CN106067038A - 基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 - Google Patents
基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 Download PDFInfo
- Publication number
- CN106067038A CN106067038A CN201610365726.4A CN201610365726A CN106067038A CN 106067038 A CN106067038 A CN 106067038A CN 201610365726 A CN201610365726 A CN 201610365726A CN 106067038 A CN106067038 A CN 106067038A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- model
- collision
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于人工智能有监督学习朴素贝叶斯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有监督学习朴素贝叶斯方法。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
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有监督学习朴素贝叶斯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,以实现定损过程中的车型检测。
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有监督学习朴素贝叶斯方法;
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朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法。
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:
一种基于人工智能有监督学习朴素贝叶斯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有监督学习朴素贝叶斯方法;
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朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法。
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。
所述有监督学习朴素贝叶斯方法包括以下步骤:
S1.估计特征Xi在每一类的条件概率;
S2.类别y的先验概率由训练集算出,通过训练集上的统计,得出对应的每一类上的条件独立的特征对应的条件概率向量;
S3.学习训练集,分类,并建立分子中的条件概率,得到模型的基本概率;
S4.给定未分类新实例X,通过上述概率进行计算,得到该实例X属于各类的后验概率。
上述步骤S1-S4中,其具体为:
对于判断车型,目前我们使用有监督学习之朴素贝叶斯方法,朴素贝叶斯方法,是指
朴素:特征条件独立
贝叶斯:基于贝叶斯定理
根据贝叶斯定理,对一个分类问题,给定样本特征x,样本属于类别y的概率是:
在这里,x是一个特征向量,将设x维度为M,因为朴素的假设,即特征条件独立,根据全概率公式展开,公式(1)可以表达为:
这里,只要分别估计出,特征xi在每一类的条件概率就可以了,类别y的先验概率可以通过训练集算出,同样通过训练集上的统计,可以得出对应每一类上的,条件独立的特征对应的条件概率向量,如何统计,就是下一部分——学习——所关心的内容。
学习(参数估计):
下面介绍如何从数据中,学习得到朴素贝叶斯分类模型,提出概述学习分类方法。
学习训练集TrainingSet={(x1,y1),(x2,y2),...,(xN,yN)}包含N条训练数据,其中xi=(x(1)i,x(2)i,...,x(M)i),T是M维向量,yi∈{c1,c2,...cK}属于K类中的一类。
学习1.首先,我们来计算公式(2)中的p(y=ck)
p(y=ck)=∑Ni=1I(yi=ck)N······(3)
其中I(x)为指示函数,若括号内成立,则计1,否则为0。
学习2.接下来计算分子中的条件概率,设M维特征的第j维有L个取值,则某维特征的某个取值ajl,在给定某分类ck下的条件概率为:
p(xj=ajl|y=ck)=∑Ni=1I(xji=ajl,yi=ck)∑Ni=1I(yi=ck)······(4)
经过上述步骤,我们就得到了模型的基本概率,也就完成了学习的任务。
分类:
通过学到的概率,给定未分类新实例X,就可以通过上述概率进行计算,得到该实例属于各类的后验概率p(y=ck|X),因为对所有的类来说,公式(2)中分母的值都相同,所以只计算分子部分即可,具体步骤如下:
分类1.计算该实例属于y=ck类的概率
p(y=ck|X)=p(y=ck)∏j=1np(X(j)=x(j)|y=ck)······(5)
分类2.确定该实例所属的分类y
y=argmaxckp(y=ck|X)······(6)
于是我们得到了实例的分类结果。
实施例2:
一种基于人工智能有监督学习朴素贝叶斯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有监督学习朴素贝叶斯方法;
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朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法。
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;
所述有监督学习朴素贝叶斯方法包括以下步骤:
S1.估计特征Xi在每一类的条件概率;
S2.类别y的先验概率由训练集算出,通过训练集上的统计,得出对应的每一类上的条件独立的特征对应的条件概率向量;
S3.学习训练集,分类,并建立分子中的条件概率,得到模型的基本概率;
S4.给定未分类新实例X,通过上述概率进行计算,得到该实例X属于各类的后验概率。
上述步骤S1-S4中,其具体为:
对于判断车型,目前我们使用有监督学习之朴素贝叶斯方法,朴素贝叶斯方法,是指
朴素:特征条件独立
贝叶斯:基于贝叶斯定理
根据贝叶斯定理,对一个分类问题,给定样本特征x,样本属于类别y的概率是:
在这里,x是一个特征向量,将设x维度为M,因为朴素的假设,即特征条件独立,根据全概率公式展开,公式(1)可以表达为:
这里,只要分别估计出,特征xi在每一类的条件概率就可以了,类别y的先验概率可以通过训练集算出,同样通过训练集上的统计,可以得出对应每一类上的,条件独立的特征对应的条件概率向量,如何统计,就是下一部分——学习——所关心的内容。
学习(参数估计):
下面介绍如何从数据中,学习得到朴素贝叶斯分类模型,提出概述分类方法。
学习训练集TrainingSet={(x1,y1),(x2,y2),...,(xN,yN)}包含N条训练数据,其中xi=(x(1)i,x(2)i,...,x(M)i),T是M维向量,yi∈{c1,c2,...cK}属于K类中的一类。
学习1.首先,我们来计算公式(2)中的p(y=ck)
p(y=ck)=∑Ni=1I(yi=ck)N······(3)
其中I(x)为指示函数,若括号内成立,则计1,否则为0。
学习2.接下来计算分子中的条件概率,设M维特征的第j维有L个取值,则某维特征的某个取值ajl,在给定某分类ck下的条件概率为:
p(xj=ajl|y=ck)=∑Ni=1I(xji=ajl,yi=ck)∑Ni=1I(yi=ck)······(4)
经过上述步骤,我们就得到了模型的基本概率,也就完成了学习的任务。
分类:
通过学到的概率,给定未分类新实例X,就可以通过上述概率进行计算,得到该实例属于各类的后验概率p(y=ck|X),因为对所有的类来说,公式(2)中分母的值都相同,所以只计算分子部分即可,具体步骤如下:
分类1.计算该实例属于y=ck类的概率
p(y=ck|X)=p(y=ck)∏j=1np(X(j)=x(j)|y=ck)······(5)
分类2.确定该实例所属的分类y
y=argmaxckp(y=ck|X)······(6)
于是我们得到了实例的分类结果。
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(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)。
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,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:
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有监督学习朴素贝叶斯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有监督学习朴素贝叶斯方法;
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朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法。
2.如权利要求1所述的基于人工智能有监督学习朴素贝叶斯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基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统,其特征在于,所述有监督学习朴素贝叶斯方法包括以下步骤:
S1.估计特征Xi在每一类的条件概率;
S2.类别y的先验概率由训练集算出,通过训练集上的统计,得出对应的每一类上的条件独立的特征对应的条件概率向量;
S3.学习训练集,分类,并建立分子中的条件概率,得到模型的基本概率;
S4.给定未分类新实例X,通过上述概率进行计算,得到该实例X属于各类的后验概率。
4.如权利要求3基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统,其特征在于,上述步骤S1-S4中,其具体为:
对于判断车型,给定样本特征x,样本属于类别y的概率是:
x是一个特征向量,将设x维度为M,根据全概率公式展开,公式(1)可以表达为:
分别估计出,特征xi在每一类的条件概率,类别y的先验概率通过训练集算出,同样通过训练集上的统计,得出对应每一类上的,条件独立的特征对应的条件概率向量;
学习方法如下:
学习训练集TrainingSet={(x1,y1),(x2,y2),...,(xN,yN)}包含N条训练数据,其中xi=(x(1)i,x(2)i,...,x(M)i),T是M维向量,yi∈{c1,c2,...cK}属于K类中的一类;
学习1.首先,计算公式(2)中的p(y=ck)
p(y=ck)=∑Ni=1I(yi=ck)N······(3)
其中I(x)为指示函数,若括号内成立,则计1,否则为0;
学习2.计算分子中的条件概率,设M维特征的第j维有L个取值,则某维特征的某个取值ajl,在给定某分类ck下的条件概率为:
p(xj=ajl|y=ck)=∑Ni=1I(xji=ajl,yi=ck)∑Ni=1I(yi=ck)······(4)
经过上述步骤,得到模型的基本概率;
分类方法如下:
通过学习到的模型的概率,给定未分类新实例X,就可以通过上述概率进行计算,得到该实例属于各类的后验概率p(y=ck|X),计算分子部分,具体步骤如下:
分类1.计算该实例属于y=ck类的概率
p(y=ck|X)=p(y=ck)∏j=1np(X(j)=x(j)|y=ck)······(5)
分类2.确定该实例所属的分类y
y=argmaxckp(y=ck|X)······(6)
得到实例的分类结果。
5.一种基于人工智能有监督学习朴素贝叶斯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有监督学习朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法;
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有监督学习朴素贝叶斯方法。
6.如权利要求5所述的基于人工智能有监督学习朴素贝叶斯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所述的基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损方法,其特征在于,所述有监督学习朴素贝叶斯方法包括以下步骤:
S1.估计特征Xi在每一类的条件概率;
S2.类别y的先验概率由训练集算出,通过训练集上的统计,得出对应的每一类上的条件独立的特征对应的条件概率向量;
S3.学习训练集,分类,并建立分子中的条件概率,得到模型的基本概率;
S4.给定未分类新实例X,通过上述概率进行计算,得到该实例X属于各类的后验概率。
8.如权利要求7基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损方法,其特征在于,上述步骤S1-S4中,其具体为:
对于判断车型,给定样本特征x,样本属于类别y的概率是:
x是一个特征向量,将设x维度为M,根据全概率公式展开,公式(1)可以表达为:
分别估计出,特征xi在每一类的条件概率,类别y的先验概率通过训练集算出,同样通过训练集上的统计,得出对应每一类上的,条件独立的特征对应的条件概率向量;
学习方法如下:
学习训练集TrainingSet={(x1,y1),(x2,y2),...,(xN,yN)}包含N条训练数据,其中xi=(x(1)i,x(2)i,...,x(M)i),T是M维向量,yi∈{c1,c2,...cK}属于K类中的一类;
学习1.首先,计算公式(2)中的p(y=ck)
p(y=ck)=∑Ni=1I(yi=ck)N······(3)
其中I(x)为指示函数,若括号内成立,则计1,否则为0;
学习2.计算分子中的条件概率,设M维特征的第j维有L个取值,则某维特征的某个取值ajl,在给定某分类ck下的条件概率为:
p(xj=ajl|y=ck)=∑Ni=1I(xji=ajl,yi=ck)∑Ni=1I(yi=ck)······(4)
经过上述步骤,得到模型的基本概率;
分类方法如下:
通过学习到的模型的概率,给定未分类新实例X,就可以通过上述概率进行计算,得到该实例属于各类的后验概率p(y=ck|X),计算分子部分,具体步骤如下:
分类1.计算该实例属于y=ck类的概率
p(y=ck|X)=p(y=ck)∏j=1np(X(j)=x(j)|y=ck)······(5)
分类2.确定该实例所属的分类y
y=argmaxckp(y=ck|X)······(6)
得到实例的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610365726.4A CN106067038A (zh) | 2016-05-27 | 2016-05-27 | 基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610365726.4A CN106067038A (zh) | 2016-05-27 | 2016-05-27 | 基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106067038A true CN106067038A (zh) | 2016-11-02 |
Family
ID=57420949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610365726.4A Pending CN106067038A (zh) | 2016-05-27 | 2016-05-27 | 基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067038A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491885A (zh) * | 2018-03-28 | 2018-09-04 | 广东工业大学 | 一种基于朴素贝叶斯分类器的autoCAD图块识别方法及装置 |
CN110580483A (zh) * | 2018-05-21 | 2019-12-17 | 上海大唐移动通信设备有限公司 | 一种室内外用户区分方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120004811A1 (en) * | 2009-01-13 | 2012-01-05 | Jens Becker | Method and control device for triggering passenger protection means for a vehicle |
CN103303237A (zh) * | 2013-06-21 | 2013-09-18 | 湖南大学 | 一种基于遗传神经网络的安全气囊起爆控制方法 |
CN104932359A (zh) * | 2015-05-29 | 2015-09-23 | 大连楼兰科技股份有限公司 | 基于cae技术的车辆远程无人定损系统及定损方法 |
-
2016
- 2016-05-27 CN CN201610365726.4A patent/CN106067038A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120004811A1 (en) * | 2009-01-13 | 2012-01-05 | Jens Becker | Method and control device for triggering passenger protection means for a vehicle |
CN103303237A (zh) * | 2013-06-21 | 2013-09-18 | 湖南大学 | 一种基于遗传神经网络的安全气囊起爆控制方法 |
CN104932359A (zh) * | 2015-05-29 | 2015-09-23 | 大连楼兰科技股份有限公司 | 基于cae技术的车辆远程无人定损系统及定损方法 |
Non-Patent Citations (1)
Title |
---|
JOURNEY-GO: "机器学习笔记:朴素贝叶斯方法(Naïve Bayes)原理和实现", 《CSDN》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491885A (zh) * | 2018-03-28 | 2018-09-04 | 广东工业大学 | 一种基于朴素贝叶斯分类器的autoCAD图块识别方法及装置 |
CN110580483A (zh) * | 2018-05-21 | 2019-12-17 | 上海大唐移动通信设备有限公司 | 一种室内外用户区分方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056147A (zh) | 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 | |
CN106778610A (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
Pawlus et al. | Investigation of vehicle crash modeling techniques: theory and application | |
CN104802737A (zh) | 一种基于手机的车辆异常驾驶行为检测方法 | |
Pyo et al. | Front collision warning based on vehicle detection using CNN | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN103489010A (zh) | 基于驾驶行为的疲劳驾驶检测方法 | |
CN104688252A (zh) | 采用方向盘转角信息的驾驶人疲劳状态检测方法 | |
CN103994820B (zh) | 一种基于微孔径麦克风阵列的运动目标识别方法 | |
CN106055776A (zh) | 基于人工智能有监督学习线性回归方法建立不同车型分区域远程定损系统及方法 | |
CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 | |
Koch et al. | Machine learning for predicting the damaged parts of a low speed vehicle crash | |
CN106055779A (zh) | 基于人工智能半监督学习逻辑回归方法建立分车型远程定损系统及方法 | |
CN106067038A (zh) | 基于人工智能有监督学习朴素贝叶斯方法建立分车型远程定损系统及方法 | |
CN106067035A (zh) | 基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法 | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及系统 | |
CN106067036A (zh) | 基于人工智能无监督学习K‑means方法建立不同车型分零件远程定损系统及方法 | |
CN106056152A (zh) | 基于人工智能半监督学习birch方法建立不同车型分目标远程定损系统及方法 | |
CN106055891A (zh) | 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 | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN106056453A (zh) | 基于人工智能半监督学习聚类假设方法建立不同车型分工况远程定损系统及方法 | |
CN106096624A (zh) | 基于人工智能建立不同车型分工况远程定损系统及方法 | |
CN104964736A (zh) | 基于时频特性em分类的光纤入侵振源识别方法 | |
CN106056140A (zh) | 基于人工智能有监督学习线性回归方法建立不同车型分工况远程定损系统及方法 | |
CN115481488B (zh) | 基于机器学习的方锥式吸能结构耐撞性能多目标优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161102 |