基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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)線性回歸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),判斷車輛碰撞時所撞區(qū)域；所述區(qū)域檢測子系統(tǒng)，對區(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。有益效果：上述技術(shù)方案，可以實(shí)現(xiàn)對于車輛碰撞的區(qū)域檢測，在遠(yuǎn)程定損的這個技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對的機(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)線性回歸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)線性回歸方法建立 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] 針對車輛在低速運(yùn)動(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（如速度、加速度、 角速度、聲音等)并用信號處理和機(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， 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)集對什么零件產(chǎn)生了哪種等級的損傷，然后根據(jù)零件損傷等級計(jì)算出參考理賠金額并發(fā) 送至保險公司。這期間會涉及對于車型、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)線性回歸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 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；
[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；
[0010] 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時所撞區(qū)域;所述區(qū)域檢測子系統(tǒng)，對區(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。
[0011] 有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對于車輛碰撞的區(qū)域檢測，在遠(yuǎn)程定損的這個
技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對的機(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] 為了對本發(fā)明作出更為清楚的解釋，下面對本發(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；
[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；
[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)線性回歸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 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；
[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；
[0030] 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時所撞區(qū)域;所述區(qū)域檢測子系統(tǒng)，對區(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。 [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] 所述有監(jiān)督學(xué)習(xí)線性回歸方法包括：
[0035] Sl.輸入變量X為特征，輸出的預(yù)測值y為目標(biāo)值;擬合的曲線表示為y = h(x);
[0036] S2.輸出ySx的線性函數(shù)，并表示為矩陣形式；
[0037] S3.引入代價函數(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。
[0038]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：
[0039]輸出y為X的線性函數(shù)為：
[0040] he(x) = θ〇+θιχι+θ2Χ2
[0041] Θi為參數(shù)，假定XQ= I，上式表示為矩陣形式：
[0042]
[0043] Θ和X都為列向量，給定某個訓(xùn)練集，引入代價函數(shù)，其定義如下：
[0044]
[0045] η表示特征個數(shù)編號，m表示維數(shù)；
[0046] 通過初始猜測初始化參數(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；
[0047]
[0048] J(0)為代價函數(shù)，j為參數(shù)的下標(biāo)，0j為參數(shù)，α表示學(xué)習(xí)速率；
[0049] 123 2 3 實(shí)施例2:
[0053] 一種基于人工智能有監(jiān)督學(xué)習(xí)線性回歸方法建立不同車型分區(qū)域遠(yuǎn)程定損方法， 包括以下步驟：
[0054]步驟一.選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0055]步驟二.讀取CAE仿真數(shù)據(jù)和實(shí)車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0056]步驟三.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； [0057]步驟四.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；
[0058]步驟五.判斷車輛碰撞時所撞區(qū)域;所述區(qū)域檢測子系統(tǒng)，對區(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。
[0059] 具體步驟是：
[0060] 步驟三包括：
[0061 ] S3.1.使用碰撞檢測子系統(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進(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)；
[0062] S3.2.在碰撞訓(xùn)練模塊中對碰撞訓(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；
[0063] 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；
[0064] 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；
[0065] 步驟四包括：
[0066] S4.1.使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進(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)；
[0067] S4.2.在工況訓(xùn)練模塊中對工況訓(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；
[0068] 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；
[0069] 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；
[0070] 步驟五包括：
[0071] S5.1.使用區(qū)域檢測子系統(tǒng)對CAE區(qū)域仿真數(shù)據(jù)處理，再對其進(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)；
[0072] S5.2.在區(qū)域訓(xùn)練模塊中對區(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；
[0073] 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；
[0074] 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。
[0075]所述有監(jiān)督學(xué)習(xí)線性回歸方法包括：
[0076] Sl.輸入變量X為特征，輸出的預(yù)測值y為目標(biāo)值;擬合的曲線表示為y = h(x);
[0077] S2.輸出y為X的線性函數(shù)，并表示為矩陣形式；
[0078] S3.引入代價函數(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。
[0079]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：
[0080] 輸出y為X的線性函數(shù)為：
[0081] he(x) = θ〇+θιχι+θ2Χ2
[0082] Θi為參數(shù)，假定XQ= I，上式表示為矩陣形式：
[0083]
[0084] Θ和X都為列向量，給定某個訓(xùn)練集，引入代價函數(shù)，其定義如下：
[0085]
[0086] η表示特征個數(shù)編號，m表示維數(shù)；
[0087]通過初始猜測初始化參數(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；
[0088:
[0089：
[0090:
[0091：
[0092:
[0093] 實(shí)施例3:
[0094] 本實(shí)施例對實(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，線性回歸是利用稱為線性回歸方程的最小二乘函數(shù)對 一個或多個自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析?；貧w問題的目標(biāo)是給定D 維輸入變量X，并且每一個輸入矢量X都有對應(yīng)的值y，要求對于新來的數(shù)據(jù)預(yù)測它對應(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數(shù)據(jù)，y指的是損傷等級標(biāo) 簽/工況標(biāo)簽/碰撞標(biāo)簽。
[0095] 上述學(xué)習(xí)過程中的常用術(shù)語: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。
[0096] 為了利用監(jiān)督學(xué)習(xí)，我們需要決定函數(shù)h的形式。作為一個初始選擇，我們可以假 定輸出y為X的線性函數(shù)。即：
[0097] he(x) = θ〇+θιχι+θ2Χ2
[0098] 這里，為參數(shù)，也稱為權(quán)值(weights)。我們假定=1。因此上述可以表示為矩陣形 式：
[0099]
[0100] 上式中η表示輸入變量的個數(shù)，和都為列向量。通過上面的數(shù)學(xué)表述，也就說說，給 定某個訓(xùn)練集后，我們的工作就是如何選擇或者說學(xué)習(xí)參數(shù)Θ 了。為了定義預(yù)測輸出與相 應(yīng)真實(shí)輸出值之間的差異，接下來我們引入代價函數(shù)(costfunction)，其定義如下：
[0101]
[0102]我們的目標(biāo)是，通過選擇參數(shù)Θ的取值，盡可能的使得上述代價函數(shù)的值最小?？?以首先通過初始猜測（initialguess)來初始化參數(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)行如下公式來更新Θ的值。
[0103]
[0104] 這里，α表示學(xué)習(xí)速率(learningrate)。值得一提的是，α取值太小會使得最終匯聚 很緩慢，即梯度下降很慢，而取值太大，會使得最終匯聚很快，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。接下來我們需要關(guān)心的是最 右邊的那個偏導(dǎo)數(shù)的求解，對于上述我們的例子，我們可以得到：
[0105]
[0106]
[0107]
[0108] 上式就是我們所熟知的最小均方(Leastmeansquares，LMS)更新規(guī)則，或者也稱作 Widrow-Hoff學(xué)習(xí)規(guī)則。通過上式我們可以看到更新的幅度正比于誤差項(xiàng)（括號中的那一 項(xiàng)，它表示真實(shí)值和預(yù)測值之間的差異)的值。
[0109] 上面我們得到的只是對于一個訓(xùn)練集實(shí)例的關(guān)系式，對于多個訓(xùn)練集實(shí)例的情況 下，我們還需要對上式做出一點(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。
[0110] 對于批梯度下降，其算法為：
[0111]
[0112]
[0113]
[0114] 也矸乍一有卜，漢有莧得二有有忭么兇別，m頭M則個然。對于批梯度下降算法， 它在每一次更新上都要搜索真?zhèn)€訓(xùn)練數(shù)據(jù)集;而對于統(tǒng)計(jì)梯度下降算法，針對每一個訓(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)。所以通常我們都會選擇統(tǒng)計(jì)梯度下降 算法。
[0115] 通過運(yùn)行上述算法，我們可以得到找到參數(shù)Θ的值來滿足給定的訓(xùn)練集。得到該函 數(shù)h后，對于新加入的實(shí)例，我們就可以對其輸出值做一個預(yù)測。有一個地方值得注意的是， 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)的時候應(yīng)該對這種情況加以考慮。
[0116] 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:
[0117] 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
[0118] 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)）。
[0119] 2.驗(yàn)證數(shù)據(jù)集:是用來做模型選擇(model select ion)，即做模型的最終優(yōu)化及確 定的(CAE仿真數(shù)據(jù)和跑車數(shù)據(jù)）。
[0120] 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)）。
[0121] 本實(shí)施例中還對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。
[0122] 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。
[0123] 有限沖擊響應(yīng)數(shù)字濾波器(FIR，F(xiàn)initeImpulseResponse)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 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：
[0124] 步驟1:濾波器參數(shù)的設(shè)置
[0125] 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；
[0126] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0127] 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)
[0128] 步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0129] 步驟5:保存系數(shù)
[0130] 步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0131]其中：濾波器參數(shù)的設(shè)置是為了保證信號在進(jìn)行處理的過程中不會出現(xiàn)失真現(xiàn) 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(xiàn)漏頻現(xiàn)象。根據(jù)目前項(xiàng)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(jù)公式F#±〈50/2,故選擇濾波器截止 頻率在25以下。
[0132] 2.特征提取技術(shù):特征抽取是在碰撞信號上進(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)斜率的絕對值的平均 值。
[0133]
[0134] 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)斜率的絕對值的平均值、信號進(jìn)行傅立葉變換后〇~38頻率范圍內(nèi)的信號的各個 頻率分量的幅值。
[0135] 3.歸一化技術(shù):為了消除特征之間的量綱或數(shù)量級不同而對分類任務(wù)造成的不利 影響，需要對特征數(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。
[0136] 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。
[0137] 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)。
[0138] 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. 一種基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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； 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； 區(qū)域檢測子系統(tǒng)，判斷車輛碰撞時所撞區(qū)域;所述區(qū)域檢測子系統(tǒng)，對區(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。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)線性回歸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)線性回歸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，所述有監(jiān)督學(xué)習(xí)線性回歸方法包括：51. 輸入變量x為特征，輸出的預(yù)測值y為目標(biāo)值;擬合的曲線表示為y = h(x);52. 輸出ySx的線性函數(shù)，并表示為矩陣形式；53. 引入代價函數(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。4. 如權(quán)利要求3基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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： 輸出y為x的線性函數(shù)為： he(x) = 9〇+9ixi+92X2 0i為參數(shù)，假定x〇=l，上式表示為矩陣形式：9和x都為列向量，給定某個訓(xùn)練集，引入代價函數(shù)，其定義如下：n表示特征個數(shù)編號，m表示維數(shù)； 通過初始猜測初始化參數(shù)9,然后不斷改變參數(shù)9的值，使得參數(shù)J(9)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)9后，重復(fù)執(zhí)行下述更新等式，以更新 參數(shù)Q的值；J(9)為代價函數(shù)，j為參數(shù)的下標(biāo)，9 j為參數(shù)，a表示學(xué)習(xí)速率；由此，更新等式簡化為：5. -種基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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； 步驟四.判斷碰撞發(fā)生的所有工況信息;對工況訓(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； 步驟五.判斷車輛碰撞時所撞區(qū)域;對區(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。6. 如權(quán)利要求5所述的基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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CAE碰撞仿真數(shù)據(jù)處理，再對其進(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CAE工況仿真數(shù)據(jù)處理，再對其進(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CAE區(qū)域仿真數(shù)據(jù)處理，再對其進(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。7. 如權(quán)利要求5或6所述的基于人工智能有監(jiān)督學(xué)習(xí)線性回歸方法建立不同車型分區(qū) 域遠(yuǎn)程定損方法，其特征在于，所述有監(jiān)督學(xué)習(xí)線性回歸方法包括：51. 輸入變量x為特征，輸出的預(yù)測值y為目標(biāo)值;擬合的曲線表示為y = h(x);52. 輸出ySx的線性函數(shù)，并表示為矩陣形式；53. 引入代價函數(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。8. 如權(quán)利要求6基于人工智能有監(jiān)督學(xué)習(xí)線性回歸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： 輸出y為x的線性函數(shù)為： he(x) = 9〇+9ixi+92X2 0i為參數(shù)，假定x〇=l，上式表示為矩陣形式：9和x都為列向量，給定某個訓(xùn)練集，引入代價函數(shù)，其定義如下：n表示特征個數(shù)編號，m表示維數(shù)； 通過初始猜測初始化參數(shù)9,然后不斷改變參數(shù)9的值，使得參數(shù)J(9)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)9后，重復(fù)執(zhí)行下述更新等式，以更新 參數(shù)Q的值；J(9)為代價函數(shù)，j為參數(shù)的下標(biāo)，9 j為參數(shù)，a表示學(xué)習(xí)速率；
【文檔編號】G06F17/50GK106055776SQ201610363586
【公開日】2016年10月26日
【申請日】2016年5月27日
【發(fā)明人】田雨農(nóng), 劉俊俍
【申請人】大連樓蘭科技股份有限公司