驱动电路及其驱动控制方法

1.本发明涉及发光二极管显示器的领域，且更为具体地，涉及一种驱动电路及其驱动控制方法。

背景技术：

2.主动式微发光二极管(active micro-led,amled)显示器具有高对比、高彩饱和度和高亮度等优点，使其成为下一世代热门显示技术之一。传统的amled显示器在进行操作时，由于面板温度升高，使得发光二极管产生热效应，也就是其发光效率和跨压(vled)变小，导致amled显示器产生亮度衰减现象。
3.有鉴于此，如何解决发光二极管热效应现象进而提供高显示品质的amled显示器，实为业界有待解决的。

技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种驱动电路及其驱动控制方法，其通过基于深度神经网络模型来分别对于所有发光点的实时驱动电压和实时温度值进行隐含的关联特征挖掘，并为了关注到各个发光点之间的空间关联，引入了拓扑特征信息，从而能够基于发光点的全局特征信息来确定各个所述发光点的补偿电压，以通过所述补偿电压从而改善显示器画面亮度衰减的问题，使amled可显示高品质的画面。这样，能够使得显示器的面板发光一致性和稳定性能得以优化。
5.根据本技术的一个方面，提供了一种驱动电路，其包括：
6.发光点扫描模块，用于获取显示器中所有发光点的实时驱动电压和实时温度值；
7.空间拓扑构造模块，用于构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；
8.结构化模块，用于将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；
9.编码模块，用于将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；
10.第一融合模块，用于融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；
11.空间拓扑编码模块，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；
12.第二融合模块，用于将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；
13.当前状态编码模块，用于将所述待调节发光点的实时驱动电压和实时温度值通过
包含嵌入层的上下文编码器以得到当前状态向量；
14.映射模块，用于将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；
15.特征分布校正模块，用于对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；
16.优化模块，用于将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及
17.补偿电压值生成模块，用于将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。
18.在上述驱动电路中，所述编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述驱动电压特征矩阵和所述温度特征矩阵，所述第一卷积神经网络的第一层的输入为所述驱动电压输入矩阵和所述温度输入矩阵。
19.在上述驱动电路中，所述第一融合模块，进一步用于：以如下公式融合所述驱动电压特征矩阵和所述温度特征矩阵以得到所述叠加特征矩阵；
20.其中，所述公式为：
21.ms＝m1⊙
m222.其中，ms为所述叠加特征矩阵，m1为所述驱动电压特征矩阵，m2为所述温度特征矩阵，
⊙
表示按位置点乘。
23.在上述驱动电路中，所述空间拓扑编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
24.在上述驱动电路中，所述当前状态编码模块，进一步用于：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述待调节发光点的实时驱动电压和实时温度值转化为输入向量以获得输入向量的序列；以及，使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述当前状态向量。
25.在上述驱动电路中，所述特征分布校正模块，进一步用于：以如下公式对所述影响特征矩阵进行特征分布校正以得到所述增强泛化表达向量；
26.其中，所述公式为：
[0027][0028]
其中m
i,j
是所述影响特征矩阵的映射到[0,1]区间内的特征值，且∑im
i,j
表示对所述影响特征矩阵沿列求和。
[0029]
在上述驱动电路中，所述补偿电压值生成模块，进一步用于：使用所述解码器的多
个全连接层以如下公式对所述增强解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中x是所述增强解码特征向量，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。
[0030]
根据本技术的另一方面，一种驱动电路的驱动控制方法，其包括：
[0031]
获取显示器中所有发光点的实时驱动电压和实时温度值；
[0032]
构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；
[0033]
将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；
[0034]
将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；
[0035]
融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；
[0036]
将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；
[0037]
将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；
[0038]
将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；
[0039]
将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；
[0040]
对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；
[0041]
将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及
[0042]
将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。
[0043]
在上述驱动电路的驱动控制方法中，将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述驱动电压特征矩阵和所述温度特征矩阵，所述第一卷积神经网络的第一层的输入为所述驱动电压输入矩阵和所述温度输入矩阵。
[0044]
在上述驱动电路的驱动控制方法中，融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵，包括：以如下公式融合所述驱动电压特征矩阵和所述温度特征矩阵以得到所述叠加特征矩阵；
[0045]
其中，所述公式为：
[0046]ms
＝m1⊙
m2[0047]
其中，ms为所述叠加特征矩阵，m1为所述驱动电压特征矩阵，m2为所述温度特征矩
阵，
⊙
表示按位置点乘。
[0048]
在上述驱动电路的驱动控制方法中，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵，包括：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
[0049]
在上述驱动电路的驱动控制方法中，将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述待调节发光点的实时驱动电压和实时温度值转化为输入向量以获得输入向量的序列；以及，使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述当前状态向量。
[0050]
在上述驱动电路的驱动控制方法中，对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量，包括：以如下公式对所述影响特征矩阵进行特征分布校正以得到所述增强泛化表达向量；
[0051]
其中，所述公式为：
[0052][0053]
其中m
i,j
是所述影响特征矩阵的映射到[0,1]区间内的特征值，且∑im
i,j
表示对所述影响特征矩阵沿列求和。
[0054]
在上述驱动电路的驱动控制方法中，将所述增强解码特征向量通过解码器进行解码回归以得到解码值，包括：使用所述解码器的多个全连接层以如下公式对所述增强解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中x是所述增强解码特征向量，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。
[0055]
与现有技术相比，本技术提供的驱动电路及其驱动控制方法，其通过基于深度神经网络模型来分别对于所有发光点的实时驱动电压和实时温度值进行隐含的关联特征挖掘，并为了关注到各个发光点之间的空间关联，引入了拓扑特征信息，从而能够基于发光点的全局特征信息来确定各个所述发光点的补偿电压，以通过所述补偿电压从而改善显示器画面亮度衰减的问题，使amled可显示高品质的画面。这样，能够使得显示器的面板发光一致性和稳定性能得以优化。
附图说明
[0056]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0057]
图1为根据本技术实施例的驱动电路的示意图。
[0058]
图2为根据本技术实施例的驱动电路的框图。
[0059]
图3为根据本技术实施例的驱动电路的驱动控制方法的流程图。
[0060]
图4为根据本技术实施例的驱动电路的驱动控制方法的架构示意图。
具体实施方式
[0061]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0062]
场景概述
[0063]
如前所述，主动式微发光二极管(active micro-led,amled)显示器具有高对比、高彩饱和度和高亮度等优点，使其成为下一世代热门显示技术之一。传统的amled显示器在进行操作时，由于面板温度升高，使得发光二极管产生热效应，也就是其发光效率和跨压(vled)变小，导致amled显示器产生亮度衰减现象。有鉴于此，如何解决发光二极管热效应现象进而提供高显示品质的amled显示器，实为业界有待解决的。因此，期望一种驱动电路。
[0064]
各个发光二极管的驱动电路如图1所示，在工作过程中，驱动晶体管t1根据第一节点所存储的电压输出驱动信号。发光二极管d1的阳极电连接于驱动晶体管以接收所述驱动信号并进行驱动。驱动器s1的作用是确定补偿电压；其中，补偿电压的确定是根据输入信号是各个发光二极管的驱动信号的电压值和各个发光二极管的实时温度值来进行。
[0065]
相应地，本技术发明人发现在传统的驱动电路控制方案中，大部分是把各个发光点视为独立的发光点来进行驱动电路设计，但实际上各个发光点之间会相互影响，例如，离得近的发光点所产生的热量会影响待调节发光点的亮度，且不同距离的发光点之间的影响程度并不相同。因此，本技术发明人期望基于发光点的全局来确定各个发光点的补偿电压，以使得显示器的面板发光一致性和稳定性能得以优化。
[0066]
具体地，在本技术的技术方案中，首先，通过部署于显示器中各个发光点的温度传感器和电压传感器获取显示器中所有发光点的实时驱动电压和实时温度值。然后，使用在隐含关联的特征提取方面具有优异表现的卷积神经网络模型来对电压间以及温度间的关联特征进行提取。具体地，将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵，并将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络中进行处理，以分别提取出所述显示器中所有发光点的实时驱动电压以及所述显示器中所有发光点的实时温度值的隐含关联特征，从而得到驱动电压特征矩阵和温度特征矩阵。这样，再将得到的具有驱动电压关联的驱动电压特征矩阵和具有温度关联的温度特征矩阵进行融合，例如按位置点乘融合，以在后续电压补偿中关注到发光点所产生的热量和发光点的亮度之间的隐含关联，从而得到叠加特征矩阵。应可以理解，由于当前的驱动电压会使得发光点继续发光而产生更多的热量，因此，利用点乘来将这种叠加效应表现出来，从而提高补偿的准确性。
[0067]
并且，考虑到离得近的发光点所产生的热量会影响待调节发光点的亮度，且不同距离的发光点之间的影响程度并不相同。因此，在本技术的技术方案中，还需要构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩
阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离。然后，为了提取出所述发光点之间的拓扑特征信息，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络中进行特征挖掘，以得到拓扑特征矩阵。
[0068]
这样，将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘，就可以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中，以在后续对于电压进行补偿时关注到所述发光点的全局关联特征信息，从而得到基于空间拓扑的影响特征矩阵。
[0069]
这样，在对于所述待调节发光点的电压进行补偿时，考虑到所述待调节发光点之间存在着相互的关联，因此需要对于所述待调节发光点的实时驱动电压和实时温度值进行全局的隐含关联的特征挖掘，也就是，将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器中进行编码，以提取所述待调节发光点之间的基于全局的高维语义特征，以得到当前状态向量。
[0070]
进一步地，将所述当前状态向量与所述影响特征矩阵进行相乘，以将所述当前状态向量映射到所述影响特征矩阵的高维特征空间中，以得到解码特征向量。然后，再将所述解码特征向量通过解码器中进行解码回归，就可以得到补偿的电压值。
[0071]
但是，在将所述当前状态向量作为查询向量与基于空间拓扑的影响特征矩阵进行相乘以得到解码特征向量时，由于影响特征矩阵表达各节点之间的基于拓扑关联结构的特征语义，其优势在于表达全局节点间作为整体的特征分布，而针对单个节点的泛化表达能力可能存在缺陷，从而影响单个节点的解码特征向量的回归准确性。
[0072]
因此，优选地进一步对所述影响特征矩阵进行语义推理信息显式泛化，表示为：
[0073][0074]
其中m
i,j
是所述影响特征矩阵的映射到[0,1]区间内的特征值，且∑im
i,j
表示对所述影响特征矩阵沿列求和。
[0075]
由此，通过将特征值所对应的语义概念自下而上地显式泛化为对于单个节点的分组实例(grouped instance)，可以通过基于分组实例的判别信息的解耦来从全局特征语义分布进行单个节点的表达的信息化推理，以增强分组实例的特征分布在全局高维流形的高维语义空间内的分布信息可塑性，获得了对于单个节点的增强泛化表达向量v，进而提高解码回归的准确性。
[0076]
然后，将所述增强泛化表达向量v与所述解码特征向量进行点乘以对所述解码特征向量进行优化。再通过解码器中进行解码回归得到补偿电压值。这样，驱动电路得以通过补偿电压从而改善显示器画面亮度衰减的问题，使amled可显示高品质的画面。
[0077]
基于此，本技术提出了一种驱动电路，其包括：发光点扫描模块，用于获取显示器中所有发光点的实时驱动电压和实时温度值；空间拓扑构造模块，用于构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；结构化模块，用于将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；编码模块，用于将所述驱动电压输入矩阵
和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；第一融合模块，用于融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；空间拓扑编码模块，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；第二融合模块，用于将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；当前状态编码模块，用于将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；映射模块，用于将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；特征分布校正模块，用于对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；优化模块，用于将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及，补偿电压值生成模块，用于将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。
[0078]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0079]
示例性系统
[0080]
图2图示了根据本技术实施例的驱动电路的框图。如图2所示，根据本技术实施例的驱动电路200，包括：发光点扫描模块210，用于获取显示器中所有发光点的实时驱动电压和实时温度值；空间拓扑构造模块220，用于构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；结构化模块230，用于将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；编码模块240，用于将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；第一融合模块250，用于融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；空间拓扑编码模块260，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；第二融合模块270，用于将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；当前状态编码模块280，用于将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；映射模块290，用于将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；特征分布校正模块300，用于对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；优化模块310，用于将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及，补偿电压值生成模块320，用于将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。
[0081]
具体地，在本技术实施例中，所述发光点扫描模块210和所述空间拓扑构造模块220，用于获取显示器中所有发光点的实时驱动电压和实时温度值，并构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离。如前所述，由于在传统的驱动电路控制方案中，大部分是把各个发光点视为独立的发光点来进行驱动电路设计，
但实际上所述各个发光点之间会相互影响，例如，离得近的发光点所产生的热量会影响待调节发光点的亮度，且不同距离的发光点之间的影响程度并不相同。因此，在本技术的技术方案中，期望基于发光点的全局来确定所述各个发光点的补偿电压，以使得显示器的面板发光一致性和稳定性能得以优化。
[0082]
也就是，具体地，在本技术的技术方案中，首先，通过部署于显示器中各个发光点的温度传感器和电压传感器获取显示器中所有发光点的实时驱动电压和实时温度值。并且，考虑到离得近的发光点所产生的热量会影响待调节发光点的亮度，且不同距离的发光点之间的影响程度并不相同。因此，还需要构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，这里，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离。
[0083]
具体地，在本技术实施例中，所述结构化模块230和所述编码模块240，用于将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵，并将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵。也就是，在本技术的技术方案中，进一步使用在隐含关联的特征提取方面具有优异表现的卷积神经网络模型来对电压间以及温度间的关联特征进行提取。具体地，在本技术的技术方案中，首先将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵，并将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络中进行处理，以分别提取出所述显示器中所有发光点的实时驱动电压以及所述显示器中所有发光点的实时温度值的隐含关联特征，从而得到驱动电压特征矩阵和温度特征矩阵。
[0084]
更具体地，在本技术实施例中，所述编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述驱动电压特征矩阵和所述温度特征矩阵，所述第一卷积神经网络的第一层的输入为所述驱动电压输入矩阵和所述温度输入矩阵。
[0085]
具体地，在本技术实施例中，所述第一融合模块250，用于融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵。也就是，在本技术的技术方案中，在得到所述驱动电压特征矩阵和所述温度特征矩阵后，再将具有驱动电压关联的驱动电压特征矩阵和具有温度关联的温度特征矩阵进行融合，例如按位置点乘融合，以在后续电压补偿中关注到发光点所产生的热量和发光点的亮度之间的隐含关联，从而得到叠加特征矩阵。应可以理解，由于当前的驱动电压会使得发光点继续发光而产生更多的热量，因此，利用点乘来将这种叠加效应表现出来，从而提高电压补偿的准确性。
[0086]
更具体地，在本技术实施例中，所述第一融合模块，进一步用于：以如下公式融合所述驱动电压特征矩阵和所述温度特征矩阵以得到所述叠加特征矩阵；
[0087]
其中，所述公式为：
[0088]ms
＝m1⊙
m2[0089]
其中，ms为所述叠加特征矩阵，m1为所述驱动电压特征矩阵，m2为所述温度特征矩
阵，
⊙
表示按位置点乘。
[0090]
具体地，在本技术实施例中，所述空间拓扑编码模块260和所述第二融合模块270，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵，并将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵。也就是，在本技术的技术方案中，为了提取出所述发光点之间的拓扑特征信息，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络中进行特征挖掘，以得到拓扑特征矩阵。这样，再将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘，就可以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中，以在后续对于电压进行补偿时关注到所述发光点的全局关联特征信息，从而得到基于空间拓扑的影响特征矩阵。
[0091]
更具体地，在本技术实施例中，所述空间拓扑编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
[0092]
具体地，在本技术实施例中，所述当前状态编码模块280和所述映射模块290，用于将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量，并将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量。也就是，在对于所述待调节发光点的电压进行补偿时，考虑到所述待调节发光点之间存在着相互的关联，因此，在本技术的技术方案中，需要对于所述待调节发光点的实时驱动电压和实时温度值进行全局的隐含关联的特征挖掘，也就是，将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器中进行编码，以提取所述待调节发光点之间的基于全局的高维语义特征，以得到当前状态向量。进一步地，再将所述当前状态向量与所述影响特征矩阵进行相乘，以将所述当前状态向量映射到所述影响特征矩阵的高维特征空间中，以得到解码特征向量。
[0093]
更具体地，在本技术实施例中，所述当前状态编码模块，进一步用于：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述待调节发光点的实时驱动电压和实时温度值转化为输入向量以获得输入向量的序列；以及，使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述当前状态向量。
[0094]
具体地，在本技术实施例中，所述特征分布校正模块300，用于对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量。应可以理解，在得到所述解码特征向量后，再将所述解码特征向量通过解码器中进行解码回归，就可以得到补偿的电压值。但是，在将所述当前状态向量作为查询向量与所述基于空间拓扑的影响特征矩阵进行相乘以得到所述解码特征向量时，由于所述影响特征矩阵表达各节点之间的基于拓扑关联结构的特征语义，其优势在于表达全局节点间作为整体的特征分布，而针对单个节点的泛化表达能力可能存在缺陷，从而影响单个节点的解码特征向量的回归准确性。因此，在本技术的技术方案中，优选地进一步对所述影响特征矩阵进行语义推理信息显式泛化。
[0095]
更具体地，在本技术实施例中，所述特征分布校正模块，进一步用于：以如下公式对所述影响特征矩阵进行特征分布校正以得到所述增强泛化表达向量；
[0096]
其中，所述公式为：
[0097][0098]
其中m
i,j
是所述影响特征矩阵的映射到[0,1]区间内的特征值，且∑im
i,j
表示对所述影响特征矩阵沿列求和。应可以理解，由此，通过将特征值所对应的语义概念自下而上地显式泛化为对于单个节点的分组实例(grouped instance)，可以通过基于分组实例的判别信息的解耦来从全局特征语义分布进行单个节点的表达的信息化推理，以增强分组实例的特征分布在全局高维流形的高维语义空间内的分布信息可塑性，获得了对于单个节点的增强泛化表达向量v，进而提高解码回归的准确性。
[0099]
具体地，在本技术实施例中，所述优化模块310和所述补偿电压值生成模块320，用于将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量，并将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。也就是，在本技术的技术方案中，进一步将所述增强泛化表达向量v与所述解码特征向量进行点乘以对所述解码特征向量进行优化，从而得到增强解码特征向量，再将其通过解码器中进行解码回归得到补偿电压值。这样，驱动电路得以通过补偿电压从而改善显示器画面亮度衰减的问题，使amled可显示高品质的画面。
[0100]
更具体地，在本技术实施例中，所述补偿电压值生成模块，进一步用于：使用所述解码器的多个全连接层以如下公式对所述增强解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中x是所述增强解码特征向量，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。
[0101]
综上，基于本技术实施例的所述驱动电路200被阐明，其通过基于深度神经网络模型来分别对于所有发光点的实时驱动电压和实时温度值进行隐含的关联特征挖掘，并为了关注到各个发光点之间的空间关联，引入了拓扑特征信息，从而能够基于发光点的全局特征信息来确定各个所述发光点的补偿电压，以通过所述补偿电压从而改善显示器画面亮度衰减的问题，使amled可显示高品质的画面。这样，能够使得显示器的面板发光一致性和稳定性能得以优化。
[0102]
如上所述，根据本技术实施例的驱动电路200可以实现在各种终端设备中，例如驱动电路算法的服务器等。在一个示例中，根据本技术实施例的驱动电路200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该驱动电路200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该驱动电路200同样可以是该终端设备的众多硬件模块之一。
[0103]
替换地，在另一示例中，该驱动电路200与该终端设备也可以是分立的设备，并且该驱动电路200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0104]
示例性方法
[0105]
图3图示了驱动电路的驱动控制方法的流程图。如图3所示，根据本技术实施例的驱动电路的驱动控制方法，包括步骤：s110，获取显示器中所有发光点的实时驱动电压和实时温度值；s120，构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的
拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；s130，将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；s140，将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；s150，融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；s160，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；s170，将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；s180，将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；s190，将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；s200，对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；s210，将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及，s220，将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。
[0106]
图4图示了根据本技术实施例的驱动电路的驱动控制方法的架构示意图。如图4所示，在所述驱动电路的驱动控制方法的网络架构中，首先，将获得的所述显示器中所有发光点的实时驱动电压(例如，如图4中所示意的p1)构造为驱动电压输入矩阵(例如，如图4中所示意的m1)以及将所述显示器中所有发光点的实时温度值(例如，如图4中所示意的p2)构造为温度输入矩阵(例如，如图4中所示意的m2)；接着，将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络(例如，如图4中所示意的cnn1)以得到驱动电压特征矩阵(例如，如图4中所示意的mf1)和温度特征矩阵(例如，如图4中所示意的mf2)；然后，融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵(例如，如图4中所示意的mf3)；接着，将获得的所述拓扑矩阵(例如，如图4中所示意的m)通过作为特征提取器的第二卷积神经网络(例如，如图4中所示意的cmm2)以得到拓扑特征矩阵(例如，如图4中所示意的mt)；然后，将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵(例如，如图4中所示意的mf)；接着，将所述待调节发光点的实时驱动电压和实时温度值(例如，如图4中所示意的q)通过包含嵌入层的上下文编码器(例如，如图4中所示意的e)以得到当前状态向量(例如，如图4中所示意的vf1)；然后，将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量(例如，如图4中所示意的vf2)；接着，对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量(例如，如图4中所示意的vf3)；然后，将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量(例如，如图4中所示意的vf)；以及，最后，将所述增强解码特征向量通过解码器(例如，如图4中所示意的d)进行解码回归以得到解码值，所述解码值为补偿电压值。
[0107]
综上，基于本技术实施例的所述驱动电路的驱动控制方法被阐明，其通过基于深度神经网络模型来分别对于所有发光点的实时驱动电压和实时温度值进行隐含的关联特征挖掘，并为了关注到各个发光点之间的空间关联，引入了拓扑特征信息，从而能够基于发光点的全局特征信息来确定各个所述发光点的补偿电压，以通过所述补偿电压从而改善显
示器画面亮度衰减的问题，使amled可显示高品质的画面。这样，能够使得显示器的面板发光一致性和稳定性能得以优化。
[0108]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0109]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0110]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0111]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0112]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：

1.一种驱动电路，其特征在于，包括：发光点扫描模块，用于获取显示器中所有发光点的实时驱动电压和实时温度值；空间拓扑构造模块，用于构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；结构化模块，用于将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；编码模块，用于将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；第一融合模块，用于融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；空间拓扑编码模块，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；第二融合模块，用于将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；当前状态编码模块，用于将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；映射模块，用于将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；特征分布校正模块，用于对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；优化模块，用于将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及补偿电压值生成模块，用于将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。2.根据权利要求1所述的驱动电路，其特征在于，所述编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述驱动电压特征矩阵和所述温度特征矩阵，所述第一卷积神经网络的第一层的输入为所述驱动电压输入矩阵和所述温度输入矩阵。3.根据权利要求2所述的驱动电路，其特征在于，所述第一融合模块，进一步用于：以如下公式融合所述驱动电压特征矩阵和所述温度特征矩阵以得到所述叠加特征矩阵；其中，所述公式为：m
s
＝m1⊙
m2其中，m
s
为所述叠加特征矩阵，m1为所述驱动电压特征矩阵，m2为所述温度特征矩阵，
⊙
表示按位置点乘。4.根据权利要求3所述的驱动电路，其特征在于，所述空间拓扑编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。5.根据权利要求4所述的驱动电路，其特征在于，所述当前状态编码模块，进一步用于：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述待调节发光点的实时驱动电压和实时温度值转化为输入向量以获得输入向量的序列；以及使用所述包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述当前状态向量。6.根据权利要求5所述的驱动电路，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述影响特征矩阵进行特征分布校正以得到所述增强泛化表达向量；其中，所述公式为：其中m
i，j
是所述影响特征矩阵的映射到[0，1]区间内的特征值，且∑
i
m
i，j
表示对所述影响特征矩阵沿列求和。7.根据权利要求6所述的驱动电路，其特征在于，所述补偿电压值生成模块，进一步用于：使用所述解码器的多个全连接层以如下公式对所述增强解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：获得所述解码值，其中，所述公式为：其中x是所述增强解码特征向量，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。8.一种驱动电路的驱动控制方法，其特征在于，包括：获取显示器中所有发光点的实时驱动电压和实时温度值；构建所述显示器中待调节发光点与所述显示器中所有其他发光点之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为所述待调节发光点与各个其他发光点之间的距离；将所述显示器中所有发光点的实时驱动电压构造为驱动电压输入矩阵以及将所述显示器中所有发光点的实时温度值构造为温度输入矩阵；将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵；融合所述驱动电压特征矩阵和所述温度特征矩阵以得到叠加特征矩阵；将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；将所述叠加特征矩阵与所述拓扑特征矩阵进行矩阵相乘以将所述拓扑特征矩阵的高维拓扑信息映射到所述叠加特征矩阵的高维特征空间中以得到基于空间拓扑的影响特征矩阵；
将所述待调节发光点的实时驱动电压和实时温度值通过包含嵌入层的上下文编码器以得到当前状态向量；将所述当前状态向量与所述影响特征矩阵进行相乘以得到解码特征向量；对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量；将所述增强泛化表达向量与所述解码特征向量进行按位置点乘以得到增强解码特征向量；以及将所述增强解码特征向量通过解码器进行解码回归以得到解码值，所述解码值为补偿电压值。9.根据权利要求8所述的驱动电路的驱动控制方法，其特征在于，所述将所述驱动电压输入矩阵和所述温度输入矩阵分别通过作为特征提取器的第一卷积神经网络以得到驱动电压特征矩阵和温度特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述驱动电压特征矩阵和所述温度特征矩阵，所述第一卷积神经网络的第一层的输入为所述驱动电压输入矩阵和所述温度输入矩阵。10.根据权利要求9所述的驱动电路的驱动控制方法，其特征在于，所述对所述影响特征矩阵进行特征分布校正以得到增强泛化表达向量，包括：以如下公式对所述影响特征矩阵进行特征分布校正以得到所述增强泛化表达向量；其中，所述公式为：其中m
i，j
是所述影响特征矩阵的映射到[0，1]区间内的特征值，且∑
i
m
i，j
表示对所述影响特征矩阵沿列求和。

技术总结

本申请涉及发光二极管显示器的领域，其具体地公开了一种驱动电路及其驱动控制方法，其通过基于深度神经网络模型来分别对于所有发光点的实时驱动电压和实时温度值进行隐含的关联特征挖掘，并为了关注到各个发光点之间的空间关联，引入了拓扑特征信息，从而能够基于发光点的全局特征信息来确定各个所述发光点的补偿电压，以通过所述补偿电压从而改善显示器画面亮度衰减的问题，使AMLED可显示高品质的画面。这样，能够使得显示器的面板发光一致性和稳定性能得以优化。性和稳定性能得以优化。性和稳定性能得以优化。