1.基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，包括如下步骤：S1、通过实验及仿真采集被试驾驶人的驾驶数据，驾驶数据包括方向盘转角、纵向加速度、纵向车速、油门踏板开度、刹车踏板开度、车辆纵向位移、车辆侧向位移等。S2、对每个驾驶人的驾驶数据进行筛选，剔除不合理的驾驶数据且提取出能反映每个驾驶人驾驶风格的特征参数；S3、基于K-均值聚类算法对驾驶数据进行聚类，根据聚类结果将驾驶员的驾驶类型定义为激进型、一般型和谨慎型；S4、读取驾驶人经S3聚类分出驾驶类型及驾驶人的特征参数值构建BP神经网络的拓扑结构，用改进后的遗传算法对BP神经网络的权值和阈值进行优化，将优化后的BP神经网络的权值和阈值赋值给BP神经网络；最后对优化后的BP神经网络进行训练和测试，识别驾驶风格。2.根据权利要求1所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，S2中将驾驶人行驶出规定道路和驾驶人未按照规定行驶速度驾驶这两种情形下驾驶人所对应的驾驶数据作为不合理数据并进行剔除。3.根据权利要求1所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，所述特征参数包括平均速度、方向盘转角与车速的比值、方向盘转角标准差。4.根据权利要求3所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，平均速度是纵向车速数据的平均值，表示为：其中，是平均纵向车

速，Vi是所测得各个时间点的速度值；N是所测得的车速样本数；方向盘转角与纵向车速比值，表示为：其中，k是方向盘转角与纵向车速

比值的最大值，θi是i时刻所测得的方向盘转角；方向盘转角标准差，表示为：其中，σθ是方向盘转角标准差，N是

所测得方向盘转角个数，是方向盘转角平均值。

5.根据权利要求4所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，使用K-均值聚类算法对驾驶类型进行聚类的方法为：S3.1、将每个驾驶人的驾驶数据作为聚类的样本xi＝(xi1,xi2,xi3)T，xi1,xi2,xi3分别是第i个驾驶人的平均速度、方向盘转角与车速的比值、方向盘转角标准差，设定要聚成的类数k＝3，分别代表驾驶类型为激进型、一般型和谨慎型；S3.2、随机选定3个初始聚类中心，计算每个样本点跟每个初始聚类中心的欧式距离的平方，以欧式距离的平方最小为原则，把样本划分为3簇；S3.3、计算各簇中样本点的平均值，将该平均值作为新的聚类中心，然后重复执行S3.2更新聚类，直到达到终止迭代条件为止。6.根据权利要求4所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，用改进后的遗传算法对BP神经网络的权值和阈值进行优化的过程为：S4.1、构建BP神经网络的拓扑结构，S4.2、使用实数编码方式对BP神经网络的权值和阈值编码，得到初始种群；S4.3、解码得到权值和阈值，并将权值和阈值赋值给新建的BP神经网络，使用训练样本训练BP神经网络，使用测试样本测试BP神经网络；把实际输出和期望输出之间的误差绝对值作为个体目标函数Error(j)，计算公式为：Error(j)＝||Y(j)-O(j)||,j＝1,2,3,…,M其中，Error(j)是第j个个体的目标函数，Y(j)是第j个个体测试数据的实际输出，O(j)是第j个个体测试数据的期望输出，第j个个体和第j个个体的目标函数一一对应，将M个Error(j)，j＝1,2,3,...,M组成一个列向量Error，Error作为改进的遗产算法的目标函数进行优化，目标函数收敛于最大迭代次数所对应的最小值之前，用改进的遗传算法对BP神经网络的权值和阈值进行优化；S4.4、采用改进的适应度函数计算适应度值使用改进的遗传算法获得最优权值和阈值的步骤如下：S4.4.1、采用改进的适应度函数计算适应度值，经过改进调整后染色体的适应度值fj'为：式中：f j 为染色体j 的适应度值；种群适应度的平均值f a 和方差σ分别为：变异概率的取值在0-1之间，基因变异的操作为：

其中，a″kl为第k个染色体第l位进行变异后的基因，a'kl为交叉后基因；a'max和a'min分别为交叉后基因a 'kl取值的上、下界；f(g)为随机数，f(g)＝λ1(1-g/G)，λ和λ1取值均为[0,1]上的随机数；g为当前进化次数；G为最大进化次数；S4 .4 .5、将子种群重插入原始种群中原始数据对应位置，将子种群目标函数重插入原始目标函数，获得新种群和新目标函数，将新种群目标函数中的最小值作为第1代最优解，其所对应的个体即为第1代最优权值和阈值；S4 .4 .6、设定终止条件为达到最大迭代次数，当满足终止条件则对最优个体进行解码输出最佳神经网络权值和阈值；否则重新赋值给新建的BP神经网络，重复步骤S4.3-S4.4；S4 .5、将经过改进的遗传算法优化得到的最佳权值和阈值赋给新建的BP神经网络，再次用训练样本对网络进行训练，用测试样本对该模型辨识效果进行验证。7.根据权利要求1-6中任意一项权利要求所述的基于改进遗传算法优化BP神经网络的驾驶风格辨识方法，其特征在于，构建BP神经网络的拓扑结构：读取聚类分出的3种驾驶类型及其对应的特征参数值，将特征参数值作为BP神经网络的输入，驾驶类型作为期望输出；由输入和期望输出来确定BP神经网络的拓扑结构。