1.基于特征识别与神经网络优化的路况识别方法，其特征在于该方法具体是：步骤1、设计多层感知器神经网络分类器，具体步骤是：

1.1通过采集驾驶模式下的车辆速度数据，得出车辆速度的分布情况；在采样时间内，根据实时车辆运行数据对驾驶模式进行分类；假设给定输入层有nI个特征向量X的节点，隐藏层有H个节点，输出层有一个判别函数的节点，训练节点的数量为N，将输入的特征向量设为：其中， 为输入的训练数据；nI是输入节点个数；

1.2对第i个隐藏节点的输出进行如下处理：

其中，φ(ξi)是激活函数；wij是连接第i个输入节点到第j个隐藏节点的权重；xj取wi0是隐藏层的阀值；nH是隐藏节点的个数；

1.3第k个输出节点由以下式子计算：

其中，wjk是连接第j个隐藏节点到第k个输出节点的权重；hj是第k个隐藏节点输出；wk0是输出层的阀值；C是输出节点个数；z是各个输出节点的集合；

1.4定义分类精度误差，其形式如下：

其中，Ej是第j个分类精度误差；N是训练数据集的数量；ck为标记的训练集；zk是神经网络分类器输出；

1.5训练数据集的整个误差表示为：

1.6在权重更新方程中加入动量项，其形式如下：Δc＝(z-c).*c.*(1-c)

Δh＝Δc*W*h.*(1-h′)

其中，Δc是输出节点动量项；Δh是隐藏节点动量项；W是权重集；那么更新后的权重为如下所示：wij(t)＝wij(t-1)-ηΔhixj+η[wij(t-1)-wij(t-2)]i＝1,…,nI；j＝1,…,nH

wjk(t)＝wjk(t-1)-ηΔcjΔhk+η[wjk(t-1)-wjk(t-2)]j＝1,…,nH；k＝1,…,C

更新的隐含层和输出层的阀值可以类似的获得：

wi0＝wi0-ηΔhi+η(wi0(t-1)-wi0(t-2))i＝1,…,nHwk0＝wk0-ηΔci+η(wk0(t-1)-wk0(t-2))k＝1,…,C其中，η是值在(0,1)之间的学习率；wij(t-1)是t-1时刻连接第i个输入节点到第j个隐藏节点的权重；wij(t-2)是t-2时刻连接第i个输入节点到第j个隐藏节点的权重；wjk(t-1)是t-1时刻连接第j个隐藏节点到第k个输出节点的权重；wjk(t-2)是t-2时刻连接第j个隐藏节点到第k个输出节点的权重；wi0(t-1)、wi0(t-2)分别是t-1、t-2时刻隐藏层的阀值；wk0(t-

1)、wk0(t-2)分别是t-1、t-2时刻输出层的阀值；

1.7使用步骤1.6的权重计算误差值E；

1.8重复1.3到第1.7步，直到E满足误差目标最小，此时经过训练的神经网络分类器的结果是选择第k个输出节点对应的最大值输出：lo＝max(z1,…,zC)

步骤2、利用随机化搜索算法进行优化，具体步骤如下：

2.1初始化种群大小Np，运算符概率pc pm pp,最大隐藏节点数H，输出节点数C和特征数I，使用下式随机生成一个杂交染色体；

其中，Np是总体的大小；Ci是(H+1)×(I+C)维矩阵；nH是在[1，H]之间隐藏层的随机生成数，这里H的上限值设定为2nI+1；

2.2通过对染色体进行解码，得到每个个体的输入层的节点号、隐藏层和权值的初始值；

2.2.1由步骤2.1可得染色体的二进制部分如下所示：其中bi0bi1…biIbiI+1…biI+O是染色体的二进制部分；第一行的二进制编码中，“1”表示选择的特征，而“0”表示未被选择的特征，特征选择固有地等于输入层的结构设计；第二行和第三行的二进制编代表采样窗口和更新窗口，解码如下：其中，Tmax1,Tmin1,Tmax2,Tmin2分别代表最大采样窗口、最小采样窗口、最大更新窗口、最小更新窗口；

2.2.2使用均值方差方法对特征进行归一化：其中xmean，xvar分别是给定训练数据的平均值和方差；

2.2.3为了获得更好的分类性能，给定结构紧密度程度形式如下：Ca＝nI×nH

其中，nI可从染色体的二进制部分中的“1”的个数来获得；

2.2.4选择轮廓值作为一个点相对于其它聚类中的点与其它聚类中的点相似程度的检测，第i个点的轮廓值计算如下：其中，ai是从第i个点到同一个聚类中其他点的平均欧几里德距离，bi是从第i个点到另一个聚类中的点的最小平均欧几里德距离；S是所有si的平均数，

2.2.5定义分类器的均方根误差：

其中，lpi是多层感知器神经网络的分类结果；li是真实的驾驶模式；N是总样本；

2.2.6用目标加权总和得出总的目标函数如下：J＝w1(Ermse1+Ermse2)+w2(nI+nH)+w3(S1+S2)

2.3通过竞争选择算子和精英个体留在父代中的方法选择父代；

根据目标函数的值计算选择算子的轮盘概率分布：其中，fi＝1/Ji，γ是生成(0,1)之间的随机数；找到多个满足γ

2.4在Np-1个轮盘选择后，产生父代，然后进行交叉、变异，产生后代；交叉算子以个体Ci和个体Ci+1之间的概率pc执行，它们的后代C'i,C'i+1可以被导出；对于输入层和隐藏层，交叉位置l在1和H之间随机产生，而对于隐藏层和输出层，交叉位置k在[H+1,H+C]中产生；那么其后代产生如下所示：补充染色体的二进制部分编码元素，修改权重的十进制值wij：wij＝wij(1+δ)

其中，δ是在[-0.5,0.5]中随机产生；0

2.5通过结构修正算子来改变隐藏层中的神经元数量；运算符概率以pp执行，并添加一个随机数到nH中：nH＝nH+ΔH

其中ΔH表示随机数，ΔH＝<δH>，<·>表示取四舍五入值；δ是(-1,1)中的随机数；新增节点中的权重在(0,1)之间随机生成；

2.6重复步骤2.2到步骤2.5，直到达到最大演化代数或连续50代中目标函数的值保持不变。