基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損系統(tǒng)及方法
【專利摘要】基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損系統(tǒng)及方法,屬于車輛定損領域,為了解決車輛碰撞后，對于工況的檢測的問題，技術要點是：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)對工況訓練數(shù)據(jù)進行學習從而生成工況模型，所述工況模型建立使用有監(jiān)督學習線性回歸方法。效果是：上述技術方案，可以實現(xiàn)對于車輛碰撞的工況檢測，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】
基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況 遠程定損系統(tǒng)及方法
技術領域
[0001] 本發(fā)明屬于車輛定損領域，涉及一種基于人工智能有監(jiān)督學習線性回歸方法建立 不同車型分工況遠程定損系統(tǒng)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(fā)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(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， 通過無線網絡發(fā)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(shù)據(jù)的準確性，再判斷碰撞物體和工況情況，以確定碰撞數(shù) 據(jù)集對什么零件產生了哪種等級的損傷，然后根據(jù)零件損傷等級計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、零件和區(qū)域的檢測。

【發(fā)明內容】

[0004] 為了解決車輛碰撞后，對于工況檢測的問題，本發(fā)明提出了基于人工智能有監(jiān)督 學習線性回歸方法建立不同車型分工況遠程定損系統(tǒng)及方法，以實現(xiàn)定損過程中的工況檢 測 。
[0005] 為了解決上述技術問題，本發(fā)明提供的技術方案的要點是:包括：
[0006] 車型選擇子系統(tǒng)，選擇車輛所對應的車型數(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)和實車數(shù)據(jù)，并相應對數(shù)據(jù)進行分類；
[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 碰撞訓練數(shù)據(jù)進行學習從而生成碰撞模型，所述碰撞模型建立使用有監(jiān)督學習線性回歸方 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 練數(shù)據(jù)進行學習從而生成工況模型，所述工況模型建立使用有監(jiān)督學習線性回歸方法。
[0010] 有益效果:上述技術方案，可以實現(xiàn)對于車輛碰撞的工況檢測，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(fā)明通過選擇車型來導入該車型所對應的數(shù)據(jù)，而數(shù)據(jù)分類則是為了模型訓練 和測試的目的而加入的步驟;工況的檢測是該方案實現(xiàn)的目的，是經過一系列操作所要得 到的結果。
【附圖說明】
[0011] 圖1為本發(fā)明所述的系統(tǒng)的結構示意框圖。
【具體實施方式】
[0012] 為了對本發(fā)明作出更為清楚的解釋，下面對本發(fā)明涉及的技術術語作出定義：
[0013] 工況:碰撞角度、方向、目標、區(qū)域等全體碰撞信息；
[0014] 車型:汽車型號；
[0015] 目標:碰撞目標；
[0016] 區(qū)域:碰撞位置；
[0017] 零件:汽車零件；
[0018] 工況檢測:檢測本車碰撞角度、方向、目標、區(qū)域等全體碰撞信息；
[0019] 車型檢測:檢測與本車發(fā)生碰撞的汽車型號；
[0020] 目標檢測:檢測本車碰撞目標；
[0021] 區(qū)域檢測:檢測本車碰撞位置；
[0022] 零件檢測:檢測本車汽車零件。
[0023] 實施例1:
[0024] 一種基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損系統(tǒng)， 包括：
[0025] 車型選擇子系統(tǒng)，選擇車輛所對應的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0026] 數(shù)據(jù)分類子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應對數(shù)據(jù)進行分類；
[0027] 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 碰撞訓練數(shù)據(jù)進行學習從而生成碰撞模型，所述碰撞模型建立使用有監(jiān)督學習線性回歸方 法；
[0028] 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 練數(shù)據(jù)進行學習從而生成工況模型，所述工況模型建立使用有監(jiān)督學習線性回歸方法。
[0029] 所述碰撞檢測子系統(tǒng)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)驗證碰撞模 型的可靠性和準確率；
[0030] 所述工況檢測子系統(tǒng)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)驗證工況模 型的可靠性和準確率。
[0031] 所述有監(jiān)督學習線性回歸方法包括：
[0032] Sl.輸入變量X為特征，輸出的預測值y為目標值;擬合的曲線表示為y = h(X);
[0033] S2.輸出y為X的線性函數(shù)，并表示為矩陣形式；
[0034] S3.引入代價函數(shù)，使用梯度下降算法，在初始化學習參數(shù)后，重復更新學習參數(shù) 的值，以得到最小方更新規(guī)則。
[0035]所述的梯度下降算法為:批梯度下降和/或統(tǒng)計梯度下降。
[0036]進一步，上述方法具體為：
[0037]輸出y為X的線性函數(shù)為：
[0038]
[0039] 這里，0i為參數(shù)，n為梯度值，我們假定XQ=1，上式表示為矩陣形式：
[0040]
[0041] Θ和X都為列向量，m為梯度值，給定某個訓練集，引入代價函數(shù)，其定義
[0042] 如下：
[0043]
[0044] 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，重復執(zhí)行下述更新等式，以 更新參數(shù)Θ的值，J(Θ)為代價函數(shù)，j為參數(shù)的下標，Θ j為參數(shù)(請見上面h(X)函數(shù)解釋）；
[0045]
[0046]
[0047]
[0048]
[0049]
[0050] 實施例2:
[0051] -種基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損方法， 包括以下步驟：
[0052]步驟一.選擇車輛所對應的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0053]步驟二.讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應對數(shù)據(jù)進行分類；
[0054]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)對碰撞訓練 數(shù)據(jù)進行學習從而生成碰撞模型，所述碰撞模型建立使用有監(jiān)督學習線性回歸方法；
[0055] 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)對工況訓練數(shù)據(jù)進 行學習從而生成工況模型，所述工況模型建立使用有監(jiān)督學習線性回歸方法。
[0056] 具體步驟是：
[0057] 步驟三包括：
[0058] S3.1.使用碰撞檢測子系統(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進行分類以產生碰撞 訓練數(shù)據(jù)和碰撞測試數(shù)據(jù)；
[0059] S3.2.在碰撞訓練模塊中對碰撞訓練數(shù)據(jù)進行學習并產生碰撞模型，來模擬碰撞 訓練數(shù)據(jù)的效果；
[0060] 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果；
[00611 S3.4.使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模 型的準確性；
[0062] 步驟四包括：
[0063] S4.1.使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進行分類產生工況訓 練數(shù)據(jù)和工況測試數(shù)據(jù)；
[0064] S4.2.在工況訓練模塊中對工況訓練數(shù)據(jù)進行學習并產生工況模型，來模擬工況 訓練數(shù)據(jù)的效果；
[0065] 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果；
[0066] S4.4.使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模 型的準確性。
[0067]所述有監(jiān)督學習線性回歸方法包括：
[0068] Sl.輸入變量X為特征，輸出的預測值y為目標值;擬合的曲線表示為y = h(x);
[0069] S2.輸出ySx的線性函數(shù)，并表示為矩陣形式；
[0070] S3.引入代價函數(shù)，使用梯度下降算法，在初始化學習參數(shù)后，重復更新學習參數(shù) 的值，以得到最小方更新規(guī)則。
[0071] 所述的梯度下降算法為:批梯度下降和/或統(tǒng)計梯度下降。
[0072]進一步，上述方法具體為：
[0073]輸出y為X的線性函數(shù)為：
[0074] he(x) = θ〇+θιχι+θ2Χ2
[0075] 這里，0i為參數(shù)，η為梯度值，我們假定XQ=1，上式表示為矩陣形式：
[0076]
[0077] Θ和X都為列向量，m為梯度值，給定某個訓練集，引入代價函數(shù)，其定義如下：
[0078]
[0079] 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，重復執(zhí)行下述更新等式，以 更新參數(shù)Θ的值，J(Θ)為代價函數(shù)，j為參數(shù)的下標，Θ j為參數(shù)(請見上面h(X)函數(shù)解釋）；
[0083] 由此，更新等式簡化為：
[0080]
[0081]
[0082]
[0084]
[0085] 實施例3:
[0086] 作為實施例1或2的補充，使用有監(jiān)督學習之線性回歸方法，在統(tǒng)計學中，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系進行建 模的一種回歸分析?；貧w問題的目標是給定D維輸入變量X，并且每一個輸入矢量X都有對應 的值y，要求對于新來的數(shù)據(jù)預測它對應的連續(xù)的目標值t。在本系統(tǒng)中，X指的是經預處理 模塊提取出的信號數(shù)據(jù)，y指的是損傷等級標簽/工況標簽/碰撞標簽。
[0087] 上述學習過程中的常用術語:總體的數(shù)據(jù)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。
[0088] 為了利用監(jiān)督學習，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：
[0089] he(x) = θ〇+θιχι+θ2Χ2
[0090] 這里，為參數(shù)，也稱為權值(weights)。我們假定=1。因此上述可以表示為矩陣形 式：
[0091]
[0092] 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)學表述，也就說說，給 定某個訓練集后，我們的工作就是如何選擇或者說學習參數(shù)Θ了。為了定義預測輸出與相應 真實輸出值之間的差異，接下來我們引入代價函數(shù)(costfunction)，其定義如下：
[0093]
[0094]我們的目標是，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
[0095] 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 復執(zhí)行如下公式來更新Θ的值。
[0096]
[0097] 這里，α表示學習速率(Iearningrate)。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。接下來我們需要關心的是最 右邊的那個偏導數(shù)的求解，對于上述我們的例子，我們可以得到：
[0098]
[0099] 所以前面的更新等式可以簡化為：
[0100]
[0101 ] 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學習規(guī)則。通過上式我們可以看到更新的幅度正比于誤差項（括號中的那一 項，它表示真實值和預測值之間的差異)的值。
[0102] 上面我們得到的只是對于一個訓練集實例的關系式，對于多個訓練集實例的情況 下，我們還需要對上式做出一點修改，有兩種方法：（1 )批梯度下降 (batchgradientdescent); (2)統(tǒng)計梯度下降（stochasticgradientdescent)。這里先給出 二者的算法步驟。
[0103] 對于批梯度下降，其算法為：
[0104]
[0105]
[0106]
[0107] 也許乍一看下，沒有覺得二者有什么區(qū)別，而實質則不然。對于批梯度下降算法， 它在每一次更新上都要搜索真?zhèn)€訓練數(shù)據(jù)集;而對于統(tǒng)計梯度下降算法，針對每一個訓練 集的單一實例，它都做出更新，即可以立刻做出反應。所以通常我們都會選擇統(tǒng)計梯度下降 算法。
[0108] 通過運行上述算法，我們可以得到找到參數(shù)Θ的值來滿足給定的訓練集。得到該函 數(shù)h后，對于新加入的實例，我們就可以對其輸出值做一個預測。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，但實際上，靠近該值Θ的已 經可以滿足要求了。所以在程序實現(xiàn)的時候應該對這種情況加以考慮。
[0109] 實施例4:具有與實施例1或2或3相同的技術方案，更為具體的是:
[0110] 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
[0111] 1.訓練數(shù)據(jù)集:是用來訓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)）。
[0112] 2.驗證數(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)）。
[0113] 3.測試數(shù)據(jù)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(shù)據(jù) 和跑車數(shù)據(jù)）。
[0114] 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。
[0115] 1.濾波器技術：已實現(xiàn)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(xiàn)。各濾波器均為常見的濾波器， Matlab都有相應的函數(shù)實現(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 內容和流程的介紹。
[0116] 有限沖擊響應數(shù)字濾波器(FIR，F(xiàn)initeImpulseResponse)是一種全零點的系統(tǒng)， 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(jù)有穩(wěn)定和線性相位特性是FIR濾波器的突出優(yōu)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(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，其設計的主要步驟如下：
[0117] 步驟1:濾波器參數(shù)的設置
[0118] 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；
[0119] 步驟2:設置在通帶和阻帶上理想的幅頻響應
[0120] 步驟3:給定在通帶截止頻率和阻帶截止頻率點上的加權
[0121] 步驟4:利用方程計算切比雪夫逼近法濾波器系數(shù)
[0122] 步驟5:保存系數(shù)
[0123] 步驟6:提取系數(shù)進行數(shù)據(jù)濾波
[0124] 其中：濾波器參數(shù)的設置是為了保證信號在進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。
[0125] 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(shù)）、窗口內各點斜率的絕對值的平均 值。
[0126]
[0127] 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。
[0128] 3.歸一化技術:為了消除特征之間的量綱或數(shù)量級不同而對分類任務造成的不利 影響，需要對特征數(shù)據(jù)進行歸一化處理，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。
[0129] 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(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)實際需要，目前已實現(xiàn)的特征變換是PCA。通過實驗發(fā)現(xiàn)，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(xù)特征的逐步增加，不排除以后使用PCA的可能性。
[0130]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)；目標檢測模塊即為本發(fā)明的目標檢測子系統(tǒng)，區(qū)域檢測模塊即為 本發(fā)明的區(qū)域檢測子系統(tǒng)。
[0131]以上所述，僅為本發(fā)明創(chuàng)造較佳的【具體實施方式】，但本發(fā)明創(chuàng)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(fā)明創(chuàng)造披露的技術范圍內，根據(jù)本發(fā)明 創(chuàng)造的技術方案及其發(fā)明構思加以等同替換或改變，都應涵蓋在本發(fā)明創(chuàng)造的保護范圍之 內。
【主權項】
1. 一種基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損系統(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)和實車數(shù)據(jù)，并相應對數(shù)據(jù)進行分類； 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 訓練數(shù)據(jù)進行學習從而生成碰撞模型，所述碰撞模型建立使用有監(jiān)督學習線性回歸方法； 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)對工況訓練數(shù) 據(jù)進行學習從而生成工況模型，所述工況模型建立使用有監(jiān)督學習線性回歸方法。2. 如權利要求1所述的基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠 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(shù)據(jù)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(shù) 據(jù)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(shù)據(jù)驗證碰撞模型的 可靠性和準確率； 所述工況檢測子系統(tǒng)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)驗證工況模型的 可靠性和準確率。3. 如權利要求1或2基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程 定損系統(tǒng)，其特征在于，所述有監(jiān)督學習線性回歸方法，包括：51. 輸入變量X為特征，輸出的預測值y為目標值;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，在初始化學習參數(shù)后，重復更新學習參數(shù)的值， 以得到最小方更新規(guī)則。4. 如權利要求3所述的基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠 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)計梯度下降，所述有監(jiān)督 學習線性回歸方法的具體算法是： 輸出y為X的線性函數(shù)為： he(x) = θ〇+θιχι+θ2Χ2 Θ i為參數(shù)，η為梯度值，假定χο = 1，上式表示為矩陣形式：Θ和X都為列向量，m為梯度值，給定某個訓練集，引入代價函數(shù)，其定義如下：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，重復執(zhí)行下述更新等式，以更新 參數(shù)Θ的值，J (Θ)為代價函數(shù)，j為參數(shù)的下標，Θ j為參數(shù)；5. -種基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠程定損方法，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)和實車數(shù)據(jù)，并相應對數(shù)據(jù)進行分類； 步驟三.判斷車輛在行車過程中是否發(fā)生碰撞;對碰撞訓練數(shù)據(jù)進行學習從而生成碰 撞模型，所述碰撞模型建立使用有監(jiān)督學習線性回歸方法； 步驟四.判斷碰撞發(fā)生的所有工況信息;對工況訓練數(shù)據(jù)進行學習從而生成工況模型， 所述工況模型建立使用有監(jiān)督學習線性回歸方法。6. 如權利要求5所述的基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠 程定損方法，其特征在于，具體步驟是： 步驟三包括： 53.1. 使用碰撞檢測子系統(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進行分類以產生碰撞訓練 數(shù)據(jù)和碰撞測試數(shù)據(jù)； S3.2 .在碰撞訓練模塊中對碰撞訓練數(shù)據(jù)進行學習并產生碰撞模型，來模擬碰撞訓練 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果； 53.4. 使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模型的 準確性； 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，再對其進行分類產生工況訓練數(shù) 據(jù)和工況測試數(shù)據(jù)； 54.2. 在工況訓練模塊中對工況訓練數(shù)據(jù)進行學習并產生工況模型，來模擬工況訓練 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果； 54.4. 使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模型的 準確性。7. 如權利要求5或6所述的基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工 況遠程定損方法，其特征在于，所述有監(jiān)督學習線性回歸方法包括： si.輸入變量X為特征，輸出的預測值y為目標值;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，在初始化學習參數(shù)后，重復更新學習參數(shù)的值， 以得到最小方更新規(guī)則。8.如權利要求7所述的基于人工智能有監(jiān)督學習線性回歸方法建立不同車型分工況遠 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)計梯度下降，所述有監(jiān)督 學習線性回歸方法的具體算法是： 輸出y為X的線性函數(shù)為： he(x) = θ〇+θιχι+θ2Χ2 Θ i為參數(shù)，η為梯度值，假定χο = 1上式表示為矩陣形式：Θ和X都為列向量，m為梯度值，給定某個訓練集，引入代價函數(shù)，其定義如下：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，重復執(zhí)行下述更新等式，以更新 參數(shù)Θ的值，J (Θ)為代價函數(shù)，j為參數(shù)的下標，Θ j為參數(shù)；α表示學習速率由此，更新等式簡化為：
【文檔編號】G06K9/62GK106056140SQ201610363447
【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, 劉俊俍
【申請人】大連樓蘭科技股份有限公司