基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法
【專(zhuān)利摘要】基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法，屬于車(chē)輛定損領(lǐng)域，為了解決車(chē)輛碰撞后，對(duì)于區(qū)域檢測(cè)的問(wèn)題，技術(shù)要點(diǎn)是：區(qū)域檢測(cè)子系統(tǒng),判斷車(chē)輛碰撞時(shí)所撞區(qū)域；所述區(qū)域檢測(cè)子系統(tǒng)，對(duì)區(qū)域訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型。有益效果：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的區(qū)域檢測(cè)，在遠(yuǎn)程定損的這個(gè)技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對(duì)的機(jī)器學(xué)習(xí)方法，在定損過(guò)程中，判別的準(zhǔn)確率上得以提升。
【專(zhuān)利說(shuō)明】
基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于車(chē)輛定損領(lǐng)域，涉及一種基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損 系統(tǒng)及方法。
【背景技術(shù)】
[0002] 針對(duì)車(chē)輛在低速運(yùn)動(dòng)(包括低速道路行駛、車(chē)輛?？康?過(guò)程中頻發(fā)碰撞事故而導(dǎo) 致的理賠糾紛問(wèn)題，遠(yuǎn)程定損技術(shù)通過(guò)采集車(chē)輛行駛過(guò)程中的多種信號(hào)（如速度、加速度、 角速度、聲音等)并用信號(hào)處理和機(jī)器學(xué)習(xí)技術(shù)加以分析，以判斷碰撞是否發(fā)生以及碰撞后 車(chē)輛的損毀情況。
[0003] 車(chē)輛發(fā)生碰撞事故后，前端設(shè)備能夠檢測(cè)出碰撞的發(fā)生并截取碰撞過(guò)程的信號(hào)， 通過(guò)無(wú)線網(wǎng)絡(luò)發(fā)送至云端，遠(yuǎn)程服務(wù)器從收到的信號(hào)中抽取出事先設(shè)計(jì)的特征值，用機(jī)器 學(xué)習(xí)算法進(jìn)行分析，先判斷碰撞數(shù)據(jù)的準(zhǔn)確性，再判斷碰撞物體和工況情況，以確定碰撞數(shù) 據(jù)集對(duì)什么零件產(chǎn)生了哪種等級(jí)的損傷，然后根據(jù)零件損傷等級(jí)計(jì)算出參考理賠金額并發(fā) 送至保險(xiǎn)公司。這期間會(huì)涉及對(duì)于車(chē)型、工況、目標(biāo)、零件和區(qū)域的檢測(cè)。

【發(fā)明內(nèi)容】

[0004] 為了解決車(chē)輛碰撞后，對(duì)于區(qū)域檢測(cè)的問(wèn)題，本發(fā)明提出了基于人工智能建立不 同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法，以實(shí)現(xiàn)定損過(guò)程中的區(qū)域檢測(cè)。
[0005] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供的技術(shù)方案的要點(diǎn)是:包括：
[0006] 車(chē)型選擇子系統(tǒng)，選擇車(chē)輛所對(duì)應(yīng)的車(chē)型數(shù)據(jù)作為總數(shù)據(jù)集；
[0007] 數(shù)據(jù)分類(lèi)子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實(shí)車(chē)數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)；
[0008] 碰撞檢測(cè)子系統(tǒng)，判斷車(chē)輛在行車(chē)過(guò)程中是否發(fā)生碰撞;所述碰撞檢測(cè)子系統(tǒng)對(duì) 碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型；
[0009] 工況檢測(cè)子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測(cè)子系統(tǒng)對(duì)工況訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型；
[0010] 區(qū)域檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測(cè)子系統(tǒng)，對(duì)區(qū)域訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型。
[0011] 有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的區(qū)域檢測(cè)，在遠(yuǎn)程定損的這個(gè)
技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對(duì)的機(jī)器學(xué)習(xí)方法，在定損過(guò)程中，判別的準(zhǔn)確率上 得以提升;本發(fā)明通過(guò)選擇車(chē)型來(lái)導(dǎo)入該車(chē)型所對(duì)應(yīng)的數(shù)據(jù)，而數(shù)據(jù)分類(lèi)則是為了模型訓(xùn) 練和測(cè)試的目的而加入的步驟；區(qū)域的檢測(cè)是該方案實(shí)現(xiàn)的目的，是經(jīng)過(guò)一系列操作所要 得到的結(jié)果。
【附圖說(shuō)明】
[0012] 圖1為本發(fā)明所述的系統(tǒng)的結(jié)構(gòu)示意框圖。
【具體實(shí)施方式】
[0013] 為了對(duì)本發(fā)明作出更為清楚的解釋?zhuān)旅鎸?duì)本發(fā)明涉及的技術(shù)術(shù)語(yǔ)作出定義：
[0014] 工況:碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0015] 車(chē)型:汽車(chē)型號(hào)；
[0016] 目標(biāo):碰撞目標(biāo)；
[0017]區(qū)域:碰撞位置；
[0018] 零件:汽車(chē)零件；
[0019] 工況檢測(cè):檢測(cè)本車(chē)碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0020] 車(chē)型檢測(cè):檢測(cè)與本車(chē)發(fā)生碰撞的汽車(chē)型號(hào)；
[0021] 目標(biāo)檢測(cè):檢測(cè)本車(chē)碰撞目標(biāo)；
[0022] 區(qū)域檢測(cè):檢測(cè)本車(chē)碰撞位置；
[0023] 零件檢測(cè):檢測(cè)本車(chē)汽車(chē)零件。
[0024] 實(shí)施例1:
[0025] -種基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)，包括：
[0026] 車(chē)型選擇子系統(tǒng)，選擇車(chē)輛所對(duì)應(yīng)的車(chē)型數(shù)據(jù)作為總數(shù)據(jù)集；
[0027] 數(shù)據(jù)分類(lèi)子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實(shí)車(chē)數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)；
[0028] 碰撞檢測(cè)子系統(tǒng)，判斷車(chē)輛在行車(chē)過(guò)程中是否發(fā)生碰撞;所述碰撞檢測(cè)子系統(tǒng)對(duì) 碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型；
[0029] 工況檢測(cè)子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測(cè)子系統(tǒng)對(duì)工況訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型；
[0030] 區(qū)域檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測(cè)子系統(tǒng)，對(duì)區(qū)域訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型。
[0031 ]所述碰撞檢測(cè)子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測(cè)試模塊、碰撞驗(yàn)證模塊，所述碰 撞訓(xùn)練模塊用于對(duì)碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測(cè)試模塊用于將碰撞測(cè) 試數(shù)據(jù)帶入碰撞模型中檢測(cè)碰撞模型的結(jié)果，碰撞驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證碰撞模 型的可靠性和準(zhǔn)確率；
[0032]所述工況檢測(cè)子系統(tǒng)包括，工況訓(xùn)練模塊、工況測(cè)試模塊、工況驗(yàn)證模塊，所述工 況訓(xùn)練模塊用于對(duì)工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測(cè)試模塊用于將工 況測(cè)試數(shù)據(jù)帶入模型中檢測(cè)工況模型的結(jié)果，工況驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證工況模 型的可靠性和準(zhǔn)確率；
[0033] 所述區(qū)域檢測(cè)子系統(tǒng)包括，區(qū)域訓(xùn)練模塊、區(qū)域測(cè)試模塊、區(qū)域驗(yàn)證模塊，所述區(qū) 域訓(xùn)練模塊用于將區(qū)域訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型，區(qū)域測(cè)試模塊用于將區(qū)域測(cè) 試數(shù)據(jù)帶入模型中檢測(cè)區(qū)域模型的結(jié)果，區(qū)域驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證區(qū)域模型的 可靠性和準(zhǔn)確率。
[0034] 所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0035] 所述工況模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0036] 所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0037] 且，所述碰撞模型、所述工況模型、所述區(qū)域模型建立使用的算法或方法不為完全 相同的算法或方法。
[0038] 作為一種實(shí)施例：
[0039]所述有監(jiān)督學(xué)習(xí)線性回歸方法包括：
[0040] Sl.輸入變量X為特征，輸出的預(yù)測(cè)值y為目標(biāo)值;擬合的曲線表示為y = h(x);
[0041 ] S2.輸出ySx的線性函數(shù)，并表示為矩陣形式；
[0042] S3.引入代價(jià)函數(shù)，使用梯度下降算法，在初始化學(xué)習(xí)參數(shù)后，重復(fù)更新學(xué)習(xí)參數(shù) 的值，以得到最小方更新規(guī)則。
[0043]所述的下降算法為：批梯度下降和/或統(tǒng)計(jì)梯度下降，有監(jiān)督學(xué)習(xí)線性回歸算法 為：
[0044] 輸出y為X的線性函數(shù)為：
[0045] he(x) = θ〇+θιχι+θ2Χ2
[0046] 0i為參數(shù)，假宙xn= I, h式表示為矩陣形式：
[0047:
[0048:
[0049:
[0050] η表示特征個(gè)數(shù)編號(hào)，m表示維數(shù)；
[0051] 通過(guò)初始猜測(cè)初始化參數(shù)Θ，然后不斷改變參數(shù)Θ的值，使得參數(shù)J(0)盡可能小，直 到最終得到最小化的J(9)，使用梯度下降算法，初始化參數(shù)Θ后，重復(fù)執(zhí)行下述更新等式，以 更新參數(shù)Θ的值；
[0052]
[0053]
[0054]
[0055]
[0056]
[0057]
[0058] 所沭智能能量樽型的一般形式：
[0059]
[0060]其中，Wlj是自旋S1之間的耦合，也就是機(jī)器學(xué)習(xí)中的特征，Iu是物理上的外場(chǎng)，也 即機(jī)器學(xué)習(xí)中bias項(xiàng)；
[0061 ] EBM的概率模型定義通過(guò)能量函數(shù)的概率分布，X為特征向量，如下式所示：
[0065] 使用上述模型，所述智能能量模型的方法：[0066] 使用下式表達(dá)：
[0062]
[0063]
[0064]
[0067]
[0068] X，h為隱藏單元；[0069] 印λ箝馬白由能畺·宙々加下.
[0070]
[0071]
[0072]
[0073]
[0074]
[0075] f為極大似然估計(jì)，上面的梯度表示為兩個(gè)部分，涉及到正面的部分和負(fù)面的部 分，正面和負(fù)面的不表示等式中每部分的符號(hào)，而是表示對(duì)模型中概率密度的影響，第一部 分增加訓(xùn)練數(shù)據(jù)的概率(通過(guò)降低相應(yīng)的自由能量），第二部分降低模型確定下降梯度;第
二部分場(chǎng) Ξ所有配置下，X的期望符合由模型生成的概率分布P;
[0076] 步是計(jì)算估計(jì)固定數(shù)量的模型樣本的期望，用來(lái)表示負(fù)面 部分梯度的表示為負(fù)粒子，表示為Jf.，梯度寫(xiě)為：
[0077]
[0078] 根據(jù)P取樣元素 fofjf (例如.我們可以做蒙特卡羅方法），通過(guò)上面的公式，我們 幾乎可以使用隨機(jī)粒子算法來(lái)學(xué)習(xí) EBM模型，唯一缺少的就是如何提取這些負(fù)粒子T#.統(tǒng) 計(jì)學(xué)上有許多抽樣方法，馬爾可夫鏈蒙特卡羅方法特別適合用于模型如受限玻爾茲曼機(jī) (RBM)，它一種特殊的ΕΒΜ。
[0079]作為一種實(shí)施例：
[0080] 所述智能無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法是：
[0081 ] FCM把η個(gè)向量xi (i = 1，2，...，η)分為c個(gè)模糊組，并求每組的聚類(lèi)中心，使得非相 似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小，F(xiàn)CM使得每個(gè)給定數(shù)據(jù)點(diǎn)用值在0，1間的隸屬度來(lái)確定其屬 于各個(gè)組的程度，與引入模糊劃分相適應(yīng)，隸屬矩陣u允許有取值在0，1間的元素，加上歸一 化規(guī)定，一個(gè)數(shù)據(jù)集的隸屬度的和總等于1，如下式：
[0082]
[0083]
[0084] m
[0085] Uij介于0，1間；Ci為模糊組i的聚類(lèi)中心，di j= I I ci-xj I I為第i個(gè)聚類(lèi)中心與第j 個(gè)數(shù)據(jù)點(diǎn)間的歐幾里德距離;且m是一個(gè)加權(quán)指數(shù)，m屬于1到無(wú)窮；
[0086]構(gòu)造如下新的目標(biāo)函數(shù)，求得使下式達(dá)到最小值的必要條件；
[0087]
[0088] 對(duì)上式所有輸入?yún)⒘壳髮?dǎo)，使上式達(dá)到最小的必要條件為：
[0100] S2.對(duì)于m = I，……M，m為數(shù)據(jù)量M的起始值，M為樣本編號(hào)；
[°101 ] a) ·訓(xùn)練弱分類(lèi)器ym〇，使其最小化權(quán)重誤差函數(shù)(weighted error function):
[0102]
[0103] 其中:X為樣本，η為樣本編號(hào)，tn為權(quán)重函數(shù)賦的值，wn為樣本對(duì)應(yīng)的權(quán)重；[0104] b)計(jì)算該弱分類(lèi)器的話語(yǔ)權(quán)α:
[01 08]其中：α:話語(yǔ)權(quán)，t:參數(shù)，y:弱分類(lèi)器，X:特征量，exp:指數(shù)函數(shù)，w:權(quán)重，Z為規(guī)范 化因子；
[0105]
[0106]
[0107]
[0110] 其是規(guī)范化因子，使所有W的和為1;[0111] S3.得到最后的分類(lèi)器：
[0109]
[0112]
[0113] 其中：α:話語(yǔ)權(quán)，m為數(shù)據(jù)量M的起始值，M為樣本編號(hào)，y:弱分類(lèi)器，sign:符號(hào)函 數(shù)。
[0114] 實(shí)施例2:
[0115] -種基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損方法，包括以下步驟：
[0116] 步驟一.選擇車(chē)輛所對(duì)應(yīng)的車(chē)型數(shù)據(jù)作為總數(shù)據(jù)集；
[0117] 步驟二.讀取CAE仿真數(shù)據(jù)和實(shí)車(chē)數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)；
[0118] 步驟三.判斷車(chē)輛在行車(chē)過(guò)程中是否發(fā)生碰撞;對(duì)碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生 成碰撞模型，所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法；
[0119] 步驟四.判斷碰撞發(fā)生的所有工況信息；對(duì)工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況 模型，所述工況模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法；
[0120] 步驟五.判斷車(chē)輛碰撞時(shí)所撞區(qū)域;對(duì)區(qū)域訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型， 所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法。
[0121] 具體步驟是：
[0122] 步驟三包括：
[0123] S3.1.使用碰撞檢測(cè)子系統(tǒng)對(duì)CAE碰撞仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類(lèi)以產(chǎn)生碰撞 訓(xùn)練數(shù)據(jù)和碰撞測(cè)試數(shù)據(jù)；
[0124] S3.2.在碰撞訓(xùn)練模塊中對(duì)碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生碰撞模型，來(lái)模擬碰撞 訓(xùn)練數(shù)據(jù)的效果；
[0125] S3.3.在碰撞測(cè)試模塊中使用碰撞測(cè)試數(shù)據(jù)來(lái)測(cè)試碰撞模型的結(jié)果；
[0126] S3.4.使用真實(shí)跑車(chē)數(shù)據(jù)作為碰撞驗(yàn)證數(shù)據(jù)并帶入碰撞驗(yàn)證模塊，來(lái)驗(yàn)證碰撞模 型的準(zhǔn)確性；
[0127] 步驟四包括：
[0128] S4.1.使用工況檢測(cè)子系統(tǒng)對(duì)CAE工況仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類(lèi)產(chǎn)生工況訓(xùn) 練數(shù)據(jù)和工況測(cè)試數(shù)據(jù)；
[0129] S4.2.在工況訓(xùn)練模塊中對(duì)工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生工況模型，來(lái)模擬工況 訓(xùn)練數(shù)據(jù)的效果；
[0130] S4.3.在工況測(cè)試模塊中使用工況測(cè)試數(shù)據(jù)來(lái)測(cè)試工況模型的結(jié)果；
[0131] S4.4.使用真實(shí)跑車(chē)數(shù)據(jù)作為工況驗(yàn)證數(shù)據(jù)并帶入工況驗(yàn)證模塊，來(lái)驗(yàn)證工況模 型的準(zhǔn)確性；
[0132] 步驟五包括：
[0133] S5.1.使用區(qū)域檢測(cè)子系統(tǒng)對(duì)CAE區(qū)域仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類(lèi)以產(chǎn)生區(qū)域 訓(xùn)練數(shù)據(jù)和區(qū)域測(cè)試數(shù)據(jù)；
[0134] S5.2.在區(qū)域訓(xùn)練模塊中對(duì)區(qū)域訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生區(qū)域模型，來(lái)模擬區(qū)域 訓(xùn)練數(shù)據(jù)的效果；
[0135] S5.3.在區(qū)域測(cè)試模塊中使用區(qū)域測(cè)試數(shù)據(jù)來(lái)測(cè)試區(qū)域模型的結(jié)果；
[0136] S5.4.使用真實(shí)跑車(chē)數(shù)據(jù)作為區(qū)域驗(yàn)證數(shù)據(jù)并帶入?yún)^(qū)域驗(yàn)證模塊，來(lái)驗(yàn)證區(qū)域模 型的準(zhǔn)確性。
[0137] 所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0138] 所述工況模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0139] 所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能 無(wú)監(jiān)督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上；
[0140] 且，所述碰撞模型、所述工況模型、所述區(qū)域模型建立使用的算法或方法不為完全 相同的算法或方法。
[0141 ]所述各種算法或方法的具體步驟，與實(shí)施例1中的算法或方法相同。
[0142] 實(shí)施例3:
[0143] 本實(shí)施例對(duì)實(shí)施例1或2中所述的有監(jiān)督學(xué)習(xí)線性回歸方法進(jìn)行補(bǔ)充，使用有監(jiān)督 學(xué)習(xí)之線性回歸方法，在統(tǒng)計(jì)學(xué)中，線性回歸是利用稱(chēng)為線性回歸方程的最小二乘函數(shù)對(duì) 一個(gè)或多個(gè)自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析。回歸問(wèn)題的目標(biāo)是給定D 維輸入變量X，并且每一個(gè)輸入矢量X都有對(duì)應(yīng)的值y，要求對(duì)于新來(lái)的數(shù)據(jù)預(yù)測(cè)它對(duì)應(yīng)的連 續(xù)的目標(biāo)值t。在本系統(tǒng)中，X指的是經(jīng)預(yù)處理模塊提取出的信號(hào)數(shù)據(jù)，y指的是損傷等級(jí)標(biāo) 簽/工況標(biāo)簽/碰撞標(biāo)簽。
[0144] 上述學(xué)習(xí)過(guò)程中的常用術(shù)語(yǔ):總體的數(shù)據(jù)集稱(chēng)為訓(xùn)練集;輸入變量X為特征;輸出 的預(yù)測(cè)值y為目標(biāo)值;擬合的曲線，一般表示為y=h(X)，稱(chēng)為假設(shè)模型。
[0145] 為了利用監(jiān)督學(xué)習(xí)，我們需要決定函數(shù)h的形式。作為一個(gè)初始選擇，我們可以假 定輸出y為X的線性函數(shù)。即：
[0146] he(x) = θ〇+θιχι+θ2Χ2
[0147] 這里，為參數(shù)，也稱(chēng)為權(quán)值(weights)。我們假定=1。因此上述可以表示為矩陣形 式：
[0148]
[0149] 上式中η表示輸入變量的個(gè)數(shù)，和都為列向量。通過(guò)上面的數(shù)學(xué)表述，也就說(shuō)說(shuō)，給 定某個(gè)訓(xùn)練集后，我們的工作就是如何選擇或者說(shuō)學(xué)習(xí)參數(shù)Θ 了。為了定義預(yù)測(cè)輸出與相 應(yīng)真實(shí)輸出值之間的差異，接下來(lái)我們引入代價(jià)函數(shù)(costfunction)，其定義如下：
[0150]
[0151]我們的目標(biāo)是，通過(guò)選擇參數(shù)Θ的取值，盡可能的使得上述代價(jià)函數(shù)的值最小。可 以首先通過(guò)初始猜測(cè)（initialguess)來(lái)初始化參數(shù)Θ，然后不斷改變參數(shù)Θ的值，使得的值 參數(shù)J(9)盡可能小，直到最終得到最小化的J(0)。特別的，考慮一下梯度下降 (gradientdescent)算法。它初始化Θ后，然后重復(fù)執(zhí)行如下公式來(lái)更新Θ的值。
[0152]
[0153] 這里，α表示學(xué)習(xí)速率(Iearningrate)。值得一提的是，α取值太小會(huì)使得最終匯聚 很緩慢，即梯度下降很慢，而取值太大，會(huì)使得最終匯聚很快，即梯度下降很快;而且不同的 初始值α，有可能導(dǎo)致最終使的J(0)最小的參數(shù)Θ的值不相同。接下來(lái)我們需要關(guān)心的是最 右邊的那個(gè)偏導(dǎo)數(shù)的求解，對(duì)于上述我們的例子，我們可以得到：
[0154]
[0155] 所以前面的更新等式可以簡(jiǎn)化為：
[0156]
[0157] 上式就是我們所熟知的最小均方(Leastmeansquares，LMS)更新規(guī)則，或者也稱(chēng)作 Widrow-Hoff學(xué)習(xí)規(guī)則。通過(guò)上式我們可以看到更新的幅度正比于誤差項(xiàng)（括號(hào)中的那一 項(xiàng)，它表示真實(shí)值和預(yù)測(cè)值之間的差異)的值。
[0158] 上面我們得到的只是對(duì)于一個(gè)訓(xùn)練集實(shí)例的關(guān)系式，對(duì)于多個(gè)訓(xùn)練集實(shí)例的情況 下，我們還需要對(duì)上式做出一點(diǎn)修改，有兩種方法：（1 )批梯度下降 (batchgradientdescent); (2)統(tǒng)計(jì)梯度下降（stochasticgradientdescent)。這里先給出 二者的算法步驟。
[0159] 對(duì)于批梯度下降，其算法為：
[0160]
[0161]
[0162] }
[0163] 也許乍一看下，沒(méi)有覺(jué)得二者有什么區(qū)別，而實(shí)質(zhì)則不然。對(duì)于批梯度下降算法， 它在每一次更新上都要搜索真?zhèn)€訓(xùn)練數(shù)據(jù)集;而對(duì)于統(tǒng)計(jì)梯度下降算法，針對(duì)每一個(gè)訓(xùn)練 集的單一實(shí)例，它都做出更新，即可以立刻做出反應(yīng)。所以通常我們都會(huì)選擇統(tǒng)計(jì)梯度下降 算法。
[0164] 通過(guò)運(yùn)行上述算法，我們可以得到找到參數(shù)Θ的值來(lái)滿足給定的訓(xùn)練集。得到該函 數(shù)h后，對(duì)于新加入的實(shí)例，我們就可以對(duì)其輸出值做一個(gè)預(yù)測(cè)。有一個(gè)地方值得注意的是， 參數(shù)Θ的值有可能不能匯聚，而只是在使J(0)最小化的附近震蕩，但實(shí)際上，靠近該值Θ的已 經(jīng)可以滿足要求了。所以在程序?qū)崿F(xiàn)的時(shí)候應(yīng)該對(duì)這種情況加以考慮。
[0165] 實(shí)施例4:具有與實(shí)施例1或2或3相同的技術(shù)方案，更為具體的是:
[0166] 上述方案中的總體數(shù)據(jù)集:全部是CAE仿真數(shù)據(jù)和跑車(chē)數(shù)據(jù);分為三份如下
[0167] 1.訓(xùn)練數(shù)據(jù)集:是用來(lái)訓(xùn)練模型或確定模型參數(shù)(CAE仿真數(shù)據(jù)和跑車(chē)數(shù)據(jù)）。
[0168] 2.驗(yàn)證數(shù)據(jù)集:是用來(lái)做模型選擇(model select ion)，即做模型的最終優(yōu)化及確 定的(CAE仿真數(shù)據(jù)和跑車(chē)數(shù)據(jù)）。
[0169] 3.測(cè)試數(shù)據(jù)集:則純粹是為了測(cè)試已經(jīng)訓(xùn)練好的模型的推廣能力。（CAE仿真數(shù)據(jù) 和跑車(chē)數(shù)據(jù)）。
[0170] 本實(shí)施例中還對(duì)定損過(guò)程中涉及的濾波、加權(quán)選取、特征提取、歸一化、特征變換 作出了說(shuō)明。
[0171 ] 1.濾波器技術(shù)：已實(shí)現(xiàn)的濾波方法包括FIR濾波、FIR切比雪夫逼近法、切比雪夫?yàn)V 波、巴特沃茲濾波等，在主程序的Filtering.m文件實(shí)現(xiàn)。各濾波器均為常見(jiàn)的濾波器， Matlab都有相應(yīng)的函數(shù)實(shí)現(xiàn)，具體算法可參考信號(hào)處理專(zhuān)業(yè)書(shū)籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0172] 有限沖擊響應(yīng)數(shù)字濾波器(FIR，F(xiàn)initelmpulseResponse)是一種全零點(diǎn)的系統(tǒng)， FIR濾波器的設(shè)計(jì)在保證幅度特性滿足技術(shù)要求的同事，很容易做到嚴(yán)格的線性相位特性， 所以據(jù)有穩(wěn)定和線性相位特性是FIR濾波器的突出優(yōu)點(diǎn)。切比雪夫逼近法是一種等波紋逼 近法，能夠使誤差頻帶均勻分布，對(duì)同樣的技術(shù)指標(biāo)，這種比肩發(fā)需要的濾波器階數(shù)低，對(duì) 于同樣階數(shù)的濾波器，這種逼近法最大誤差最小，其設(shè)計(jì)的主要步驟如下：
[0173] 步驟1:濾波器參數(shù)的設(shè)置
[0174] 濾波器的參數(shù)包括:通帶截止頻率、阻帶截止頻率、通帶最大衰減和阻帶最小衰 減；
[0175] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0176] 步驟3:給定在通帶截止頻率和阻帶截止頻率點(diǎn)上的加權(quán)
[0177] 步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0178] 步驟5:保存系數(shù)
[0179]步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0180]其中：濾波器參數(shù)的設(shè)置是為了保證信號(hào)在進(jìn)行處理的過(guò)程中不會(huì)出現(xiàn)失真現(xiàn) 象，濾波后的信號(hào)的截止頻率和采樣頻率需要滿足奈奎斯特定理，也就是在濾波后信號(hào)的 最高頻率不能超過(guò)原信號(hào)采樣頻率的1/2，否則就會(huì)出現(xiàn)漏頻現(xiàn)象。根據(jù)目前項(xiàng)目中的信號(hào) 采集板的采樣頻率主要是50Hz和IKHz，以50Hz為例根據(jù)公式F#±〈50/2,故選擇濾波器截止 頻率在25以下。
[0181] 2.特征提取技術(shù):特征抽取是在碰撞信號(hào)上進(jìn)行的。判斷碰撞使用的特征包括窗 口內(nèi)加速度絕對(duì)值的最大值、窗口內(nèi)加速度最大值與最小值之間的差值、窗口內(nèi)加速度的 平均能量(窗口內(nèi)所有點(diǎn)的加速度的平方和除以點(diǎn)數(shù)）、窗口內(nèi)各點(diǎn)斜率的絕對(duì)值的平均 值。
[0182]
[0183] 判斷零件種類(lèi)所使用的特征包括速度、加速度最大值到最小值之間的平均能量、 最大值和最小值之間的幅值/兩者之間的寬度、加速度最大值、加速度最小值、最大值所在 半波的寬度、最小值所在半波的寬度、最大值和最小值之間的差值、最大值到最小值之間的 跨度、各點(diǎn)斜率的絕對(duì)值的平均值、信號(hào)進(jìn)行傅立葉變換后〇~38頻率范圍內(nèi)的信號(hào)的各個(gè) 頻率分量的幅值。
[0184] 3.歸一化技術(shù):為了消除特征之間的量綱或數(shù)量級(jí)不同而對(duì)分類(lèi)任務(wù)造成的不利 影響，需要對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理，使得各特征值之間具有可比性，避免數(shù)值較大的特 征淹沒(méi)數(shù)值較小的特征。原始的特征數(shù)據(jù)經(jīng)過(guò)歸一化處理后，各特征處于相同的值域范圍。 由于Z-Score的性能表現(xiàn)更好，使用Z-Score做為歸一化方法。
[0185] 4.特征變換技術(shù):在特征較多的情況下，為了消除特征之間的相關(guān)性并減少冗余 特征，需要對(duì)特征進(jìn)行變換，用盡可能少的新特征來(lái)反映樣本信息。在實(shí)驗(yàn)樣本較少的情況 下(本項(xiàng)目的實(shí)際情況)降低過(guò)多的特征維數(shù)，還能在一定程度上避免過(guò)擬合或欠擬合的發(fā) 生。根據(jù)實(shí)際需要，目前已實(shí)現(xiàn)的特征變換是PCA。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，PCA對(duì)于提高本項(xiàng)目的分 類(lèi)性能并無(wú)幫助，甚至還有所下降，這是由于目前所使用的特征較少，沒(méi)有冗余特征，因此 暫不使用PCA，但是隨著后續(xù)特征的逐步增加，不排除以后使用PCA的可能性。
[0186] 附圖1中，記載的：車(chē)型選擇即為本發(fā)明中的車(chē)型選擇子系統(tǒng);數(shù)據(jù)分類(lèi)模塊即為 本發(fā)明中的數(shù)據(jù)分類(lèi)子系統(tǒng);碰撞判斷模塊即為本發(fā)明中的碰撞檢測(cè)子系統(tǒng)；工況檢測(cè)模 塊即為本發(fā)明的工況檢測(cè)子系統(tǒng);車(chē)型檢測(cè)模塊即為本發(fā)明的車(chē)型檢測(cè)子系統(tǒng)；零件檢測(cè) 模塊即零件檢測(cè)子系統(tǒng)；目標(biāo)檢測(cè)模塊即為本發(fā)明的目標(biāo)檢測(cè)子系統(tǒng)，區(qū)域檢測(cè)模塊即為 本發(fā)明的區(qū)域檢測(cè)子系統(tǒng)。
[0187] 以上所述，僅為本發(fā)明創(chuàng)造較佳的【具體實(shí)施方式】，但本發(fā)明創(chuàng)造的保護(hù)范圍并不 局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明創(chuàng)造披露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明 創(chuàng)造的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明創(chuàng)造的保護(hù)范圍之 內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)，其特征在于，包括： 車(chē)型選擇子系統(tǒng)，選擇車(chē)輛所對(duì)應(yīng)的車(chē)型數(shù)據(jù)作為總數(shù)據(jù)集； 數(shù)據(jù)分類(lèi)子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實(shí)車(chē)數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)； 碰撞檢測(cè)子系統(tǒng)，判斷車(chē)輛在行車(chē)過(guò)程中是否發(fā)生碰撞;所述碰撞檢測(cè)子系統(tǒng)對(duì)碰撞 訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型； 工況檢測(cè)子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測(cè)子系統(tǒng)對(duì)工況訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型； 區(qū)域檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測(cè)子系統(tǒng)，對(duì)區(qū)域訓(xùn)練數(shù)據(jù)進(jìn) 行學(xué)習(xí)從而生成區(qū)域模型。2. 如權(quán)利要求1所述的基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)，其特征在于， 所述碰撞檢測(cè)子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測(cè)試模塊、碰撞驗(yàn)證模塊，所述碰撞訓(xùn) 練模塊用于對(duì)碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測(cè)試模塊用于將碰撞測(cè)試數(shù) 據(jù)帶入碰撞模型中檢測(cè)碰撞模型的結(jié)果，碰撞驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證碰撞模型的 可靠性和準(zhǔn)確率； 所述工況檢測(cè)子系統(tǒng)包括，工況訓(xùn)練模塊、工況測(cè)試模塊、工況驗(yàn)證模塊，所述工況訓(xùn) 練模塊用于對(duì)工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測(cè)試模塊用于將工況測(cè) 試數(shù)據(jù)帶入模型中檢測(cè)工況模型的結(jié)果，工況驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證工況模型的 可靠性和準(zhǔn)確率； 所述區(qū)域檢測(cè)子系統(tǒng)包括，區(qū)域訓(xùn)練模塊、區(qū)域測(cè)試模塊、區(qū)域驗(yàn)證模塊，所述區(qū)域訓(xùn) 練模塊用于將區(qū)域訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成區(qū)域模型，區(qū)域測(cè)試模塊用于將區(qū)域測(cè)試數(shù) 據(jù)帶入模型中檢測(cè)區(qū)域模型的結(jié)果，區(qū)域驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證區(qū)域模型的可靠 性和準(zhǔn)確率。3. 如權(quán)利要求1或2基于人工智能建立不同車(chē)型分區(qū)域遠(yuǎn)程定損系統(tǒng)，其特征在于， 所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能無(wú)監(jiān) 督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上； 所述工況模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能無(wú)監(jiān) 督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上； 所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí)線性回歸方法、智能能量模型方法、智能無(wú)監(jiān) 督學(xué)習(xí) FuzzyC-Means聚類(lèi)算法、智能有監(jiān)督學(xué)習(xí) AdaBoost方法的一種以上； 且，所述碰撞模型、所述工況模型、所述區(qū)域模型建立使用的算法或方法不為完全相同 的算法或方法。
【文檔編號(hào)】G06K9/62GK106056144SQ201610363716
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月27日
【發(fā)明人】田雨農(nóng), 劉俊俍
【申請(qǐng)人】大連樓蘭科技股份有限公司