基于人工智能有監(jiān)督學(xué)習(xí)AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法
【專利摘要】基于人工智能有監(jiān)督學(xué)習(xí)AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法,屬于車輛定損領(lǐng)域，為了解決車輛碰撞后，對(duì)于區(qū)域檢測的問題，技術(shù)要點(diǎn)是：區(qū)域檢測子系統(tǒng),判斷車輛碰撞時(shí)所撞區(qū)域；所述區(qū)域檢測子系統(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，所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí)AdaBoost方法。有益效果：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的區(qū)域檢測，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，在定損過程中，判別的準(zhǔn)確率上得以提升。
【專利說明】
基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域 遠(yuǎn)程定損系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001 ] 本發(fā)明屬于車輛定損領(lǐng)域，涉及一種基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立 不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法。
【背景技術(shù)】
[0002] 針對(duì)車輛在低速運(yùn)動(dòng)(包括低速道路行駛、車輛?？康?過程中頻發(fā)碰撞事故而導(dǎo) 致的理賠糾紛問題，遠(yuǎn)程定損技術(shù)通過采集車輛行駛過程中的多種信號(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 車輛的損毀情況。
[0003] 車輛發(fā)生碰撞事故后，前端設(shè)備能夠檢測出碰撞的發(fā)生并截取碰撞過程的信號(hào)， 通過無線網(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)于車型、工況、目標(biāo)、零件和區(qū)域的檢測。

【發(fā)明內(nèi)容】

[0004] 為了解決車輛碰撞后，對(duì)于區(qū)域檢測的問題，本發(fā)明提出了基于人工智能有監(jiān)督 學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)及方法以實(shí)現(xiàn)定損過程中的區(qū)域檢 測。
[0005] 為了解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案的要點(diǎn)是:包括：
[0006] 車型選擇子系統(tǒng)，選擇車輛所對(duì)應(yīng)的車型數(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)車數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類；
[0008] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(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，所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost 方法；
[0009] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(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，所述工況模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方 法；
[0010] 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測子系統(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，所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方法。
[0011] 有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的區(qū)域檢測，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，在定損過程中，判別的準(zhǔn)確率上得 以提升;本發(fā)明通過選擇車型來導(dǎo)入該車型所對(duì)應(yīng)的數(shù)據(jù)，而數(shù)據(jù)分類則是為了模型訓(xùn)練 和測試的目的而加入的步驟；區(qū)域的檢測是該方案實(shí)現(xiàn)的目的，是經(jīng)過一系列操作所要得 到的結(jié)果。
【附圖說明】
[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] 車型:汽車型號(hào)；
[0016] 目標(biāo):碰撞目標(biāo)；
[0017]區(qū)域:碰撞位置；
[0018] 零件:汽車零件；
[0019] 工況檢測:檢測本車碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0020] 車型檢測:檢測與本車發(fā)生碰撞的汽車型號(hào)；
[0021] 目標(biāo)檢測:檢測本車碰撞目標(biāo)；
[0022] 區(qū)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(shí)施例1:
[0025] 一種基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)， 包括：
[0026] 車型選擇子系統(tǒng)，選擇車輛所對(duì)應(yīng)的車型數(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)車數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類；
[0028] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(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，所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost 方法；
[0029] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(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，所述工況模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方 法；
[0030] 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測子系統(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，所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方法。 [0031 ]所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、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，碰撞測試模塊用于將碰撞測 試數(shù)據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證碰撞模 型的可靠性和準(zhǔn)確率；
[0032]所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、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，所述工況測試模塊用于將工 況測試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證工況模 型的可靠性和準(zhǔn)確率；
[0033]所述區(qū)域檢測子系統(tǒng)包括，區(qū)域訓(xùn)練模塊、區(qū)域測試模塊、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)域測試模塊用于將區(qū)域測 試數(shù)據(jù)帶入模型中檢測區(qū)域模型的結(jié)果，區(qū)域驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證區(qū)域模型的 可靠性和準(zhǔn)確率。
[0034] 所述智能有監(jiān)督學(xué)習(xí) AdaBoost方法包括：
[0035] Sl.初始化所有訓(xùn)練樣例的權(quán)重為1/N，其中N是樣例數(shù)；
[0036] S2.對(duì)于m = 1，……M，m為數(shù)據(jù)量M的起始值，M為樣本編號(hào)；
[0037] a) ·訓(xùn)練弱分類器ym〇，使其最小化權(quán)重誤差函數(shù)(weighted error function):
[0038]
[0039] 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；[0040] b)計(jì)算該弱分類器的話語權(quán)α :
[0044] 其中：α:話語權(quán)，t:參數(shù)，y:弱分類器，X:特征量，exp:指數(shù)函數(shù)，w:權(quán)重，Z為規(guī)范 化因子；
[0041]
[0042]
[0043] 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) AdaBoost方法；
[0056]步驟五.判斷車輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測子系統(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，所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方法。
[0057] 具體步驟是：
[0058] 步驟三包括：
[0059] S3.1.使用碰撞檢測子系統(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)和碰撞測試數(shù)據(jù)；
[0060] 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，來模擬碰撞 訓(xùn)練數(shù)據(jù)的效果；
[0061 ] S3.3.在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果；
[0062] S3.4.使用真實(shí)跑車數(shù)據(jù)作為碰撞驗(yàn)證數(shù)據(jù)并帶入碰撞驗(yàn)證模塊，來驗(yàn)證碰撞模 型的準(zhǔn)確性；
[0063] 步驟四包括：
[0064] S4.1.使用工況檢測子系統(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)和工況測試數(shù)據(jù)；
[0065] 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，來模擬工況 訓(xùn)練數(shù)據(jù)的效果；
[0066] S4.3.在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果；
[0067] S4.4.使用真實(shí)跑車數(shù)據(jù)作為工況驗(yàn)證數(shù)據(jù)并帶入工況驗(yàn)證模塊，來驗(yàn)證工況模 型的準(zhǔn)確性；
[0068] 步驟五包括：
[0069] S5.1.使用區(qū)域檢測子系統(tǒng)對(duì)CAE區(qū)域仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類以產(chǎn)生區(qū)域 訓(xùn)練數(shù)據(jù)和區(qū)域測試數(shù)據(jù)；
[0070] 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，來模擬區(qū)域 訓(xùn)練數(shù)據(jù)的效果；
[0071] S5.3.在區(qū)域測試模塊中使用區(qū)域測試數(shù)據(jù)來測試區(qū)域模型的結(jié)果；
[0072] S5.4.使用真實(shí)跑車數(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，來驗(yàn)證區(qū)域模 型的準(zhǔn)確性。
[0073] 所述智能有監(jiān)督學(xué)習(xí) AdaBoost方法包括：
[0074] Sl.初始化所有訓(xùn)練樣例的權(quán)重為1/N，其中N是樣例數(shù)；
[0075] S2 ·對(duì)于m = 1，……M，m為數(shù)據(jù)量M的起始值，M為樣本編號(hào)；
[0076] a) ·訓(xùn)練弱分類器ym〇，使其最小化權(quán)重誤差函數(shù)(weighted error function):
[0077]
[0078] 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；
[0079] b)計(jì)算該弱分類器的話語權(quán)α:
[0080]
[0081]
[0083] 其中：α:話語權(quán)，t:參數(shù)，y:弱分類器，x:特征量，exp:指數(shù)函數(shù)，w:權(quán)重，Z為規(guī)范 化因子；
[0082]
[0084]
[0085] 其是規(guī)范化因子，使所有w的和為1;
[0086] S3.得到最后的分類器：
[0087]
[0088]其中：α:話語權(quán)，m為數(shù)據(jù)量M的起始值，M為樣本編號(hào)，y:弱分類器，sign:符號(hào)函 數(shù)。
[0089] 實(shí)施例3:具有與實(shí)施例1或2相同的技術(shù)方案，更為具體的是:
[0090] 上述方案中的總體數(shù)據(jù)集:全部是CAE仿真數(shù)據(jù)和跑車數(shù)據(jù);分為三份如下
[0091 ] 1.訓(xùn)練數(shù)據(jù)集:是用來訓(xùn)練模型或確定模型參數(shù)(CAE仿真數(shù)據(jù)和跑車數(shù)據(jù)）。
[0092] 2.驗(yàn)證數(shù)據(jù)集:是用來做模型選擇(model selection)，即做模型的最終優(yōu)化及確 定的(CAE仿真數(shù)據(jù)和跑車數(shù)據(jù)）。
[0093] 3.測試數(shù)據(jù)集:則純粹是為了測試已經(jīng)訓(xùn)練好的模型的推廣能力。（CAE仿真數(shù)據(jù) 和跑車數(shù)據(jù)）。
[0094]本實(shí)施例中還對(duì)定損過程中涉及的濾波、加權(quán)選取、特征提取、歸一化、特征變換 作出了說明。
[0095] 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)書籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0096] 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：
[0097]步驟1:濾波器參數(shù)的設(shè)置
[0098]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；
[0099] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0100] 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)
[0101] 步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0102] 步驟5:保存系數(shù)
[0103] 步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0104]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。
[0105] 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。
[0106] 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。
[0107] 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 征淹沒數(shù)值較小的特征。原始的特征數(shù)據(jù)經(jīng)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(xiàn)更好，使用Z-Score做為歸一化方法。
[0108] 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)降低過多的特征維數(shù)，還能在一定程度上避免過擬合或欠擬合的發(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(xù)特征的逐步增加，不排除以后使用PCA的可能性。
[0109] 附圖1中，記載的：車型選擇即為本發(fā)明中的車型選擇子系統(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)明中的碰撞檢測子系統(tǒng)；工況檢測模 塊即為本發(fā)明的工況檢測子系統(tǒng);車型檢測模塊即為本發(fā)明的車型檢測子系統(tǒng)；零件檢測 模塊即零件檢測子系統(tǒng)；目標(biāo)檢測模塊即為本發(fā)明的目標(biāo)檢測子系統(tǒng)，區(qū)域檢測模塊即為 本發(fā)明的區(qū)域檢測子系統(tǒng)。
[0110] 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
【主權(quán)項(xiàng)】
1. 一種基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損系統(tǒng)，其 特征在于，包括： 車型選擇子系統(tǒng)，選擇車輛所對(duì)應(yīng)的車型數(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)車數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類； 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(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，所述碰撞模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方 法； 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(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，所述工況模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方法； 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時(shí)所撞區(qū)域;所述區(qū)域檢測子系統(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，所述區(qū)域模型建立使用智能有監(jiān)督學(xué)習(xí) AdaBoost方法。2. 如權(quán)利要求1所述的基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn) 程定損系統(tǒng)，其特征在于， 所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、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，碰撞測試模塊用于將碰撞測試數(shù) 據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證碰撞模型的 可靠性和準(zhǔn)確率； 所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、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，所述工況測試模塊用于將工況測 試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證工況模型的 可靠性和準(zhǔn)確率； 所述區(qū)域檢測子系統(tǒng)包括，區(qū)域訓(xùn)練模塊、區(qū)域測試模塊、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)域測試模塊用于將區(qū)域測試數(shù) 據(jù)帶入模型中檢測區(qū)域模型的結(jié)果，區(qū)域驗(yàn)證模塊使用真實(shí)跑車數(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基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程 定損系統(tǒng)，其特征在于，所述智能有監(jiān)督學(xué)習(xí) AdaBoost方法包括：51. 初始化所有訓(xùn)練樣例的權(quán)重為1/N，其中N是樣例數(shù)；52. 對(duì)于m= 1，……M，m為數(shù)據(jù)量Μ的起始值，Μ為樣本編號(hào)； a) .訓(xùn)練弱分類器ym〇，使其最小化權(quán)重誤差函數(shù)(weighted error function):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； b) 計(jì)算該弱分類器的話語權(quán)α:C)更新權(quán)重：其中：α:話語權(quán)，t:參數(shù)，y:弱分類器，X:特征量，exp:指數(shù)函數(shù)，w:權(quán)重，Z為規(guī)范化因 子；其是規(guī)范化因子，使所有w的和為1; S3.得到最后的分類器：其中:α:話語權(quán)，m為數(shù)據(jù)量Μ的起始值，Μ為樣本編號(hào)，y:弱分類器，sign:符號(hào)函數(shù)。4. 一種基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn)程定損方法，其 特征在于，包括以下步驟： 步驟一.選擇車輛所對(duì)應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集； 步驟二.讀取CAE仿真數(shù)據(jù)和實(shí)車數(shù)據(jù)，并相應(yīng)對(duì)數(shù)據(jù)進(jìn)行分類； 步驟三.判斷車輛在行車過程中是否發(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) AdaBoost方法； 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) AdaBoost方法； 步驟五.判斷車輛碰撞時(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) AdaBoost方法。5. 如權(quán)利要求4所述的基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū)域遠(yuǎn) 程定損方法，其特征在于，具體步驟是： 步驟三包括： S3.1.使用碰撞檢測子系統(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)和碰撞測試數(shù)據(jù)； 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，來模擬碰撞訓(xùn)練 數(shù)據(jù)的效果； 53.3. 在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果； 53.4. 使用真實(shí)跑車數(shù)據(jù)作為碰撞驗(yàn)證數(shù)據(jù)并帶入碰撞驗(yàn)證模塊，來驗(yàn)證碰撞模型的 準(zhǔn)確性； 步驟四包括： 54.1. 使用工況檢測子系統(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)和工況測試數(shù)據(jù)； 54.2. 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，來模擬工況訓(xùn)練 數(shù)據(jù)的效果； 54.3. 在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果； 54.4. 使用真實(shí)跑車數(shù)據(jù)作為工況驗(yàn)證數(shù)據(jù)并帶入工況驗(yàn)證模塊，來驗(yàn)證工況模型的 準(zhǔn)確性； 步驟五包括： 55.1. 使用區(qū)域檢測子系統(tǒng)對(duì)CAE區(qū)域仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類以產(chǎn)生區(qū)域訓(xùn)練 數(shù)據(jù)和區(qū)域測試數(shù)據(jù)； 55.2. 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，來模擬區(qū)域訓(xùn)練 數(shù)據(jù)的效果； 55.3. 在區(qū)域測試模塊中使用區(qū)域測試數(shù)據(jù)來測試區(qū)域模型的結(jié)果； 55.4. 使用真實(shí)跑車數(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，來驗(yàn)證區(qū)域模型的 準(zhǔn)確性。6.如權(quán)利要求4或5所述的基于人工智能有監(jiān)督學(xué)習(xí) AdaBoost方法建立不同車型分區(qū) 域遠(yuǎn)程定損方法，其特征在于，所述智能有監(jiān)督學(xué)習(xí) AdaBoost方法包括：51. 初始化所有訓(xùn)練樣例的權(quán)重為1/N，其中N是樣例數(shù)；52. 對(duì)于m= 1，……M，m為數(shù)據(jù)量Μ的起始值，Μ為樣本編號(hào)； a) .訓(xùn)練弱分類器ym〇，使其最小化權(quán)重誤差函數(shù)(weighted error function):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； b) 計(jì)算該弱分類器的話語權(quán)α:c) 更新權(quán)重：其中：α:話語權(quán)，t:參數(shù)，y:弱分類器，X:特征量，exp:指數(shù)函數(shù)，w:權(quán)重，Ζ為規(guī)范化因 子；其是規(guī)范化因子，使所有w的和為1; S3.得到最后的分類器：其中:α:話語權(quán)，m為數(shù)據(jù)量Μ的起始值，Μ為樣本編號(hào)，y:弱分類器，sign:符號(hào)函數(shù)。
【文檔編號(hào)】G06K9/62GK106056153SQ201610365677
【公開日】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