初始的神经网络模型 进行训练,当达到预设训练条件时,所述初始的神经网络模型形成为所述预设的神经网络 模型。
[0148] 其中,步骤S002具体可以包括:
[0149] S002a、预先设置训练样本组和各个连接权值的初始值,所述训练样本组包括环境 光通量样本和当前时刻样本以及与所述环境光通量样本和当前时刻样本均对应的目标色 温样本。
[0150] S002b、根据第一隶属度函数对环境光通量样本进行模糊化,以获取环境光通量样 本隶属于各个光通量模糊集的第一隶属度;根据第二隶属度函数对当前时刻样本进行模糊 化,以获取当前时刻样本隶属于各个时刻模糊集的第二隶属度,该步骤和模糊化算法相结 合,可以降低训练样本数据的要求。
[0151] S002c、将多个第一隶属度对应输入初始的神经网络模型的多个第一隶属度节点, 将多个第二隶属度对应输入初始的神经网络模型的多个第二隶属度节点,以在输出层得到 每个色温模糊集的适用度。
[0152] S002d、根据所述色温隶属度函数对所述适用度最大的色温模糊集进行去模糊化, 以获取对应于该最大的适用度的色温。
[0153] S002e、判断是否达到预设训练条件,若是,则结束训练;若否,则调节各个连接权 值,并返回步骤S002c。预设训练条件可以为:训练次数达到预设次数,或者,S002d获得的色 温与目标色温样本之间的差值达到预设阈值。
[0154] 下面为本发明的色温调节方法进行色温调节的一应用实施例。
[0155] 步骤一,按照预定频率获取实际的环境光通量和当前时刻。
[0156] 步骤二,将实际的环境光通量和当前时刻分别输入图5中模糊神经网络模型的X节 点和Y节点,模糊化神经网络模型经过计算在其c节点输出目标色温。其中,模糊化神经网络 的计算过程包括:
[0157] 根据图2中的多个第一隶属度函数获取实际的环境光通量隶属于各环境模糊集的 第一隶属度,根据图3中的多个第二隶属度函数获取实际的当前时刻隶属于各时刻模糊集 的第二隶属度;
[0158] 将多个第一隶属度对应地输入神经网络模型221的多个第一隶属度节点,将多个 第二隶属度对应地输入神经网络模型221的多个第二隶属度节点,以利用神经网络模型221 得到每个色温模糊集适用于实际的环境信息的适用度(即,输出层的每个输出节点的值);
[0159] 根据色温隶属度函数对适用度最大的色温模糊集进行去模糊话,获取对应于该最 大的适用度的色温,该色温即为目标色温。
[0160] 步骤三,向发光单元提供与所述目标色温对应的电信号,以使所述发光单元的色 温达到所述目标色温。
[0161] 作为本发明的第二个方面,提供一种色温调节装置,如图7所示,包括环境信息获 取模块10、目标色温获取模块20和信号输出模块30。环境信息获取模块10用于按照预定频 率获取实际的环境信息。目标色温获取模块20与环境信息获取模块10相连,用于获取与实 际的环境信息对应的目标色温。信号输出模块30与目标色温获取模块20相连,用于向发光 单元提供与所述目标色温对应的电信号,以使所述发光单元的色温达到所述目标色温;所 述发光单元可以包括多个灯条,所述灯条上设置有红、绿、蓝或其他多种颜色的灯珠。
[0162] 为了获取与实际的环境信息对应的目标色温,进一步地,所述色温调节装置还包 括预设模块40,预设用于预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环 境隶属度函数、多个色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设 置环境模糊集与色温模糊集之间的对应规则。
[0163] 此时,目标色温获取模块20利用模糊算法来获取所述目标色温,具体地,目标色温 获取模块20包括模糊化单元21、适用度获取单元22和去模糊化单元23。模糊化单元21用于 根据所述环境隶属度函数对实际的环境信息进行模糊化,以获取实际的环境信息隶属于各 环境模糊集的隶属度。适用度获取单元22分别与模糊化单元21和预设模块40相连,用于根 据实际的环境信息隶属于各环境模糊集的隶属度以及环境模糊集与色温模糊集之间的对 应规则,获取每个色温模糊集适用于实际的环境信息的适用度。去模糊化单元23与适用度 获取单元22相连,用于根据所述色温隶属度函数对所述适用度最大的色温模糊集进行去模 糊化,以获取对应于该最大的适用度的色温,并将该色温作为所述目标色温。
[0164] 如上文所述,环境信息可以包括环境光通量和当前时刻,环境信息获取模块10可 以包括用于获取环境光通量的传感器和用于获取当前时刻的时钟芯片。所述环境模糊集包 括光通量模糊集和时刻模糊集;所述环境隶属度函数包括环境光通量与光通量模糊集之间 的第一隶属度函数以及当前时刻与时刻模糊集之间的第二隶属度函数;所述环境模糊集与 色温模糊集之间的对应规则包括:每个光通量模糊集与任意一个时刻模糊集组合得到的多 个组合结果与多个色温模糊集之间的对应关系。所述对应规则即为,当环境光通量隶属于 第X个光通量模糊集且当前时刻隶属于第y个时刻模糊集时,对应的色温模糊集是哪一个。
[0165] 更进一步具体地,如图2所示,多个光通量模糊集包括:环境光通量在01m-2001m之 间的第一光通量模糊集(即,光线暗A);环境光通量在501m-20001m之间的第二光通量模糊 集(即,光线正常S);环境光通量在2001m-50001m之间的第三光通量模糊集(即,光线较亮 B);环境光通量在40001m-100001m之间的第四光通量模糊集(即,光线很亮VL)。其中,环境 光通量与各个光通量模糊集之间的第一隶属度函数均为三角形隶属度函数。
[0166] 如图3所示,多个时刻模糊集包括:当前时刻在0-10h之间的第一时刻模糊集Μ(即, 凌晨);当前时刻在9_16h之间的第二时刻模糊集Β(即,白天);当前时刻在15-24h之间的第 三时刻模糊集N(即,夜晚)。其中,当前时刻与各个第一时刻模糊集之间的第二隶属度函数 均为三角形隶属度函数。
[0167] 如图4所示,多个色温模糊集包括:色温在0_3000k之间的第一色温模糊集RB(即, 暖色光偏红);色温在2000K-4000K之间的第二色温模糊集RM(即,正常暖色光);色温在 3000K-5000K之间的第三色温模糊集RS( 即,正常自然白光);色温在4000K-6000K之间的第 四色温模糊集BS( 即,自然白光偏蓝);色温在5000K-8000K之间的第五色温模糊集BM( 即,正 常冷色光);色温在6000K-8000K之间的第六色温模糊集BL (即,冷色光偏蓝)。其中,色温与 各个色温模糊集之间的色温隶属度函数均为三角形隶属度函数。
[0168] 所述多个组合结果与多个色温模糊集之间的对应关系为:第一光通量模糊集A与 第一时刻模糊集Μ的组合结果、第一光通量模糊集A与第三时刻模糊集N的组合结果均与第 一色温模糊集RB相对应;第一光通量模糊集A与第二时刻模糊集B的组合结果、第二光通量 模糊集S与第一时刻模糊集Μ的组合结果、第二光通量模糊集S与第三时刻模糊集N的组合结 果、第三光通量模糊集L与第一时刻模糊集Μ的组合结果均与第二色温模糊集RM对应;第二 光通量模糊集S与第二时刻模糊集Β的组合结果与第三色温模糊集RS对应;第三光通量模糊 集L与第二时刻模糊集Β的组合结果与第四色温模糊集BS对应;第三光通量模糊集L与第三 时刻模糊集N的组合结果、第四光通量模糊集VL与第一时刻模糊集Μ的组合结果、第四光通 量模糊集VL与第三时刻模糊集Ν的组合结果与第五色温模糊集ΒΜ对应;第四光通量模糊集 VL与第二时刻模糊集Β的组合结果与第六色温模糊集BL对应。
[0169] 为了得到准确的目标色温,提高色温调节的精确度,优选地,适用度获取单元22能 够通过预设的神经网络模型获取所述每个色温模糊集的适用度,如图5所示,神经网络模型 包括依次设置的输入层、隐含层和输出层。
[0170] 输入层包括与多个光通量模糊集 对应的第一隶属度节点(Κα~Kvl)和与多个 时刻模糊集一一对应的第二隶属度节点(Km~K N)。所述第一隶属度节点的值为实际的环境 光通量隶属于该第一隶属度节点所对应的光通量模糊集的隶属度,具体可以根据图2的第 一隶属度函数得到;所述第二隶属度节点的值为实际的当前时刻隶属于该第二隶属度节点 所对应的时刻模糊集的隶属度,具体值可以根据图3的第二隶属度函数得到。
[0171] 隐含层包括与所述组合结果一一对应的组合结果节点(Ri~R12),当第i个环境模 糊集和第j个时刻模糊集组合得到第P个组合结果时,则相应第P个组合结果节点的值根据 以下公式计算:
[0172] RP=min(yliff2pi,y2jff2pj)
[0173] 其中,RP为第P个组合结果节点的值,μL,为第i个第一隶属度节点的值,^为第j个 第二隶属度节点的值;W2 Pl为第P个组合结果节点与第i个第一隶属度节点之间的连接权值, W2Pj为第P个组合结果节点与第j个第二隶属度节点之间的连接权值。即,每个组合结果节点 的值均根据上述公式计算得出,每个组合结果节点的值可以看作在实际的环境信息下,得 到该组合结果节点的组合结果的概率。应当理解,i为大于零且小于等于第一隶属度节点总 数的整数,j为大于零且小于等于第二隶属度节点总数的整数。
[0174] 输出层包括与所述色温模糊集一一对应的输出节点(ai~a6),所述输出节点的值 为相应的色温模糊集的适用度,所述输出节点的值根据以下公式计算:
[0175] a〇= ZpRpfflQP
[0176] 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间 的连接权值。
[0177] 通过神经网络模型的计算,可以准确地得出各色温模糊集的适用度,从而在后续 进行反模糊化能够提高目标色温计算的准确率,进而使得人眼获得更高的舒适度。
[0178] 进一步地,为了得到所述预设的神经网络模型,所述色温调节装置还包括:
[0179] 初始模型建立模块50,用于建立初始的神经网络模型,该初始的神经网络模型的 各个连接权值的初始值均在[-1,1 ]之间;
[0180] 训练模块60,用于调节初始的神经网络模型的各个连接权值,以对所述初始的神 经网络模型进行训练,当达到预设训练条件时,所述初始的神经网络模型形成为所述预设 的神经网络模型。训练模块60进行神经网络模型的训练过程在上文已经描述,这里不再赘 述。
[0181] 可以看出,本发明能够根据实际的环境信息对发光单元的色温进行调节,以使在 不同环境下,发光单元的色温始终是与环境相适应的,从而提高人眼的舒适度。且在色温调 节的过程中,本发明将模糊算法和神经网络模型相结合,提高了色温调节的精度,并且,当 神经网络模型训练完成后,每获取一次实际的环境信息,均可以利用模糊化算法和神经网 络模型很快得出目标色温,不需要再设置目标色温与实际的环境信息之间的具体公式,从 而使得色温调节实时性更高,实现更容易。
[0182] 作为本发明的第三个方面,提供一种背光源,包括发光单元和上述色温调节装置。
[0183] 作为本发明的第四个方面,提供一种显示设备,包括显示面板和上述背光源。
[0184] 由于所述色温调节装置能够根据实际环境调节发光单元的色温,且色温调节的实 时性较好,精度较高,从而使得背光源的光线给人眼带来更舒适的感受,进而使得显示设备 显示画面的色彩给人带来更舒适的视觉体验。
[0185] 可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施 方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精 神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
【主权项】
1. 一种色温调节方法,其特征在于,包括: 按照预定频率获取实际的环境信息; 获取与实际的环境信息对应的目标色温; 向发光单元提供与所述目标色温对应的电信号,以使所述发光单元的色温达到所述目 标色温。2. 根据权利要求1所述的色温调节方法,其特征在于,所述按照预定频率获取实际的环 境信息的步骤之前还包括: 预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环境隶属度函数、多个 色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设置环境模糊集与色 温模糊集之间的对应规则; 所述获取与实际的环境信息对应的目标色温的步骤包括: 根据所述环境隶属度函数对实际的环境信息进行模糊化,以获取实际的环境信息隶属 于各环境模糊集的隶属度; 根据实际的环境信息隶属于各环境模糊集的隶属度以及环境模糊集与色温模糊集之 间的对应规则,获取每个色温模糊集适用于实际的环境信息的适用度; 根据所述色温隶属度函数对所述适用度最大的色温模糊集进行去模糊化,以获取对应 于该最大的适用度的色温,并将该色温作为所述目标色温。3. 根据权利要求2所述的色温调节方法,其特征在于,所述环境信息包括环境光通量和 当前时刻,所述环境模糊集包括光通量模糊集和时刻模糊集,所述环境隶属度函数包括环 境光通量与光通量模糊集之间的第一隶属度函数以及当前时刻与时刻模糊集之间的第二 隶属度函数,所述环境模糊集与色温模糊集之间的对应规则包括:每个光通量模糊集与任 意一个时刻模糊集组合得到的多个组合结果与多个色温模糊集之间的对应关系。4. 根据权利要求3所述的色温调节方法,其特征在于,获取每个色温模糊集适用于实际 的环境信息的适用度的步骤通过预设的神经网络模型执行,所述神经网络模型包括依次设 置的: 输入层,包括与光通量模糊集一一对应的第一隶属度节点和与时刻模糊集一一对应的 第二隶属度节点,所述第一隶属度节点的值为实际的环境光通量隶属于该第一隶属度节点 所对应的光通量模糊集的隶属度,所述第二隶属度节点的值为实际的当前时刻隶属于该第 二隶属度节点所对应的时刻模糊集的隶属度; 隐含层,包括与所述组合结果一一对应的组合结果节点,当第i个环境模糊集和第j个 时刻模糊集组合得到第P个组合结果时,则相应第P个组合结果节点的值根据以下公式计 算: Rp=min(yliff2pi ,y2jff2pj) 其中,Rp为第P个组合结果节点的值;yh为第i个第一隶属度节点的值,μ』为第j个第二 隶属度节点的值,W2Pi为第P个组合结果节点与第i个第一隶属度节点之间的连接权值,W2Pj 为第P个组合结果节点与第j个第二隶属度节点之间的连接权值; 输出层,包括与所述色温模糊集一一对应的输出节点,所述输出节点的值为相应的色 温模糊集的适用度,所述输出节点的值根据以下公式计算: BQ- Σ pRpWlQP 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间的连 接权值。5. 根据权利要求3所述的色温调节方法,其特征在于,多个光通量模糊集包括: 环境光通量在0-200 lm之间的第一光通量模糊集; 环境光通量在50 lm-2000 lm之间的第二光通量模糊集; 环境光通量在200 lm-5000 lm之间的第三光通量模糊集; 环境光通量在40001m-100001m之间的第四光通量模糊集; 环境光通量与各个光通量模糊集之间的第一隶属度函数均为三角形隶属度函数。6. 根据权利要求5所述的色温调节方法,其特征在于,多个时刻模糊集包括: 当前时刻在〇-l〇h之间的第一时刻模糊集; 当前时刻在9h-16h之间的第二时刻模糊集; 当前时刻在15h-24h之间的第三时刻模糊集; 当前时刻与各个时刻模糊集之间的第二隶属度函数均为三角形隶属度函数。7. 根据权利要求6所述的色温调节方法,其特征在于,多个色温模糊集包括: 色温在0-3000K之间的第一色温模糊集; 色温在2000K-4000K之间的第二色温模糊集; 色温在3000K-5000K之间的第三色温模糊集; 色温在4000K-6000K之间的第四色温模糊集; 色温在5000K-8000K之间的第五色温模糊集; 色温在6000K-8000K之间的第六色温模糊集; 色温与各个色温模糊集之间的色温隶属度函数均为三角形隶属度函数。8. 根据权利要求7所述的色温调节方法,其特征在于,所述多个组合结果与多个色温模 糊集之间的对应关系为: 第一光通量模糊集与第一时刻模糊集的组合结果、第一光通量模糊集与第三时刻模糊 集的组合结果均与第一色温模糊集对应; 第一光通量模糊集与第二时刻模糊集的组合结果、第二光通量模糊集与第一时刻模糊 集的组合结果、第二光通量模糊集与第三时刻模糊集的组合结果、第三光通量模糊集与第 一时刻模糊集的组合结果均与第二色温模糊集对应; 第二光通量模糊集与第二时刻模糊集的组合结果与第三色温模糊集对应; 第三光通量模糊集与第二时刻模糊集的组合结果与第四色温模糊集对应; 第三光通量模糊集与第三时刻模糊集的组合结果、第四光通量模糊集与第一时刻模糊 集的组合结果、第四光通量模糊集与第三时刻模糊集的组合结果与第五色温模糊集对应; 第四光通量模糊集与第二时刻模糊集的组合结果与第六色温模糊集对应。9. 根据权利要求4所述的色温调节方法,其特征在于,所述按照预定频率获取实际的环 境信息的步骤之前还包括: 建立初始的神经网络模型,该初始的神经网络模型的各个连接权值的初始值均在[-1, 1]之间; 调节初始的神经网络模型的各个连接权值,以对所述初始的神经网络模型进行训练, 当达到预设训练条件时,所述初始的神经网络模型形成为所述预设的神经网络模型。10. -种色温调节装置,其特征在于,包括: 环境信息获取模块,用于按照预定频率获取实际的环境信息; 目标色温获取模块,与所述环境信息获取模块相连,用于获取与实际的环境信息对应 的目标色温; 信号输出模块,与所述目标色温获取模块相连,用于向发光单元提供与所述目标色温 对应的电信号,以使所述发光单元的色温达到所述目标色温。11. 根据权利要求10所述的色温调节装置,其特征在于,所述色温调节装置还包括: 预设模块,用于预先设置多个环境模糊集、环境信息与各个环境模糊集之间的环境隶 属度函数、多个色温模糊集、以及色温与各个色温模糊集之间的色温隶属度函数,并设置环 境模糊集与色温模糊集之间的对应规则; 所述目标色温获取模块包括: 模糊化单元,用于根据所述环境隶属度函数对实际的环境信息进行模糊化,以获取实 际的环境信息隶属于各环境模糊集的隶属度; 适用度获取单元,分别与所述模糊化单元和所述预设模块相连,用于根据实际的环境 信息隶属于各环境模糊集的隶属度以及环境模糊集与色温模糊集之间的对应规则,获取每 个色温模糊集适用于实际的环境信息的适用度; 去模糊化单元,与所述适用度获取单元相连,用于根据所述色温隶属度函数对所述适 用度最大的色温模糊集进行去模糊化,以获取对应于该最大的适用度的色温,并将该色温 作为所述目标色温。12. 根据权利要求11所述的色温调节装置,其特征在于,所述环境信息包括环境光通量 和当前时刻,所述环境模糊集包括光通量模糊集和时刻模糊集,所述环境隶属度函数包括 环境光通量与光通量模糊集之间的第一隶属度函数以及当前时刻与时刻模糊集之间的第 二隶属度函数,所述环境模糊集与色温模糊集之间的对应规则包括:每个光通量模糊集与 任意一个时刻模糊集组合得到的多个组合结果与多个色温模糊集之间的对应关系。13. 根据权利要求12述的色温调节装置,其特征在于,所述适用度获取单元用于通过预 设的神经网络模型获取所述每个色温模糊集的适用度,所述神经网络模型包括依次设置 的: 输入层,包括与光通量模糊集一一对应的第一隶属度节点和与时刻模糊集一一对应的 第二隶属度节点,所述第一隶属度节点的值为实际的环境光通量隶属于该第一隶属度节点 所对应的光通量模糊集的隶属度,所述第二隶属度节点的值为实际的当前时刻隶属于该第 二隶属度节点所对应的时刻模糊集的隶属度; 隐含层,包括与所述组合结果一一对应的组合结果节点,当第i个环境模糊集和第j个 时刻模糊集组合得到第P个组合结果时,则相应第P个组合结果节点的值根据以下公式计 算: Rp=min(yliff2pi ,y2jff2pj) 其中,Rp为第P个组合结果节点的值;yh为第i个第一隶属度节点的值,μ』为第j个第二 隶属度节点的值,W2Pi为第P个组合结果节点与第i个第一隶属度节点之间的连接权值,W2Pj 为第P个组合结果节点与第j个第二隶属度节点之间的连接权值; 输出层,包括与所述色温模糊集一一对应的输出节点,所述输出节点的值为相应的色 温模糊集的适用度,所述输出节点的值根据以下公式计算: BQ- Σ pRpWlQP 其中,aQ为第Q个输出节点的值,W1QP为第Q个输出节点与第P个组合结果节点之间的连 接权值。14. 根据权利要求12述的色温调节装置,其特征在于,多个光通量模糊集包括: 环境光通量在0-200 lm之间的第一光通量模糊集; 环境光通量在50 lm-2000 lm之间的第二光通量模糊集; 环境光通量在200 lm-5000 lm之间的第三光通量模糊集; 环境光通量在40001m-100001m之间的第四光通量模糊集; 环境光通量与各个光通量模糊集之间的第一隶属度函数均为三角形隶属度函数。15. 根据权利要求14的色温调节装置,其特征在于,多个时刻模糊集包括: 当前时刻在〇-l〇h之间的第一时刻模糊集; 当前时刻在9h-16h之间的第二时刻模糊集; 当前时刻在15h-24h之间的第三时刻模糊集; 当前时刻与各个时刻模糊集之间的第二隶属度函数均为三角形隶属度函数。16. 根据权利要求15的色温调节装置,其特征在于,多个色温模糊集包括: 色温在0-3000K之间的第一色温模糊集; 色温在2000K-4000K之间的第二色温模糊集; 色温在3000K-5000K之间的第三色温模糊集; 色温在4000K-6000K之间的第四色温模糊集; 色温在5000K-8000K之间的第五色温模糊集; 色温在6000K-8000K之间的第六色温模糊集; 色温与各个色温模糊集之间的色温隶属度函数均为三角形隶属度函数。17. 根据权利要求16的色温调节装置,其特征在于,所述多个组合结果与多个色温模糊 集之间的对应关系为: 第一光通量模糊集与第一时刻模糊集的组合结果、第一光通量模糊集与第三时刻模糊 集的组合结果均与第一色温模糊集对应; 第一光通量模糊集与第二时刻模糊集的组合结果、第二光通量模糊集与第一时刻模糊 集的组合结果、第二光通量模糊集与第三时刻模糊集的组合结果、第三光通量模糊集与第 一时刻模糊集的组合结果均与第二色温模糊集对应; 第二光通量模糊集与第二时刻模糊集的组合结果与第三色温模糊集对应; 第三光通量模糊集与第二时刻模糊集的组合结果与第四色温模糊集对应; 第三光通量模糊集与第三时刻模糊集的组合结果、第四光通量模糊集与第一时刻模糊 集的组合结果、第四光通量模糊集与第三时刻模糊集的组合结果与第五色温模糊集对应; 第四光通量模糊集与第二时刻模糊集的组合结果与第六色温模糊集对应。18. 根据权利要求13所述的色温调节装置,其特征在于,所述色温调节装置还包括: 初始模型建立模块,用于建立初始的神经网络模型,该初始的神经网络模型的各个连 接权值的初始值均在[-1,1 ]之间; 训练模块,用于调节初始的神经网络模型的各个连接权值,以对所述初始的神经网络 模型进行训练,当达到预设训练条件时,所述初始的神经网络模型形成为所述预设的神经 网络模型。19. 一种背光源,包括发光单元与该发光单元相连的色温调节装置,其特征在于,所述 色温调节装置为权利要求10至18中任意一项所述的色温调节装置。20. -种显示设备,其特征在于,包括显示面板和权利要求19所述的背光源。
【文档编号】G09G3/34GK105869580SQ201610424120
【公开日】2016年8月17日
【申请日】2016年6月15日
【发明人】吕途, 施祖传
【申请人】京东方科技集团股份有限公司, 合肥京东方显示光源有限公司
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1