基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)及方法
【專利摘要】基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(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，對于碰撞后的碰撞車輛的目標(biāo)檢測的問題，技術(shù)要點是：目標(biāo)檢測子系統(tǒng),判斷車輛發(fā)生碰撞的對象,所述目標(biāo)檢測子系統(tǒng)對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。有益效果：上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的目標(biāo)檢測，在遠(yuǎn)程定損的這個技術(shù)領(lǐng)域使用了機器學(xué)習(xí)的方法，針對的機器學(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】
基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目 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，涉及基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同 分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)及方法。
【背景技術(shù)】
[0002] 針對車輛在低速運動(包括低速道路行駛、車輛停靠等)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（如速度、加速度、 角速度、聲音等)并用信號處理和機器學(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)備能夠檢測出碰撞的發(fā)生并截取碰撞過程的信號， 通過無線網(wǎng)絡(luò)發(fā)送至云端，遠(yuǎn)程服務(wù)器從收到的信號中抽取出事先設(shè)計的特征值，用機器 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)集對什么零件產(chǎn)生了哪種等級的損傷，然后根據(jù)零件損傷等級計算出參考理賠金額并發(fā) 送至保險公司。這期間會涉及對于車型、工況、目標(biāo)、零件和區(qū)域的檢測。

【發(fā)明內(nèi)容】

[0004] 為了解決車輛碰撞后，對于碰撞后的碰撞車輛的目標(biāo)檢測的問題，本發(fā)明提出了 一種基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)，以實現(xiàn) 定損過程中的目標(biāo)檢測和判斷。
[0005] 為了解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案的要點是:一種基于人工智能無 監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(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)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0008] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對 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無監(jiān)督學(xué)習(xí)稀疏編 碼方法；
[0009] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方 法；
[0010] 目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。
[0011] 有益效果:上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的目標(biāo)檢測，在遠(yuǎn)程定損的這個
技術(shù)領(lǐng)域使用了機器學(xué)習(xí)的方法，針對的機器學(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 和測試的目的而加入的步驟；目標(biāo)的檢測是該方案實現(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。
【具體實施方式】
[0013] 為了對本發(fā)明作出更為清楚的解釋，下面對本發(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；
[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:檢測本車碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0020] 車型檢測:檢測與本車發(fā)生碰撞的汽車型號；
[0021] 目標(biāo)檢測:檢測本車碰撞目標(biāo)；
[0022] 區(qū)域檢測:檢測本車碰撞位置；
[0023] 零件檢測:檢測本車汽車零件。
[0024] 實施例1:
[0025] 一種基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(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)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0028] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對 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無監(jiān)督學(xué)習(xí)稀疏編 碼方法；
[0029] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方 法；
[0030] 目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。 [0031 ]所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰 撞訓(xùn)練模塊用于對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測試模塊用于將碰撞測 試數(shù)據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗證模塊使用真實跑車數(shù)據(jù)驗證碰撞模 型的可靠性和準(zhǔn)確率；
[0032]所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、工況驗證模塊，所述工 況訓(xùn)練模塊用于對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測試模塊用于將工 況測試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗證模塊使用真實跑車數(shù)據(jù)驗證工況模 型的可靠性和準(zhǔn)確率；
[0033]所述目標(biāo)檢測子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測試模塊、目標(biāo)驗證模塊，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)測試模塊用于將目標(biāo)測 試數(shù)據(jù)帶入模型中檢測目標(biāo)模型的結(jié)果，目標(biāo)驗證模塊使用真實跑車數(shù)據(jù)驗證目標(biāo)模型的 可靠性和準(zhǔn)確率。
[0034] 所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法包括：
[0035] Sl.求解最優(yōu)化式子得到求得系數(shù)ai和基Φ i，i為樣例編號；
[0036] S2.將輸入的樣本集X分解為多個基元的線性組合；
[0037] S3.對系數(shù)ai作一個稀疏性約束，得到其對應(yīng)的代價函數(shù)；
[0038] S4.再對基集合中的值做一個約束，得到約束后的系統(tǒng)代價函數(shù)。
[0039]所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法具體為：
[0040] 設(shè)0 = al X C>l+a2X Φ2+…+anX Φη，Φ?是基，ai是系數(shù)，得到優(yōu)化問題：
[0041] Min|l-〇| ；
[0042]其中I表示輸入，0表示輸出；
[0043]通過求解這個最優(yōu)化式子，求得系數(shù)ai和基?i，i為樣例編號，這些系數(shù)和基就是 輸入的另外一種近似表達(dá)；
[0044]將輸入的樣本集X分解為多個基元的線性組合，基前面的系數(shù)表示的是輸入樣本 的特征，其分解公式表達(dá)如下：
[0045]
[0046] 基的個數(shù)k比X中元素的個數(shù)η要大，對系數(shù)a作一個稀疏性約束，對應(yīng)的代價函數(shù) 表達(dá)式為·


[0057]
[0058] 由于輸入數(shù)據(jù)的經(jīng)驗分布函數(shù)概率是固定值，所以求上式值最小相當(dāng)?shù)葍r于求P (X I Φ )最大；
[0059] 經(jīng)過對參數(shù)a的先驗估計和函數(shù)積分值估計的推導(dǎo)步驟，最后等價于求下面的能 量函數(shù)值最小：
[0060]
[0061 ] 實施例2:
[0062] 一種基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo)遠(yuǎn)程定損方 法，包括以下步驟：
[0063]步驟一.選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0064]步驟二.讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0065]步驟三.判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對碰撞訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方法；
[0066] 步驟四.判斷碰撞發(fā)生的所有工況信息；所述工況檢測子系統(tǒng)對工況訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方法；
[0067] 步驟五.判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。
[0068] 具體步驟是：
[0069] 步驟三包括：
[0070] S3.1.使用碰撞檢測子系統(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進(jìn)行分類以產(chǎn)生碰撞 訓(xùn)練數(shù)據(jù)和碰撞測試數(shù)據(jù)；
[0071 ] S3.2.在碰撞訓(xùn)練模塊中對碰撞訓(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；
[0072] S3.3.在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果；
[0073] S3.4.使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模 型的準(zhǔn)確性；
[0074] 步驟四包括：
[0075] S4.1.使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生工況訓(xùn) 練數(shù)據(jù)和工況測試數(shù)據(jù)；
[0076] S4.2.在工況訓(xùn)練模塊中對工況訓(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；
[0077] S4.3.在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果；
[0078] S4.4.使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模 型的準(zhǔn)確性；
[0079] 步驟五包括：
[0080] SI.使用目標(biāo)檢測子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生損傷判 斷訓(xùn)練數(shù)據(jù)和損傷判斷測試數(shù)據(jù)；
[0081 ] S2.在目標(biāo)訓(xùn)練模塊中對損傷判斷訓(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；
[0082] S3.在目標(biāo)測試模型中使用損傷判斷測試數(shù)據(jù)來測試目標(biāo)判斷模型的結(jié)果；
[0083] S4.使用真實跑車數(shù)據(jù)作為目標(biāo)驗證數(shù)據(jù)并帶入目標(biāo)驗證模塊，來驗證目標(biāo)判斷 模型的準(zhǔn)確性。
[0084]所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法為：
[0085] 如果把輸出必須和輸入相等的限制放松，同時利用線性代數(shù)中基的概念，即0 = al X C>l+a2X C>2+"_+anX Φη，Φ?是基，ai是系數(shù)，可以得到這樣一個優(yōu)化問題：
[0086] MinlI-Ol，其中I表示輸入，0表示輸出；
[0087] 通過求解這個最優(yōu)化式子，我們可以求得系數(shù)ai和基?i，i為樣例編號，這些系數(shù) 和基就是輸入的另外一種近似表達(dá)；
[0088] 將輸入的樣本集X分解為多個基元的線性組合，基前面的系數(shù)表示的是輸入樣本 的特征，其分解公式表達(dá)如下：
[0089]
[0090]基的個數(shù)k比X中元素的個數(shù)η要大，對系數(shù)a作一個稀疏性約束，對應(yīng)的代價函數(shù) 表達(dá)式為：
[0091]
[0092] j為m的范圍，m為維度
[0093] 其中的第一項是重構(gòu)輸入數(shù)據(jù)X的代價值，第二項的S(.)為分解系數(shù)的系數(shù)懲罰， λ是兩種代價的權(quán)重，是個常量；
[0094] 再對基集合中的值做一個約束，約束后的系統(tǒng)代價函數(shù)為：
[0095]
[0096] C為常量。
[0097]所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法，如果把誤差考慮進(jìn)去后：
[0098] 輸入樣本X經(jīng)過sparsecoding分解后的表達(dá)式如下：
[0099]
[0100] V(X)代表上式出―氣4八必
[0101]找到一組基Φ，使得輸入樣本數(shù)據(jù)出現(xiàn)的概率Ρ(χ| Φ )與輸入樣本數(shù)據(jù)的經(jīng)驗分 布概率K( X ).最相近，使如下表達(dá)式值最?。?br>[0102]
[0103] 由于輸入數(shù)據(jù)的經(jīng)驗分布函數(shù)概率是固定值，所以求上式值最小相當(dāng)?shù)葍r于求P (X I Φ)最大；
[0104] 經(jīng)過對參數(shù)a的先驗估計和函數(shù)積分值估計的推導(dǎo)步驟，最后等價于求下面的能 量函數(shù)彳畝晶/丨、.
[0105]
[0106] 實施例3:
[0107]作為實施例1或2所述的有監(jiān)督學(xué)習(xí)之稀疏編碼方法的補充，使用有監(jiān)督學(xué)習(xí)之稀 疏編碼方法。在此之前，需要對凸優(yōu)化有些了解，"凸優(yōu)化"是指一種比較特殊的優(yōu)化，是指 目標(biāo)函數(shù)為凸函數(shù)且由約束條件得到的定義域為凸集的優(yōu)化問題，也就是說目標(biāo)函數(shù)和約 束條件都是"凸"的。
[0108] Sparse Coding是將輸入的樣本集X分解為多個基元的線性組合，然后這些基前面 的系數(shù)衷示的是輸入樣太的特征。其分解公式表達(dá)如下：
[0109；

[0110] 而一般情況下要求基的個數(shù)k非常大，至少要比X中元素的個數(shù)η要大，因為這樣的 基組合才能更容易的學(xué)到輸入數(shù)據(jù)內(nèi)在的結(jié)構(gòu)和特征。其實在常見的PCA算法中，是可以找 到一組基來分解X的，只不過那個基的數(shù)目比較小，所以可以得到分解后的系數(shù)a是可以唯 一確定，而在sparse coding中，k太大，比η大很多，其分解系數(shù)a不能唯一確定。一般的做法 是對系數(shù)a作一個稀疏性約束，這也就是sparse coding算法的來源。此時系統(tǒng)對應(yīng)的代價 函數(shù)(前面的博文都用損失函數(shù)表示，以后統(tǒng)一改用代價函數(shù)，感覺這樣翻譯更貼切)表達(dá) 式為：
[0111]
[0112] 其中的第一項是重構(gòu)輸入數(shù)據(jù)X的代價值，第二項的S(.)為分解系數(shù)的系數(shù)懲罰， Iamda是兩種代價的權(quán)重，是個常量。但是這樣還是有一個問題，比如說我們可以將系數(shù)a減 到很小，且將每個基的值增加到很大，這樣第一項的代價值基本保持不變，而第二項的稀疏 懲罰依舊很小，達(dá)不到我們想要的目的一一分解系數(shù)中只有少數(shù)系數(shù)遠(yuǎn)遠(yuǎn)大于〇,而不是大 部分系數(shù)都比〇大(雖然不會大太多）。解決這個問題的通用方法是是對基集合中的值也做 了一個約束，約束后的系統(tǒng)代價函數(shù)為：
[0113]
[0114] Sparse coding的概率解釋：
[0115] 如果把誤差考慮進(jìn)去后，輸入樣本X經(jīng)過sparse coding分解后的表達(dá)式則如下：
[0116]
[0117] 而我們的目標(biāo)是找到一組基Φ，使得輸入樣本數(shù)據(jù)出現(xiàn)的概率P(x I Φ)與輸入樣 本數(shù)據(jù)的經(jīng)驗分布概率K(X).最相近，如果用KL距離來衡量其相似度的話，就是滿足他們 的KL距離最小，即下面表達(dá)式值最?。?br>[0118]
[0119]由于輸入數(shù)據(jù)的經(jīng)驗分布函數(shù)概率是固定值，所以求上式值最小相當(dāng)?shù)葍r于求P (X I Φ)最大。
[0120] 經(jīng)過對參數(shù)a的先驗估計和函數(shù)積分值估計等推導(dǎo)步驟，最后等價于求下面的能 量函數(shù)值最?。?br>[0121]
[0122] 而這就很好的和sparse coding的代價函數(shù)公式給聯(lián)系起來了。到目前為止應(yīng)該 知道sparse coding的實際使用過程中速度是很慢的，因為即使我們在訓(xùn)練階段已經(jīng)把輸 入數(shù)據(jù)集的基Φ學(xué)習(xí)到了，在測試階段時還是要通過凸優(yōu)化的方法去求得其特征值（即基 組合前面的系數(shù)值），所以這比一般的前向神經(jīng)網(wǎng)絡(luò)速度要慢(一般的前向算法只需用矩陣 做一下乘法，然后做下加法，求個函數(shù)值等少數(shù)幾步即可完成）。
[0123] 實施例4:具有與實施例1或2或3相同的技術(shù)方案，更為具體的是:
[0124] 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
[0125] 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)）。
[0126] 2.驗證數(shù)據(jù)集:是用來做模型選擇(model select ion)，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)）。
[0127] 3.測試數(shù)據(jù)集:則純粹是為了測試已經(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)）。
[0128] 本實施例中還對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。
[0129] 1.濾波器技術(shù)：已實現(xiàn)的濾波方法包括FIR濾波、FIR切比雪夫逼近法、切比雪夫濾 波、巴特沃茲濾波等，在主程序的Filtering.m文件實現(xiàn)。各濾波器均為常見的濾波器， Matlab都有相應(yīng)的函數(shù)實現(xiàn)，具體算法可參考信號處理專業(yè)書籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0130] 有限沖擊響應(yīng)數(shù)字濾波器(FIR，F(xiàn)initeImpulseResponse)是一種全零點的系統(tǒng)， FIR濾波器的設(shè)計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。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 于同樣階數(shù)的濾波器，這種逼近法最大誤差最小，其設(shè)計的主要步驟如下：
[0131] 步驟1:濾波器參數(shù)的設(shè)置
[0132] 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；
[0133] 步驟2:設(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[0134] 步驟3:給定在通帶截止頻率和阻帶截止頻率點上的加權(quán)
[0135] 步驟4:利用方程計算切比雪夫逼近法濾波器系數(shù)
[0136] 步驟5:保存系數(shù)
[0137] 步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0138] 其中：濾波器參數(shù)的設(shè)置是為了保證信號在進(jìn)行處理的過程中不會出現(xiàn)失真現(xiàn) 象，濾波后的信號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的 最高頻率不能超過原信號采樣頻率的1/2,否則就會出現(xiàn)漏頻現(xiàn)象。根據(jù)目前項目中的信 號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。
[0139] 2.特征提取技術(shù):特征抽取是在碰撞信號上進(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)所有點的加速度的平方和除以點數(shù)）、窗口內(nèi)各點斜率的絕對值的平均 值。
[0140] 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、各點斜率的絕對值的平均值、信號進(jìn)行傅立葉變換后〇~38頻率范圍內(nèi)的信號的各個 頻率分量的幅值。
[0141] 3.歸一化技術(shù):為了消除特征之間的量綱或數(shù)量級不同而對分類任務(wù)造成的不利 影響，需要對特征數(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。
[0142] 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。在實驗樣本較少的情況 下(本項目的實際情況)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)實際需要，目前已實現(xiàn)的特征變換是PCA。通過實驗發(fā)現(xiàn)，PCA對于提高本項目的分 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。
[0143] 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)明中的碰撞檢測子系統(tǒng)；工況檢測模 塊即為本發(fā)明的工況檢測子系統(tǒng);車型檢測模塊即為本發(fā)明的車型檢測子系統(tǒng)；零件檢測 模塊即零件檢測子系統(tǒng)；目標(biāo)檢測模塊即為本發(fā)明的目標(biāo)檢測子系統(tǒng)，區(qū)域檢測模塊即為 本發(fā)明的區(qū)域檢測子系統(tǒng)。
[0144] 以上所述，僅為本發(fā)明創(chuàng)造較佳的【具體實施方式】，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】
1. 一種基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(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)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類； 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對碰撞 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無監(jiān)督學(xué)習(xí)稀疏編碼方 法； 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方法； 目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。2. 如權(quán)利要求1所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損系統(tǒng)，其特征在于， 所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰撞訓(xùn) 練模塊用于對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測試模塊用于將碰撞測試數(shù) 據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗證模塊使用真實跑車數(shù)據(jù)驗證碰撞模型的 可靠性和準(zhǔn)確率； 所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、工況驗證模塊，所述工況訓(xùn) 練模塊用于對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測試模塊用于將工況測 試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗證模塊使用真實跑車數(shù)據(jù)驗證工況模型的 可靠性和準(zhǔn)確率； 所述目標(biāo)檢測子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測試模塊、目標(biāo)驗證模塊，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)測試模塊用于將目標(biāo)測試數(shù) 據(jù)帶入模型中檢測目標(biāo)模型的結(jié)果，目標(biāo)驗證模塊使用真實跑車數(shù)據(jù)驗證目標(biāo)模型的可靠 性和準(zhǔn)確率。3. 如權(quán)利要求1或2基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo)遠(yuǎn) 程定損系統(tǒng)，其特征在于，所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法包括：51. 求解最優(yōu)化式子得到求得系數(shù)ai和基Φ i，i為樣例編號；52. 將輸入的樣本集X分解為多個基元的線性組合；53. 對系數(shù)ai作一個稀疏性約束，得到其對應(yīng)的代價函數(shù)；54. 再對基集合中的值做一個約束，得到約束后的系統(tǒng)代價函數(shù)。4. 如權(quán)利要求3基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo)遠(yuǎn)程定 損系統(tǒng)，其特征在于，所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法具體為： 設(shè)0 = al X Φ l+a2 X Φ2+….+an X Φη，Φ i是基，ai是系數(shù)，得到優(yōu)化問題： Min|1-〇|； 其中I表不輸入，0表不輸出； 通過求解這個最優(yōu)化式子，求得系數(shù)ai和基?i，i為樣例編號，這些系數(shù)和基就是輸入 的另外一種近似表達(dá)； 將輸入的樣本集X分解為多個基元的線性組合，基前面的系數(shù)表示的是輸入樣本的特 征，其分解公式表達(dá)如下：基的個數(shù)k比X中元素的個數(shù)η要大，對系數(shù)a作一個稀疏性約束，對應(yīng)的代價函數(shù)表達(dá) 式為：j為m的范圍，m為維度； 其中的第一項是重構(gòu)輸入數(shù)據(jù)X的代價值，第二項的S(.)為分解系數(shù)的系數(shù)懲罰，λ是 兩種代價的權(quán)重，其是個常量； 再對基集合中的值做一個約束，約束后的系統(tǒng)代價函數(shù)為：C為常量。5. 如權(quán)利要求4所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損系統(tǒng)，其特征在于，考慮誤差，輸入樣本X經(jīng)過sparsecoding分解后的表達(dá)式如下：V (X)代表上式中的% 找到一組基Φ，使得輸入樣本數(shù)據(jù)出現(xiàn)的概率Ρ(χ| Φ )與輸入樣本數(shù)據(jù)的經(jīng)驗分布概 率P$(x) ·最相近，使如下表達(dá)式值最小：由于輸入數(shù)據(jù)的經(jīng)驗分布函數(shù)概率是固定值，所以求上式值最小相當(dāng)?shù)葍r于求P(x Φ )最大； 經(jīng)過對參數(shù)a的先驗估計和函數(shù)積分值估計的推導(dǎo)步驟，最后等價于求下面的能量函 數(shù)值最?。?. -種基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(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)和實車數(shù)據(jù)，并相應(yīng)對數(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無監(jiān)督學(xué)習(xí)稀疏編碼方法； 步驟四.判斷碰撞發(fā)生的所有工況信息;對工況訓(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無監(jiān)督學(xué)習(xí)稀疏編碼方法； 步驟五.判斷車輛發(fā)生碰撞的對象，對目標(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)模型建立使用智能無監(jiān)督學(xué)習(xí)稀疏編碼方法。7. 如權(quán)利要求6所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損方法，其特征在于，具體步驟是： 步驟三包括： 53.1. 使用碰撞檢測子系統(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進(jìn)行分類以產(chǎn)生碰撞訓(xùn)練 數(shù)據(jù)和碰撞測試數(shù)據(jù)； S3.2 .在碰撞訓(xùn)練模塊中對碰撞訓(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； 53.3. 在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果； 53.4. 使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模型的 準(zhǔn)確性； 步驟四包括： 54.1. 使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生工況訓(xùn)練數(shù) 據(jù)和工況測試數(shù)據(jù)； 54.2. 在工況訓(xùn)練模塊中對工況訓(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； 54.3. 在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果； 54.4. 使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模型的 準(zhǔn)確性； 步驟五包括：51. 使用目標(biāo)檢測子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生損傷判斷訓(xùn) 練數(shù)據(jù)和損傷判斷測試數(shù)據(jù)；52. 在目標(biāo)訓(xùn)練模塊中對損傷判斷訓(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；53. 在目標(biāo)測試模型中使用損傷判斷測試數(shù)據(jù)來測試目標(biāo)判斷模型的結(jié)果；54. 使用真實跑車數(shù)據(jù)作為目標(biāo)驗證數(shù)據(jù)并帶入目標(biāo)驗證模塊，來驗證目標(biāo)判斷模型 的準(zhǔn)確性。8. 如權(quán)利要求6或7所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分 目標(biāo)遠(yuǎn)程定損方法，其特征在于，所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法包括：51. 求解最優(yōu)化式子得到求得系數(shù)ai和基Φ i，i為樣例編號；52. 將輸入的樣本集X分解為多個基元的線性組合；53. 對系數(shù)ai作一個稀疏性約束，得到其對應(yīng)的代價函數(shù)；54. 再對基集合中的值做一個約束，得到約束后的系統(tǒng)代價函數(shù)。9. 如權(quán)利要求8所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損方法，其特征在于，所述智能無監(jiān)督學(xué)習(xí)稀疏編碼方法具體為： 設(shè)0 = al X Φ l+a2 X Φ2+….+an X Φη，Φ i是基，ai是系數(shù)，得到優(yōu)化問題： Min|I-〇|； 其中I表不輸入，0表不輸出； 通過求解這個最優(yōu)化式子，求得系數(shù)ai和基?i，i為樣例編號，這些系數(shù)和基就是輸入 的另外一種近似表達(dá)； 將輸入的樣本集X分解為多個基元的線性組合，基前面的系數(shù)表示的是輸入樣本的特 征，其分解公式表達(dá)如下：基的個數(shù)k比X中元素的個數(shù)η要大，對系數(shù)a作一個稀疏性約束，對應(yīng)的代價函數(shù)表達(dá) 式為：j為m的范圍，m為維度 其中的第一項是重構(gòu)輸入數(shù)據(jù)X的代價值，第二項的S(.)為分解系數(shù)的系數(shù)懲罰，λ是 兩種代價的權(quán)重，其是個常量； 再對基集合中的值做一個約束，約束后的系統(tǒng)代價函數(shù)為： 興1Τ :吊里〇10.如權(quán)利要求4或5所述的基于人工智能無監(jiān)督學(xué)習(xí)稀疏編碼方法建立不同分車型分 目標(biāo)遠(yuǎn)程定損方法，其特征在于，考慮誤差，輸入樣本X經(jīng)過sparsecoding分解后的表達(dá)式 如下：找到一組基Φ，使得輸入樣本數(shù)據(jù)出現(xiàn)的概率Ρ(χ| Φ )與輸入樣本數(shù)據(jù)的經(jīng)驗分布概 率P$(x) ·最相近，使如下表達(dá)式值最?。河捎谳斎霐?shù)據(jù)的經(jīng)驗分布函數(shù)概率是固定值，所以求上式值最小相當(dāng)?shù)葍r于求P(x Φ )最大； 經(jīng)過對參數(shù)a的先驗估計和函數(shù)積分值估計的推導(dǎo)步驟，最后等價于求下面的能量函 數(shù)值最?。?br>【文檔編號】G06K9/62GK106056148SQ201610365515
【公開日】2016年10月26日
【申請日】2016年5月27日
【發(fā)明人】田雨農(nóng), 劉俊俍
【申請人】大連樓蘭科技股份有限公司