一种汽车故障检测方法、装置、设备及存储介质

1.本发明涉及汽车故障检测技术领域，具体是涉及一种汽车故障检测方法、装置、设备及存储介质。


背景技术：

2.汽车故障检测包括测试逻辑检测方法(逻辑检验法通过统计数据相互之间的逻辑关系，检验其是否存在误差的方法。统计数据的逻辑关系是事物客观存在及其运动发展本身的逻辑关系的反映)和物理检测方法。前者由于测试逻辑大量重复出现，内容庞大，且针对不同的汽车要变更相应的功能逻辑，由于功能逻辑较复杂，在变更的过程中极易导致功能逻辑出错，从而降低了使用变更之后的功能逻辑检测汽车故障的准确性。物理检测方法包括基于人为经验的检测诊断法、仪器检测诊断法、自诊断方法，基于人为经验的检测诊断法，其需要维修人员根据以往的工作经验和简单的测试来定位故障，由于缺乏客观数据的支撑，而导致检测结果准确性较差；仪器检测诊断法利用仪器测量数据的参数、状态、曲线和波形从而进行故障诊断。但是维修人员仍然需要处理许多尚未被纳入数学模型的故障类型；自诊断方法利用车辆的自诊断系统对电子控制单元(ecu)的信号电平进行交叉检查，其参考值存储在内存中。如果信号的水平超过允许的极限，ecu将该信号识别为故障信号，并向内存发送故障代码。然而，车辆的自诊断系统还没有达到保证准确检测率的水平。
3.综上所述，现有的汽车故障检测方法准确性较低。
4.因此，现有技术还有待改进和提高。


技术实现要素：

5.为解决上述技术问题，本发明提供了一种汽车故障检测方法、装置、设备及存储介质，解决了有的汽车故障检测方法准确性较低的问题。
6.为实现上述目的，本发明采用了以下技术方案：
7.第一方面，本发明提供一种汽车故障检测方法，其中，包括：
8.对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成；
9.对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵；
10.依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵；
11.依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果。
12.在一种实现方式中，所述对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成，包括：
13.设定所述动态主成分分析算法的模型阶数；
14.依据所述模型阶数，得到矩阵列数；
15.依据所述模型阶数和样本总数，得到矩阵行数，所述样本总数为所述当前样本所在的样本库所包含的样本数；
16.从所述样本库依次选取位于所述当前样本之前的样本，直至选取的样本所对应的数量达到所述矩阵列数，位于所述当前样本之前的样本所包括的数据的产生时刻位于所述当前样本所包括的数据的产生时刻之前，选取的样本记为第一样本组；
17.从所述样本库依次选取位于所述当前样本之前的样本，直至选取的样本所对应的数量达到所述矩阵行数，选取的样本记为第二样本组；
18.依据所述第一样本组和所述第二样本组，构建增广矩阵。
19.在一种实现方式中，所述对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵，包括：
20.将所述增广矩阵的行矩阵减去列矩阵，得到中间矩阵；
21.计算所述中间矩阵的二范数；
22.依据所述中间矩阵的二范数，构建核矩阵。
23.在一种实现方式中，对所述增广矩阵的行矩阵进行减法运算，得到中间矩阵。
24.在一种实现方式中，所述依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵，包括：
25.累加各个所述特征值，得到总累加和；
26.将各个所述特征值降序排列，得到由各个所述特征值构成的序列；
27.从所述序列的首部依次筛选所述特征值，直至筛选出的所述特征值所对应的局部累加和与所述总累加和之比大于阈值；
28.依据筛选出的所述特征值所对应的所述特征向量、所述核矩阵，得到主成分矩阵。
29.在一种实现方式中，所述依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果，包括：
30.依据所述核矩阵的各个特征向量和所述核矩阵，得到所述被检测汽车的数据波动指标，所述数据波动指标用户表征所述被检测汽车的数据稳定性；
31.依据所述主成分矩阵和所述数据波动指标，得到所述被检测汽车的检测结果。
32.在一种实现方式中，所述依据所述主成分矩阵和所述数据波动指标，得到所述被检测汽车的检测结果，包括：
33.将所述主成分矩阵乘以所述主成分矩阵的转置矩阵，得到第一矩阵；
34.将所述核矩阵的各个特征向量构成的矩阵乘以所述核矩阵，得到中间矩阵；
35.将所述中间矩阵乘以所述中间矩阵的转置矩阵，得到第二矩阵；
36.将所述第二矩阵减去所述第一矩阵，得到所述被检测汽车的关联矩阵，所述关联矩阵中的元素用于表征所述被检测汽车的数据之间的关联程度；
37.将所述数据波动指标与设定的波动控制限值比较，得到第一比较结果；
38.将所述被检测汽车的所述关联矩阵的各个元素分别与设定的关联控制限值比较，得到第二比较结果；
39.依据所述第一比较结果和所述第二比较结果，得到所述被检测汽车的检测结果。
40.在一种实现方式中，设定的所述关联控制限值的计算方式，包括：
41.计算无故障汽车的所述关联矩阵中的各个元素值所对应的平均值和标准差；
42.依据所述平均值和所述标准差，得到所述关联控制限值。
43.第二方面，本发明实施例还提供一种汽车故障检测装置，其中，所述装置包括如下组成部分：
44.增广矩阵计算模块，用于对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成；
45.核矩阵计算模块，用于对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵；
46.主成分矩阵计算模块，用于依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵；
47.检测模块，用于依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果。
48.第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的汽车故障检测程序，所述处理器执行所述汽车故障检测程序时，实现上述所述的汽车故障检测方法的步骤。
49.第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有汽车故障检测程序，所述汽车故障检测程序被处理器执行时，实现上述所述的汽车故障检测方法的步骤。
50.有益效果：本发明首先实时采集被检测汽车各个时刻的数据，用各个时刻数据中的当前时刻数据组成当前样本矩阵，然后对当前样本矩阵应用动态主成分分析算法，得到当前样本矩阵的增广矩阵，之后对增广矩阵应用核主元分析算法，得到核矩阵，随后根据核矩阵的特征向量、特征值以及核矩阵自身，又构造出主成分矩阵，最后主成分矩阵和核矩阵的特征向量共同作用，确定出汽车的检测结果。
51.由于本发明的增广矩阵中各个数据之间的相关性小，采用相关性较小的数据作为检测汽车故障的依据，能够提高检测结果的准确性。另外，本发明将动态主成分分析算法和核主元分析算法两种算法结合，能够提高检测准确性，原因如下：在实际工业过程中，大多数系统过程都是非线性的，只有极少数情况下忽略其非线性不会有大的影响，但对于大多数系统来说其本身的非线性都是不可忽视的，直接采用线性化的方法处理会带来很大的误差，而核主元分析可以解决数据的非线性问题。动态性也同理，应考虑过程变量时序性给系统带来的影响，传统主元分析考虑的是静态模型，一个变量的时刻观测值与前后时刻值是无关的，互相独立的。这不符合实际流程工业本身特点，其过程应是缓变的，普遍存在动态关系的，动态主元分析便可以解决数据的动态问题。综上所述，本发明采用两种算法的结合能够提高检测准确性。而且，本发明用于判断检测结果的数据来源于被检测汽车自身，将汽车数据这一客观数据输入到由动态主成分分析算法、核主元分析算法构成的数学模型中，根据数据模型输出的数据，能够定量的检测出汽车故障，从而提高了检测准确性。
附图说明
52.图1为本发明的整体流程图；
53.图2为本发明实施例中针对汽车发动机温度仿真出的t2示意图；
54.图3为本发明实施例中针对汽车发动机温度仿真出的spe示意图；
55.图4为本发明实施例中针对汽车电机温度仿真出的t2示意图；
56.图5为本发明实施例中针对汽车电机温度仿真出的spe示意图；
57.图6为本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
58.以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.经研究发现，汽车故障检测包括测试逻辑检测方法和物理检测方法。前者由于测试逻辑大量重复出现，内容庞大，且针对不同的汽车要变更相应的功能逻辑，由于功能逻辑较复杂，在变更的过程中极易导致功能逻辑出错，从而降低了使用变更之后的功能逻辑检测汽车故障的准确性。物理检测方法包括基于人为经验的检测诊断法、仪器检测诊断法、自诊断方法，基于人为经验的检测诊断法，其需要维修人员根据以往的工作经验和简单的测试来定位故障，由于缺乏客观数据的支撑，而导致检测结果准确性较差；仪器检测诊断法利用仪器测量数据的参数、状态、曲线和波形从而进行故障诊断。但是维修人员仍然需要处理许多尚未被纳入数学模型的故障类型；自诊断方法利用车辆的自诊断系统对电子控制单元(ecu)的信号电平进行交叉检查，其参考值存储在内存中。如果信号的水平超过允许的极限，ecu将该信号识别为故障信号，并向内存发送故障代码。然而，车辆的自诊断系统还没有达到保证准确检测率的水平。
60.为解决上述技术问题，发明提供了一种汽车故障检测方法、装置、设备及存储介质，解决了有的汽车故障检测方法准确性较低的问题。具体实施时，首先对当前样本矩阵应用动态主成分分析算法，得到当前样本矩阵所对应的增广矩阵；然后对增广矩阵应用核主元分析算法，得到增广矩阵所对应的核矩阵；之后依据核矩阵的各个特征向量、核矩阵的各个特征值、核矩阵，得到主成分矩阵；最后依据主成分矩阵和核矩阵的各个特征向量，得到被检测汽车的检测结果。
61.举例说明，采集汽车当前数据，比如汽车当前时刻发动机扭矩、发动机转速、发动机冷却液温度，用这三者组成当前样本矩阵，对当前样本矩阵应用动态主成分分析算法生成增广矩阵，当前样本矩阵为增广矩阵其中一个元素，增广矩阵其它元素为发动机位于当前时刻之前时刻产生的扭矩、转速、冷却液温度组成的矩阵，再计算增广矩阵的核矩阵，并对其进行去中心化处理，核矩阵的元素值为增广矩阵内各个元素值之差，最后依据核矩阵的各个特征向量、核矩阵的各个特征值、核矩阵，得到主成分矩阵，根据主成分矩阵内的各个元素判断发动机是否发生故障。
62.示例性方法
63.本实施例的汽车故障检测方法可应用于终端设备中，所述终端设备可为具有计算功能的终端产品，比如电脑等。在本实施例中，如图1中所示，所述汽车故障检测方法具体包括如下步骤s100、s200、s300、s400：
64.s100，对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成。
65.比如计算汽车的发动机在当前时刻t的扭矩a
t
、转速v
t
、冷却液温度w
t
，位于当前时刻t之前的时刻t-1的扭矩a
t-1
、转速v
t-1
、冷却液温度w
t-1
，时刻t-2的扭矩a
t-2
、转速v
t-2
、冷却液温度w
t-2
。扭矩a
t
、转速v
t
、冷却液温度w
t
依序排列，组成行矩阵x
t
；扭矩a
t-1
、转速v
t-1
、冷却液温度w
t-1
依序排列，组成行矩阵x
t-1
；扭矩a
t-2
、转速v
t-2
、冷却液温度w
t-2
依序排列，组成行矩阵x
t-2
。x
t-2
、x
t-1
、x
t
依序排列，组成总样本矩阵x＝[x
t-2
,x
t-1
,x
t
]。
[0066]at
、v
t
、w
t
、a
t-1
、v
t-1
、w
t-1
、a
t-2
、v
t-2
、w
t-2
均是进行标准化处理之后的值，比如计算其中为a
′
t
、a
′
t-1
、a
′
t-2
的平均值，σ为a
′
t
、a
′
t-1
、a
′
t-2
三者的标准差，a
′
t
、a
′
t-1
、a
′
t-2
分别为a
t
、a
t-1
、a
t-2
标准化处理之前的值。对于v
t
、w
t
、a
t-1
、v
t-1
、w
t-1
、a
t-2
、v
t-2
、w
t-2
采用同样的上述方法计算。
[0067]
在一个实施例中，步骤s100包括如下的步骤s101、s102、s103、s104、s105、s106：
[0068]
s101，设定所述动态主成分分析算法dpca的模型阶数。
[0069]
确定dpca的模型阶数s，用以考虑当前时刻的数据和过去时刻的数据之间的动态关系。本实施例从计算的时间成本角度考虑取s＝2。
[0070]
s102，依据所述模型阶数s，得到矩阵列数。
[0071]
本实施例中，待构成的增广矩阵所包括的矩阵列数等于s 1。
[0072]
s103，依据所述模型阶数和样本总数n，得到矩阵行数，所述样本总数为所述当前样本所在的样本库所包含的样本数。
[0073]
本实施例中，待构成的增广矩阵所包括的矩阵行数等于n-s 1。
[0074]
s104，从所述样本库依次选取位于所述当前样本之前的样本，直至选取的样本所对应的数量达到所述矩阵列数，位于所述当前样本之前的样本所包括的数据的产生时刻位于所述当前样本所包括的数据的产生时刻之前，选取的样本记为第一样本组。
[0075]
如果当前样本为x
t
，那么第一样本组所包括的样本为x
t
,x
t-1
,
…
,x
t-s
。
[0076]
s105，从所述样本库依次选取位于所述当前样本之前的样本，直至选取的样本所对应的数量达到所述矩阵行数，选取的样本记为第二样本组。
[0077]
如果当前样本为x
t
，那么第一样本组所包括的样本为x
t
,x
t-1
,
…
,x
t s-n
[0078]
s106，依据所述第一样本组和所述第二样本组，构建增广矩阵x(s)。
[0079][0080]
s200，对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵。
[0081]
步骤s200包括如下的步骤s201、s202、s203：
[0082]
s201，对所述增广矩阵的行矩阵进行减法运算，得到中间矩阵。
[0083]
s202，计算所述中间矩阵的二范数。
[0084]
s203，依据所述中间矩阵的二范数，构建核矩阵k。
[0085]
核矩阵k为矩阵k去中心化处理之后的矩阵，而矩阵k中的第i行、第j列的元素k(i,
j)：
[0086][0087]
k(i,j)是以矩阵的形式作为矩阵k的元素，x(s)i为增广矩阵x(s)的第i行，x(s)j为增广矩阵x(s)的第j行,c为常数，||||2为二范数，x(s)
ι-x(s)j为中间矩阵。
[0088]
对矩阵k进行去中心化处理，得到核矩阵k：
[0089]
k＝k-ink-kin inkin[0090]in
代表元素为的n
×
n矩阵。
[0091]
s300，依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵。
[0092]
在一个实施例中，步骤s300包括如下的步骤s301、s302、s303、s304：
[0093]
s301，累加各个所述特征值，得到总累加和。
[0094]
s302，将各个所述特征值降序排列，得到由各个所述特征值构成的序列。
[0095]
s303，从所述序列的首部依次筛选所述特征值，直至筛选出的所述特征值所对应的局部累加和与所述总累加和之比大于阈值。
[0096]
s304，依据筛选出的所述特征值所对应的所述特征向量、所述核矩阵，得到主成分矩阵。
[0097]
s301至s304依据下列公式构成主成分矩阵ta:
[0098][0099]
ta＝αak
[0100]
λi为核矩阵k的第i个特征值，s为特征值总数，为总累加和，为局部累加和，λj降序排列得到的序列中的第j个特征值，85％为阈值，αa为a个特征向量组成的矩阵。
[0101]
举例说明，核矩阵k一共有五个特征值λ1、λ2、λ3、λ4、λ5，降序排列之后为λ5、λ2、λ4、λ1、λ3，当λ5、λ2之和(局部累加和)与λ1、λ2、λ3、λ4、λ5(总累加和)小于85％，而当λ5、λ2、λ4之和(局部累加和)与λ1、λ2、λ3、λ4、λ5(总累加和)大于85％，那么筛选出来的特征值(记为主元)就是λ5、λ2、λ4，这三个特征值对应的核矩阵的三个特征向量(此时a的值为3)就组成了αa。
[0102]
s400，依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果。
[0103]
在一个实施例中，步骤s400包括如下的步骤s401至s408：
[0104]
s401，依据所述核矩阵的各个特征向量α和所述核矩阵k，得到所述被检测汽车的数据波动指标t2，所述数据波动指标用户表征所述被检测汽车的数据稳定性。
[0105]
t＝αk
[0106]
t2＝taλ-1
t
at
[0107]
λ主元构成的对角矩阵。
[0108]
比如当前样本包括了发动机扭矩、发动机转速、发动机冷却液温度，矩阵t2内部的与发动机扭矩对应的元素值的大小反映了发动机扭矩在各个时刻的波动情况，该元素值越大，发动机扭矩越不稳定，反映在发动机上就是发动机出现故障。
[0109]
s402，将所述主成分矩阵ta乘以所述主成分矩阵的转置矩阵t
at
，得到第一矩阵tat
at
。
[0110]
s403，将所述核矩阵的各个特征向量构成的矩阵α乘以所述核矩阵k，得到中间矩阵t＝αk。
[0111]
s404，将所述中间矩阵乘以所述中间矩阵τ的转置矩阵τ
t
，得到第二矩阵ττ
t
。
[0112]
s405，将所述第二矩阵减去所述第一矩阵，得到所述被检测汽车的关联矩阵spe，所述关联矩阵中的元素用于表征所述被检测汽车的数据之间的关联程度。
[0113][0114]
s406，将所述数据波动指标t2与设定的波动控制限值比较，得到第一比较结果。
[0115]
在一个实施例中，β的值为99％。
[0116]
s407，将所述被检测汽车的所述关联矩阵spe的各个元素分别与设定的关联控制限值比较，得到第二比较结果。
[0117]
比如关联矩阵spe其中一个元素代表发动机各个时刻转速之间的相关程度，当该元素大于与转速对应的值时，就表明转速异常，即发动机出现故障。
[0118]
在一个实施例中，关联控制限值的计算方式如下：
[0119]
计算无故障汽车的所述关联矩阵中的各个元素值所对应的平均值mspe和标准差vspe。
[0120]
依据所述平均值mspe和所述标准差vspe，得到所述关联控制限值
[0121]
其中g＝vspe/(2*msspe),χh＝(2*mspe2)/vspe。
[0122]
比如，采集没有发生故障的汽车各个时刻的数据(比如发动机的温度、扭矩)，依次计算出没有发生故障的汽车对应的增广矩阵、核矩阵、主成分矩阵、关联矩阵，求多个关联矩阵中的同一个数据变量对应的mspe和vspe，比如温度的mspe和vspe，将温度的mspe和vspe带入到计算公式中，就得到了温度的关联控制限值
[0123]
s408，依据所述第一比较结果和所述第二比较结果，得到所述被检测汽车的检测结果。
[0124]
(第一比较结果)、spe大于(第二比较结果)，任意一个条件成立，则说明被检测汽车发生故障了。
[0125]
下面以xmq6127agchevn61混动公交汽车为例说明本发明检测汽车故障方法的准确性：
[0126]
采样周期为1s，使用10000个正常样本数据进行离线训练，9262个样本进行在线测试。从第1001个在线样本开始引入故障。图2至图5中横坐标代表采样时间，纵坐标代表t2或
spe值。直线代表t2的控制限值或spe对应的控制限值，曲线代表被检测汽车的t2或spe值。
[0127]
图2和图3为发动机过温时的故障检测图。可以看出，图2和图3中从第1001个样本开始，曲线开始高于直线，表明本发明的方法成功检测出了故障。
[0128]
图4和图5为电机过温时的故障检测图。可以看出，图4和图5中从第1001个样本开始，至少spe统计量所在的曲线线开始高于直线，表明本发明的方法成功检测出了故障。
[0129]
综上，由于本发明的增广矩阵中各个数据之间的相关性小，采用相关性较小的数据作为检测汽车故障的依据，能够提高检测结果的准确性。另外，本发明将动态主成分分析算法和核主元分析算法两种算法结合。而且，本发明用于判断检测结果的数据来源于被检测汽车自身，将汽车数据这一客观数据输入到由动态主成分分析算法、核主元分析算法构成的数学模型中，根据数据模型输出的数据，能够定量的检测出汽车故障，从而提高了检测准确性。
[0130]
本发明也适用于混合动力汽车的故障检测，采用了数据驱动中的主元分析算法，建立了精准的数据模型，相较于基于人工经验和不实时的汽车自诊断系统，本发明优化了故障检测的及时性和准确性。
[0131]
当被检测汽车为混合动力汽车时，本发明考虑了混合动力汽车数据的动态问题和非线性问题，采用了动态核主元分析算法，提高了故障检测的准确性。
[0132]
示例性装置
[0133]
本实施例还提供一种汽车故障检测装置，所述装置包括如下组成部分：
[0134]
增广矩阵计算模块，用于对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成；
[0135]
核矩阵计算模块，用于对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵；
[0136]
主成分矩阵计算模块，用于依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵；
[0137]
检测模块，用于依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果。
[0138]
基于上述实施例，本发明还提供了一种终端设备，其原理框图可以如图6所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种汽车故障检测方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端设备的温度传感器是预先在终端设备内部设置，用于检测内部设备的运行温度。
[0139]
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0140]
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的汽车故障检测程序，处理器执行汽车故障检测程序时，实现
如下操作指令：
[0141]
对当前样本矩阵应用动态主成分分析算法，得到所述当前样本矩阵所对应的增广矩阵，所述当前样本矩阵由被检测汽车的当前时刻数据构成；
[0142]
对所述增广矩阵应用核主元分析算法，得到所述增广矩阵所对应的核矩阵；
[0143]
依据所述核矩阵的各个特征向量、所述核矩阵的各个特征值、所述核矩阵，得到主成分矩阵；
[0144]
依据所述主成分矩阵和所述核矩阵的各个特征向量，得到所述被检测汽车的检测结果。
[0145]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0146]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。