一种基于电子数字化的汽车远程防盗监测系统及方法与流程

本发明属于汽车远程防盗实时监测技术领域，特别涉及一种基于电子数字化的汽车远程防盗监测系统及方法。

背景技术：

目前，汽车已经成为人们生活中的重要交通工具，但随着汽车数量的增加和档次的提高，相应的汽车被盗问题也日益成为社会上的重点犯罪问题。同时，我国的现有机动车停车问题也是亟待解决，现有的停车场车位数量远远不能满足当今的需求量。无论白天还是晚上，汽车停在路边的现象屡见不鲜，这也增加了汽车被盗的风险。

由于车辆停放位置较远，车主无法实时了解车辆安全情况。因此，设计一种汽车远程防盗实时监测系统，能够在车辆存在被盗风险时，及时将信息发送给车主，能够使使汽车真正被盗的可能性大大降低。

技术实现要素：

本发明的目的是提供一种基于电子数字化的汽车远程防盗监测系统，其能够远程实时监测汽车是否存在被盗风险，并且在当汽车存在被盗风险时，向车主发出预警信息。

本发明的另一个目的是提供一种基于电子数字化的汽车远程防盗监测方法，其基于bp神经网络对车辆是否存在被盗风险进行判断，能够有效提高判断结果的准确性。

本发明还包括对加速度传感器采集到的汽车轮胎加速度进行校正后，输入神经网络，以进一步提高判断结果的准确性。

本发明提供的技术方案为：

一种基于电子数字化的汽车远程防盗监测系统，包括：

控制模块；

温度传感器，其用于实时监测车内温度；

光线传感器，其用于实时监测车内光线强度；

加速度传感器，其用于实时监测轮胎的加速度；

振动传感器，其用于实时监测汽车振动位移；

接收模块，其接收所述温度传感器，所述光线传感器、所述加速度传感器、所述振动传感器实时监测到的信息，并将所述信息传输到所述控制模块；

远程通讯模块，其电联所述控制模块；

其中，所述控制模块根据接收到的信息，判断车辆是否存在被盗风险；并且当判断车辆存在被盗风险时，通过远程通讯模块将判断信息发送给车主。

优选的是，所述温度传感器安装在驾驶座位处，所述光线传感器安装在车内顶棚上。

优选的是，所述的基于电子数字化的汽车远程防盗监测系统还包括无线遥控模块，其电联所述控制模块，用于控制所述汽车防盗系统开启或关闭。

一种基于电子数字化的汽车远程防盗监测方法，使用所述的汽车远程防盗实时监测系统，包括如下步骤：

步骤1、按照采样周期，通过获取车内温度tc，车内光线强度i，汽车轮胎的加速度a和汽车振动位移l；

步骤2、依次将参数进行规格化，确定三层bp神经网络的输入层向量x＝{x1,x2,x3,x4}；其中，x1为车内温度系数、x2为车内光线强度系数、x3为汽车轮胎的加速度系数、x4为汽车振动位移系数；

步骤3、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；

步骤4、得到输出层向量o＝{o1,o2}；o1为车辆被盗系数、o2为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o1为1时，汽车存在被盗风险，当o1为0时，车辆不存在被盗风险；当o2为1时，监测系统工作正常，当o2为0时，监测系统工作异常，停止工作。

优选的是，在所述步骤2中，将车内温度tc，车内光线强度i，汽车轮胎的加速度a，汽车振动位移l进行规格化的公式为：

其中，xj为输入层向量中的参数，xj分别为参数tc、i、a、l，j＝1,2,3,4；xjmax和xjmin分别为相应测量参数中的最大值和最小值。

优选的是，所述中间层节点个数m为3个。

优选的是，所述中间层及所述输出层的激励函数均采用s型函数fj(x)＝1/(1+e^-x)。

优选的是，在所述步骤1中，所述汽车轮胎的加速度a为：

其中，a0为加速度传感器实时监测到的轮胎加速度，t为车外环境温度，t0为设定的标准环境温度，rh为车外环境湿度，rh0为设定的标准环境湿度，m为汽车重量，m0为设定的标准重量。

本发明的有益效果是：

本发明提供的基于电子数字化的汽车远程防盗监测系统，能够远程实时监测汽车是否存在被盗风险，并且在当汽车存在被盗风险时，向车主发出预警信息。

本发明提供的基于电子数字化的汽车远程防盗监测方法，基于bp神经网络对车辆是否存在被盗风险进行判断，能够有效提高判断结果的准确性。

本发明还包括对加速度传感器采集到的汽车轮胎加速度进行校正后，输入神经网络，能够进一步提高判断结果的准确性。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于电子数字化的汽车远程防盗监测系统，其包括电源、传感器模块、接收模块、控制模块、远程通讯模块及移动终端。电源输入端连接外部直流电源，输出端提供直流稳压。温度传感器用于实时监测车内温度；光线传感器用于实时监测车内光线强度；加速度传感器用于实时监测轮胎的加速度；振动传感器用于实时监测汽车在垂直地面方向上的振动位移。接收模块，其接收所述温度传感器，所述光线传感器、所述加速度传感器、所述振动传感器实时监测到的信息，并将所述信息传输到控制模块。其中，远程模块电联控制模块；控制模块根据接收到的信息，判断车辆是否存在被盗风险；并且当判断车辆存在被盗风险时，通过远程通讯模块将判断信息发送给移动终端，该移动可以采用车主手机，手机通过预先安装app接收并查看远程通讯模块传输的监测信息。

所述的基于电子数字化的汽车远程防盗监测系统还包括无线遥控模块，其电联所述控制模块及远程通讯模块，通过无线遥控模块能够开启或关闭防盗实时监测系统。

作为优选，将温度传感器安装在驾驶座位处，将光线传感器安装汽车前排座椅对应的车内顶棚上，以保证监测结果更为可靠。

本发明还提供了一种基于电子数字化的汽车远程防盗监测方法，使用所述的汽车远程防盗实时监测系统，采用bp神经网络车辆是否存在被盗风险进行判断，包括如下步骤：

步骤1、建立bp神经网络模型。

本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个监测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x1,x2,...,xn)^t

中间层向量：y＝(y1,y2,...,ym)^t

输出向量：o＝(o1,o2,...,op)^t

本发明中，输入层节点数为n＝4，输出层节点数为p＝2。隐藏层节点数m由下式估算得出：

输入信号4个参数分别表示为：x1为车内温度系数、x2为车内光线强度系数、x3为汽车轮胎的加速度系数、x4为汽车振动位移系数。

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于车内温度tc，进行规格化后，得到车内温度系数x1：

其中，tc-min和tc-max分别为设定的车内最低温度和最高温度。

同样的，对于车内光线强度i，进行规格化后，得到车内光线强度系数x2：

其中，imin和imax分别为设定的车内最小光线强度和车内最大光线强度。

同样的，对于汽车轮胎的加速度a，进行规格化后，得到汽车的轮胎加速度系数x3：

其中，amin和amax分别为设定的汽车的轮胎最小加速度和汽车的轮胎最大加速度。

同样的，对于汽车振动位移l，进行规格化后，得到汽车振动位移系数x4：

其中，lmin和lmax分别为设定的汽车最小振动位移和汽车最大振动位移。

输出信号的2个参数分别表示为：输出层向量o＝{o1,o2}；o1为汽车被盗系数、o2为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；当o1为1时，汽车存在被盗风险，当o1为0时，车辆不存在被盗风险；当o2为1时，监测系统工作正常，当o2为0时，监测系统工作异常，停止工作。

步骤2、进行bp神经网络的训练。

建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。

在训练过程中，不断修正wij和wjk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；

(2)训练算法

bp网络采用误差反向传播(backwardpropagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝l)，则有

且ej(n)＝xj(n)-oj(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

bp算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

δω＝(j^tj+μi)^-1j^te；

其中，j为误差对权值微分的雅可比(jacobian)矩阵，i为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能；

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤3、采集传感器运行参数输入神经网络得到汽车被盗系数及紧急停止监测系统。

将训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。

同时使用传感器采集到的参数，通过将上述参数规格化，得到bp神经网络的初始输入向量通过bp神经网络的运算得到初始输出向量

步骤4、监测汽车被盗情况以进行监测系统紧急停机。

根据输出层神经元值o＝{o1,o2}；o1为汽车被盗系数、o2为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o1为1时，汽车存在被盗风险，当o1为0时，汽车不存在被盗风险；当o2为1时，监测系统工作正常，当o2为0时，监测系统工作异常，停止工作。

通过上述设置，获取实时采集的车内温度tc，车内光线强度i，汽车轮胎的加速度a及汽车振动位移l，采用bp神经网络算法，对监测系统的报警情况进行实时监控。当判断汽车存在被盗风险时，微控制器通过远程通讯模块向远程终端发出车辆被盗预警，对驾驶员进行提醒；当监测系统异常时，紧急停机。

在一实施例中，直接通过加速度传感器获取汽车轮胎的加速，并规格化后，输入bp神经网络中。

在另一实施例中，还包括在车身外侧安装温度传感器及湿度传感器，用于实时监测车外环境温度和湿度；车身外侧安装的温度传感器及湿度传感器与车内的接收模块电联，接收模块将接收到的车外环境温度和湿度传输到控制模块。通过控制器根据车外环境温度、湿度和车身重量，对加速度传感器采集到的汽车轮胎加速度进行校正，并将矫正后的汽车轮胎加速度a规格化后，输入bp神经网络，以进一步提高判断结果的准确性。其中，矫正后的汽车轮胎加速度为：

其中，a0为加速度传感器实时监测到的轮胎加速度，单位m/s²；t为车外环境温度，单位℃，t0为设定的标准环境温度，t0＝25℃；rh为车外环境湿度，rh0为设定的标准环境湿度，rh0＝50；m为汽车重量，单位kg，m0为设定的标准重量，m0＝2000kg；e为自然对数的底数。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。