1.一种路网层次的车辆超载识别及应急预警方法，其特征在于，包括如下步骤：在桥梁支座附近安装转角传感器、摄像头和测速仪，同时测量结构变形中的主梁转角和包含车道信息、速度、车重、车轴信息和车牌号码的车辆信息，利用RBF(径向基)人工神经元网络建立已知车辆重量的典型车辆数据库，建立车重预测模型，当车辆经过桥梁时，车速、车道和车轴信息传输到人工神经元网络的输入层，经过隐含层的转换，输出车重数据，同时该路网内其他桥梁的车重预测模型也会接收到该车重数据，输入到其他桥梁自身的车重预测模型中，计算出转角和挠度，传输到分级预警系统，当超过限值时，发出预警，预防桥梁事故的发生；

分级预警系统检测到车重超过桥梁自身限定标准车重时，会发出一级警报，不超过桥梁自身限定标准车重但超过规范限值的标准车重时，发出二级警报，对超出某座或某些座桥梁的最大容许挠度和转角，桥梁管理部门会在这些车辆上桥前拦截超限车辆，避免桥梁倒塌；

所述的RBF人工神经元网络是一种特殊的3层神经网络，输入层连接外界环境与网络，隐含层进行输入空间到输出空间的转换，输出层生成车重预测模型，同时连接内部网络与预警系统以及路网内其他车重预测模型；

在数据输入隐含层前需要进行加权，基于遗传算法生成大数据特征选择算法，计算数据权值，特征选择的重点在于特征权重评估，特征权重评估算法的设计流程为：先输入信息采集系统采集的车辆信息以及桥梁信息，在此大数据集中随机选择一个数据项xi，即某一类车辆信息数据中的某一个数据，在数据集中搜索其同类最近邻xi(h)及异类最近邻xi(m)；

分别计算各维度的特征与同类最近邻的差异度值和异类最近邻的差异度值，根据两者的特征差异度相应地调整其权重，通过反复迭代，最后选择权重值最高的k维特征组成新的特征子集，diff(xm,xn,j)表示两个车辆信息数据项xa和xb在特征fj上的差异度，在数据项xa和xb上，两者在特征维度fj上的差异度是：在每轮迭代过程中，根据xa的r个同类最近邻xi(h)和r个异类最近邻xi(m)在特征fj上的差异度，调整xi关于特征fj上的权值:其中ωij表示xi关于特征fj上的权值，M表示初始化后特征权重向量中最后一个元素；

加权后的数据传输到隐含层的神经元，同时设定的阈值θ对传来的数据进行筛选，将超出阈值的数据排除，提升数据处理效率，改善数据处理性能；

超出阈值的数据排除后，引入激活函数，建立车辆模型：Xi表示第i个样本点的输入样本，即车道信息、车速、车重、车轴、车牌号码和转角，Gj表示经过隐含层神经元计算得出的车重预测模型，G1表示四轴车的车辆预测模型；G2表示五轴车的车辆预测模型；G3表示六轴车的车辆预测模型，每个隐节点函数均为径向对称的核函数，每个隐节点的输出值Gi(i＝

1,2,3)为：

式中 为径向基神经网络的激活函数，Xi为第i个输入样本，Ci(i＝1,2,3,4)表示第i个径向基函数的中心矢量，ai为规划因子。

2.如权利要求1所述的一种路网层次的车辆超载识别及应急预警方法，其特征在于，现场采集到的车辆信息数据传输到输入层，系统识别车轴数量后，将小于四个车轴的车排除，对其他车轴信息的车分类，不同的车轴对应不同的车辆预测模型。

3.如权利要求1所述的一种路网层次的车辆超载识别及应急预警方法，其特征在于，数据分为90％训练集和10％验证集，验证集对输出的车重预测模型进行准确度验证，将模型输出数据和验证集数据对比，进行误差分析，误差信号反向传输给隐含层，对模型反复进行优化。