CN108583429A - 一种基于车联网的车内生命监测报警装置及报警方法 - Google Patents

Abstract

本发明公开了一种基于车联网的车内生命监测报警装置，包括：第一传感器支架，其固定安装在车辆后挡风玻璃中部，用于固定红外监测传感器；第二传感器支架，其固定安装在车顶棚中部，用于固定气体监测传感器；电源，其输入端连接外部直流电源，输出端为所述红外监测传感器和所述气体监测传感器提供直流稳压；微控制器，其电联所述电源、所述红外监测传感器和所述气体监测传感器；无线通讯装置，其电联所述微控制器，用于将监测数据输出；终端，其能够输入所述监测数据。

Description

一种基于车联网的车内生命监测报警装置及报警方法

技术领域

本发明涉及汽车联网控制领域，具体涉及一种基于车联网的车内生命监测报警装置及报警方法。

背景技术

目前，部分私家车、校车司机在熄火锁车时，忘记车内有婴幼儿或儿童，发生儿童闷热、窒息导致严重后果的新闻时有发生，目前普遍的车辆设计针对此问题有一定的安全隐患，为了有效避免这种情况，需要将针对可能有婴幼儿或儿童被遗忘在车内的情况，提出一种全新的报警系统。

发明内容

本发明设计开发了一种基于车联网的车内生命监测报警装置，本发明的发明目的是通过对车内测试传感器的合理布局和有效安装解决对后排座椅区域进行监测的问题。

本发明设计开发了一种基于车联网的车内生命监测报警方法，本发明的发明目的之一是能够对车内生命体进行有效报警。

本发明设计开发了一种基于车联网的车内生命监测报警方法，本发明的发明目的之二是通过对传感器支架的旋转速度的有效调节和基于BP神经网络进行监测进而解决准确监测车内生命体的问题。

本发明提供的技术方案为：

一种基于车联网的车内生命监测报警装置，包括：

第一传感器支架，其固定安装在车辆后挡风玻璃中部，用于固定红外监测传感器；

第二传感器支架，其固定安装在车顶棚中部，用于固定气体监测传感器；

电源，其电联所述红外监测传感器和所述气体监测传感器提供；

微控制器，其电联所述电源、所述红外监测传感器和所述气体监测传感器；

无线通讯装置，其电联所述微控制器，用于将监测数据输出；

终端，其能够输入所述监测数据进行报警提醒。

优选的是，所述第一传感器支架和所述第二传感器支架为相同结构，其包括：

固定架，其上设置多个安装孔，用于将所述支架固定在车内；

支撑梁，其一端与所述固定架固定连接；

支撑座，其与所述支撑梁的另一端固定连接，所述支撑座具有中空通孔；

转轴，其设置在所述中空通孔内，并且所述转轴与所述微控制器电联；

支撑盘，其套接在所述转轴上，并且与所述转轴固定连接，所述支撑盘能够随所述转轴转动；

安装架，其固定在所述支撑盘上。

优选的是，所述固定架包括：

竖直固定板，其上垂直安装所述支撑梁；以及

水平固定板；其与所述竖直固定板垂直焊接固定；

其中，在所述水平固定板上设置多个安装孔，用于将所述固定架螺接固定在车内；以及

所述安装架包括：

下连接架，其螺接固定在所述支撑盘上；以及

上连接架，其两侧通过第一固定螺钉与所述下连接架螺接；

其中，所述上连接架上设置第二卡槽，其用于固定所述传感器；所述上连接架两侧还包括第三卡槽；所述下连接架两侧还包括第二固定螺钉；所述第二固定螺钉穿过所述第三卡槽与所述下连接架螺接，所述上连接架可沿所述第三卡槽方向转动。

一种基于车联网的车内生命监测报警方法，使用所述的报警装置，包括如下步骤：

步骤一、调节固定架的沿第三卡槽方向的旋转角度，通过微控制器控制转轴的旋转速度和旋转角度；

步骤二、通过红外监测传感器采集监测区域内的温度、通过气体监测传感器采集监测区域内的氧气浓度；

步骤三、微控制器根据监测区域内的温度、温度变化和氧气浓度、氧气浓度变化进而判断车内是否有生命；

步骤四、当微控制器判断车内有生命时，通过无线通讯装置将数据传输至终端进行报警提醒。

优选的是，在所述步骤一中，所述传感器支架的旋转速度n_i为

式中，n₁为第一传感器支架的旋转速度，n₂为第二传感器支架的旋转速度，χ为校正系数，n_max为转轴最大转速，n_min为转轴最小转速，X为监测区域的长度，Y为监测区域的宽度，T为监测区域内的温度，T₀为环境温度，P为经验系数，取值为5.9～10.5，l为所述传感器的最远监测点到所述传感器与所述上连接架连接点的距离，θ₁为所述第一传感器支架的上连接架与竖直方向的夹角，θ₂为所述第二传感器支架的上连接架与竖直方向的夹角，C为氧气体积浓度百分比，RH为车内湿度百分比，t为监测时间，e为自然对数的底数，π为圆周率。

优选的是，所述第一传感器的上连接架与竖直方向的夹角θ₁为以及

所述第二传感器的上连接架与竖直方向的夹角θ₂为

式中，D₁为所述第一传感器支架到前排座椅靠背的水平距离，D₂为所述第二传感器支架到后排座椅靠背的水平距离，h₁为所述第一传感器支架的安装高度，h₂为所述第二传感器支架的安装高度。

优选的是，所述传感器支架改变方向的旋转频率f为式中，ω_max所述转轴的最大旋转角度。

优选的是，在所述步骤三中，采用BP神经网络对车内是否有生命进行判断，包括如下步骤：

步骤1、按照采样周期，通过传感器测量监测区域内的温度T、氧气浓度C，微控制器确定监测区域内的温度变化ΔT，氧气浓度变化ΔC；

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为温度系数、x₂为温度变化系数、x₃为氧气浓度系数、x₄为氧气浓度变化系数；

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,…,y_m}；m为中间层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；o₁为车内生命状态系数、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，车内处于有生命状态，当o₁为0时，车内处于无生命状态；当o₂为1时，报警装置工作正常，当o₂为0时，报警装置工作异常，停止工作。

优选的是，在所述步骤2中，监测区域内的温度T、氧气浓度C，微控制器确定监测区域内的温度变化ΔT，氧气浓度变化ΔC进行规格化的公式为：

其中，其中，x_j为输入层向量中的参数，X_j分别为测量参数T、C、ΔT、ΔC，j＝1,2,3,4；X_jmax和X_jmin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满足：其中n为输入层节点个数，p为输出层节点个数；以及

所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明与现有技术相比较所具有的有益效果：

1、红外监测传感器通过将第一传感器支架固定安装在后挡风玻璃中部上方，气体监测传感器通过将第二传感器支架固定安装在车顶棚中部，进而能够对后排座椅的区域进行监测；

2、传感器支架可以调节竖直角度以及能够进行水平旋转，进而驱动红外监测传感器和气体监测传感器的有效测试，增加测试区域；

3、通过水平旋转速度的有效调节能够更好的对后排座椅区域的进行监测，并且通过BP神经网络进行车内是否有生命体的判断，增加判断的准确性，并且通过无线数据装置进行数据输出，如果车内具有生命体，能够进行有效报警。

附图说明

图1为本发明所述的固定架安装位置示意图。

图2为本发明所述的立体结构示意图。

图3为本发明所述的主视图。

图4为本发明所述的俯视图。

图5为本发明所述的支撑盘结构示意图。

具体实施方式

下面结合附图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。

如图1所示，本发明提供了一种基于车联网的车内生命监测报警装置，其主体结构包括：第一传感器支架、第二传感器支架、电源、微控制器、无线通讯装置和终端；其中，第一传感器支架固定安装在车辆后挡风玻璃中部上方220，用于固定人体红外监测传感器，第二传感器支架固定安装在车顶棚中部210，用于固定气体监测传感器，电源电联所述红外监测传感器和所述气体监测传感器，微控制器电联电源、所述人体红外监测传感器和气体监测传感器，无线通讯装置电联微控制器，用于将监测数据输出，终端能够输入所述监测数据进行报警提醒。

如图2～4所示，第一传感器支架和第二传感器支架为相同结构，主体包括：固定架、支撑梁130、支撑座140、转轴141、支撑盘150和支撑架；其中，固定架上设置多个安装孔111，用于将支架固定在车内，支撑梁130一端与固定架固定连接，支撑座140与支撑梁130的另一端固定连接，支撑座140具有中空通孔，转轴141设置在中空通孔内，并且转轴141与微控制器电联，支撑盘150同样具有中空通孔，支撑盘150套接在转轴141上，并且与转轴141固定连接，支撑盘150能够随转轴141转动，安装架固定在支撑盘150上。

在另一种实施例中，固定架包括竖直固定板120和水平固定板110；其中，竖直固定板120上垂直安装支撑梁130，水平固定板110与竖直固定板120垂直焊接固定；其中，在水平固定板110上设置多个安装孔111，用于将固定架螺接固定在车内。

如图4所示，在另一种实施例中，在支撑座140上设置凸起，在支撑盘150上沿圆周均布第一卡槽151，支撑盘150具有中空通孔152，支撑盘150通过中孔通孔152固定套设在转轴141上，并且能够随着转轴141一起转动；其中，凸起与第一卡槽151匹配固定，能够用于限制支撑盘150在支撑座140上的旋转角度，防止其过度旋转导致传感器撞到车内壁上，导致传感器的损坏。

在另一种实施例中，安装架包括下连接架160和上连接架170；其中，下连接架160螺接固定在支撑盘150上，上连接架170两侧通过第一固定螺钉174与下连接架160螺接。

在另一种实施例中，上连接架170上设置第二卡槽171和圆形通孔172，能够用于方便固定人体红外监测传感器或者气体监测传感器。

在另一种实施例中，上连接架170两侧还包括第三卡槽173，下连接架160两侧还包括第二固定螺钉175；其中，第二固定螺钉175穿过第三卡槽173与下连接架160螺接，上连接架170可沿第三卡槽173方向转动。

在另一种实施例中，安装孔设置为4个。

在另一种实施例中，电源包括5V稳压芯片，其输入端连接外部直流电源，输出端提供5V电压。

在另一种实施例中，电源包括3.3V稳压芯片，其输入端连接外部直流电源，输出端提供3.3V电压。

本发明提供了一种基于车联网的车内生命监测报警方法，包括如下步骤：

步骤一、调节固定架的沿第三卡槽方向的旋转角度，通过微控制器控制转轴的旋转速度和旋转角度；

步骤二、通过红外监测传感器采集监测区域内的温度、通过气体监测传感器采集监测区域内的氧气浓度；

步骤三、微控制器根据监测区域内的温度、温度变化和氧气浓度、氧气浓度变化进而判断车内是否有生命；

步骤四、当微控制器判断车内有生命时，通过无线通讯装置将数据传输至终端进行报警提醒。

在所述步骤一中，所述传感器支架的旋转速度n_i为

式中，n₁为第一传感器支架的旋转速度，单位为r/s，n₂为第二传感器支架的旋转速度，单位为r/s，χ为校正系数，单位为m⁴，n_max为转轴最大转速，单位为r/s，n_min为转轴最小转速，单位为r/s，X为监测区域的长度，单位为m，Y为监测区域的宽度，单位为m，T为监测区域内的温度，单位为℃，T₀为环境温度，单位为℃，P为经验系数，取值为5.9～10.5，l为所述传感器的最远监测点到所述传感器与所述上连接架连接点的距离，单位为m，θ₁为所述第一传感器支架的上连接架与竖直方向的夹角，θ₂为所述第二传感器支架的上连接架与竖直方向的夹角，C为氧气体积浓度百分比，单位为v％，RH为车内湿度百分比，单位为％，t为监测时间，单位为s，e为自然对数的底数，π为圆周率；在本实施例中，P为经验系数，取值为8.7。

在另一种实施例中，第一传感器的上连接架与竖直方向的夹角θ₁为第二传感器的上连接架与竖直方向的夹角θ₂为

式中，D₁为所述第一传感器支架到前排座椅靠背的水平距离，单位为m，D₂为所述第二传感器支架到后排座椅靠背的水平距离，单位为m，h₁为所述第一传感器支架的安装高度，单位为m，h₂为所述第二传感器支架的安装高度，单位为m。

在另一种实施例中，传感器支架改变方向的旋转频率f为式中，ω_max所述转轴的最大旋转角度。

在所述步骤三中，采用BP神经网络对车内是否有生命进行判断，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,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^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为温度系数、x₂为温度变化系数、x₃为氧气浓度系数、x₄为氧气浓度变化系数。

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，对于使用红外监测传感器测量的监测区域内的温度T，进行规格化后，得到温度系数x₁：

其中，T_min和T_max分别为监测区域内的最小温度和最大温度。

同样的，对于使用红外监测传感器测量的监测区域内的温度变化ΔT，进行规格化后，得到温度变化系数x₂：

其中，ΔT_min和ΔT_max分别为监测区域内的最小温度变化和最大温度变化。

同样的，对于使用气体监测传感器测量的监测区域内的氧气浓度C，进行规格化后，得到氧气浓度系数x₃：

其中，C_min和C_max分别为监测区域内的最小氧气浓度和最大氧气浓度。

同样的，对于使用气体监测传感器测量的监测区域内的氧气浓度变化ΔC，进行规格化后，得到氧气浓度系数x₄：

其中，ΔC_min和ΔC_max分别为监测区域内的最小氧气浓度变化和最大氧气浓度变化。

输出信号的2个参数分别表示为：输出层向量o＝{o₁,o₂}；o₁为车内生命状态系数、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，车内处于有生命状态，当o₁为0时，车内处于无生命状态；当o₂为1时，报警装置工作正常，当o₂为0时，报警装置工作异常，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w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk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(Backward Propagation)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n_l-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e_j(n)＝x_j(n)-o_j(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车内状态系数及紧急停止报警装置。

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。

同时使用红外监测传感器和气体监测传感器，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、监测报警装置的车内生命报警情况以进行报警装置紧急停机。

根据输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，车内处于有生命状态，当o₁为0时，车内处于无生命状态；当o₂为1时，报警装置工作正常，当o₂为0时，报警装置工作异常，停止工作。

通过上述设置，通过红外监测传感器和气体监测传感器实时监测报警装置的运行状态，通过采用BP神经网络算法，对报警装置的报警情况进行实时监控。

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和这里示出与描述的图例。

Claims (10)

1.一种基于车联网的车内生命监测报警装置，其特征在于，包括：

第一传感器支架，其固定安装在车辆后挡风玻璃中部，用于固定红外监测传感器；

第二传感器支架，其固定安装在车顶棚中部，用于固定气体监测传感器；

电源，其电联所述红外监测传感器和所述气体监测传感器提供；

微控制器，其电联所述电源、所述红外监测传感器和所述气体监测传感器；

无线通讯装置，其电联所述微控制器，用于将监测数据输出；

终端，其能够输入所述监测数据进行报警提醒。

2.如权利要求1所述的基于车联网的车内生命监测报警装置，其特征在于，所述第一传感器支架和所述第二传感器支架为相同结构，其包括：

固定架，其上设置多个安装孔，用于将所述支架固定在车内；

支撑梁，其一端与所述固定架固定连接；

支撑座，其与所述支撑梁的另一端固定连接，所述支撑座具有中空通孔；

转轴，其设置在所述中空通孔内，并且所述转轴与所述微控制器电联；

支撑盘，其套接在所述转轴上，并且与所述转轴固定连接，所述支撑盘能够随所述转轴转动；

安装架，其固定在所述支撑盘上。

3.如权利要求2所述的基于车联网的车内生命监测报警装置，其特征在于，所述固定架包括：

竖直固定板，其上垂直安装所述支撑梁；以及

水平固定板；其与所述竖直固定板垂直焊接固定；

其中，在所述水平固定板上设置多个安装孔，用于将所述固定架螺接固定在车内；以及

所述安装架包括：

下连接架，其螺接固定在所述支撑盘上；以及

上连接架，其两侧通过第一固定螺钉与所述下连接架螺接；

其中，所述上连接架上设置第二卡槽，其用于固定所述传感器；所述上连接架两侧还包括第三卡槽；所述下连接架两侧还包括第二固定螺钉；所述第二固定螺钉穿过所述第三卡槽与所述下连接架螺接，所述上连接架可沿所述第三卡槽方向转动。

4.一种基于车联网的车内生命监测报警方法，其特征在于，使用权利要求3所述的报警装置，包括如下步骤：

步骤一、调节固定架的沿第三卡槽方向的旋转角度，通过微控制器控制转轴的旋转速度和旋转角度；

步骤二、通过红外监测传感器采集监测区域内的温度、通过气体监测传感器采集监测区域内的氧气浓度；

步骤三、微控制器根据监测区域内的温度、温度变化和氧气浓度、氧气浓度变化进而判断车内是否有生命；

步骤四、当微控制器判断车内有生命时，通过无线通讯装置将数据传输至终端进行报警提醒。

5.如权利要求4所述的基于车联网的车内生命监测报警方法，其特征在于，在所述步骤一中，所述传感器支架的旋转速度n_i为

式中，n₁为第一传感器支架的旋转速度，n₂为第二传感器支架的旋转速度，χ为校正系数，n_max为转轴最大转速，n_min为转轴最小转速，X为监测区域的长度，Y为监测区域的宽度，T为监测区域内的温度，T₀为环境温度，P为经验系数，取值为5.9～10.5，l为所述传感器的最远监测点到所述传感器与所述上连接架连接点的距离，θ₁为所述第一传感器支架的上连接架与竖直方向的夹角，θ₂为所述第二传感器支架的上连接架与竖直方向的夹角，C为氧气体积浓度百分比，RH为车内湿度百分比，t为监测时间，e为自然对数的底数，π为圆周率。

6.如权利要求5所述的基于车联网的车内生命监测报警方法，其特征在于，所述第一传感器的上连接架与竖直方向的夹角θ₁为以及

所述第二传感器的上连接架与竖直方向的夹角θ₂为

式中，D₁为所述第一传感器支架到前排座椅靠背的水平距离，D₁为所述第二传感器支架到后排座椅靠背的水平距离，h₁为所述第一传感器支架的安装高度，h₁为所述第二传感器支架的安装高度。

7.如权利要求6所述的基于车联网的车内生命监测报警方法，其特征在于，所述传感器支架改变方向的旋转频率f为式中，ω_max所述转轴的最大旋转角度。

8.如权利要求5-7中任一项所述的基于车联网的车内生命监测报警方法，其特征在于，在所述步骤三中，采用BP神经网络对车内是否有生命进行判断，包括如下步骤：

步骤1、按照采样周期，通过传感器测量监测区域内的温度T、氧气浓度C，微控制器确定监测区域内的温度变化ΔT，氧气浓度变化ΔC；

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为温度系数、x₂为温度变化系数、x₃为氧气浓度系数、x₄为氧气浓度变化系数；

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,…,y_m}；m为中间层节点个数；

步骤4、得到输出层向量o＝{o₁,o₂}；o₁为车内生命状态系数、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，车内处于有生命状态，当o₁为0时，车内处于无生命状态；当o₂为1时，报警装置工作正常，当o₂为0时，报警装置工作异常，停止工作。

9.如权利要求8所述的基于车联网的车内生命监测报警方法，其特征在于，在所述步骤2中，监测区域内的温度T、氧气浓度C，微控制器确定监测区域内的温度变化ΔT，氧气浓度变化ΔC进行规格化的公式为：

其中，其中，x_j为输入层向量中的参数，X_j分别为测量参数T、C、ΔT、ΔC，j＝1,2,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

10.如权利要求9所述的基于车联网的车内生命监测报警方法，其特征在于，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数；以及

所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。