[发明专利]一种基于神经网络标定模型的车载氛围灯色度标定方法

权利要求书

1.一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，包括以下步骤：

(1)获取训练数据

采集氛围灯三基色的色品坐标和光通量，结合目标颜色的色品坐标和光通量，通过混色模型并计算出驱动三基色LED的PWM占空比，采用闭环调节得到满足误差要求的PWM占空比，将三基色和目标色的色品及光通量、驱动三基色LED的占空比作为训练据；

(2)数据预处理

进行数据分类，将三基色、目标色的色品及光通量作为网络输入数据，驱动三基色LED的占空比作为输出数据，对数据进行归一化处理；

(3)搭建网络

搭建输入层节点为12，隐含层节点为24，输出层节点为9的神经网络，每层之间采用全连接的方式；

(4)网络训练

采用步骤(2)处理后的数据集，将数据集分类为训练集和测试集，采用训练集对步骤(3)搭建的网络进行训练，将测试集输入网络模型用于模型输出误差验证，不断调节训练参数，选取模型输出误差最小的结果，将该训练好的模型用于色度标定；

(5)使用神经网络进行色度标定

采用神经网络对氛围灯进行色度标定，采集氛围灯红绿蓝分别最大亮度点亮时色品坐标和光通量，将三基色和目标色的色品坐标和光通量输入神经网络，计算得出驱动三基色LED的占空比，将该占空比参数通过LIN传输至氛围灯并存至氛围灯的存储元件中；

(6)神经网络更新

在采用神经网络对氛围灯进行色度标定时，对存在误差的数据采用闭环调节，以点亮色和目标色的色品误差作为反馈，调整目标色色品，再次送入网络直至点亮色和目标色的色品误差小于误差要求，将该占空比和目标色添加至数据集，更新数据集再次对网络训练，完成网络更新。

2.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(1)中以点亮色和目标色的色品误差作为反馈，调整目标色色品时采用变步长调节方法，当色品坐标误差大于0.02时将完整误差反向叠加至目标色品坐标，当误差小于0.02并大于0.01时，将完整误差按比例反向叠加至目标色品坐标，比例系数为0.5，当误差小于0.02并大于0.01时无需调节，将调节后的新目标色品坐标送入标定模型，在使计算结果快速收敛的同时避免计算结果的多次震荡。

3.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(3)构建的网络模型的12个输入分别为目标颜色坐标及氛围灯三基色的色品坐标和光通量Y；

3个输出分别为对应目标色品的R、G、B LED三个通道PWM占空比的神经网络模型；

该神经网络为单隐含层结构，隐含层节点为24，隐含层的激活函数采用Sigmoid型激发函数，输出层的激活函数采用线性函数。

4.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(4)的网络训练采用均方方差Mean Square Error为损失函数，采用Levenberg-Marquardt算法进行学习，反向传播进行网络训练。