车辆数据处理方法、装置、计算机设备和存储介质与流程

本申请涉及车辆技术领域，特别是涉及一种车辆数据处理方法、装置、计算机设备和存储介质。

背景技术：

车载雨量传感器的主流方案是红外感应方案，其基本原理是，在传感器上集成一个红外发射装置和红外接收装置，传感器贴合在汽车的车窗玻璃上，红外发射装置发射的红外线经过车窗玻璃的反射到达红外接收装置，并由嵌入式系统接收处理。在车窗玻璃干燥的情况下，车窗玻璃对于红外线接近于全反射，而在下雨时，落在玻璃上的雨水会造成红外线部分折射，红外接收装置接收的红外线强度变弱，嵌入式系统由此判断雨量大小。

针对这样的设计原理，现有算法设计的主要有两个方案：

阈值判断法，其是在算法内设置一个阈值，当红外接收端接收到的红外线强度小于该阈值时，则算法判断下雨；但实际工况下红外线信号变化极为复杂，比如，车辆行驶在树荫下时，阳光经过车窗玻璃折射到红外接收端，会造成算法的误判；夕阳的照射、进出隧道、晚间对向车辆的灯光、雨刮器造成的水痕，等等很多实际工况都会造成算法的误判。

傅里叶频域分析法，其是把红外接收装置的红外线强度信号进行傅里叶变换，在频域范畴对信号进行分析判断，但红外线强度信号是不断变化的非平稳信号，傅里叶变换无法建立严格意义上的时频关系，即使引入时间窗也无法解决问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高工况识别准确度的车辆数据处理方法、装置、计算机设备和存储介质。

一种车辆数据处理方法，所述方法包括：

接收传感器所采集的实时车辆数据；

获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重；

根据所述当前小波包分解层数对所述实时车辆数据进行小波包分解得到实时小波系数；

根据所述实时小波系数建立实时向量；

通过所述实时向量以及所述向量权重计算得到工况衡量指标；

根据所述工况衡量指标确定所述实时车辆数据对应的工况。

上述车辆数据处理方法，根据预先处理得到的当前嵌入式系统对应的当前小波包分解层数，对所采集的实时车辆数据进行小波包分解，这样在保证当前嵌入式系统正常运行的前提下得到小波包分解系数，并根据小波包分解系数建立实时向量，根据实时向量以及预先确定的向量权重计算得到工况衡量指标，从而可以根据工况衡量指标确定实时车辆数据对应的工况，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析，提高工况识别准确度。

在其中一个实施例中，所述方法还包括：

获取不同工况下的分类车辆数据；

获取预设小波包分解层数，并根据所述预设小波包分解层数对所述分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数；

根据各分类小波系数建立分类向量；

对所述分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算所述分类算法对应的分类精度；

当所述分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法得到所述待处理嵌入式系统对应的执行状态；

当所述执行状态满足执行条件时，则提取所述分类算法中各分类向量的向量权重以及所述小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与所述待处理嵌入式系统进行关联存储。

上述实施例中，给出了小波包分解层以及向量权重的生成方法，其先在桌面系统进行训练得到精度符合要求的分类算法以及对应的小波包分解层，这样将符合要求的分类算法和小波包分解算法烧录至待处理嵌入式系统中执行，以判断待处理嵌入式系统是否可以运行该分类算法和小波包分解算法，若是，则训练完成，否则继续在桌面系统进行训练，使得嵌入式系统即利用了小波包分解对实时车辆数据判断的准确性，保证了嵌入式系统的正常运行。

在其中一个实施例中，所述方法还包括：

当所述执行状态不满足执行条件时，则调小所述预设小波包分解层数，并继续根据所述预设小波包分解层数对所述分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至所述执行状态满足执行条件时，得到所述分类算法；

提取所述分类算法中各分类向量的向量权重以及所述小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与所述待处理嵌入式系统进行关联存储。

上述实施例中，在执行状态不满足执行条件时，即资源占用情况较大时，则可以调小小波包分解层数，这样减少计算量，从而使得待处理嵌入式系统的资源占用情况降低，使得待处理嵌入式系统可以使用小波包分解算法来处理实时车辆数据。

在其中一个实施例中，所述在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法得到所述待处理嵌入式系统对应的执行状态，包括：

在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法；

计算所述待处理嵌入式系统在执行小波包分解以及所述分类算法时的资源占用率，作为所述待处理嵌入式系统对应的执行状态。

上述实施例中以资源占用率来衡量待处理嵌入式系统的执行状态，判断在待处理嵌入式系统执行小波包分解以及分类算法是否会影响待处理嵌入式系统的正常运行。

在其中一个实施例中，所述在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法，包括：

获取预设算法执行频率；

根据所述预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法；

所述方法还包括：

将所述预设算法执行频率作为所述待处理嵌入式系统对应的执行状态；

当所述资源占用率小于等于预设值时，则所述执行状态满足所述执行条件；

当所述资源占用率大于预设值时，则调整所述预设算法执行频率，并继续根据所述预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法，直至所述执行状态满足所述执行条件，或者直至调整后的所述预设算法执行频率不满足基于用户体验的预设执行频率时，输出所述执行状态不满足所述执行条件。

上述实施例中，还引入了执行频率，通过执行频率和资源占用率综合衡量嵌入式系统的执行状态，更加准确。

在其中一个实施例中，所述计算所述分类算法对应的分类精度之后，还包括：

当所述分类精度不满足精度条件时，则调大所述预设小波包分解层数，并继续根据所述预设小波包分解层数对所述分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至所述分类精度满足精度条件时，得到所述分类算法，并继续在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法得到所述待处理嵌入式系统对应的执行状态。

上述实施例中，在桌面系统中进行训练时，若分类精度不满足精度条件，则调大预设小波包分解层数，从而使得根据小波包分解系数得到的向量特征更为准确，从而提高后续分类算法的分类准确性。

一种车辆数据处理装置，所述装置包括：

接收模块，用于接收传感器所采集的实时车辆数据；

第一数据获取模块，用于获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重；

第一小波包分解模块，用于根据所述当前小波包分解层数对所述实时车辆数据进行小波包分解得到实时小波系数；

第一向量建立模块，用于根据所述实时小波系数建立实时向量；

工况衡量指标计算模块，用于通过所述实时向量以及所述向量权重计算得到工况衡量指标；

工况确定模块，用于根据所述工况衡量指标确定所述实时车辆数据对应的工况。

上述车辆数据处理装置，根据预先处理得到的当前嵌入式系统对应的当前小波包分解层数，对所采集的实时车辆数据进行小波包分解，这样在保证当前嵌入式系统正常运行的前提下得到小波包分解系数，并根据小波包分解系数建立实时向量，根据实时向量以及预先确定的向量权重计算得到工况衡量指标，从而可以根据工况衡量指标确定实时车辆数据对应的工况，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析，提高工况识别准确度。

在其中一个实施例中，所述装置还包括：

车辆数据获取模块，用于获取不同工况下的分类车辆数据；

第二小波包分解模块，用于获取预设小波包分解层数，并根据所述预设小波包分解层数对所述分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数；

第二向量建立模块，用于根据各分类小波系数建立分类向量；

分类算法生成模块，用于对所述分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算所述分类算法对应的分类精度；

执行状态获取模块，用于当所述分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解以及所述分类算法得到所述待处理嵌入式系统对应的执行状态；

存储模块，用于当所述执行状态满足执行条件时，则提取所述分类算法中各分类向量的向量权重以及所述小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与所述待处理嵌入式系统进行关联存储。

上述实施例中，给出了小波包分解层以及向量权重的生成方法，其先在桌面系统进行训练得到精度符合要求的分类算法以及对应的小波包分解层，这样将符合要求的分类算法和小波包分解算法烧录至待处理嵌入式系统中执行，以判断待处理嵌入式系统是否可以运行该分类算法和小波包分解算法，若是，则训练完成，否则继续在桌面系统进行训练，使得嵌入式系统即利用了小波包分解对实时车辆数据判断的准确性，保证了嵌入式系统的正常运行。

一种计算机设备，包括存储器和嵌入式系统，所述存储器存储有计算机程序，所述嵌入式系统执行所述计算机程序时实现上述中任一项所述的方法的步骤。

上述计算机设备，根据预先处理得到的当前嵌入式系统对应的当前小波包分解层数，对所采集的实时车辆数据进行小波包分解，这样在保证当前嵌入式系统正常运行的前提下得到小波包分解系数，并根据小波包分解系数建立实时向量，根据实时向量以及预先确定的向量权重计算得到工况衡量指标，从而可以根据工况衡量指标确定实时车辆数据对应的工况，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析，提高工况识别准确度。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被嵌入式系统执行时实现上述中任一项所述的方法的步骤。

上述计算机设备可读存储介质，根据预先处理得到的当前嵌入式系统对应的当前小波包分解层数，对所采集的实时车辆数据进行小波包分解，这样在保证当前嵌入式系统正常运行的前提下得到小波包分解系数，并根据小波包分解系数建立实时向量，根据实时向量以及预先确定的向量权重计算得到工况衡量指标，从而可以根据工况衡量指标确定实时车辆数据对应的工况，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析，提高工况识别准确度。

附图说明

图1为一个实施例中车辆数据处理方法的应用环境图；

图2为一个实施例中车辆数据处理方法的流程示意图；

图3为一个实施例中的小波包分解层数以及向量权重的生成方式的流程图；

图4为一个实施例中车辆数据处理装置的结构框图；

图5为一个实施例中嵌入式系统的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆数据处理方法，可以应用于如图1所示的应用环境中。其中，车辆终端102通过与传感器104进行通信，以获取传感器104采集的实时车辆数据，这样车辆终端获取当前嵌入式系统对应的当前小波包分解层数，以根据当前小波包分解层数对实时车辆数据进行小波包分解得到实时小波系数。车辆终端102还根据时小波系数建立实时向量；通过实时向量以及向量权重计算得到工况衡量指标，从而根据工况衡量指标确定实时车辆数据对应的工况。

在一个实施例中，如图2所示，提供了一种车辆数据处理方法，以该方法应用于图1中的车辆终端为例进行说明，包括以下步骤：

s202：接收传感器所采集的实时车辆数据。

具体地，传感器是指用于采集雨量的车载雨量传感器，例如红外传感器，其中该红外传感器包括红外线发射装置以及红外线接收装置，此处的传感器是指红外线接收装置。实时车辆数据是指该红外线接收装置实时接收到的红外线强度信号，可选地，车辆终端在接收到红外线强度信号后，对该红外线强度信号进行ad采样，以建立离散化的时域红外线强度信号序列，从而便于后续的处理。

s204：获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重。

具体地，当前嵌入式系统对应的当前小波包分解层数是将预先在桌面生成的分类算法放在嵌入式系统中执行时，该嵌入式系统可以正常工作，且能够保证分类算法的精度时所能接受的小波包分解层数。预先确定的向量权重是该分类算法中向量所对应的权重，具体可以参见下文。主要强调的是该当前小波包分解层数以及预先确定的向量权重是与嵌入式系统相对应的，例如可以记录嵌入式系统的型号与当前小波包分解层数以及预先确定的向量权重的对应关系，以便于查询，或者是直接根据嵌入式系统的型号，烧录当前小波包分解层数以及预先确定的向量权重至嵌入式系统中，这样在实际处理的时候，直接获取到嵌入式系统中存储的唯一的当前小波包分解层数以及预先确定的向量权重即可，不需要进行查询。小波包分解的层数决定了红外线强度信号和小波基在不同尺度上的相关程度。小波包分解的层数越多，计算量越大；但层数少，则可能丢失能够有价值的信号特征，因此小波包分解层数是将预先在桌面生成的分类算法放在嵌入式系统中执行时，该嵌入式系统可以正常工作，且能够保证分类算法的精度时所能接受的小波包分解层数，保证了有价值的信号特征的获取，且保证了嵌入式系统的正常运行。

s206：根据当前小波包分解层数对实时车辆数据进行小波包分解得到实时小波系数。

具体地，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析。

具体地，在本实施例中，车辆终端可以根据当前小波包分解层数应用mallat快速算法对时域红外线强度信号进行小波包分解。

s208：根据实时小波系数建立实时向量。

具体地，所有采集的数据在小波包分解后都会获取小波系数，小波系数的数量取决于小波包层数。这些小波系数以向量的形式存储就构成实时向；实时向的大小取决于所采集的数据量。理论上，数据采集量越大，实时向量也会越大。

s210：通过实时向量以及向量权重计算得到工况衡量指标。

s212：根据工况衡量指标确定实时车辆数据对应的工况。

具体地，工况包括多种，具体包括实际用车过程中所有可能对红外接收强度产生影响的情况，比如晴天状态下行驶、进出隧道、林荫道下行驶、夜间对向行驶车辆开灯、小雨行驶、中雨行驶、大雨行驶等等。车辆终端将所得到的实时向量与向量权重进行线性计算得到工况衡量指标，即得到各个工况对应的工况衡量指标，也就是计算得到实时车辆数据与某个工况的相似度。相似度高，则说明车辆处于该工况的可能性较大，因此输出相似度最高的工况作为实时车辆数据对应的工况。

上述车辆数据处理方法，根据预先处理得到的当前嵌入式系统对应的当前小波包分解层数，对所采集的实时车辆数据进行小波包分解，这样在保证当前嵌入式系统正常运行的前提下得到小波包分解系数，并根据小波包分解系数建立实时向量，根据实时向量以及预先确定的向量权重计算得到工况衡量指标，从而可以根据工况衡量指标确定实时车辆数据对应的工况，小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，且分解后的信号基本没有冗余和疏漏，包含了可能需要的主要中高频信号，可以进行更好的时频分析，提高工况识别准确度。

在其中一个实施例中，参见图3所示，图3为一个实施例中的小波包分解层数以及向量权重的生成方式的流程图，上述的小波包分解层数以及向量权重的生成方式可以包括：

s302：获取不同工况下的分类车辆数据。

具体地，工况包括多种，具体包括实际用车过程中所有可能对红外接收强度产生影响的情况，比如晴天状态下行驶、进出隧道、林荫道下行驶、夜间对向行驶车辆开灯、小雨行驶、中雨行驶、大雨行驶等等。车辆终端可以预先在每种工况下以采集每种工况下的红外线强度信号，即分类车辆数据。需要说明的话为了后续分类算法的准确性，此处需要尽可能地保证工况的准确性，例如若分类算法此阿勇fisher算法，该fisher算法的基础是不同工况下获取的信号特征，所以工况是否全面直接影响fisher分析的准确性。

s304：获取预设小波包分解层数，并根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数。

s306：根据各分类小波系数建立分类向量。

具体地，预设小波包分解层数是根据经验所设计的，其仅是一个初始层数，不做具体限定，在得到预设小波包分解层数后，可以在桌面系统上根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，可选地，对于不同的工况可以采用分线程处理，或者是串行处理，即对一种工况的分类车辆数据处理完，则处理下一种工况的。此外，需要说明的是，针对每一种工况，可以采集多个分类车辆数据，以避免数据量较少产生误差。然后获取到各个分类车辆数据对应的分类小波系数，建立对应的分类向量，所有采集的数据在小波包分解后都会获取小波系数，小波系数的数量取决于小波包层数。这些小波系数以向量的形式存储就构成分类向量空间；分类向量空间的大小取决于所采集的数据量。理论上，数据采集量越大，分类向量空间也会越大，后续分类算法，即fisher分析的准确性也会越高。

s308：对分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算分类算法对应的分类精度。

具体地，对分类向量进行处理可以是采用fisher算法，通过fisher算法，获取分类向量的权重，完成小波系数为特征的分类向量空间的降维，实现了对上述分类车辆数据的分类。

分类精度是指分类算法区分各个工况的准确性，可以通过将测试数据输入至分类算法中得到分类结果，并对分类结果进行统计得到分类精度，例如获取到分类结果，将分类结果与测试数据的准确结果进行比较，获取到分类结果与准确结果一致的测试数据的数量，将所获取到的数量与测试数据的总数量的比值作为分类算法对应的分类精度。

s310：当分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解分类算法得到待处理嵌入式系统对应的执行状态。

s312：当执行状态满足执行条件时，则提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

具体地，精度条件是预先设置的，例如分类正确率达到99％以上。执行状态是指待处理嵌入式系统执行分类算法时的状态，由于分类算法是与小波包分解相关的，因此执行分类算法即需要先执行小波包分解，而小波包分解的计算量依赖于小波包分解的层数，即小波包分解的层数越大，则计算量越大，对嵌入式系统的依赖越大。执行条件是指该待处理嵌入式系统能够正常运行的条件，即待处理嵌入式系统的资源占用率小于等于阈值，例如90％等。

当在桌面系统上所训练的分类算法的分类精度满足精度条件，例如分类正确率达到99％以上时，则可以将分类算法以及小波包分解算法烧录至待处理嵌入式系统中，以使得该待处理嵌入式系统执行该分类算法和小波包分解算法，从而确定待处理嵌入式系统的执行状态，例如待处理嵌入式系统的计算量以及资源占用率等。

当待处理嵌入式系统的执行状态满足执行条件时，则说明该分类算法和小波包分解算法可以在该待处理嵌入式系统中执行，因此将提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储，这样后续可以直接将小波包分解层以及向量权重烧录至嵌入式系统中，以便于嵌入式系统处理实时车辆数据。

上述实施例中，给出了小波包分解层以及向量权重的生成方法，其先在桌面系统进行训练得到精度符合要求的分类算法以及对应的小波包分解层，这样将符合要求的分类算法和小波包分解算法烧录至待处理嵌入式系统中执行，以判断待处理嵌入式系统是否可以运行该分类算法和小波包分解算法，若是，则训练完成，否则继续在桌面系统进行训练，使得嵌入式系统即利用了小波包分解对实时车辆数据判断的准确性，保证了嵌入式系统的正常运行。

具体地，请继续参见图3所示，上述小波包分解层数以及向量权重的生成方式还包括一循环步骤，该循环步骤具体可以包括：

s314：当执行状态不满足执行条件时，则调小预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至执行状态满足执行条件时，得到分类算法。

s316：提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

其中当将在桌面系统训练得到的分类算法和小波包分解算法烧录至待处理嵌入式系统中执行时，待处理嵌入式系统的执行状态不满足要求时，则需要继续在桌面系统进行训练，例如调整预设小波包分解层数，例如调小，这样小波包分解层数小了，则对应的计算量则会降低，从而待处理嵌入式系统的资源占用情况降低，进而可以使得执行状态满足执行条件。

即在调小了小波包分解层数后，则根据新的预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，并构建分类向量，训练分类算法，使得分类算法的精度满足要求得到向量权重，且将构建的分类算法和小波包分解算法再次烧录至待处理嵌入式系统中判断待处理嵌入式系统的执行状态，直至执行状态满足执行条件时，得到分类算法。则提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。这样后续可以直接将小波包分解层以及向量权重烧录至待处理嵌入式系统中，以便于嵌入式系统处理实时车辆数据。

上述实施例中，在执行状态不满足执行条件时，即资源占用情况较大时，则可以调小小波包分解层数，这样减少计算量，从而使得待处理嵌入式系统的资源占用情况降低，使得待处理嵌入式系统可以使用小波包分解算法来处理实时车辆数据。

在其中一个实施例中，请继续参见图3所示，上述小波包分解层数以及向量权重的生成方式还包括另一循环步骤，该另一循环步骤具体可以包括：

s318：当分类精度不满足精度条件时，则调大预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至分类精度满足精度条件时，得到分类算法，并继续在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态。

具体地，该实施例中是在桌面系统处理的时候，分类精度不满足精度条件，则此时需要调大预设小波包分解层数，使得根据小波包分解系数得到的向量特征更为准确，从而提高后续分类算法的分类准确性。当分类算法的分类精度满足精度条件时，则继续在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态，即上一个实施例中的内容。

上述实施例中，在桌面系统中进行训练时，若分类精度不满足精度条件，则调大预设小波包分解层数，从而使得根据小波包分解系数得到的向量特征更为准确，从而提高后续分类算法的分类准确性。

在其中一个实施例中，在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态，包括：在对应的待处理嵌入式系统中执行小波包分解以及分类算法；计算待处理嵌入式系统在执行小波包分解以及分类算法时的资源占用率，作为待处理嵌入式系统对应的执行状态。在本实施例中以资源占用率来衡量待处理嵌入式系统的执行状态，该资源占用率可以是指当前待处理嵌入式系统中的cpu的占用情况，即进行小波包分解以及分类算法所需要的待处理嵌入式系统的cpu的算力，从而判断在待处理嵌入式系统执行小波包分解以及分类算法是否会影响待处理嵌入式系统的正常运行。

在其中一个实施例中，在对应的待处理嵌入式系统中执行小波包分解以及分类算法，包括：获取预设算法执行频率；根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法。从而上述方法还包括：将预设算法执行频率作为待处理嵌入式系统对应的执行状态；当资源占用率小于等于预设值时，则执行状态满足执行条件；当资源占用率大于预设值时，则调整预设算法执行频率，并继续根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法，直至执行状态满足执行条件，或者直至调整后的预设算法执行频率不满足基于用户体验的预设执行频率时，输出执行状态不满足执行条件。

具体地，预设算法的执行频率是用户预先设置的，其需要满足基于用户体验的预设执行频率，例如在环境发生变化，即下雨时，则嵌入式系统可以迅速做出判断，不存在延迟。该预设执行频率是指嵌入式系统对小波包分解算法以及分类算法的执行频率，例如5ms一次等。

当嵌入式系统的资源占用率小于等于预设值时，则执行状态满足执行条件，因此可以得到小波包分解层数以及对应的向量权重。当嵌入式系统的资源占用率大于预设值时，则调整预设算法执行频率，例如调大执行间隔，即调小执行频率，并继续根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法，直至执行状态满足执行条件，即资源占用情况满足条件且预设算法执行频率也满足基于用户体验的预设执行频率。或者直至调整后的预设算法执行频率不满足基于用户体验的预设执行频率时，输出执行状态不满足执行条件，此时若是嵌入式系统的执行状态一直不满足要求，则可以输出提示更换硬件，避免多次训练。

上述实施例中，还引入了执行频率，通过执行频率和资源占用率综合衡量嵌入式系统的执行状态，更加准确。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种车辆数据处理装置，包括：接收模块100、第一数据获取模块200、第一小波包分解模块300、第一向量建立模块400、工况衡量指标计算模块500和工况确定模块600，其中：

接收模块100，用于接收传感器所采集的实时车辆数据；

第一数据获取模块200，用于获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重；

第一小波包分解模块300，用于根据当前小波包分解层数对实时车辆数据进行小波包分解得到实时小波系数；

第一向量建立模块400，用于根据实时小波系数建立实时向量；

工况衡量指标计算模块500，用于通过实时向量以及向量权重计算得到工况衡量指标；

工况确定模块600，用于根据工况衡量指标确定实时车辆数据对应的工况。

在其中一个实施例中，上述的车辆数据处理装置还可以包括：

车辆数据获取模块，用于获取不同工况下的分类车辆数据；

第二小波包分解模块，用于获取预设小波包分解层数，并根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数；

第二向量建立模块，用于根据各分类小波系数建立分类向量；

分类算法生成模块，用于对分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算分类算法对应的分类精度；

执行状态获取模块，用于当分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态；

存储模块，用于当执行状态满足执行条件时，则提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在其中一个实施例中，上述的车辆数据处理装置还可以包括：

第一循环模块，用于当执行状态不满足执行条件时，则调小预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至执行状态满足执行条件时，得到分类算法；

上述存储模块还用于提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在其中一个实施例中，上述的执行状态获取模块可以包括：

执行单元，用于在对应的待处理嵌入式系统中执行小波包分解以及分类算法；

收集单元，用于计算待处理嵌入式系统在执行小波包分解以及分类算法时的资源占用率，作为待处理嵌入式系统对应的执行状态。

在其中一个实施例中，上述的执行单元包括：

执行频率获取子单元，用于获取预设算法执行频率；

执行子单元，用于根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法；

上述的车辆数据处理装置还可以包括：

执行状态获取模块，用于将预设算法执行频率作为待处理嵌入式系统对应的执行状态；

判定模块，用于当资源占用率小于等于预设值时，则执行状态满足执行条件；当资源占用率大于预设值时，则调整预设算法执行频率，并继续根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法，直至执行状态满足执行条件，或者直至调整后的预设算法执行频率不满足基于用户体验的预设执行频率时，输出执行状态不满足执行条件。

在其中一个实施例中，上述的车辆数据处理装置还可以包括：

第二循环模块，用于当分类精度不满足精度条件时，则调大预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至分类精度满足精度条件时，得到分类算法，并继续在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态。

关于车辆数据处理装置的具体限定可以参见上文中对于车辆数据处理方法的限定，在此不再赘述。上述车辆数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的嵌入式系统中，也可以以软件形式存储于计算机设备中的存储器中，以便于嵌入式系统调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是车辆终端，该车辆终端中包括嵌入式系统，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的嵌入式系统、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的嵌入式系统用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被嵌入式系统执行时以实现一种车辆数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和嵌入式系统，存储器中存储有计算机程序，该嵌入式系统执行计算机程序时实现以下步骤：接收传感器所采集的实时车辆数据；获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重；根据当前小波包分解层数对实时车辆数据进行小波包分解得到实时小波系数；根据实时小波系数建立实时向量；通过实时向量以及向量权重计算得到工况衡量指标；根据工况衡量指标确定实时车辆数据对应的工况。

在一个实施例中，嵌入式系统执行计算机程序时还实现以下步骤：获取不同工况下的分类车辆数据；获取预设小波包分解层数，并根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数；根据各分类小波系数建立分类向量；对分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算分类算法对应的分类精度；当分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态；当执行状态满足执行条件时，则提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在一个实施例中，嵌入式系统执行计算机程序时还实现以下步骤：当执行状态不满足执行条件时，则调小预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至执行状态满足执行条件时，得到分类算法；提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在一个实施例中，嵌入式系统执行计算机程序时所实现的述在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态，包括：在对应的待处理嵌入式系统中执行小波包分解以及分类算法；计算待处理嵌入式系统在执行小波包分解以及分类算法时的资源占用率，作为待处理嵌入式系统对应的执行状态。

在一个实施例中，嵌入式系统执行计算机程序时所实现的在对应的待处理嵌入式系统中执行小波包分解以及分类算法，包括：获取预设算法执行频率；根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法；嵌入式系统执行计算机程序时还实现以下步骤：将预设算法执行频率作为待处理嵌入式系统对应的执行状态；当资源占用率小于等于预设值时，则执行状态满足执行条件；当资源占用率大于预设值时，则调整预设算法执行频率，并继续根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法，直至执行状态满足执行条件，或者直至调整后的预设算法执行频率不满足基于用户体验的预设执行频率时，输出执行状态不满足执行条件。

在一个实施例中，嵌入式系统执行计算机程序时所实现的计算分类算法对应的分类精度之后，还包括：当分类精度不满足精度条件时，则调大预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至分类精度满足精度条件时，得到分类算法，并继续在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被嵌入式系统执行时实现以下步骤：接收传感器所采集的实时车辆数据；获取当前嵌入式系统对应的当前小波包分解层数以及预先确定的向量权重；根据当前小波包分解层数对实时车辆数据进行小波包分解得到实时小波系数；根据实时小波系数建立实时向量；通过实时向量以及向量权重计算得到工况衡量指标；根据工况衡量指标确定实时车辆数据对应的工况。

在一个实施例中，计算机程序被嵌入式系统执行时还实现以下步骤：获取不同工况下的分类车辆数据；获取预设小波包分解层数，并根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数；根据各分类小波系数建立分类向量；对分类向量进行处理得到用于区分不同工况下的分类车辆数据的分类算法，计算分类算法对应的分类精度；当分类精度满足精度条件时，则在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态；当执行状态满足执行条件时，则提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在一个实施例中，计算机程序被嵌入式系统执行时还实现以下步骤：当执行状态不满足执行条件时，则调小预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至执行状态满足执行条件时，得到分类算法；提取分类算法中各分类向量的向量权重以及小波包分解对应的小波包分解层数，将所提取的向量权重、小波包分解层与待处理嵌入式系统进行关联存储。

在一个实施例中，计算机程序被嵌入式系统执行时所实现的述在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态，包括：在对应的待处理嵌入式系统中执行小波包分解以及分类算法；计算待处理嵌入式系统在执行小波包分解以及分类算法时的资源占用率，作为待处理嵌入式系统对应的执行状态。

在一个实施例中，计算机程序被嵌入式系统执行时所实现的在对应的待处理嵌入式系统中执行小波包分解以及分类算法，包括：获取预设算法执行频率；根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法；计算机程序被嵌入式系统执行时还实现以下步骤：将预设算法执行频率作为待处理嵌入式系统对应的执行状态；当资源占用率小于等于预设值时，则执行状态满足执行条件；当资源占用率大于预设值时，则调整预设算法执行频率，并继续根据预设算法执行频率在对应的待处理嵌入式系统中执行小波包分解以及分类算法，直至执行状态满足执行条件，或者直至调整后的预设算法执行频率不满足基于用户体验的预设执行频率时，输出执行状态不满足执行条件。

在一个实施例中，计算机程序被嵌入式系统执行时所实现的计算分类算法对应的分类精度之后，还包括：当分类精度不满足精度条件时，则调大预设小波包分解层数，并继续根据预设小波包分解层数对分类车辆数据进行小波包分解得到各分类车辆数据对应的分类小波系数，直至分类精度满足精度条件时，得到分类算法，并继续在对应的待处理嵌入式系统中执行小波包分解以及分类算法得到待处理嵌入式系统对应的执行状态。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。