基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)及方法
【專利摘要】基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)及方法,屬于車輛定損領(lǐng)域，為了解決車輛碰撞后，對于碰撞后的碰撞車輛的目標(biāo)檢測的問題，技術(shù)要點是：目標(biāo)檢測子系統(tǒng),判斷車輛發(fā)生碰撞的對象,所述目標(biāo)檢測子系統(tǒng)對目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法。有益效果：上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的目標(biāo)檢測，在遠(yuǎn)程定損的這個技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對的機(jī)器學(xué)習(xí)方法，在定損過程中，判別的準(zhǔn)確率上得以提升。
【專利說明】
基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目 標(biāo)遠(yuǎn)程定損系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于車輛定損領(lǐng)域，涉及基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同 分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)及方法。
【背景技術(shù)】
[0002] 針對車輛在低速運動(包括低速道路行駛、車輛?？康?過程中頻發(fā)碰撞事故而導(dǎo) 致的理賠糾紛問題，遠(yuǎn)程定損技術(shù)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(jī)器學(xué)習(xí)技術(shù)加以分析，以判斷碰撞是否發(fā)生以及碰撞后 車輛的損毀情況。
[0003] 車輛發(fā)生碰撞事故后，前端設(shè)備能夠檢測出碰撞的發(fā)生并截取碰撞過程的信號， 通過無線網(wǎng)絡(luò)發(fā)送至云端，遠(yuǎn)程服務(wù)器從收到的信號中抽取出事先設(shè)計的特征值，用機(jī)器 學(xué)習(xí)算法進(jìn)行分析，先判斷碰撞數(shù)據(jù)的準(zhǔn)確性，再判斷碰撞物體和工況情況，以確定碰撞數(shù) 據(jù)集對什么零件產(chǎn)生了哪種等級的損傷，然后根據(jù)零件損傷等級計算出參考理賠金額并發(fā) 送至保險公司。這期間會涉及對于車型、工況、目標(biāo)、零件和區(qū)域的檢測。

【發(fā)明內(nèi)容】

[0004] 為了解決車輛碰撞后，對于碰撞后的碰撞車輛的目標(biāo)檢測的問題，本發(fā)明提出了 一種基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)，以實現(xiàn) 定損過程中的目標(biāo)檢測和判斷。
[0005] 為了解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案的要點是:包括：
[0006] 車型選擇子系統(tǒng)，選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0007] 數(shù)據(jù)分類子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0008] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對 碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，所述碰撞模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方 法；
[0009] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； [0010]目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(biāo)訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法。
[0011]有益效果:上述技術(shù)方案，可以實現(xiàn)對于車輛碰撞的目標(biāo)檢測，在遠(yuǎn)程定損的這個
技術(shù)領(lǐng)域使用了機(jī)器學(xué)習(xí)的方法，針對的機(jī)器學(xué)習(xí)方法，在定損過程中，判別的準(zhǔn)確率上得 以提升;本發(fā)明通過選擇車型來導(dǎo)入該車型所對應(yīng)的數(shù)據(jù)，而數(shù)據(jù)分類則是為了模型訓(xùn)練 和測試的目的而加入的步驟；目標(biāo)的檢測是該方案實現(xiàn)的目的，是經(jīng)過一系列操作所要得 到的結(jié)果。
【附圖說明】
[0012] 圖1為本發(fā)明所述的系統(tǒng)的結(jié)構(gòu)示意框圖；
[0013] 圖2為徑向基函數(shù)插值示例圖。
【具體實施方式】
[0014] 為了對本發(fā)明作出更為清楚的解釋，下面對本發(fā)明涉及的技術(shù)術(shù)語作出定義：
[0015] 工況:碰撞角度、方向、目標(biāo)、區(qū)域等全體碰撞信息；
[0016] 車型:汽車型號；
[0017] 目標(biāo):碰撞目標(biāo)；
[0018] 區(qū)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(biāo)、區(qū)域等全體碰撞信息；
[0021] 車型檢測:檢測與本車發(fā)生碰撞的汽車型號；
[0022]目標(biāo)檢測:檢測本車碰撞目標(biāo)；
[0023]區(qū)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(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系 統(tǒng)，包括：
[0027] 車型選擇子系統(tǒng)，選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0028] 數(shù)據(jù)分類子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0029] 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對 碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，所述碰撞模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方 法；
[0030] 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； [0031 ]目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(biāo)訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法。
[0032]所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰 撞訓(xùn)練模塊用于對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測試模塊用于將碰撞測 試數(shù)據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗證模塊使用真實跑車數(shù)據(jù)驗證碰撞模 型的可靠性和準(zhǔn)確率；
[0033]所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、工況驗證模塊，所述工 況訓(xùn)練模塊用于對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測試模塊用于將工 況測試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗證模塊使用真實跑車數(shù)據(jù)驗證工況模 型的可靠性和準(zhǔn)確率；
[0034]所述目標(biāo)檢測子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測試模塊、目標(biāo)驗證模塊，所述目 標(biāo)訓(xùn)練模塊用于將目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，目標(biāo)測試模塊用于將目標(biāo)測 試數(shù)據(jù)帶入模型中檢測目標(biāo)模型的結(jié)果，目標(biāo)驗證模塊使用真實跑車數(shù)據(jù)驗證目標(biāo)模型的 可靠性和準(zhǔn)確率。
[0035] 所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)的曲面而進(jìn)行學(xué)習(xí)，在一批新的數(shù)據(jù)中，用訓(xùn)練的曲面來處 理（比如分類、回歸）；徑向基函數(shù)里的基函數(shù)是在神經(jīng)網(wǎng)絡(luò)的隱單元里提供了一個函數(shù) 集，該函數(shù)集在輸入模式（向量)擴(kuò)展至隱空間時，為其構(gòu)建了一個任意的基，這個函數(shù)集中 的函數(shù)被稱為徑向基函數(shù)。
[0036] 所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法具體是:選擇P個基函數(shù)，每個基函數(shù)對應(yīng)一個訓(xùn)練 數(shù)據(jù)，各基函數(shù)形式為Ix-XpI I表示差向量的模；
[0037]徑向基函數(shù)的插值函數(shù)為：
[0038]
[0039] 輸入X是個m維的向量，樣本容量為P，P>m，輸入數(shù)據(jù)點Xp是徑向基函數(shù)Φ p的中心， wp是系數(shù)，也可認(rèn)為是插值
[0040]輸入X是個m維的向量，樣本容量為P，P>m?？梢钥吹捷斎霐?shù)據(jù)點Xp是徑向基函數(shù)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(guān)。
[0045] 計算數(shù)據(jù)中心的方法:數(shù)據(jù)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(shù)采用統(tǒng)一的偏擴(kuò)展常數(shù)：
[0047]
[0048] cUx是所選數(shù)據(jù)中心之間的最大距離，M是數(shù)據(jù)中心的個數(shù)。
[0049] 實施例2:
[0050] -種基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損方 法，包括以下步驟：
[0051 ]步驟一.選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集；
[0052]步驟二.讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類；
[0053]步驟三.判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對碰撞訓(xùn)練 數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，所述碰撞模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法；
[0054]步驟四.判斷碰撞發(fā)生的所有工況信息；所述工況檢測子系統(tǒng)對工況訓(xùn)練數(shù)據(jù)進(jìn) 行學(xué)習(xí)從而生成工況模型，所述工況模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法；
[0055]步驟五.判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué) 習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進(jìn)行分類以產(chǎn)生碰撞 訓(xùn)練數(shù)據(jù)和碰撞測試數(shù)據(jù)；
[0059] S3.2.在碰撞訓(xùn)練模塊中對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生碰撞模型，來模擬碰撞 訓(xùn)練數(shù)據(jù)的效果；
[0060] S3.3.在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果；
[00611 S3.4.使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模 型的準(zhǔn)確性；
[0062] 步驟四包括：
[0063] S4.1.使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生工況訓(xùn) 練數(shù)據(jù)和工況測試數(shù)據(jù)；
[0064] S4.2.在工況訓(xùn)練模塊中對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生工況模型，來模擬工況 訓(xùn)練數(shù)據(jù)的效果；
[0065] S4.3.在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果；
[0066] S4.4.使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模 型的準(zhǔn)確性；
[0067] 步驟五包括：
[0068] SI.使用目標(biāo)檢測子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生損傷判 斷訓(xùn)練數(shù)據(jù)和損傷判斷測試數(shù)據(jù)；
[0069] S2.在目標(biāo)訓(xùn)練模塊中對損傷判斷訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生損傷模型，來模擬目 標(biāo)訓(xùn)練數(shù)據(jù)的效果；
[0070] S3.在目標(biāo)測試模型中使用損傷判斷測試數(shù)據(jù)來測試目標(biāo)判斷模型的結(jié)果；
[0071] S4.使用真實跑車數(shù)據(jù)作為目標(biāo)驗證數(shù)據(jù)并帶入目標(biāo)驗證模塊，來驗證目標(biāo)判斷 模型的準(zhǔn)確性。
[0072] 所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)的曲面而進(jìn)行學(xué)習(xí)，在一批新的數(shù)據(jù)中，用訓(xùn)練的曲面來處 理(比如分類、回歸）；徑向基函數(shù)里的基函數(shù)是在神經(jīng)網(wǎng)絡(luò)的隱單元里提供了一個函數(shù)集， 該函數(shù)集在輸入模式（向量)擴(kuò)展至隱空間時，為其構(gòu)建了一個任意的基，這個函數(shù)集中的 函數(shù)被稱為徑向基函數(shù)。
[0073] 所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法具體是:選擇P個基函數(shù)，每個基函數(shù)對應(yīng)一個訓(xùn)練 數(shù)據(jù)，各基函數(shù)形式為，I Ix-XpI I表示差向量的模；
[0074]徑向基函數(shù)的插值函數(shù)為：
[0075]
[0076]輸入X是個m維的向量，樣本容量為P，P>m，輸入數(shù)據(jù)點Xp是徑向基函數(shù)Φ p的中心， WP是系數(shù)，也可認(rèn)為是插值
[0077]輸入X是個m維的向量，樣本容量為P，P>m?？梢钥吹捷斎霐?shù)據(jù)點Xp是徑向基函數(shù)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(guān)。
[0082] 計算數(shù)據(jù)中心的方法:數(shù)據(jù)中心從樣本中選取，樣本密集的地方多采集一些，各基 函數(shù)采用統(tǒng)一的偏擴(kuò)展常數(shù)：
[0083]
[0084] cUx是所選數(shù)據(jù)中心之間的最大距離，M是數(shù)據(jù)中心的個數(shù)。
[0085] 實施例3:
[0086]對于實施例1或2中所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法的補(bǔ)充:RBF網(wǎng)絡(luò)能夠逼近任意 的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué) 習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處 理、圖像處理、系統(tǒng)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(xué)習(xí)是為了在多維空間中尋找一個能夠最佳匹配訓(xùn)練數(shù)據(jù)的曲面，然后來一批新的數(shù) 據(jù)，用剛才訓(xùn)練的那個曲面來處理（比如分類、回歸）』BF的本質(zhì)思想是反向傳播學(xué)習(xí)算法 應(yīng)用遞歸技術(shù)，這種技術(shù)在統(tǒng)計學(xué)中被稱為隨機(jī)逼近。RBF里的basis function(徑向基函 數(shù)里的基函數(shù))就是在神經(jīng)網(wǎng)絡(luò)的隱單元里提供了一個函數(shù)集，該函數(shù)集在輸入模式（向 量)擴(kuò)展至隱空間時，為其構(gòu)建了一個任意的"基"。這個函數(shù)集中的函數(shù)就被稱為徑向基函 數(shù)。很明顯，RBF屬于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的東西，所以像很多神經(jīng)網(wǎng)絡(luò)一樣，其結(jié)構(gòu)由：輸入層、隱 層、輸出層三層組成。
[0088] 完全內(nèi)插法要求插值函數(shù)經(jīng)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(shù)，每個基函數(shù)對應(yīng)一個訓(xùn)練數(shù)據(jù)，各基函數(shù)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(shù)。I Ix-Xpl I表示差向量的模，或 者叫2范數(shù)。
[0090] 基于為徑向基函數(shù)的插值函數(shù)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(shù)據(jù)點Xp是徑向基函數(shù)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(guī)模這P對稱矩陣，且與X的維度無關(guān)，當(dāng)Φ 可逆時，有W= 。
[0097] 對于這類函數(shù)，當(dāng)輸入的X各不相同時，Φ就是可逆的。下面的幾個函數(shù)就屬于這 "一大類"函數(shù)：
[0098] l)Gauss (高斯）函數(shù)
[0099]
[0100]
[0101]
[0102]
[0103]
[0104] σ稱為徑向基函數(shù)的擴(kuò)展常數(shù)，它反應(yīng)了函數(shù)圖像的寬度，σ越小，寬度越窄，函數(shù) 越具有選擇性。
[0105] 正則化RBF網(wǎng)絡(luò):輸入樣本有P個時，隱藏層神經(jīng)元數(shù)目為P，且第P個神經(jīng)元采用的 變換函數(shù)為G(X，Xp)，它們相同的擴(kuò)展常數(shù)〇。輸出層神經(jīng)元直接把凈輸入作為輸出。輸入層 到隱藏層的權(quán)值全設(shè)為1，隱藏層到輸出層的權(quán)值是需要訓(xùn)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(shù)，根據(jù)(2)式計算權(quán)值。
[0106] 廣義RBF網(wǎng)絡(luò):Cover定理指出：將復(fù)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(wǎng)絡(luò):從輸入層到隱藏層相當(dāng)于是把低維空間的數(shù)據(jù)映射到高維空間，輸 入層細(xì)胞個數(shù)為樣本的維度，所以隱藏層細(xì)胞個數(shù)一定要比輸入層細(xì)胞個數(shù)多。從隱藏層 到輸出層是對高維空間的數(shù)據(jù)進(jìn)行線性分類的過程，可以采用單層感知器常用的那些學(xué)習(xí) 規(guī)則，參見神經(jīng)網(wǎng)絡(luò)基礎(chǔ)和感知器。
[0108] 下面給出計算數(shù)據(jù)中心的兩種方法：
[0109] 數(shù)據(jù)中心從樣本中選取。樣本密集的地方多采集一些。各基函數(shù)采用統(tǒng)一的偏擴(kuò) 展常數(shù)：
[0110]
[0111] dmax是所選數(shù)據(jù)中心之間的最大距離，M是數(shù)據(jù)中心的個數(shù)。擴(kuò)展常數(shù)這么計算是 為了避免徑向基函數(shù)太尖或太平。
[0112] 自組織選擇法，比如對樣本進(jìn)行聚類、梯度訓(xùn)練法、資源分配網(wǎng)絡(luò)等。各聚類中心 確定以后，根據(jù)各中心之間的距離確定對應(yīng)徑向基函數(shù)的擴(kuò)展常數(shù)。
[0113]
[0114]
[0115] λ是重疊系數(shù)。
[0116] 接下來求權(quán)值W時就不能再用W=O^1Cl了，因為對于廣義RBF網(wǎng)絡(luò)，其行數(shù)大于列 數(shù)，此時可以求Φ偽逆。
[0117] ψ=Φ+?
[0118] φ + =(φτφ)-1Cit
[0119] 數(shù)據(jù)中心的監(jiān)督學(xué)習(xí)算法
[0120]最一般的情況，RBF函數(shù)中心、擴(kuò)展常數(shù)、輸出權(quán)值都應(yīng)該采用監(jiān)督學(xué)習(xí)算法進(jìn)行 訓(xùn)練，經(jīng)歷一個誤差修正學(xué)習(xí)的過程，與BP網(wǎng)絡(luò)的學(xué)習(xí)原理一樣。同樣采用梯度下降法，定 義目標(biāo)函數(shù)為：
[0121]
[0122]
[0123]
[0124] 上式的輸出函數(shù)中忽略了閾值。
[0125] 為使目標(biāo)函數(shù)最小化，各參數(shù)的修正量應(yīng)與其負(fù)梯度成正比，即
[0126]
[0127]
[0128]
[0129]
[0130]
[0131]
[0132]
[0133] 上述目標(biāo)函數(shù)是所有訓(xùn)練樣本引起的誤差總和，導(dǎo)出的參數(shù)修正公式是一種批處 理式調(diào)整，即所有樣本輸入一輪后調(diào)整一次。目標(biāo)函數(shù)也可以為瞬時值形式，即當(dāng)前輸入引 起的誤差：
[0134]
[0135] 此時參數(shù)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(shù)方案，更為具體的是:
[0141 ]上述方案中的總體數(shù)據(jù)集:全部是CAE仿真數(shù)據(jù)和跑車數(shù)據(jù);分為三份如下 [0142] 1.訓(xùn)練數(shù)據(jù)集:是用來訓(xùn)練模型或確定模型參數(shù)(CAE仿真數(shù)據(jù)和跑車數(shù)據(jù)）。
[0143] 2.驗證數(shù)據(jù)集:是用來做模型選擇(model selection)，即做模型的最終優(yōu)化及確 定的(CAE仿真數(shù)據(jù)和跑車數(shù)據(jù)）。
[0144] 3.測試數(shù)據(jù)集:則純粹是為了測試已經(jīng)訓(xùn)練好的模型的推廣能力。（CAE仿真數(shù)據(jù) 和跑車數(shù)據(jù)）。
[0145] 本實施例中還對定損過程中涉及的濾波、加權(quán)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(shù)：已實現(xiàn)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(xiàn)。各濾波器均為常見的濾波器， Matlab都有相應(yīng)的函數(shù)實現(xiàn)，具體算法可參考信號處理專業(yè)書籍。此處給出FIR濾波器的內(nèi) 容和流程的介紹。
[0147] 有限沖擊響應(yīng)數(shù)字濾波器(FIR，F(xiàn)inite Impulse Response)是一種全零點的系 統(tǒng)，F(xiàn)IR濾波器的設(shè)計在保證幅度特性滿足技術(shù)要求的同事，很容易做到嚴(yán)格的線性相位特 性，所以據(jù)有穩(wěn)定和線性相位特性是FIR濾波器的突出優(yōu)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(shù)指標(biāo)，這種比肩發(fā)需要的濾波器階數(shù)低， 對于同樣階數(shù)的濾波器，這種逼近法最大誤差最小，其設(shè)計的主要步驟如下：
[0148] 步驟1:濾波器參數(shù)的設(shè)置
[0149] 濾波器的參數(shù)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(shè)置在通帶和阻帶上理想的幅頻響應(yīng)
[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(quán)
[0152] 步驟4:利用方程計算切比雪夫逼近法濾波器系數(shù)
[0153] 步驟5:保存系數(shù)
[0154] 步驟6:提取系數(shù)進(jìn)行數(shù)據(jù)濾波
[0155] 其中：濾波器參數(shù)的設(shè)置是為了保證信號在進(jìn)行處理的過程中不會出現(xiàn)失真現(xiàn) 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(xiàn)漏頻現(xiàn)象。根據(jù)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(jù)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(quán)的選取。
[0157] 2.特征提取技術(shù):特征抽取是在碰撞信號上進(jìn)行的。判斷碰撞使用的特征包括窗 口內(nèi)加速度絕對值的最大值、窗口內(nèi)加速度最大值與最小值之間的差值、窗口內(nèi)加速度的 平均能量(窗口內(nèi)所有點的加速度的平方和除以點數(shù)）、窗口內(nèi)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(jìn)行傅立葉變換后〇~38頻率范圍內(nèi)的信號的各個 頻率分量的幅值。
[0159] 3.歸一化技術(shù):為了消除特征之間的量綱或數(shù)量級不同而對分類任務(wù)造成的不利 影響，需要對特征數(shù)據(jù)進(jìn)行歸一化處理，使得各特征值之間具有可比性，避免數(shù)值較大的特 征淹沒數(shù)值較小的特征。原始的特征數(shù)據(jù)經(jīng)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(xiàn)更好，使用Z-Score做為歸一化方法。
[0160] 4.特征變換技術(shù):在特征較多的情況下，為了消除特征之間的相關(guān)性并減少冗余 特征，需要對特征進(jìn)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(shù)，還能在一定程度上避免過擬合或欠擬合的發(fā) 生。根據(jù)實際需要，目前已實現(xiàn)的特征變換是PCA。通過實驗發(fā)現(xiàn)，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(xù)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(fā)明中的車型選擇子系統(tǒng);數(shù)據(jù)分類模塊即為 本發(fā)明中的數(shù)據(jù)分類子系統(tǒng);碰撞判斷模塊即為本發(fā)明中的碰撞檢測子系統(tǒng)；工況檢測模 塊即為本發(fā)明的工況檢測子系統(tǒng);車型檢測模塊即為本發(fā)明的車型檢測子系統(tǒng)；零件檢測 模塊即零件檢測子系統(tǒng)；目標(biāo)檢測模塊即為本發(fā)明的目標(biāo)檢測子系統(tǒng)，區(qū)域檢測模塊即為 本發(fā)明的區(qū)域檢測子系統(tǒng)。
[0162] 以上所述，僅為本發(fā)明創(chuàng)造較佳的【具體實施方式】，但本發(fā)明創(chuàng)造的保護(hù)范圍并不 局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明創(chuàng)造披露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明 創(chuàng)造的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明創(chuàng)造的保護(hù)范圍之 內(nèi)。
【主權(quán)項】
1. 一種基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定損系統(tǒng)， 其特征在于，包括： 車型選擇子系統(tǒng)，選擇車輛所對應(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集； 數(shù)據(jù)分類子系統(tǒng)，讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類； 碰撞檢測子系統(tǒng)，判斷車輛在行車過程中是否發(fā)生碰撞;所述碰撞檢測子系統(tǒng)對碰撞 訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，所述碰撞模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； 工況檢測子系統(tǒng)，判斷碰撞發(fā)生的所有工況信息;所述工況檢測子系統(tǒng)對工況訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； 目標(biāo)檢測子系統(tǒng)，判斷車輛發(fā)生碰撞的對象，所述目標(biāo)檢測子系統(tǒng)對目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn) 行學(xué)習(xí)從而生成目標(biāo)模型，所述目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法。2. 如權(quán)利要求1所述的基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損系統(tǒng)，其特征在于， 所述碰撞檢測子系統(tǒng)包括，碰撞訓(xùn)練模塊、碰撞測試模塊、碰撞驗證模塊，所述碰撞訓(xùn) 練模塊用于對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰撞模型，碰撞測試模塊用于將碰撞測試數(shù) 據(jù)帶入碰撞模型中檢測碰撞模型的結(jié)果，碰撞驗證模塊使用真實跑車數(shù)據(jù)驗證碰撞模型的 可靠性和準(zhǔn)確率； 所述工況檢測子系統(tǒng)包括，工況訓(xùn)練模塊、工況測試模塊、工況驗證模塊，所述工況訓(xùn) 練模塊用于對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型，所述工況測試模塊用于將工況測 試數(shù)據(jù)帶入模型中檢測工況模型的結(jié)果，工況驗證模塊使用真實跑車數(shù)據(jù)驗證工況模型的 可靠性和準(zhǔn)確率； 所述目標(biāo)檢測子系統(tǒng)包括，目標(biāo)訓(xùn)練模塊、目標(biāo)測試模塊、目標(biāo)驗證模塊，所述目標(biāo)訓(xùn) 練模塊用于將目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，目標(biāo)測試模塊用于將目標(biāo)測試數(shù) 據(jù)帶入模型中檢測目標(biāo)模型的結(jié)果，目標(biāo)驗證模塊使用真實跑車數(shù)據(jù)驗證目標(biāo)模型的可靠 性和準(zhǔn)確率。3. 如權(quán)利要求1或2基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn) 程定損系統(tǒng)，其特征在于，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)的曲面而進(jìn)行學(xué)習(xí)，在一批新的數(shù)據(jù)中，用 訓(xùn)練的曲面來處理（比如分類、回歸）；徑向基函數(shù)里的基函數(shù)是在神經(jīng)網(wǎng)絡(luò)的隱單元里提 供了一個函數(shù)集，該函數(shù)集在輸入模式（向量)擴(kuò)展至隱空間時，為其構(gòu)建了一個任意的基， 這個函數(shù)集中的函數(shù)被稱為徑向基函數(shù)。4. 如權(quán)利要求3基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)程定 損系統(tǒng)，其特征在于，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法具體是:選擇P個基函數(shù)，每個基函數(shù)對 應(yīng)一個訓(xùn)練數(shù)據(jù)，各基函數(shù)形式為，l Ix-xpI I表示差向量的模； 徑向基函數(shù)的插值函數(shù)為：輸入X是個m維的向量，樣本容量為P，P>m，輸入數(shù)據(jù)點Xp是徑向基函數(shù)Φ p的中心，wp是 系數(shù)，也可認(rèn)為是插值 輸入X是個m維的向量，樣本容量為P，P>m?？梢钥吹捷斎霐?shù)據(jù)點Xp是徑向基函數(shù)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(guān)。 計算數(shù)據(jù)中心的方法:數(shù)據(jù)中心從樣本中選取，樣本密集的地方多采集一些，各基函數(shù) 采用統(tǒng)一的偏擴(kuò)展常數(shù)：dmax是所選數(shù)據(jù)中心之間的最大距離，Μ是數(shù)據(jù)中心的個數(shù)。5. -種基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo)遠(yuǎn)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(yīng)的車型數(shù)據(jù)作為總數(shù)據(jù)集； 步驟二.讀取CAE仿真數(shù)據(jù)和實車數(shù)據(jù)，并相應(yīng)對數(shù)據(jù)進(jìn)行分類； 步驟三.判斷車輛在行車過程中是否發(fā)生碰撞;對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成碰 撞模型，所述碰撞模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； 步驟四.判斷碰撞發(fā)生的所有工況信息;對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成工況模型， 所述工況模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法； 步驟五.判斷車輛發(fā)生碰撞的對象，對目標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)從而生成目標(biāo)模型，所述 目標(biāo)模型建立使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法。6. 如權(quán)利要求5所述的基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo) 遠(yuǎn)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(tǒng)對CAE碰撞仿真數(shù)據(jù)處理，再對其進(jìn)行分類以產(chǎn)生碰撞訓(xùn)練 數(shù)據(jù)和碰撞測試數(shù)據(jù)； S3.2 .在碰撞訓(xùn)練模塊中對碰撞訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生碰撞模型，來模擬碰撞訓(xùn)練 數(shù)據(jù)的效果； 53.3. 在碰撞測試模塊中使用碰撞測試數(shù)據(jù)來測試碰撞模型的結(jié)果； 53.4. 使用真實跑車數(shù)據(jù)作為碰撞驗證數(shù)據(jù)并帶入碰撞驗證模塊，來驗證碰撞模型的 準(zhǔn)確性； 步驟四包括： 54.1. 使用工況檢測子系統(tǒng)對CAE工況仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生工況訓(xùn)練數(shù) 據(jù)和工況測試數(shù)據(jù)； 54.2. 在工況訓(xùn)練模塊中對工況訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生工況模型，來模擬工況訓(xùn)練 數(shù)據(jù)的效果； 54.3. 在工況測試模塊中使用工況測試數(shù)據(jù)來測試工況模型的結(jié)果； 54.4. 使用真實跑車數(shù)據(jù)作為工況驗證數(shù)據(jù)并帶入工況驗證模塊，來驗證工況模型的 準(zhǔn)確性； 步驟五包括：51. 使用目標(biāo)檢測子系統(tǒng)處理CAE損傷仿真數(shù)據(jù)處理，再對其進(jìn)行分類產(chǎn)生損傷判斷訓(xùn) 練數(shù)據(jù)和損傷判斷測試數(shù)據(jù)；52. 在目標(biāo)訓(xùn)練模塊中對損傷判斷訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)并產(chǎn)生損傷模型，來模擬目標(biāo)訓(xùn) 練數(shù)據(jù)的效果；53. 在目標(biāo)測試模型中使用損傷判斷測試數(shù)據(jù)來測試目標(biāo)判斷模型的結(jié)果；54. 使用真實跑車數(shù)據(jù)作為目標(biāo)驗證數(shù)據(jù)并帶入目標(biāo)驗證模塊，來驗證目標(biāo)判斷模型 的準(zhǔn)確性。7. 如權(quán)利要求5或6所述的基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分 目標(biāo)遠(yuǎn)程定損方法，其特征在于，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)的曲面而進(jìn)行學(xué)習(xí)，在一批新的數(shù)據(jù) 中，用訓(xùn)練的曲面來處理(比如分類、回歸）；徑向基函數(shù)里的基函數(shù)是在神經(jīng)網(wǎng)絡(luò)的隱單元 里提供了一個函數(shù)集，該函數(shù)集在輸入模式（向量)擴(kuò)展至隱空間時，為其構(gòu)建了一個任意 的基，這個函數(shù)集中的函數(shù)被稱為徑向基函數(shù)。8. 如權(quán)利要求7所述的基于人工智能徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法建立不同分車型分目標(biāo) 遠(yuǎn)程定損方法，其特征在于，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法具體是:選擇P個基函數(shù)，每個基 函數(shù)對應(yīng)一個訓(xùn)練數(shù)據(jù)，各基函數(shù)形式為Mini)，| |X-Xp| |表示差向量的模； 徑向基函數(shù)的插值函數(shù)為：輸入X是個m維的向量，樣本容量為P，P>m，輸入數(shù)據(jù)點Xp是徑向基函數(shù)Φ p的中心，wp是 系數(shù)，也可認(rèn)為是插值 輸入X是個m維的向量，樣本容量為P，P>m?？梢钥吹捷斎霐?shù)據(jù)點Xp是徑向基函數(shù)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(guān)。 計算數(shù)據(jù)中心的方法:數(shù)據(jù)中心從樣本中選取，樣本密集的地方多采集一些，各基函數(shù) 采用統(tǒng)一的偏擴(kuò)展常數(shù)：dmax是所選數(shù)據(jù)中心之間的最大距離，Μ是數(shù)據(jù)中心的個數(shù)。
【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(fā)明人】田雨農(nóng), 劉俊俍
【申請人】大連樓蘭科技股份有限公司