基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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】基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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(duì)于工況的檢測(cè)的問題，技術(shù)要點(diǎn)是：工況檢測(cè)子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息；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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。效果是：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的工況檢測(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，在定損過程中，判別的準(zhǔn)確率上得以提升。
【專利說明】
基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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半監(jiān)督學(xué)習(xí)聚類假設(shè)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(duì)車輛在低速運(yùn)動(dòng)(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(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(cè)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(cè)。

【發(fā)明內(nèi)容】

[0004]為了解決車輛碰撞后，對(duì)于工況的檢測(cè)的問題，本發(fā)明提出了基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損系統(tǒng)及方法，以實(shí)現(xiàn)定損過程中的工況檢測(cè)。
[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(cè)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(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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法;
[0009]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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。
[0010]有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的工況檢測(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(cè)試的目的而加入的步驟;工況的檢測(cè)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】
[0011]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】
[0012]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:
[0013]工況:碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0014]車型:汽車型號(hào)；
[0015]目標(biāo):碰撞目標(biāo)；
[0016]區(qū)域:碰撞位置；
[0017]零件:汽車零件；
[0018]工況檢測(cè):檢測(cè)本車碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0019]車型檢測(cè):檢測(cè)與本車發(fā)生碰撞的汽車型號(hào)；
[0020]目標(biāo)檢測(cè):檢測(cè)本車碰撞目標(biāo)；
[0021]區(qū)域檢測(cè):檢測(cè)本車碰撞位置；
[0022]零件檢測(cè):檢測(cè)本車汽車零件。
[0023]實(shí)施例1:
[0024]一種基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損系統(tǒng)，包括:
[0025]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；
[0026]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；
[0027]碰撞檢測(cè)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(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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法;
[0028]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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。
[0029]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)跑車數(shù)據(jù)驗(yàn)證碰撞模型的可靠性和準(zhǔn)確率；
[0030]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)跑車數(shù)據(jù)驗(yàn)證工況模型的可靠性和準(zhǔn)確率。
[0031]所述半監(jiān)督學(xué)習(xí)聚類假設(shè)方法包括以下方法中的一種以上:劃分方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。
[0032]所述劃分方法，根據(jù)用戶輸入值K把給定對(duì)象分成K組(滿足2個(gè)條件:1.每個(gè)組至少包含一個(gè)對(duì)象。2.每個(gè)對(duì)象必須且只屬于一個(gè)組)，每組都是一個(gè)聚類，然后利用循環(huán)再定位技術(shù)變換聚類里面的對(duì)象，直到客觀劃分標(biāo)準(zhǔn)(常成為相似函數(shù)，如距離)最優(yōu)為止。典型代表:K-MEANS，K-MED0IDS。
[0033]所述層次的方法對(duì)給定的對(duì)象集合進(jìn)行層次分解，分為2類:凝聚的和分裂的；凝聚的方法是自底向上的方法，即一開始將每個(gè)對(duì)象作為一個(gè)單獨(dú)的簇，然后根據(jù)標(biāo)準(zhǔn)進(jìn)行合并，直到所有對(duì)象合并為一個(gè)簇或達(dá)到終止條件為止;分裂的方法也叫自頂向下的方法，即一開始將所有對(duì)象放到一個(gè)簇中，然后進(jìn)行分裂，直到所有對(duì)象都成為單獨(dú)的一個(gè)簇或達(dá)到終止條件為止。典型代表:CURE ,BIRCH。
[0034]所述基于密度的方法，即不斷增長(zhǎng)所獲得的聚類直到鄰近(對(duì)象)密度超過一定的閥值(如一個(gè)聚類中的對(duì)象數(shù)或一個(gè)給定半徑內(nèi)必須包含至少的對(duì)象數(shù))為止。典型代表:DBSCAN,OPTICS。
[0035]所述基于網(wǎng)格的方法，即將對(duì)象空間劃分為有限數(shù)目的單元以形成網(wǎng)格結(jié)構(gòu)，所有聚類操作都在這一網(wǎng)格結(jié)構(gòu)上進(jìn)行。典型代表:STING。
[0036]所述基于模型的方法即為每個(gè)聚類假設(shè)一個(gè)模型，然后按照模型去發(fā)現(xiàn)符合的對(duì)像，這樣的方法經(jīng)常其基于這樣的假設(shè):數(shù)據(jù)是根據(jù)潛在的概率分布生成的。主要有2類:統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法。典型代表:COBWEB，SOMS。
[0037]實(shí)施例2:
[0038]一種基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損方法，包括以下步驟:
[0039]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；
[0040]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；
[0041 ]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(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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法；
[0042]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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。
[0043]具體步驟是:
[0044]步驟三包括:
[0045]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)行分類以產(chǎn)生碰撞訓(xùn)練數(shù)據(jù)和碰撞測(cè)試數(shù)據(jù)；
[0046]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；
[0047]S3.3.在碰撞測(cè)試模塊中使用碰撞測(cè)試數(shù)據(jù)來測(cè)試碰撞模型的結(jié)果；
[0048]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；
[0049]步驟四包括:
[0050]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)行分類產(chǎn)生工況訓(xùn)練數(shù)據(jù)和工況測(cè)試數(shù)據(jù)；
[0051]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；
[0052]S4.3.在工況測(cè)試模塊中使用工況測(cè)試數(shù)據(jù)來測(cè)試工況模型的結(jié)果；
[0053]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。
[0054]所述半監(jiān)督學(xué)習(xí)聚類假設(shè)方法包括以下方法中的一種以上:劃分方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。
[0055]所述劃分方法，根據(jù)用戶輸入值K把給定對(duì)象分成K組(滿足2個(gè)條件:1.每個(gè)組至少包含一個(gè)對(duì)象。2.每個(gè)對(duì)象必須且只屬于一個(gè)組)，每組都是一個(gè)聚類，然后利用循環(huán)再定位技術(shù)變換聚類里面的對(duì)象，直到客觀劃分標(biāo)準(zhǔn)(常成為相似函數(shù)，如距離)最優(yōu)為止。典型代表:K-MEANS，K-MED0IDS。
[0056]所述層次的方法對(duì)給定的對(duì)象集合進(jìn)行層次分解，分為2類:凝聚的和分裂的；凝聚的方法是自底向上的方法，即一開始將每個(gè)對(duì)象作為一個(gè)單獨(dú)的簇，然后根據(jù)標(biāo)準(zhǔn)進(jìn)行合并，直到所有對(duì)象合并為一個(gè)簇或達(dá)到終止條件為止;分裂的方法也叫自頂向下的方法，即一開始將所有對(duì)象放到一個(gè)簇中，然后進(jìn)行分裂，直到所有對(duì)象都成為單獨(dú)的一個(gè)簇或達(dá)到終止條件為止。典型代表:CURE ,BIRCH。
[0057]所述基于密度的方法，即不斷增長(zhǎng)所獲得的聚類直到鄰近(對(duì)象)密度超過一定的閥值(如一個(gè)聚類中的對(duì)象數(shù)或一個(gè)給定半徑內(nèi)必須包含至少的對(duì)象數(shù))為止。典型代表:DBSCAN,OPTICS。
[0058]所述基于網(wǎng)格的方法，即將對(duì)象空間劃分為有限數(shù)目的單元以形成網(wǎng)格結(jié)構(gòu)，所有聚類操作都在這一網(wǎng)格結(jié)構(gòu)上進(jìn)行。典型代表:STING。
[0059]所述基于模型的方法即為每個(gè)聚類假設(shè)一個(gè)模型，然后按照模型去發(fā)現(xiàn)符合的對(duì)像，這樣的方法經(jīng)常其基于這樣的假設(shè):數(shù)據(jù)是根據(jù)潛在的概率分布生成的。主要有2類:統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法。典型代表:COBWEB，SOMS。
[0060]實(shí)施例3:
[0061]具有與實(shí)施例1或2相同的技術(shù)方案，更為具體的是:
[0062]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
[0063]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))。
[0064]2.驗(yàn)證數(shù)據(jù)集:是用來做模型選擇(model select1n)，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))。
[0065]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)和跑車數(shù)據(jù))。
[0066]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。
[0067]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。
[0068]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:
[0069]步驟1:濾波器參數(shù)的設(shè)置
[0070]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；
[0071]步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0072]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)
[0073]步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0074]步驟5:保存系數(shù)
[0075]步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0076]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。
[0077]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。
[0078]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O?38頻率范圍內(nèi)的信號(hào)的各個(gè)頻率分量的幅值。
[0079]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。
[0080]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。
[0081]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(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);車型檢測(cè)模塊即為本發(fā)明的車型檢測(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)。
[0082]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半監(jiān)督學(xué)習(xí)聚類假設(shè)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(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(cè)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(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半監(jiān)督學(xué)習(xí)聚類假設(shè)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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。2.如權(quán)利要求1所述的基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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(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)跑車數(shù)據(jù)驗(yàn)證工況模型的可靠性和準(zhǔn)確率。3.如權(quán)利要求1或2基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損系統(tǒng)，其特征在于，所述半監(jiān)督學(xué)習(xí)聚類假設(shè)方法包括以下方法中的一種以上:劃分方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。4.如權(quán)利要求3基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損系統(tǒng)，其特征在于， 所述劃分方法，根據(jù)輸入值K把給定對(duì)象分成K組，且分組時(shí)滿足2個(gè)條件，第一，每個(gè)組至少包含一個(gè)對(duì)象，第二，每個(gè)對(duì)象必須且只屬于一個(gè)組，每組都是一個(gè)聚類，然后利用循環(huán)再定位技術(shù)變換聚類里面的對(duì)象，直到客觀劃分標(biāo)準(zhǔn)最優(yōu)為止； 所述層次的方法，對(duì)給定的對(duì)象集合進(jìn)行層次分解，分為2類:凝聚的和分裂的;凝聚的方法是一開始將每個(gè)對(duì)象作為一個(gè)單獨(dú)的簇，然后進(jìn)行合并，直到所有對(duì)象合并為一個(gè)簇或達(dá)到終止條件為止;分裂的方法一開始將所有對(duì)象放到一個(gè)簇中，然后進(jìn)行分裂，直到所有對(duì)象都成為單獨(dú)的一個(gè)簇或達(dá)到終止條件為止； 所述基于密度的方法，即不斷增長(zhǎng)所獲得的聚類直到鄰近密度超過一定的閥值為止；所述基于網(wǎng)格的方法，即將對(duì)象空間劃分為有限數(shù)目的單元以形成網(wǎng)格結(jié)構(gòu)，所有聚類操作都在這一網(wǎng)格結(jié)構(gòu)上進(jìn)行； 所述基于模型的方法即為每個(gè)聚類假設(shè)一個(gè)模型，然后按照模型去發(fā)現(xiàn)符合的對(duì)像，基于這樣的假設(shè):數(shù)據(jù)是根據(jù)潛在的概率分布生成的，主要有2類:統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法。5.—種基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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(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半監(jiān)督學(xué)習(xí)聚類假設(shè)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半監(jiān)督學(xué)習(xí)聚類假設(shè)方法。6.如權(quán)利要求5所述的基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)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(cè)子系統(tǒng)對(duì)CAE碰撞仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類以產(chǎn)生碰撞訓(xùn)練數(shù)據(jù)和碰撞測(cè)試數(shù)據(jù)； 53.2.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(cè)試模塊中使用碰撞測(cè)試數(shù)據(jù)來測(cè)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(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)來測(cè)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。7.如權(quán)利要求5或6所述的基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損方法，其特征在于，所述半監(jiān)督學(xué)習(xí)聚類假設(shè)方法包括以下方法中的一種以上:劃分方法、層次的方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。8.如權(quán)利要求7基于人工智能半監(jiān)督學(xué)習(xí)聚類假設(shè)方法建立不同車型分工況遠(yuǎn)程定損方法，其特征在于， 所述劃分方法，根據(jù)輸入值K把給定對(duì)象分成K組，且分組時(shí)滿足2個(gè)條件，第一，每個(gè)組至少包含一個(gè)對(duì)象，第二，每個(gè)對(duì)象必須且只屬于一個(gè)組，每組都是一個(gè)聚類，然后利用循環(huán)再定位技術(shù)變換聚類里面的對(duì)象，直到客觀劃分標(biāo)準(zhǔn)最優(yōu)為止； 所述層次的方法，對(duì)給定的對(duì)象集合進(jìn)行層次分解，分為2類:凝聚的和分裂的;凝聚的方法是一開始將每個(gè)對(duì)象作為一個(gè)單獨(dú)的簇，然后進(jìn)行合并，直到所有對(duì)象合并為一個(gè)簇或達(dá)到終止條件為止;分裂的方法一開始將所有對(duì)象放到一個(gè)簇中，然后進(jìn)行分裂，直到所有對(duì)象都成為單獨(dú)的一個(gè)簇或達(dá)到終止條件為止;所述基于密度的方法，即不斷增長(zhǎng)所獲得的聚類直到鄰近密度超過一定的閥值為止； 所述基于網(wǎng)格的方法，即將對(duì)象空間劃分為有限數(shù)目的單元以形成網(wǎng)格結(jié)構(gòu)，所有聚類操作都在這一網(wǎng)格結(jié)構(gòu)上進(jìn)行； 所述基于模型的方法即為每個(gè)聚類假設(shè)一個(gè)模型，然后按照模型去發(fā)現(xiàn)符合的對(duì)像，基于這樣的假設(shè):數(shù)據(jù)是根據(jù)潛在的概率分布生成的，主要有2類:統(tǒng)計(jì)學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法。
【文檔編號(hào)】G06K9/62GK106056453SQ201610365678
【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