本发明创造涉及车辆监控领域，具体涉及一种高效的车辆行驶状态识别系统。
背景技术：
随着社会经济的发展，人们的生活水平得到了极大的提高，汽车成为家家户户必不可少的交通工具，而随着汽车数量的增加，交通状态越加堵塞的同时，车祸等事故的发生率正在极具的升高，对人们的生命和财产造成了极大的威胁。经过研究发现，车辆在行驶过程中发生交通事故时的行车状态在一定程度上预示了事故发生的可能性，因此，对车辆行驶状态的实时监测和识别，对于预防交通事故的发生有着重要的实际意义。
针对上述问题，本发明研究一种高效的车辆行驶状态识别系统，能够实现对车辆行驶状态中各类信息数据的采集和处理，并根据处理后的数据进行车辆行驶状态的识别，在判断车辆处于危险状态时即进行预警，在一定程度上实现了交通事故的预防。
技术实现要素：
针对上述问题，本发明旨在提供一种高效的车辆行驶状态识别系统。
本发明创造的目的通过以下技术方案实现：
一种高效的车辆行驶状态识别系统，包括数据采集模块、数据传输模块、数据处理模块和车辆行驶状态识别模块，所述数据采集模块用于采集车辆行驶过程中的各种信息数据,所述数据传输模块用于将所述信息数据传输到数据处理模块，由数据处理模块进行数据的处理和特征参数提取，所述车辆行驶状态识别模块用于根据所述特征参数进行车辆行驶状态的识别，当判断汽车处于危险状态时即进行预警。
优选地，还包括gps模块，所述gps模块用于实时定位车辆的地理位置信息。
优选地，所述数据传输模块采用zigbee无线传输方式。
优选地，所述数据采集模块包括方位角传感器、三轴重力传感器和三轴加速度传感器，所述方位角传感器用于采集车辆行驶过程中的实时运动方位角数据，所述三轴重力传感器用于采集车辆行驶过程中的震动数据，所述三轴加速度传感器用于采集车辆行驶过程中的实时速度数据。
优选地，所述数据处理模块用于对采集得到的车辆行驶过程中的信息数据进行滤波处理，其采用一种改进的小波阈值去噪法，具体包括：
a.选取小波阈值去噪法中的阈值u，则τ的计算表达式为：
式中，p(j,k)为原始小波系数，mean(p(j,k))为第j层分解的所有小波系数p(j,k)幅值的平均值，θ为高斯白噪声标准差的调整系数，此处，θ取0.6745，m为信号的长度，j为分解尺度；
则采用的阈值函数为：
式中，p(j,k)为原始的小波系数，p′(j,k)为去噪后得到的小波系数，u为阈值；
b.对处理后的车辆行驶过程中的数据值进行特征参数提取，具体为：
式中，ti1、ti2……ti5分别代表车辆行驶的角度、车辆行驶过程中的震动数据、车辆行驶方向的加速度数据、与车辆行驶方向垂直的侧面的加速度数据、加速度数据的均值。
优选地，所述车辆行驶状态识别模块用于根据上述所得的特征参数进行车辆行驶状态识别，主要包括：
a.制定车辆行驶状态的参量值，具体为：
式中，qi1、qi2、……、和qi6分别为高速行驶、低速安全行驶、倒车、转弯、超速行驶、和风险行驶这6种车辆行驶状态的参量值；
b.采用rbf神经网络构建分类器，用于根据所述特征参数识别车辆行驶状态，其采用一种改进的遗传算法训练rbf神经网络，定义第i时刻的特征参数集合为
式中，α＝0.52、β＝0.48，k为隐藏神经元个数，n为输入层神经元个数，m为输入样本个数,si为rbf神经网络的实际输出，qi为车辆行驶状态的参量值，l代表车辆行驶状态，l＝6；
c.计算rbf神经网络实际输出和车辆行驶状态的最小均方根误差，具体为：
式中，l＝1,2……6，si为rbf神经网络的实际输出，qi为待识别车辆行驶状态的参量值，m为输入样本个数；
d.最小均方根误差j所对应的车辆行驶状态即为输入变量所属的类别，从而达到识别车辆行驶状态的目的。
本发明的有益效果为：通过各模块之间的相互配合，能够对车辆行驶状态中各类别参数进行有效的采集和处理，采用rbf神经网络构建分类器，用于对所述特征向量所述类别进行分类，实现了对车辆行驶状态的有效识别。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
附图标记：
数据采集模块1、数据传输模块2、数据处理模块3、车辆行驶状态识别模块4、gps模块5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种高效的车辆行驶状态识别系统，包括数据采集模块1、数据传输模块2、数据处理模块3和车辆行驶状态识别模块4，所述数据采集模块1用于采集车辆行驶过程中的各种信息数据,所述数据传输模块2用于将所述信息数据传输到数据处理模块3，由数据处理模块3进行数据的处理和特征参数提取，所述车辆行驶状态识别4模块用于根据所述特征参数进行车辆行驶状态的识别，当判断汽车处于危险状态时即进行预警。
优选地，还包括gps模块5，所述gps模块5用于实时定位车辆的地理位置信息。
优选地，所述数据传输模块2采用zigbee无线传输方式。
优选地，所述数据采集模块1包括方位角传感器、三轴重力传感器和三轴加速度传感器，所述方位角传感器用于采集车辆行驶过程中的实时运动方位角数据，所述三轴重力传感器用于采集车辆行驶过程中的震动数据，所述三轴加速度传感器用于采集车辆行驶过程中的实时速度数据。
本优选实施例通过各模块之间的相互配合，能够对车辆行驶状态中各类别参数进行有效的采集和处理，采用rbf神经网络构建分类器，用于对所述特征向量所述类别进行分类，实现了对车辆行驶状态的有效识别。
优选地，所述数据处理模块3用于对采集得到的车辆行驶过程中的信息数据进行滤波处理，其采用一种改进的小波阈值去噪法，具体包括：
a.选取小波阈值去噪法中的阈值u，则τ的计算表达式为：
式中，p(j,k)为原始小波系数，mean(p(j,k))为第j层分解的所有小波系数p(j,k)幅值的平均值，θ为高斯白噪声标准差的调整系数，此处，θ取0.6745，m为信号的长度，j为分解尺度；
则采用的阈值函数为：
式中，p(j,k)为原始的小波系数，p′(j,k)为去噪后得到的小波系数，u为阈值；
b.对处理后的车辆行驶过程中的数据值进行特征参数提取，具体为：
式中，ti1、ti2……ti5分别代表车辆行驶的角度、车辆行驶过程中的震动数据、车辆行驶方向的加速度数据、与车辆行驶方向垂直的侧面的加速度数据、加速度数据的均值。
本优选实施例在滤除噪声的同时，控制了信号的衰减程度，具有较为精确的去噪效果，从处理后的数据中提取每组数据的特征参数，确保了后续车辆行驶状态识别分类的精确性。
优选地，所述车辆行驶状态识别模块4用于根据上述所得的特征参数进行车辆行驶状态识别，主要包括：
a.制定车辆行驶状态的参量值，具体为：
式中，qi1、qi2、……、和qi6分别为高速行驶、低速安全行驶、倒车、转弯、超速行驶、和风险行驶这6种车辆行驶状态的参量值；
b.采用rbf神经网络构建分类器，用于根据所述特征参数识别车辆行驶状态，其采用一种改进的遗传算法训练rbf神经网络，定义第i时刻的特征参数集合为
式中，α＝0.52、β＝0.48，k为隐藏神经元个数，n为输入层神经元个数，m为输入样本个数,si为rbf神经网络的实际输出，qi为车辆行驶状态的参量值，l代表车辆行驶状态，l＝6；
c.计算rbf神经网络实际输出和车辆行驶状态的最小均方根误差，具体为：
式中，l＝1,2……6，si为rbf神经网络的实际输出，qi为待识别车辆行驶状态的参量值，m为输入样本个数；
d.最小均方根误差j所对应的车辆行驶状态即为输入变量所属的类别，从而达到识别车辆行驶状态的目的
本优选实施例提出一种改进的适应度函数训练bpf神经网络，获得的网络结构较为精简，同时具有较小的输出误差，实现了高精度的车辆行驶状态的识别。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。