1.一种基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，包括以下步骤：步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练；

步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；

步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度信号ay为观测量，建立EKF扩展卡尔曼状态观测器；

步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；

步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度信号ay、方向盘转角信号δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ay β δ vx μ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；

所述BP神经网络输入层的节点数为5，隐含层的结点个数为10，输出层的结点个数为1，学习速率为η，激活函数为g(x)，其中激活函数g(x)为Sigmoid函数为：所述隐含层的输出Hj和输出层的输出Ok为：

其中wij为输入层到隐含层的权重，L输出层节点个数，xi为归一化之前的输入量，n为隐含层节点个数，wjk为隐含层到输出层的权重，aj为输入层到隐含层的偏置，bk为隐含层到输入层的偏置；

步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度 将 与已知的ωr作差并取平方得到ri，ri为选取神经网络模块的参考系数，选出ri最小的神经网络模块，得到估计的路面附着系数。

2.根据权利要求1所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤3中，EKF观测器的状态方程可表示为：观测方程可表示为：

k1为前轮侧偏刚度总和；k2为后轮侧偏刚度总和；Ix为绕x轴转动惯量；δ为前轮转角；ωr为横摆角速度；a为质心距前轴的距离；b质心距后轴的距离；Iz为绕z轴的转动惯量；vx为纵向车速；β为质心偏角； 为当前估计横摆角速度； 当前估计质心偏角； 为当前估计纵向车速；m为整车质量；ax为车辆纵向加速度；ay为车辆侧向加速度。

3.根据权利要求2所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤4中，EKF算法实现如下：建立系统的状态方程和测量方程：

式中：x(t)为状态变量；u(t)为控制变量；y(t)为测量输出；w(t)为系统激励噪声协方差矩阵为Q；v(t)为测量噪声协方差矩阵为R；w(t)、v(t)均为独立的高斯白噪声；

上面状态量x(t)和测量量y(t)可表示为：

然后将模型线性化：

其中F(t)和H(t)为非线性函数f(x(t),u(t),w(t))和h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵：最后赋予初始状态值 和误差协方差P-(t0)，EKF算法开始循环计算并估计出横摆角速度ωr、质心偏角β和纵向车速vx。

4.根据权利要求3所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤5还包括将数据进行归一化，并选取若干组数据作为样本，对数据归一化的公式为：式中 为归一化后的输入量，xi为归一化之前的输入量，xmin为输入量的最小值，xmax为输入量的最大值。

5.根据权利要求1所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述输出层的误差计算公式为：式中Yk为期望输出，m为所采集数据样本数量，Yk-Ok＝ek，则误差公式改写为：

6.根据权利要求5所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，权值更新公式为：

7.根据权利要求5所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，选取ri值最小的神经网络模块并计算ri：