基于人工智能有監(jiān)督學(xué)習(xí)svm方法建立不同車(chē)型分零件遠(yuǎn)程定損系統(tǒng)及方法
【專(zhuān)利摘要】基于人工智能有監(jiān)督學(xué)習(xí)SVM方法建立不同車(chē)型分零件遠(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)于零件檢測(cè)的問(wèn)題，技術(shù)要點(diǎn)是：零件檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí)；所述零件檢測(cè)子系統(tǒng)對(duì)零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí)SVM方法。效果是：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的零件檢測(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(zhuān)利說(shuō)明】
基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(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，涉及一種基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同 車(chē)型分零件遠(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)于零件檢測(cè)的問(wèn)題，本發(fā)明提出了基于人工智能有監(jiān)督 學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定損系統(tǒng)及方法，以實(shí)現(xiàn)定損過(guò)程中零件的檢測(cè)。
[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：
[0006] 包括：
[0007] 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；
[0008] 數(shù)據(jù)分類(lèi)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(lèi)；
[0009] 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，所述碰撞模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0010] 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，所述工況模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0011] 零件檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí);所述零件檢測(cè)子系統(tǒng) 對(duì)零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí) SVM方法。
[0012] 有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車(chē)輛碰撞的零件檢測(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(lèi)則是為了模型訓(xùn)練 和測(cè)試的目的而加入的步驟;零件的檢測(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】
[0013] 圖1為本發(fā)明所述的系統(tǒng)的結(jié)構(gòu)示意框圖；
[0014] 圖2為超平面的方程示意圖；
[0015]圖3為懲罰函數(shù)與確認(rèn)點(diǎn)關(guān)系圖示例；
[0016] 圖4為線性不可分示例圖；
[0017]圖5為高維空間對(duì)應(yīng)圖。
【具體實(shí)施方式】
[0018] 為了對(duì)本發(fā)明作出更為清楚的解釋?zhuān)旅鎸?duì)本發(fā)明涉及的技術(shù)術(shù)語(yǔ)作出定義：
[0019] 工況:碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0020] 車(chē)型：汽車(chē)型號(hào)；
[0021] 目標(biāo):碰撞目標(biāo)；
[0022]區(qū)域:碰撞位置；
[0023] 零件:汽車(chē)零件；
[0024] 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；
[0025] 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)；
[0026] 目標(biāo)檢測(cè):檢測(cè)本車(chē)碰撞目標(biāo)；
[0027]區(qū)域檢測(cè):檢測(cè)本車(chē)碰撞位置；
[0028]零件檢測(cè):檢測(cè)本車(chē)汽車(chē)零件。
[0029] 實(shí)施例1:
[0030] 一種基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定損系統(tǒng)，包括：
[0031] 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；
[0032]數(shù)據(jù)分類(lèi)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(lèi)；
[0033] 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，所述碰撞模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0034] 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，所述工況模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0035] 零件檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí);所述零件檢測(cè)子系統(tǒng) 對(duì)零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí) SVM方法； [0036]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；
[0037]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；
[0038]所述零件檢測(cè)子系統(tǒng)包括，零件訓(xùn)練模塊、零件測(cè)試模塊、零件驗(yàn)證模塊，所述零 件訓(xùn)練模塊用于將零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，零件測(cè)試模塊用于將零件測(cè) 試數(shù)據(jù)帶入模型中檢測(cè)零件模型的結(jié)果，零件驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證零件模型的 可靠性和準(zhǔn)確率。
[0039] 所述有監(jiān)督學(xué)習(xí) SVM方法，是通過(guò)一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維 乃至無(wú)窮維的特征空間中，進(jìn)行升維和線性化，所述升維，是把樣本向高維空間做映射，在 低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中通過(guò)一個(gè)線性超平面實(shí)現(xiàn)線性劃 分，SVM方法應(yīng)用核函數(shù)的展開(kāi)定理，在高維特征空間中建立線性學(xué)習(xí)機(jī)。
[0040] SVM線性分類(lèi)器的分類(lèi)方法，包括：
[0041 ]步驟1.從特征學(xué)習(xí)出一個(gè)0/1分類(lèi)模型，這個(gè)模型是將特性的線性組合作為自變 量，由于自變量的取值范圍是負(fù)無(wú)窮到正無(wú)窮，因此，使用logistic函數(shù)將自變量映射到 (0，1)上，映射后的值被認(rèn)為是屬于y = 1的概率；
[0042] 步驟2.最小化向量w，即得到I |w| I是向量w的二范數(shù)，對(duì)其加入平方求 導(dǎo)，公式為：
[0043]
[0044] s.t.指的是在后面這個(gè)限制條件下的意思，s.t.后面的限制條件看做是一個(gè)凸多 面體，在這個(gè)凸多面體中找到最優(yōu)解；
[0045]步驟3.上述的優(yōu)化問(wèn)題，用拉格朗日乘子法去解，使用了KKT條件的理論，得到這 個(gè)式子的拉格朗日目標(biāo)函數(shù)，計(jì)算得到線性可分問(wèn)題的優(yōu)化式子；
[0046] 步驟4.增加懲罰參數(shù)；
[0047] 步驟5 .增加核函數(shù)，讓空間從原本的線性空間變成一個(gè)更高維的空間，在這個(gè)高 維的線性空間下，再用一個(gè)超平面進(jìn)行劃分；
[0048]步驟6.將核函數(shù)所產(chǎn)生的參數(shù)帶入至SVM模型訓(xùn)練中，得出本次數(shù)據(jù)的模型。
[0049] 實(shí)施例2:
[0050] -種基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定損方法，包括 以下步驟：
[0051 ]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；
[0052]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(lèi)；
[0053]步驟三.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，所述碰撞模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0054]步驟四.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，所述工況模型建立使用有監(jiān)督學(xué)習(xí) SVM方法；
[0055] 步驟五.判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí);所述零件檢測(cè)子系統(tǒng)對(duì)零件訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí) SVM方法。
[0056] 具體步驟是：
[0057] 步驟三包括：
[0058] 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(lèi)以產(chǎn)生碰撞 訓(xùn)練數(shù)據(jù)和碰撞測(cè)試數(shù)據(jù)；
[0059] 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；
[0060] 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；
[00611 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；
[0062] 步驟四包括：
[0063] 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(lèi)產(chǎn)生工況訓(xùn) 練數(shù)據(jù)和工況測(cè)試數(shù)據(jù)；
[0064] 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；
[0065] 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；
[0066] 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；
[0067] 步驟五包括：
[0068] SI.使用零件檢測(cè)子系統(tǒng)對(duì)CAE零件仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類(lèi)以產(chǎn)生零件訓(xùn) 練數(shù)據(jù)和零件測(cè)試數(shù)據(jù)；
[0069] S2.在零件訓(xùn)練模塊中對(duì)零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生零件模型，來(lái)模擬零件訓(xùn) 練數(shù)據(jù)的效果；
[0070] S3.在零件測(cè)試模塊中使用零件測(cè)試數(shù)據(jù)來(lái)測(cè)試零件模型的結(jié)果；
[0071] S4.使用真實(shí)跑車(chē)數(shù)據(jù)作為零件驗(yàn)證數(shù)據(jù)并帶入零件驗(yàn)證模塊，來(lái)驗(yàn)證零件模型 的準(zhǔn)確性。
[0072]所述有監(jiān)督學(xué)習(xí) SVM方法，是通過(guò)一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維 乃至無(wú)窮維的特征空間中，進(jìn)行升維和線性化，所述升維，是把樣本向高維空間做映射，在 低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中通過(guò)一個(gè)線性超平面實(shí)現(xiàn)線性劃 分，SVM方法應(yīng)用核函數(shù)的展開(kāi)定理，在高維特征空間中建立線性學(xué)習(xí)機(jī)。
[0073] SVM線性分類(lèi)器的分類(lèi)方法，包括：
[0074]步驟1.從特征學(xué)習(xí)出一個(gè)0/1分類(lèi)模型，這個(gè)模型是將特性的線性組合作為自變 量，由于自變量的取值范圍是負(fù)無(wú)窮到正無(wú)窮，因此，使用logistic函數(shù)將自變量映射到 (0，1)上，映射后的值被認(rèn)為是屬于y = 1的概率；
[0075] 步驟2.最小化向量w，即得到
是向量w的二范數(shù)，對(duì)其加入平方求 導(dǎo)，公式％·
[0076]
[0077] s . t指的是在后面這個(gè)限制條件下的意思，s . t.后面的限制條件看做是一個(gè)凸多 面體，在這個(gè)凸多面體中找到最優(yōu)解；
[0078]步驟3.上述的優(yōu)化問(wèn)題，用拉格朗日乘子法去解，使用了KKT條件的理論，得到這 個(gè)式子的拉格朗日目標(biāo)函數(shù)，計(jì)算得到線性可分問(wèn)題的優(yōu)化式子；
[0079] 步驟4.增加懲罰參數(shù)；
[0080] 步驟5.增加核函數(shù)，讓空間從原本的線性空間變成一個(gè)更高維的空間，在這個(gè)高 維的線性空間下，再用一個(gè)超平面進(jìn)行劃分；
[0081] 步驟6.將核函數(shù)所產(chǎn)生的參數(shù)帶入至SVM模型訓(xùn)練中，得出本次數(shù)據(jù)的模型。
[0082]實(shí)施例3:作為實(shí)施例1或2中，所述有監(jiān)督學(xué)習(xí) SVM方法的補(bǔ)充:有監(jiān)督學(xué)習(xí)之SVM 方法，該方法是通過(guò)一個(gè)非線性映射P，把樣本空間映射到一個(gè)高維乃至無(wú)窮維的特征空間 中（Hilbert空間），使得在原來(lái)的樣本空間中非線性可分的問(wèn)題轉(zhuǎn)化為在特征空間中的線 性可分的問(wèn)題。簡(jiǎn)單地說(shuō)，就是升維和線性化.升維，就是把樣本向高維空間做映射，一般情 況下這會(huì)增加計(jì)算的復(fù)雜性，甚至?xí)?維數(shù)災(zāi)難"，因而人們很少問(wèn)津。但是作為分類(lèi)、 回歸等問(wèn)題來(lái)說(shuō)，很可能在低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中卻可 以通過(guò)一個(gè)線性超平面實(shí)現(xiàn)線性劃分(或回歸）。一般的升維都會(huì)帶來(lái)計(jì)算的復(fù)雜化，SVM 方法巧妙地解決了這個(gè)難題:應(yīng)用核函數(shù)的展開(kāi)定理，就不需要知道非線性映射的顯式表 達(dá)式；由于是在高維特征空間中建立線性學(xué)習(xí)機(jī)，所以與線性模型相比，不但幾乎不增加計(jì) 算的復(fù)雜性，而且在某種程度上避免了 "維數(shù)災(zāi)難"，這一切要?dú)w功于核函數(shù)的展開(kāi)和計(jì)算 理論。
[0083] 選擇不同的核函數(shù)，可以生成不同的SVM，常用的核函數(shù)有以下4種：
[0084] ⑴線性核函數(shù)K(X，y)=X · y;
[0085] ⑵多項(xiàng)式核函數(shù)K(x，y) = [(x · y)+ird;
[0086] ⑶徑向基函數(shù) K(x，y)=exp(-|x-yr2/cT2)
[0087] ⑷二層神經(jīng)網(wǎng)絡(luò)核函數(shù)K(x，y) =tanh(a(x · y)+b)
[0088] 此處我們列舉SVM線性分類(lèi)器的例子。
[0089] 步驟1.假定訓(xùn)練數(shù)據(jù)(幻71)，...，（幻71)4￡1^4^{ + 1，-1}.其中1為信號(hào)數(shù)據(jù)經(jīng) 濾波、特征提取、歸一化、特征變換等處理后的數(shù)據(jù)點(diǎn);y表示類(lèi)別(y可以取1或者-1，分別代 表兩個(gè)不同的類(lèi)）。一個(gè)線性分類(lèi)器的學(xué)習(xí)目標(biāo)便是要在η維的數(shù)據(jù)空間中找到一個(gè)超平面 (hyperplane)，作數(shù)學(xué)規(guī)劃凸分析，在空間中，與給定的唯一向量w及唯一值b(不為零)形成 上式的所有點(diǎn)構(gòu)成一個(gè)超平面；
[0090] 這個(gè)超平面的方程可以表示為(wT中的T代表轉(zhuǎn)置）：
[0091] wTx+b = 0
[0092] Logistic回歸目的是從特征學(xué)習(xí)出一個(gè)0/1分類(lèi)模型，而這個(gè)模型是將特性的線 性組合作為自變量，由于自變量的取值范圍是負(fù)無(wú)窮到正無(wú)窮。因此，使用logistic函數(shù) (或稱(chēng)作S igmoid函數(shù))將自變量映射到(0，1)上，映射后的值
[0093]被認(rèn)為是屬于y = l的概率。
[0094] 步驟2.最大化這兩個(gè)平行超平面的距離，即
或者說(shuō)最小化w，即
的意思是w的二范數(shù)，跟上面的M表達(dá)式的分母是一個(gè)意思，之前得到，M= 2/| Iwl I，最大化這個(gè)式子等價(jià)于最小化I Iwl I，另外由于I Iwl I是一個(gè)單調(diào)函數(shù)，我們可以 對(duì)其加入平方為了方便求導(dǎo)。完整公式為：
[0095]
[0096] s . t(subjectto)，指的是在后面這個(gè)限制條件下的意思。這個(gè)其實(shí)是一個(gè)帶約束 的二次規(guī)劃(quadraticprogramming，QP)問(wèn)題，是一個(gè)凸問(wèn)題，凸問(wèn)題就是指的不會(huì)有局部 最優(yōu)解。s.t.后面的限制條件可以看做是一個(gè)凸多面體，我們要做的就是在這個(gè)凸多面體 中找到最優(yōu)解。
[0097]步驟3.這個(gè)優(yōu)化問(wèn)題可以用拉格朗日乘子法去解，使用了KKT條件的理論，這里直 接做出這個(gè)式子的拉格朗日目標(biāo)函數(shù)：
[0098]

[0099] 首先讓L關(guān)于w，b最小化，分別令L關(guān)于w，b的偏導(dǎo)數(shù)為0,得到關(guān)于原問(wèn)題的一個(gè)表 達(dá)式：
[0100]
[0101]
[0102] 將兩式帶回L(w，b，a)得到對(duì)偶問(wèn)題的表達(dá)式：
[0103]
[0104]
[0105]
[0106]
[0107] 至此，得到了線性可分問(wèn)題的優(yōu)化式子。
[0108] 步驟4.增加懲罰參數(shù)。我們可以為被分錯(cuò)的點(diǎn)加上一點(diǎn)懲罰，對(duì)一個(gè)分錯(cuò)的點(diǎn)的 懲罰函數(shù)就是這個(gè)點(diǎn)到其正確位置：
[0109] 藍(lán)色、紅色的直線分別為支持向量所在的邊界，綠色的線為決策函數(shù)，那些紫色的 線表示分錯(cuò)的點(diǎn)到其相應(yīng)的決策面的距離，這樣我們可以在原函數(shù)上面加上一個(gè)懲罰函 數(shù)，并且?guī)掀湎拗茥l件為：
[0110]
[0111] 其中公式中藍(lán)色的部分為在線性可分問(wèn)題的基礎(chǔ)上加上的懲罰函數(shù)部分，當(dāng)xi在 正確一邊的時(shí)候，e=0，R為全部的點(diǎn)的數(shù)目，C是一個(gè)由用戶(hù)去指定的系數(shù)，表示對(duì)分錯(cuò)的 點(diǎn)加入多少的懲罰，當(dāng)C很大的時(shí)候，分錯(cuò)的點(diǎn)就會(huì)更少，但是過(guò)擬合的情況可能會(huì)比較嚴(yán) 重，當(dāng)C很小的時(shí)候，分錯(cuò)的點(diǎn)可能會(huì)很多，不過(guò)可能由此得到的模型也會(huì)不太正確，所以如 何選擇C是有很多學(xué)問(wèn)的，不過(guò)在大部分情況下就是通過(guò)經(jīng)驗(yàn)嘗試得到的。
[0112] 接下來(lái)就是同樣的，求解一個(gè)拉格朗日對(duì)偶問(wèn)題，得到一個(gè)原問(wèn)題的對(duì)偶問(wèn)題的 表達(dá)式
[0113]
[0114]
[0115] 藍(lán)色的部分是與線性可分的對(duì)偶問(wèn)題表達(dá)式的不同之處。在線性不可分情況下得 到的對(duì)偶問(wèn)題，不同的地方就是α的范圍從[0，+ -0,變?yōu)榱?[0，C]，增加的懲罰ε沒(méi)有為對(duì)偶 問(wèn)題增加什么復(fù)雜度。
[0116] 步驟5 .核函數(shù)。我們可以讓空間從原本的線性空間變成一個(gè)更高維的空間，在這 個(gè)高維的線性空間下，再用一個(gè)超平面進(jìn)行劃分。
[0117] 圖4是一個(gè)典型的線性不可分的情況：
[0118] 但是當(dāng)我們把這兩個(gè)類(lèi)似于橢圓形的點(diǎn)映射到一個(gè)高維空間后，映射函數(shù)為：
[0119]
[0120] 用這個(gè)函數(shù)可以將圖5的平面中的點(diǎn)映射到一個(gè)三維空間（zl，z2，z3)，并且對(duì)映 射后的坐標(biāo)加以旋轉(zhuǎn)之后就可以得到一個(gè)線性可分點(diǎn)集。
[0121]
[0122] 令
這個(gè)式子所做的事情就是將線性的空間映射到高維的空間，k
(x，xj)有很多種，下面是比較典型的兩種：
[0123]
[0124]
[0125] 上面這個(gè)核稱(chēng)為多項(xiàng)式核，下面這個(gè)核稱(chēng)為高斯核，高斯核甚至是將原始空間映 射為無(wú)窮維空間，另外核函數(shù)有一些比較好的性質(zhì)，比如說(shuō)不會(huì)比線性條件下增加多少額 外的計(jì)算量，等等，這里也不再深入。一般對(duì)于一個(gè)問(wèn)題，不同的核函數(shù)可能會(huì)帶來(lái)不同的 結(jié)果，一般是需要嘗試來(lái)得到的。
[0126] 步驟6.將核函數(shù)所產(chǎn)生的參數(shù)帶入至SVM模型訓(xùn)練中，可得出本次數(shù)據(jù)的模型。
[0127] 實(shí)施例4:具有與實(shí)施例1或2相同的技術(shù)方案，更為具體的是:
[0128] 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
[0129] 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)）。
[0130] 2.驗(yàn)證數(shù)據(jù)集:是用來(lái)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(chē)數(shù)據(jù)）。
[0131] 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)）。
[0132] 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。
[0133] 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(zhuān)業(yè)書(shū)籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0134] 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(mǎn)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：
[0135] 步驟1:濾波器參數(shù)的設(shè)置
[0136] 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；
[0137] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0138] 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)
[0139] 步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù) [0140]步驟5:保存系數(shù)
[0141 ]步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0142] 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(mǎn)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。
[0143] 參見(jiàn)圖2,為通帶截止頻率和阻帶截止頻率點(diǎn)上的加權(quán)的選取。
[0144] 2.特征提取技術(shù)(參見(jiàn)圖3):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。
[0145] 判斷零件種類(lèi)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。
[0146] 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(lèi)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。
[0147] 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(lèi)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。
[0148] 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(lèi)模塊即為 本發(fā)明中的數(shù)據(jù)分類(lèi)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)。
[0149] 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) SVM方法建立不同車(chē)型分零件遠(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(lèi)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(lèi)； 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，所述碰撞模型建立使用有監(jiān)督學(xué)習(xí) SVM方法； 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，所述工況模型建立使用有監(jiān)督學(xué)習(xí) SVM方法； 零件檢測(cè)子系統(tǒng)，判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí)；所述零件檢測(cè)子系統(tǒng)對(duì)零 件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí) SVM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) SVM方法建立不同車(chē)型分零件遠(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； 所述零件檢測(cè)子系統(tǒng)包括，零件訓(xùn)練模塊、零件測(cè)試模塊、零件驗(yàn)證模塊，所述零件訓(xùn) 練模塊用于將零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，零件測(cè)試模塊用于將零件測(cè)試數(shù) 據(jù)帶入模型中檢測(cè)零件模型的結(jié)果，零件驗(yàn)證模塊使用真實(shí)跑車(chē)數(shù)據(jù)驗(yàn)證零件模型的可靠 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) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定損系 統(tǒng)，其特征在于，所述有監(jiān)督學(xué)習(xí) SVM方法，是通過(guò)一個(gè)非線性映射p，把樣本空間映射到一 個(gè)高維乃至無(wú)窮維的特征空間中，進(jìn)行升維和線性化，所述升維，是把樣本向高維空間做映 射，在低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中通過(guò)一個(gè)線性超平面實(shí)現(xiàn) 線性劃分，SVM方法應(yīng)用核函數(shù)的展開(kāi)定理，在高維特征空間中建立線性學(xué)習(xí)機(jī)。4. 如權(quán)利要求3所述的基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定 損系統(tǒng)，其特征在于，SVM線性分類(lèi)器的分類(lèi)方法，包括： 步驟1.從特征學(xué)習(xí)出一個(gè)0/1分類(lèi)模型，這個(gè)模型是將特性的線性組合作為自變量，由 于自變量的取值范圍是負(fù)無(wú)窮到正無(wú)窮，因此，使用logistic函數(shù)將自變量映射到（0，1) 上，映射后的值被認(rèn)為是屬于y = 1的概率； 步驟2.最小化向量w，I |w| I是向量w的二范數(shù)，對(duì)其加入平方求導(dǎo)， 公式為：s.t.指的是在后面這個(gè)限制條件下的意思，s.t.后面的限制條件看做是一個(gè)凸多面 體，在這個(gè)凸多面體中找到最優(yōu)解； 步驟3.上述的優(yōu)化問(wèn)題，用拉格朗日乘子法去解，使用了KKT條件的理論，得到這個(gè)式 子的拉格朗日目標(biāo)函數(shù)，計(jì)算得到線性可分問(wèn)題的優(yōu)化式子； 步驟4.增加懲罰參數(shù)； 步驟5.增加核函數(shù)，讓空間從原本的線性空間變成一個(gè)更高維的空間，在這個(gè)高維的 線性空間下，再用一個(gè)超平面進(jìn)行劃分； 步驟6.將核函數(shù)所產(chǎn)生的參數(shù)帶入至SVM模型訓(xùn)練中，得出本次數(shù)據(jù)的模型。5. -種基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定損方法，其特征 在于，包括以下步驟： 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； 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(lèi)； 步驟三.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，所述碰撞模型建立使用有監(jiān)督學(xué)習(xí) SVM方法； 步驟四.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，所述工況模型建立使用有監(jiān)督學(xué)習(xí) SVM方法； 步驟五.判斷車(chē)輛碰撞時(shí)零件所產(chǎn)生的損傷等級(jí);所述零件檢測(cè)子系統(tǒng)對(duì)零件訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成零件模型，所述零件模型建立使用有監(jiān)督學(xué)習(xí) SVM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) SVM方法建立不同車(chē)型分零件遠(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(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(lèi)以產(chǎn)生碰撞訓(xùn)練 數(shù)據(jù)和碰撞測(cè)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(lái)模擬碰撞訓(xùn)練 數(shù)據(jù)的效果； 53.3. 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； 53.4. 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； 步驟四包括： 54.1. 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(lèi)產(chǎn)生工況訓(xùn)練數(shù) 據(jù)和工況測(cè)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(lái)模擬工況訓(xùn)練 數(shù)據(jù)的效果； 54.3. 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； 54.4. 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； 步驟五包括：51. 使用零件檢測(cè)子系統(tǒng)對(duì)CAE零件仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類(lèi)以產(chǎn)生零件訓(xùn)練數(shù) 據(jù)和零件測(cè)試數(shù)據(jù)；52. 在零件訓(xùn)練模塊中對(duì)零件訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生零件模型，來(lái)模擬零件訓(xùn)練數(shù) 據(jù)的效果；53. 在零件測(cè)試模塊中使用零件測(cè)試數(shù)據(jù)來(lái)測(cè)試零件模型的結(jié)果；54. 使用真實(shí)跑車(chē)數(shù)據(jù)作為零件驗(yàn)證數(shù)據(jù)并帶入零件驗(yàn)證模塊，來(lái)驗(yàn)證零件模型的準(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) SVM方法建立不同車(chē)型分零件遠(yuǎn)程 定損方法，其特征在于，所述有監(jiān)督學(xué)習(xí) SVM方法，是通過(guò)一個(gè)非線性映射p，把樣本空間映 射到一個(gè)高維乃至無(wú)窮維的特征空間中，進(jìn)行升維和線性化，所述升維，是把樣本向高維空 間做映射，在低維樣本空間無(wú)法線性處理的樣本集，在高維特征空間中通過(guò)一個(gè)線性超平 面實(shí)現(xiàn)線性劃分，SVM方法應(yīng)用核函數(shù)的展開(kāi)定理，在高維特征空間中建立線性學(xué)習(xí)機(jī)。8. 如權(quán)利要求7所述的基于人工智能有監(jiān)督學(xué)習(xí) SVM方法建立不同車(chē)型分零件遠(yuǎn)程定 損方法，其特征在于，SVM線性分類(lèi)器的分類(lèi)方法，包括： 步驟1.從特征學(xué)習(xí)出一個(gè)0/1分類(lèi)模型，這個(gè)模型是將特性的線性組合作為自變量，由 于自變量的取值范圍是負(fù)無(wú)窮到正無(wú)窮，因此，使用logistic函數(shù)將自變量映射到（0，1) 上，映射后的值被認(rèn)為是屬于y = 1的概率； 步驟2.最小化向量w，I |w| I是向量w的二范數(shù)，對(duì)其加入平方求導(dǎo)， 公式為：S.t指的是在后面這個(gè)限制條件下的意思，s.t.后面的限制條件看做是一個(gè)凸多面體， 在這個(gè)凸多面體中找到最優(yōu)解； 步驟3.上述的優(yōu)化問(wèn)題，用拉格朗日乘子法去解，使用了KKT條件的理論，得到這個(gè)式 子的拉格朗日目標(biāo)函數(shù)，計(jì)算得到線性可分問(wèn)題的優(yōu)化式子； 步驟4.增加懲罰參數(shù)； 步驟5.增加核函數(shù)，讓空間從原本的線性空間變成一個(gè)更高維的空間，在這個(gè)高維的 線性空間下，再用一個(gè)超平面進(jìn)行劃分； 步驟6.將核函數(shù)所產(chǎn)生的參數(shù)帶入至SVM模型訓(xùn)練中，得出本次數(shù)據(jù)的模型。
【文檔編號(hào)】G06K9/62GK106056151SQ201610365629
【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