CN106092597B - 基于分担式的数学模型测试方法及系统 - Google Patents
基于分担式的数学模型测试方法及系统 Download PDFInfo
- Publication number
- CN106092597B CN106092597B CN201610364189.1A CN201610364189A CN106092597B CN 106092597 B CN106092597 B CN 106092597B CN 201610364189 A CN201610364189 A CN 201610364189A CN 106092597 B CN106092597 B CN 106092597B
- Authority
- CN
- China
- Prior art keywords
- collision
- operating condition
- feature
- vehicle
- collision alarm
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/0078—Shock-testing of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
基于分担式的数学模型测试方法及系统,包括:对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤、车辆外观零件损伤等级判定的步骤、整车判定特征因素确定的步骤、特征因素的预处理的步骤、整车判定模型确定的步骤。本发明在一定程度上将信号从先到后、从零到整进行判断可以有效的避免一次性判断而产生的误差。
Description
技术领域
本发明属于数据处理及机器学习领域,具体说是一种基于分担式的数学模型测试方法及系统。
背景技术
目前汽车的保有量每年在逐渐的增加,道路交通的不断规划使车辆的行驶速度有所提升,交通事故的发生率也在增加,但是在车辆低速行驶过程中所发生的事故对车辆所造成的损伤无法准确判断,对用户和保险公司都产生了一定危害,所以对车辆低速碰撞远程定损具有重要的意义。在对低速行驶车辆远程定损过程中,主要是对车辆携带设备所采集的加速度、角速度,以下简称车辆行驶信号,进行处理分析、学习判断。
在实际车辆行驶过程中道路况状复杂、驾驶员操作多样等因素,对采集到的判断信号产生了很多干扰,直接对采集的信号进行损伤等级检测不但费时,而且在运算量和存储上也造成一定程度的资源浪费。
发明内容
本发明提供了一种基于分担式的数学模型测试方法及系统,在一定程度上将信号从先到后、从零到整进行判断可以有效的避免一次性判断而产生的误差。
一方面,本发明提供了基于分担式的数学模型测试方法,包括:对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤、车辆外观零件损伤等级判定的步骤、整车判定特征因素确定的步骤、特征因素的预处理的步骤、整车判定模型确定的步骤。
具体的,对碰撞信号进行粗判断的步骤具体为,在前端对车辆行驶信号进行实时采集并存储N秒钟的数据,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共N秒钟的数据通过云端上传到后台服务器。
具体的,对碰撞信号进行细判断的步骤具体为:
S1:当有粗判断为碰撞的信号传来时,触发碰撞信号细判断模块对新数据进行读取;
S2:根据已经保存好的数据预处理方法对数据进行数据预处理;所述预处理,包括数据的滤波、特征提取、归一化等操作;
S3:将处理好的特征输入到事先已经训练好的判别模型,通过模型的判断后,确定是否为碰撞信号:
如果判断为碰撞信号,则将提取后的特征传递给步骤3进行判断;
如果判断为非碰撞信号,则保存为类碰撞信号。
具体的,训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM。
具体的,判断碰撞信号所属工况的步骤具体为,将提取后的特征输入到工况模型中进行工况判断,工况模型将输出属于哪种工况并进行记录,将信号所属的工况结果输出给损伤等级判断模块;所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况。
更具体的,车辆外观零件损伤等级判定的步骤具体为:根据工况结果,将提取的特征输入到该工况下的每个外观零件损伤等级判断模型中,对每一个外观零件的损伤等级进行判断输出,所述外观零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保险杠皮、发动机罩、后备箱盖、左前大灯、右前大灯。
更具体的,整车判定特征因素确定的步骤具体为:根据外观零件的损伤等级,确定碰撞的角度、碰撞车辆的区域因素,再结合工况结果和碰撞时车辆行驶的速度,作为特征因素。
作为更具体的,特征因素的预处理的步骤具体为,对特征因素进行归一化、标准化处理,并进行特征变换选择;所述特征变换是在特征有冗余的情况下对特征进行降维处理。
作为更具体的,整车判定模型确定的步骤具体为,选择SVM算法、随机森林、BPNN算法进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
另一方面,本发明还提供了一种基于分担式的数学模型测试系统,包括:
碰撞信号粗判断模块,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共N秒钟的数据通过云端上传到后台服务器;
碰撞信号细判断模块,对疑似碰撞的数据进行数据预处理;
判别模型,将处理好的特征输入到该模型中,通过模型的判断后,确定是否为碰撞信号:如果判断为碰撞信号,则将提取后的特征传递给工况模型中;如果判断为非碰撞信号,则保存为类碰撞信号;
工况模型,将信号所属的工况结果输出给损伤等级判断模块;
损伤等级判断模块,对每一个零件的损伤等级进行判断输出,最终将有损伤的零件反馈到手机终端;
整车判定特征因素模块,确定碰撞的角度、碰撞车辆的区域、工况结果和碰撞时车辆行驶的速度。
特征因素的预处理模块,对特征因素进行归一化、标准化处理,并进行特征变换选择;
整车判定模型确定模块,选择SVM算法、随机森林、BPNN算法进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
本发明由于采用以上技术方法,能够取得如下的技术效果:通过分部式的信号处理,有效的避免了在信号传输过程中对资源的浪费,在后台对信号先进行工况判断可以避免不同工况下信号特征的干扰,提高在同一工况下判断零件损伤等级的准确率;本发明在一定程度上将信号从先到后、从零到整进行判断可以有效的避免一次性判断而产生的误差。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为基于分担式的数学模型测试方法流程图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
实施例1
一方面,本发明提供了基于分担式的数学模型测试方法,包括:
第一步,对碰撞信号进行粗判断的步骤:
在前端对车辆行驶信号进行实时采集并存储10秒钟的数据,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后5秒钟,即共10秒钟的数据通过云端上传到后台服务器。
第二步,对碰撞信号进行细判断的步骤:
S1:当有粗判断为碰撞的信号传来时,触发碰撞信号细判断模块对新数据进行读取;
S2:根据已经保存好的数据预处理方法对数据进行数据预处理;所述预处理,包括数据的滤波、特征提取、归一化等操作;
S3:将处理好的特征输入到事先已经训练好的判别模型,所述训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM,通过模型的判断后,确定是否为碰撞信号:
如果判断为碰撞信号,则将提取后的特征传递给步骤3进行判断;
如果判断为非碰撞信号,则保存为类碰撞信号。
第三步,判断碰撞信号所属工况的步骤:
将提取后的特征输入到工况模型中进行工况判断,工况模型将输出属于哪种工况并进行记录,将信号所属的工况结果输出给损伤等级判断模块;所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等。
第四步,在汽车低速行驶过程中如果发生碰撞,大部分损伤的零件都是车辆的外观件,车辆外观零件损伤等级判定的步骤:
根据工况结果,将提取的特征输入到该工况下的每个外观零件损伤等级判断模型中,对每一个外观零件的损伤等级进行判断输出,所述外观零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保险杠皮、发动机罩、后备箱盖、左前大灯、右前大灯等。
另一方面,本发明还提供了一种基于分担式的数学模型测试系统,包括:
碰撞信号粗判断模块,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共10N秒钟的数据通过云端上传到后台服务器;
碰撞信号细判断模块,对疑似碰撞的数据进行数据预处理;
判别模型,将处理好的特征输入到该模型中,通过模型的判断后,确定是否为碰撞信号:如果判断为碰撞信号,则将提取后的特征传递给工况模型中;如果判断为非碰撞信号,则保存为类碰撞信号;
工况模型,将信号所属的工况结果输出给损伤等级判断模块;
损伤等级判断模块,对每一个零件的损伤等级进行判断输出,最终将有损伤的零件反馈到手机终端。
实施例2
一方面,本发明提供了基于分担式的数学模型测试方法,包括:
第一步,对碰撞信号进行粗判断的步骤:
在前端对车辆行驶信号进行实时采集并存储10秒钟的数据,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后5秒钟,即共10秒钟的数据通过云端上传到后台服务器。
第二步,对碰撞信号进行细判断的步骤:
S1:当有粗判断为碰撞的信号传来时,触发碰撞信号细判断模块对新数据进行读取;
S2:根据已经保存好的数据预处理方法对数据进行数据预处理;所述预处理,包括数据的滤波、特征提取、归一化等操作;
S3:将处理好的特征输入到事先已经训练好的判别模型,所述训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM,通过模型的判断后,确定是否为碰撞信号:
如果判断为碰撞信号,则将提取后的特征传递给步骤3进行判断;
如果判断为非碰撞信号,则保存为类碰撞信号。
第三步,判断碰撞信号所属工况的步骤:
将提取后的特征输入到工况模型中进行工况判断,工况模型将输出属于哪种工况并进行记录,将信号所属的工况结果输出给损伤等级判断模块;所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等。
第四步,车辆外观零件损伤等级判定的步骤:
根据工况结果,将提取的特征输入到该工况下的每个外观零件损伤等级判断模型中,对每一个外观零件的损伤等级进行判断输出,所述外观零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保险杠皮、发动机罩、后备箱盖、左前大灯、右前大灯等。
第五步,整车判定特征因素确定的步骤:
根据外观零件的损伤等级,确定碰撞的角度、碰撞车辆的区域等因素,再结合工况结果和碰撞时车辆行驶的速度,作为特征因素。
第六步,特征因素的预处理的步骤:
对特征因素进行归一化、标准化处理,并进行特征变换选择;所述特征变换是在特征有冗余的情况下对特征进行降维处理。在这里可以选择进行特征降维和不进行特征降维,最终形成机器学习分类算法的输入形式。
第七步,整车判定模型确定的步骤:
选择SVM算法、随机森林、BPNN算法等进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
另一方面,本发明还提供了一种基于分担式的数学模型测试系统,包括:
碰撞信号粗判断模块,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共10N秒钟的数据通过云端上传到后台服务器;
碰撞信号细判断模块,对疑似碰撞的数据进行数据预处理;
判别模型,将处理好的特征输入到该模型中,通过模型的判断后,确定是否为碰撞信号:如果判断为碰撞信号,则将提取后的特征传递给工况模型中;如果判断为非碰撞信号,则保存为类碰撞信号;
工况模型,将信号所属的工况结果输出给损伤等级判断模块;
损伤等级判断模块,对每一个零件的损伤等级进行判断输出,最终将有损伤的零件反馈到手机终端;
整车判定特征因素模块,确定碰撞的角度、碰撞车辆的区域、工况结果和碰撞时车辆行驶的速度;
特征因素的预处理模块,对特征因素进行归一化、标准化处理,并进行特征变换选择;
整车判定模型确定模块,选择SVM算法、随机森林、BPNN算法进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
在实际车辆行驶过程中道路况状复杂、驾驶员操作多样等因素,对采集到的判断信号产生了很多干扰,直接对采集的信号进行损伤等级检测不但费时,而且在运算量和存储上也造成一定程度的资源浪费,所以在一定程度上将信号从先到后、从零到整进行判断可以有效的避免一次性判断而产生的误差。
以上所述,仅为本发明较佳的具体实施方式,但本发明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披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.基于分担式的数学模型测试方法,其特征在于,包括:对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤、车辆外观零件损伤等级判定的步骤、整车判定特征因素确定的步骤、特征因素的预处理的步骤、整车判定模型确定的步骤;
对碰撞信号进行细判断的步骤具体为:
S1:当有粗判断为碰撞的信号传来时,触发碰撞信号细判断模块对新数据进行读取;
S2:根据已经保存好的数据预处理方法对数据进行数据预处理;所述预处理,包括数据的滤波、特征提取、归一化,操作;
S3:将处理好的特征输入到事先已经训练好的判别模型,通过模型的判断后,确定是否为碰撞信号:
如果判断为碰撞信号,则将提取后的特征传递给判断碰撞信号所属工况的步骤;
如果判断为非碰撞信号,则保存为类碰撞信号。
2.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,对碰撞信号进行粗判断的步骤具体为,在前端对车辆行驶信号进行实时采集并存储N秒钟的数据,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共N秒钟的数据通过云端上传到后台服务器。
3.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM。
4.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,判断碰撞信号所属工况的步骤具体为,将提取后的特征输入到工况模型中进行工况判断,工况模型将输出属于哪种工况并进行记录,将信号所属的工况结果输出给损伤等级判断模块;所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况。
5.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,车辆外观零件损伤等级判定的步骤具体为:根据工况结果,将提取的特征输入到该工况下的每个外观零件损伤等级判断模型中,对每一个外观零件的损伤等级进行判断输出,所述外观零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保险杠皮、发动机罩、后备箱盖、左前大灯、右前大灯。
6.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,整车判定特征因素确定的步骤具体为:根据外观零件的损伤等级,确定碰撞的角度、碰撞车辆的区域因素,再结合工况结果和碰撞时车辆行驶的速度,作为特征因素。
7.根据权利要求6所述的基于分担式的数学模型测试方法,其特征在于,特征因素的预处理的步骤具体为,对特征因素进行归一化、标准化处理,并进行特征变换选择;所述特征变换是在特征有冗余的情况下对特征进行降维处理。
8.根据权利要求1所述的基于分担式的数学模型测试方法,其特征在于,整车判定模型确定的步骤具体为,选择SVM算法、随机森林、BPNN算法进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
9.一种基于分担式的数学模型测试系统,其特征在于,包括:
碰撞信号粗判断模块,根据阈值对当前时刻碰撞信号进行粗略判断,若有疑似碰撞的信号产生,截取当前时刻的前后N/2秒钟,即共N秒钟的数据通过云端上传到后台服务器;
碰撞信号细判断模块,对疑似碰撞的数据进行数据预处理;
判别模型,将处理好的特征输入到该模型中,通过模型的判断后,确定是否为碰撞信号:如果判断为碰撞信号,则将提取后的特征传递给工况模型中;如果判断为非碰撞信号,则保存为类碰撞信号;
工况模型,将信号所属的工况结果输出给损伤等级判断模块;
损伤等级判断模块,对每一个零件的损伤等级进行判断输出,最终将有损伤的零件反馈到手机终端;
整车判定特征因素模块,确定碰撞的角度、碰撞车辆的区域、工况结果和碰撞时车辆行驶的速度;
特征因素的预处理模块,对特征因素进行归一化、标准化处理,并进行特征变换选择;
整车判定模型确定模块,选择SVM算法、随机森林、BPNN算法进行对比分析,利用每种算法对特征进行训练、测试,最终挑选测试准确率高的两种或两种以上算法在系统中使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364189.1A CN106092597B (zh) | 2016-05-27 | 2016-05-27 | 基于分担式的数学模型测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610364189.1A CN106092597B (zh) | 2016-05-27 | 2016-05-27 | 基于分担式的数学模型测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106092597A CN106092597A (zh) | 2016-11-09 |
CN106092597B true CN106092597B (zh) | 2019-04-05 |
Family
ID=57229302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610364189.1A Active CN106092597B (zh) | 2016-05-27 | 2016-05-27 | 基于分担式的数学模型测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106092597B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516173B (zh) * | 2021-05-27 | 2022-09-09 | 江西五十铃汽车有限公司 | 一种基于随机森林与决策树的整车静动态干涉的测评方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101168358B (zh) * | 2006-10-25 | 2010-07-14 | 厦门雅迅网络股份有限公司 | 一种用于车辆碰撞/侧翻检测、报警的方法及装置 |
CN102139700B (zh) * | 2010-02-01 | 2013-07-17 | 同济大学 | 一种轨道交通的车辆工况在线监测系统 |
CN102139701B (zh) * | 2010-02-01 | 2013-07-17 | 同济大学 | 一种轨道交通的车辆工况在线监测方法 |
CN104932359B (zh) * | 2015-05-29 | 2019-01-08 | 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 CN201610364189.1A patent/CN106092597B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106092597A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107848478B (zh) | 低速碰撞的自动识别和评估 | |
CN106553655B (zh) | 危险车辆检测方法和系统以及包括该系统的车辆 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN106295541A (zh) | 车辆类型识别方法及系统 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
US11651599B2 (en) | Systems and methods for identifying distracted driver behavior from video | |
CN109583508A (zh) | 一种基于深度学习的车辆异常加减速行为识别方法 | |
CN112906515A (zh) | 车内异常行为识别方法、系统、电子设备及存储介质 | |
CN108401464A (zh) | 一种车载设备及车辆碰撞分析方法和装置 | |
CN203713802U (zh) | 检测行人碰撞的系统 | |
CN112750220A (zh) | 一种车辆故意逃费检测方法、装置、系统及存储介质 | |
Nieto et al. | On creating vision‐based advanced driver assistance systems | |
US20230206652A1 (en) | Systems and methods for utilizing models to detect dangerous tracks for vehicles | |
KR101519217B1 (ko) | 부주의 운전 판정 장치 및 그 방법 | |
Koch et al. | Machine learning for predicting the damaged parts of a low speed vehicle crash | |
CN107644475B (zh) | 一种车辆碰撞检测的方法和装置以及obd盒子 | |
CN106092597B (zh) | 基于分担式的数学模型测试方法及系统 | |
CN117392855B (zh) | 基于卫星定位数据的车辆超限超载概率识别方法及系统 | |
Keser et al. | Interpretable model-agnostic plausibility verification for 2d object detectors using domain-invariant concept bottleneck models | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及系统 | |
Kar et al. | Scotto: Real-time driver behavior scoring using in-vehicle data | |
CN113408364A (zh) | 一种临时车牌识别方法、系统、装置及存储介质 | |
CN112319486A (zh) | 一种基于驾驶数据采集的驾驶检测方法及相关装置 | |
CN116279500A (zh) | 一种车辆碰撞识别方法 | |
CN110435658A (zh) | 一种车辆控制方法、装置、车辆和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |