CN106055891A - 基于人工智能Softmax回归方法建立分车型远程定损系统及方法 - Google Patents

Abstract

基于人工智能Softmax回归方法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，具有车型检测子系统，判断车辆碰撞时所撞车型；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，所述车型模型建立使用Softmax回归方法。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。

Description

基于人工智能Softmax回归方法建立分车型远程定损系统及 方法

技术领域

本发明属于车辆定损领域，涉及一种基于人工智能Softmax回归方法建立分车型远程定损系统及方法。

背景技术

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。

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

为了解决车辆碰撞后，对于车型检测的问题，本发明提出了基于人工智能Softmax回归方法建立分车型远程定损系统，以实现对车型的检测。

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：

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Softmax回归方法；

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Softmax回归方法；

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，所述车型模型建立使用Softmax回归方法。

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

图1为本发明所述的系统的结构示意框图。

具体实施方式

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：

工况：碰撞角度、方向、目标、区域等全体碰撞信息；

车型：汽车型号；

目标：碰撞目标；

区域：碰撞位置；

零件：汽车零件；

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；

车型检测：检测与本车发生碰撞的汽车型号；

目标检测：检测本车碰撞目标；

区域检测：检测本车碰撞位置；

零件检测：检测本车汽车零件。

实施例1：

一种基于人工智能Softmax回归方法建立分车型远程定损系统，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Softmax回归方法；

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Softmax回归方法；

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，所述车型模型建立使用Softmax回归方法。

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。

所述Softmax回归方法包括以下步骤：

在softmax回归中y⁽ⁱ⁾∈{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|x)。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h_θ(x)形式如下：

其中θ1，θ2，θ3，···，θk属于模型的参数，等式右边的系数是对概率分布进行归一化，使得总概率之和为1，m为梯度值，于是类似于logistic回归，推广得到新的代价函数为：

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：

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x分类为类别j的概率为：

从而得到：

用梯度下降法对对数似然函数求偏导数，得到

然后我们可以通过梯度上升法来更新参数

注意这里θ_l是第l个类的所有参数，它是一个向量。

实施例2：

一种基于人工智能Softmax回归方法建立分车型远程定损方法，，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Softmax回归方法；

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Softmax回归方法；

步骤五.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，所述车型模型建立使用Softmax回归方法。

具体步骤是：

步骤三包括：

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；

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；

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；

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；

步骤四包括：

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；

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；

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；

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；

步骤五包括：

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；

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；

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；

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；

所述Softmax回归方法包括以下步骤：

在softmax回归中y⁽ⁱ⁾∈{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|x)。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h_θ(x)形式如下：

其中θ1，θ2，θ3，···，θk属于模型的参数，等式右边的系数是对概率分布进行归一化，使得总概率之和为1，m为梯度值，于是类似于logistic回归，推广得到新的代价函数为：

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：

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x分类为类别j的概率为：

从而得到：

用梯度下降法对对数似然函数求偏导数，得到

然后我们可以通过梯度上升法来更新参数

注意这里θ_l是第l个类的所有参数，它是一个向量。

作为一种实施例：

所述半监督学习逻辑回归方法包括以下步骤：

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，θ_i为参数，也称为权值(weights)。

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；

Z为函数自变量；

构造预测函数为：

函数h_θ(k)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0的概率分别为：

构造损失函数J:

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。

m为梯度值；

下面详细说明推导的过程：

(1)式综合起来可以写成：

P(y|x；θ)＝(h_θ(x))^y(1-h_θ(x))^1-y

取似然函数为：

对数似然函数为：

最大似然估计就是求使l(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AndrewNg的课程中将J(θ)取为下式，即：

因为乘了一个负的系数-1/m，所以取J(θ)最小值时的θ为要求的最佳参数；

梯度下降法求最小值，θ更新过程：

δ表示微小变化量；

θ更新过程可以写成：

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。

实施例3：具有与实施例1或2相同的技术方案，更为具体的是：

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

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)。

2.验证数据集：是用来做模型选择(modelselection)，即做模型的最终优化及确定的(CAE仿真数据和跑车数据)。

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)。

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。

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。

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：

步骤1：滤波器参数的设置

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；

步骤2：设置在通带和阻带上理想的幅频响应

步骤3：给定在通带截止频率和阻带截止频率点上的加权

步骤4：利用方程计算切比雪夫逼近法滤波器系数

步骤5：保存系数

步骤6：提取系数进行数据滤波

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1KHz，以50Hz为例根据公式F_截止<50/2，故选择滤波器截止频率在25以下。

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。

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0～38频率范围内的信号的各个频率分量的幅值。

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。

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。

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。

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。

Claims (8)

1.一种基于人工智能Softmax回归方法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，所述碰撞模型建立使用Softmax回归方法；

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Softmax回归方法；

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，所述车型模型建立使用Softmax回归方法。

2.如权利要求1所述的基于人工智能Softmax回归方法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或2基于人工智能Softmax回归方法建立分车型远程定损系统，其特征在于，所述Softmax回归方法包括以下步骤：在softmax回归中y⁽ⁱ⁾∈{1，2，...，k}，其中k是类别种数，对于给定的测试输入x，用假设函数针对每一个类别j估算出概率值p(y＝j|x)，假设函数输出一个k维的向量表示k个估计的概率值，由假设函数推广得到代价函数，logistic回归代价函数改造，在Softmax回归中求得将x分类为类别j的概率，用梯度下降法对对数似然函数求偏导数，然后我们可以通过梯度上升法来更新参数。

4.如权利要求3基于人工智能Softmax回归方法建立分车型远程定损系统，其特征在于，具体为：假设函数h_θ(x)形式如下：

$h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)=\left[\begin{array}{c}p\left(y^{\left(i\right)}=1|x^{\left(i\right)};\mathrm{\&theta;}\right)\\ p\left(y^{\left(i\right)}=2|x^{\left(i\right)};\mathrm{\&theta;}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ p\left(y^{\left(i\right)}=k|x^{\left(i\right)};\mathrm{\&theta;}\right)\end{array}\right]=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^k{e}^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}\left[\begin{array}{c}{e}^{{\mathrm{\&theta;}}_1^T{x}^{\left(i\right)}}\\ e^{{\mathrm{\&theta;}}_2^T{x}^{\left(i\right)}}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e^{{\mathrm{\&theta;}}_k^T{x}^{\left(i\right)}}\end{array}\right]$

其中θ1，θ2，θ3，···，θk属于模型的参数，等式右边的系数是对概率分布进行归一化，使得总概率之和为1，m为梯度值，T为列表转置的意思，推广得到新的代价函数为：

$J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{k}{\&Sigma;}}1\{y^{\left(i\right)}=j\}log\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}\&rsqb;$

上述公式是logistic回归代价函数的推广，logistic回归代价函数改为：

$\begin{array}{c}J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(1-y^{\left(i\right)}\right)\log \left(1-h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)\right)+y^{\left(i\right)}\log h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)\&rsqb;\\ =-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{1}{\mathrm{\&Sigma;}}}1\left\{y^{\left(i\right)}=j\right\}\log p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)\&rsqb;\end{array}$

Φ表示常量，在Softmax回归中将x分类为类别j的概率为：

$\begin{array}{c}p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)=\frac{e^{{\left({\mathrm{\&theta;}}_j-\mathrm{\&psi;}\right)}^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\left({\mathrm{\&theta;}}_l-\mathrm{\&psi;}\right)}^T{x}^{\left(i\right)}}}\\ =\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}{e}^{-{\mathrm{\&psi;}}^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}{e}^{-{\mathrm{\&psi;}}^T{x}^{\left(i\right)}}}\\ =\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}.\end{array}$

从而得到：

$p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)=\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}.$

用梯度下降法对对数似然函数求偏导数，得到

$\begin{array}{c}\frac{\&part;L\left(\mathrm{\&theta;}\right)}{\&part;{\mathrm{\&theta;}}_l}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)}{\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)}\&CenterDot;\frac{\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)\&CenterDot;\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;x^{\left(i\right)}\&CenterDot;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)-\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;x^{\left(i\right)}}{{\left(\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)\right)}^2}\right)\\ =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;\left(\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)-\frac{\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)}{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)}\right)x^{\left(i\right)}\&rsqb;\\ =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;\left(\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)-P\left(y^{\left(i\right)}=l|x^{\left(i\right)};\mathrm{\&theta;}\right)\right)\&CenterDot;x^{\left(i\right)}\&rsqb;\end{array}$

然后通过梯度上升法来更新参数

${\mathrm{\&theta;}}_l={\mathrm{\&theta;}}_l+\mathrm{\&alpha;}\frac{\&part;L\left(\mathrm{\&theta;}\right)}{\&part;{\mathrm{\&theta;}}_l}$

θ_l是第l个类的所有参数，是一个向量。

5.一种基于人工智能Softmax回归方法建立分车型远程定损方法，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Softmax回归方法；

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Softmax回归方法；

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，所述车型模型建立使用Softmax回归方法。

6.如权利要求5所述的基于人工智能Softmax回归方法建立分车型远程定损方法，其特征在于，具体步骤是：

步骤三包括：

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；

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；

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；

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；

步骤四包括：

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；

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；

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；

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；

步骤五包括：

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；

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；

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；

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。

7.如权利要求5或6基于人工智能Softmax回归方法建立分车型远程定损方法，其特征在于，所述Softmax回归方法包括以下步骤：在softmax回归中y⁽ⁱ⁾∈{1，2，...，k}，其中k是类别种数，对于给定的测试输入x，用假设函数针对每一个类别j估算出概率值p(y＝j|x)，假设函数输出一个k维的向量表示k个估计的概率值，由假设函数推广得到代价函数，logistic回归代价函数改造，在Softmax回归中求得将x分类为类别j的概率，用梯度下降法对对数似然函数求偏导数，然后我们可以通过梯度上升法来更新参数。

8.如权利要求7基于人工智能Softmax回归方法建立分车型远程定损方法，其特征在于，具体为：假设函数h_θ(x)形式如下：

$h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)=\left[\begin{array}{c}p\left(y^{\left(i\right)}=1|x^{\left(i\right)};\mathrm{\&theta;}\right)\\ p\left(y^{\left(i\right)}=2|x^{\left(i\right)};\mathrm{\&theta;}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ p\left(y^{\left(i\right)}=k|x^{\left(i\right)};\mathrm{\&theta;}\right)\end{array}\right]=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^k{e}^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}\left[\begin{array}{c}{e}^{{\mathrm{\&theta;}}_1^T{x}^{\left(i\right)}}\\ e^{{\mathrm{\&theta;}}_2^T{x}^{\left(i\right)}}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ e^{{\mathrm{\&theta;}}_k^T{x}^{\left(i\right)}}\end{array}\right]$

其中θ1，θ2，θ3，···，θk属于模型的参数，等式右边的系数是对概率分布进行归一化，使得总概率之和为1，m为梯度值，T为列表转置的意思，推广得到新的代价函数为：

$J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{k}{\&Sigma;}}1\{y^{\left(i\right)}=j\}log\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}\&rsqb;$

上述公式是logistic回归代价函数的推广，logistic回归代价函数改为：

$\begin{array}{c}J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(1-y^{\left(i\right)}\right)\log \left(1-h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)\right)+y^{\left(i\right)}\log h_{\mathrm{\&theta;}}\left(x^{\left(i\right)}\right)\&rsqb;\\ =-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{1}{\mathrm{\&Sigma;}}}1\left\{y^{\left(i\right)}=j\right\}\log p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)\&rsqb;\end{array}$

Φ表示常量，在Softmax回归中将x分类为类别j的概率为：

$\begin{array}{c}p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)=\frac{e^{{\left({\mathrm{\&theta;}}_j-\mathrm{\&psi;}\right)}^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\left({\mathrm{\&theta;}}_l-\mathrm{\&psi;}\right)}^T{x}^{\left(i\right)}}}\\ =\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}{e}^{-{\mathrm{\&psi;}}^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}{e}^{-{\mathrm{\&psi;}}^T{x}^{\left(i\right)}}}\\ =\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}.\end{array}$

从而得到：

$p\left(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\right)=\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}.$

用梯度下降法对对数似然函数求偏导数，得到

$\begin{array}{c}\frac{\&part;L\left(\mathrm{\&theta;}\right)}{\&part;{\mathrm{\&theta;}}_l}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left(\frac{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)}{\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)}\&CenterDot;\frac{\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)\&CenterDot;\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;x^{\left(i\right)}\&CenterDot;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)-\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)\&CenterDot;x^{\left(i\right)}}{{\left(\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)\right)}^2}\right)\\ =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;\left(\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)-\frac{\exp \left({\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}\right)}{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\exp \left({\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}\right)}\right)x^{\left(i\right)}\&rsqb;\\ =\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;\left(\mathrm{\&mu;}\left(y^{\left(i\right)}=l\right)-P\left(y^{\left(i\right)}=l|x^{\left(i\right)};\mathrm{\&theta;}\right)\right)\&CenterDot;x^{\left(i\right)}\&rsqb;\end{array}$

然后通过梯度上升法来更新参数

${\mathrm{\&theta;}}_l={\mathrm{\&theta;}}_l+\mathrm{\&alpha;}\frac{\&part;L\left(\mathrm{\&theta;}\right)}{\&part;{\mathrm{\&theta;}}_l}$

θ_l是第l个类的所有参数，是一个向量。