折叠角度检测方法、装置、终端及存储介质

摘要

本发明实施例公开了一种折叠角度检测方法、装置、终端及存储介质，其中，所述方法应用于具有折叠显示屏的终端中，折叠显示屏包括主显示屏和副显示屏，主显示屏和副显示屏中均设置有加速度传感器和地磁传感器，其中，所述方法包括：实时获取所述主显示屏和所述副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据；将所述加速度数据和/或所述地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据所述折叠角检测模型的输出值确定所述折叠显示屏的折叠角度。本发明实施例通过设计折叠角检测模型，简化了折叠屏的折叠角度的计算，且便于进行二次研发。

权利要求

1.一种折叠角度检测方法，其特征在于，应用于具有折叠显示屏的终端中，所述折叠显示屏包括主显示屏和副显示屏，所述主显示屏和所述副显示屏中均设置有加速度传感器和地磁传感器，其中，所述方法包括：实时获取所述主显示屏和所述副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据；

将所述加速度数据和/或所述地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据所述折叠角检测模型的输出值确定所述折叠显示屏的折叠角度；

所述折叠角检测模型是基于径向基函数神经网络设计的检测模型；

相应的，构建基于径向基函数神经网络的折叠角检测模型的操作包括：根据训练样本数据，确定径向基函数神经网络的参数，其中，所述训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据训练样本数据，确定径向基函数神经网络的参数，包括：根据所述训练样本数据，确定径向基函数神经网络的径向基中心；

根据所述训练样本数据和所述径向基中心确定径向基函数神经网络的径向基函数的方差。

3.根据权利要求1所述的方法，其特征在于，所述折叠角检测模型是基于BP神经网络设计的检测模型；

相应的，构建基于BP神经网络的折叠角检测模型的操作包括：

确定BP神经网络的激活函数，并结合训练样本数据对所述BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述BP神经网络，以得到基于BP神经网络的折叠角检测模型。

4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

5.根据权利要求4所述的方法，其特征在于，所述基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，包括：将所述验证样本数据输入到训练完的折叠角检测模型后，获取所述折叠角检测模型输出的折叠角度值，并对所述折叠角度值进行归一化处理，以作为证据理论的输入；

获取证据理论的信任函数，并根据归一化的折叠角度值确定所述信任函数的参数；

根据所述信任函数的参数获取证据理论的可信区间，并基于所述证据理论的可信区间确定所述折叠角检测模型的可信区间。

6.一种折叠角度检测装置，其特征在于，配置在具有折叠显示屏的终端中，所述折叠显示屏包括主显示屏和副显示屏，所述主显示屏和所述副显示屏中均设置有加速度传感器和地磁传感器，其中，所述装置包括：数据获取模块，用于实时获取所述主显示屏和所述副显示屏中的加速度传感器和/或的地磁传感器采集的加速度数据和/或地磁数据；

折叠角度计算模块，用于将所述加速度数据和/或所述地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据所述折叠角检测模型的输出值确定所述折叠显示屏的折叠角度；

所述折叠角检测模型是基于径向基函数神经网络设计的检测模型；

相应的，所述装置还包括第一构建模块，包括：

参数确定单元，用于根据训练样本数据，确定径向基函数神经网络的参数，其中，所述训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

第一训练单元，用于将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

7.根据权利要求6所述的装置，其特征在于，所述折叠角检测模型是基于BP神经网络设计的检测模型；

相应的，所述装置还包括第二构建模块，具体包括：

初始化单元，用于确定BP神经网络的激活函数，并结合训练样本数据对所述BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

第二训练单元，用于将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述BP神经网络，以得到基于BP神经网络的折叠角检测模型。

8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：验证模块，用于基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

9.一种具有折叠显示屏的终端，其特征在于，所述终端包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的折叠角度检测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的折叠角度检测方法。

说明书

折叠角度检测方法、装置、终端及存储介质

技术领域

[0001] 本发明实施例涉及移动终端技术领域，尤其涉及一种折叠角度检测方法、装置、终端及存储介质。

背景技术

[0002] 随着移动终端的快速发展，具有折叠显示屏的移动终端由于能够满足用户更多的需求而备受关注。而为了更好的确定折叠屏的显示状态，需要实时的确定折叠屏的折叠角度。

[0003] 目前，常规的计算折叠角度的方法是：通过获取移动终端的加速度数据和地磁数据，并根据供应商提供的算法库来分别计算终端主屏幕姿态和终端副屏幕姿态，利用主副屏幕的滚转(ROLL)，俯仰(PITCH)，偏航(YAW)等姿态数据，使用相似三角形来计算主副屏幕之间的夹角角度。这种方法存在如下缺陷：(1)该方法完全依赖于供应商提供的算法库来虚拟当前屏幕的角度；(2)在主副屏幕夹角计算中，使用相似三角形，计算比较复杂，且不利于二次开发。

发明内容

[0004] 本发明实施例提供了一种折叠角度检测方法、装置、终端及存储介质，以解决现有技术中存在的计算折叠角度时完全依赖供应商提供的算法库，不利于二次开发，且计算复杂的技术问题。

[0005] 第一方面，本发明实施例提供了一种折叠角度检测方法，应用于具有折叠显示屏的终端中，所述折叠显示屏包括主显示屏和副显示屏，所述主显示屏和所述副显示屏中均设置有加速度传感器和地磁传感器，其中，所述方法包括：

[0006] 实时获取所述主显示屏和所述副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据；

[0007] 将所述加速度数据和/或所述地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据所述折叠角检测模型的输出值确定所述折叠显示屏的折叠角度。

[0008] 可选的，所述折叠角检测模型是基于径向基函数神经网络设计的检测模型；

[0009] 相应的，构建基于径向基函数神经网络的折叠角检测模型的操作包括：

[0010] 根据训练样本数据，确定径向基函数神经网络的参数，其中，所述训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0011] 将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

[0012] 可选的，所述根据训练样本数据，确定径向基函数神经网络的参数，包括：

[0013] 根据所述训练样本数据，确定径向基函数神经网络的径向基中心；

[0014] 根据所述训练样本数据和所述径向基中心确定径向基函数神经网络的径向基函数的方差。

[0015] 可选的，所述折叠角检测模型是基于BP神经网络设计的检测模型；

[0016] 相应的，构建基于BP神经网络的折叠角检测模型的操作包括：

[0017] 确定BP神经网络的激活函数，并结合训练样本数据对所述BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0018] 将所述训练样本数据中的所述加速度数据和/或所述地磁数据作为输入，并将所述加速度数据和/或所述地磁数据对应的折叠角度作为输出，训练所述BP神经网络，以得到基于BP神经网络的折叠角检测模型。

[0019] 可选的，所述方法还包括：

[0020] 基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

[0021] 可选的，所述基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，包括：

[0022] 将所述验证样本数据输入到训练完的折叠角检测模型后，获取所述折叠角检测模型输出的折叠角度值，并对所述折叠角度值进行归一化处理，以作为证据理论的输入；

[0023] 获取证据理论的信任函数，并根据归一化的折叠角度值确定所述信任函数的参数；

[0024] 根据所述信任函数的参数获取证据理论的可信区间，并基于所述证据理论的可信区间确定所述折叠角检测模型的可信区间。

[0025] 第二方面，本发明实施例还提供了一种折叠角度检测装置，配置在具有折叠显示屏的终端中，所述折叠显示屏包括主显示屏和副显示屏，所述主显示屏和所述副显示屏中均设置有加速度传感器和地磁传感器，其中，所述装置包括：

[0026] 数据获取模块，用于实时获取所述主显示屏和所述副显示屏中的加速度传感器和/或的地磁传感器采集的加速度数据和/或地磁数据；

[0027] 折叠角度计算模块，用于将所述加速度数据和/或所述地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据所述折叠角检测模型的输出值确定所述折叠显示屏的折叠角度。

[0028] 可选的，折叠角检测模型是基于径向基函数神经网络设计的检测模型；

[0029] 相应的，该装置还包括第一构建模块，具体包括：

[0030] 参数确定单元，用于根据训练样本数据，确定径向基函数神经网络的参数，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0031] 第一训练单元，用于将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

[0032] 可选的，参数确定单元具体用于：

[0033] 根据训练样本数据，确定径向基函数神经网络的径向基中心；

[0034] 根据训练样本数据和径向基中心确定径向基函数神经网络的径向基函数的方差。

[0035] 在上述实施例的基础上，折叠角检测模型是基于BP神经网络设计的检测模型；

[0036] 相应的，该装置还包括第二构建模块，具体包括：

[0037] 初始化单元，用于确定BP神经网络的激活函数，并结合训练样本数据对BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0038] 第二训练单元，用于将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练BP神经网络，以得到基于BP神经网络的折叠角检测模型。

[0039] 可选的，该装置还包括：

[0040] 验证模块，用于基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

[0041] 可选的，验证模块具体用于：

[0042] 将验证样本数据输入到训练完的折叠角检测模型后，获取折叠角检测模型输出的折叠角度值，并对折叠角度值进行归一化处理，以作为证据理论的输入；

[0043] 获取证据理论的信任函数，并根据归一化的折叠角度值确定该信任函数的参数；

[0044] 根据所述信任函数的参数获取证据理论的可信区间，并基于证据理论的可信区间确定该折叠角检测模型的可信区间。

[0045] 第三方面，本发明实施例还提供了一种具有折叠显示屏的终端，包括：

[0046] 一个或多个处理器；

[0047] 存储器，用于存储一个或多个程序，

[0048] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的折叠角度检测方法。

[0049] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的折叠角度检测方法。

[0050] 本发明实施例提供了一种折叠角度检测方法、装置、终端及存储介质，通过预先设计一个折叠角检测模型，将实时采集的加速度数据和/或地磁数据作为折叠角检测模型的输入，根据折叠角检测模型的输出即可确定折叠角度，由此简化的折叠角度的计算，而且在折叠角检测模型的基础上，还便于进行二次研发。

附图说明

[0051] 图1是本发明实施例一提供的一种折叠角度检测方法的流程示意图；

[0052] 图2是本发明实施例二提供的一种折叠角检测模型的设计方法的流程示意图；

[0053] 图3是本发明实施例三提供的一种折叠角检测模型的设计方法的流程示意图；

[0054] 图4是本发明实施例四提供的一种折叠角度检测装置的结构示意图；

[0055] 图5是本发明实施例五提供的一种具有折叠显示屏的终端的结构示意图。

具体实施方式

[0056] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

[0057] 实施例一

[0058] 图1是本发明实施例一提供的一种折叠角度检测方法的流程图，本实施例可适用于通过实时检测折叠屏的折叠角度，以确定折叠屏的显示状态的情况，该方法可以由相应的折叠角度检测装置执行，该装置可以采用软件和/或硬件的方式实现，并可配置于具有折叠屏的移动终端上。

[0059] 如图1所示，本发明实施例中提供的折叠角度检测方法可以包括：

[0060] S110、实时获取主显示屏和副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据。

[0061] 通常，具有折叠显示屏的移动终端中，折叠显示屏包括主显示屏和副显示屏，主显示屏和副显示屏中均设置有加速度传感器和地磁传感器，通过加速度传感器和地磁传感器可以检测移动终端的姿态，进而确定折叠屏的折叠角度。因此需要实时获取主显示屏和副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据。

[0062] S120、将加速度数据和/或地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据折叠角检测模型的输出值确定折叠显示屏的折叠角度。

[0063] 在本发明实施例中，预先训练好的折叠角检测模型优选的为基于径向基函数(RBF)神经网络设计的检测模型或基于BP神经网络设计的检测模型。由此，只需将实时获取到的加速度数据和/或地磁数据输入到预先训练好的折叠角检测模型中，并根据折叠角检测模型的输出值即可确定折叠显示屏的折叠角度。在此需要说明的是，由于单独依据加速度数据或者单独依据地磁数据均可以计算出折叠屏的折叠角度，因此可将加速度数据或者地磁数据中的任意一种作为折叠角检测模型的输入值，例如以一维向量的形式作为输入值。可选的，还可以同时将加速度数据和地磁数据作为折叠角检测模型的输入值，例如以二维向量的形式作为输入值。而在将加速度数据和/或地磁数据输入到预先训练好的折叠角检测模型中后，并根据折叠角检测模型的输出值确定折叠显示屏的折叠角度，由此简化了折叠角度的计算。进一步的，基于设计并训练的折叠角检测模型，还便于进行二次研发。

[0064] 本发明实施例中，通过预先设计折叠角检测模型，将实时采集的加速度数据和/或地磁数据作为折叠角检测模型的输入，根据折叠角检测模型的输出即可确定折叠角度，由此简化了折叠角度的计算，而且在折叠角检测模型的基础上，还便于进行二次研发。

[0065] 实施例二

[0066] 图2为本发明实施例二提供的一种折叠角检测模型的设计方法的流程示意图。本实施例在上述实施例的基础上，对基于径向基函数神经网络的折叠角检测模型的设计过程进行说明。

[0067] 如图2所示，本发明实施例中提供的折叠角检测模型的设计方法可以包括：

[0068] S210、根据训练样本数据，确定径向基函数神经网络的参数，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度。

[0069] 其中，优选的，训练样本数据为采集到的校准后移动终端的主副显示屏的加速度数据和/或地磁数据，以及与加速度数据和/或地磁数据对应的折叠角度数据。示例性的，采集至少400次加速度数据和/或地磁数据及其对应的折叠角度数据作为训练样本数据。

[0070] 而根据训练样本数据，确定径向基函数神经网络的参数，具体包括：

[0071] 1)根据训练样本数据，确定径向基函数神经网络的径向基中心。

[0072] 可选的，基于训练样本数据，可采用直接计算法、聚类法或梯度下降法确定径向基中心。示例性的，速度数据分布在[-9.8，9.8]，如果数据分成5段，即径向基中心选择为[-9.8，-4.9，0，4.9，9.8]。

[0073] 2)根据训练样本数据和径向基中心确定径向基函数神经网络的径向基函数的方差。

[0074] 本实施例中，径向基函数优选的为高斯函数。根据训练样本数据和径向基中心，计算训练样本数据的方差，并将计算出的平均方差作为高斯函数的方差。示例性的，若训练样本数据为加速度数据或地磁数据中的一种时，将加速度数据或地磁数据的方差作为高斯函数的方差。若训练样本数据为加速度数据和地磁数据，将加速度数据和地磁数据的平均方差作为高斯函数的方差。

[0075] 进一步的，在确定完径向基函数神经网络的参数后，还需对径向基函数神经网络的隐含层与输出层的连接权重进行初始化。

[0076] S220、将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

[0077] 通过步骤S210后，将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练径向基函数神经网络，确定径向基函数神经网络的权重值，进而得到基于径向基函数神经网络的折叠角检测模型，后续只需利用该模型即可简便快速的计算折叠角度。

[0078] 进一步的，对于训练得到的折叠角检测模型，还需基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，以保证训练完成的折叠角检测模型可以准确的检测折叠角度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

[0079] 示例性的，折叠角检测模型的可信度检测过程如下：

[0080] S1.将验证样本数据输入到训练完的折叠角检测模型后，获取折叠角检测模型径向基函数输出的折叠角度值，并对折叠角度值进行归一化处理，以作为证据理论的输入。

[0081] S2.获取证据理论的信任函数，并根据归一化的折叠角度值确定信任函数的参数。

[0082] 示例性的，可选择标准正态分布作为证据理论的信任函数，同时根据归一化的折叠角度值确定标准正态分布的中心和方差，例如，将归一化的折叠角度值的平均值和平均方差依次作为标准正态分布的中心和方差。

[0083] S3.根据信任函数的参数获取证据理论的可信区间，并基于证据理论的可信区间确定折叠角检测模型的可信区间。

[0084] 示例性的，根据标准正态分布的方差确定标准正态分布的可信区间，例如将(1-3a)的值作为正态分布的可信区间，其中a代表方差。本实施例中，可选择在正态分布概率为
95％的可信区间。进一步的，在确定证据理论的可信区间基础上，结合信任函数的参数即可确定叠角检测模型的可信区间。例如，基于确定的正态分布的可信区间，结合归一化的折叠角度值的平均值和平均方差，即可根据数学公式计算出折叠角检测模型的可信区间。

[0085] 本发明实施例中，基于径向基函数神经网络设计并训练了折叠角检测模型，并对该模型进行可信度验证，使得利用该模型进行折叠角度时计算简便，同时确保了折叠角度计算的准确性，由此可实现在实际检测研发前期和生产过程中检测移动终端折叠屏的折叠角度。

[0086] 实施例三

[0087] 图3为本发明实施例三提供的一种折叠角检测模型的设计方法的流程示意图。本实施例在上述实施例的基础上，对基于BP神经网络的折叠角检测模型的设计过程进行说明。

[0088] 如图3所示，本发明实施例中提供的折叠角检测模型的设计方法可以包括：

[0089] S310、确定BP神经网络的激活函数，并结合训练样本数据对BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度。

[0090] 优选的，BP神经网络的激活函数S型函数(即Sigmoid函数)，通过训练样本数据及BP神经网络激活函数，初始化神经网络的输入层权值和输出层权值，而且BP神经网络的神经元个数通过采集到的训练样本数据所需训练精度而定。其中优选的，训练样本数据为采集到的校准后移动终端的主副显示屏的加速度数据和/或地磁数据，以及与加速度数据和/或地磁数据对应的折叠角度数据。示例性的，采集至少400次加速度数据和/或地磁数据及其对应的折叠角度数据作为训练样本数据。

[0091] S320、将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练BP神经网络，以得到基于BP神经网络的折叠角检测模型。

[0092] 通过步骤S310后，将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练BP神经网络，确定BP神经网络的输入层权值和输出层权值，进而得到基于BP神经网络的折叠角检测模型，后续只需利用该模型即可简便快速的计算折叠角度。

[0093] 进一步的，对于训练得到的折叠角检测模型，还需基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，以保证训练完成的折叠角检测模型可以准确的检测折叠角度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

[0094] 示例性的，折叠角检测模型的可信度检测过程如下：

[0095] S1.将验证样本数据输入到训练完的折叠角检测模型后，获取折叠角检测模型径向基函数输出的折叠角度值，并对折叠角度值进行归一化处理，以作为证据理论的输入。

[0096] S2.获取证据理论的信任函数，并根据归一化的折叠角度值确定信任函数的参数。

[0097] 示例性的，可选择标准正态分布作为证据理论的信任函数，同时根据归一化的折叠角度值确定标准正态分布的中心和方差，例如，将归一化的折叠角度值的平均值和平均方差依次作为标准正态分布的中心和方差。

[0098] S3.根据信任函数的参数获取证据理论的可信区间，并基于证据理论的可信区间确定折叠角检测模型的可信区间。

[0099] 示例性的，根据标准正态分布的方差确定标准正态分布的可信区间，例如将(1-3a)的值作为正态分布的可信区间，其中a代表方差。本实施例中，可选择在正态分布概率为
95％的可信区间。进一步的，在确定证据理论的可信区间基础上，结合信任函数的参数即可确定叠角检测模型的可信区间。例如，基于确定的正态分布的可信区间，结合归一化的折叠角度值的平均值和平均方差，即可根据数学公式计算出折叠角检测模型的可信区间。

[0100] 本发明实施例中，基于径向基函数神经网络设计并训练了折叠角检测模型，并对该模型进行可信度验证，使得利用该模型进行折叠角度时计算简便，同时确保了折叠角度计算的准确性，由此可实现在实际检测研发前期和生产过程中检测移动终端折叠屏的折叠角度。

[0101] 实施例四

[0102] 图4是本发明实施例四提供的一种折叠角度检测装置的结构示意图。该折叠角度检测装置配置在具有折叠显示屏的终端中，其中，折叠显示屏包括主显示屏和副显示屏，主显示屏和副显示屏中均设置有加速度传感器和地磁传感器，如图4所示，该装置包括：

[0103] 数据获取模块410，用于实时获取主显示屏和副显示屏中的加速度传感器和/或的地磁传感器采集的加速度数据和/或地磁数据；

[0104] 折叠角度计算模块420，用于将加速度数据和/或地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据折叠角检测模型的输出值确定折叠显示屏的折叠角度。

[0105] 本发明实施例中，通过预先设计一个折叠角检测模型，将实时采集的加速度数据和/或地磁数据作为折叠角检测模型的输入，根据折叠角检测模型的输出即可确定折叠角度，由此简化的折叠角度的计算，而且在折叠角检测模型的基础上，还便于进行二次研发。

[0106] 在上述实施例的基础上，折叠角检测模型是基于径向基函数神经网络设计的检测模型；

[0107] 相应的，该装置还包括第一构建模块，具体包括：

[0108] 参数确定单元，用于根据训练样本数据，确定径向基函数神经网络的参数，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0109] 第一训练单元，用于将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练径向基函数神经网络，以得到基于径向基函数神经网络的折叠角检测模型。

[0110] 在上述实施例的基础上，参数确定单元具体用于：

[0111] 根据训练样本数据，确定径向基函数神经网络的径向基中心；

[0112] 根据训练样本数据和径向基中心确定径向基函数神经网络的径向基函数的方差。

[0113] 在上述实施例的基础上，折叠角检测模型是基于BP神经网络设计的检测模型；

[0114] 相应的，该装置还包括第二构建模块，具体包括：

[0115] 初始化单元，用于确定BP神经网络的激活函数，并结合训练样本数据对BP神经网络进行初始化，其中，训练样本数据包括预先采集的加速度数据和/或地磁数据，以及加速度数据和/或地磁数据对应的折叠角度；

[0116] 第二训练单元，用于将训练样本数据中的加速度数据和/或地磁数据作为输入，并将加速度数据和/或地磁数据对应的折叠角度作为输出，训练BP神经网络，以得到基于BP神经网络的折叠角检测模型。

[0117] 在上述实施例的基础上，该装置还包括：

[0118] 验证模块，用于基于验证样本数据，对训练完的折叠角检测模型进行校验，以确定训练完的折叠角检测模型的可信度，其中，验证样本数据至少包括预先采集的加速度数据和/或地磁数据。

[0119] 在上述实施例的基础上，验证模块具体用于：

[0120] 将验证样本数据输入到训练完的折叠角检测模型后，获取折叠角检测模型输出的折叠角度值，并对折叠角度值进行归一化处理，以作为证据理论的输入；

[0121] 获取证据理论的信任函数，并根据归一化的折叠角度值确定该信任函数的参数；

[0122] 根据信任函数的参数获取证据理论的可信区间，并基于证据理论的可信区间确定该折叠角检测模型的可信区间。

[0123] 本发明实施例所提供的折叠角度检测装置可执行本发明任意实施例所提供的折叠角度检测方法，具备执行方法相应的功能模块和有益效果。

[0124] 实施例五

[0125] 图5为本发明实施例五提供的终端的结构示意图。图5示出了适于用来实现本发明实施方式的示例性终端12的框图。图5显示的终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0126] 如图5所示，终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于：一个或者多个处理器或者处理器16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。

[0127] 总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

[0128] 终端12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

[0129] 存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

[0130] 具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

[0131] 终端12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

[0132] 处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的折叠角度检测方法，该方法包括：

[0133] 实时获取主显示屏和副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据；

[0134] 将加速度数据和/或地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据折叠角检测模型的输出值确定折叠显示屏的折叠角度。

[0135] 实施例六

[0136] 本发明实施例中提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种折叠角度检测方法，该方法包括：

[0137] 实时获取主显示屏和副显示屏中的加速度传感器和/或地磁传感器采集的加速度数据和/或地磁数据；

[0138] 将加速度数据和/或地磁数据作为输入值，输入到预先训练好的折叠角检测模型中，并根据折叠角检测模型的输出值确定折叠显示屏的折叠角度。

[0139] 当然，本发明实施例中所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例中所提供的折叠角度检测方法中的相关操作。

[0140] 本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0141] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

[0142] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0143] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0144] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。