基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)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)決策樹方法建立不同車型分目標(biāo)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)于碰撞后的碰撞車輛的目標(biāo)檢測(cè)的問題，技術(shù)要點(diǎn)是：目標(biāo)檢測(cè)子系統(tǒng),判斷車輛發(fā)生碰撞的對(duì)象,所述目標(biāo)檢測(cè)子系統(tǒng)對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。有益效果：上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的目標(biāo)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】
基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)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，涉及基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)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?？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(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)于碰撞后的碰撞車輛的目標(biāo)檢測(cè)的問題，本發(fā)明提出了一種基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)，以實(shí)現(xiàn)定損過程中的目標(biāo)檢測(cè)和判斷。
[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:一種基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)，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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[0010]目標(biāo)檢測(cè)子系統(tǒng)，判斷車輛發(fā)生碰撞的對(duì)象，所述目標(biāo)檢測(cè)子系統(tǒng)對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。
[0011 ]有益效果:上述技術(shù)方案，可以實(shí)現(xiàn)對(duì)于車輛碰撞的目標(biāo)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；目標(biāo)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】
[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(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:
[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(hào)；
[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(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；
[0020]車型檢測(cè):檢測(cè)與本車發(fā)生碰撞的汽車型號(hào)；
[0021]目標(biāo)檢測(cè):檢測(cè)本車碰撞目標(biāo)；
[0022]區(qū)域檢測(cè):檢測(cè)本車碰撞位置；
[0023]零件檢測(cè):檢測(cè)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)決策樹方法建立不同車型分目標(biāo)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(duì)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(duì)數(shù)據(jù)進(jìn)行分類；
[0028]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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[0029]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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[0030]目標(biāo)檢測(cè)子系統(tǒng)，判斷車輛發(fā)生碰撞的對(duì)象，所述目標(biāo)檢測(cè)子系統(tǒng)對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。
[0031 ]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；
[0032]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；
[0033]所述目標(biāo)檢測(cè)子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測(cè)試模塊、目標(biāo)驗(yàn)證模塊，所述目標(biāo)訓(xùn)練模塊用于將目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，目標(biāo)測(cè)試模塊用于將目標(biāo)測(cè)試數(shù)據(jù)帶入模型中檢測(cè)目標(biāo)模型的結(jié)果，目標(biāo)驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證目標(biāo)模型的可靠性和準(zhǔn)確率。
[0034]所述智能有監(jiān)督學(xué)習(xí)決策樹方法包括:
[0035]S1.如果Examples都為正，那么返回label=+的單結(jié)點(diǎn)樹Root;
[0036]S2.如果Examples都為反，那么返回label =+的單結(jié)點(diǎn)樹Root ；
[0037]S3.如果Attributes為空，那么返回單結(jié)點(diǎn)樹Root，label = Examples中最普遍的Target_attribute 的值；
[0038]S4.否則開始:
[0039]S4.1.Α為Attributes中分類Examples能力最好的屬性；
[0040]S4.2.A也為Root的決策屬性；
[0041 ] S4.3.對(duì)于A的每個(gè)可能值vi ;
[0042]S4.3.1.在Root下加一個(gè)新的分支對(duì)應(yīng)測(cè)試A = Vi ；
[0043]S4.3.2.令Examplesvi為Examples中滿足A屬性值為vi的子集；
[0044]S4.3.3.如果 Examplesvi 為空；
[0045]S4.3.4.在這個(gè)新分支下加一個(gè)葉子結(jié)點(diǎn)，結(jié)點(diǎn)的label =Examples中最普遍的Target_attribute值；
[0046]S4.3.5.否則在這個(gè)新分支下加一個(gè)子樹
[0047]ID3(Examplesvi, Target_attribute,Attributes-{A})；
[0048]S5.結(jié)束；
[0049]S6.返回Root;
[0050]其中:Examples為訓(xùn)練樣例集，Target_attribute是決策樹要測(cè)試的目標(biāo)屬性，Attributes是除目標(biāo)屬性外供學(xué)習(xí)到的決策樹測(cè)試的屬性列表，返回一棵能正確分類給定Examp I es的決策樹。
[0051 ] 實(shí)施例2:
[0052]一種基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)遠(yuǎn)程定損方法，包括以下步驟:
[0053]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；
[0054]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；
[0055]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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[0056]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智能有監(jiān)督學(xué)習(xí)決策樹方法；
[0057]步驟五.判斷車輛發(fā)生碰撞的對(duì)象，所述目標(biāo)檢測(cè)子系統(tǒng)對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。
[0058]具體步驟是:
[0059]步驟三包括:
[0060]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)；
[0061 ] 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；
[0062]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；
[0063]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；
[0064]步驟四包括:
[0065]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)；
[0066]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；
[0067]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；
[0068]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；
[0069]步驟五包括:
[0070]S1.使用目標(biāo)檢測(cè)子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類產(chǎn)生損傷判斷訓(xùn)練數(shù)據(jù)和損傷判斷測(cè)試數(shù)據(jù)；
[0071 ] S2.在目標(biāo)訓(xùn)練模塊中對(duì)損傷判斷訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生損傷模型，來模擬目標(biāo)訓(xùn)練數(shù)據(jù)的效果；
[0072]S3.在目標(biāo)測(cè)試模型中使用損傷判斷測(cè)試數(shù)據(jù)來測(cè)試目標(biāo)判斷模型的結(jié)果；
[0073]S4.使用真實(shí)跑車數(shù)據(jù)作為目標(biāo)驗(yàn)證數(shù)據(jù)并帶入目標(biāo)驗(yàn)證模塊，來驗(yàn)證目標(biāo)判斷模型的準(zhǔn)確性。
[0074]本實(shí)施例使用有監(jiān)督學(xué)習(xí)之決策樹方法建立數(shù)學(xué)模型，決策樹學(xué)習(xí)是一種逼近離散值目標(biāo)函數(shù)的方法，在這種方法中學(xué)習(xí)到的函數(shù)被表示為一棵決策樹。
[0075]決策樹通過把實(shí)例從艮節(jié)點(diǎn)排列到某個(gè)葉子結(jié)點(diǎn)來分類實(shí)例，葉子結(jié)點(diǎn)即為實(shí)例所屬的分類。樹上的每一個(gè)結(jié)點(diǎn)指定了對(duì)實(shí)例的某個(gè)屬性的測(cè)試，并且該結(jié)點(diǎn)的每一個(gè)后繼分支對(duì)應(yīng)于該屬性的一個(gè)可能值。分類實(shí)例的方法是從這棵樹的根節(jié)點(diǎn)開始，測(cè)試這個(gè)結(jié)點(diǎn)的屬性，然后按照給定實(shí)例的屬性值對(duì)應(yīng)的樹枝向下移動(dòng)，然后這個(gè)過程在以新結(jié)點(diǎn)的根的子樹上重復(fù)。
[0076]決策樹對(duì)應(yīng)表達(dá)
[0077](Outlook = Sunny AHumidity = Normal) V (Outlook = Overcast) V (Outlook =RainAffind=Weak)
[0078]使用統(tǒng)計(jì)測(cè)試來確定每一個(gè)實(shí)例屬性單獨(dú)分類訓(xùn)練樣例的能力。分類能力最好的屬性被選作樹的根結(jié)點(diǎn)的測(cè)試。然后為根節(jié)點(diǎn)屬性的每個(gè)可能值產(chǎn)生一個(gè)分支，并把訓(xùn)練樣例排列到適當(dāng)?shù)姆种е隆Ｈ缓笾貜?fù)整個(gè)過程，用每個(gè)分支結(jié)點(diǎn)關(guān)聯(lián)的訓(xùn)練樣例來選取在該點(diǎn)被測(cè)試的最佳屬性。這形成了對(duì)合格決策樹的貪婪搜索(greedysearch)，也就是算法從不回溯重新考慮原來的選擇。
[0079]ID3(Examples，Target_attribute ,Attributes)，本實(shí)施例的智能有監(jiān)督學(xué)習(xí)決策樹方法包括:
[0080]S1.如果Examples都為正，那么返回label=+的單結(jié)點(diǎn)樹Root;
[0081 ] S2.如果Examples都為反，那么返回label =+的單結(jié)點(diǎn)樹Root ；
[0082]S3.如果Attributes為空，那么返回單結(jié)點(diǎn)樹Root，label = Examples中最普遍的Target_attribute 的值；
[0083]S4.否則開始:
[0084]S4.1.Α為Attributes中分類Examples能力最好的屬性；
[0085]S4.2.A也為Root的決策屬性；
[0086]S4.3.對(duì)于A的每個(gè)可能值vi;
[0087]S4.3.1.在Root下加一個(gè)新的分支對(duì)應(yīng)測(cè)試A = Vi ；
[0088]S4.3.2.令Examplesvi為Examples中滿足A屬性值為vi的子集；
[0089]S4.3.3.如果 Examplesvi 為空；
[0090]S4.3.4.在這個(gè)新分支下加一個(gè)葉子結(jié)點(diǎn)，結(jié)點(diǎn)的label =Examples中最普遍的Target_attribute值；
[0091 ] S4.3.5.否則在這個(gè)新分支下加一個(gè)子樹
[0092]ID3(Examplesvi, Target_attribute,Attributes-{A})；
[0093]S5.結(jié)束；
[0094]S6.返回Root;
[0095]其中:Examples為訓(xùn)練樣例集，Target_attribute是決策樹要測(cè)試的目標(biāo)屬性，Attributes是除目標(biāo)屬性外供學(xué)習(xí)到的決策樹測(cè)試的屬性列表，返回一棵能正確分類給定Examp I es的決策樹。
[0096]實(shí)施例3:
[0097]具有與實(shí)施例1或2相同的技術(shù)方案，更為具體的是:
[0098]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
[0099]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))。
[0?00] 2.驗(yàn)證數(shù)據(jù)集:是用來做模型選擇(model select 1n)，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))。
[0101]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))。
[0102]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。
[0103]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。
[0104]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)，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:
[0105]步驟1:濾波器參數(shù)的設(shè)置
[0106]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；
[0107]步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0108]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)
[0109]步驟4:利用方程計(jì)算切比雪夫逼近法濾波器系數(shù)
[0110]步驟5:保存系數(shù)
[0111]步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0112]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。
[0113]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。
[0114]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。
[0115]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。
[0116]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。
[0117]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)。
[0118]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)決策樹方法建立不同車型分目標(biāo)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智能有監(jiān)督學(xué)習(xí)決策樹方法; 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智能有監(jiān)督學(xué)習(xí)決策樹方法； 目標(biāo)檢測(cè)子系統(tǒng)，判斷車輛發(fā)生碰撞的對(duì)象，所述目標(biāo)檢測(cè)子系統(tǒng)對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。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)決策樹方法建立不同車型分目標(biāo)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； 所述目標(biāo)檢測(cè)子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測(cè)試模塊、目標(biāo)驗(yàn)證模塊，所述目標(biāo)訓(xùn)練模塊用于將目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，目標(biāo)測(cè)試模塊用于將目標(biāo)測(cè)試數(shù)據(jù)帶入模型中檢測(cè)目標(biāo)模型的結(jié)果，目標(biāo)驗(yàn)證模塊使用真實(shí)跑車數(shù)據(jù)驗(yàn)證目標(biāo)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)決策樹方法建立不同車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)，其特征在于，所述智能有監(jiān)督學(xué)習(xí)決策樹方法包括: S1.如果Examples都為正，那么返回label=+的單結(jié)點(diǎn)樹Root ； S2.如果Examples都為反，那么返回label=+的單結(jié)點(diǎn)樹Root ； S3.如果At tribute s為空，那么返回單結(jié)點(diǎn)樹Root，label =Examples中最普遍的Target_attribute 的值； S4.否則開始: S4.1.Α為Attributes中分類Examples能力最好的屬性； S4.2.A也為Root的決策屬性； S4.3.對(duì)于A的每個(gè)可能值vi ； S4.3.1.在Root下加一個(gè)新的分支對(duì)應(yīng)測(cè)試A= vi ； S4.3.2.令Examplesvi為Examples中滿足A屬性值為vi的子集； S4.3.3.如果Examplesvi為空； S4.3.4.在這個(gè)新分支下加一個(gè)葉子結(jié)點(diǎn)，結(jié)點(diǎn)的label =Examples中最普遍的Target_attribute值； S4.3.5.否則在這個(gè)新分支下加一個(gè)子樹 ID3 (Examplesvi , Targ et_at tribute ,Attributes-{A})；S5.結(jié)束；S6.返回Root; 其中:Examples為訓(xùn)練樣例集，Target_attribute是決策樹要測(cè)試的目標(biāo)屬性，Attributes是除目標(biāo)屬性外供學(xué)習(xí)到的決策樹測(cè)試的屬性列表，返回一棵能正確分類給定Examp I es的決策樹。4.一種基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)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智能有監(jiān)督學(xué)習(xí)決策樹方法； 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智能有監(jiān)督學(xué)習(xí)決策樹方法； 步驟五.判斷車輛發(fā)生碰撞的對(duì)象，對(duì)目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用智能有監(jiān)督學(xué)習(xí)決策樹方法。5.如權(quán)利要求4所述的基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)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(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)； 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； 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； 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； 步驟四包括: 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)； 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； 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； 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； 步驟五包括: S1.使用目標(biāo)檢測(cè)子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對(duì)其進(jìn)行分類產(chǎn)生損傷判斷訓(xùn)練數(shù)據(jù)和損傷判斷測(cè)試數(shù)據(jù)；S2.在目標(biāo)訓(xùn)練模塊中對(duì)損傷判斷訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生損傷模型，來模擬目標(biāo)訓(xùn)練數(shù)據(jù)的效果；S3.在目標(biāo)測(cè)試模型中使用損傷判斷測(cè)試數(shù)據(jù)來測(cè)試目標(biāo)判斷模型的結(jié)果；S4.使用真實(shí)跑車數(shù)據(jù)作為目標(biāo)驗(yàn)證數(shù)據(jù)并帶入目標(biāo)驗(yàn)證模塊，來驗(yàn)證目標(biāo)判斷模型的準(zhǔn)確性。6.如權(quán)利要求4或5所述的基于人工智能有監(jiān)督學(xué)習(xí)決策樹方法建立不同車型分目標(biāo)遠(yuǎn)程定損方法，其特征在于，所述智能有監(jiān)督學(xué)習(xí)決策樹方法: S1.如果Examples都為正，那么返回label=+的單結(jié)點(diǎn)樹Root ； S2.如果Examples都為反，那么返回label=+的單結(jié)點(diǎn)樹Root ； S3.如果At tribute s為空，那么返回單結(jié)點(diǎn)樹Root，label =Examples中最普遍的Target_attribute 的值； S4.否則開始: S4.1.Α為Attributes中分類Examples能力最好的屬性； S4.2.A也為Root的決策屬性； S4.3.對(duì)于A的每個(gè)可能值vi ； S4.3.1.在Root下加一個(gè)新的分支對(duì)應(yīng)測(cè)試A= vi ； S4.3.2.令Examplesvi為Examples中滿足A屬性值為vi的子集； S4.3.3.如果Examplesvi為空； S4.3.4.在這個(gè)新分支下加一個(gè)葉子結(jié)點(diǎn)，結(jié)點(diǎn)的label =Examples中最普遍的Target_attribute值； S4.3.5.否則在這個(gè)新分支下加一個(gè)子樹 ID3 (Examplesvi , Targ et_at tribute ,Attributes-{A})；S5.結(jié)束；S6.返回Root; 其中:Examples為訓(xùn)練樣例集，Target_attribute是決策樹要測(cè)試的目標(biāo)屬性，Attributes是除目標(biāo)屬性外供學(xué)習(xí)到的決策樹測(cè)試的屬性列表，返回一棵能正確分類給定Examp I es的決策樹。
【文檔編號(hào)】G06K9/62GK106067035SQ201610365600
【公開日】2016年11月2日
【申請(qǐng)日】2016年5月27日 公開號(hào)201610365600.7, CN 106067035 A, CN 106067035A, CN 201610365600, CN-A-106067035, CN106067035 A, CN106067035A, CN201610365600, CN201610365600.7
【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