买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏晟迹创意科技有限责任公司

摘要：本发明公开了一种基于改进遗传算法和神经网络的全息展示布局优化方法，包括S1、构建全息展示环境参数数据集；S2、通过改进的遗传算法初始化一组全息展示元素的布局配置；S3、使用神经网络模型对步骤S2中生成的每个布局配置进行评估；S4、根据神经网络模型的评估结果，调整改进的遗传算法中的布局配置，迭代优化以逐步提高布局方案的视觉效果和交互体验；S5、重复步骤S3和步骤S4，直至达到预设的迭代次数或满足布局优化的性能指标；S6、输出最终优化的全息展示布局配置，用于实际的全息展示中。本发明通过实时监测和分析全息展示环境中的变化，大幅提升了用户互动体验和视觉效果的质量。

主权项：1.一种基于改进遗传算法和神经网络的全息展示布局优化方法，其特征在于，包括如下步骤：S1、利用输入设备接收关于全息展示环境的观众数量、观众动态位置变化、实时环境音响水平、环境光强度变化以及实时观众情绪反馈，并构建全息展示环境参数数据集；S2、根据接收到的全息展示环境参数数据集，通过改进的遗传算法初始化一组全息展示元素的布局配置；S3、使用神经网络模型对步骤S2中生成的每个布局配置进行评估，所述神经网络模型预先经过训练根据全息展示效果和观众互动数据评估布局配置的效果；S4、根据神经网络模型的评估结果，调整改进的遗传算法中的布局配置，迭代优化以逐步提高布局方案的视觉效果和交互体验；S5、重复步骤S3和步骤S4，直至达到预设的迭代次数或满足布局优化的性能指标；S6、输出最终优化的全息展示布局配置，用于实际的全息展示中；所述S1包括如下步骤：S11、部署立体摄像头于全息展示区域的关键位置，立体摄像头采用深度感知技术实时捕捉观众的三维空间位置和面部表情，通过生成深度图和纹理映射，提供观众的动态位置数据Dx,y和面部表情数据Ft： 其中，Dx,y表示在图像平面上坐标x,y的深度值，f是摄像头的焦距，B是摄像头间的基线距离，dx,y是对应的视差值； 其中，Ft表示时间t的面部表情特征值，Nf是特征点的数量，fi是第i个特征点的测量值，μi和σi分别是第i个特征点的平均值和标准偏差，wi是第i个特征点的权重；S12、利用集成在全息展示区域座位或可穿戴设备中的光电容积脉搏波传感器，通过综合心率监测模型分析血液流动的变化，实时监测每位观众的心率变化数据HRt；S13、通过环境监测系统连续收集全息展示区域内的声音级别和光照强度，使用传感器阵列分别在多个频段和光谱区域内独立测量声音和光照进而调整全息展示的视听环境；S14、利用情绪识别算法将观众的面部表情数据和心率变化数据转化为情绪评分Et，情绪识别算法基于大规模情感分析训练集，识别多种情绪状态，并将情绪状态量化为可操作的数值，用于指导全息展示的内容和布局调整；S15、收集步骤S11-S14的数据，构建全息展示环境参数数据集： 所述S2包括如下步骤：S21、基于接收到的全息展示环境参数数据集Dataset定义初始种群，每个个体代表一个可能的全息展示元素布局配置，包括每个展示元素的位置坐标xi,yi,zi和旋转角度θiS22、应用自适应适应度函数为每个个体评分，其中： 其中，是视觉覆盖度的评估函数，根据元素位置和观众视角计算得到的视觉覆盖度，是交互效果的评估函数，基于观众的动态位置、表情参数计算与全息展示内容的交互程度，是资源利用率，λ是平衡视觉效果与资源利用的系数，w1和w2是预设的权重；视觉覆盖度的评估函数根据元素位置、观众视角以及展示内容的可视化质量来计算： 其中，n是全息元素的数量，m是观众的数量，vij表示第i个全息元素对第j个观众的可见度，αij是第j个观众与第i个全息元素之间的视线角度，dij是观众j与全息元素i之间的距离，σ是衰减系数，控制距离对视觉效果的影响；交互效果的评估函数基于观众的动态位置、表情、心率数据计算与全息展示内容的交互程度： 其中，m是观众数量，Rk是观众k的反应系数，反映每个观众的交互意愿，β,γ,δ是权重因子，用于平衡空间交互、生理交互和情绪交互的影响；Sk是根据观众k的位置和面部表情数据计算的空间交互指数，定义为： 其中，ski是观众k对全息元素i的空间敏感度，Li是元素i的位置；Hk是根据心率变化数据HRt计算的生理交互指数： 其中，HRrest是静息心率，a是调节因子；Ek是情绪评分Et对交互的影响： 将情绪评分归一化到0和1之间；S23、应用锦标赛选择法从种群中随机选取个体，比较个体间的适应度，并选出适应度最高的个体进行复制到下一代： 其中，和是随机选取的两个个体；S24、实施均匀交叉操作对选中的父本执行基因的均等交换，每个基因位决定其遗传信息来自于哪一个父本，定义两个父本个体的基因向量为和生成一个新的个体其基因位由和随机均等选取，均匀交叉表示为： 其中，ri是对于第i个基因位生成的随机数，满足ri～U0,1，表示均匀分布；S25、引入基于梯度的变异方法选择基因中的参数xi,yi,zi,θi进行调整，使用目标函数F的局部梯度信息指导变异过程，实现有方向的优化调整： 其中，σ是控制变异步长的参数，是在点计算的目标函数的梯度，包括每个基因位的偏导数；梯度计算采用有限差分： 其中，δ是一个小的正数，用于计算xi方向的梯度，同样的方法用于yi,zi,θi的梯度计算；S26、重复步骤S22到S25，直到生成满足适应度标准的种群；所述S3包括如下步骤：S31、使用一个预先训练好的神经网络模型M，用于评估全息展示元素布局配置的视觉效果和交互体验，输入步骤S2中生成的每个布局配置以及从全息展示环境参数数据集Dataset： 其中，表示将动态位置数据展平成一维向量，和分别是声音级别和光照强度向量，集成所有测量频率和波长的数据；S32、神经网络模型M的结构包括多层感知机，每一层使用非线性激活函数；S33、输出层采用Softmax函数，将神经网络的评估结果转化为概率分布表示每个布局配置对于全息展示效果和观众交互体验的适宜性，计算公式为： 其中，指数函数和求和操作确保输出为概率分布，k是可能的布局配置数量；S34、为每个布局配置生成一个评分基于概率分布转换为易于优化处理的数值，评分计算公式为： 通过对每个配置的概率应用对数和负号，将概率转换为评分，使得高概率对应高评分；S35、将所有布局配置的评分汇总，并反馈给改进的遗传算法，用于指导布局的迭代优化过程；所述S4包括如下步骤：S41、接收步骤S35的所有布局配置的评分评分反映了每个布局配置的视觉效果和交互体验；S42、根据评分调整改进的遗传算法中的布局配置，使用适应度函数更新以包括神经网络模型的评价结果；S43、使用更新的适应度函数选择下一代种群中的个体，采用锦标赛选择法确保高适应度的个体有更高的被选概率；S44、对所选个体执行遗传算法的均匀交叉和变异操作，变异操作则依据梯度信息调整布局参数引入新的遗传变异；S45、重复执行步骤S42到S44，直至达到预设的迭代次数或布局优化满足预定的性能指标，系统不断学习和适应，优化全息展示的布局配置；S46、每次迭代后，评估当前种群的平均适应度，并根据需求调整遗传算法的交叉率和变异率。

全文数据：

权利要求：

百度查询： 江苏晟迹创意科技有限责任公司 基于改进遗传算法和神经网络的全息展示布局优化方法