1.一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：该算法包括以下步骤：S1：通过人工编写与网络爬虫，建立人机交互聊天数据库；

S2：将收集的文本进行分词；

S3：采用word 2vec对分好的词组进行转化；

S4：收集不同类别文本经过卷积神经网络(Convolutional Neural Network,CNN)训练，获得文本类别分类器；

S5：将文本输入训练好的文本类别分类器中，得到车机操作命令结果；

S6：训练深度置信神经网络(Deep Belief Networks,DBN)，作为数据库的支撑；

S7：网络训练过程中，人为判断神经网络输出结果，若正确则输出结果，若错误则进行语音修改，补充数据库与神经网络训练文本库。

2.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：所述步骤S1包括以下步骤：S101：配置数据库基础参数；

S102：建立JAVA接口对接；

S103：通过网络爬虫采集互动聊天相关文本数据信息；

S104：构建数据表与架构；

S105：整合信息并搭建调用逻辑。

3.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：所述步骤S2包括以下步骤：S201：读入字符串文本；

S202：第一次扫视，根据绝对切分标志符表，扫视文本，添加绝对切分标志“∧”；

S203：计算两个“∧”间字段长度M及取领头字词长N，若M

S204：若K>＝4，则转下一步，否则转到S206；

S205：第二次扫描，取长度为K的最大匹配法，对4及4以上字词进行匹配；

S206：按S202-S203-S201优先规则进行机械分词；

S207：如有歧义切分标志，则做第三次扫视，执行语义校正算法，进行校正，否则转出口。

4.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：所述步骤S3具体为：将分词后的文本语料作为word2vec的输入文件并指定合适的训练参数，进行中文词向量训练，得到词语对应最佳的词向量。

5.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：在步骤S4中，所述卷积神经网络的输入层到隐藏层的公式为：xi＝[e(wi-[win/2])；...；e(wi)；...；e(wi-[win/2])]其中w表示权值，b表示偏置，tanh表示双曲正切函数，i表示当前网络层数，wi表示第i层权值，xi表示网络输入值，e表示词间连接关系，win表示输入词的个数；得到去若干隐藏层之后，卷积神经网络采用最大池化技术，将不定长度的隐藏层压缩到固定长度的隐藏层中，其公式为：其中n表示隐藏层的层数， 表示第二隐藏层输出；卷积神经网络通过其卷积核，对文本中的每个部分的局部信息进行建模；通过其池化层，从各个局部信息中整合出全文语义，模型的整体复杂度为O(n)。

6.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：在步骤S6中，所述训练深度置信神经网络具体为：S601：分别单独无监督地训练每一层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)网络，确保特征向量映射到不同特征空间时，都尽可能多地保留特征信息；

S602：在DBN的最后一层设置反向传播(Back Propagation,BP)网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器；且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优，BP网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。

7.根据权利要求1所述的一种基于数据库与神经网络的车机自然语言人机交互算法，其特征在于：在所述步骤S6之后还包括步骤：将互动聊天测试文本输入S1中搭建的数据库中进行匹配，若匹配成功，则输出相应的互动反馈信息；若匹配失败，则将文本信息通过S2与S3输入S4中训练好的文本类别分类器进行分类，并反馈结果；若分类结果属于车机操作控制命令，则直接输出控制结果；若属于互动类别，则将其输入S6中训练好的深度置信数据库支撑网络，得到人车互动聊天结果。