1.一种智能汽车调节方法，其特征在于：其包括以下步骤：S1、采集人体特征信息，并进行信息比对，实现解锁和启动功能：对采集的指纹进行比对，识别采集的人体特征信息是否为已存储的驾驶员，如果识别通过，则实现解锁，如识别不通过，则进行报警；

S2、对指纹按压时的实时压力进行采集，当实时压力超过预先设置的压力阈值时，汽车在指纹解锁的基础上一键启动；

S3、在指纹识别通过及汽车一键启动的基础上对车内设施进行初步调节，所述初步调节包括座椅位置调节、方向盘位置调节以及倒车镜位置调节；

S4、根据车载传感器、已存储的个人信息以及驾驶员的驾驶习惯的变化，采用机器学习方法，通过卷积神经网络以及粒子群算法模型，建立驾驶员行为特性和气象信息的辨识模型，将驾驶员的行为特性分为加速特性、制动特性、定位特性、体重特性以及体温特性；通过不断学习和比对，实现车辆的智能调节，具体包括以下子步骤：S41、将气象信息的特性分为温度、雨雪以及雾气，采集驾驶员的操纵行为信号和车辆当前状态，分析驾驶员的行为和气象状况；

提取能够表征驾驶员定位、制动、加速行为的特征参数，建立初始驾驶员行为目标矩阵；提取能够表征气象信息的温度、雨雪状态的特征参数，建立初始气象信息矩阵：其中，初始驾驶员行为目标矩阵为：D＝(d1,d2,……,dN)，其中d1为定位向量，d2为制动向量，d3为加速向量，dN为第N个向量；

初始气象信息矩阵为：

M＝(m1，m2,……,mN)，其中m1为温度向量，m2为雨雪信息向量，mN为第N个向量；

S42、利用粒子群算法对初始驾驶员行为目标矩阵以及初始气象信息矩阵进行关键特征提取，具体包括以下子步骤：

S421、假设在第一个D维目标搜索空间中，由N个粒子组成一个矩阵X，其中第i个粒子是一个N维向量：

Xi＝(xi1,xi2,xi3,...xiD),i＝1,2,3...,N每一个粒子均有自己的速度V，为一个N维向量：Vi＝(vi1,vi2,vi3,...viD),i＝1,2,3...,NS422、寻找矩阵中每一个粒子自身的个体极值p，所述个体极值为该粒子遍历至今搜索到的最优位置，个体极值记Pbest为：Pbest＝(Pi1,Pi2,...,PiD),i＝1,2,...,NS423、寻找整个矩阵的全局极值g，所述全局极值为整个粒子群遍历至今搜索到的最优位置，全局极值gbest记为：gbest＝(Pg1,Pg2...PgN)S424、基于步骤S422寻找个体极值的和步骤S423寻找的全局极值，更新例子的速度公式和位置公式：

速度公式：vid(t+1)＝w×vid(t)+c1r1(Pid‑xid)+c2r2(Pgd‑xid)位置公式：xid(t+1)＝xid(t)+v(t+1)其中，c1和c2是学习因子，即为加速常数，用于调节学习最大步长，r1和r2是随机数，取值范围为[0,1]，w为惯性权重，其为非负数，用于调节对解空间的搜索范围，vid表示速度，xid表示位置，t是时间，表示迭代次数，v是迭代速度，Pid是粒子遍历过的最优值，Pgd是种群遍历过的最优值；

S425、根据粒子的速度公式和位置公式进行关键特征提取：*

将S41中特征矩阵中的特征向量权值用矩阵R表示，矩阵R最优解用R表示；

设k个粒子{l1,l2,…,lk}，每个粒子li的位置为R的一个解，用R×D和R×M分别表示适应度函数，该函数即为正确率，其中，D和M分别是S41中的矩阵，每个粒子在求解时得到的位置是局部最优解，即步骤S424里面公式中的Pid，对应最高适应度得到解为全局最优解，即步骤*

S424里面公式中的Pgd，当所有粒子都经过迭代计算后，能够得到最优权值矩阵R ，对于训练* * * *

数据，计算R×Dtrain和R ×Mtrain，对于测试数据则计算R ×Dtest和R×Mtest，训练数据特征矩阵和测试数据特征矩阵间的距离为：* *

D1＝dis(R×Dtest,R×Dtrain)* *

D2＝dis(R×Mtest,R×Mtrain)D1和D2分别表示驾驶员行为和气象信息的距离差，式中距离dis的计算公式为：n×k n×k

其中，X,Y∈C ，C 表示特征矩阵，X,Y是维数，根据适应度函数意义，得到初始驾驶员行为目标矩阵以及初始气象信息矩阵的关键特征；

S43、基于卷积神经网络建立关于驾驶员行为、雨刷、加热、除雾及空调开关的车辆调节行为特征模型，实现对车辆设施的主动调节和设置；车辆调节行为特征模型的建立包括以下子步骤：

S431、卷积神经网络的前向传播：l l l‑1 l l

a＝σ(z)＝σ(a *W+b)其中，公式中的上标代表层数，星号代表卷积，W为线性系数矩阵，a为初始输入矩阵，b为偏倚向量，σ为ReLU激活函数，用矩阵M表示初始信息矩阵，则上式能够写成M个子矩阵卷积后对应位置相加的形式，即：

池化的标准使用最大池化操作，激活函数使用sigmoid激活函数；

S432、进行卷积层反向传播计算：l

在前向传播算法使用max对输入进行池化操作，在反向传播时会把缩小后的误差δ的所有子矩阵大小还原成池化之前的大小，得到 因此l‑1 l‑1 l l‑1

对于张量δ ，得出δ ＝upsample(δ)⊙σ′(z )；

l‑1 l l l‑1

δ 和δ的关系根据计算 的梯度表达式进行推导，其中z 和z 的关系为：l l‑1 l l l‑1 l lz＝a *W+b＝σ(z )*W+b得到：

l

根据上式推出每一层的梯度误差δ，对于卷积层z和线性系数矩阵W和偏倚向量b的关系表示为：

l l‑1 l

z＝a *W+b

对于第l层，卷积和矩阵W的导数表示为：l l

其中i，j为输入矩阵的层数，p，q为矩阵W的层数，δ是高维张量，b是一个常量，将δ的各个子矩阵的项分别求和得到误差向量以求得b的梯度：l+1 l

对于卷积层的反向传播，通过交叉计算可得δ 和δ的递推关系为：利用该卷积神经网络计算特征矩阵，得到车辆调节行为特征模型；

S5、对步骤S42得到的初步优化后的驾驶员行为目标矩阵以及气象信息矩阵进行惯性权重w值优化后，进一步利用步骤S42中的粒子群算法进行关键特征提取，得到最终的关键特征，其具体包括以下子步骤：

S51、惯性权重w描述粒子上一代速度对当前代速度的影响，w值越大，全局寻优能力强，局部寻优能力弱；反之，w值越小，则局部寻优能力强，惯性权重w值优化公式如下：

其中，w为惯性权重，wmax为最大惯性权重，wmin为最小惯性权重，run为当前迭代次数，runmax为算法迭代总次数；

S52、为防止粒子群算法陷入局部极小化，利用S51中公式对惯性权重w进行优化，w∈[0,1]，将优化后的惯性权重w值带入步骤S42中进行关键特征提取，得到最优的关键特征；

S6、基于步骤S5得到的最终关键特征对步骤S43得到的辨识模型和车辆调节模型进行进一步优化，具体步骤为：

S61、激励函数优化：

对于Relu激活函数，模型拟合损失函数值比较小，卷积神经网络优化时采用Relu激活函数，Relu激活函数如下：

f(x)＝max(x，0)

S62、梯度下降算法的选择与优化：首先确定优化模型的假设函数和损失函数，在监督学习中，为了拟合输入样本，而使用的假设函数，记为hθ(x)，拟合函数为hθ(x)＝θ0+θ1x；

用损失函数来度量拟合的程度，损失函数通常为样本输出和假设函数的差取平方，对于m个样本(xi,yi)(i＝1,2,...m)，损失函数为 其中xi表示为第i个样本特征，yi表示第i个样本对应的输出；

假设函数为hθ(x)＝θ0+θ1x1+...+θnxn，其中θi(i＝0,1,2,...,n)为模型参数，xi(i＝0,

1,2,...,n)为每个样本的n个特征值，增加特征x0＝1，这样 对于假设函数可以得到损失函数为

对于θi，梯度表达式为 令 通过步长α乘以损失函数的梯度可以得到当前位置下降的距离，为S7、根据机器学习组件得到的车辆调节行为特征模型，实现车内设施的进一步调节，所述的车内设施的进一步调节包括智能变速箱调节、发动机启停功能、挡风玻璃除雾调节、雨刷调节、座椅位置微调调节、座椅通风和加热、倒车镜除雾和空调。

2.一种基于权利要求1所述的智能汽车调节方法的智能汽车调节系统，其特征在于：其包括控制器、指纹识别模块、压力识别模块、第一调节组件、机器学习组件、第二调节组件以及车载传感器，

所述指纹识别模块用于采集人体特征信息，并进行信息比对，实现解锁和启动功能；所述指纹识别模块设置有指纹识别器，所述指纹识别器设置于驾驶位车门拉手处，通过指纹比对，识别是否为已存储的驾驶员，如果识别通过，则实现解锁；

所述压力识别模块为压力传感器，所述压力传感器集成在所述指纹识别器内部，所述压力传感器能够检测指纹按压的实时压力并发送至控制器，当压力传感器检测到的实时压力超过控制器内部的压力阈值时，控制器控制汽车在指纹解锁的基础上一键启动；

所述第一调节组件用于根据指纹识别模块采集的人体特征信息和控制器内存储的个人信息比对后，实现车内设施的初步调节，所述初步调节包括座椅位置调节、方向盘位置调节以及倒车镜位置调节；

所述机器学习组件根据车载传感器、已存储的个人信息以及驾驶员的驾驶习惯的变化，采用机器学习方法，通过卷积神经网络以及粒子群算法模型，建立驾驶员行为特性和气象信息的辨识模型，将驾驶员的行为特性分为加速特性、制动特性、定位特性、体重特性以及体温特性；通过不断学习和比对，实现车辆的智能调节；

第二调节组件根据机器学习组件的结果，实现车内设施的进一步调节，所述的车内设施的进一步调节包括智能变速箱调节、发动机启停功能、挡风玻璃除雾调节、雨刷调节、座椅位置微调调节、座椅通风和加热、倒车镜除雾和空调。

3.根据权利要求2所述的智能汽车调节系统，其特征在于：所述的车载传感器包括座椅传感器和天气传感器，所述座椅传感器包括压力传感器、温度传感器和湿气传感器，所述座椅传感器用于判断驾驶员身体状态的变化；所述天气传感器包括湿度传感器和温度传感器，所述天气传感器用于判断车内外环境的变化。

4.根据权利要求2所述的智能汽车调节系统，其特征在于：其中发动机启停功能的关闭和开启均会进行语音提醒。