1.一种基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，所述判别方法将智慧车辆涉及的完全不同性质不同量纲的信息抽象为基于SOEKS的统一知识表达形式；并容纳入一个层次化结构化的智慧车辆知识框架中，该框架包含最底层的车载系统传感器与CAN总线信息；收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；最后，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源；在进行异常判别时，将实时采集的信息规范化为SOEKS表示，先进行单因素简单规则判断；对简单规则无法判断的，输入训练好的神经网络模型中进行多因素判别。

2.如权利要求1所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，包括以下步骤：

步骤一：基于SOEKS的智慧车辆数据抽象：将智慧车辆涉及的“人，车，环境”等完全不同性质不同量纲的信息抽象为基于SOEKS的统一知识表达形式；

步骤二：层次化结构化智慧车辆知识框架：将以上SOEKS知识容纳入一个层次化结构化的智慧车辆知识框架中，该框架包含最底层的车载系统传感器与CAN总线信息；

步骤三：收集车辆正常行驶数据，按以上SOEKS知识表示和框架结构存储，存储信息包括原始数据和总结出来的简单规则；

步骤四：收集车辆正常行驶数据，对简单规则不能表述的复杂组合，利用神经网络技术建立车辆正常状态模型，根据不同目的，选择知识框架的不同层次不同模块信息作为输入源；

步骤五：收集实时数据，将采集的信息规范化为SOEKS表示，先进行单因素判断，对单因素无法判断的，输入训练好的神经网络模型中进行多因素判别是否异常。

3.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤一中，所述SOEKS知识表示包含变量，约束，函数和推理规则四个元素。

4.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤二中，智慧车辆知识框架信息包括：车载系统，车辆所行驶的环境和驾驶车辆的驾驶员信息；且车载系统信息包含最底层的传感器、电子控制元件ECU和CAN总线命令信息。

5.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤二中，层次化结构化智慧车辆知识框架中，不同层次，不同模块间可以灵活组合作为异常判断的输入源。

6.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤三中，SOEKS存储的规则，是从平时收集的正常数据总结出来的，可以进行单因素异常判断的规则。

7.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤四中，利用神经网络判断因素组合是否异常，组合因素作为神经网络的输入，每一个因素对应一个神经元；需要利用平时正常驾驶时候收集的数据训练一个正常车辆状态的神经网络模型。

8.如权利要求2所述的基于SOEKS的智慧车辆知识表示与车辆状态异常的判别方法，其特征在于，在步骤五中，将实时采集的信息规范化为SOEKS表示，先利用SOEKS已有的简单规则进行单因素判断；如果单因素判断已经出现异常，该因素就不会参加后面的多因素判断；

进一步，如果该因素的判断规则直接为车辆严重威胁，则该车辆状态直接判断为异常，不会再进行其他因素判断；单因素无法判断后再输入训练好的神经网络模型中进行多因素判别是否异常，进而采取报警或者是阻止异常命令执行等措施。