1.一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，其特征是按如下步骤进行：步骤1、对驾驶员消极驾驶状态分级；

根据驾驶员消极驾驶状态程度的不同，将驾驶员的消极程度划分为P个级别，并构成消极程度集合D＝{D1,D2,…,Dr,…DP}，其中Dr表示第r个级别的消极程度，1≤r≤P；

步骤2、选取特征参数来表征驾驶员消极驾驶状态的特征；

将驾驶员消极驾驶状态的特征分为：行车特征、操作特征和面部信息特征；

定义每种特征分别含有R个特征参数，从而构成3×R个特征参数的特征矩阵集合x＝[x1,x2,…,xs,…,xS]，其中，xs表示第s个特征参数，且所述特征矩阵集合x中前R个特征参数为行车特征参数、第R+1个特征参数到第2R个特征参数为操作特征参数、第2R+1个特征参数到第3R个特征参数为面部信息特征参数；s＝1,2,…S，S＝3×R；

步骤3、构建分层网络模型；

定义所述分层网络模型由起始层、优化层和输出层构成；

定义所述分层网络模型的起始层含有S个起始节点；

定义所述分层网络模型的优化层含有C个优化节点；

定义所述分层网络模型的输出层含有1个节点；

步骤4、利用标准样本对分层网络模型中的每个优化系数和优化偏置项进行训练，直至其满足误差要求，从而得到在线感知的分层网络模型；

步骤4.1、利用式(1)计算优化层的节点个数C：

式(1)中，1为输出层的节点个数，M为调节常数，且0≤M≤100， 为向下取整函数；

步骤4.2、从数据库中获取包含行车特征参数、操作特征参数和面部信息特征参数的N组输入样本X＝[X1,X2,…Xn,…,XN]及其对应的期望输出结果U＝[U1,U2,…Un,…,UN]，其中，Xn为第n组输入样本，且第n组输入样本Xn包含R个行车特征参数、R个操作特征参数和R个面部信息特征参数，记为 为第n组输入样本的第s个输入样本，Un为第n组输入样本Xn的期望输出结果，1≤n≤N；

步骤4.3、令n为训练次数，并初始化n＝1；将第n组输入样本Xn作为第n次训练的输入样本；

步骤4.4、利用式(2)得到第n次训练的第i个优化层节点的预转化值y′in：式(2)中， 为第n次训练的第i个优化层节点的优化偏置项，ωi为第n次训练的第i个优化层节点分别与起始层中S个起始节点之间的化系数矩阵，且表示第n次训练的第j个起始层节点与第i个优化层节点之

间的优化系数，T为矩阵转置；

步骤4.5、利用式(3)计算第n次训练的第i个优化层节点的优化转化值 从而得到第n次训练的优化转化值矩阵步骤4.6、利用式(4)计算第n次训练的输出层节点输出的驾驶消极状态值U′n：式(4)中，μn为第n次训练的优化层各节点与输出层节点之间的优化系数矩阵，且为第n次训练的第i个优化层节点与输出层节点之间的优化系数，L为优化层节点与输出层节点之间的优化偏置项；

步骤4.7、利用式(5)计算第n次训练的输出层节点的输出结果与第n组输入样本Xn的样本期望输出结果之间的误差En：En＝(U′n-Un)2  (5)

步骤4.8、若En＜ε，则保持各优化系数以及优化偏置项值不变，并执行步骤4.11；若En＞ε，则顺序执行步骤4.9；其中，ε为给定的误差精度；

步骤4.9、利用式(6)进行修正，得到第n次训练的修正后的第j个起始层节点与第i个优化层节点之间的优化系数 第n次训练的修正后的第i个优化层节点的优化偏置项第n次训练的修正后的第i个优化层节点与输出层节点之间的优化系数式(6)中α、β、γ为训练系数；

步骤4.10、将 赋值给 将 赋值给 将 赋值给

步骤4.11、将n+1赋值给n后，判断n＞N是否成立，若成立，则表示得到第N次训练的第j个起始层节点与第i个优化层节点之间的优化系数 第N次训练的第i个优化层节点的优化偏置项 第N次训练的第i个优化层节点与输出层节点之间的优化系数 并分别作为最优的优化系数ωij*和μi*以及优化偏置项λi*；否则返回步骤4.4执行；

步骤4.12、将所述最优的优化系数ωij*和μk*以及优化偏置项λi*代入式(2)、式(3)和式(4)中，从而得到在线感知的分层网络模型；

步骤5、在驾驶员行驶过程中实时获取R个行车特征参数、R个操作特征参数和R个面部信息特征参数并组成待识别特征矩阵集合 并将所述待识别特征矩阵集合 输入所述在线感知的分层网络模型，得到驾驶消极状态值步骤6、利用式(7)得到所述驾驶消极状态值 在所述消极程度集合D中所对应的驾驶消极状态等级 以实现驾驶员消极驾驶状态的在线感知：