基于人工智能建立分車(chē)型遠(yuǎn)程定損系統(tǒng)及方法
【專利摘要】基于人工智能建立分車(chē)型遠(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)于碰撞后的碰撞車(chē)輛的車(chē)型檢測(cè)的問(wèn)題，包括碰撞檢測(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；車(chē)型檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞車(chē)型；所述車(chē)型檢測(cè)子系統(tǒng)，對(duì)車(chē)型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型。效果是：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的車(chē)型檢測(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。
【專利說(shuō)明】
基于人工智能建立分車(chē)型遠(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，涉及基于人工智能建立分車(chē)型遠(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)于碰撞后的碰撞車(chē)輛的車(chē)型檢測(cè)的問(wèn)題，本發(fā)明提出了 基于人工智能建立分車(chē)型遠(yuǎn)程定損系統(tǒng)及方法，以實(shí)現(xiàn)定損過(guò)程中的車(chē)型檢測(cè)和判斷。
[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；
[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] 車(chē)型檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞車(chē)型;所述車(chē)型檢測(cè)子系統(tǒng)，對(duì)車(chē)型訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型。
[0011 ]有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的車(chē)型檢測(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)分類則是為了模型訓(xùn)練 和測(cè)試的目的而加入的步驟;車(chē)型的檢測(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，下面對(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分車(chē)型遠(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；
[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] 車(chē)型檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞車(chē)型;所述車(chē)型檢測(cè)子系統(tǒng)，對(duì)車(chē)型訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型。
[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]所述車(chē)型檢測(cè)子系統(tǒng)包括，車(chē)型訓(xùn)練模塊、車(chē)型測(cè)試模塊、車(chē)型驗(yàn)證模塊，所述車(chē) 型訓(xùn)練模塊用于將車(chē)型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型，車(chē)型測(cè)試模塊用于將車(chē)型測(cè) 試數(shù)據(jù)帶入模型中檢測(cè)車(chē)型模型的結(jié)果，車(chē)型驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證車(chē)型模型的 可靠性和準(zhǔn)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(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)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(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)樸素貝葉斯方法中的一種以上；
[0036]所述車(chē)型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)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(chē)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(shí)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(jì)算未知樣本和每個(gè)訓(xùn)練樣本的距離dist;
[0042]步驟3-得到目前K個(gè)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(xùn)練樣本作為K-最近鄰樣本；
[0044]步驟5---重復(fù)步驟2、3、4,直到未知樣本和所有訓(xùn)練樣本的距離都算完；
[0045]步驟6統(tǒng)計(jì)K-最近鄰樣本中每個(gè)類標(biāo)號(hào)出現(xiàn)的次數(shù)；
[0046]步驟7--選擇出現(xiàn)頻率最大的類標(biāo)號(hào)作為未知樣本的類標(biāo)號(hào)。
[0047] 本實(shí)施例，對(duì)于車(chē)型檢測(cè)，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(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的 樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。
[0048] KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對(duì)象。該方法在定類決策上只依據(jù) 最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)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(shí)，只與極少量的相鄰樣本有關(guān)。由于KNN方法主要靠周?chē)?有限的鄰近的樣本，而不是靠判別類域的方法來(lái)確定所屬類別的，因此對(duì)于類域的交叉或 重疊較多的待分樣本集來(lái)說(shuō)，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(guò)找出一個(gè)樣本的k個(gè)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(duì)該樣本產(chǎn)生的影響給予不同的權(quán)值(weight)，如權(quán)值與距離成正比（組合 函數(shù)）。
[0050] K-NN可以說(shuō)是一種最直接的用來(lái)分類未知數(shù)據(jù)的方法。
[0051]簡(jiǎn)單來(lái)說(shuō)，K-NN可以看成:有那么一堆你已經(jīng)知道分類的數(shù)據(jù)，然后當(dāng)一個(gè)新數(shù)據(jù) 進(jìn)入的時(shí)候，就開(kāi)始跟訓(xùn)練數(shù)據(jù)里的每個(gè)點(diǎn)求距離，然后挑離這個(gè)訓(xùn)練數(shù)據(jù)最近的K個(gè)點(diǎn)看 看這幾個(gè)點(diǎn)屬于什么類型，然后用少數(shù)服從多數(shù)的原則，給新數(shù)據(jù)歸類。
[0052]作為一種實(shí)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(shù)，比如在工況判斷中k = 10,表示要識(shí)別的工況數(shù)量為10種。對(duì)于給定的測(cè)試輸入X，我們想用假設(shè)函數(shù)針對(duì)每一個(gè) 類別j估算出概率值P(y = j Ix)。也就是說(shuō)，我們想估計(jì)X的每一種分類結(jié)果出現(xiàn)的概率。因 此，我們的假設(shè)函數(shù)將要輸出一個(gè)k維的向量（向量元素的和為1)來(lái)表示這k個(gè)估計(jì)的概率 值，T為列表轉(zhuǎn)置功能的意思，具體地說(shuō)，我們的假設(shè)函數(shù)he(x)形式如下：
[0055]
[0056]其中Θ1，Θ2，Θ3, · · ·，0k屬于模型的參數(shù)，等式右邊的系數(shù)是對(duì)概率分布進(jìn)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(jià)函數(shù) 為：
[0058] 值得注意的是，上述公式是logistic回歸代價(jià)函數(shù)的推廣。logistic回歸代價(jià)函 數(shù)可以改為：
[0059]

j.-r.y[0066] 然后我們可以通過(guò)梯度上升法來(lái)更新參數(shù)
[0000] 可以看到，Softmax代價(jià)函數(shù)與logistic代價(jià)函數(shù)在形式上非常類似，只是在 Softmax損失函數(shù)中對(duì)類標(biāo)記的k個(gè)可能值進(jìn)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(gè)類的所有參數(shù)，它是一個(gè)向量。
[0069] 作為一種實(shí)施例：
[0070]所述半監(jiān)督學(xué)習(xí)邏輯回歸方法包括以下步驟：
[0071 ]假設(shè)總體的數(shù)據(jù)集稱為訓(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)，稱為假設(shè)模型。這里，T表示轉(zhuǎn)置，Q1為參數(shù)，也稱為權(quán)值 (weights)〇
[0072]
[0073] 構(gòu)造 sigmoid函數(shù)，其是一個(gè)在生物學(xué)中常見(jiàn)的S型的函數(shù)，也稱為S形生長(zhǎng)曲線， Sigmoid函數(shù)由下列公式定義；
[0074]
[0075]
[0076]
[0077]
[0078] 函數(shù)he(x)的值有特殊的含義，它表示結(jié)果取1的概率，因此對(duì)于輸入X分類結(jié)果為 類別1和類別〇的概率分別為：
[0079]
[0080]構(gòu)造損失函數(shù)J:[0081 ] Cost函數(shù)和J函數(shù)如下，它們是基于最大似然估計(jì)推導(dǎo)得到的。
[0082]
[0083]
[0084] m為梯度值；
[0085]下面詳細(xì)說(shuō)明推導(dǎo)的過(guò)程：
[0086] (1)式綜合起來(lái)可以寫(xiě)成：
[0087] P(y I X； Θ) = (he(x) )y( l-he(x) )1_y
[0088] 取似然函數(shù)為：
[0092] 最大似然估計(jì)就是求使1(θ)取最大值時(shí)的Θ，其實(shí)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(shù)。但是，在Andrew Ng的課程中將J(0)取為下式，BP:
[0089]
[0090]
[0091]
[0093]
[0096]
[0094]因?yàn)槌肆艘粋€(gè)負(fù)的系數(shù)-1/m，所以取J(0)最小值時(shí)的Θ為要求的最佳參數(shù)；[0095]梯度下降法求最小值，Θ更新過(guò)程：
[0097]
[0098]
[0099]
[0100]
[0101] 終止條件：1)系數(shù)不再出現(xiàn)周期性波動(dòng)。2)系數(shù)可以很快的穩(wěn)定下來(lái)，也就是快速 收斂。
[0102] 作為一種實(shí)施例：
[0103] 所述Apriori算法包括以下步驟：
[0104] SI.從事務(wù)數(shù)據(jù)庫(kù)(D)中挖掘出所有頻繁項(xiàng)集；
[0105] S2.基于步驟Sl步挖掘到的頻繁項(xiàng)集，繼續(xù)挖掘出全部的頻繁關(guān)聯(lián)規(guī)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(xiàng)集（Itemset) 稱為頻集（FrequentItemset);
[0107] 具體步驟如下：
[0108] 首先，挖掘出頻繁1-項(xiàng)集；
[0109] 然后，繼續(xù)采用遞推的方式來(lái)挖掘頻繁k_項(xiàng)集(k>l)，具體做法是：
[0110] 在挖掘出候選頻繁k-項(xiàng)集(Ck)之后，根據(jù)最小置信度minSup來(lái)篩選，得到頻繁k- 項(xiàng)集。 最后，合并全部的頻繁k-項(xiàng)集(k>0)。
[0112] 挖掘頻繁項(xiàng)集的算法描述如下：
[0113] (I)Ll = f ind_frequent_l_itemsets(D);//挖掘頻繁1-項(xiàng)集，比較容易
[0114] (2)for(k = 2；Lk-l^ Φ ；k++) {
[0115] (3)Ck = apriori_gen(Lk-l，min_sup);//調(diào)用apriori_gen方法生成候選頻繁k_ 項(xiàng)集
[0116] (4)foreachtransactiont eD{//掃描事務(wù)數(shù)據(jù)庫(kù) D
[0117] (5)Ct = subset(Ck,t)；
[0118] (6)foreachcandidatec e Ct
[0119] (7)c. count++;//統(tǒng)計(jì)候選頻繁k-項(xiàng)集的計(jì)數(shù) [0120] (8)}
[0121] (9)Lk={ceCk| c.count>min_sup}/7滿足最小支持度的k-項(xiàng)集即為頻繁k-項(xiàng)集
[0122] (1〇)}
[0123] (ll)returnL= UkLk;//合并頻繁 k_ 項(xiàng)集(k>0)
[0124] 步驟S2中，置信度大于給定最小置信度minConf的關(guān)聯(lián)規(guī)則稱為頻繁關(guān)聯(lián)規(guī)則 (FrequentAssociationRule)；
[0125] 具體步驟如下：
[0126] 首先，從頻繁項(xiàng)集入手，挖掘出全部的關(guān)聯(lián)規(guī)則(或者稱候選關(guān)聯(lián)規(guī)則），然后，根 據(jù)minConf來(lái)得到頻繁關(guān)聯(lián)規(guī)則。
[0127] 挖掘頻繁關(guān)聯(lián)規(guī)則的算法描述如下：
[0128] (1)初始狀態(tài):L= UkLk;AR=O ;//L是頻繁項(xiàng)集集合，AR是頻繁關(guān)聯(lián)規(guī)則集合 [0129] (2)foralUk(Ak是L的元素，是一個(gè)k-頻繁項(xiàng)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(gè)關(guān)聯(lián)規(guī) 則
[0132] (5)AR=ARU (ak-ftn);
[0133] (6)}
[0134] (7)}
[0135] (8)}
[0136] (9)returnAR；
[0137] 作為一種實(shí)施例：
[0138] 所述有監(jiān)督學(xué)習(xí)樸素貝葉斯方法包括以下步驟：
[0139] SI.估計(jì)特征Xi在每一類的條件概率；
[0140] S2.類別y的先驗(yàn)概率由訓(xùn)練集算出，通過(guò)訓(xùn)練集上的統(tǒng)計(jì)，得出對(duì)應(yīng)的每一類上 的條件獨(dú)立的特征對(duì)應(yīng)的條件概率向量；
[0141] S3.學(xué)習(xí)訓(xùn)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(shí)例X，通過(guò)上述概率進(jìn)行計(jì)算，得到該實(shí)例X屬于各類的后驗(yàn)概 率。
[0143] 上述步驟S1-S4中，其具體為：
[0144] 對(duì)于判斷車(chē)型，目前我們使用有監(jiān)督學(xué)習(xí)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(dú)立
[0146] 貝葉斯:基于貝葉斯定理
[0147] 根據(jù)貝葉斯定理，對(duì)一個(gè)分類問(wèn)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(gè)特征向量，將設(shè)x維度為M，因?yàn)闃闼氐募僭O(shè)，即特征條件獨(dú)立，根 據(jù)全概率公式展開(kāi)，公式(1)可以表達(dá)為：
[0150] …(2)
[0151] 這里，只要分別估計(jì)出，特征xi在每一類的條件概率就可以了，類別y的先驗(yàn)概率 可以通過(guò)訓(xùn)練集算出，同樣通過(guò)訓(xùn)練集上的統(tǒng)計(jì)，可以得出對(duì)應(yīng)每一類上的，條件獨(dú)立的特 征對(duì)應(yīng)的條件概率向量，如何統(tǒng)計(jì)，就是下一部分一一學(xué)習(xí)一一所關(guān)心的內(nèi)容。
[0152]學(xué)習(xí)（參數(shù)估計(jì)）：
[0153] 下面介紹如何從數(shù)據(jù)中，學(xué)習(xí)得到樸素貝葉斯分類模型，提出概述分類方法。
[0154] 學(xué)習(xí)訓(xùn)練集1'抑11^即5的={(叉1，71)，（叉2,72)，...，（ -，7?}包含~條訓(xùn)練數(shù)據(jù)， 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(xué)習(xí)1.首先，我們來(lái)計(jì)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(shù)，若括號(hào)內(nèi)成立，則計(jì)I，否則為0。
[0158] 學(xué)習(xí)2.接下來(lái)計(jì)算分子中的條件概率，設(shè)M維特征的第j維有L個(gè)取值，則某維特征 的某個(gè)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(jīng)過(guò)上述步驟，我們就得到了模型的基本概率，也就完成了學(xué)習(xí)的任務(wù)。
[0161] 分類：
[0162] 通過(guò)學(xué)到的概率，給定未分類新實(shí)例X，就可以通過(guò)上述概率進(jìn)行計(jì)算，得到該實(shí) 例屬于各類的后驗(yàn)概率P(y = ck|X)，因?yàn)閷?duì)所有的類來(lái)說(shuō)，公式(2)中分母的值都相同，所 以只計(jì)算分子部分即可，具體步驟如下：
[0163]分類1.計(jì)算該實(shí)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(shí)例所屬的分類y
[0166] y = argmaxckp(y = ck | X)......(6)
[0167] 于是我們得到了實(shí)例的分類結(jié)果。
[0168] 實(shí)施例2:
[0169] -種基于人工智能建立分車(chē)型遠(yuǎn)程定損方法，包括以下步驟：
[0170]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；
[0171]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；
[0172] 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；
[0173] 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；
[0174] 步驟五.判斷車(chē)輛碰撞時(shí)所撞車(chē)型;對(duì)車(chē)型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型。
[0175] 具體步驟是：
[0176] 步驟三包括：
[0177] 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)行分類以產(chǎn)生碰撞 訓(xùn)練數(shù)據(jù)和碰撞測(cè)試數(shù)據(jù)；
[0178] 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；
[0179] 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；
[0180] 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；
[0181] 步驟四包括：
[0182] 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)行分類產(chǎn)生工況訓(xùn) 練數(shù)據(jù)和工況測(cè)試數(shù)據(jù)；
[0183] 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；
[0184] 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；
[0185] 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；
[0186] 步驟五包括：
[0187] S5.1.使用車(chē)型檢測(cè)子系統(tǒng)對(duì)CAE車(chē)型仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類以產(chǎn)生車(chē)型 訓(xùn)練數(shù)據(jù)和車(chē)型測(cè)試數(shù)據(jù)；
[0188] S5.2.在車(chē)型訓(xùn)練模塊中對(duì)車(chē)型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生車(chē)型模型，來(lái)模擬車(chē)型 訓(xùn)練數(shù)據(jù)的效果；
[0189] S5.3.在車(chē)型測(cè)試模塊中使用車(chē)型測(cè)試數(shù)據(jù)來(lái)測(cè)試車(chē)型模型的結(jié)果；
[0190] S5.4.使用真實(shí)跑車(chē)數(shù)據(jù)作為車(chē)型驗(yàn)證數(shù)據(jù)并帶入車(chē)型驗(yàn)證模塊，來(lái)驗(yàn)證車(chē)型模 型的準(zhǔn)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(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)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(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)樸素貝葉斯方法中的一種以上；
[0193] 所述車(chē)型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監(jiān)督學(xué)習(xí)邏輯回 歸方法、Apriori算法、有監(jiān)督學(xué)習(xí)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(chē)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(shí)施例1中的算法或方法相同。
[0196] 實(shí)施例3:
[0197] 具有與實(shí)施例1或2相同的技術(shù)方案，更為具體的是:
[0198] 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
[0199] 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)）。
[0200] 2.驗(yàn)證數(shù)據(jù)集:是用來(lái)做模型選擇(model selection)，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)）。
[0201] 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)）。
[0202] 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。
[0203] 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)處理專業(yè)書(shū)籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0204] 有限沖擊響應(yīng)數(shù)字濾波器(FIR，F(xiàn)inite Impulse Response)是一種全零點(diǎn)的系 統(tǒng)，F(xiàn)IR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：
[0205] 步驟1:濾波器參數(shù)的設(shè)置
[0206] 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；
[0207] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0208] 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)
[0209] 步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0210] 步驟5:保存系數(shù)
[0211] 步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0212]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。
[0213] 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。
[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(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。
[0216] 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。
[0217] 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。
[0218] 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)分類模塊即為 本發(fā)明中的數(shù)據(jù)分類子系統(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)。
[0219] 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分車(chē)型遠(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； 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； 車(chē)型檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)所撞車(chē)型;所述車(chē)型檢測(cè)子系統(tǒng)，對(duì)車(chē)型訓(xùn)練數(shù)據(jù)進(jìn) 行學(xué)習(xí)從而生成車(chē)型模型。2. 如權(quán)利要求1所述的基于人工智能建立分車(chē)型遠(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； 所述車(chē)型檢測(cè)子系統(tǒng)包括，車(chē)型訓(xùn)練模塊、車(chē)型測(cè)試模塊、車(chē)型驗(yàn)證模塊，所述車(chē)型訓(xùn) 練模塊用于將車(chē)型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成車(chē)型模型，車(chē)型測(cè)試模塊用于將車(chē)型測(cè)試數(shù) 據(jù)帶入模型中檢測(cè)車(chē)型模型的結(jié)果，車(chē)型驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證車(chē)型模型的可靠 性和準(zhǔn)確率。3. 如權(quán)利要求1所述的基于人工智能建立分車(chē)型遠(yuǎn)程定損系統(tǒng)，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(jiān)督學(xué)習(xí)邏輯回歸方 法、Apr i or i算法、有監(jiān)督學(xué)習(xí)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(jiān)督學(xué)習(xí)邏輯回歸方 法、Apr i or i算法、有監(jiān)督學(xué)習(xí)樸素貝葉斯方法中的一種以上； 所述車(chē)型模型建立使用K最近鄰分類算法、Softmax回歸方法、半監(jiān)督學(xué)習(xí)邏輯回歸方 法、Apr i or i算法、有監(jiān)督學(xué)習(xí)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(chē)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(hào)】G06F17/50GK106055778SQ201610363934
【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