CN112989689A - 一种模拟rgb氛围灯光颜色的方法 - Google Patents
一种模拟rgb氛围灯光颜色的方法 Download PDFInfo
- Publication number
- CN112989689A CN112989689A CN202110123140.8A CN202110123140A CN112989689A CN 112989689 A CN112989689 A CN 112989689A CN 202110123140 A CN202110123140 A CN 202110123140A CN 112989689 A CN112989689 A CN 112989689A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- rgb atmosphere
- training
- simulating
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种模拟RGB氛围灯光颜色的方法,其包括:(1)构建神经网络模型,所述神经网络被构建为:输入为R、G、B参数,输出为色度坐标x,y;(2)基于实际的RGB氛围灯采集训练样本数据;(3)对所述训练样本数据进行预处理;(4)采用预处理后的训练样本数据对所述神经网络模型进行训练,直至训练完成;(5)向经过训练的神经网络模型中输入预设的R、G、B参数,所述神经网络模型输出模拟的色度坐标。该方法可以脱离实际环境和设备闲置,调整和验证RGB氛围灯光颜色,其可以大大简化灯具的评判工作和校准步骤,从而有效提高灯具的开发效率,具有十分良好的推广前景和应用价值。
Description
技术领域
本发明涉及一种仿真模拟方法,尤其涉及一种模拟灯光颜色的方法。
背景技术
光导具有传导光线的作用,近年来,光导已广泛应用于汽车内饰照明和营造氛围等方面,取得了相当优异的实施效果。
根据市场的需求,往往需要一些特殊颜色的光,这些特殊颜色的光通常可以利用已有的色光调和出来。但需要注意的是,光导的设计极大影响着各种颜色的混光效果,例如光导材料、注塑方式、结构设计等,这些设计会在一定程度上导致灯具光导出光颜色和理论颜色出现差异。因此,RGB氛围灯的颜色是灯具性能评判的重要指标之一。
在现有技术中,对于出光颜色评判和校准等工作,对测试环境的要求有较大限制。通常需要在无额外光线和标准室温条件下,采用完备的测试设备,利用氛围灯测试台架将灯具固定,通过光谱仪对发光表面色度值进行测量。其中,每一次测试仅能得到一组色度值,操作复杂耗时较长,且长时间操作引起的LED发热还会导致后续颜色测量不准确问题。
由此可见,在现有技术中,针对RGB氛围灯颜色评判的技术方案比较复杂,且评判结果十分容易受到外部因素干扰。因环境局限、设备限制、操作复杂等因素,均会导致氛围灯的开发工作存在难度。
基于此,针对现有技术中存在的缺陷,本发明期望获得一种模拟RGB氛围灯光颜色的方法,该方法可以通过神经网络对RGB氛围灯光的颜色进行模拟并离线辨识,通过给定输入信号便可得到实际的出光颜色值。该方法可以脱离实际环境和设备闲置,调整和验证氛围灯光颜色,其可以大大简化灯具的评判工作和校准步骤,从而有效提高灯具的开发效率。
发明内容
本发明的目的之一在于提供一种模拟RGB氛围灯光颜色的方法,该方法可以通过神经网络对RGB氛围灯光的颜色进行模拟并离线辨识,通过给定输入信号便可得到实际的出光颜色值。该方法可以脱离实际环境和设备闲置,调整和验证氛围灯光颜色,其可以大大简化灯具的评判工作和校准步骤,从而有效提高灯具的开发效率,具有十分良好的推广前景和应用价值。
为了实现上述目的,本发明提出了一种模拟RGB氛围灯光颜色的方法,其包括:
(1):构建神经网络模型,所述神经网络被构建为:输入为R、G、B参数,输出为色度坐标x,y;
(2):基于实际的RGB氛围灯采集训练样本数据;
(3):对所述训练样本数据进行预处理;
(4):采用预处理后的训练样本数据对所述神经网络模型进行训练,直至训练完成;
(5)向经过训练的神经网络模型中输入预设的R、G、B参数,所述神经网络模型输出模拟的色度坐标。
在本发明的上述技术方案中,本发明可以在Matlab仿真软件中构建用于辨识RGB氛围灯光颜色的神经网络模型。这种采用神经网络对RGB氛围灯光颜色进行辨识的方式可以不受测试地点和设备的限制,其仅需采用计算机仿真软件便可完成RGB氛围灯颜色的标定、性能评判等工作,可以有效减轻人力物力,节约测试成本。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,所述神经网络模型为BP神经网络模型。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,所述BP神经网络模型包括输入层、隐含层和输出层,其中隐含层神经元的个数为7。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,采用sigmoid函数作为所述BP神经网络模型的激活函数。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,在步骤(2)中,对于实际的RGB氛围灯给定不同的R、G、B,实际测量获得对应的色度坐标x,y,将所有实际给定的R、G、B及其对应的色度坐标x,y作为训练样本数据。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,在步骤(3)中,所述预处理包括归一化处理。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,在步骤(4)中,采用阻尼最小二乘算法对所述神经网络模型进行训练。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,在步骤(4)中,训练过程的目标函数E(w)为:
上式中,Yi表示目标色度值;Yi′表示RGB氛围灯的实际色度值;P表示训练样本数目;w表示权值和阈值向量;ei(w)表示色度坐标学习误差,i表示第i个训练样本。
进一步地,在本发明所述的模拟RGB氛围灯光颜色的方法中,在步骤(4)中,当目标函数<0.0001时,训练完成。
本发明所述的模拟RGB氛围灯光颜色的方法相较于现有技术具有如下所述的优点和有益效果:
(1)本发明所述的模拟RGB氛围灯光颜色的方法通过采用神经网络可以对RGB氛围灯光颜色进行模拟并离线辨识,其不受测试地点和设备的限制,仅需采用计算机仿真软件便可完成RGB氛围灯颜色的标定、性能评判等工作,可以有效减轻人力物力,节约测试成本。
(2)本发明所述的模拟RGB氛围灯光颜色的方法,操作简单且便捷,其可以有效提高灯具的开发效率,节约时间成本,并大大简化灯具的评判工作和校准步骤,从而有效提高灯具的开发效率,其具有十分良好的推广前景和应用价值。
(3)本发明所述的模拟RGB氛围灯光颜色的方法,可以有效避免因测量时间过长导致的误差影响,其准确性更高。
(4)本发明所述的模拟RGB氛围灯光颜色的方法具有十分广泛的适用性,其不仅可以适用于汽车领域所提到的灯具,同时也可以适用于各种RGB氛围灯灯具。
附图说明
图1示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型辨识RGB氛围灯光颜色的流程图。
图2示意性地显示了采用本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下所构建的BP神经网络模型的拓扑结构。
图3示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对训练集x值的预测效果。
图4示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对训练集y值的预测效果。
图5示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对测试集x值的预测效果。
图6示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对测试集y值的预测效果。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的模拟RGB氛围灯光颜色的方法做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
图1示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型辨识RGB氛围灯光颜色的流程图。
在本发明中,本发明所述的模拟RGB氛围灯光颜色的方法可以包括:
(1)构建神经网络模型,所述神经网络被构建为:输入为R、G、B参数,输出为色度坐标x,y。
(2)基于实际的RGB氛围灯采集训练样本数据。
(3)对所述训练样本数据进行预处理。
(4)采用预处理后的训练样本数据对所述神经网络模型进行训练,直至训练完成。
(5)向经过训练的神经网络模型中输入预设的R、G、B参数,所述神经网络模型输出模拟的色度坐标。
如图1所示,在本实施方式中,可以首先在Matlab仿真软件中构建用于辨识RGB氛围灯光颜色的BP神经网络模型,而后初始化BP神经网络模型中的权值和阈值,对训练样本数据进行包括归一化处理的预处理,利用预处理后的训练样本数据对BP神经网络模型进行训练。
在BP神经网络模型训练过程中,将归一化处理后的训练样本数据输入到在Matlab仿真软件编写好的BP神经网络模型中,通过不断的正向传递和权值阈值的误差反向调整,可以对BP神经网络模型进行训练,当求得目标函数E(w)<0.0001时,完成对BP神经网络模型的训练。
在本发明所述方法的步骤(1)中,本发明可以在Matlab仿真软件中构建用于辨识RGB氛围灯光颜色的神经网络模型。这种采用神经网络对RGB氛围灯光颜色进行辨识的方式可以不受测试地点和设备的限制,其仅需采用计算机仿真软件便可完成RGB氛围灯颜色的标定、性能评判等工作,可以有效减轻人力物力,节约测试成本。
相应地,在本发明所述的模拟RGB氛围灯光颜色的方法中,构建得到神经网络模型后,需要进一步地进行步骤(2)-步骤(4),以对神经网络模型进行训练,保证神经网络模型辨识RGB氛围灯光颜色的准确性。
需要说明的是,在本发明所述方法的步骤(2)中,可以通过向实际的RGB氛围灯给定不同的R、G、B,并实际测量获得对应的色度坐标x,y,从而将所有实际给定的R、G、B及其对应的色度坐标x,y作为训练样本数据。
在本实施方式中,以一只直接式RGB氛围灯为例,操作人员可以通过给定不同的R、G、B参数输入,而后对发光表面用光谱仪测量,获得对应的色度坐标x,y,而后收集能广泛分布在色谱图上的多组实际给定的R、G、B及其对应的色度坐标x,y值作为训练样本数据。
获取训练样本数据后,需要在本发明所述方法的步骤(3)中对训练样本数据进行包括归一化处理的预处理操作。其中,归一化处理现有技术中已知,此处不再赘述。
相应地,对训练样本数据预处理完成后,在本发明所述方法的步骤(4)中,需要采用上述预处理后的训练样本数据对构建的BP神经网络模型进行训练,直至训练完成。
在本实施方式中,针对BP神经网络模型的训练采用了反向传播算法的设计,即输入信号经过正向传递得到BP神经网络模型输出后进行误差的反向传播,不断对前一层进行处理,通过一个目标函数E(w)的最小化训练。
在对BP神经网络模型进行训练的过程中,训练过程中的目标函数E(w)为:
在上述公式(1)中,Yi表示目标色度值;Yi′表示RGB氛围灯的实际色度值;P表示训练样本数目;w表示权值和阈值向量;ei(w)表示色度坐标学习误差,i表示第i个训练样本。
相应地,在本发明所述方法的步骤(4)中,可以通过采用阻尼最小二乘算法(Leverberg Maquardt,LM)对BP神经网络模型进行训练,该算法可以兼具局部快速收敛特性和全局搜索特性。
在阻尼最小二乘算法方法中,权值阈值增量Δw的计算公式可以如下公式(2)所述:
Δw=[JT(w)J(w)+μI]-1JT(w)e(w) (2)
在上述公式(2)中,I表示单位矩阵;μ表示定义的学习率;e(w)表示为色度坐标学习误差;J(w)表示Jacobian矩阵;T表示矩阵的转置。
需要说明的是,J(w)表示的Jacobian矩阵,可以如下公式(3)所述:
在上述公式(3)中,e1(w)、eN(w)分别表示第一个色度坐标学习误差和第N个色度坐标学习误差,w1、wn分别表示第一个权值和阈值向量以及第n个权值和阈值向量。
在训练神经网络模型过程中,假设wk表示第k次迭代的权值和阈值所组成的向量,则新的权值和阈值所组成的向量为wk+1,可以通过如下所述的公式(4)进行计算:
wk+1=wk+Δw (4)
由此可见,结合参考图1的步骤流程示意图,在图1所示的实施方式中,本发明在步骤(4)中采用预处理后的训练样本数据对构建的BP神经网络模型进行训练的计算步骤,可以包括如下步骤S1-S6:
S1:提前设定给出误差目标函数所期望的训练误差值0.0001,以及初始化权值向量w(0),控制k=0,μ=μ0。
S2:计算神经网络模型输出和误差目标函数E(wk)。
S3:按上述公式(3)计算,求得Jacobian矩阵J(wk)。
S4:分别按上述公式(2)、(4)、(1),分别计算求得Δw、wk+1、E(wk+1)。
S5:若E(wk+1)<E(wk),则转到后续步骤S6;否则不更新权值,令wk+1=wk,μ=μ*10,跳转回到上述的步骤S4。
S6:判断目标函数是否<0.0001,如果目标函数<0.0001,则算法停止;否则令k=k+1,μ=μ/10,跳转回到上述的S2。
图2示意性地显示了采用本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下所构建的BP神经网络模型的拓扑结构。
需要说明的是,RGB氛围灯发光的原理为:将取值范围为[0,255]的R、G、B三原色信号值输入到RGB氛围灯的灯具***中,可以转换成PWM波输入到红绿蓝三种不同颜色的LED中,不同的R、G、B参数组合对应不同的混色,混色值可以采用1937xy色度坐标x,y表示,其中R、G、B三原色信号值极大影响着RGB氛围灯的发光颜色。因此,在本发明所述方法的步骤(1)中,将神经网络构建为:输入为R、G、B参数,输出为色度坐标x,y。其中,灯具自身特性对混色的影响同样也可以通过神经网络辨识出来。
在本实施方式中,构建的神经网络模型可以为BP神经网络模型,其拓扑结构可以如图2所示。
如图2所示,在本实施方式中,构建的BP神经网络模型的拓扑结构可以包括:输入层、隐含层和输出层。其中,输入层神经元的个数为输入特征(R、G、B)个数,即三个;输出层神经元结点数为输出特征个数(x、y),即两个;隐含层的神经元结点数参照Kolmogorov定理:隐含层节点数s=2n+1(n为输入层结点数),因此在本实施方式中,隐含层神经元可以设置为7个。
需要说明的是,在BP神经网络模型中,每个神经元均包含了权值、阈值、激活函数f(x)等信息。其中,神经元的输出与输入的映射关系可以为:
在上述公式(5)中,q表示为神经元输出,pj为来自第j个神经元的输入,wj表示该输入到本神经元的连接权值,a表示神经元阈值,f(x)为激活函数。
相应地,在本发明中,可以采用sigmoid函数代替阶跃函数作为BP神经网络模型的激活函数f(x)。
图3示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对训练集x值的预测效果。
图4示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对训练集y值的预测效果。
为了进一步地验证本发明所述的经过训练的神经网络模型能否辨识出实际RGB氛围灯光颜色,可以向本发明所述的经过训练的神经网络模型中输入预设的R、G、B参数,得到神经网络模型输出与训练集输出数据的对比图,如图3和图4。结合图3和图4可以看出,在本发明中,经过训练的神经网络模型辨识效果较好,其输出的数据与训练集输出数据的平均误差<0.5%。
相应地,在训练集以外选取五组数据作为测试集做进一步模型验证,将测试集输入特征(R、G、B参数)输入到经过训练的神经网络模型中,对比判断神经网络模型输出值与实际测试集输出值之间的误差,如图5、图6所示。
图5示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对测试集x值的预测效果。
图6示意性地显示了本发明所述的模拟RGB氛围灯光颜色的方法在一种实施方式下利用神经网络模型对测试集y值的预测效果。
由图5和图6所示,在本发明中,将测试集输入特征(R、G、B参数)输入到经过训练的神经网络模型中,经过训练的神经网络模型辨识效果较好,其输出的输出值与实际测试集输出值的平均误差<0.8%。
综上所述可以看出,本发明所述的模拟RGB氛围灯光颜色的方法可以采用神经网络对RGB氛围灯光的颜色进行模拟并离线辨识,其通过给定输入信号便可得到实际的出光颜色值。该方法可以脱离实际环境,调整和验证氛围灯光颜色,其可以大大简化灯具的评判工作和校准步骤,从而有效提高灯具的开发效率,具有十分良好的推广前景和应用价值。
需要说明的是,本发明保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (9)
1.一种模拟RGB氛围灯光颜色的方法,其特征在于,包括:
(1)构建神经网络模型,所述神经网络被构建为:输入为R、G、B参数,输出为色度坐标x,y;
(2)基于实际的RGB氛围灯采集训练样本数据;
(3)对所述训练样本数据进行预处理;
(4)采用预处理后的训练样本数据对所述神经网络模型进行训练,直至训练完成;
(5)向经过训练的神经网络模型中输入预设的R、G、B参数,所述神经网络模型输出模拟的色度坐标。
2.如权利要求1所述的模拟RGB氛围灯光颜色的方法,其特征在于,所述神经网络模型为BP神经网络模型。
3.如权利要求2所述的模拟RGB氛围灯光颜色的方法,其特征在于,所述BP神经网络模型包括输入层、隐含层和输出层,其中隐含层神经元的个数为7。
4.如权利要求2所述的模拟RGB氛围灯光颜色的方法,其特征在于,采用sigmoid函数作为所述BP神经网络模型的激活函数。
5.如权利要求1所述的模拟RGB氛围灯光颜色的方法,其特征在于,在步骤(2)中,对于实际的RGB氛围灯给定不同的R、G、B,实际测量获得对应的色度坐标x,y,将所有实际给定的R、G、B及其对应的色度坐标x,y作为训练样本数据。
6.如权利要求1所述的模拟RGB氛围灯光颜色的方法,其特征在于,在步骤(3)中,所述预处理包括归一化处理。
7.如权利要求1所述的模拟RGB氛围灯光颜色的方法,其特征在于,在步骤(4)中,采用阻尼最小二乘算法对所述神经网络模型进行训练。
9.如权利要求8所述的模拟RGB氛围灯光颜色的方法,其特征在于,在步骤(4)中,当目标函数<0.0001时,训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123140.8A CN112989689A (zh) | 2021-01-29 | 2021-01-29 | 一种模拟rgb氛围灯光颜色的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123140.8A CN112989689A (zh) | 2021-01-29 | 2021-01-29 | 一种模拟rgb氛围灯光颜色的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989689A true CN112989689A (zh) | 2021-06-18 |
Family
ID=76345780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110123140.8A Pending CN112989689A (zh) | 2021-01-29 | 2021-01-29 | 一种模拟rgb氛围灯光颜色的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189970A (zh) * | 2022-02-15 | 2022-03-15 | 广州地铁设计研究院股份有限公司 | 一种基于在线学习的灯具后备智能控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105611694A (zh) * | 2015-12-30 | 2016-05-25 | 北京经纬恒润科技有限公司 | 一种氛围灯的颜色配置方法和装置 |
CN107560829A (zh) * | 2017-07-14 | 2018-01-09 | 伟创力电子技术(苏州)有限公司 | 一种三基色自动判断led颜色的测试方法 |
CN109005617A (zh) * | 2018-07-06 | 2018-12-14 | 上海北汇信息科技有限公司 | 一种基于车载rgb控制器的无极调光方法和装置 |
CN111458029A (zh) * | 2020-03-03 | 2020-07-28 | 东莞职业技术学院 | 基于自联想神经网络的可见光mimo通信***颜色检测方法 |
US20200240601A1 (en) * | 2016-02-01 | 2020-07-30 | Hanxin ZHANG | Lighting device for creating atmosphere of living environment |
-
2021
- 2021-01-29 CN CN202110123140.8A patent/CN112989689A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105611694A (zh) * | 2015-12-30 | 2016-05-25 | 北京经纬恒润科技有限公司 | 一种氛围灯的颜色配置方法和装置 |
US20200240601A1 (en) * | 2016-02-01 | 2020-07-30 | Hanxin ZHANG | Lighting device for creating atmosphere of living environment |
CN107560829A (zh) * | 2017-07-14 | 2018-01-09 | 伟创力电子技术(苏州)有限公司 | 一种三基色自动判断led颜色的测试方法 |
CN109005617A (zh) * | 2018-07-06 | 2018-12-14 | 上海北汇信息科技有限公司 | 一种基于车载rgb控制器的无极调光方法和装置 |
CN111458029A (zh) * | 2020-03-03 | 2020-07-28 | 东莞职业技术学院 | 基于自联想神经网络的可见光mimo通信***颜色检测方法 |
Non-Patent Citations (2)
Title |
---|
廖宁放: "基于人工神经网络的CRT色度变换方法", 《中国优秀博硕士学位论文全文数据库(博士)-基础科学辑》 * |
彭波等: "《TCS230颜色传感器结合BP神经网络在颜色识别***上的研究》", 《食品与机械》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189970A (zh) * | 2022-02-15 | 2022-03-15 | 广州地铁设计研究院股份有限公司 | 一种基于在线学习的灯具后备智能控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101757090B1 (ko) | 코팅 제형의 텍스처 평가 시스템 및 방법 | |
US8392347B2 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
CN109508634B (zh) | 基于迁移学习的船舶类型识别方法及*** | |
KR102073046B1 (ko) | 도료의 텍스쳐 파라미터의 확인 방법 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN107465459B (zh) | 一种基于颜色空间强度分布的室内可见光定位方法 | |
CN105102946B (zh) | 用于多流颜色匹配的***和方法 | |
CN111818449B (zh) | 一种基于改进的人工神经网络的可见光室内定位方法 | |
US20160321546A1 (en) | Method and system for determining a color formula | |
CN112989689A (zh) | 一种模拟rgb氛围灯光颜色的方法 | |
KR20050088116A (ko) | 컬러 매칭 함수에 근접하기 위한 변환 구조 | |
CN105424598A (zh) | 一种基于图像识别的机动车尾气检测方法 | |
CN107271928A (zh) | 一种led灯具温度步降老化试验方法以及装置 | |
CN114241272B (zh) | 基于深度学习的异构信息融合定位方法 | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN104244502A (zh) | 确定照度传感器的布置的方法、装置和照明控制*** | |
CN113033777B (zh) | 一种基于神经网络标定模型的车载氛围灯色度标定方法 | |
CN106908150A (zh) | 嵌入式***相关色温快速计算方法 | |
CN115236591B (zh) | 一种基于机器学习方式的室内可见光定位方法 | |
CN208156464U (zh) | 基于径向基神经网络的荧光温度解调*** | |
CN111860987B (zh) | 混合荧光材料发射光谱预测方法和装置 | |
JPH11228877A (ja) | 塗料の着色剤と艶消剤の配合を計算により求めるカラーマッチング方法 | |
CN107462330A (zh) | 一种颜色识别方法和*** | |
CN115206455A (zh) | 基于深度神经网络的稀土元素组分含量预测方法及*** | |
CN116997969A (zh) | 用于预测涂层和包括所述涂层的基材的特性的方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |