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
【专利摘要】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,属于车辆定损领域,为了解决车辆碰撞后，对于零件检测的问题，技术要点是：零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用无监督学习K?means方法。效果是：上述技术方案，可以实现对于车辆碰撞的零件检测，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。
【专利说明】
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
技术领域
[0001 ]本发明属于车辆定损领域，设及一种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。
【背景技术】
[0002] 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 W分析，W判断碰撞是否发生W及碰撞后 车辆的损毁情况。
[0003] 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，W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。运期间会设及对于车型、工况、目标、零件和区域的检测。
【发明内容】
[0004] 为了解决车辆碰撞后，对于零件检测的问题，本发明提出了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，W实现定损过程中的零件检 测。
[0005] 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：
[0006] 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；
[0007] 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；
[000引碰撞检测子系统，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无监督学习 K-means方 法；
[0009] 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无监督学习 K-means方法；
[0010] 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统 对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用无监督学习 K-means 方法。
[0011] 有益效果:上述技术方案，可W实现对于车辆碰撞的零件检测，在远程定损的运个
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 W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;零件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】
[0012] 图1为本发明所述的系统的结构示意框图。
【具体实施方式】
[0013] 为了对本发明作出更为清楚的解释，下面对本发明设及的技术术语作出定义：
[0014] 工况:碰撞角度、方向、目标、区域等全体碰撞信息；
[0015] 车型:汽车型号；
[0016] 目标:碰撞目标；
[0017]区域:碰撞位置；
[001引零件:汽车零件；
[0019] 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；
[0020] 车型检测:检测与本车发生碰撞的汽车型号；
[0021] 目标检测:检测本车碰撞目标；
[0022] 区域检测:检测本车碰撞位置；
[0023] 零件检测:检测本车汽车零件。
[0024] 实施例1:
[0025] 一种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， 包括：
[0026] 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；
[0027] 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；
[0028] 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无监督学习 K-means方 法；
[0029] 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无监督学习 K-means方法；
[0030] 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统 对零件训练数据进行学习从而生成零件模型，所述零件模型建立使用无监督学习 K-means 方法；
[0031] 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；
[0032] 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；
[0033] 所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零 件训练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测 试数据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的 可靠性和准确率。
[0034] 所述无监督学习 K-means方法包括W下步骤：
[0035] 1)从N个样本中（整体数据)随机选取K个样本作为质屯、；
[0036] 2)对剩余的每个样本测量其到每个质屯、的距离，并把它归到最近的质屯、的类；
[0037] 3)重新计算已经得到的各个类的质屯、；
[0038] 4)迭代步骤2~3步直至新的质屯、与原质屯、相等或小于指定阔值，算法结束。
[0039] 进一步的，
[0040] 具体如下：
[0041 ]输入:k，data[n]，data[n]表示数据集；
[0042] (1)选择k个初始中屯、点，例如c[0] = data[0],…c[k-l] =da1:a[k-l]，c[0]是将数 据集复制，命名为C;
[0043] (2)对于data[0].·· .data[n]，分别与c[0]…c[k-l]比较，假定整体的数据集data [η]与上一步赋值的第i个样本c[i]的差值最少，就标记为i;
[0044] (3)对于所有标记为i的样本，重新计算C [ i ] = {所有标记为i的data [ j ]之和} /标 记为i的样本个数;j表示样本集中的任意样例，只要被标记为i的就可W。
[0045] (4)重复步骤(2)、（3)，直到所有(：[1]值的变化小于给定阔值。
[0046] 实施例2:
[0047] 一种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方法， 包括W下步骤：
[004引步骤一.选择车辆所对应的车型数据作为总数据集；
[0049] 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；
[0050] 步骤Ξ.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无监督学习 K-means方法；
[0051] 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无监督学习 K-means方法；
[0052] 步骤五.判断车辆碰撞时零件所产生的损伤等级;所述零件检测子系统对零件训 练数据进行学习从而生成零件模型，所述零件模型建立使用无监督学习 K-means方法。
[0053] 具体步骤是：
[0化4] 步骤Ξ包括：
[0055] 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W产生碰撞 训练数据和碰撞测试数据；
[0056] 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；
[0057] 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；
[005引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；
[0化9] 步骤四包括：
[0060] 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；
[0061] 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；
[0062] 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；
[0063] 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；
[0064] 步骤五包括：
[0065] S1.使用零件检测子系统对CAE零件仿真数据处理，再对其进行分类W产生零件训 练数据和零件测试数据；
[0066] S2.在零件训练模块中对零件训练数据进行学习并产生零件模型，来模拟零件训 练数据的效果；
[0067] S3.在零件测试模块中使用零件测试数据来测试零件模型的结果；
[0068] S4.使用真实跑车数据作为零件验证数据并带入零件验证模块，来验证零件模型 的准确性。
[0069] 本实施例使用有监督学习之K-means方法，K-means算法是很典型的基于距离的聚 类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。 该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
[0070] k个初始类聚类中屯、点的选取对聚类结果具有较大的影响，因为在该算法第一步 中是随机的选取任意k个对象作为初始聚类的中屯、，初始地代表一个簇。该算法在每次迭代 中对数据集中剩余的每个对象，根据其与各个簇中屯、的距离将每个对象重新赋给最近的 簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中屯、被计算出来。如果在一次 迭代前后，J的值没有发生变化，说明算法已经收敛。
[0071] k-means算法的基础是最小误差平方和准则，其代价函数是：
[0072]
[0073] 式中，yc(i)表示第i个聚类的均值。我们希望代价函数最小，直观的来说，各类内 的样本越相似，其与该类均值间的误差平方越小，对所有类所得到的误差平方求和，即可验 证分为k类时，各聚类是否是最优的。
[0074] 上式的代价函数无法用解析的方法最小化，只能有迭代的方法。k-means算法是将 样本聚类成k个簇(cluster),在本专利中，k代表着零件的损伤等级，其求解过程非常直观 简单，具体算法描述如下：
[0075] 1)从N个样本中（整体数据)随机选取K个样本作为质屯、；
[0076] 2)对剩余的每个样本测量其到每个质屯、的距离，并把它归到最近的质屯、的类；
[0077] 3)重新计算已经得到的各个类的质屯、；
[0078] 4)迭代步骤2~3步直至新的质屯、与原质屯、相等或小于指定阔值，算法结束。
[00巧]进一步的，
[0080] 具体如下：
[0081 ]输入:k,data[n]，data[n]表示数据集；
[0082] (1)选择k个初始中屯、点，例如c[0] = data[0],…c[k-l] = da1:a[k-l]，c[0]是将数 据集复制，命名为c;
[0083] (2)对于data[0].·· .data[n]，分别与c[0]…c[k-l]比较，假定整体的数据集data [η]与上一步赋值的第i个样本c[i]的差值最少，就标记为i;
[0084] (3)对于所有标记为i的样本，重新计算C [ i ] = {所有标记为i的data [ j ]之和} /标 记为i的样本个数;j表示样本集中的任意样例，只要被标记为i的就可W。
[0085] (4)重复步骤(2)、（3)，直到所有(：[1]值的变化小于给定阔值。
[0086] 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:
[0087] 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Ξ份如下
[0088] 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）。
[0089] 2.验证数据集:是用来做模型选择(modelselection)，即做模型的最终优化及确 定的(CAE仿真数据和跑车数据）。
[0090] 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）。
[0091] 本实施例中还对定损过程中设及的滤波、加权选取、特征提取、归一化、特征变换 作出了说明。
[0092] 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、己特沃兹滤波等，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。
[0093] 有限冲击响应数字滤波器(FIR，FiniteImpulseResponse)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W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，运种比肩发需要的滤波器阶数低，对 于同样阶数的滤波器，运种逼近法最大误差最小，其设计的主要步骤如下：
[0094] 步骤1:滤波器参数的设置
[00M]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；
[0096] 步骤2:设置在通带和阻带上理想的幅频响应
[0097] 步骤3:给定在通带截止频率和阻带截止频率点上的加权
[0098] 步骤4:利用方程计算切比雪夫逼近法滤波器系数
[0099] 步骤5:保存系数
[0100] 步骤6:提取系数进行数据滤波
[0101] 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50化和化化，W50化为例根据公式F#±<50/2,故选择滤波器截止 频率在25 W下。
[0102] 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w点数）、窗口内各点斜率的绝对值的平均 值。
[0103] 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。
[0104] 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。
[0105] 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，运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W后使用PCA的可能性。
[0106] 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。
[0107] W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 W等同替换或改变，都应涵盖在本发明创造的保护范围之 内。
【主权项】
1. 一种基于人工智能无监督学习 κ-means方法建立不同车型分零件远程定损系统，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无监督学习 K-means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无监督学习 K-means方法； 零件检测子系统，判断车辆碰撞时零件所产生的损伤等级；所述零件检测子系统对零 件训练数据进行学习从而生成零件模型，所述零件模型建立使用无监督学习 K-means方法。2. 如权利要求1所述的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，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； 所述零件检测子系统包括，零件训练模块、零件测试模块、零件验证模块，所述零件训 练模块用于将零件训练数据进行学习从而生成零件模型，零件测试模块用于将零件测试数 据带入模型中检测零件模型的结果，零件验证模块使用真实跑车数据验证零件模型的可靠 性和准确率。3. 如权利要求1或2基于人工智能无监督学习 K-means方法建立不同车型分零件远程定 损系统，其特征在于，所述无监督学习 K-means方法包括以下步骤： 1) 从N个样本中随机选取K个样本作为质心； 2) 对剩余的每个样本测量其到每个质心的距离，并把它归到最近的质心的类； 3) 重新计算已经得到的各个类的质心； 4) 迭代步骤2~3步直至新的质心与原质心相等或小于指定阈值，算法结束。4. 如权利要求3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，其特征在于，具体如下： 输入:k，data[n]，data[n]表示数据集； (1) 选择1^个初始中心点，例如(：[0]=(^七3[0]，"(3|>-1]=(^七3[1^-1]，(3[0]是将数据集 复制，命名为C; (2) 对于(1&七&[0].".(1&七&[11]，分别与(3[0>"(3[1^1]比较，假定整体的数据集(1 &七&[11]与 上一步赋值的第i个样本c[ i]的差值最少，就标记为i ; (3) 对于所有标记为i的样本，重新计算c[i] = {所有标记为i的data[j]之和}/标记为i 的样本个数;j表示样本集中的任意样例； (4)重复步骤(2)、（3)，直到所有(：[1]值的变化小于给定阈值。5. -种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无监督学习 K-means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无监督学习 K-means方法； 步骤五.判断车辆碰撞时零件所产生的损伤等级；对零件训练数据进行学习从而生成 零件模型，所述零件模型建立使用无监督学习 K-means方法。6. 如权利要求5所述的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 程定损方法，其特征在于，具体步骤是： 步骤三包括： 53.1. 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； 53.3. 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； 53.4. 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： 54.1. 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； 54.2. 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； 54.3. 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； 54.4. 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：51. 使用零件检测子系统对CAE零件仿真数据处理，再对其进行分类以产生零件训练数 据和零件测试数据；52. 在零件训练模块中对零件训练数据进行学习并产生零件模型，来模拟零件训练数 据的效果；53. 在零件测试模块中使用零件测试数据来测试零件模型的结果；54. 使用真实跑车数据作为零件验证数据并带入零件验证模块，来验证零件模型的准 确性。7. 如权利要求5或6所述的基于人工智能无监督学习 K-means方法建立不同车型分零件 远程定损方法，其特征在于，所述无监督学习 K-means方法的步骤是： 1) 从N个样本中随机选取K个样本作为质心； 2) 对剩余的每个样本测量其到每个质心的距离，并把它归到最近的质心的类； 3) 重新计算已经得到的各个类的质心； 4) 迭代步骤2~3步直至新的质心与原质心相等或小于指定阈值，算法结束。8.如权利要求7所述的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 程定损方法，其特征在于，具体如下： 输入:k，data[n]，data[n]表示数据集； (1) 选择1^个初始中心点，例如(：[0]=(^七3[0]，"(3|>-1]=(^七3[1^-1]，(3[0]是将数据集 复制，命名为C; (2) 对于(1&七&[0].".(1&七&[11]，分别与(3[0>"(3[1^1]比较，假定整体的数据集(1 &七&[11]与 上一步赋值的第i个样本c[ i]的差值最少，就标记为i ; (3) 对于所有标记为i的样本，重新计算c[i] = {所有标记为i的data[j]之和}/标记为i 的样本个数;j表示样本集中的任意样例； (4) 重复步骤(2)、（3)，直到所有(：[1]值的变化小于给定阈值。
【文档编号】G06K9/62GK106067036SQ201610365655
【公开日】2016年11月2日
【申请日】2016年5月27日 公开号201610365655.8, CN 106067036 A, CN 106067036A, CN 201610365655, CN-A-106067036, CN106067036 A, CN106067036A, CN201610365655, CN201610365655.8
【发明人】田雨农, 刘俊俍
【申请人】大连楼兰科技股份有限公司