基于人工智能建立分车型远程定损系统及方法
【专利摘要】基于人工智能建立分车型远程定损系统及方法，属于车辆定损领域，为了解决车辆碰撞后，对于碰撞后的碰撞车辆的车型检测的问题，包括碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型；车型检测子系统，判断车辆碰撞时所撞车型；所述车型检测子系统，对车型训练数据进行学习从而生成车型模型。效果是：上述技术方案，可以实现对于车辆碰撞的车型检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升。
【专利说明】
基于人工智能建立分车型远程定损系统及方法
技术领域
[0001] 本发明属于车辆定损领域，涉及基于人工智能建立分车型远程定损系统及方法。
【背景技术】
[0002] 针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导 致的理赔纠纷问题，远程定损技术通过采集车辆行驶过程中的多种信号（如速度、加速度、 角速度、声音等)并用信号处理和机器学习技术加以分析，以判断碰撞是否发生以及碰撞后 车辆的损毁情况。
[0003] 车辆发生碰撞事故后，前端设备能够检测出碰撞的发生并截取碰撞过程的信号， 通过无线网络发送至云端，远程服务器从收到的信号中抽取出事先设计的特征值，用机器 学习算法进行分析，先判断碰撞数据的准确性，再判断碰撞物体和工况情况，以确定碰撞数 据集对什么零件产生了哪种等级的损伤，然后根据零件损伤等级计算出参考理赔金额并发 送至保险公司。这期间会涉及对于车型、工况、目标、零件和区域的检测。
【发明内容】
[0004] 为了解决车辆碰撞后，对于碰撞后的碰撞车辆的车型检测的问题，本发明提出了 基于人工智能建立分车型远程定损系统及方法，以实现定损过程中的车型检测和判断。
[0005] 为了解决上述技术问题，本发明提供的技术方案的要点是:包括：
[0006] 车型选择子系统，选择车辆所对应的车型数据作为总数据集；
[0007] 数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；
[0008] 碰撞检测子系统，判断车辆在行车过程中是否发生碰撞;所述碰撞检测子系统对 碰撞训练数据进行学习从而生成碰撞模型；
[0009] 工况检测子系统，判断碰撞发生的所有工况信息;所述工况检测子系统对工况训 练数据进行学习从而生成工况模型；
[0010] 车型检测子系统，判断车辆碰撞时所撞车型;所述车型检测子系统，对车型训练数 据进行学习从而生成车型模型。
[0011 ]有益效果:上述技术方案，可以实现对于车辆碰撞的车型检测，在远程定损的这个
技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得 以提升;本发明通过选择车型来导入该车型所对应的数据，而数据分类则是为了模型训练 和测试的目的而加入的步骤;车型的检测是该方案实现的目的，是经过一系列操作所要得 到的结果。
【附图说明】
[0012]图1为本发明所述的系统的结构示意框图。
【具体实施方式】
[0013] 为了对本发明作出更为清楚的解释，下面对本发明涉及的技术术语作出定义：
[0014] 工况:碰撞角度、方向、目标、区域等全体碰撞信息；
[0015] 车型:汽车型号；
[0016] 目标:碰撞目标；
[0017]区域:碰撞位置；
[0018] 零件:汽车零件；
[0019] 工况检测:检测本车碰撞角度、方向、目标、区域等全体碰撞信息；
[0020] 车型检测:检测与本车发生碰撞的汽车型号；
[0021] 目标检测:检测本车碰撞目标；
[0022] 区域检测:检测本车碰撞位置；
[0023] 零件检测:检测本车汽车零件。
[0024] 实施例1:
[0025] -种基于人工智能建立分车型远程定损系统，包括：
[0026] 车型选择子系统，选择车辆所对应的车型数据作为总数据集；
[0027] 数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；
[0028] 碰撞检测子系统，判断车辆在行车过程中是否发生碰撞;所述碰撞检测子系统对 碰撞训练数据进行学习从而生成碰撞模型；
[0029] 工况检测子系统，判断碰撞发生的所有工况信息;所述工况检测子系统对工况训 练数据进行学习从而生成工况模型；
[0030] 车型检测子系统，判断车辆碰撞时所撞车型;所述车型检测子系统，对车型训练数 据进行学习从而生成车型模型。
[0031 ]所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰 撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测 试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模 型的可靠性和准确率；
[0032]所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工 况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工 况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模 型的可靠性和准确率；
[0033]所述车型检测子系统包括，车型训练模块、车型测试模块、车型验证模块，所述车 型训练模块用于将车型训练数据进行学习从而生成车型模型，车型测试模块用于将车型测 试数据带入模型中检测车型模型的结果，车型验证模块使用真实跑车数据验证车型模型的 可靠性和准确率。
[0034]所述碰撞模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0035]所述工况模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0036]所述车型模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0037]且，所述碰撞模型、所述工况模型、所述车型模型建立使用的算法或方法不为完全 相同的算法或方法。
[0038] 作为一种实施例：
[0039] 所述K最近邻分类算法包括以下步骤：
[0040] 步骤1---初始化距离为最大值；
[0041 ] 步骤2 计算未知样本和每个训练样本的距离dist;
[0042]步骤3-得到目前K个最临近样本中的最大距离maxdist;
[0043] 步骤4 如果dist小于maxdist，则将该训练样本作为K-最近邻样本；
[0044]步骤5---重复步骤2、3、4,直到未知样本和所有训练样本的距离都算完；
[0045]步骤6统计K-最近邻样本中每个类标号出现的次数；
[0046]步骤7--选择出现频率最大的类标号作为未知样本的类标号。
[0047] 本实施例，对于车型检测，目前我们使用K最近邻(k-Nearest Neighbor，KNN)分类 算法，该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的 样本中的大多数属于某一个类别，则该样本也属于这个类别。
[0048] KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据 最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法虽然从原理上也 依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围 有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或 重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
[0049] KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居， 将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不 同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成正比（组合 函数）。
[0050] K-NN可以说是一种最直接的用来分类未知数据的方法。
[0051]简单来说，K-NN可以看成:有那么一堆你已经知道分类的数据，然后当一个新数据 进入的时候，就开始跟训练数据里的每个点求距离，然后挑离这个训练数据最近的K个点看 看这几个点属于什么类型，然后用少数服从多数的原则，给新数据归类。
[0052]作为一种实施例：
[0053] 所述Sof tmax回归方法包括以下步骤：
[0054] 在softmax回归中y(1)e {1，2, . . .，k}，其中k是类别种数，比如在工况判断中k = 10,表示要识别的工况数量为10种。对于给定的测试输入X，我们想用假设函数针对每一个 类别j估算出概率值P(y = j Ix)。也就是说，我们想估计X的每一种分类结果出现的概率。因 此，我们的假设函数将要输出一个k维的向量（向量元素的和为1)来表示这k个估计的概率 值，T为列表转置功能的意思，具体地说，我们的假设函数he(x)形式如下：
[0055]
[0056]其中Θ1，Θ2，Θ3, · · ·，0k属于模型的参数，等式右边的系数是对概率分布进行归
[0057] 一化，使得总概率之和为I，m为梯度值，于是类似于logistic回归，推广得到新的代价函数 为：
[0058] 值得注意的是，上述公式是logistic回归代价函数的推广。logistic回归代价函 数可以改为：
[0059]
j.-r.y[0066] 然后我们可以通过梯度上升法来更新参数
[0000] 可以看到，Softmax代价函数与logistic代价函数在形式上非常类似，只是在 Softmax损失函数中对类标记的k个可能值进行了累加，Φ表示常量，注意在Softmax回归中 将分悉先悉則彳的姻1泰先.
[0061]
[0062]
[0063]
[0064]
[0065]
[0067]
[0068] 注意这里01是第1个类的所有参数，它是一个向量。
[0069] 作为一种实施例：
[0070]所述半监督学习逻辑回归方法包括以下步骤：
[0071 ]假设总体的数据集称为训练集;输入变量x为特征;输出的预测值y为目标值;拟合 的曲线，一般表示为y = h(x)，称为假设模型。这里，T表示转置，Q1为参数，也称为权值 (weights)〇
[0072]
[0073] 构造 sigmoid函数，其是一个在生物学中常见的S型的函数，也称为S形生长曲线， Sigmoid函数由下列公式定义；
[0074]
[0075]
[0076]
[0077]
[0078] 函数he(x)的值有特殊的含义，它表示结果取1的概率，因此对于输入X分类结果为 类别1和类别〇的概率分别为：
[0079]
[0080]构造损失函数J:[0081 ] Cost函数和J函数如下，它们是基于最大似然估计推导得到的。
[0082]
[0083]
[0084] m为梯度值；
[0085]下面详细说明推导的过程：
[0086] (1)式综合起来可以写成：
[0087] P(y I X； Θ) = (he(x) )y( l-he(x) )1_y
[0088] 取似然函数为：
[0092] 最大似然估计就是求使1(θ)取最大值时的Θ，其实这里可以使用梯度上升法求解， 求得的Θ就是要求的最佳参数。但是，在Andrew Ng的课程中将J(0)取为下式，BP:
[0089]
[0090]
[0091]
[0093]
[0096]
[0094]因为乘了一个负的系数-1/m，所以取J(0)最小值时的Θ为要求的最佳参数；[0095]梯度下降法求最小值，Θ更新过程：
[0097]
[0098]
[0099]
[0100]
[0101] 终止条件：1)系数不再出现周期性波动。2)系数可以很快的稳定下来，也就是快速 收敛。
[0102] 作为一种实施例：
[0103] 所述Apriori算法包括以下步骤：
[0104] SI.从事务数据库(D)中挖掘出所有频繁项集；
[0105] S2.基于步骤Sl步挖掘到的频繁项集，继续挖掘出全部的频繁关联规则。
[0106]更为具体的是:其中，步骤Sl中，支持度大于最小支持度minSup的项集（Itemset) 称为频集（FrequentItemset);
[0107] 具体步骤如下：
[0108] 首先，挖掘出频繁1-项集；
[0109] 然后，继续采用递推的方式来挖掘频繁k_项集(k>l)，具体做法是：
[0110] 在挖掘出候选频繁k-项集(Ck)之后，根据最小置信度minSup来筛选，得到频繁k- 项集。 最后，合并全部的频繁k-项集(k>0)。
[0112] 挖掘频繁项集的算法描述如下：
[0113] (I)Ll = f ind_frequent_l_itemsets(D);//挖掘频繁1-项集，比较容易
[0114] (2)for(k = 2；Lk-l^ Φ ；k++) {
[0115] (3)Ck = apriori_gen(Lk-l，min_sup);//调用apriori_gen方法生成候选频繁k_ 项集
[0116] (4)foreachtransactiont eD{//扫描事务数据库 D
[0117] (5)Ct = subset(Ck,t)；
[0118] (6)foreachcandidatec e Ct
[0119] (7)c. count++;//统计候选频繁k-项集的计数 [0120] (8)}
[0121] (9)Lk={ceCk| c.count>min_sup}/7满足最小支持度的k-项集即为频繁k-项集
[0122] (1〇)}
[0123] (ll)returnL= UkLk;//合并频繁 k_ 项集(k>0)
[0124] 步骤S2中，置信度大于给定最小置信度minConf的关联规则称为频繁关联规则 (FrequentAssociationRule)；
[0125] 具体步骤如下：
[0126] 首先，从频繁项集入手，挖掘出全部的关联规则(或者称候选关联规则），然后，根 据minConf来得到频繁关联规则。
[0127] 挖掘频繁关联规则的算法描述如下：
[0128] (1)初始状态:L= UkLk;AR=O ;//L是频繁项集集合，AR是频繁关联规则集合 [0129] (2)foralUk(Ak是L的元素，是一个k-频繁项集，大小为n){
[0130] (3)forallak(ak是λ??的非空真子集）{
[0131 ] (4)if (ak-βηι的置信度>=minConf) {//这里，m+k = n，其中ak-βηι是一个关联规 则
[0132] (5)AR=ARU (ak-ftn);
[0133] (6)}
[0134] (7)}
[0135] (8)}
[0136] (9)returnAR；
[0137] 作为一种实施例：
[0138] 所述有监督学习朴素贝叶斯方法包括以下步骤：
[0139] SI.估计特征Xi在每一类的条件概率；
[0140] S2.类别y的先验概率由训练集算出，通过训练集上的统计，得出对应的每一类上 的条件独立的特征对应的条件概率向量；
[0141] S3.学习训练集，分类，并建立分子中的条件概率，得到模型的基本概率；
[0142] S4.给定未分类新实例X，通过上述概率进行计算，得到该实例X属于各类的后验概 率。
[0143] 上述步骤S1-S4中，其具体为：
[0144] 对于判断车型，目前我们使用有监督学习之朴素贝叶斯方法，朴素贝叶斯方法，是 指
[0145] 朴素:特征条件独立
[0146] 贝叶斯:基于贝叶斯定理
[0147] 根据贝叶斯定理，对一个分类问题，给定样本特征X，样本属于类别y的概率是：
[0148]
[0149] 在这里，x是一个特征向量，将设x维度为M，因为朴素的假设，即特征条件独立，根 据全概率公式展开，公式(1)可以表达为：
[0150] …(2)
[0151] 这里，只要分别估计出，特征xi在每一类的条件概率就可以了，类别y的先验概率 可以通过训练集算出，同样通过训练集上的统计，可以得出对应每一类上的，条件独立的特 征对应的条件概率向量，如何统计，就是下一部分一一学习一一所关心的内容。
[0152]学习（参数估计）：
[0153] 下面介绍如何从数据中，学习得到朴素贝叶斯分类模型，提出概述分类方法。
[0154] 学习训练集1'抑11^即5的={(叉1，71)，（叉2,72)，...，（ -，7?}包含~条训练数据， 其中xi = (x(l)i，x(2)i,. . .，x(M)i)，T是M维向量，yie {cl，c2,. . .cK}属于K类中的一类。 [0155]学习1.首先，我们来计算公式(2)中的p(y = ck)
[0156] p(y = ck) = ENi = IKyi = ck)N......(3)
[0157] 其中I(x)为指示函数，若括号内成立，则计I，否则为0。
[0158] 学习2.接下来计算分子中的条件概率，设M维特征的第j维有L个取值，则某维特征 的某个取值a j 1，在给定某分类ck下的条件概率为：
[0159] p(xj = ajl |y = ck) = ENi = lI(xji = ajl ,yi = ck) ENi = lI(yi = ck)......(4)
[0160] 经过上述步骤，我们就得到了模型的基本概率，也就完成了学习的任务。
[0161] 分类：
[0162] 通过学到的概率，给定未分类新实例X，就可以通过上述概率进行计算，得到该实 例属于各类的后验概率P(y = ck|X)，因为对所有的类来说，公式(2)中分母的值都相同，所 以只计算分子部分即可，具体步骤如下：
[0163]分类1.计算该实例属于y = ck类的概率
[0164] p(y = ck|X)=p(y = ck)IIj = lnp(X( j)=x( j) |y = ck)......(5)
[0165] 分类2.确定该实例所属的分类y
[0166] y = argmaxckp(y = ck | X)......(6)
[0167] 于是我们得到了实例的分类结果。
[0168] 实施例2:
[0169] -种基于人工智能建立分车型远程定损方法，包括以下步骤：
[0170]步骤一.选择车辆所对应的车型数据作为总数据集；
[0171]步骤二.读取CAE仿真数据和实车数据，并相应对数据进行分类；
[0172] 步骤三.判断车辆在行车过程中是否发生碰撞;对碰撞训练数据进行学习从而生 成碰撞模型；
[0173] 步骤四.判断碰撞发生的所有工况信息；对工况训练数据进行学习从而生成工况 模型；
[0174] 步骤五.判断车辆碰撞时所撞车型;对车型训练数据进行学习从而生成车型模型。
[0175] 具体步骤是：
[0176] 步骤三包括：
[0177] S3.1.使用碰撞检测子系统对CAE碰撞仿真数据处理，再对其进行分类以产生碰撞 训练数据和碰撞测试数据；
[0178] S3.2.在碰撞训练模块中对碰撞训练数据进行学习并产生碰撞模型，来模拟碰撞 训练数据的效果；
[0179] S3.3.在碰撞测试模块中使用碰撞测试数据来测试碰撞模型的结果；
[0180] S3.4.使用真实跑车数据作为碰撞验证数据并带入碰撞验证模块，来验证碰撞模 型的准确性；
[0181] 步骤四包括：
[0182] S4.1.使用工况检测子系统对CAE工况仿真数据处理，再对其进行分类产生工况训 练数据和工况测试数据；
[0183] S4.2.在工况训练模块中对工况训练数据进行学习并产生工况模型，来模拟工况 训练数据的效果；
[0184] S4.3.在工况测试模块中使用工况测试数据来测试工况模型的结果；
[0185] S4.4.使用真实跑车数据作为工况验证数据并带入工况验证模块，来验证工况模 型的准确性；
[0186] 步骤五包括：
[0187] S5.1.使用车型检测子系统对CAE车型仿真数据处理，再对其进行分类以产生车型 训练数据和车型测试数据；
[0188] S5.2.在车型训练模块中对车型训练数据进行学习并产生车型模型，来模拟车型 训练数据的效果；
[0189] S5.3.在车型测试模块中使用车型测试数据来测试车型模型的结果；
[0190] S5.4.使用真实跑车数据作为车型验证数据并带入车型验证模块，来验证车型模 型的准确性。
[0191] 所述碰撞模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0192] 所述工况模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0193] 所述车型模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回 归方法、Apriori算法、有监督学习朴素贝叶斯方法中的一种以上；
[0194] 且，所述碰撞模型、所述工况模型、所述车型模型建立使用的算法或方法不为完全 相同的算法或方法。
[0195] 所述各种算法或方法的具体步骤，与实施例1中的算法或方法相同。
[0196] 实施例3:
[0197] 具有与实施例1或2相同的技术方案，更为具体的是:
[0198] 上述方案中的总体数据集:全部是CAE仿真数据和跑车数据;分为三份如下
[0199] 1.训练数据集:是用来训练模型或确定模型参数(CAE仿真数据和跑车数据）。
[0200] 2.验证数据集:是用来做模型选择(model selection)，即做模型的最终优化及确 定的(CAE仿真数据和跑车数据）。
[0201] 3.测试数据集：则纯粹是为了测试已经训练好的模型的推广能力。（CAE仿真数据 和跑车数据）。
[0202] 本实施例中还对定损过程中涉及的滤波、加权选取、特征提取、归一化、特征变换 作出了说明。
[0203] 1.滤波器技术：已实现的滤波方法包括FIR滤波、FIR切比雪夫逼近法、切比雪夫滤 波、巴特沃兹滤波等，在主程序的Filtering.m文件实现。各滤波器均为常见的滤波器， Matlab都有相应的函数实现，具体算法可参考信号处理专业书籍。此处给出FIR滤波器的内 容和流程的介绍。
[0204] 有限冲击响应数字滤波器(FIR，Finite Impulse Response)是一种全零点的系 统，FIR滤波器的设计在保证幅度特性满足技术要求的同事，很容易做到严格的线性相位特 性，所以据有稳定和线性相位特性是FIR滤波器的突出优点。切比雪夫逼近法是一种等波纹 逼近法，能够使误差频带均匀分布，对同样的技术指标，这种比肩发需要的滤波器阶数低， 对于同样阶数的滤波器，这种逼近法最大误差最小，其设计的主要步骤如下：
[0205] 步骤1:滤波器参数的设置
[0206] 滤波器的参数包括:通带截止频率、阻带截止频率、通带最大衰减和阻带最小衰 减；
[0207] 步骤2:设置在通带和阻带上理想的幅频响应
[0208] 步骤3:给定在通带截止频率和阻带截止频率点上的加权
[0209] 步骤4:利用方程计算切比雪夫逼近法滤波器系数
[0210] 步骤5:保存系数
[0211] 步骤6:提取系数进行数据滤波
[0212]其中：滤波器参数的设置是为了保证信号在进行处理的过程中不会出现失真现 象，滤波后的信号的截止频率和采样频率需要满足奈奎斯特定理，也就是在滤波后信号的 最高频率不能超过原信号采样频率的1/2，否则就会出现漏频现象。根据目前项目中的信号 采集板的采样频率主要是50Hz和IKHz，以50Hz为例根据公式F#±〈50/2,故选择滤波器截止 频率在25以下。
[0213] 2.特征提取技术:特征抽取是在碰撞信号上进行的。判断碰撞使用的特征包括窗 口内加速度绝对值的最大值、窗口内加速度最大值与最小值之间的差值、窗口内加速度的 平均能量(窗口内所有点的加速度的平方和除以点数）、窗口内各点斜率的绝对值的平均 值。
[0214]
[0215] 判断零件种类所使用的特征包括速度、加速度最大值到最小值之间的平均能量、 最大值和最小值之间的幅值/两者之间的宽度、加速度最大值、加速度最小值、最大值所在 半波的宽度、最小值所在半波的宽度、最大值和最小值之间的差值、最大值到最小值之间的 跨度、各点斜率的绝对值的平均值、信号进行傅立叶变换后〇~38频率范围内的信号的各个 频率分量的幅值。
[0216] 3.归一化技术:为了消除特征之间的量纲或数量级不同而对分类任务造成的不利 影响，需要对特征数据进行归一化处理，使得各特征值之间具有可比性，避免数值较大的特 征淹没数值较小的特征。原始的特征数据经过归一化处理后，各特征处于相同的值域范围。 由于Z-Score的性能表现更好，使用Z-Score做为归一化方法。
[0217] 4.特征变换技术:在特征较多的情况下，为了消除特征之间的相关性并减少冗余 特征，需要对特征进行变换，用尽可能少的新特征来反映样本信息。在实验样本较少的情况 下(本项目的实际情况)降低过多的特征维数，还能在一定程度上避免过拟合或欠拟合的发 生。根据实际需要，目前已实现的特征变换是PCA。通过实验发现，PCA对于提高本项目的分 类性能并无帮助，甚至还有所下降，这是由于目前所使用的特征较少，没有冗余特征，因此 暂不使用PCA，但是随着后续特征的逐步增加，不排除以后使用PCA的可能性。
[0218] 附图1中，记载的：车型选择即为本发明中的车型选择子系统;数据分类模块即为 本发明中的数据分类子系统;碰撞判断模块即为本发明中的碰撞检测子系统；工况检测模 块即为本发明的工况检测子系统;车型检测模块即为本发明的车型检测子系统；零件检测 模块即零件检测子系统；目标检测模块即为本发明的目标检测子系统，区域检测模块即为 本发明的区域检测子系统。
[0219] 以上所述，仅为本发明创造较佳的【具体实施方式】，但本发明创造的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明 创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之 内。
【主权项】
1. 一种基于人工智能建立分车型远程定损系统，其特征在于，包括： 车型选择子系统，选择车辆所对应的车型数据作为总数据集； 数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类； 碰撞检测子系统，判断车辆在行车过程中是否发生碰撞;所述碰撞检测子系统对碰撞 训练数据进行学习从而生成碰撞模型； 工况检测子系统，判断碰撞发生的所有工况信息;所述工况检测子系统对工况训练数 据进行学习从而生成工况模型； 车型检测子系统，判断车辆碰撞时所撞车型;所述车型检测子系统，对车型训练数据进 行学习从而生成车型模型。2. 如权利要求1所述的基于人工智能建立分车型远程定损系统，其特征在于， 所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训 练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数 据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的 可靠性和准确率； 所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训 练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测 试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的 可靠性和准确率； 所述车型检测子系统包括，车型训练模块、车型测试模块、车型验证模块，所述车型训 练模块用于将车型训练数据进行学习从而生成车型模型，车型测试模块用于将车型测试数 据带入模型中检测车型模型的结果，车型验证模块使用真实跑车数据验证车型模型的可靠 性和准确率。3. 如权利要求1所述的基于人工智能建立分车型远程定损系统，其特征在于， 所述碰撞模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回归方 法、Apr i or i算法、有监督学习朴素贝叶斯方法中的一种以上； 所述工况模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回归方 法、Apr i or i算法、有监督学习朴素贝叶斯方法中的一种以上； 所述车型模型建立使用K最近邻分类算法、Softmax回归方法、半监督学习逻辑回归方 法、Apr i or i算法、有监督学习朴素贝叶斯方法中的一种以上； 且，所述碰撞模型、所述工况模型、所述车型模型建立使用的算法或方法不为完全相同 的算法或方法。
【文档编号】G06F17/50GK106055778SQ201610363934
【公开日】2016年10月26日
【申请日】2016年5月27日
【发明人】田雨农, 刘俊俍
【申请人】大连楼兰科技股份有限公司