[发明专利]基于GRU-CNN组合模型的快速Gamma调校方法、系统及应用

权利要求书

1.一种基于GRU-CNN组合模型的快速Gamma调校方法，其特征在于，所述基于GRU-CNN组合模型的快速Gamma调校方法包括以下步骤：

步骤一、选取多个灰阶序列组成由多个绑点初始向量组成的输入绑点队列；

步骤二、建立GRU网络，以获得输入绑点队列之间的序列特征；

步骤三、建立CNN网络，以获得输入绑点的初始向量的局部特征；

步骤四、样本模组输入到建立好的组合模型中，获得训练好的组合模型，并进行RGB寄存器的初始值预测；

步骤五、GRU-CNN组合模型有效性评价。

2.根据权利要求1所述的基于GRU-CNN组合模型的快速Gamma调校方法，其特征在于，选取多个灰阶序列组成由多个绑点初始向量组成的输入绑点队列的步骤包括：模组的输入绑点、颜色坐标及亮度值，组合模型的输出绑点预测向量包括输出绑点及RGB寄存器的值；

建立GRU网络，以获得输入绑点队列之间的序列特征的步骤包括：

2.1、GRU网络的建立；GRU网络是LSTM网络的变体，GRU网络是由更新门z_t和重置门r_t构成，更新门z_t是将LSTM网络结构中遗忘门和输入门合并得到；

2.2、利用建立好的GRU网络，获得输入绑点队列之间的序列特征；对于输入的序列数据集S_a，使用GRU网络学习特征序列，得到GRU网络最终输出的特征向量YaGRU，其表达式为：

Y_a^GRU＝f_GRU(S_a,W_r,W_Z) (1)

其中，W_r和W_z示重置门和更新门的权重矩阵，f_GRU()表示GRU神经网络的映射函数；

建立CNN网络，以获得输入绑点的初始向量的局部特征的步骤包括：

3.1、建立CNN网络；CNN网络由卷积层和归一化层交替形成，在输出层前使用全局平均池来减少输出值的维度；

3.2、利用建立好的CNN网络，获得输入绑点的初始向量的局部特征；对于输入的序列数据集S_a，使用CNN网络学习初始向量的局部特征，得到CNN网络最终输出的特征向量Y_a^CNN，其表达式为：

Y_a^CNN＝{g₁,g₂,...,g_n} (2)

其中，g_n表示CNN网络最终学习到的特征向量Y_a^CNN的每一个分量值；

样本模组输入到建立好的组合模型中，获得训练好的组合模型，并进行RGB寄存器的初始值预测的步骤包括：

4.1、混合模型的输出；对输入的序列样本S_a，将GRU网络及CNN网络所提取的特征向量进行混合，随后通过全连接层，输出RGB寄存器的预测值，如下式所示：

Y_a＝Fully connected layer(g₁,g₂,...,g_n) (3)

其中，Y_a^GRU表示GRU网络输出的特征向量，Y_a^CNN表示卷积网络输出的特征向量，函数concetenate()将特征向量Y_a^GRU和Y_a^CNN拼接为一个长向量；

4.2、损失函数及优化算法的定义和网络训练；

4.3、使用训练好的GRU-CNN组合模型进行初始值预测；将所获取待调制模组的输入绑点序列，利用训练好的GRU-CNN组合模型得到输出绑点序列Y₁,Y₂,…Y₂₈,获得RGB寄存器的预测值。