基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系统及方法
【专利摘要】基于人工智能径向基函数神经网络方法建立不同分车型分目标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目标检测的问题，技术要点是：目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用径向基函数神经网络方法。有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，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】
基于人工智能径向基函数神经网络方法建立不同分车型分目 标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，涉及基于人工智能径向基函数神经网络方法建立不同 分车型分目标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目标检测的问题，本发明提出了 一种基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系统，以实现 定损过程中的目标检测和判断。
[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，所述碰撞模型建立使用径向基函数神经网络方 法；
[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，所述工况模型建立使用径向基函数神经网络方法； [0010]目标检测子系统，判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数 据进行学习从而生成目标模型，所述目标模型建立使用径向基函数神经网络方法。
[0011]有益效果:上述技术方案，可以实现对于车辆碰撞的目标检测，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；目标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；
[0013] 图2为径向基函数插值示例图。
【具体实施方式】
[0014] 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：
[0015] 工况:碰撞角度、方向、目标、区域等全体碰撞信息；
[0016] 车型:汽车型号；
[0017] 目标:碰撞目标；
[0018] 区域:碰撞位置；
[0019] 零件:汽车零件；
[0020] 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；
[0021] 车型检测:检测与本车发生碰撞的汽车型号；
[0022]目标检测:检测本车碰撞目标；
[0023]区域检测:检测本车碰撞位置；
[0024]零件检测:检测本车汽车零件。
[0025] 实施例1:
[0026] -种基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系 统，包括：
[0027] 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；
[0028] 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；
[0029] 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，所述碰撞模型建立使用径向基函数神经网络方 法；
[0030] 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，所述工况模型建立使用径向基函数神经网络方法； [0031 ]目标检测子系统，判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数 据进行学习从而生成目标模型，所述目标模型建立使用径向基函数神经网络方法。
[0032]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；
[0033]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；
[0034]所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目 标训练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测 试数据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的 可靠性和准确率。
[0035] 所述径向基函数神经网络方法，是一个高维空间中的曲面拟合，在多维空间中寻 找一个能够最佳匹配训练数据的曲面而进行学习，在一批新的数据中，用训练的曲面来处 理（比如分类、回归）；径向基函数里的基函数是在神经网络的隐单元里提供了一个函数 集，该函数集在输入模式（向量)扩展至隐空间时，为其构建了一个任意的基，这个函数集中 的函数被称为径向基函数。
[0036] 所述径向基函数神经网络方法具体是:选择P个基函数，每个基函数对应一个训练 数据，各基函数形式为Ix-XpI I表示差向量的模；
[0037]径向基函数的插值函数为：
[0038]
[0039] 输入X是个m维的向量，样本容量为P，P>m，输入数据点Xp是径向基函数Φ p的中心， wp是系数，也可认为是插值
[0040]输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数Φ P的中心。
[0041 ]隐藏层把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分； [0042]将插值条件代入：
[0043]
[0044] 写成向量的形式为?W=d，?是个对称矩阵，且与X的维度无关。
[0045] 计算数据中心的方法:数据中心从样本中选取，样本密集的地方多采集一些，
[0046] 各基函数采用统一的偏扩展常数：
[0047]
[0048] cUx是所选数据中心之间的最大距离，M是数据中心的个数。
[0049] 实施例2:
[0050] -种基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损方 法，包括以下步骤：
[0051 ]步骤一.选择车辆所对应的车型数据作为总数据集；
[0052]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；
[0053]步骤三.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，所述碰撞模型建立使用径向基函数神经网络方法；
[0054]步骤四.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，所述工况模型建立使用径向基函数神经网络方法；
[0055]步骤五.判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数据进行学 习从而生成目标模型，所述目标模型建立使用径向基函数神经网络方法。
[0056] 具体步骤是：
[0057] 步骤三包括：
[0058] 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；
[0059] 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；
[0060] 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；
[00611 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；
[0062] 步骤四包括：
[0063] 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；
[0064] 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；
[0065] 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；
[0066] 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；
[0067] 步骤五包括：
[0068] SI.使用目标检测子系统处理CAE损伤仿真数据处理，再对其进行分类产生损伤判 断训练数据和损伤判断测试数据；
[0069] S2.在目标训练模块中对损伤判断训练数据进行学习并产生损伤模型，来模拟目 标训练数据的效果；
[0070] S3.在目标测试模型中使用损伤判断测试数据来测试目标判断模型的结果；
[0071] S4.使用真实跑车数据作为目标验证数据并带入目标验证模块，来验证目标判断 模型的准确性。
[0072] 所述径向基函数神经网络方法，是一个高维空间中的曲面拟合，在多维空间中寻 找一个能够最佳匹配训练数据的曲面而进行学习，在一批新的数据中，用训练的曲面来处 理(比如分类、回归）；径向基函数里的基函数是在神经网络的隐单元里提供了一个函数集， 该函数集在输入模式（向量)扩展至隐空间时，为其构建了一个任意的基，这个函数集中的 函数被称为径向基函数。
[0073] 所述径向基函数神经网络方法具体是:选择P个基函数，每个基函数对应一个训练 数据，各基函数形式为，I Ix-XpI I表示差向量的模；
[0074]径向基函数的插值函数为：
[0075]
[0076]输入X是个m维的向量，样本容量为P，P>m，输入数据点Xp是径向基函数Φ p的中心， WP是系数，也可认为是插值
[0077]输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数Φ P的中心。
[0078]隐藏层把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分； [0079]将插值条件代入：
[0080]
[0081] 写成向量的形式为?W=d，?是个对称矩阵，且与X的维度无关。
[0082] 计算数据中心的方法:数据中心从样本中选取，样本密集的地方多采集一些，各基 函数采用统一的偏扩展常数：
[0083]
[0084] cUx是所选数据中心之间的最大距离，M是数据中心的个数。
[0085] 实施例3:
[0086]对于实施例1或2中所述径向基函数神经网络方法的补充:RBF网络能够逼近任意 的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学 习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处 理、图像处理、系统建模、控制和故障诊断等。
[0087] RBF(Radial Basis Function)可以看作是一个高维空间中的曲面拟合(逼近）问 题，学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面，然后来一批新的数 据，用刚才训练的那个曲面来处理（比如分类、回归）』BF的本质思想是反向传播学习算法 应用递归技术，这种技术在统计学中被称为随机逼近。RBF里的basis function(径向基函 数里的基函数)就是在神经网络的隐单元里提供了一个函数集，该函数集在输入模式（向 量)扩展至隐空间时，为其构建了一个任意的"基"。这个函数集中的函数就被称为径向基函 数。很明显，RBF属于神经网络领域的东西，所以像很多神经网络一样，其结构由：输入层、隐 层、输出层三层组成。
[0088] 完全内插法要求插值函数经过每个样本点，即F(Xp) = dp。样本点总共有P个。
[0089] RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为 辦I丨.Hlh ,由于距离是径向同性的，因此称为径向基函数。I Ix-Xpl I表示差向量的模，或 者叫2范数。
[0090] 基于为径向基函数的插值函数为：
[0091]
[0092]输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数Φ P的中心。
[0093]隐藏层的作用是把向量从低维m映射到高维P，低维线性不可分的情况到高维就线 性可分了。
[0094]将插值条件代入：
[0095]
[0096] 写成向量的形式为?W = d，显然Φ是个规模这P对称矩阵，且与X的维度无关，当Φ 可逆时，有W= 。
[0097] 对于这类函数，当输入的X各不相同时，Φ就是可逆的。下面的几个函数就属于这 "一大类"函数：
[0098] l)Gauss (高斯）函数
[0099]
[0100]
[0101]
[0102]
[0103]
[0104] σ称为径向基函数的扩展常数，它反应了函数图像的宽度，σ越小，宽度越窄，函数 越具有选择性。
[0105] 正则化RBF网络:输入样本有P个时，隐藏层神经元数目为P，且第P个神经元采用的 变换函数为G(X，Xp)，它们相同的扩展常数〇。输出层神经元直接把净输入作为输出。输入层 到隐藏层的权值全设为1，隐藏层到输出层的权值是需要训练得到的：逐一输入所有的样 本，计算隐藏层上所有的Green函数，根据(2)式计算权值。
[0106] 广义RBF网络:Cover定理指出：将复杂的模式分类问题非线性地映射到高维空间 将比投影到低维空间更可能线性可分。
[0107] 广义RBF网络:从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输 入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。从隐藏层 到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习 规则，参见神经网络基础和感知器。
[0108] 下面给出计算数据中心的两种方法：
[0109] 数据中心从样本中选取。样本密集的地方多采集一些。各基函数采用统一的偏扩 展常数：
[0110]
[0111] dmax是所选数据中心之间的最大距离，M是数据中心的个数。扩展常数这么计算是 为了避免径向基函数太尖或太平。
[0112] 自组织选择法，比如对样本进行聚类、梯度训练法、资源分配网络等。各聚类中心 确定以后，根据各中心之间的距离确定对应径向基函数的扩展常数。
[0113]
[0114]
[0115] λ是重叠系数。
[0116] 接下来求权值W时就不能再用W=O^1Cl了，因为对于广义RBF网络，其行数大于列 数，此时可以求Φ伪逆。
[0117] ψ=Φ+?
[0118] φ + =(φτφ)-1Cit
[0119] 数据中心的监督学习算法
[0120]最一般的情况，RBF函数中心、扩展常数、输出权值都应该采用监督学习算法进行 训练，经历一个误差修正学习的过程，与BP网络的学习原理一样。同样采用梯度下降法，定 义目标函数为：
[0121]
[0122]
[0123]
[0124] 上式的输出函数中忽略了阈值。
[0125] 为使目标函数最小化，各参数的修正量应与其负梯度成正比，即
[0126]
[0127]
[0128]
[0129]
[0130]
[0131]
[0132]
[0133] 上述目标函数是所有训练样本引起的误差总和，导出的参数修正公式是一种批处 理式调整，即所有样本输入一轮后调整一次。目标函数也可以为瞬时值形式，即当前输入引 起的误差：
[0134]
[0135] 此时参数的修正值为：
[0136]
[0137]
[0138]
[0139] 实施例4:
[0140] 具有与实施例1或2或3相同的技术方案，更为具体的是:
[0141 ]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 [0142] 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）。
[0143] 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）。
[0144] 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）。
[0145] 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。
[0146] 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。
[0147] 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：
[0148] 步骤1:滤波器参数的设置
[0149] 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；
[0150] 步骤2:设置在通带和阻带上理想的幅频响应
[0151 ]步骤3:给定在通带截止频率和阻带截止频率点上的加权
[0152] 步骤4:利用方程计算切比雪夫逼近法滤波器系数
[0153] 步骤5:保存系数
[0154] 步骤6:提取系数进行数据滤波
[0155] 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。
[0156] 参见图2,为通带截止频率和阻带截止频率点上的加权的选取。
[0157] 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。
[0158] 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。
[0159] 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。
[0160] 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。
[0161] 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。
[0162] 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. 一种基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系统， 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，所述碰撞模型建立使用径向基函数神经网络方法； 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，所述工况模型建立使用径向基函数神经网络方法； 目标检测子系统，判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数据进 行学习从而生成目标模型，所述目标模型建立使用径向基函数神经网络方法。2. 如权利要求1所述的基于人工智能径向基函数神经网络方法建立不同分车型分目标 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； 所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目标训 练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测试数 据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的可靠 性和准确率。3. 如权利要求1或2基于人工智能径向基函数神经网络方法建立不同分车型分目标远 程定损系统，其特征在于，所述径向基函数神经网络方法，是一个高维空间中的曲面拟合， 在多维空间中寻找一个能够最佳匹配训练数据的曲面而进行学习，在一批新的数据中，用 训练的曲面来处理（比如分类、回归）；径向基函数里的基函数是在神经网络的隐单元里提 供了一个函数集，该函数集在输入模式（向量)扩展至隐空间时，为其构建了一个任意的基， 这个函数集中的函数被称为径向基函数。4. 如权利要求3基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定 损系统，其特征在于，所述径向基函数神经网络方法具体是:选择P个基函数，每个基函数对 应一个训练数据，各基函数形式为，l Ix-xpI I表示差向量的模； 径向基函数的插值函数为：输入X是个m维的向量，样本容量为P，P>m，输入数据点Xp是径向基函数Φ p的中心，wp是 系数，也可认为是插值 输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数Φ p的 中心。 隐藏层把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分； 将插值条件代入：写成向量的形式为〇W=d，?是个对称矩阵，且与X的维度无关。 计算数据中心的方法:数据中心从样本中选取，样本密集的地方多采集一些，各基函数 采用统一的偏扩展常数：dmax是所选数据中心之间的最大距离，Μ是数据中心的个数。5. -种基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损方法， 其特征在于，包括以下步骤： 步骤一.选择车辆所对应的车型数据作为总数据集； 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； 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，所述碰撞模型建立使用径向基函数神经网络方法； 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， 所述工况模型建立使用径向基函数神经网络方法； 步骤五.判断车辆发生碰撞的对象，对目标训练数据进行学习从而生成目标模型，所述 目标模型建立使用径向基函数神经网络方法。6. 如权利要求5所述的基于人工智能径向基函数神经网络方法建立不同分车型分目标 远程定损方法，其特征在于，具体步骤是： 步骤三包括： 53.1. 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； 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； 53.3. 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； 53.4. 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； 步骤四包括： 54.1. 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； 54.2. 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； 54.3. 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； 54.4. 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； 步骤五包括：51. 使用目标检测子系统处理CAE损伤仿真数据处理，再对其进行分类产生损伤判断训 练数据和损伤判断测试数据；52. 在目标训练模块中对损伤判断训练数据进行学习并产生损伤模型，来模拟目标训 练数据的效果；53. 在目标测试模型中使用损伤判断测试数据来测试目标判断模型的结果；54. 使用真实跑车数据作为目标验证数据并带入目标验证模块，来验证目标判断模型 的准确性。7. 如权利要求5或6所述的基于人工智能径向基函数神经网络方法建立不同分车型分 目标远程定损方法，其特征在于，所述径向基函数神经网络方法，是一个高维空间中的曲面 拟合，在多维空间中寻找一个能够最佳匹配训练数据的曲面而进行学习，在一批新的数据 中，用训练的曲面来处理(比如分类、回归）；径向基函数里的基函数是在神经网络的隐单元 里提供了一个函数集，该函数集在输入模式（向量)扩展至隐空间时，为其构建了一个任意 的基，这个函数集中的函数被称为径向基函数。8. 如权利要求7所述的基于人工智能径向基函数神经网络方法建立不同分车型分目标 远程定损方法，其特征在于，所述径向基函数神经网络方法具体是:选择P个基函数，每个基 函数对应一个训练数据，各基函数形式为Mini)，| |X-Xp| |表示差向量的模； 径向基函数的插值函数为：输入X是个m维的向量，样本容量为P，P>m，输入数据点Xp是径向基函数Φ p的中心，wp是 系数，也可认为是插值 输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数Φ p的 中心。 隐藏层把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分； 将插值条件代入：写成向量的形式为〇W=d，?是个对称矩阵，且与X的维度无关。 计算数据中心的方法:数据中心从样本中选取，样本密集的地方多采集一些，各基函数 采用统一的偏扩展常数：dmax是所选数据中心之间的最大距离，Μ是数据中心的个数。
【文档编号】G06N3/02GK106056147SQ201610365511
【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