本发明涉及控制领域，具体涉及一种亮度自动调节的方法。
背景技术：
1、传统智能终端的智能亮度自动调节，采用亮度传感器，根据亮度信息，显示亮度数值。该方法没有考虑每个人实际情况的不同，千篇一律，友好性差。现有的智能终端的亮度调节方法仅依据环境光线传感器采集的光强信息，按照预定的固定映射关系直接计算出显示器的亮度值，该方法存在以下问题:
2、现有方法并没有考虑不同用户的视觉特点和使用习惯的差异，采用了统一的映射关系，导致输出的亮度值可能不适合不同用户的需要。
3、不同用户对显示屏最舒适的亮度值存在个体差异，但现有方法给所有用户提供了同一映射关系，无法根据个体差异进行个性化调节。
4、在不同环境光照、查看不同类型内容时，用户对显示屏亮度的偏好也会有较大差异，现有方法没有考虑这些复杂的影响因素。
5、现有方法生成的显示器亮度只依据光照强度，没有考虑用户主观偏好，无法满足不同用户的个性化需求。
6、由于缺乏对个体视觉特点和使用习惯的建模，现有方法生成的亮度值的用户适配性较差，影响了使用体验。
技术实现思路
1、有鉴于此，本发明提供了一种亮度自动调节的方法，包括：
2、采集步骤，用于当用户手动调节终端的显示器的亮度时，采集当前软件信息、环境亮度数据、gps位置数据、加速度数据以及用户调节的目标亮度值；
3、建模步骤，用于在终端本地建立用户个性化亮度模型，并在云端建立通用亮度模型，其中：
4、所述个性化亮度模型为基于用户历史数据训练的模型；
5、所述通用亮度模型为基于所有用户历史数据训练的模型；
6、计算步骤，用于系统亮屏时，调用所建立的所述个性化亮度模型和所述通用亮度模型，计算出个性化亮度模型亮度值和通用亮度模型亮度值；将所述个性化亮度模型亮度值和所述通用亮度模型亮度值按一定权重融合，得到目标亮度值；
7、调节步骤，用于调节显示器亮度到所述目标亮度值。
8、特别地，所述个性化亮度模型采用用户历史记录的软件信息、环境亮度数据、gps位置数据、加速度数据以及调节的目标亮度值作为特征；所述通用亮度模型采用所有用户历史记录的软件信息、环境亮度数据、gps位置数据、加速度数据以及调节的目标亮度值作为特征。
9、特别地，所述计算步骤具体包括：
10、利用用户实时数据，分别调用个性化亮度模型和通用亮度模型，得到个性化亮度值和通用亮度值；
11、计算个性化亮度值和通用亮度值的权重，将个性化亮度值和通用亮度值按权重进行融合，得到目标亮度值。
12、特别地，利用用户实时数据，分别调用个性化亮度模型和通用亮度模型，得到个性化亮度值y1和通用亮度值y2；
13、计算个性化亮度值y1与通用亮度值y2的权重ω1和ω2；
14、其中，权重ω1和ω2的计算通过以下公式实现：
15、
16、将个性化亮度值y1和通用亮度值y2按权重ω1和ω2进行线性融合，得到目标亮度值y：y＝ω1y1+ω2y2；其中，μ1、μ2分别为个性化亮度模型、通用亮度模型输出亮度值的均值，σ1、σ2分别为对应的方差。
17、特别地，所述采集步骤具体包括：对采集的环境亮度数据进行归一化处理；
18、对采集的软件信息进行向量化处理；查询用户所在位置的城市和区域信息；判断用户当前的运动状态。
19、特别地，该方法在调节步骤后还包括：模型优化步骤，用于根据用户后续是否手动调节亮度，对个性化亮度模型进行优化。
20、特别地，所述模型优化步骤具体包括：若一定时间内用户未手动调节亮度，则将本次记录记入历史亮度自动调节记录表；若用户手动调节了亮度，则重新训练个性化亮度模型。
21、特别地，所述个性化亮度模型采用马尔可夫模型，所述通用亮度模型采用xgboost模型。
22、特别地，还包括：在云端采用全量用户数据定期重训所述通用亮度模型。
23、有益效果：
24、通过本发明的方案，可以根据用户的视觉特点和使用习惯建立个性化的亮度调节模型，实现用户个体差异的自适应。
25、通过本发明的方案，可以在不同环境光照和查看不同内容时，智能调节显示器亮度，使其符合用户的视觉偏好。
26、通过本发明的方案，可以融合通用模型和个性化模型的输出，综合考虑对大多数用户适用的亮度值和个体用户偏好的亮度值。
27、通过本发明的方案，构建了用户个性化特征的表示，可以持续优化用户体验，而不仅仅是依据环境光照条件。
28、通过本发明的方案，减少了用户手动调节显示器亮度的次数，使用更加便捷舒适。
29、通过本发明的方案，从数据驱动的角度出发，可以持续积累用户行为数据，不断优化亮度调节模型，提供更加智能和人性化的交互体验。
1.一种亮度自动调节的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述个性化亮度模型采用用户历史记录的软件信息、环境亮度数据、gps位置数据、加速度数据以及调节的目标亮度值作为特征；所述通用亮度模型采用所有用户历史记录的软件信息、环境亮度数据、gps位置数据、加速度数据以及调节的目标亮度值作为特征。
3.如权利要求1所述的方法，其特征在于，所述计算步骤具体包括：
4.如权利要求3所述的方法，其特征在于，利用用户实时数据，分别调用个性化亮度模型和通用亮度模型，得到个性化亮度值y1和通用亮度值y2；
5.如权利要求1所述的方法，所述采集步骤具体包括：对采集的环境亮度数据进行归一化处理；
6.如权利要求1所述的方法，其特征在于，该方法在调节步骤后还包括：模型优化步骤，用于根据用户后续是否手动调节亮度，对个性化亮度模型进行优化。
7.如权利要求6所述的方法，其特征在于，所述模型优化步骤具体包括：若一定时间内用户未手动调节亮度，则将本次记录记入历史亮度自动调节记录表；若用户手动调节了亮度，则重新训练个性化亮度模型。
8.如权利要求1所述的方法，其特征在于，所述个性化亮度模型采用马尔可夫模型，所述通用亮度模型采用xgboost模型。
9.如权利要求1所述的方法，其特征在于，还包括：在云端采用全量用户数据定期重训所述通用亮度模型。
