基于人工智能建立分車型遠程定損系統及方法
【專利摘要】基于人工智能建立分車型遠程定損系統及方法，屬于車輛定損領域，為了解決車輛碰撞后，對于碰撞后的碰撞車輛的車型檢測的問題，包括碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞；所述碰撞檢測子系統對碰撞訓練數據進行學習從而生成碰撞模型；工況檢測子系統，判斷碰撞發生的所有工況信息；所述工況檢測子系統對工況訓練數據進行學習從而生成工況模型；車型檢測子系統，判斷車輛碰撞時所撞車型；所述車型檢測子系統，對車型訓練數據進行學習從而生成車型模型。效果是：上述技術方案，可以實現對于車輛碰撞的車型檢測，在遠程定損的這個技術領域使用了機器學習的方法，針對的機器學習方法，在定損過程中，判別的準確率上得以提升。
【專利說明】
基于人工智能建立分車型遠程定損系統及方法
技術領域
[0001] 本發明屬于車輛定損領域，涉及基于人工智能建立分車型遠程定損系統及方法。
【背景技術】
[0002] 針對車輛在低速運動(包括低速道路行駛、車輛停靠等)過程中頻發碰撞事故而導 致的理賠糾紛問題，遠程定損技術通過采集車輛行駛過程中的多種信號（如速度、加速度、 角速度、聲音等)并用信號處理和機器學習技術加以分析，以判斷碰撞是否發生以及碰撞后 車輛的損毀情況。
[0003] 車輛發生碰撞事故后，前端設備能夠檢測出碰撞的發生并截取碰撞過程的信號， 通過無線網絡發送至云端，遠程服務器從收到的信號中抽取出事先設計的特征值，用機器 學習算法進行分析，先判斷碰撞數據的準確性，再判斷碰撞物體和工況情況，以確定碰撞數 據集對什么零件產生了哪種等級的損傷，然后根據零件損傷等級計算出參考理賠金額并發 送至保險公司。這期間會涉及對于車型、工況、目標、零件和區域的檢測。
【發明內容】
[0004] 為了解決車輛碰撞后，對于碰撞后的碰撞車輛的車型檢測的問題，本發明提出了 基于人工智能建立分車型遠程定損系統及方法，以實現定損過程中的車型檢測和判斷。
[0005] 為了解決上述技術問題，本發明提供的技術方案的要點是:包括：
[0006] 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集；
[0007] 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0008] 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對 碰撞訓練數據進行學習從而生成碰撞模型；
[0009] 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓 練數據進行學習從而生成工況模型；
[0010] 車型檢測子系統，判斷車輛碰撞時所撞車型;所述車型檢測子系統，對車型訓練數 據進行學習從而生成車型模型。
[0011 ]有益效果:上述技術方案，可以實現對于車輛碰撞的車型檢測，在遠程定損的這個
技術領域使用了機器學習的方法，針對的機器學習方法，在定損過程中，判別的準確率上得 以提升;本發明通過選擇車型來導入該車型所對應的數據，而數據分類則是為了模型訓練 和測試的目的而加入的步驟;車型的檢測是該方案實現的目的，是經過一系列操作所要得 到的結果。
【附圖說明】
[0012]圖1為本發明所述的系統的結構示意框圖。
【具體實施方式】
[0013] 為了對本發明作出更為清楚的解釋，下面對本發明涉及的技術術語作出定義：
[0014] 工況:碰撞角度、方向、目標、區域等全體碰撞信息；
[0015] 車型:汽車型號；
[0016] 目標:碰撞目標；
[0017]區域:碰撞位置；
[0018] 零件:汽車零件；
[0019] 工況檢測:檢測本車碰撞角度、方向、目標、區域等全體碰撞信息；
[0020] 車型檢測:檢測與本車發生碰撞的汽車型號；
[0021] 目標檢測:檢測本車碰撞目標；
[0022] 區域檢測:檢測本車碰撞位置；
[0023] 零件檢測:檢測本車汽車零件。
[0024] 實施例1:
[0025] -種基于人工智能建立分車型遠程定損系統，包括：
[0026] 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集；
[0027] 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0028] 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對 碰撞訓練數據進行學習從而生成碰撞模型；
[0029] 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓 練數據進行學習從而生成工況模型；
[0030] 車型檢測子系統，判斷車輛碰撞時所撞車型;所述車型檢測子系統，對車型訓練數 據進行學習從而生成車型模型。
[0031 ]所述碰撞檢測子系統包括，碰撞訓練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰 撞訓練模塊用于對碰撞訓練數據進行學習從而生成碰撞模型，碰撞測試模塊用于將碰撞測 試數據帶入碰撞模型中檢測碰撞模型的結果，碰撞驗證模塊使用真實跑車數據驗證碰撞模 型的可靠性和準確率；
[0032]所述工況檢測子系統包括，工況訓練模塊、工況測試模塊、工況驗證模塊，所述工 況訓練模塊用于對工況訓練數據進行學習從而生成工況模型，所述工況測試模塊用于將工 況測試數據帶入模型中檢測工況模型的結果，工況驗證模塊使用真實跑車數據驗證工況模 型的可靠性和準確率；
[0033]所述車型檢測子系統包括，車型訓練模塊、車型測試模塊、車型驗證模塊，所述車 型訓練模塊用于將車型訓練數據進行學習從而生成車型模型，車型測試模塊用于將車型測 試數據帶入模型中檢測車型模型的結果，車型驗證模塊使用真實跑車數據驗證車型模型的 可靠性和準確率。
[0034]所述碰撞模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0035]所述工況模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0036]所述車型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0037]且，所述碰撞模型、所述工況模型、所述車型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] 作為一種實施例：
[0039] 所述K最近鄰分類算法包括以下步驟：
[0040] 步驟1---初始化距離為最大值；
[0041 ] 步驟2 計算未知樣本和每個訓練樣本的距離dist;
[0042]步驟3-得到目前K個最臨近樣本中的最大距離maxdist;
[0043] 步驟4 如果dist小于maxdist，則將該訓練樣本作為K-最近鄰樣本；
[0044]步驟5---重復步驟2、3、4,直到未知樣本和所有訓練樣本的距離都算完；
[0045]步驟6統計K-最近鄰樣本中每個類標號出現的次數；
[0046]步驟7--選擇出現頻率最大的類標號作為未知樣本的類標號。
[0047] 本實施例，對于車型檢測，目前我們使用K最近鄰(k-Nearest Neighbor，KNN)分類 算法，該方法的思路是:如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的 樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。
[0048] KNN算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據 最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。KNN方法雖然從原理上也 依賴于極限定理，但在類別決策時，只與極少量的相鄰樣本有關。由于KNN方法主要靠周圍 有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或 重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
[0049] KNN算法不僅可以用于分類，還可以用于回歸。通過找出一個樣本的k個最近鄰居， 將這些鄰居的屬性的平均值賦給該樣本，就可以得到該樣本的屬性。更有用的方法是將不 同距離的鄰居對該樣本產生的影響給予不同的權值(weight)，如權值與距離成正比（組合 函數）。
[0050] K-NN可以說是一種最直接的用來分類未知數據的方法。
[0051]簡單來說，K-NN可以看成:有那么一堆你已經知道分類的數據，然后當一個新數據 進入的時候，就開始跟訓練數據里的每個點求距離，然后挑離這個訓練數據最近的K個點看 看這幾個點屬于什么類型，然后用少數服從多數的原則，給新數據歸類。
[0052]作為一種實施例：
[0053] 所述Sof tmax回歸方法包括以下步驟：
[0054] 在softmax回歸中y(1)e {1，2, . . .，k}，其中k是類別種數，比如在工況判斷中k = 10,表示要識別的工況數量為10種。對于給定的測試輸入X，我們想用假設函數針對每一個 類別j估算出概率值P(y = j Ix)。也就是說，我們想估計X的每一種分類結果出現的概率。因 此，我們的假設函數將要輸出一個k維的向量（向量元素的和為1)來表示這k個估計的概率 值，T為列表轉置功能的意思，具體地說，我們的假設函數he(x)形式如下：
[0055]
[0056]其中Θ1，Θ2，Θ3, · · ·，0k屬于模型的參數，等式右邊的系數是對概率分布進行歸
[0057] 一化，使得總概率之和為I，m為梯度值，于是類似于logistic回歸，推廣得到新的代價函數 為：
[0058] 值得注意的是，上述公式是logistic回歸代價函數的推廣。logistic回歸代價函 數可以改為：
[0059]
j.-r.y[0066] 然后我們可以通過梯度上升法來更新參數
[0000] 可以看到，Softmax代價函數與logistic代價函數在形式上非常類似，只是在 Softmax損失函數中對類標記的k個可能值進行了累加，Φ表示常量，注意在Softmax回歸中 將分悉先悉則彳的姻1泰先.
[0061]
[0062]
[0063]
[0064]
[0065]
[0067]
[0068] 注意這里01是第1個類的所有參數，它是一個向量。
[0069] 作為一種實施例：
[0070]所述半監督學習邏輯回歸方法包括以下步驟：
[0071 ]假設總體的數據集稱為訓練集;輸入變量x為特征;輸出的預測值y為目標值;擬合 的曲線，一般表示為y = h(x)，稱為假設模型。這里，T表示轉置，Q1為參數，也稱為權值 (weights)〇
[0072]
[0073] 構造 sigmoid函數，其是一個在生物學中常見的S型的函數，也稱為S形生長曲線， Sigmoid函數由下列公式定義；
[0074]
[0075]
[0076]
[0077]
[0078] 函數he(x)的值有特殊的含義，它表示結果取1的概率，因此對于輸入X分類結果為 類別1和類別〇的概率分別為：
[0079]
[0080]構造損失函數J:[0081 ] Cost函數和J函數如下，它們是基于最大似然估計推導得到的。
[0082]
[0083]
[0084] m為梯度值；
[0085]下面詳細說明推導的過程：
[0086] (1)式綜合起來可以寫成：
[0087] P(y I X； Θ) = (he(x) )y( l-he(x) )1_y
[0088] 取似然函數為：
[0092] 最大似然估計就是求使1(θ)取最大值時的Θ，其實這里可以使用梯度上升法求解， 求得的Θ就是要求的最佳參數。但是，在Andrew Ng的課程中將J(0)取為下式，BP:
[0089]
[0090]
[0091]
[0093]
[0096]
[0094]因為乘了一個負的系數-1/m，所以取J(0)最小值時的Θ為要求的最佳參數；[0095]梯度下降法求最小值，Θ更新過程：
[0097]
[0098]
[0099]
[0100]
[0101] 終止條件：1)系數不再出現周期性波動。2)系數可以很快的穩定下來，也就是快速 收斂。
[0102] 作為一種實施例：
[0103] 所述Apriori算法包括以下步驟：
[0104] SI.從事務數據庫(D)中挖掘出所有頻繁項集；
[0105] S2.基于步驟Sl步挖掘到的頻繁項集，繼續挖掘出全部的頻繁關聯規則。
[0106]更為具體的是:其中，步驟Sl中，支持度大于最小支持度minSup的項集（Itemset) 稱為頻集（FrequentItemset);
[0107] 具體步驟如下：
[0108] 首先，挖掘出頻繁1-項集；
[0109] 然后，繼續采用遞推的方式來挖掘頻繁k_項集(k>l)，具體做法是：
[0110] 在挖掘出候選頻繁k-項集(Ck)之后，根據最小置信度minSup來篩選，得到頻繁k- 項集。 最后，合并全部的頻繁k-項集(k>0)。
[0112] 挖掘頻繁項集的算法描述如下：
[0113] (I)Ll = f ind_frequent_l_itemsets(D);//挖掘頻繁1-項集，比較容易
[0114] (2)for(k = 2；Lk-l^ Φ ；k++) {
[0115] (3)Ck = apriori_gen(Lk-l，min_sup);//調用apriori_gen方法生成候選頻繁k_ 項集
[0116] (4)foreachtransactiont eD{//掃描事務數據庫 D
[0117] (5)Ct = subset(Ck,t)；
[0118] (6)foreachcandidatec e Ct
[0119] (7)c. count++;//統計候選頻繁k-項集的計數 [0120] (8)}
[0121] (9)Lk={ceCk| c.count>min_sup}/7滿足最小支持度的k-項集即為頻繁k-項集
[0122] (1〇)}
[0123] (ll)returnL= UkLk;//合并頻繁 k_ 項集(k>0)
[0124] 步驟S2中，置信度大于給定最小置信度minConf的關聯規則稱為頻繁關聯規則 (FrequentAssociationRule)；
[0125] 具體步驟如下：
[0126] 首先，從頻繁項集入手，挖掘出全部的關聯規則(或者稱候選關聯規則），然后，根 據minConf來得到頻繁關聯規則。
[0127] 挖掘頻繁關聯規則的算法描述如下：
[0128] (1)初始狀態:L= UkLk;AR=O ;//L是頻繁項集集合，AR是頻繁關聯規則集合 [0129] (2)foralUk(Ak是L的元素，是一個k-頻繁項集，大小為n){
[0130] (3)forallak(ak是λ??的非空真子集）{
[0131 ] (4)if (ak-βηι的置信度>=minConf) {//這里，m+k = n，其中ak-βηι是一個關聯規 則
[0132] (5)AR=ARU (ak-ftn);
[0133] (6)}
[0134] (7)}
[0135] (8)}
[0136] (9)returnAR；
[0137] 作為一種實施例：
[0138] 所述有監督學習樸素貝葉斯方法包括以下步驟：
[0139] SI.估計特征Xi在每一類的條件概率；
[0140] S2.類別y的先驗概率由訓練集算出，通過訓練集上的統計，得出對應的每一類上 的條件獨立的特征對應的條件概率向量；
[0141] S3.學習訓練集，分類，并建立分子中的條件概率，得到模型的基本概率；
[0142] S4.給定未分類新實例X，通過上述概率進行計算，得到該實例X屬于各類的后驗概 率。
[0143] 上述步驟S1-S4中，其具體為：
[0144] 對于判斷車型，目前我們使用有監督學習之樸素貝葉斯方法，樸素貝葉斯方法，是 指
[0145] 樸素:特征條件獨立
[0146] 貝葉斯:基于貝葉斯定理
[0147] 根據貝葉斯定理，對一個分類問題，給定樣本特征X，樣本屬于類別y的概率是：
[0148]
[0149] 在這里，x是一個特征向量，將設x維度為M，因為樸素的假設，即特征條件獨立，根 據全概率公式展開，公式(1)可以表達為：
[0150] …(2)
[0151] 這里，只要分別估計出，特征xi在每一類的條件概率就可以了，類別y的先驗概率 可以通過訓練集算出，同樣通過訓練集上的統計，可以得出對應每一類上的，條件獨立的特 征對應的條件概率向量，如何統計，就是下一部分一一學習一一所關心的內容。
[0152]學習（參數估計）：
[0153] 下面介紹如何從數據中，學習得到樸素貝葉斯分類模型，提出概述分類方法。
[0154] 學習訓練集1'抑11^即5的={(叉1，71)，（叉2,72)，...，（ -，7?}包含~條訓練數據， 其中xi = (x(l)i，x(2)i,. . .，x(M)i)，T是M維向量，yie {cl，c2,. . .cK}屬于K類中的一類。 [0155]學習1.首先，我們來計算公式(2)中的p(y = ck)
[0156] p(y = ck) = ENi = IKyi = ck)N......(3)
[0157] 其中I(x)為指示函數，若括號內成立，則計I，否則為0。
[0158] 學習2.接下來計算分子中的條件概率，設M維特征的第j維有L個取值，則某維特征 的某個取值a j 1，在給定某分類ck下的條件概率為：
[0159] p(xj = ajl |y = ck) = ENi = lI(xji = ajl ,yi = ck) ENi = lI(yi = ck)......(4)
[0160] 經過上述步驟，我們就得到了模型的基本概率，也就完成了學習的任務。
[0161] 分類：
[0162] 通過學到的概率，給定未分類新實例X，就可以通過上述概率進行計算，得到該實 例屬于各類的后驗概率P(y = ck|X)，因為對所有的類來說，公式(2)中分母的值都相同，所 以只計算分子部分即可，具體步驟如下：
[0163]分類1.計算該實例屬于y = ck類的概率
[0164] p(y = ck|X)=p(y = ck)IIj = lnp(X( j)=x( j) |y = ck)......(5)
[0165] 分類2.確定該實例所屬的分類y
[0166] y = argmaxckp(y = ck | X)......(6)
[0167] 于是我們得到了實例的分類結果。
[0168] 實施例2:
[0169] -種基于人工智能建立分車型遠程定損方法，包括以下步驟：
[0170]步驟一.選擇車輛所對應的車型數據作為總數據集；
[0171]步驟二.讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0172] 步驟三.判斷車輛在行車過程中是否發生碰撞;對碰撞訓練數據進行學習從而生 成碰撞模型；
[0173] 步驟四.判斷碰撞發生的所有工況信息；對工況訓練數據進行學習從而生成工況 模型；
[0174] 步驟五.判斷車輛碰撞時所撞車型;對車型訓練數據進行學習從而生成車型模型。
[0175] 具體步驟是：
[0176] 步驟三包括：
[0177] S3.1.使用碰撞檢測子系統對CAE碰撞仿真數據處理，再對其進行分類以產生碰撞 訓練數據和碰撞測試數據；
[0178] S3.2.在碰撞訓練模塊中對碰撞訓練數據進行學習并產生碰撞模型，來模擬碰撞 訓練數據的效果；
[0179] S3.3.在碰撞測試模塊中使用碰撞測試數據來測試碰撞模型的結果；
[0180] S3.4.使用真實跑車數據作為碰撞驗證數據并帶入碰撞驗證模塊，來驗證碰撞模 型的準確性；
[0181] 步驟四包括：
[0182] S4.1.使用工況檢測子系統對CAE工況仿真數據處理，再對其進行分類產生工況訓 練數據和工況測試數據；
[0183] S4.2.在工況訓練模塊中對工況訓練數據進行學習并產生工況模型，來模擬工況 訓練數據的效果；
[0184] S4.3.在工況測試模塊中使用工況測試數據來測試工況模型的結果；
[0185] S4.4.使用真實跑車數據作為工況驗證數據并帶入工況驗證模塊，來驗證工況模 型的準確性；
[0186] 步驟五包括：
[0187] S5.1.使用車型檢測子系統對CAE車型仿真數據處理，再對其進行分類以產生車型 訓練數據和車型測試數據；
[0188] S5.2.在車型訓練模塊中對車型訓練數據進行學習并產生車型模型，來模擬車型 訓練數據的效果；
[0189] S5.3.在車型測試模塊中使用車型測試數據來測試車型模型的結果；
[0190] S5.4.使用真實跑車數據作為車型驗證數據并帶入車型驗證模塊，來驗證車型模 型的準確性。
[0191] 所述碰撞模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0192] 所述工況模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0193] 所述車型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回 歸方法、Apriori算法、有監督學習樸素貝葉斯方法中的一種以上；
[0194] 且，所述碰撞模型、所述工況模型、所述車型模型建立使用的算法或方法不為完全 相同的算法或方法。
[0195] 所述各種算法或方法的具體步驟，與實施例1中的算法或方法相同。
[0196] 實施例3:
[0197] 具有與實施例1或2相同的技術方案，更為具體的是:
[0198] 上述方案中的總體數據集:全部是CAE仿真數據和跑車數據;分為三份如下
[0199] 1.訓練數據集:是用來訓練模型或確定模型參數(CAE仿真數據和跑車數據）。
[0200] 2.驗證數據集:是用來做模型選擇(model selection)，即做模型的最終優化及確 定的(CAE仿真數據和跑車數據）。
[0201] 3.測試數據集：則純粹是為了測試已經訓練好的模型的推廣能力。（CAE仿真數據 和跑車數據）。
[0202] 本實施例中還對定損過程中涉及的濾波、加權選取、特征提取、歸一化、特征變換 作出了說明。
[0203] 1.濾波器技術：已實現的濾波方法包括FIR濾波、FIR切比雪夫逼近法、切比雪夫濾 波、巴特沃茲濾波等，在主程序的Filtering.m文件實現。各濾波器均為常見的濾波器， Matlab都有相應的函數實現，具體算法可參考信號處理專業書籍。此處給出FIR濾波器的內 容和流程的介紹。
[0204] 有限沖擊響應數字濾波器(FIR，Finite Impulse Response)是一種全零點的系 統，FIR濾波器的設計在保證幅度特性滿足技術要求的同事，很容易做到嚴格的線性相位特 性，所以據有穩定和線性相位特性是FIR濾波器的突出優點。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，對同樣的技術指標，這種比肩發需要的濾波器階數低， 對于同樣階數的濾波器，這種逼近法最大誤差最小，其設計的主要步驟如下：
[0205] 步驟1:濾波器參數的設置
[0206] 濾波器的參數包括: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；
[0207] 步驟2:設置在通帶和阻帶上理想的幅頻響應
[0208] 步驟3:給定在通帶截止頻率和阻帶截止頻率點上的加權
[0209] 步驟4:利用方程計算切比雪夫逼近法濾波器系數
[0210] 步驟5:保存系數
[0211] 步驟6:提取系數進行數據濾波
[0212]其中：濾波器參數的設置是為了保證信號在進行處理的過程中不會出現失真現 象，濾波后的信號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的 最高頻率不能超過原信號采樣頻率的1/2，否則就會出現漏頻現象。根據目前項目中的信號 采集板的采樣頻率主要是50Hz和IKHz，以50Hz為例根據公式F#±〈50/2,故選擇濾波器截止 頻率在25以下。
[0213] 2.特征提取技術:特征抽取是在碰撞信號上進行的。判斷碰撞使用的特征包括窗 口內加速度絕對值的最大值、窗口內加速度最大值與最小值之間的差值、窗口內加速度的 平均能量(窗口內所有點的加速度的平方和除以點數）、窗口內各點斜率的絕對值的平均 值。
[0214]
[0215] 判斷零件種類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、各點斜率的絕對值的平均值、信號進行傅立葉變換后〇~38頻率范圍內的信號的各個 頻率分量的幅值。
[0216] 3.歸一化技術:為了消除特征之間的量綱或數量級不同而對分類任務造成的不利 影響，需要對特征數據進行歸一化處理，使得各特征值之間具有可比性，避免數值較大的特 征淹沒數值較小的特征。原始的特征數據經過歸一化處理后，各特征處于相同的值域范圍。 由于Z-Score的性能表現更好，使用Z-Score做為歸一化方法。
[0217] 4.特征變換技術:在特征較多的情況下，為了消除特征之間的相關性并減少冗余 特征，需要對特征進行變換，用盡可能少的新特征來反映樣本信息。在實驗樣本較少的情況 下(本項目的實際情況)降低過多的特征維數，還能在一定程度上避免過擬合或欠擬合的發 生。根據實際需要，目前已實現的特征變換是PCA。通過實驗發現，PCA對于提高本項目的分 類性能并無幫助，甚至還有所下降，這是由于目前所使用的特征較少，沒有冗余特征，因此 暫不使用PCA，但是隨著后續特征的逐步增加，不排除以后使用PCA的可能性。
[0218] 附圖1中，記載的：車型選擇即為本發明中的車型選擇子系統;數據分類模塊即為 本發明中的數據分類子系統;碰撞判斷模塊即為本發明中的碰撞檢測子系統；工況檢測模 塊即為本發明的工況檢測子系統;車型檢測模塊即為本發明的車型檢測子系統；零件檢測 模塊即零件檢測子系統；目標檢測模塊即為本發明的目標檢測子系統，區域檢測模塊即為 本發明的區域檢測子系統。
[0219] 以上所述，僅為本發明創造較佳的【具體實施方式】，但本發明創造的保護范圍并不 局限于此，任何熟悉本技術領域的技術人員在本發明創造披露的技術范圍內，根據本發明 創造的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明創造的保護范圍之 內。
【主權項】
1. 一種基于人工智能建立分車型遠程定損系統，其特征在于，包括： 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集； 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類； 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對碰撞 訓練數據進行學習從而生成碰撞模型； 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓練數 據進行學習從而生成工況模型； 車型檢測子系統，判斷車輛碰撞時所撞車型;所述車型檢測子系統，對車型訓練數據進 行學習從而生成車型模型。2. 如權利要求1所述的基于人工智能建立分車型遠程定損系統，其特征在于， 所述碰撞檢測子系統包括，碰撞訓練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰撞訓 練模塊用于對碰撞訓練數據進行學習從而生成碰撞模型，碰撞測試模塊用于將碰撞測試數 據帶入碰撞模型中檢測碰撞模型的結果，碰撞驗證模塊使用真實跑車數據驗證碰撞模型的 可靠性和準確率； 所述工況檢測子系統包括，工況訓練模塊、工況測試模塊、工況驗證模塊，所述工況訓 練模塊用于對工況訓練數據進行學習從而生成工況模型，所述工況測試模塊用于將工況測 試數據帶入模型中檢測工況模型的結果，工況驗證模塊使用真實跑車數據驗證工況模型的 可靠性和準確率； 所述車型檢測子系統包括，車型訓練模塊、車型測試模塊、車型驗證模塊，所述車型訓 練模塊用于將車型訓練數據進行學習從而生成車型模型，車型測試模塊用于將車型測試數 據帶入模型中檢測車型模型的結果，車型驗證模塊使用真實跑車數據驗證車型模型的可靠 性和準確率。3. 如權利要求1所述的基于人工智能建立分車型遠程定損系統，其特征在于， 所述碰撞模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回歸方 法、Apr i or i算法、有監督學習樸素貝葉斯方法中的一種以上； 所述工況模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回歸方 法、Apr i or i算法、有監督學習樸素貝葉斯方法中的一種以上； 所述車型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監督學習邏輯回歸方 法、Apr i or i算法、有監督學習樸素貝葉斯方法中的一種以上； 且，所述碰撞模型、所述工況模型、所述車型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】G06F17/50GK106055778SQ201610363934
【公開日】2016年10月26日
【申請日】2016年5月27日
【發明人】田雨農, 劉俊俍
【申請人】大連樓蘭科技股份有限公司