基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損系統及方法
【專利摘要】基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損系統及方法,屬于車輛定損領域，為了解決車輛碰撞后，對于碰撞后的碰撞車輛的目標檢測的問題，技術要點是：目標檢測子系統,判斷車輛發生碰撞的對象,所述目標檢測子系統對目標訓練數據進行學習從而生成目標模型，所述目標模型建立使用徑向基函數神經網絡方法。有益效果：上述技術方案，可以實現對于車輛碰撞的目標檢測，在遠程定損的這個技術領域使用了機器學習的方法，針對的機器學習方法，在定損過程中，判別的準確率上得以提升。
【專利說明】
基于人工智能徑向基函數神經網絡方法建立不同分車型分目 標遠程定損系統及方法
技術領域
[0001] 本發明屬于車輛定損領域，涉及基于人工智能徑向基函數神經網絡方法建立不同 分車型分目標遠程定損系統及方法。
【背景技術】
[0002] 針對車輛在低速運動(包括低速道路行駛、車輛停靠等)過程中頻發碰撞事故而導 致的理賠糾紛問題，遠程定損技術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習技術加以分析，以判斷碰撞是否發生以及碰撞后 車輛的損毀情況。
[0003] 車輛發生碰撞事故后，前端設備能夠檢測出碰撞的發生并截取碰撞過程的信號， 通過無線網絡發送至云端，遠程服務器從收到的信號中抽取出事先設計的特征值，用機器 學習算法進行分析，先判斷碰撞數據的準確性，再判斷碰撞物體和工況情況，以確定碰撞數 據集對什么零件產生了哪種等級的損傷，然后根據零件損傷等級計算出參考理賠金額并發 送至保險公司。這期間會涉及對于車型、工況、目標、零件和區域的檢測。

【發明內容】

[0004] 為了解決車輛碰撞后，對于碰撞后的碰撞車輛的目標檢測的問題，本發明提出了 一種基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損系統，以實現 定損過程中的目標檢測和判斷。
[0005] 為了解決上述技術問題，本發明提供的技術方案的要點是:包括：
[0006] 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集；
[0007] 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0008] 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對 碰撞訓練數據進行學習從而生成碰撞模型，所述碰撞模型建立使用徑向基函數神經網絡方 法；
[0009] 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓 練數據進行學習從而生成工況模型，所述工況模型建立使用徑向基函數神經網絡方法； [0010]目標檢測子系統，判斷車輛發生碰撞的對象，所述目標檢測子系統對目標訓練數 據進行學習從而生成目標模型，所述目標模型建立使用徑向基函數神經網絡方法。
[0011]有益效果:上述技術方案，可以實現對于車輛碰撞的目標檢測，在遠程定損的這個
技術領域使用了機器學習的方法，針對的機器學習方法，在定損過程中，判別的準確率上得 以提升;本發明通過選擇車型來導入該車型所對應的數據，而數據分類則是為了模型訓練 和測試的目的而加入的步驟；目標的檢測是該方案實現的目的，是經過一系列操作所要得 到的結果。
【附圖說明】
[0012] 圖1為本發明所述的系統的結構示意框圖；
[0013] 圖2為徑向基函數插值示例圖。
【具體實施方式】
[0014] 為了對本發明作出更為清楚的解釋，下面對本發明涉及的技術術語作出定義：
[0015] 工況:碰撞角度、方向、目標、區域等全體碰撞信息；
[0016] 車型:汽車型號；
[0017] 目標:碰撞目標；
[0018] 區域:碰撞位置；
[0019] 零件:汽車零件；
[0020] 工況檢測:檢測本車碰撞角度、方向、目標、區域等全體碰撞信息；
[0021] 車型檢測:檢測與本車發生碰撞的汽車型號；
[0022]目標檢測:檢測本車碰撞目標；
[0023]區域檢測:檢測本車碰撞位置；
[0024]零件檢測:檢測本車汽車零件。
[0025] 實施例1:
[0026] -種基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損系 統，包括：
[0027] 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集；
[0028] 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0029] 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對 碰撞訓練數據進行學習從而生成碰撞模型，所述碰撞模型建立使用徑向基函數神經網絡方 法；
[0030] 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓 練數據進行學習從而生成工況模型，所述工況模型建立使用徑向基函數神經網絡方法； [0031 ]目標檢測子系統，判斷車輛發生碰撞的對象，所述目標檢測子系統對目標訓練數 據進行學習從而生成目標模型，所述目標模型建立使用徑向基函數神經網絡方法。
[0032]所述碰撞檢測子系統包括，碰撞訓練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰 撞訓練模塊用于對碰撞訓練數據進行學習從而生成碰撞模型，碰撞測試模塊用于將碰撞測 試數據帶入碰撞模型中檢測碰撞模型的結果，碰撞驗證模塊使用真實跑車數據驗證碰撞模 型的可靠性和準確率；
[0033]所述工況檢測子系統包括，工況訓練模塊、工況測試模塊、工況驗證模塊，所述工 況訓練模塊用于對工況訓練數據進行學習從而生成工況模型，所述工況測試模塊用于將工 況測試數據帶入模型中檢測工況模型的結果，工況驗證模塊使用真實跑車數據驗證工況模 型的可靠性和準確率；
[0034]所述目標檢測子系統包括，目標訓練模塊、目標測試模塊、目標驗證模塊，所述目 標訓練模塊用于將目標訓練數據進行學習從而生成目標模型，目標測試模塊用于將目標測 試數據帶入模型中檢測目標模型的結果，目標驗證模塊使用真實跑車數據驗證目標模型的 可靠性和準確率。
[0035] 所述徑向基函數神經網絡方法，是一個高維空間中的曲面擬合，在多維空間中尋 找一個能夠最佳匹配訓練數據的曲面而進行學習，在一批新的數據中，用訓練的曲面來處 理（比如分類、回歸）；徑向基函數里的基函數是在神經網絡的隱單元里提供了一個函數 集，該函數集在輸入模式（向量)擴展至隱空間時，為其構建了一個任意的基，這個函數集中 的函數被稱為徑向基函數。
[0036] 所述徑向基函數神經網絡方法具體是:選擇P個基函數，每個基函數對應一個訓練 數據，各基函數形式為Ix-XpI I表示差向量的模；
[0037]徑向基函數的插值函數為：
[0038]
[0039] 輸入X是個m維的向量，樣本容量為P，P>m，輸入數據點Xp是徑向基函數Φ p的中心， wp是系數，也可認為是插值
[0040]輸入X是個m維的向量，樣本容量為P，P>m。可以看到輸入數據點Xp是徑向基函數Φ P的中心。
[0041 ]隱藏層把向量從低維m映射到高維P，低維線性不可分的情況到高維就線性可分； [0042]將插值條件代入：
[0043]
[0044] 寫成向量的形式為?W=d，?是個對稱矩陣，且與X的維度無關。
[0045] 計算數據中心的方法:數據中心從樣本中選取，樣本密集的地方多采集一些，
[0046] 各基函數采用統一的偏擴展常數：
[0047]
[0048] cUx是所選數據中心之間的最大距離，M是數據中心的個數。
[0049] 實施例2:
[0050] -種基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損方 法，包括以下步驟：
[0051 ]步驟一.選擇車輛所對應的車型數據作為總數據集；
[0052]步驟二.讀取CAE仿真數據和實車數據，并相應對數據進行分類；
[0053]步驟三.判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對碰撞訓練 數據進行學習從而生成碰撞模型，所述碰撞模型建立使用徑向基函數神經網絡方法；
[0054]步驟四.判斷碰撞發生的所有工況信息；所述工況檢測子系統對工況訓練數據進 行學習從而生成工況模型，所述工況模型建立使用徑向基函數神經網絡方法；
[0055]步驟五.判斷車輛發生碰撞的對象，所述目標檢測子系統對目標訓練數據進行學 習從而生成目標模型，所述目標模型建立使用徑向基函數神經網絡方法。
[0056] 具體步驟是：
[0057] 步驟三包括：
[0058] S3.1.使用碰撞檢測子系統對CAE碰撞仿真數據處理，再對其進行分類以產生碰撞 訓練數據和碰撞測試數據；
[0059] S3.2.在碰撞訓練模塊中對碰撞訓練數據進行學習并產生碰撞模型，來模擬碰撞 訓練數據的效果；
[0060] S3.3.在碰撞測試模塊中使用碰撞測試數據來測試碰撞模型的結果；
[00611 S3.4.使用真實跑車數據作為碰撞驗證數據并帶入碰撞驗證模塊，來驗證碰撞模 型的準確性；
[0062] 步驟四包括：
[0063] S4.1.使用工況檢測子系統對CAE工況仿真數據處理，再對其進行分類產生工況訓 練數據和工況測試數據；
[0064] S4.2.在工況訓練模塊中對工況訓練數據進行學習并產生工況模型，來模擬工況 訓練數據的效果；
[0065] S4.3.在工況測試模塊中使用工況測試數據來測試工況模型的結果；
[0066] S4.4.使用真實跑車數據作為工況驗證數據并帶入工況驗證模塊，來驗證工況模 型的準確性；
[0067] 步驟五包括：
[0068] SI.使用目標檢測子系統處理CAE損傷仿真數據處理，再對其進行分類產生損傷判 斷訓練數據和損傷判斷測試數據；
[0069] S2.在目標訓練模塊中對損傷判斷訓練數據進行學習并產生損傷模型，來模擬目 標訓練數據的效果；
[0070] S3.在目標測試模型中使用損傷判斷測試數據來測試目標判斷模型的結果；
[0071] S4.使用真實跑車數據作為目標驗證數據并帶入目標驗證模塊，來驗證目標判斷 模型的準確性。
[0072] 所述徑向基函數神經網絡方法，是一個高維空間中的曲面擬合，在多維空間中尋 找一個能夠最佳匹配訓練數據的曲面而進行學習，在一批新的數據中，用訓練的曲面來處 理(比如分類、回歸）；徑向基函數里的基函數是在神經網絡的隱單元里提供了一個函數集， 該函數集在輸入模式（向量)擴展至隱空間時，為其構建了一個任意的基，這個函數集中的 函數被稱為徑向基函數。
[0073] 所述徑向基函數神經網絡方法具體是:選擇P個基函數，每個基函數對應一個訓練 數據，各基函數形式為，I Ix-XpI I表示差向量的模；
[0074]徑向基函數的插值函數為：
[0075]
[0076]輸入X是個m維的向量，樣本容量為P，P>m，輸入數據點Xp是徑向基函數Φ p的中心， WP是系數，也可認為是插值
[0077]輸入X是個m維的向量，樣本容量為P，P>m。可以看到輸入數據點Xp是徑向基函數Φ P的中心。
[0078]隱藏層把向量從低維m映射到高維P，低維線性不可分的情況到高維就線性可分； [0079]將插值條件代入：
[0080]
[0081] 寫成向量的形式為?W=d，?是個對稱矩陣，且與X的維度無關。
[0082] 計算數據中心的方法:數據中心從樣本中選取，樣本密集的地方多采集一些，各基 函數采用統一的偏擴展常數：
[0083]
[0084] cUx是所選數據中心之間的最大距離，M是數據中心的個數。
[0085] 實施例3:
[0086]對于實施例1或2中所述徑向基函數神經網絡方法的補充:RBF網絡能夠逼近任意 的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，并有很快的學 習收斂速度，已成功應用于非線性函數逼近、時間序列分析、數據分類、模式識別、信息處 理、圖像處理、系統建模、控制和故障診斷等。
[0087] RBF(Radial Basis Function)可以看作是一個高維空間中的曲面擬合(逼近）問 題，學習是為了在多維空間中尋找一個能夠最佳匹配訓練數據的曲面，然后來一批新的數 據，用剛才訓練的那個曲面來處理（比如分類、回歸）』BF的本質思想是反向傳播學習算法 應用遞歸技術，這種技術在統計學中被稱為隨機逼近。RBF里的basis function(徑向基函 數里的基函數)就是在神經網絡的隱單元里提供了一個函數集，該函數集在輸入模式（向 量)擴展至隱空間時，為其構建了一個任意的"基"。這個函數集中的函數就被稱為徑向基函 數。很明顯，RBF屬于神經網絡領域的東西，所以像很多神經網絡一樣，其結構由：輸入層、隱 層、輸出層三層組成。
[0088] 完全內插法要求插值函數經過每個樣本點，即F(Xp) = dp。樣本點總共有P個。
[0089] RBF的方法是要選擇P個基函數，每個基函數對應一個訓練數據，各基函數形式為 辦I丨.Hlh ,由于距離是徑向同性的，因此稱為徑向基函數。I Ix-Xpl I表示差向量的模，或 者叫2范數。
[0090] 基于為徑向基函數的插值函數為：
[0091]
[0092]輸入X是個m維的向量，樣本容量為P，P>m。可以看到輸入數據點Xp是徑向基函數Φ P的中心。
[0093]隱藏層的作用是把向量從低維m映射到高維P，低維線性不可分的情況到高維就線 性可分了。
[0094]將插值條件代入：
[0095]
[0096] 寫成向量的形式為?W = d，顯然Φ是個規模這P對稱矩陣，且與X的維度無關，當Φ 可逆時，有W= 。
[0097] 對于這類函數，當輸入的X各不相同時，Φ就是可逆的。下面的幾個函數就屬于這 "一大類"函數：
[0098] l)Gauss (高斯）函數
[0099]
[0100]
[0101]
[0102]
[0103]
[0104] σ稱為徑向基函數的擴展常數，它反應了函數圖像的寬度，σ越小，寬度越窄，函數 越具有選擇性。
[0105] 正則化RBF網絡:輸入樣本有P個時，隱藏層神經元數目為P，且第P個神經元采用的 變換函數為G(X，Xp)，它們相同的擴展常數〇。輸出層神經元直接把凈輸入作為輸出。輸入層 到隱藏層的權值全設為1，隱藏層到輸出層的權值是需要訓練得到的：逐一輸入所有的樣 本，計算隱藏層上所有的Green函數，根據(2)式計算權值。
[0106] 廣義RBF網絡:Cover定理指出：將復雜的模式分類問題非線性地映射到高維空間 將比投影到低維空間更可能線性可分。
[0107] 廣義RBF網絡:從輸入層到隱藏層相當于是把低維空間的數據映射到高維空間，輸 入層細胞個數為樣本的維度，所以隱藏層細胞個數一定要比輸入層細胞個數多。從隱藏層 到輸出層是對高維空間的數據進行線性分類的過程，可以采用單層感知器常用的那些學習 規則，參見神經網絡基礎和感知器。
[0108] 下面給出計算數據中心的兩種方法：
[0109] 數據中心從樣本中選取。樣本密集的地方多采集一些。各基函數采用統一的偏擴 展常數：
[0110]
[0111] dmax是所選數據中心之間的最大距離，M是數據中心的個數。擴展常數這么計算是 為了避免徑向基函數太尖或太平。
[0112] 自組織選擇法，比如對樣本進行聚類、梯度訓練法、資源分配網絡等。各聚類中心 確定以后，根據各中心之間的距離確定對應徑向基函數的擴展常數。
[0113]
[0114]
[0115] λ是重疊系數。
[0116] 接下來求權值W時就不能再用W=O^1Cl了，因為對于廣義RBF網絡，其行數大于列 數，此時可以求Φ偽逆。
[0117] ψ=Φ+?
[0118] φ + =(φτφ)-1Cit
[0119] 數據中心的監督學習算法
[0120]最一般的情況，RBF函數中心、擴展常數、輸出權值都應該采用監督學習算法進行 訓練，經歷一個誤差修正學習的過程，與BP網絡的學習原理一樣。同樣采用梯度下降法，定 義目標函數為：
[0121]
[0122]
[0123]
[0124] 上式的輸出函數中忽略了閾值。
[0125] 為使目標函數最小化，各參數的修正量應與其負梯度成正比，即
[0126]
[0127]
[0128]
[0129]
[0130]
[0131]
[0132]
[0133] 上述目標函數是所有訓練樣本引起的誤差總和，導出的參數修正公式是一種批處 理式調整，即所有樣本輸入一輪后調整一次。目標函數也可以為瞬時值形式，即當前輸入引 起的誤差：
[0134]
[0135] 此時參數的修正值為：
[0136]
[0137]
[0138]
[0139] 實施例4:
[0140] 具有與實施例1或2或3相同的技術方案，更為具體的是:
[0141 ]上述方案中的總體數據集:全部是CAE仿真數據和跑車數據;分為三份如下 [0142] 1.訓練數據集:是用來訓練模型或確定模型參數(CAE仿真數據和跑車數據）。
[0143] 2.驗證數據集:是用來做模型選擇(model selection)，即做模型的最終優化及確 定的(CAE仿真數據和跑車數據）。
[0144] 3.測試數據集:則純粹是為了測試已經訓練好的模型的推廣能力。（CAE仿真數據 和跑車數據）。
[0145] 本實施例中還對定損過程中涉及的濾波、加權選取、特征提取、歸一化、特征變換 作出了說明。
[0146] 1.濾波器技術：已實現的濾波方法包括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。各濾波器均為常見的濾波器， Matlab都有相應的函數實現，具體算法可參考信號處理專業書籍。此處給出FIR濾波器的內 容和流程的介紹。
[0147] 有限沖擊響應數字濾波器(FIR，Finite Impulse Response)是一種全零點的系 統，FIR濾波器的設計在保證幅度特性滿足技術要求的同事，很容易做到嚴格的線性相位特 性，所以據有穩定和線性相位特性是FIR濾波器的突出優點。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，對同樣的技術指標，這種比肩發需要的濾波器階數低， 對于同樣階數的濾波器，這種逼近法最大誤差最小，其設計的主要步驟如下：
[0148] 步驟1:濾波器參數的設置
[0149] 濾波器的參數包括: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；
[0150] 步驟2:設置在通帶和阻帶上理想的幅頻響應
[0151 ]步驟3:給定在通帶截止頻率和阻帶截止頻率點上的加權
[0152] 步驟4:利用方程計算切比雪夫逼近法濾波器系數
[0153] 步驟5:保存系數
[0154] 步驟6:提取系數進行數據濾波
[0155] 其中：濾波器參數的設置是為了保證信號在進行處理的過程中不會出現失真現 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，否則就會出現漏頻現象。根據目前項目中的信號 采集板的采樣頻率主要是50Hz和IKHz，以50Hz為例根據公式F#±〈50/2,故選擇濾波器截止 頻率在25以下。
[0156] 參見圖2,為通帶截止頻率和阻帶截止頻率點上的加權的選取。
[0157] 2.特征提取技術:特征抽取是在碰撞信號上進行的。判斷碰撞使用的特征包括窗 口內加速度絕對值的最大值、窗口內加速度最大值與最小值之間的差值、窗口內加速度的 平均能量(窗口內所有點的加速度的平方和除以點數）、窗口內各點斜率的絕對值的平均 值。
[0158] 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、信號進行傅立葉變換后〇~38頻率范圍內的信號的各個 頻率分量的幅值。
[0159] 3.歸一化技術:為了消除特征之間的量綱或數量級不同而對分類任務造成的不利 影響，需要對特征數據進行歸一化處理，使得各特征值之間具有可比性，避免數值較大的特 征淹沒數值較小的特征。原始的特征數據經過歸一化處理后，各特征處于相同的值域范圍。 由于Z-Score的性能表現更好，使用Z-Score做為歸一化方法。
[0160] 4.特征變換技術:在特征較多的情況下，為了消除特征之間的相關性并減少冗余 特征，需要對特征進行變換，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，還能在一定程度上避免過擬合或欠擬合的發 生。根據實際需要，目前已實現的特征變換是PCA。通過實驗發現，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，但是隨著后續特征的逐步增加，不排除以后使用PCA的可能性。
[0161] 附圖1中，記載的：車型選擇即為本發明中的車型選擇子系統;數據分類模塊即為 本發明中的數據分類子系統;碰撞判斷模塊即為本發明中的碰撞檢測子系統；工況檢測模 塊即為本發明的工況檢測子系統;車型檢測模塊即為本發明的車型檢測子系統；零件檢測 模塊即零件檢測子系統；目標檢測模塊即為本發明的目標檢測子系統，區域檢測模塊即為 本發明的區域檢測子系統。
[0162] 以上所述，僅為本發明創造較佳的【具體實施方式】，但本發明創造的保護范圍并不 局限于此，任何熟悉本技術領域的技術人員在本發明創造披露的技術范圍內，根據本發明 創造的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明創造的保護范圍之 內。
【主權項】
1. 一種基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損系統， 其特征在于，包括： 車型選擇子系統，選擇車輛所對應的車型數據作為總數據集； 數據分類子系統，讀取CAE仿真數據和實車數據，并相應對數據進行分類； 碰撞檢測子系統，判斷車輛在行車過程中是否發生碰撞;所述碰撞檢測子系統對碰撞 訓練數據進行學習從而生成碰撞模型，所述碰撞模型建立使用徑向基函數神經網絡方法； 工況檢測子系統，判斷碰撞發生的所有工況信息;所述工況檢測子系統對工況訓練數 據進行學習從而生成工況模型，所述工況模型建立使用徑向基函數神經網絡方法； 目標檢測子系統，判斷車輛發生碰撞的對象，所述目標檢測子系統對目標訓練數據進 行學習從而生成目標模型，所述目標模型建立使用徑向基函數神經網絡方法。2. 如權利要求1所述的基于人工智能徑向基函數神經網絡方法建立不同分車型分目標 遠程定損系統，其特征在于， 所述碰撞檢測子系統包括，碰撞訓練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰撞訓 練模塊用于對碰撞訓練數據進行學習從而生成碰撞模型，碰撞測試模塊用于將碰撞測試數 據帶入碰撞模型中檢測碰撞模型的結果，碰撞驗證模塊使用真實跑車數據驗證碰撞模型的 可靠性和準確率； 所述工況檢測子系統包括，工況訓練模塊、工況測試模塊、工況驗證模塊，所述工況訓 練模塊用于對工況訓練數據進行學習從而生成工況模型，所述工況測試模塊用于將工況測 試數據帶入模型中檢測工況模型的結果，工況驗證模塊使用真實跑車數據驗證工況模型的 可靠性和準確率； 所述目標檢測子系統包括，目標訓練模塊、目標測試模塊、目標驗證模塊，所述目標訓 練模塊用于將目標訓練數據進行學習從而生成目標模型，目標測試模塊用于將目標測試數 據帶入模型中檢測目標模型的結果，目標驗證模塊使用真實跑車數據驗證目標模型的可靠 性和準確率。3. 如權利要求1或2基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠 程定損系統，其特征在于，所述徑向基函數神經網絡方法，是一個高維空間中的曲面擬合， 在多維空間中尋找一個能夠最佳匹配訓練數據的曲面而進行學習，在一批新的數據中，用 訓練的曲面來處理（比如分類、回歸）；徑向基函數里的基函數是在神經網絡的隱單元里提 供了一個函數集，該函數集在輸入模式（向量)擴展至隱空間時，為其構建了一個任意的基， 這個函數集中的函數被稱為徑向基函數。4. 如權利要求3基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定 損系統，其特征在于，所述徑向基函數神經網絡方法具體是:選擇P個基函數，每個基函數對 應一個訓練數據，各基函數形式為，l Ix-xpI I表示差向量的模； 徑向基函數的插值函數為：輸入X是個m維的向量，樣本容量為P，P>m，輸入數據點Xp是徑向基函數Φ p的中心，wp是 系數，也可認為是插值 輸入X是個m維的向量，樣本容量為P，P>m。可以看到輸入數據點Xp是徑向基函數Φ p的 中心。 隱藏層把向量從低維m映射到高維P，低維線性不可分的情況到高維就線性可分； 將插值條件代入：寫成向量的形式為〇W=d，?是個對稱矩陣，且與X的維度無關。 計算數據中心的方法:數據中心從樣本中選取，樣本密集的地方多采集一些，各基函數 采用統一的偏擴展常數：dmax是所選數據中心之間的最大距離，Μ是數據中心的個數。5. -種基于人工智能徑向基函數神經網絡方法建立不同分車型分目標遠程定損方法， 其特征在于，包括以下步驟： 步驟一.選擇車輛所對應的車型數據作為總數據集； 步驟二.讀取CAE仿真數據和實車數據，并相應對數據進行分類； 步驟三.判斷車輛在行車過程中是否發生碰撞;對碰撞訓練數據進行學習從而生成碰 撞模型，所述碰撞模型建立使用徑向基函數神經網絡方法； 步驟四.判斷碰撞發生的所有工況信息;對工況訓練數據進行學習從而生成工況模型， 所述工況模型建立使用徑向基函數神經網絡方法； 步驟五.判斷車輛發生碰撞的對象，對目標訓練數據進行學習從而生成目標模型，所述 目標模型建立使用徑向基函數神經網絡方法。6. 如權利要求5所述的基于人工智能徑向基函數神經網絡方法建立不同分車型分目標 遠程定損方法，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對CAE碰撞仿真數據處理，再對其進行分類以產生碰撞訓練 數據和碰撞測試數據； S3.2 .在碰撞訓練模塊中對碰撞訓練數據進行學習并產生碰撞模型，來模擬碰撞訓練 數據的效果； 53.3. 在碰撞測試模塊中使用碰撞測試數據來測試碰撞模型的結果； 53.4. 使用真實跑車數據作為碰撞驗證數據并帶入碰撞驗證模塊，來驗證碰撞模型的 準確性； 步驟四包括： 54.1. 使用工況檢測子系統對CAE工況仿真數據處理，再對其進行分類產生工況訓練數 據和工況測試數據； 54.2. 在工況訓練模塊中對工況訓練數據進行學習并產生工況模型，來模擬工況訓練 數據的效果； 54.3. 在工況測試模塊中使用工況測試數據來測試工況模型的結果； 54.4. 使用真實跑車數據作為工況驗證數據并帶入工況驗證模塊，來驗證工況模型的 準確性； 步驟五包括：51. 使用目標檢測子系統處理CAE損傷仿真數據處理，再對其進行分類產生損傷判斷訓 練數據和損傷判斷測試數據；52. 在目標訓練模塊中對損傷判斷訓練數據進行學習并產生損傷模型，來模擬目標訓 練數據的效果；53. 在目標測試模型中使用損傷判斷測試數據來測試目標判斷模型的結果；54. 使用真實跑車數據作為目標驗證數據并帶入目標驗證模塊，來驗證目標判斷模型 的準確性。7. 如權利要求5或6所述的基于人工智能徑向基函數神經網絡方法建立不同分車型分 目標遠程定損方法，其特征在于，所述徑向基函數神經網絡方法，是一個高維空間中的曲面 擬合，在多維空間中尋找一個能夠最佳匹配訓練數據的曲面而進行學習，在一批新的數據 中，用訓練的曲面來處理(比如分類、回歸）；徑向基函數里的基函數是在神經網絡的隱單元 里提供了一個函數集，該函數集在輸入模式（向量)擴展至隱空間時，為其構建了一個任意 的基，這個函數集中的函數被稱為徑向基函數。8. 如權利要求7所述的基于人工智能徑向基函數神經網絡方法建立不同分車型分目標 遠程定損方法，其特征在于，所述徑向基函數神經網絡方法具體是:選擇P個基函數，每個基 函數對應一個訓練數據，各基函數形式為Mini)，| |X-Xp| |表示差向量的模； 徑向基函數的插值函數為：輸入X是個m維的向量，樣本容量為P，P>m，輸入數據點Xp是徑向基函數Φ p的中心，wp是 系數，也可認為是插值 輸入X是個m維的向量，樣本容量為P，P>m。可以看到輸入數據點Xp是徑向基函數Φ p的 中心。 隱藏層把向量從低維m映射到高維P，低維線性不可分的情況到高維就線性可分； 將插值條件代入：寫成向量的形式為〇W=d，?是個對稱矩陣，且與X的維度無關。 計算數據中心的方法:數據中心從樣本中選取，樣本密集的地方多采集一些，各基函數 采用統一的偏擴展常數：dmax是所選數據中心之間的最大距離，Μ是數據中心的個數。
【文檔編號】G06N3/02GK106056147SQ201610365511
【公開日】2016年10月26日
【申請日】2016年5月27日
【發明人】田雨農, 劉俊俍
【申請人】大連樓蘭科技股份有限公司