1.一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，采用基于樹木年輪仿生優(yōu)化的全連接神經(jīng)網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行特征提取，獲得第一特征，包括：
3.根據(jù)權(quán)利要求2所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，根據(jù)訓(xùn)練數(shù)據(jù)分布調(diào)整每層的神經(jīng)元數(shù)量和權(quán)重具體為：
4.根據(jù)權(quán)利要求1所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，采用基于掩碼增強(qiáng)的自編碼神經(jīng)網(wǎng)絡(luò)對第一特征進(jìn)行特征降維，獲得第二特征，包括：
5.根據(jù)權(quán)利要求4所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，對于每個(gè)輸入向量，隨機(jī)生成掩碼矩陣具體為：
6.根據(jù)權(quán)利要求4所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，對自編碼器模型進(jìn)行微調(diào)具體為：
7.根據(jù)權(quán)利要求1所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，采用基于量子混沌理論的分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器模型，利用第二特征進(jìn)行分類器模型訓(xùn)練，包括：
8.根據(jù)權(quán)利要求7所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，激活函數(shù)參數(shù)的調(diào)整方式為：
9.根據(jù)權(quán)利要求1所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，獲取車載終端的傳感數(shù)據(jù)還包括：
10.根據(jù)權(quán)利要求9所述的一種面向車載終端的車輛行為異常模式識(shí)別方法，其特征在于，采用基于自修復(fù)策略的生成對抗網(wǎng)絡(luò)對獲取數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充包括：