基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定损系统及方法
【专利摘要】基于人工智能无监督学习主成分分析方法建立不同车型分工况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，对于工况的检测的问题，技术要点是：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无监督学习主成分分析方法。效果是：上述技术方案，可以实现对于车辆碰撞的工况检测，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】
基于人工智能无监督学习主成分分析方法建立不同车型分工 况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，涉及一种基于人工智能无监督学习主成分分析方法建 立不同车型分工况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，对于工况检测的问题，本发明提出了基于人工智能无监督 学习主成分分析方法建立不同车型分工况远程定损系统及方法，以实现定损过程中的工况 检测。
[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无监督学习主成分分析 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无监督学习主成分分析方法。
[0010] 有益效果:上述技术方案，可以实现对于车辆碰撞的工况检测，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;工况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】
[0011] 图1为本发明所述的系统的结构示意框图；
[0012]图2为数据变化方向图；
[0013]图3为样本数据变换坐标示意图；
[0014]图4为重构数据的点图。
【具体实施方式】
[0015] 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：
[0016] 工况:碰撞角度、方向、目标、区域等全体碰撞信息；
[0017] 车型:汽车型号；
[0018] 目标:碰撞目标；
[0019] 区域:碰撞位置；
[0020] 零件:汽车零件；
[0021] 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；
[0022] 车型检测:检测与本车发生碰撞的汽车型号；
[0023]目标检测:检测本车碰撞目标；
[0024]区域检测:检测本车碰撞位置；
[0025]零件检测:检测本车汽车零件。
[0026] 实施例1:
[0027] 一种基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定损系 统，包括：
[0028]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；
[0029]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；
[0030] 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无监督学习主成分分析 方法；
[0031] 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无监督学习主成分分析方法。 [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]所述无监督学习主成分分析方法：
[0035]步骤1.表示数据集；
[0036]步骤2.旋转数据，对数据集中的每个样本分别进行旋转；
[0037]步骤3.数据降维数；
[0038]步骤4.还原近似数据；
[0039] 步骤5.选择主成分个数。
[0040] 上述方法具体为：
[0041]步骤1.表示数据集：
[0042] 数据集表示为{χω，χ(2\ . . .，χω}，计算出矩阵Σ，
[0043]
[0044]假设X的均值为零，Σ是X的协方差矩阵，m为梯度值；
[0045] 步骤2.旋转数据，对数据集中的每个样本分别进行旋转，得旋转数据
为数据变化方向，运算U1X表示旋转到基Ui,U2, ...，un之上的训练数据，η为 基的个数；
[0046] 步骤3.数据降维数:把数据霉€降到k维表示企€ ，选取Xm的前k个成分， 分别对应前k个数据变化的主方向，念:是&。*的最后n-k个元素被置0所得的近似表示；
[0047] 步骤4.还原近似数据:使X = Uxrot;
[0048] 步骤5.选择主成分个数:设&，\2, ...，λη表示Σ的特征值，使得λ」为对应于特征向 量1^的特征值。那么如果我们保留前k个成分，则保留的方差百分比可计算为：
[0049]
[0050] 实施例2:
[0051] -种基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定损方 法，包括以下步骤：
[0052] 步骤一.选择车辆所对应的车型数据作为总数据集；
[0053] 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；
[0054]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无监督学习主成分分析方法；
[0055] 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无监督学习主成分分析方法。
[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；
[0061 ] 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]所述无监督学习主成分分析方法：
[0068]步骤1.表示数据集；
[0069] 步骤2.旋转数据，对数据集中的每个样本分别进行旋转；
[0070] 步骤3.数据降维数；
[0071]步骤4.还原近似数据；
[0072]步骤5.选择主成分个数。
[0073]上述方法具体为：
[0074]步骤1.表示数据集：
[0075] 数据集表示为{χω，χ(2\ . . .，xW}，计算出矩阵Σ，
[0076]
[0077]假设X的均值为零，Σ是X的协方差矩阵，m为梯度值；
[0078] 步骤2.旋转数据，对数据集中的每个样本分别进行旋转，得旋转数据
U为数据变化方向，运算U1X表示旋转到基Ui,U2, ...，un之上的训练数据，η为 基的个数；
[0079] 步骤3.数据降维数:把数据：€ IT降到k维表示I € ，选取Xrot的前k个成分， 分别对应前k个数据变化的主方向，全是Xrcit的最后n-k个元素被置0所得的近似表示；
[0080] 步骤4.还原近似数据:使X -UXrot ；
[0081] 步骤5.选择主成分个数:设&，\2, ...，λη表示Σ的特征值，使得λ」为对应于特征向 量1^的特征值。那么如果我们保留前k个成分，则保留的方差百分比可计算为：
[0082]
[0083] 实施例3:
[0084] 对实施例1和2的技术方案作进一步补充，使用无监督学习之主成分分析方法，该 方法是主成分分析(PCA)更像是一个预处理的方法，它可以将原本的数据降低维度，而使得 降低了维度的数据之间的方差最大。
[0085] 有些时候我们会考虑减少方差(比如说训练模型的时候，我们会考虑到方差-偏差 的均衡），有的时候我们会尽量的增大方差。从实践来说，通过尽量增大投影方差的PCA算 法，确实可以提高我们的算法质量。
[0086] 步骤1.在我们使用数据的过程中，数据集表示为{^^^...，^，，维度肝之即 气假设我们想把数据从2维降到1维。使得每个特征Xi和X2具有相同的均值(零)和 方差。为方便展示，根据^值的大小，我们将每个点分别涂上了三种颜色之一，但该颜色并 不用于算法而仅用于图解。
[0087] PCA算法将寻找一个低维空间来投影我们的数据。m是数据变化的主方向，而1!2是 次方向。
[0088] 也就是说，数据在m方向上的变化要比在U2方向上大。为更形式化地找出方向m和 U2，我们首先计算出矩阵Σ，如下所示：
[0089]
[0090] 假设X的均值为零，那么Σ就是X的协方差矩阵。（符号Σ，读"Sigma"，是协方差矩 阵的标准符号。虽然看起来与求和符?
I比较像，但它们其实是两个不同的概念。）
[0091] 步骤2.旋转数据。至此，我们可以把X用(m，U2)基表达为：
[0092]
[0093] 对数据集中的每个样本i分别进行旋$
然后把变换后 的数据Xrot显示在坐标图上，可得：
[0094] 这就是把训练数据集旋转到m，U2基后的结果。一般而言，运算UtX表示旋转到基 U1，U2,...，un之上的训练数据。矩阵U有正交性，即满足UtU = UUt=I,所以若想将旋转后的向 量Xrot还原为原始数据X，将其左乘矩阵U即可:x = Uxrc)t，验算一下:Uxr〇t = UUTx = x。
[0095] 步骤3.数据降维数。数据的主方向就是旋转数据的第一维Xrcit,1<3因此，若想把这数 据降到一維，可今，
[0096]
[0097] 更一般的，假如想把数据：€說'&降到k维表示f (令k<n)，只需选取x-t的 前k个成分，分别对应前k个数据变化的主方向。
[0098] 步骤4.还原近似数据。现在，我们得到了原始数据：€ ΙΓ的低维"压缩"表征量 f € 要转换回来，只需X = Uxm即可。进一步，我们把彔看作将Xm的最后n_k个元素被 置〇所得的近似表示，因此如果给定f €丨於,可以通过在其末尾添加 n_k个0来得到对 ^的近似，最后，左乘U便可近似还原出原数据X。具体来说，计算如下：
[0099]
[0100] 上面的等式基于先前对U的定义。在实现时，我们实际上并不先给奢填0然后再左 乘U，因为这意味着大量的乘0运算。我们可用i) ￡ 来与U的前k列相乘，即上式中最右 项，来达到同样的目的。将该算法应用于本例中的数据集，可得如下关于重构数据t的点 图。
[0101] 由图可见，我们得到的是对原始数据集的一维近似重构。
[0102] 在训练自动编码器或其它无监督特征学习算法时，算法运行时间将依赖于输入数 据的维数。若用i € 取代X作为输入数据，那么算法就可使用低维数据进行训练，运行速 度将显著加快。对于很多数据集来说，低维表征量f:是原数据集的极佳近似，因此在这些场 合使用PCA是很合适的，它引入的近似误差的很小，却可显著地提高你算法的运行速度。
[0103] 步骤5.选择主成分个数。我们该如何选择k，即保留多少个PCA主成分?在上面这个 简单的二维实验中，保留第一个成分看起来是自然的选择。对于高维数据来说，做这个决定 就没那么简单：如果k过大，数据压缩率不高，在极限情况k = n时，等于是在使用原始数据 (只是旋转投射到了不同的基）；相反地，如果k过小，那数据的近似误差太太。
[0104] 决定k值时，我们通常会考虑不同k值可保留的方差百分比。具体来说，如果k = n， 那么我们得到的是对数据的完美近似，也就是保留了 100%的方差，即原始数据的所有变化 都被保留下来;相反，如果k = 0,那等于是使用零向量来逼近输入数据，也就是只有0%的方 差被保留下来。
[0105] -般而言，设h，A2, . . .，λη表示Σ的特征值(按由大到小顺序排列），使得丨为对应 于特征向量1^的特征值。那么如果我们保留前k个成分，则保留的方差百分比可计算为：
[0106]
[0107] PCA其他方法:最大化方差法。
[0108] 假设我们还是将一个空间中的点投影到一个向量中去。首先，给出原空间的中心
[0110] 假设Ul为投影向量，投影之后的方差为： 占 .
[0109]
[0111]
[0112] 用拉格朗日乘子法：
[0113] uiTSui+Ai( I-Ui1Ui)
[0114] 将上式求导，使之为0，得到：
[0115] Sui = Aiui
[0116] 这是一个标准的特征值表达式了，λ对应的特征值，u对应的特征向量。上式的左边 取得最大值的条件就是λ?最大，也就是取得最大的特征值的时候。假设我们是要将一个D维 的数据空间投影到M维的数据空间中(M〈D)，那我们取前M个特征向量构成的投影矩阵就是 能够使得方差最大的矩阵了。
[0117] 实施例4:具有与实施例1或2或3相同的技术方案，更为具体的是:
[0118] 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
[0119] 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）。
[0120] 2.验证数据集:是用来做模型选择(model select ion)，即做模型的最终优化及确 定的(CAE仿真数据和跑车数据）。
[0121] 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）。
[0122] 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。
[0123] 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。
[0124] 有限冲击响应数字滤波器(FIR，FiniteImpulseResponse)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：
[0125] 步骤1:滤波器参数的设置
[0126] 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；
[0127] 步骤2:设置在通带和阻带上理想的幅频响应
[0128] 步骤3:给定在通带截止频率和阻带截止频率点上的加权
[0129] 步骤4:利用方程计算切比雪夫逼近法滤波器系数 [0130]步骤5:保存系数
[0131 ]步骤6:提取系数进行数据滤波
[0132]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。
[0133] 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。
[0134] 2.特征提取技术(参见图3):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。
[0135] 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。
[0136] 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。
[0137] 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。
[0138] 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。
[0139] 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. 一种基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定损系统， 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无监督学习主成分分析方 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无监督学习主成分分析方法。2. 如权利要求1所述的基于人工智能无监督学习主成分分析方法建立不同车型分工况 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。3. 如权利要求1或2基于人工智能无监督学习主成分分析方法建立不同车型分工况远 程定损系统，其特征在于，所述无监督学习主成分分析方法包括： 步骤1.表示数据集； 步骤2.旋转数据，对数据集中的每个样本分别进行旋转； 步骤3.数据降维数； 步骤4.还原近似数据； 步骤5.选择主成分个数。4. 如权利要求3基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定 损系统，其特征在于，无监督学习主成分分析方法具体为： 步骤1.表示数据集： 数据集表示为{x(1)，x(2)，...，x(m)}，计算出矩阵Σ，假设X的均值为零，Σ是X的协方差矩阵，m为梯度值； 步骤2.旋转数据，对数据集中的每个样本分别进行旋转，得旋转数据aii = 为数据变化方向，运算UTx表示旋转到基m，u2,...，un之上的训练数据，η为基的个数； 步骤3.数据降维数:把数据遂€ 11〃降到k维表示无 G說气选取的前k个成分，分别 对应前k个数据变化的主方向，f是XrQt的最后n-k个元素被置0所得的近似表示； 步骤4 .还原近似数据:使X = UXrot; 步骤5.选择主成分个数:设...，λη表示Σ的特征值，使得λ」为对应于特征向量Uj 的特征值。那么如果我们保留前k个成分，则保留的方差百分比可计算为：5. -种基于人工智能无监督学习主成分分析方法建立不同车型分工况远程定损方法， 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无监督学习主成分分析方法； 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无监督学习主成分分析方法。6. 如权利要求5所述的基于人工智能无监督学习主成分分析方法建立不同车型分工况 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。7. 如权利要求5或6所述的基于人工智能无监督学习主成分分析方法建立不同车型分 工况远程定损方法，其特征在于，所述无监督学习主成分分析方法： 步骤1.表示数据集； 步骤2.旋转数据，对数据集中的每个样本分别进行旋转； 步骤3.数据降维数； 步骤4.还原近似数据； 步骤5.选择主成分个数。8.如权利要求7所述的基于人工智能无监督学习主成分分析方法建立不同车型分工况 远程定损方法，其特征在于，无监督学习主成分分析方法具体为： 步骤1.表示数据集： 数据集表示为{x(1)，x(2)，...，x(m)}，计算出矩阵Σ，假设X的均值为零，Σ是X的协方差矩阵，m为梯度值； 步骤2.旋转数据，对数据集中的每个样本分别进行旋转，得旋转数据 为数据变化方向，运算UTX表示旋转到基U1，U2,...，un之上的训练数据，η为基的个数； 步骤3.数据降维数:把数据霉€ IP降到k维表示f ，选取的前k个成分，分别 对应前k个数据变化的主方向，愛是Xrcit的最后n-k个元素被置0所得的近似表示； 步骤4.还原近似数据:使X = UXrQt; 步骤5.选择主成分个数:设. . .，λη表示Σ的特征值，使得λ」为对应于特征向量Uj 的特征值。那么如果我们保留前k个成分，则保留的方差百分比可计算为：
【文档编号】G06K9/62GK106056149SQ201610365533
【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