基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn)程定損系統(tǒng)及方法
【專利摘要】基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(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，對于工況的檢測的問題，技術(shù)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(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無監(jiān)督學(xué)習(xí)主成分分析方法。效果是：上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的工況檢測，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】
基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工 況遠(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無監(jiān)督學(xué)習(xí)主成分分析方法建 立不同車型分工況遠(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，對于工況檢測的問題，本發(fā)明提出了基于人工智能無監(jiān)督 學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn)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(shù)問題，本發(fā)明提供的技術(shù)方案的要點是: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無監(jiān)督學(xué)習(xí)主成分分析 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無監(jiān)督學(xué)習(xí)主成分分析方法。
[0010] 有益效果:上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的工況檢測，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;工況的檢測是該方案實現(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】
[0011] 圖1為本發(fā)明所述的系統(tǒng)的結(jié)構(gòu)示意框圖；
[0012]圖2為數(shù)據(jù)變化方向圖；
[0013]圖3為樣本數(shù)據(jù)變換坐標(biāo)示意圖；
[0014]圖4為重構(gòu)數(shù)據(jù)的點圖。
【具體實施方式】
[0015] 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：
[0016] 工況:碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0017] 車型:汽車型號；
[0018] 目標(biāo):碰撞目標(biāo)；
[0019] 區(qū)域:碰撞位置；
[0020] 零件:汽車零件；
[0021] 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；
[0022] 車型檢測:檢測與本車發(fā)生碰撞的汽車型號；
[0023]目標(biāo)檢測:檢測本車碰撞目標(biāo)；
[0024]區(qū)域檢測:檢測本車碰撞位置；
[0025]零件檢測:檢測本車汽車零件。
[0026] 實施例1:
[0027] 一種基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn)程定損系 統(tǒng)，包括：
[0028]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；
[0029]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(yīng)對數(shù)據(jù)進(jìn)行分類；
[0030] 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無監(jiān)督學(xué)習(xí)主成分分析 方法；
[0031] 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無監(jiān)督學(xué)習(xí)主成分分析方法。 [0032]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(zhǔn)確率；
[0033]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(zhǔn)確率。
[0034]所述無監(jiān)督學(xué)習(xí)主成分分析方法：
[0035]步驟1.表示數(shù)據(jù)集；
[0036]步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)；
[0037]步驟3.數(shù)據(jù)降維數(shù)；
[0038]步驟4.還原近似數(shù)據(jù)；
[0039] 步驟5.選擇主成分個數(shù)。
[0040] 上述方法具體為：
[0041]步驟1.表示數(shù)據(jù)集：
[0042] 數(shù)據(jù)集表示為{χω，χ(2\ . . .，χω}，計算出矩陣Σ，
[0043]
[0044]假設(shè)X的均值為零，Σ是X的協(xié)方差矩陣，m為梯度值；
[0045] 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)，得旋轉(zhuǎn)數(shù)據(jù)
為數(shù)據(jù)變化方向，運算U1X表示旋轉(zhuǎn)到基Ui,U2, ...，un之上的訓(xùn)練數(shù)據(jù)，η為 基的個數(shù)；
[0046] 步驟3.數(shù)據(jù)降維數(shù):把數(shù)據(jù)霉€降到k維表示企€ ，選取Xm的前k個成分， 分別對應(yīng)前k個數(shù)據(jù)變化的主方向，念:是&。*的最后n-k個元素被置0所得的近似表示；
[0047] 步驟4.還原近似數(shù)據(jù):使X = Uxrot;
[0048] 步驟5.選擇主成分個數(shù):設(shè)&，\2, ...，λη表示Σ的特征值，使得λ」為對應(yīng)于特征向 量1^的特征值。那么如果我們保留前k個成分，則保留的方差百分比可計算為：
[0049]
[0050] 實施例2:
[0051] -種基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn)程定損方 法，包括以下步驟：
[0052] 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；
[0053] 步驟二.讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)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(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無監(jiān)督學(xué)習(xí)主成分分析方法；
[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(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無監(jiān)督學(xué)習(xí)主成分分析方法。
[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(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)；
[0059] 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；
[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(jié)果；
[0061 ] 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(zhǔn)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(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)；
[0064] 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；
[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(jié)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(zhǔn)確性。
[0067]所述無監(jiān)督學(xué)習(xí)主成分分析方法：
[0068]步驟1.表示數(shù)據(jù)集；
[0069] 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)；
[0070] 步驟3.數(shù)據(jù)降維數(shù)；
[0071]步驟4.還原近似數(shù)據(jù)；
[0072]步驟5.選擇主成分個數(shù)。
[0073]上述方法具體為：
[0074]步驟1.表示數(shù)據(jù)集：
[0075] 數(shù)據(jù)集表示為{χω，χ(2\ . . .，xW}，計算出矩陣Σ，
[0076]
[0077]假設(shè)X的均值為零，Σ是X的協(xié)方差矩陣，m為梯度值；
[0078] 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)，得旋轉(zhuǎn)數(shù)據(jù)
U為數(shù)據(jù)變化方向，運算U1X表示旋轉(zhuǎn)到基Ui,U2, ...，un之上的訓(xùn)練數(shù)據(jù)，η為 基的個數(shù)；
[0079] 步驟3.數(shù)據(jù)降維數(shù):把數(shù)據(jù)：€ IT降到k維表示I € ，選取Xrot的前k個成分， 分別對應(yīng)前k個數(shù)據(jù)變化的主方向，全是Xrcit的最后n-k個元素被置0所得的近似表示；
[0080] 步驟4.還原近似數(shù)據(jù):使X -UXrot ；
[0081] 步驟5.選擇主成分個數(shù):設(shè)&，\2, ...，λη表示Σ的特征值，使得λ」為對應(yīng)于特征向 量1^的特征值。那么如果我們保留前k個成分，則保留的方差百分比可計算為：
[0082]
[0083] 實施例3:
[0084] 對實施例1和2的技術(shù)方案作進(jìn)一步補充，使用無監(jiān)督學(xué)習(xí)之主成分分析方法，該 方法是主成分分析(PCA)更像是一個預(yù)處理的方法，它可以將原本的數(shù)據(jù)降低維度，而使得 降低了維度的數(shù)據(jù)之間的方差最大。
[0085] 有些時候我們會考慮減少方差(比如說訓(xùn)練模型的時候，我們會考慮到方差-偏差 的均衡），有的時候我們會盡量的增大方差。從實踐來說，通過盡量增大投影方差的PCA算 法，確實可以提高我們的算法質(zhì)量。
[0086] 步驟1.在我們使用數(shù)據(jù)的過程中，數(shù)據(jù)集表示為{^^^...，^，，維度肝之即 氣假設(shè)我們想把數(shù)據(jù)從2維降到1維。使得每個特征Xi和X2具有相同的均值(零)和 方差。為方便展示，根據(jù)^值的大小，我們將每個點分別涂上了三種顏色之一，但該顏色并 不用于算法而僅用于圖解。
[0087] PCA算法將尋找一個低維空間來投影我們的數(shù)據(jù)。m是數(shù)據(jù)變化的主方向，而1!2是 次方向。
[0088] 也就是說，數(shù)據(jù)在m方向上的變化要比在U2方向上大。為更形式化地找出方向m和 U2，我們首先計算出矩陣Σ，如下所示：
[0089]
[0090] 假設(shè)X的均值為零，那么Σ就是X的協(xié)方差矩陣。（符號Σ，讀"Sigma"，是協(xié)方差矩 陣的標(biāo)準(zhǔn)符號。雖然看起來與求和符?
I比較像，但它們其實是兩個不同的概念。）
[0091] 步驟2.旋轉(zhuǎn)數(shù)據(jù)。至此，我們可以把X用(m，U2)基表達(dá)為：
[0092]
[0093] 對數(shù)據(jù)集中的每個樣本i分別進(jìn)行旋$
然后把變換后 的數(shù)據(jù)Xrot顯示在坐標(biāo)圖上，可得：
[0094] 這就是把訓(xùn)練數(shù)據(jù)集旋轉(zhuǎn)到m，U2基后的結(jié)果。一般而言，運算UtX表示旋轉(zhuǎn)到基 U1，U2,...，un之上的訓(xùn)練數(shù)據(jù)。矩陣U有正交性，即滿足UtU = UUt=I,所以若想將旋轉(zhuǎn)后的向 量Xrot還原為原始數(shù)據(jù)X，將其左乘矩陣U即可:x = Uxrc)t，驗算一下:Uxr〇t = UUTx = x。
[0095] 步驟3.數(shù)據(jù)降維數(shù)。數(shù)據(jù)的主方向就是旋轉(zhuǎn)數(shù)據(jù)的第一維Xrcit,1<3因此，若想把這數(shù) 據(jù)降到一維，可今，
[0096]
[0097] 更一般的，假如想把數(shù)據(jù)：€說'&降到k維表示f (令k<n)，只需選取x-t的 前k個成分，分別對應(yīng)前k個數(shù)據(jù)變化的主方向。
[0098] 步驟4.還原近似數(shù)據(jù)?，F(xiàn)在，我們得到了原始數(shù)據(jù)：€ ΙΓ的低維"壓縮"表征量 f € 要轉(zhuǎn)換回來，只需X = Uxm即可。進(jìn)一步，我們把彔看作將Xm的最后n_k個元素被 置〇所得的近似表示，因此如果給定f €丨於,可以通過在其末尾添加 n_k個0來得到對 ^的近似，最后，左乘U便可近似還原出原數(shù)據(jù)X。具體來說，計算如下：
[0099]
[0100] 上面的等式基于先前對U的定義。在實現(xiàn)時，我們實際上并不先給奢填0然后再左 乘U，因為這意味著大量的乘0運算。我們可用i) ￡ 來與U的前k列相乘，即上式中最右 項，來達(dá)到同樣的目的。將該算法應(yīng)用于本例中的數(shù)據(jù)集，可得如下關(guān)于重構(gòu)數(shù)據(jù)t的點 圖。
[0101] 由圖可見，我們得到的是對原始數(shù)據(jù)集的一維近似重構(gòu)。
[0102] 在訓(xùn)練自動編碼器或其它無監(jiān)督特征學(xué)習(xí)算法時，算法運行時間將依賴于輸入數(shù) 據(jù)的維數(shù)。若用i € 取代X作為輸入數(shù)據(jù)，那么算法就可使用低維數(shù)據(jù)進(jìn)行訓(xùn)練，運行速 度將顯著加快。對于很多數(shù)據(jù)集來說，低維表征量f:是原數(shù)據(jù)集的極佳近似，因此在這些場 合使用PCA是很合適的，它引入的近似誤差的很小，卻可顯著地提高你算法的運行速度。
[0103] 步驟5.選擇主成分個數(shù)。我們該如何選擇k，即保留多少個PCA主成分?在上面這個 簡單的二維實驗中，保留第一個成分看起來是自然的選擇。對于高維數(shù)據(jù)來說，做這個決定 就沒那么簡單：如果k過大，數(shù)據(jù)壓縮率不高，在極限情況k = n時，等于是在使用原始數(shù)據(jù) (只是旋轉(zhuǎn)投射到了不同的基）；相反地，如果k過小，那數(shù)據(jù)的近似誤差太太。
[0104] 決定k值時，我們通常會考慮不同k值可保留的方差百分比。具體來說，如果k = n， 那么我們得到的是對數(shù)據(jù)的完美近似，也就是保留了 100%的方差，即原始數(shù)據(jù)的所有變化 都被保留下來;相反，如果k = 0,那等于是使用零向量來逼近輸入數(shù)據(jù)，也就是只有0%的方 差被保留下來。
[0105] -般而言，設(shè)h，A2, . . .，λη表示Σ的特征值(按由大到小順序排列），使得丨為對應(yīng) 于特征向量1^的特征值。那么如果我們保留前k個成分，則保留的方差百分比可計算為：
[0106]
[0107] PCA其他方法:最大化方差法。
[0108] 假設(shè)我們還是將一個空間中的點投影到一個向量中去。首先，給出原空間的中心
[0110] 假設(shè)Ul為投影向量，投影之后的方差為： 占 .
[0109]
[0111]
[0112] 用拉格朗日乘子法：
[0113] uiTSui+Ai( I-Ui1Ui)
[0114] 將上式求導(dǎo)，使之為0，得到：
[0115] Sui = Aiui
[0116] 這是一個標(biāo)準(zhǔn)的特征值表達(dá)式了，λ對應(yīng)的特征值，u對應(yīng)的特征向量。上式的左邊 取得最大值的條件就是λ?最大，也就是取得最大的特征值的時候。假設(shè)我們是要將一個D維 的數(shù)據(jù)空間投影到M維的數(shù)據(jù)空間中(M〈D)，那我們?nèi)∏癕個特征向量構(gòu)成的投影矩陣就是 能夠使得方差最大的矩陣了。
[0117] 實施例4:具有與實施例1或2或3相同的技術(shù)方案，更為具體的是:
[0118] 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
[0119] 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)）。
[0120] 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)）。
[0121] 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)）。
[0122] 本實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。
[0123] 1.濾波器技術(shù)：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(yīng)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(nèi) 容和流程的介紹。
[0124] 有限沖擊響應(yīng)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(shè)計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。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)計的主要步驟如下：
[0125] 步驟1:濾波器參數(shù)的設(shè)置
[0126] 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；
[0127] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0128] 步驟3:給定在通帶截止頻率和阻帶截止頻率點上的加權(quán)
[0129] 步驟4:利用方程計算切比雪夫逼近法濾波器系數(shù) [0130]步驟5:保存系數(shù)
[0131 ]步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0132]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。
[0133] 參見圖2,為通帶截止頻率和阻帶截止頻率點上的加權(quán)的選取。
[0134] 2.特征提取技術(shù)(參見圖3):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)所有點的加速度的平方和除以點數(shù)）、窗口內(nèi)各點斜率的絕對值 的平均值。
[0135] 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(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。
[0136] 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。
[0137] 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。
[0138] 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)。
[0139] 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(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】
1. 一種基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(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無監(jiān)督學(xué)習(xí)主成分分析方 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無監(jiān)督學(xué)習(xí)主成分分析方法。2. 如權(quán)利要求1所述的基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況 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(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(zhǔn)確率。3. 如權(quán)利要求1或2基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn) 程定損系統(tǒng)，其特征在于，所述無監(jiān)督學(xué)習(xí)主成分分析方法包括： 步驟1.表示數(shù)據(jù)集； 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)； 步驟3.數(shù)據(jù)降維數(shù)； 步驟4.還原近似數(shù)據(jù)； 步驟5.選擇主成分個數(shù)。4. 如權(quán)利要求3基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(yuǎn)程定 損系統(tǒng)，其特征在于，無監(jiān)督學(xué)習(xí)主成分分析方法具體為： 步驟1.表示數(shù)據(jù)集： 數(shù)據(jù)集表示為{x(1)，x(2)，...，x(m)}，計算出矩陣Σ，假設(shè)X的均值為零，Σ是X的協(xié)方差矩陣，m為梯度值； 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)，得旋轉(zhuǎn)數(shù)據(jù)aii = 為數(shù)據(jù)變化方向，運算UTx表示旋轉(zhuǎn)到基m，u2,...，un之上的訓(xùn)練數(shù)據(jù)，η為基的個數(shù)； 步驟3.數(shù)據(jù)降維數(shù):把數(shù)據(jù)遂€ 11〃降到k維表示無 G說氣選取的前k個成分，分別 對應(yīng)前k個數(shù)據(jù)變化的主方向，f是XrQt的最后n-k個元素被置0所得的近似表示； 步驟4 .還原近似數(shù)據(jù):使X = UXrot; 步驟5.選擇主成分個數(shù):設(shè)...，λη表示Σ的特征值，使得λ」為對應(yīng)于特征向量Uj 的特征值。那么如果我們保留前k個成分，則保留的方差百分比可計算為：5. -種基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況遠(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無監(jiān)督學(xué)習(xí)主成分分析方法； 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無監(jiān)督學(xué)習(xí)主成分分析方法。6. 如權(quán)利要求5所述的基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況 遠(yuǎn)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(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(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(zhǔn)確性。7. 如權(quán)利要求5或6所述的基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分 工況遠(yuǎn)程定損方法，其特征在于，所述無監(jiān)督學(xué)習(xí)主成分分析方法： 步驟1.表示數(shù)據(jù)集； 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)； 步驟3.數(shù)據(jù)降維數(shù)； 步驟4.還原近似數(shù)據(jù)； 步驟5.選擇主成分個數(shù)。8.如權(quán)利要求7所述的基于人工智能無監(jiān)督學(xué)習(xí)主成分分析方法建立不同車型分工況 遠(yuǎn)程定損方法，其特征在于，無監(jiān)督學(xué)習(xí)主成分分析方法具體為： 步驟1.表示數(shù)據(jù)集： 數(shù)據(jù)集表示為{x(1)，x(2)，...，x(m)}，計算出矩陣Σ，假設(shè)X的均值為零，Σ是X的協(xié)方差矩陣，m為梯度值； 步驟2.旋轉(zhuǎn)數(shù)據(jù)，對數(shù)據(jù)集中的每個樣本分別進(jìn)行旋轉(zhuǎn)，得旋轉(zhuǎn)數(shù)據(jù) 為數(shù)據(jù)變化方向，運算UTX表示旋轉(zhuǎn)到基U1，U2,...，un之上的訓(xùn)練數(shù)據(jù)，η為基的個數(shù)； 步驟3.數(shù)據(jù)降維數(shù):把數(shù)據(jù)霉€ IP降到k維表示f ，選取的前k個成分，分別 對應(yīng)前k個數(shù)據(jù)變化的主方向，愛是Xrcit的最后n-k個元素被置0所得的近似表示； 步驟4.還原近似數(shù)據(jù):使X = UXrQt; 步驟5.選擇主成分個數(shù):設(shè). . .，λη表示Σ的特征值，使得λ」為對應(yīng)于特征向量Uj 的特征值。那么如果我們保留前k個成分，則保留的方差百分比可計算為：
【文檔編號】G06K9/62GK106056149SQ201610365533
【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