[發明專利]基于GRU-CNN組合模型的快速Gamma調校方法、系統及應用

在審

• 申請號: 202110798509.5
• 申請日: 2021-07-15
• 公開（公告）號: CN113487577A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 肖君軍;郭興達;胡兆君;劉強
• 申請（專利權）人: 哈爾濱工業大學（深圳）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 廣東普潤知識產權代理有限公司 44804
• 代理人: 寇闖

1.一種基于GRU-CNN組合模型的快速Gamma調校方法，其特征在于，所述基于GRU-CNN組合模型的快速Gamma調校方法包括以下步驟：

步驟一、選取多個灰階序列組成由多個綁點初始向量組成的輸入綁點隊列；

步驟二、建立GRU網絡，以獲得輸入綁點隊列之間的序列特征；

步驟三、建立CNN網絡，以獲得輸入綁點的初始向量的局部特征；

步驟四、樣本模組輸入到建立好的組合模型中，獲得訓練好的組合模型，并進行RGB寄存器的初始值預測；

步驟五、GRU-CNN組合模型有效性評價。

2.根據權利要求1所述的基于GRU-CNN組合模型的快速Gamma調校方法，其特征在于，選取多個灰階序列組成由多個綁點初始向量組成的輸入綁點隊列的步驟包括：模組的輸入綁點、顏色坐標及亮度值，組合模型的輸出綁點預測向量包括輸出綁點及RGB寄存器的值；

建立GRU網絡，以獲得輸入綁點隊列之間的序列特征的步驟包括：

2.1、GRU網絡的建立；GRU網絡是LSTM網絡的變體，GRU網絡是由更新門z_t和重置門r_t構成，更新門z_t是將LSTM網絡結構中遺忘門和輸入門合并得到；

2.2、利用建立好的GRU網絡，獲得輸入綁點隊列之間的序列特征；對于輸入的序列數據集S_a，使用GRU網絡學習特征序列，得到GRU網絡最終輸出的特征向量YaGRU，其表達式為：

Y_a^GRU＝f_GRU(S_a,W_r,W_Z) (1)

其中，W_r和W_z示重置門和更新門的權重矩陣，f_GRU()表示GRU神經網絡的映射函數；

建立CNN網絡，以獲得輸入綁點的初始向量的局部特征的步驟包括：

3.1、建立CNN網絡；CNN網絡由卷積層和歸一化層交替形成，在輸出層前使用全局平均池來減少輸出值的維度；

3.2、利用建立好的CNN網絡，獲得輸入綁點的初始向量的局部特征；對于輸入的序列數據集S_a，使用CNN網絡學習初始向量的局部特征，得到CNN網絡最終輸出的特征向量Y_a^CNN，其表達式為：

Y_a^CNN＝{g₁,g₂,...,g_n} (2)

其中，g_n表示CNN網絡最終學習到的特征向量Y_a^CNN的每一個分量值；

樣本模組輸入到建立好的組合模型中，獲得訓練好的組合模型，并進行RGB寄存器的初始值預測的步驟包括：

4.1、混合模型的輸出；對輸入的序列樣本S_a，將GRU網絡及CNN網絡所提取的特征向量進行混合，隨后通過全連接層，輸出RGB寄存器的預測值，如下式所示：

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

其中，Y_a^GRU表示GRU網絡輸出的特征向量，Y_a^CNN表示卷積網絡輸出的特征向量，函數concetenate()將特征向量Y_a^GRU和Y_a^CNN拼接為一個長向量；

4.2、損失函數及優化算法的定義和網絡訓練；

4.3、使用訓練好的GRU-CNN組合模型進行初始值預測；將所獲取待調制模組的輸入綁點序列，利用訓練好的GRU-CNN組合模型得到輸出綁點序列Y₁,Y₂,…Y₂₈,獲得RGB寄存器的預測值。