1.一种基于BP神经网络的超速辨别模型优化方法，其特征在于，包括如下步骤：(1)确定待优化的超速辨别模型；

(2)优化超速辨别模型：在待优化模型的误差来源因子上添加修正系数；

(3)采集仿真样本，并计算样本的修正系数；若优化超速辨别模型包含1个修正系数，则将样本输入优化超速辨别模型可得到修正系数的具体值；若优化超速辨别模型包含多个修正系数，则将样本输入优化超速辨别模型可得到修正系数之间的关系；

(4)建立神经网络模型；

(5)在步骤(3)采集的样本中选择部分作为神经网络的训练样本；

(6)利用步骤(5)挑选的训练样本输入神经网络进行训练；

(7)将训练样本外的其他样本作为检测样本进行检测；

其中，步骤(1)中所述待优化的超速辨别模型为：式中，v0是制动时刻速度，是路面附着系数，g是重力加速度，d是大型车碰撞前制动距离，L1是大型车碰撞后制动距离，M是大型车质量，m1是骑车人质量，s1是骑车人抛距，H1是骑车人重心高度，m2是电动自行车质量，s2是电动自行车抛距，H2是电动自行车抛距。

2.根据权利要求1所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，所述步骤(4)具体包括如下子步骤：(4.1)神经网络输入层为待优化的超速辨别模型的各输入参量；

(4.2)神经网络的输出层为步骤(4.1)中待优化的超速辨别模型误差来源因子对应的修正系数；

(4.3)神经网络隐含层的节点数为 其中n为输入层节点数，m为输出层节点数，a为1-10之间的常数，m为修正系数的个数，n为待优化模型输入参量的个数。

3.根据权利要求1所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，所述步骤(5)具体为：在步骤(3)采集的样本中随机抽取50％作为神经网络的训练样本。

4.根据权利要求1所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，步骤(6)具体包括如下子步骤：(6.1)确定隐层传递函数；

(6.2)确定输出层传递函数；

(6.3)确定训练函数；

(6.4)确定最大训练次数；

(6.5)确定训练精度；

(6.6)训练神经网络。

5.根据权利要求1所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，步骤(7)具体包括如下子步骤：(7.1)将训练样本外的其他样本对应的待优化的超速辨别模型的输入参量作为检测样本；

(7.2)将检测样本输入已训练好的神经网络，输出对应的修正系数，得到优化模型的输入参量，并计算优化超速辨别模型的输出值；

(7.3)判断优化超速辨别模型输出值与仿真设定值是否小于预设误差值，若是，则当前BP神经网络模型隐含层的节点数为训练完成的神经网络对应的隐含层节点数；若否，则更改隐含层节点数，重复步骤(4)至步骤(7)。

6.根据权利要求1所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，步骤(2)中所述优化超速辨别模型为：式中，α为修正系数。

7.根据权利要求6所述的一种基于BP神经网络的超速辨别模型优化方法，其特征在于，所述待优化的超速辨别模型的确定方法为：(1.1)确定骑车人质量m1、骑车人抛距s1、骑车人重心高度H1、电动自行车质量m2、电动自行车抛距s2、电动自行车重心高度H2、大型车质量M、大型车碰撞前制动距离d、大型车碰撞后制动距离L1、路面附着系数(1.2)由此计算骑车人的抛出速度v1、电动自行车的抛出速度v2、大型车的碰撞后速度v'、大型车的碰撞速度v、大型车制动时刻速度v0。