本发明涉及酒驾控制，具体是指基于人工智能的酒驾监管控制系统。
背景技术：
1、酒驾监管控制系统是一种用于监测和控制酒后驾驶行为的技术系统。它通常包括设备和软件，用于检测驾驶员的酒精含量及其他行为数据，并且可以与车辆的启动系统或其他安全系统集成，以确保在驾驶员酒精含量超过法定限制时禁止车辆启动或发出警报。但是一般酒驾监管控制系统存在模型训练时因原始数据集噪声含量过多，降噪效果差，特征提取能力弱，数据完整性低的问题；一般酒驾监管控制系统存在模型精确度低及鲁棒性弱，对数据的适应性差，无法精准预测判定结果的问题；一般酒驾监管控制系统存在系统参数设置不当导致系统性能差，参数优化早期搜索能力差及收敛速度慢的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的酒驾监管控制系统，针对一般酒驾监管控制系统存在模型训练时因原始数据集噪声含量过多，降噪效果差，特征提取能力弱，数据完整性低的问题，本方案通过小波变换通过分解原始时间序列，基于软阈值处理进一步削弱噪声对数据的影响；通过多次分解和重构使得从不同尺度上提取数据的特征；获取残差序列的步骤确保了分解后的各子序列能重构为原始数据的主要部分，避免了信息丢失；阈值基于数据的统计特性计算，适应不同数据集的特性；进而提高系统性能及计算效率；针对一般酒驾监管控制系统存在模型精确度低及鲁棒性弱，对数据的适应性差，无法精准预测判定结果的问题，本方案将卡尔曼滤波器引入深度置信网络进行酒驾检测；能够动态调整和更新状态向量及协方差矩阵，有效跟踪和预测系统状态；通过过程噪声和测量噪声协方差矩阵的引入，能够在存在噪声和不确定性的环境中保持稳定和鲁棒的性能；参数计算单元通过计算最小sigma集及其权重，使得模型能够自适应不同的数据特性和环境变化；提高了模型的综合检测能力；针对一般酒驾监管控制系统存在系统参数设置不当导致系统性能差，参数优化早期搜索能力差及收敛速度慢的问题，本方案在早期阶段引入指数函数，在后期阶段引入柯西分布随机数，对优化个体分别设计移动搜索策略，实现全局搜索，加快收敛速度，使得优化过程高效且精准。
2、本发明采取的技术方案如下：本发明提供的基于人工智能的酒驾监管控制系统，包括数据采集模块、数据集构建模块、酒驾检测模型构建模块、酒驾检测模型参数优化模块和酒驾检测控制模块；
3、所述数据采集模块采集历史检测数据和实时检测数据；
4、所述数据集构建模块包括阈值计算单元、软阈值处理单元、获取残差序列单元和划分数据集单元；
5、所述酒驾检测模型构建模块是将卡尔曼滤波器结合深度置信网络用于酒驾检测控制，包括初始化单元、参数计算单元、预测更新单元、预测测量残差单元、状态矩阵更新单元、检测结果输出单元和模型判定单元；
6、所述酒驾检测模型参数优化模块包括初始化单元、移动搜索单元和优化判定单元；
7、所述酒驾检测控制模块是基于构建完成的酒驾检测模型，在车主上车时输入采集的实时检测数据，若酒驾检测模型输出数据属于酒驾行为，则对数据对应车辆进行阻止启动，并上报执法部门；以实现酒驾检测控制。
8、进一步地，在数据采集模块中，所述历史检测数据和实时检测数据都包括化学成分检测数据、生物特征数据、行为数据和环境数据；所述化学成分检测数据包括酒驾浓度数据、毒品成分数据、药物成分数据和其他挥发性化合物成分数据；所述生物特征数据包括体温、心率和血压；所述行为数据包括驾驶员的车辆操控姿势、姿势和眼神活动；所述环境数据包括车辆所属路况、天气和时间；所述历史检测数据还包括数据类型，数据类型为是否属于酒驾行为；将数据类型作为数据标签。
9、进一步地，所述数据集构建模块具体包括以下内容：
10、阈值计算单元具体是将历史检测数据表示为n个数据点的时间序列，将时间序列视为离散信号，通过应用小波变换，对时间序列进行三次分解，得到四个频率组件ca3、cd3、cd2和cd1，其中低通滤波器输出低频成分ca3，高通滤波器输出高频成分cd3、cd2和cd1；并计算阈值t1，阈值t1反映了数据围绕平均振幅的波动程度；所用公式如下：
11、；
12、式中，xi1是序列中第i1个数据点；xj1是序列中第j1个数据点；n是历史数据点的总数；
13、软阈值处理单元具体是将高频分量cd1中的所有系数设为0，对于低频分量ca3、cd3和cd2中的每个系数w，应用软阈值处理：所用公式如下：
14、；
15、式中，w是原始系数；sign(·)是符号函数；是经过软阈值处理后的系数；
16、获取残差序列单元具体是通过对ca3、cd3、cd2和cd1执行逆小波变换来重构子序列；从原始输入序列中减去子序列，得到残差序列；
17、划分数据集单元具体是利用残差序列作为输入，并重复阈值计算单元、软阈值处理单元和获取残差序列单元内容，以获得剩余两个子序列；通过执行小波逆变换，将残差序列重构为原始信号中被剩余子序列所表示的部分，从而得到三个子序列；将从三个子序列中提取的特征组合成一个特征向量，进而得到数据集；将数据集随机划分为训练集和测试集。
18、进一步地，所述酒驾检测模型具体包括以下内容：
19、初始化单元具体是数据初始化，初始化状态向量x0、协方差矩阵pk-1和测量向量yk；
20、参数计算单元具体是计算最小sigma集及其权重，预先确定参数向量k，所用公式如下：
21、；
22、；
23、；
24、式中，wi是第i个sigma点的权重；k1、ki和kn分别是参数向量中第1个、第i个和第n个元素；n是sigma点的数量；是用于生成最小sigma点集的矩阵；pk-1是上一时刻的协方差矩阵；i是单位矩阵；wn-1是第n-1个sigma点的权重；和分别是生成的最小sigma点集中第一个点和第n+1个点的状态向量；是状态向量的均值向量；kt是参数向量的转置；
25、预测更新单元具体是预测状态矩阵并更新协方差矩阵；所用公式如下：
26、；
27、；
28、；
29、；
30、；
31、式中，是在k时刻基于k-1时刻的状态预测值，表示第i个sigma点的预测状态；f是状态转移函数，用于预测状态向量的变化，是state函数；μ是用于调整状态向量变化量的缩放参数；和分别是前一时刻第i个sigma点的状态向量和状态向量的均值；是预测状态矩阵；是预测协方差矩阵；qk-1是过程噪声协方差矩阵；式中，是预测的测量残差的加权平均值；是预测的测量残差；h是测量函数，是dbn的酒驾检测映射函数；是对预测状态向量和预测状态均值之间的差异的转置；
32、预测测量残差单元具体是计算预测测量残差的协方差矩阵及状态和预测测量残差的交叉协方差矩阵；所用公式如下：
33、；
34、；
35、式中，是预测测量残差的协方差矩阵；是状态和预测测量残差的交叉协方差矩阵；rk是测量噪声协方差矩阵；是预测测量残差与预测测量残差的均值之间的差异的转置；
36、状态矩阵更新单元具体是计算卡尔曼增益并更新状态向量和协方差矩阵；所用公式如下：
37、；
38、；
39、；
40、式中，k是卡尔曼增益；xk是更新后的状态向量；pk是更新后的状态协方差矩阵；kt是卡尔曼增益的转置；
41、检测结果输出单元具体是预先设有判定阈值；更新并输出深度置信网络中的最后一个特征值；若特征值高于判定阈值，则输出检测结果为酒驾行为；否则输出非酒驾行为；所用公式如下：
42、；
43、式中，gn(·)是深度置信网络中的最后一个特征值；和h分别是深度置信网络中的可见向量和隐藏向量；e(·)是能量函数；
44、模型判定单元具体是基于训练集训练模型，若模型对训练集收敛，则模型训练完成；设定判定阈值，若训练完成的模型对测试集的预测正确率高于判定阈值，则酒驾检测模型构建完成；否则重新划分数据集调整模型参数重新训练模型。
45、进一步地，所述酒驾检测模型参数优化模块具体包括以下内容：
46、初始化单元具体是基于状态向量、协方差矩阵和测量向量的初始值构建参数优化空间，初始化优化种群个体位置，将基于个体位置训练完成的酒驾检测模型对测试集的预测正确率作为个体适应度值；初始化优化种群个体位置所用公式如下：
47、；
48、式中，和分别是初始化的第u+1个体和第u个体第j维度的位置；
49、移动搜索单元具体是引入指数函数，增强早期搜索能力并加速收敛，所用公式如下：
50、；
51、式中，和分别是第u个体第j维度第t+1次迭代时和第t迭代时的位置；、和分别是随机个体位置、种群最优个体位置和个体历史最优位置；levy是服从levy分布的随机数；r1、r2和r3都是属于0到1的随机数，相互独立；tmax是最大迭代次数；cauchy(0,1)是均值为0，标准差为1的cauchy分布随机数；fu是个体适应度值；t是当前迭代次数；
52、优化判定单元具体是对移动后的位置进行判定，预先设有适应度阈值，若移动后的个体适应度值高于适应度阈值，则个体位置即模型设置参数，进而得到建立完成的酒驾检测模型；若达到最大迭代次数，则返回初始化单元；否则返回至移动搜索单元。
53、采用上述方案本发明取得的有益效果如下：
54、（1）针对一般酒驾监管控制系统存在模型训练时因原始数据集噪声含量过多，降噪效果差，特征提取能力弱，数据完整性低的问题，本方案通过小波变换通过分解原始时间序列，基于软阈值处理进一步削弱噪声对数据的影响；通过多次分解和重构使得从不同尺度上提取数据的特征；获取残差序列的步骤确保了分解后的各子序列能重构为原始数据的主要部分，避免了信息丢失；阈值基于数据的统计特性计算，适应不同数据集的特性；进而提高系统性能及计算效率。
55、（2）针对一般酒驾监管控制系统存在模型精确度低及鲁棒性弱，对数据的适应性差，无法精准预测判定结果的问题，本方案将卡尔曼滤波器引入深度置信网络进行酒驾检测；能够动态调整和更新状态向量及协方差矩阵，有效跟踪和预测系统状态；通过过程噪声和测量噪声协方差矩阵的引入，能够在存在噪声和不确定性的环境中保持稳定和鲁棒的性能；参数计算单元通过计算最小sigma集及其权重，使得模型能够自适应不同的数据特性和环境变化；提高了模型的综合检测能力。
56、（3）针对一般酒驾监管控制系统存在系统参数设置不当导致系统性能差，参数优化早期搜索能力差及收敛速度慢的问题，本方案在早期阶段引入指数函数，在后期阶段引入柯西分布随机数，对优化个体分别设计移动搜索策略，实现全局搜索，加快收敛速度，使得优化过程高效且精准。
1.基于人工智能的酒驾监管控制系统，其特征在于：系统包括数据采集模块、数据集构建模块、酒驾检测模型构建模块、酒驾检测模型参数优化模块和酒驾检测控制模块；
2.根据权利要求1所述的基于人工智能的酒驾监管控制系统，其特征在于：所述酒驾检测模型构建模块具体包括以下内容：
3.根据权利要求2所述的基于人工智能的酒驾监管控制系统，其特征在于：所述数据集构建模块包括阈值计算单元、软阈值处理单元、获取残差序列单元和划分数据集单元；具体包括以下内容：
4.根据权利要求1所述的基于人工智能的酒驾监管控制系统，其特征在于：所述酒驾检测模型参数优化模块包括初始化单元、移动搜索单元和优化判定单元；具体包括以下内容：
5.根据权利要求1所述的基于人工智能的酒驾监管控制系统，其特征在于：在数据采集模块中，所述历史检测数据和实时检测数据都包括化学成分检测数据、生物特征数据、行为数据和环境数据；所述化学成分检测数据包括酒驾浓度数据、毒品成分数据、药物成分数据和其他挥发性化合物成分数据；所述生物特征数据包括体温、心率和血压；所述行为数据包括驾驶员的车辆操控姿势、姿势和眼神活动；所述环境数据包括车辆所属路况、天气和时间；所述历史检测数据还包括数据类型，数据类型为是否属于酒驾行为；将数据类型作为数据标签。
6.根据权利要求1所述的基于人工智能的酒驾监管控制系统，其特征在于：所述酒驾检测控制模块是基于构建完成的酒驾检测模型，在车主上车时输入采集的实时检测数据，若酒驾检测模型输出数据属于酒驾行为，则对数据对应车辆进行阻止启动，并上报执法部门；以实现酒驾检测控制。
