基于人工智能有监督学习svm方法建立不同车型分零件远程定损系统及方法
【专利摘要】基于人工智能有监督学习SVM方法建立不同车型分零件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，对于零件检测的问题，技术要点是：零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用有监督学习SVM方法。效果是：上述技术方案，可以实现对于车辆碰撞的零件检测，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】
基于人工智能有监督学习 SVM方法建立不同车型分零件远程 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有监督学习 SVM方法建立不同 车型分零件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，对于零件检测的问题，本发明提出了基于人工智能有监督 学习 SVM方法建立不同车型分零件远程定损系统及方法，以实现定损过程中零件的检测。
[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：
[0006] 包括：
[0007] 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；
[0008] 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；
[0009] 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有监督学习 SVM方法；
[0010] 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有监督学习 SVM方法；
[0011] 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统 对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用有监督学习 SVM方法。
[0012] 有益效果:上述技术方案，可以实现对于车辆碰撞的零件检测，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;零件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】
[0013] 图1为本发明所述的系统的结构示意框图；
[0014] 图2为超平面的方程示意图；
[0015]图3为惩罚函数与确认点关系图示例；
[0016] 图4为线性不可分示例图；
[0017]图5为高维空间对应图。
【具体实施方式】
[0018] 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：
[0019] 工况:碰撞角度、方向、目标、区域等全体碰撞信息；
[0020] 车型：汽车型号；
[0021] 目标:碰撞目标；
[0022]区域:碰撞位置；
[0023] 零件:汽车零件；
[0024] 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；
[0025] 车型检测:检测与本车发生碰撞的汽车型号；
[0026] 目标检测:检测本车碰撞目标；
[0027]区域检测:检测本车碰撞位置；
[0028]零件检测:检测本车汽车零件。
[0029] 实施例1:
[0030] 一种基于人工智能有监督学习 SVM方法建立不同车型分零件远程定损系统，包括：
[0031] 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；
[0032]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；
[0033] 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有监督学习 SVM方法；
[0034] 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有监督学习 SVM方法；
[0035] 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统 对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用有监督学习 SVM方法； [0036]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；
[0037]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；
[0038]所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零 件训练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测 试数据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的 可靠性和准确率。
[0039] 所述有监督学习 SVM方法，是通过一个非线性映射p，把样本空间映射到一个高维 乃至无穷维的特征空间中，进行升维和线性化，所述升维，是把样本向高维空间做映射，在 低维样本空间无法线性处理的样本集，在高维特征空间中通过一个线性超平面实现线性划 分，SVM方法应用核函数的展开定理，在高维特征空间中建立线性学习机。
[0040] SVM线性分类器的分类方法，包括：
[0041 ]步骤1.从特征学习出一个0/1分类模型，这个模型是将特性的线性组合作为自变 量，由于自变量的取值范围是负无穷到正无穷，因此，使用logistic函数将自变量映射到 (0，1)上，映射后的值被认为是属于y = 1的概率；
[0042] 步骤2.最小化向量w，即得到I |w| I是向量w的二范数，对其加入平方求 导，公式为：
[0043]
[0044] s.t.指的是在后面这个限制条件下的意思，s.t.后面的限制条件看做是一个凸多 面体，在这个凸多面体中找到最优解；
[0045]步骤3.上述的优化问题，用拉格朗日乘子法去解，使用了KKT条件的理论，得到这 个式子的拉格朗日目标函数，计算得到线性可分问题的优化式子；
[0046] 步骤4.增加惩罚参数；
[0047] 步骤5 .增加核函数，让空间从原本的线性空间变成一个更高维的空间，在这个高 维的线性空间下，再用一个超平面进行划分；
[0048]步骤6.将核函数所产生的参数带入至SVM模型训练中，得出本次数据的模型。
[0049] 实施例2:
[0050] -种基于人工智能有监督学习 SVM方法建立不同车型分零件远程定损方法，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有监督学习 SVM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有监督学习 SVM方法；
[0055] 步骤五.判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统对零件训 练数据进行学习从而生成零件模型，所述零件模型建立使用有监督学习 SVM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.使用零件检测子系统对CAE零件仿真数据处理，再对其进行分类以产生零件训 练数据和零件测试数据；
[0069] S2.在零件训练模块中对零件训练数据进行学习并产生零件模型，来模拟零件训 练数据的效果；
[0070] S3.在零件测试模块中使用零件测试数据来测试零件模型的结果；
[0071] S4.使用真实跑车数据作为零件验证数据并带入零件验证模块，来验证零件模型 的准确性。
[0072]所述有监督学习 SVM方法，是通过一个非线性映射p，把样本空间映射到一个高维 乃至无穷维的特征空间中，进行升维和线性化，所述升维，是把样本向高维空间做映射，在 低维样本空间无法线性处理的样本集，在高维特征空间中通过一个线性超平面实现线性划 分，SVM方法应用核函数的展开定理，在高维特征空间中建立线性学习机。
[0073] SVM线性分类器的分类方法，包括：
[0074]步骤1.从特征学习出一个0/1分类模型，这个模型是将特性的线性组合作为自变 量，由于自变量的取值范围是负无穷到正无穷，因此，使用logistic函数将自变量映射到 (0，1)上，映射后的值被认为是属于y = 1的概率；
[0075] 步骤2.最小化向量w，即得到
是向量w的二范数，对其加入平方求 导，公式％·
[0076]
[0077] s . t指的是在后面这个限制条件下的意思，s . t.后面的限制条件看做是一个凸多 面体，在这个凸多面体中找到最优解；
[0078]步骤3.上述的优化问题，用拉格朗日乘子法去解，使用了KKT条件的理论，得到这 个式子的拉格朗日目标函数，计算得到线性可分问题的优化式子；
[0079] 步骤4.增加惩罚参数；
[0080] 步骤5.增加核函数，让空间从原本的线性空间变成一个更高维的空间，在这个高 维的线性空间下，再用一个超平面进行划分；
[0081] 步骤6.将核函数所产生的参数带入至SVM模型训练中，得出本次数据的模型。
[0082]实施例3:作为实施例1或2中，所述有监督学习 SVM方法的补充:有监督学习之SVM 方法，该方法是通过一个非线性映射P，把样本空间映射到一个高维乃至无穷维的特征空间 中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线 性可分的问题。简单地说，就是升维和线性化.升维，就是把样本向高维空间做映射，一般情 况下这会增加计算的复杂性，甚至会引起"维数灾难"，因而人们很少问津。但是作为分类、 回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可 以通过一个线性超平面实现线性划分(或回归）。一般的升维都会带来计算的复杂化，SVM 方法巧妙地解决了这个难题:应用核函数的展开定理，就不需要知道非线性映射的显式表 达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计 算的复杂性，而且在某种程度上避免了 "维数灾难"，这一切要归功于核函数的展开和计算 理论。
[0083] 选择不同的核函数，可以生成不同的SVM，常用的核函数有以下4种：
[0084] ⑴线性核函数K(X，y)=X · y;
[0085] ⑵多项式核函数K(x，y) = [(x · y)+ird;
[0086] ⑶径向基函数 K(x，y)=exp(-|x-yr2/cT2)
[0087] ⑷二层神经网络核函数K(x，y) =tanh(a(x · y)+b)
[0088] 此处我们列举SVM线性分类器的例子。
[0089] 步骤1.假定训练数据(幻71)，...，（幻71)4￡1^4^{ + 1，-1}.其中1为信号数据经 滤波、特征提取、归一化、特征变换等处理后的数据点;y表示类别(y可以取1或者-1，分别代 表两个不同的类）。一个线性分类器的学习目标便是要在η维的数据空间中找到一个超平面 (hyperplane)，作数学规划凸分析，在空间中，与给定的唯一向量w及唯一值b(不为零)形成 上式的所有点构成一个超平面；
[0090] 这个超平面的方程可以表示为(wT中的T代表转置）：
[0091] wTx+b = 0
[0092] Logistic回归目的是从特征学习出一个0/1分类模型，而这个模型是将特性的线 性组合作为自变量，由于自变量的取值范围是负无穷到正无穷。因此，使用logistic函数 (或称作S igmoid函数)将自变量映射到(0，1)上，映射后的值
[0093]被认为是属于y = l的概率。
[0094] 步骤2.最大化这两个平行超平面的距离，即
或者说最小化w，即
的意思是w的二范数，跟上面的M表达式的分母是一个意思，之前得到，M= 2/| Iwl I，最大化这个式子等价于最小化I Iwl I，另外由于I Iwl I是一个单调函数，我们可以 对其加入平方为了方便求导。完整公式为：
[0095]
[0096] s . t(subjectto)，指的是在后面这个限制条件下的意思。这个其实是一个带约束 的二次规划(quadraticprogramming，QP)问题，是一个凸问题，凸问题就是指的不会有局部 最优解。s.t.后面的限制条件可以看做是一个凸多面体，我们要做的就是在这个凸多面体 中找到最优解。
[0097]步骤3.这个优化问题可以用拉格朗日乘子法去解，使用了KKT条件的理论，这里直 接做出这个式子的拉格朗日目标函数：
[0098]
[0099] 首先让L关于w，b最小化，分别令L关于w，b的偏导数为0,得到关于原问题的一个表 达式：
[0100]
[0101]
[0102] 将两式带回L(w，b，a)得到对偶问题的表达式：
[0103]
[0104]
[0105]
[0106]
[0107] 至此，得到了线性可分问题的优化式子。
[0108] 步骤4.增加惩罚参数。我们可以为被分错的点加上一点惩罚，对一个分错的点的 惩罚函数就是这个点到其正确位置：
[0109] 蓝色、红色的直线分别为支持向量所在的边界，绿色的线为决策函数，那些紫色的 线表示分错的点到其相应的决策面的距离，这样我们可以在原函数上面加上一个惩罚函 数，并且带上其限制条件为：
[0110]
[0111] 其中公式中蓝色的部分为在线性可分问题的基础上加上的惩罚函数部分，当xi在 正确一边的时候，e=0，R为全部的点的数目，C是一个由用户去指定的系数，表示对分错的 点加入多少的惩罚，当C很大的时候，分错的点就会更少，但是过拟合的情况可能会比较严 重，当C很小的时候，分错的点可能会很多，不过可能由此得到的模型也会不太正确，所以如 何选择C是有很多学问的，不过在大部分情况下就是通过经验尝试得到的。
[0112] 接下来就是同样的，求解一个拉格朗日对偶问题，得到一个原问题的对偶问题的 表达式
[0113]
[0114]
[0115] 蓝色的部分是与线性可分的对偶问题表达式的不同之处。在线性不可分情况下得 到的对偶问题，不同的地方就是α的范围从[0，+ -0,变为了 [0，C]，增加的惩罚ε没有为对偶 问题增加什么复杂度。
[0116] 步骤5 .核函数。我们可以让空间从原本的线性空间变成一个更高维的空间，在这 个高维的线性空间下，再用一个超平面进行划分。
[0117] 图4是一个典型的线性不可分的情况：
[0118] 但是当我们把这两个类似于椭圆形的点映射到一个高维空间后，映射函数为：
[0119]
[0120] 用这个函数可以将图5的平面中的点映射到一个三维空间（zl，z2，z3)，并且对映 射后的坐标加以旋转之后就可以得到一个线性可分点集。
[0121]
[0122] 令
这个式子所做的事情就是将线性的空间映射到高维的空间，k
(x，xj)有很多种，下面是比较典型的两种：
[0123]
[0124]
[0125] 上面这个核称为多项式核，下面这个核称为高斯核，高斯核甚至是将原始空间映 射为无穷维空间，另外核函数有一些比较好的性质，比如说不会比线性条件下增加多少额 外的计算量，等等，这里也不再深入。一般对于一个问题，不同的核函数可能会带来不同的 结果，一般是需要尝试来得到的。
[0126] 步骤6.将核函数所产生的参数带入至SVM模型训练中，可得出本次数据的模型。
[0127] 实施例4:具有与实施例1或2相同的技术方案，更为具体的是:
[0128] 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
[0129] 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）。
[0130] 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）。
[0131] 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）。
[0132] 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。
[0133] 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。
[0134] 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：
[0135] 步骤1:滤波器参数的设置
[0136] 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；
[0137] 步骤2:设置在通带和阻带上理想的幅频响应
[0138] 步骤3:给定在通带截止频率和阻带截止频率点上的加权
[0139] 步骤4:利用方程计算切比雪夫逼近法滤波器系数 [0140]步骤5:保存系数
[0141 ]步骤6:提取系数进行数据滤波
[0142] 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。
[0143] 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。
[0144] 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。
[0145] 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。
[0146] 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。
[0147] 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。
[0148] 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。
[0149] 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. 一种基于人工智能有监督学习 SVM方法建立不同车型分零件远程定损系统，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有监督学习 SVM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有监督学习 SVM方法； 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零 件训练数据进行学习从而生成零件模型，所述零件模型建立使用有监督学习 SVM方法。2. 如权利要求1所述的基于人工智能有监督学习 SVM方法建立不同车型分零件远程定 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； 所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零件训 练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测试数 据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的可靠 性和准确率。3. 如权利要求1或2基于人工智能有监督学习 SVM方法建立不同车型分零件远程定损系 统，其特征在于，所述有监督学习 SVM方法，是通过一个非线性映射p，把样本空间映射到一 个高维乃至无穷维的特征空间中，进行升维和线性化，所述升维，是把样本向高维空间做映 射，在低维样本空间无法线性处理的样本集，在高维特征空间中通过一个线性超平面实现 线性划分，SVM方法应用核函数的展开定理，在高维特征空间中建立线性学习机。4. 如权利要求3所述的基于人工智能有监督学习 SVM方法建立不同车型分零件远程定 损系统，其特征在于，SVM线性分类器的分类方法，包括： 步骤1.从特征学习出一个0/1分类模型，这个模型是将特性的线性组合作为自变量，由 于自变量的取值范围是负无穷到正无穷，因此，使用logistic函数将自变量映射到（0，1) 上，映射后的值被认为是属于y = 1的概率； 步骤2.最小化向量w，I |w| I是向量w的二范数，对其加入平方求导， 公式为：s.t.指的是在后面这个限制条件下的意思，s.t.后面的限制条件看做是一个凸多面 体，在这个凸多面体中找到最优解； 步骤3.上述的优化问题，用拉格朗日乘子法去解，使用了KKT条件的理论，得到这个式 子的拉格朗日目标函数，计算得到线性可分问题的优化式子； 步骤4.增加惩罚参数； 步骤5.增加核函数，让空间从原本的线性空间变成一个更高维的空间，在这个高维的 线性空间下，再用一个超平面进行划分； 步骤6.将核函数所产生的参数带入至SVM模型训练中，得出本次数据的模型。5. -种基于人工智能有监督学习 SVM方法建立不同车型分零件远程定损方法，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;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有监督学习 SVM方法； 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有监督学习 SVM方法； 步骤五.判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统对零件训练数 据进行学习从而生成零件模型，所述零件模型建立使用有监督学习 SVM方法。6. 如权利要求5所述的基于人工智能有监督学习 SVM方法建立不同车型分零件远程定 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. 使用零件检测子系统对CAE零件仿真数据处理，再对其进行分类以产生零件训练数 据和零件测试数据；52. 在零件训练模块中对零件训练数据进行学习并产生零件模型，来模拟零件训练数 据的效果；53. 在零件测试模块中使用零件测试数据来测试零件模型的结果；54. 使用真实跑车数据作为零件验证数据并带入零件验证模块，来验证零件模型的准 确性。7. 如权利要求5或6所述的基于人工智能有监督学习 SVM方法建立不同车型分零件远程 定损方法，其特征在于，所述有监督学习 SVM方法，是通过一个非线性映射p，把样本空间映 射到一个高维乃至无穷维的特征空间中，进行升维和线性化，所述升维，是把样本向高维空 间做映射，在低维样本空间无法线性处理的样本集，在高维特征空间中通过一个线性超平 面实现线性划分，SVM方法应用核函数的展开定理，在高维特征空间中建立线性学习机。8. 如权利要求7所述的基于人工智能有监督学习 SVM方法建立不同车型分零件远程定 损方法，其特征在于，SVM线性分类器的分类方法，包括： 步骤1.从特征学习出一个0/1分类模型，这个模型是将特性的线性组合作为自变量，由 于自变量的取值范围是负无穷到正无穷，因此，使用logistic函数将自变量映射到（0，1) 上，映射后的值被认为是属于y = 1的概率； 步骤2.最小化向量w，I |w| I是向量w的二范数，对其加入平方求导， 公式为：S.t指的是在后面这个限制条件下的意思，s.t.后面的限制条件看做是一个凸多面体， 在这个凸多面体中找到最优解； 步骤3.上述的优化问题，用拉格朗日乘子法去解，使用了KKT条件的理论，得到这个式 子的拉格朗日目标函数，计算得到线性可分问题的优化式子； 步骤4.增加惩罚参数； 步骤5.增加核函数，让空间从原本的线性空间变成一个更高维的空间，在这个高维的 线性空间下，再用一个超平面进行划分； 步骤6.将核函数所产生的参数带入至SVM模型训练中，得出本次数据的模型。
【文档编号】G06K9/62GK106056151SQ201610365629
【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