1.基于SVM模型的汽车侧翻预警算法，其特征在于包括以下步骤：a，首先选用一个车辆模型用于侧翻预警控制器设计，建立驾驶员-车辆-道路环境模型；

b，然后确定侧翻危险评估指标；

c，接下来利用SVM算法搭建汽车侧翻危险预测经验模型，利用驾驶员-车辆-道路环境模型输出的确定性变量和随机变量作为汽车侧翻危险预测经验模型的输入量，确定汽车侧翻极限状态函数的显示函数，利用超曲面进而可视化地将汽车状态样本分为侧翻不安全区和侧翻安全区。

2.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：横向载荷转移率式中，h是车辆的质心到侧倾中心距离；hRC是车辆侧倾中心高度；dt为车辆轮距；ay是重心处的侧向加速度；φ是车辆簧载质量侧倾角；LTR值是在[-1,1]之间变化的一个值，车辆在良好路面上行驶时LTR为0，在极限工况时，一侧车轮抬起，此时LTR为-1或1；

所述步骤b中侧翻危险评估指标为侧翻极限状态函数R(x)R(x)＝|LTRmax(x)|-LTRthreshold式中，LTRthreshold为预设横向载荷转移率的阈值；LTRmax(x)为在车辆侧翻危险预测过程中横向载荷转移率的最大值，x是包含所有影响侧翻稳定性参数的n维随机变量。

3.根据权利要求2所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述极限状态函数的显示函数R(x)＝sgn{∑aiyiK(x,xi)+b*}式中K(x,xi)为核函数，ai为拉格朗日系数，R(x)＞0时为侧翻不安全区域，R(x)＜0时为侧翻安全区域。

4.根据权利要求3所述的基于SVM模型的汽车侧翻预警算法，其特征在于：核函数表达式如下：其中C即为惩罚因子，不断增大惩罚因子C的值，总能实现将样本点完全正确的分类，但是这样将会导致过拟合，泛化能力不够；为了考虑算法的泛化性能，定于惩罚因子C来控制SVM算法的复杂度；C值越大，表示对错分样本的惩罚程度越重，所构建的边界越复杂；C值越小，则表示对错分样本愈加宽容，边界复杂程度越小。

5.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤c中随机变量选用质心高度和纵向车速。

6.根据权利要求5所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤c中的随机变量需要经过归一化处理。

7.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤a中选用3-DOF线性车辆模型，该3-DOF线性车辆模型包括侧倾、横摆和侧向运动，并作如下假设：(1)模型以前轮转角作为输入；

(2)车辆的垂直运动可以忽略；

(3)忽略车辆的俯仰运动；

(4)忽略空气动力的作用；

(5)忽略载荷的变化引起轮胎特性的变化。

8.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤a中选用Carsim中的驾驶员-车辆-道路环境模型。