CN106067138A

CN106067138A - 基于人工智能建立不同车型分目标远程定损系统及方法

Info

Publication number: CN106067138A
Application number: CN201610365701.4A
Authority: CN
Inventors: 田雨农; 刘俊俍
Original assignee: Dalian Roiland Technology Co Ltd
Current assignee: Dalian Roiland Technology Co Ltd
Priority date: 2016-05-27
Filing date: 2016-05-27
Publication date: 2016-11-02

Abstract

基于人工智能建立不同车型分目标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目标检测的问题，技术要点是：目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型。有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，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

基于人工智能建立不同车型分目标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建立不同车型分目标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，对于碰撞后的碰撞车辆的目标检测的问题，本发明提出了一种基于人工智能建立不同车型分目标远程定损系统及方法，以实现定损过程中的目标检测和判断。

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；

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；

目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型。

有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，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；目标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：

一种基于人工智能建立不同车型分目标远程定损系统，包括：

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；

所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目标训练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测试数据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的可靠性和准确率。

所述碰撞模型建立使用智能半监督学习BIRCH方法、径向基函数神经网络方法、智能无监督学习稀疏编码方法、智能有监督学习决策树方法中的一种以上；

所述工况模型建立使用智能半监督学习BIRCH方法、径向基函数神经网络方法、智能无监督学习稀疏编码方法、智能有监督学习决策树方法中的一种以上；

所述目标模型建立使用智能半监督学习BIRCH方法、径向基函数神经网络方法、智能无监督学习稀疏编码方法、智能有监督学习决策树方法中的一种以上；

且，所述碰撞模型、所述工况模型、所述目标模型建立使用的算法或方法不为完全相同的算法或方法。

作为一种实施例：

所述智能半监督学习BIRCH方法，BIRCH是一种聚类算法，它最大的特点是能利用有限的内存资源完成对大数据集的高质量的聚类，同时通过单遍扫描数据集能最小化I/O代价。

首先解释一下什么是聚类，从统计学的观点来看，聚类就是给定一个包含N个数据点的数据集和一个距离度量函数F(例如计算簇内每两个数据点之间的平均距离的函数)，要求将这个数据集划分为K个簇(或者不给出数量K，由算法自动发现最佳的簇数量)，最后的结果是找到一种对于数据集的最佳划分，使得距离度量函数F的值最小。从机器学习的角度来看，聚类是一种非监督的学习算法，通过将数据集聚成n个簇，使得簇内点之间距离最小化，簇之间的距离最大化。

BIRCH算法特点：

(1)BIRCH试图利用可用的资源来生成最好的聚类结果，给定有限的主存，一个重要的考虑是最小化I/O时间。

(2)BIRCH采用了一种多阶段聚类技术：数据集的单边扫描产生了一个基本的聚类，一或多遍的额外扫描可以进一步改进聚类质量。

(3)BIRCH是一种增量的聚类方法，因为它对每一个数据点的聚类的决策都是基于当前已经处理过的数据点，而不是基于全局的数据点。

(4)如果簇不是球形的，BIRCH不能很好的工作，因为它用了半径或直径的概念来控制聚类的边界。

其实现方法是：给定一个包含N个数据点的数据集和一个距离度量函数F，将所述数据集划分为K个簇，得到对于数据集的最佳划分，使得距离度量函数F的值最小。

BIRCH算法中，CF是BIRCH增量聚类算法的核心，CF树中得节点都是由CF组成，一个CF是一个三元组，这个三元组就代表了簇的所有信息。给定N个d维的数据点{x1,x2,....,xn}，CF定义如下：

CF＝(N，LS，SS)

其中，N是子类中节点的数目，LS是N个节点的线性和，SS是N个节点的平方和。

CF有个特性，即可以求和，具体说明如下：CF1＝(n1,LS1,SS1)，CF2＝(n2,LS2,SS2)，则CF1+CF2＝(n1+n2,LS1+LS2,SS1+SS2)。

例如：

假设簇C1中有三个数据点：(2,3)，(4,5)，(5,6)，则CF1＝{3，(2+4+5,3+5+6)，(2^2+4^2+5^2,3^2+5^2+6^2)}＝{3，(11,14)，(45,70)}，同样的，簇C2的CF2＝{4，(40,42)，(100,101)}，那么，由簇C1和簇C2合并而来的簇C3的聚类特征CF3计算如下：

CF3＝{3+4,(11+40,14+42)，(45+100,70+101)}＝{7，(51,56)，(145,171)}

另外在介绍两个概念：簇的质心和簇的半径。假如一个簇中包含n个数据点：{Xi}，i＝1,2,3...n.，则质心C和半径R计算公式如下：

C＝(X1+X2+...+Xn)/n，(这里X1+X2+...+Xn是向量加)

R＝(|X1-C|^2+|X2-C|^2+...+|Xn-C|^2)/n

其中，簇半径表示簇中所有点到簇质心的平均距离。CF中存储的是簇中所有数据点的特性的统计和，所以当我们把一个数据点加入某个簇的时候，那么这个数据点的详细特征，例如属性值，就丢失了，由于这个特征，BIRCH聚类可以在很大程度上对数据集进行压缩。

作为一种实施例：

所述径向基函数神经网络方法，是一个高维空间中的曲面拟合，在多维空间中寻找一个能够最佳匹配训练数据的曲面而进行学习，在一批新的数据中，用训练的曲面来处理(比如分类、回归)；径向基函数里的基函数是在神经网络的隐单元里提供了一个函数集，该函数集在输入模式(向量)扩展至隐空间时，为其构建了一个任意的基，这个函数集中的函数被称为径向基函数。

所述径向基函数神经网络方法具体是：选择P个基函数，每个基函数对应一个训练数据，各基函数形式为||X-Xp||表示差向量的模；

径向基函数的插值函数为：

输入X是个m维的向量，样本容量为P，P>m，输入数据点Xp是径向基函数φp的中心，wp是系数，也可认为是插值

输入X是个m维的向量，样本容量为P，P>m。可以看到输入数据点Xp是径向基函数φp的中心。

隐藏层把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分；

将插值条件代入：

写成向量的形式为ΦW＝d，Φ是个对称矩阵，且与X的维度无关。

计算数据中心的方法：数据中心从样本中选取，样本密集的地方多采集一些，各基函数采用统一的偏扩展常数：

d_max是所选数据中心之间的最大距离，M是数据中心的个数。

作为所述径向基函数神经网络方法的补充：RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

RBF(Radial Basis Function)可以看作是一个高维空间中的曲面拟合(逼近)问题，学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面，然后来一批新的数据，用刚才训练的那个曲面来处理(比如分类、回归)。RBF的本质思想是反向传播学习算法应用递归技术，这种技术在统计学中被称为随机逼近。RBF里的basis function(径向基函数里的基函数)就是在神经网络的隐单元里提供了一个函数集，该函数集在输入模式(向量)扩展至隐空间时，为其构建了一个任意的“基”。这个函数集中的函数就被称为径向基函数。很明显，RBF属于神经网络领域的东西，所以像很多神经网络一样，其结构由：输入层、隐层、输出层三层组成。

完全内插法要求插值函数经过每个样本点，即F(X^p)＝d^p。样本点总共有P个。

RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为由于距离是径向同性的，因此称为径向基函数。||X-Xp||表示差向量的模，或者叫2范数。

基于为径向基函数的插值函数为：

隐藏层的作用是把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分了。

将插值条件代入：

写成向量的形式为ΦW＝d，显然Φ是个规模这P对称矩阵，且与X的维度无关，当Φ可逆时，有W＝Φ^-1d。

对于这类函数，当输入的X各不相同时，Φ就是可逆的。下面的几个函数就属于这“一大类”函数：

1)Gauss(高斯)函数

2)Reflected Sigmoidal(反常S型)函数

3)Inverse multiquadrics(拟多二次)函数

σ称为径向基函数的扩展常数，它反应了函数图像的宽度，σ越小，宽度越窄，函数越具有选择性。

正则化RBF网络：输入样本有P个时，隐藏层神经元数目为P，且第p个神经元采用的变换函数为G(X,Xp)，它们相同的扩展常数σ。输出层神经元直接把净输入作为输出。输入层到隐藏层的权值全设为1,隐藏层到输出层的权值是需要训练得到的：逐一输入所有的样本，计算隐藏层上所有的Green函数，根据(2)式计算权值。

广义RBF网络：Cover定理指出：将复杂的模式分类问题非线性地映射到高维空间将比投影到低维空间更可能线性可分。

广义RBF网络：从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。从隐藏层到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习规则，参见神经网络基础和感知器。

下面给出计算数据中心的两种方法：

数据中心从样本中选取。样本密集的地方多采集一些。各基函数采用统一的偏扩展常数：

dmax是所选数据中心之间的最大距离，M是数据中心的个数。扩展常数这么计算是为了避免径向基函数太尖或太平。

自组织选择法，比如对样本进行聚类、梯度训练法、资源分配网络等。各聚类中心确定以后，根据各中心之间的距离确定对应径向基函数的扩展常数。

δ_j＝λd_j

λ是重叠系数。

接下来求权值W时就不能再用W＝Φ^-1d了，因为对于广义RBF网络，其行数大于列数，此时可以求Φ伪逆。

W＝Φ⁺d

Φ⁺＝(Φ^TΦ)^-1Φ^T

数据中心的监督学习算法

最一般的情况，RBF函数中心、扩展常数、输出权值都应该采用监督学习算法进行训练，经历一个误差修正学习的过程，与BP网络的学习原理一样。同样采用梯度下降法，定义目标函数为：

ei为输入第i个样本时的误差信号。

上式的输出函数中忽略了阈值。

为使目标函数最小化，各参数的修正量应与其负梯度成正比，即

具体计算式为：

上述目标函数是所有训练样本引起的误差总和，导出的参数修正公式是一种批处理式调整，即所有样本输入一轮后调整一次。目标函数也可以为瞬时值形式，即当前输入引起的误差：

此时参数的修正值为：

Δw_j＝ηeG(||X-c_j||)

作为一种实施例：

所述智能无监督学习稀疏编码方法为：

如果把输出必须和输入相等的限制放松，同时利用线性代数中基的概念，即O＝a1×Φ1+a2×Φ2+….+an×Φn，Φi是基，ai是系数，可以得到这样一个优化问题：

Min|I–O|，其中I表示输入，O表示输出；

通过求解这个最优化式子，我们可以求得系数ai和基Φi，i为样例编号，这些系数和基就是输入的另外一种近似表达；

将输入的样本集X分解为多个基元的线性组合，基前面的系数表示的是输入样本的特征，其分解公式表达如下：

基的个数k比x中元素的个数n要大，对系数a作一个稀疏性约束，对应的代价函数表达式为：

j为m的范围，m为维度

其中的第一项是重构输入数据X的代价值，第二项的S(.)为分解系数的系数惩罚，λ是两种代价的权重，是个常量；

再对基集合中的值做一个约束，约束后的系统代价函数为：

C为常量。

所述智能无监督学习稀疏编码方法，如果把误差考虑进去后：

输入样本X经过sparsecoding分解后的表达式如下：

V(X)代表上式

找到一组基Ф，使得输入样本数据出现的概率P(x|φ)与输入样本数据的经验分布概率P^*(x)·最相近，使如下表达式值最小：

由于输入数据的经验分布函数概率是固定值，所以求上式值最小相当等价于求P(x|φ)最大；

经过对参数a的先验估计和函数积分值估计的推导步骤，最后等价于求下面的能量函数值最小：

作为有监督学习之稀疏编码方法的补充，使用有监督学习之稀疏编码方法。在此之前，需要对凸优化有些了解，“凸优化”是指一种比较特殊的优化，是指目标函数为凸函数且由约束条件得到的定义域为凸集的优化问题，也就是说目标函数和约束条件都是”凸”的。

Sparse Coding是将输入的样本集X分解为多个基元的线性组合，然后这些基前面的系数表示的是输入样本的特征。其分解公式表达如下：

而一般情况下要求基的个数k非常大，至少要比x中元素的个数n要大，因为这样的基组合才能更容易的学到输入数据内在的结构和特征。其实在常见的PCA算法中，是可以找到一组基来分解X的，只不过那个基的数目比较小，所以可以得到分解后的系数a是可以唯一确定，而在sparse coding中，k太大，比n大很多，其分解系数a不能唯一确定。一般的做法是对系数a作一个稀疏性约束，这也就是sparse coding算法的来源。此时系统对应的代价函数(前面的博文都用损失函数表示，以后统一改用代价函数，感觉这样翻译更贴切)表达式为：

其中的第一项是重构输入数据X的代价值，第二项的S(.)为分解系数的系数惩罚，lamda是两种代价的权重，是个常量。但是这样还是有一个问题，比如说我们可以将系数a减到很小，且将每个基的值增加到很大，这样第一项的代价值基本保持不变，而第二项的稀疏惩罚依旧很小，达不到我们想要的目的——分解系数中只有少数系数远远大于0，而不是大部分系数都比0大(虽然不会大太多)。解决这个问题的通用方法是是对基集合中的值也做了一个约束，约束后的系统代价函数为：

Sparse coding的概率解释：

如果把误差考虑进去后，输入样本X经过sparse coding分解后的表达式则如下：

而我们的目标是找到一组基Ф，使得输入样本数据出现的概率P(x|φ)与输入样本数据的经验分布概率P^*(x)·最相近，如果用KL距离来衡量其相似度的话，就是满足他们的KL距离最小，即下面表达式值最小：

由于输入数据的经验分布函数概率是固定值，所以求上式值最小相当等价于求P(x|φ)最大。

经过对参数a的先验估计和函数积分值估计等推导步骤，最后等价于求下面的能量函数值最小：

而这就很好的和sparse coding的代价函数公式给联系起来了。到目前为止应该知道sparse coding的实际使用过程中速度是很慢的，因为即使我们在训练阶段已经把输入数据集的基Ф学习到了，在测试阶段时还是要通过凸优化的方法去求得其特征值(即基组合前面的系数值)，所以这比一般的前向神经网络速度要慢(一般的前向算法只需用矩阵做一下乘法，然后做下加法，求个函数值等少数几步即可完成)。

作为一种实施例：

有监督学习之决策树方法建立数学模型，决策树学习是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一棵决策树。

决策树通过把实例从艮节点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每一个结点指定了对实例的某个属性的测试，并且该结点的每一个后继分支对应于该属性的一个可能值。分类实例的方法是从这棵树的根节点开始，测试这个结点的属性，然后按照给定实例的属性值对应的树枝向下移动，然后这个过程在以新结点的根的子树上重复。

决策树对应表达

(Outlook＝Sunny∧Humidity＝Normal)∨(Outlook＝Overcast)∨(Outlook＝Rain∧Wind＝Weak)

使用统计测试来确定每一个实例属性单独分类训练样例的能力。分类能力最好的属性被选作树的根结点的测试。然后为根节点属性的每个可能值产生一个分支，并把训练样例排列到适当的分支之下。然后重复整个过程，用每个分支结点关联的训练样例来选取在该点被测试的最佳属性。这形成了对合格决策树的贪婪搜索(greedysearch)，也就是算法从不回溯重新考虑原来的选择。

ID3(Examples,Target_attribute,Attributes)，本实施例的智能有监督学习决策树方法包括：

S1.如果Examples都为正，那么返回label＝+的单结点树Root；

S2.如果Examples都为反，那么返回label＝+的单结点树Root；

S3.如果Attributes为空，那么返回单结点树Root，label＝Examples中最普遍的Target_attribute的值；

S4.否则开始：

S4.1.A为Attributes中分类Examples能力最好的属性；

S4.2.A也为Root的决策属性；

S4.3.对于A的每个可能值vi；

S4.3.1.在Root下加一个新的分支对应测试A＝vi；

S4.3.2.令Examplesvi为Examples中满足A属性值为vi的子集；

S4.3.3.如果Examplesvi为空；

S4.3.4.在这个新分支下加一个叶子结点，结点的label＝Examples中最普遍的Target_attribute值；

S4.3.5.否则在这个新分支下加一个子树

ID3(Examplesvi,Target_attribute,Attributes-{A})；

S5.结束；

S6.返回Root；

其中：Examples为训练样例集，Target_attribute是决策树要测试的目标属性，Attributes是除目标属性外供学习到的决策树测试的属性列表，返回一棵能正确分类给定Examples的决策树。

实施例2：

一种基于人工智能建立不同车型分目标远程定损方法，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；

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；

步骤五.判断车辆发生碰撞的对象，所述目标检测子系统对目标训练数据进行学习从而生成目标模型。

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：

S1.使用目标检测子系统处理CAE损伤仿真数据处理，再对其进行分类产生损伤判断训练数据和损伤判断测试数据；

S2.在目标训练模块中对损伤判断训练数据进行学习并产生损伤模型，来模拟目标训练数据的效果；

S3.在目标测试模型中使用损伤判断测试数据来测试目标判断模型的结果；

S4.使用真实跑车数据作为目标验证数据并带入目标验证模块，来验证目标判断模型的准确性。

所述各种算法或方法的具体步骤，与实施例1中的算法或方法相同。

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

1.一种基于人工智能建立不同车型分目标远程定损系统，其特征在于，包括：

2.如权利要求1所述的基于人工智能建立不同车型分目标远程定损系统，其特征在于，

3.如权利要求1或2基于人工智能建立不同车型分目标远程定损系统，其特征在于，