本發(fā)明創(chuàng)造涉及車輛監(jiān)控領域，具體涉及一種高效的車輛行駛狀態(tài)識別系統(tǒng)。
背景技術：
隨著社會經濟的發(fā)展，人們的生活水平得到了極大的提高，汽車成為家家戶戶必不可少的交通工具，而隨著汽車數(shù)量的增加，交通狀態(tài)越加堵塞的同時，車禍等事故的發(fā)生率正在極具的升高，對人們的生命和財產造成了極大的威脅。經過研究發(fā)現(xiàn)，車輛在行駛過程中發(fā)生交通事故時的行車狀態(tài)在一定程度上預示了事故發(fā)生的可能性，因此，對車輛行駛狀態(tài)的實時監(jiān)測和識別，對于預防交通事故的發(fā)生有著重要的實際意義。
針對上述問題，本發(fā)明研究一種高效的車輛行駛狀態(tài)識別系統(tǒng)，能夠實現(xiàn)對車輛行駛狀態(tài)中各類信息數(shù)據(jù)的采集和處理，并根據(jù)處理后的數(shù)據(jù)進行車輛行駛狀態(tài)的識別，在判斷車輛處于危險狀態(tài)時即進行預警，在一定程度上實現(xiàn)了交通事故的預防。
技術實現(xiàn)要素：
針對上述問題，本發(fā)明旨在提供一種高效的車輛行駛狀態(tài)識別系統(tǒng)。
本發(fā)明創(chuàng)造的目的通過以下技術方案實現(xiàn)：
一種高效的車輛行駛狀態(tài)識別系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)處理模塊和車輛行駛狀態(tài)識別模塊，所述數(shù)據(jù)采集模塊用于采集車輛行駛過程中的各種信息數(shù)據(jù),所述數(shù)據(jù)傳輸模塊用于將所述信息數(shù)據(jù)傳輸?shù)綌?shù)據(jù)處理模塊，由數(shù)據(jù)處理模塊進行數(shù)據(jù)的處理和特征參數(shù)提取，所述車輛行駛狀態(tài)識別模塊用于根據(jù)所述特征參數(shù)進行車輛行駛狀態(tài)的識別，當判斷汽車處于危險狀態(tài)時即進行預警。
優(yōu)選地，還包括gps模塊，所述gps模塊用于實時定位車輛的地理位置信息。
優(yōu)選地，所述數(shù)據(jù)傳輸模塊采用zigbee無線傳輸方式。
優(yōu)選地，所述數(shù)據(jù)采集模塊包括方位角傳感器、三軸重力傳感器和三軸加速度傳感器，所述方位角傳感器用于采集車輛行駛過程中的實時運動方位角數(shù)據(jù)，所述三軸重力傳感器用于采集車輛行駛過程中的震動數(shù)據(jù)，所述三軸加速度傳感器用于采集車輛行駛過程中的實時速度數(shù)據(jù)。
優(yōu)選地，所述數(shù)據(jù)處理模塊用于對采集得到的車輛行駛過程中的信息數(shù)據(jù)進行濾波處理，其采用一種改進的小波閾值去噪法，具體包括：
a.選取小波閾值去噪法中的閾值u，則τ的計算表達式為：
式中，p(j,k)為原始小波系數(shù)，mean(p(j,k))為第j層分解的所有小波系數(shù)p(j,k)幅值的平均值，θ為高斯白噪聲標準差的調整系數(shù)，此處，θ取0.6745，m為信號的長度，j為分解尺度；
則采用的閾值函數(shù)為：
式中，p(j,k)為原始的小波系數(shù)，p′(j,k)為去噪后得到的小波系數(shù)，u為閾值；
b.對處理后的車輛行駛過程中的數(shù)據(jù)值進行特征參數(shù)提取，具體為：
式中，ti1、ti2……ti5分別代表車輛行駛的角度、車輛行駛過程中的震動數(shù)據(jù)、車輛行駛方向的加速度數(shù)據(jù)、與車輛行駛方向垂直的側面的加速度數(shù)據(jù)、加速度數(shù)據(jù)的均值。
優(yōu)選地，所述車輛行駛狀態(tài)識別模塊用于根據(jù)上述所得的特征參數(shù)進行車輛行駛狀態(tài)識別，主要包括：
a.制定車輛行駛狀態(tài)的參量值，具體為：
式中，qi1、qi2、……、和qi6分別為高速行駛、低速安全行駛、倒車、轉彎、超速行駛、和風險行駛這6種車輛行駛狀態(tài)的參量值；
b.采用rbf神經網絡構建分類器，用于根據(jù)所述特征參數(shù)識別車輛行駛狀態(tài)，其采用一種改進的遺傳算法訓練rbf神經網絡，定義第i時刻的特征參數(shù)集合為
式中，α＝0.52、β＝0.48，k為隱藏神經元個數(shù)，n為輸入層神經元個數(shù)，m為輸入樣本個數(shù),si為rbf神經網絡的實際輸出，qi為車輛行駛狀態(tài)的參量值，l代表車輛行駛狀態(tài)，l＝6；
c.計算rbf神經網絡實際輸出和車輛行駛狀態(tài)的最小均方根誤差，具體為：
式中，l＝1,2……6，si為rbf神經網絡的實際輸出，qi為待識別車輛行駛狀態(tài)的參量值，m為輸入樣本個數(shù)；
d.最小均方根誤差j所對應的車輛行駛狀態(tài)即為輸入變量所屬的類別，從而達到識別車輛行駛狀態(tài)的目的。
本發(fā)明的有益效果為：通過各模塊之間的相互配合，能夠對車輛行駛狀態(tài)中各類別參數(shù)進行有效的采集和處理，采用rbf神經網絡構建分類器，用于對所述特征向量所述類別進行分類，實現(xiàn)了對車輛行駛狀態(tài)的有效識別。
附圖說明
利用附圖對發(fā)明創(chuàng)造作進一步說明，但附圖中的實施例不構成對本發(fā)明創(chuàng)造的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。
圖1是本發(fā)明結構示意圖；
附圖標記：
數(shù)據(jù)采集模塊1、數(shù)據(jù)傳輸模塊2、數(shù)據(jù)處理模塊3、車輛行駛狀態(tài)識別模塊4、gps模塊5。
具體實施方式
結合以下實施例對本發(fā)明作進一步描述。
參見圖1，本實施例的一種高效的車輛行駛狀態(tài)識別系統(tǒng)，包括數(shù)據(jù)采集模塊1、數(shù)據(jù)傳輸模塊2、數(shù)據(jù)處理模塊3和車輛行駛狀態(tài)識別模塊4，所述數(shù)據(jù)采集模塊1用于采集車輛行駛過程中的各種信息數(shù)據(jù),所述數(shù)據(jù)傳輸模塊2用于將所述信息數(shù)據(jù)傳輸?shù)綌?shù)據(jù)處理模塊3，由數(shù)據(jù)處理模塊3進行數(shù)據(jù)的處理和特征參數(shù)提取，所述車輛行駛狀態(tài)識別4模塊用于根據(jù)所述特征參數(shù)進行車輛行駛狀態(tài)的識別，當判斷汽車處于危險狀態(tài)時即進行預警。
優(yōu)選地，還包括gps模塊5，所述gps模塊5用于實時定位車輛的地理位置信息。
優(yōu)選地，所述數(shù)據(jù)傳輸模塊2采用zigbee無線傳輸方式。
優(yōu)選地，所述數(shù)據(jù)采集模塊1包括方位角傳感器、三軸重力傳感器和三軸加速度傳感器，所述方位角傳感器用于采集車輛行駛過程中的實時運動方位角數(shù)據(jù)，所述三軸重力傳感器用于采集車輛行駛過程中的震動數(shù)據(jù)，所述三軸加速度傳感器用于采集車輛行駛過程中的實時速度數(shù)據(jù)。
本優(yōu)選實施例通過各模塊之間的相互配合，能夠對車輛行駛狀態(tài)中各類別參數(shù)進行有效的采集和處理，采用rbf神經網絡構建分類器，用于對所述特征向量所述類別進行分類，實現(xiàn)了對車輛行駛狀態(tài)的有效識別。
優(yōu)選地，所述數(shù)據(jù)處理模塊3用于對采集得到的車輛行駛過程中的信息數(shù)據(jù)進行濾波處理，其采用一種改進的小波閾值去噪法，具體包括：
a.選取小波閾值去噪法中的閾值u，則τ的計算表達式為：
式中，p(j,k)為原始小波系數(shù)，mean(p(j,k))為第j層分解的所有小波系數(shù)p(j,k)幅值的平均值，θ為高斯白噪聲標準差的調整系數(shù)，此處，θ取0.6745，m為信號的長度，j為分解尺度；
則采用的閾值函數(shù)為：
式中，p(j,k)為原始的小波系數(shù)，p′(j,k)為去噪后得到的小波系數(shù)，u為閾值；
b.對處理后的車輛行駛過程中的數(shù)據(jù)值進行特征參數(shù)提取，具體為：
式中，ti1、ti2……ti5分別代表車輛行駛的角度、車輛行駛過程中的震動數(shù)據(jù)、車輛行駛方向的加速度數(shù)據(jù)、與車輛行駛方向垂直的側面的加速度數(shù)據(jù)、加速度數(shù)據(jù)的均值。
本優(yōu)選實施例在濾除噪聲的同時，控制了信號的衰減程度，具有較為精確的去噪效果，從處理后的數(shù)據(jù)中提取每組數(shù)據(jù)的特征參數(shù)，確保了后續(xù)車輛行駛狀態(tài)識別分類的精確性。
優(yōu)選地，所述車輛行駛狀態(tài)識別模塊4用于根據(jù)上述所得的特征參數(shù)進行車輛行駛狀態(tài)識別，主要包括：
a.制定車輛行駛狀態(tài)的參量值，具體為：
式中，qi1、qi2、……、和qi6分別為高速行駛、低速安全行駛、倒車、轉彎、超速行駛、和風險行駛這6種車輛行駛狀態(tài)的參量值；
b.采用rbf神經網絡構建分類器，用于根據(jù)所述特征參數(shù)識別車輛行駛狀態(tài)，其采用一種改進的遺傳算法訓練rbf神經網絡，定義第i時刻的特征參數(shù)集合為
式中，α＝0.52、β＝0.48，k為隱藏神經元個數(shù)，n為輸入層神經元個數(shù)，m為輸入樣本個數(shù),si為rbf神經網絡的實際輸出，qi為車輛行駛狀態(tài)的參量值，l代表車輛行駛狀態(tài)，l＝6；
c.計算rbf神經網絡實際輸出和車輛行駛狀態(tài)的最小均方根誤差，具體為：
式中，l＝1,2……6，si為rbf神經網絡的實際輸出，qi為待識別車輛行駛狀態(tài)的參量值，m為輸入樣本個數(shù)；
d.最小均方根誤差j所對應的車輛行駛狀態(tài)即為輸入變量所屬的類別，從而達到識別車輛行駛狀態(tài)的目的
本優(yōu)選實施例提出一種改進的適應度函數(shù)訓練bpf神經網絡，獲得的網絡結構較為精簡，同時具有較小的輸出誤差，實現(xiàn)了高精度的車輛行駛狀態(tài)的識別。
最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。