1.一种改进的汽车衡称重方法，其特征是包括建立称重模型、构造约束条件模型、称重模型离线训练和在线称重步骤：

1)所述称重模型为三层的BP神经网络，其网络结构如下：

第一层为输入层，输入层的神经元数量I为称重传感器的路数，同时I也是输入层神经元的数量；

第二层为隐含层，隐含层的神经元数量 隐含层激励函数采用

Sigmoid函数，L为输出层神经元的数量；

第三层为输出层，输出层的神经元数量L为1个；输出层激励函数采用线性函数；输出层的神经网络输出 为：式(1)中，ω为神经网络输入层到隐含层的权矩阵，ωT为神经网络输入层到隐含层的权矩阵的转置矩阵，ωm,i为输入层第i路输入到隐含层的第m个神经元的连接权值(i＝1,

2,…,I；m＝1,2,…,M)，ω＝[ω1,1,ω1,2,…,ω1,I；…；ωM,1,ωM,2,…,ωM,I]；b(1)为隐含层偏置向量， 为隐含层第m个神经元的偏置值(m＝1,2,…,M)， V为隐含层到输出层的权向量，VT为隐含层到输出层的权向量的转置向量，vm为隐含层第m个神经元到输出层的连接权值(m＝1,2,…,M)，V＝[v1,v2,…,vM]；b(2)为输出层偏置值，X为神经网络输入向量，xi为输入层第i路输入，M为神经网络隐含层的神经元数量；

2)所述约束条件模型为称重模型的输入层-隐含层权值向量的相邻元素的平方和最小，即

3)所述称重模型离线训练，是在微处理器与外部专用计算机连接后，首先利用微处理器采集训练样本，然后基于称重模型和约束条件模型，利用外部专用计算机进行训练，训练完成后，称重模型的参数被存储在微处理器或外部存储器中，之后外部专用计算机被撤离；

4)所述在线称重即实际称重，此时，微处理器采集I路称重传感器的输出信号经过数据预处理后作为称重模型的输入，同时调用保存在微处理器或外部存储器中的神经网络参数(即ω、V、b(1)、b(2))，一起代入式(1)所示的称重模型，计算获得称重结果，完成在线称重。

2.根据权利要求1所述的改进的汽车衡称重方法，其特征是所述步骤3)按以下步骤进行：ⅰ)采集训练样本：将不同重量的标准砝码随机加载在汽车衡秤体上，微处理器采集I路称重传感器的输出信号，经过数据预处理后获得I路输入向量X，之后将标准砝码值与采集获得的I路输入向量作为训练样本(Xj,zj),其中，zj为标准砝码的重量，j为第j次采集的样本，并将样本传输并保存在外部专用计算机中；

ⅱ)构造训练样本目标函数E，其计算公式为：

式(3)中，ε为平滑因子，其值通过实验确定；J为训练样本的数量， 为当输入向量是Xj时的神经网络输出，j＝1,2,…,J；

ⅲ)分别求ω、b(1)、V和b(2)的增量△ωm,i、 △vm，△b(2)，并对ω、b(1)、V和b(2)进行更新，它们的计算公式为：式(4)中，η为学习率，取值范围为：0<η≤1，具体值通过实验确定；am为隐含层第m个神经元的输出值；

式(5)中， b(2)new、 分别为vm、b(2)、ωm,i、 更新后的值， b(2)old、分别为vm、b(2)、ωm,i、 更新前的值，式(4)、(5)中，m＝1,2,…,M，i＝1,2,…,I，式(6)中，xi为输入层第i路输入；

ⅳ)设置训练初始条件，利用外部专用计算机，按照公式(3)、(4)、(5)进行设定数量的训练，使训练样本产生的误差值在设定范围内，分别获得输入层到隐含层的权矩阵ω、隐含层偏置向量b(1)、隐含层到输出层的权向量V、输出层偏置值b(2)的最终值，保存在微处理器或外部储存器，并撤掉外部专用计算机，为在线称重做准备。