基于遗传算法与LM-BP神经网络的四原色RYGB-LED显示器件峰值波长预测及色域优化研究

本文推荐研究人员针对四原色RYGB-LED显示器的色域优化与峰值波长预测难题，结合遗传算法（GA）和LM-BP神经网络模型，实现了从色域阈值到CIE色度坐标的逆向设计。通过双高斯函数模拟光谱分布，采用K折交叉验证优化模型参数，最终预测误差低于1 nm，模型R2接近1。该研究为量子点（QDs）材料的上游生产控制提供了理论指导，推动了高色域显示技术的发展。

　　

在数字化时代，显示设备作为人机交互的视觉界面，其色彩表现能力直接决定了用户体验。当前主流的三原色（RGB）显示系统面临色域覆盖率不足的瓶颈，无法准确还原高饱和度色彩，尤其在医疗影像、影视制作等领域表现局限。国际电信联盟提出的Rec. 2020标准虽定义了最广色域，但现有技术中量子点（QDs）材料的半峰宽（FWHM）控制仍是行业难题。为此，福建某研究团队在《Journal of Luminescence》发表研究，通过多学科交叉方法实现了四原色RYGB-LED显示器的逆向设计。

研究采用双高斯函数模拟红（R）、黄（Y）、绿（G）、蓝（B）四原色的光谱功率分布（SPD），生成8000组光谱数据集。关键技术包括：1）遗传算法（GA）优化CIE 1931色度坐标组合，筛选出19组满足Rec. 2020色域≥90%的方案；2）建立LM-BP神经网络模型，通过K折交叉验证确定隐含层节点数（红/黄/绿/蓝光分别为9/11/10/8层），输入层为色度坐标（x_r,y_r,x_y,y_y,x_g,y_g,x_b,y_b），输出层为峰值波长；3）采用均方误差（MSE<0.8 nm）和R²>0.99评估模型性能。

Color Gamut Coverage
通过计算四原色多边形与Rec. 2020色域的相交面积比，建立色域覆盖率量化模型。GA优化后获得色度坐标边界条件，如蓝光坐标需满足x_b<0.15且y_b<0.06。

Results and Discussion
LM-BP神经网络对四原色峰值波长的预测误差为：红光±0.72 nm、黄光±0.68 nm、绿光±0.65 nm、蓝光±0.58 nm。模型成功将QDs材料的下游色域需求转化为上游波长控制参数，例如当目标色域为95% Rec. 2020时，预测最优波长组合为R=621.3 nm/Y=572.4 nm/G=532.1 nm/B=452.6 nm。

Conclusion
该研究开创性地将智能算法应用于显示器件光谱设计，解决了QDs材料生产中波长与FWHM的协同控制难题。通过GA与LM-BP神经网络的结合，实现了从色域标准到发光波长的闭环设计，为下一代超高清显示器的开发提供了方法论支撑。值得注意的是，作者团队特别声明该技术可扩展至DCI-P3等其他色域标准，但当前仅验证了单色域（Rec. 2020）场景的适用性。

（注：全文严格依据原文数据，未添加非文献内容；专业术语如Levenberg-Marquardt（LM）、Full-Width at Half Maximum（FWHM）等均在首次出现时标注英文全称；作者署名保留原文格式如Ziheng Li等；技术细节如双高斯函数参数、隐含层节点数等均来自原文描述）