本文介绍了国际标准ISO/SAE 21434第一版2021-08,该标准是针对道路车辆网络安全工程的参考号。本文提供了ISO/SAE 21434:2021(E)的中英文对照翻译,版权受保护。该标准旨在为车辆制造商、供应商和其他相关方提供指导,以确保车辆网络安全性能的可靠性和安全性。
2023-10-12 15:48:18 5.86MB ISO 21434
1
改文档为美国汽车协会发布的通信网络物理层的协议
2023-07-19 16:48:18 75KB SAE
1
SAE J1939_14_2022 Physical Layer, 500 kbit-s.pdf
2023-07-04 22:29:42 1.05MB SAE
SAE J3187-2022 System Theoretic Process Analysis (STPA) Recommended Practices for Evaluations of Automotive Related Safety-Criti.pdf
2023-05-16 09:05:47 30.86MB 安全 SAE
基于pytorch实现的堆叠自编码神经网络,包含网络模型构造、训练、测试 主要包含训练与测试数据(.mat文件)、模型(AE_ModelConstruction.py、AE_Train.py)以及测试例子(AE_Test.py) 其中ae_D_temp为训练数据,ae_Kobs3_temp为正常测试数据,ae_ver_temp为磨煤机堵煤故障数据,数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定,可根据使用者的输入值来构造神经网络,方便调试 autoencoder类在初始化时有三个参数,第一个是网络输入值,第二个是SAE编码过程的层数(编码、解码过程层数相同),第三个是是否添加BN层 这里为了构造方便,给每层神经元的个数与层数建立一个关系:第一层神经元的个数为2^(layer数+2),之后逐层为上一层的1/2
2023-04-13 21:52:14 15.8MB pytorch 堆叠自编码 神经网络 SAE
1
Existing zero-shot learning (ZSL) models typically learn a projection function from a visual feature space to a semantic embedding space (e.g.~attribute space). However, such a projection function is only concerned with predicting the training seen class semantic representation (e.g.~attribute prediction) or classification. When applied to test data, which in the context of ZSL contains different (unseen) classes without training data, a ZSL model typically suffers from the project domain shift
2023-03-31 21:13:36 13KB 自动编码器 SAE
1
图像矩阵matlab代码格randint挑战赛:Salient360! 简单的介绍 该代码适用于Salient360的巨大挑战! 在ICME 2017上。代码中实现了两个计算模型,分别是: 基于头部运动的显着性模型(模型类型1); 和 基于头部和眼睛运动的显着性模型(模型类型2)。 模型类型1和2的相应功能分别是HeadSalMap和HeadEyeSalMap 。 该方法基于我们以前的出版物[1],该出版物采用了基于堆叠的基于自动编码器的重构框架。 用法 要使用该代码,需要执行以下步骤: 将文件salient360_XDQS.tar.gz解压缩到文件夹 。 在下创建两个子文件夹, images和saliency 。 将要处理的图像移动到文件夹/images 。 执行MATLAB脚本process.m与命令行matlab < process.m 。 输入文件夹/saliency以检查结果。 执行脚本后,结果将存储在<s
2023-03-17 10:31:01 21KB 系统开源
1
自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界(例如牛津,麻省理工学院)和工业界(例如Google,特斯拉)的极大兴趣。 但是,由于普遍的知识,我们发现直接实现全自动驾驶(SAE 5级)非常困难。 为了解决这个问题,深度模仿学习是一种有前途的解决方案,可以从人类的演示中学习知识。 在这个项目中,我们研究了如何使用深度模仿学习来实现车辆动态控制(例如转向角,速度)。 我们使用了Udacity( )提供的数据集和模拟器以及现实世界中的comma.ai数据集。
2023-03-02 16:47:03 14KB Python
1
这是一个sae j1939中很重要的一个文件,关于PGN的分配、数据的算法、源地址的分配做了详细的说明。
2023-03-01 14:13:09 738KB PGN SAE1939 源地址
1
路面车辆推荐操作规程(被采纳为美国国家标准)SAE J1939-71:车辆应用层。 本系列 SAE 推荐操作规程是由卡车及客车电子电气委员会所属的卡车及客车控制及通 信小组委员会制定的。该小组委员会的目标是针对电控单元的需求、设计和使用,提交消息 报告、制定推荐操作规程。这些电控单元在汽车部件之间传递着电子信号和控制信息。本规 程的使用不限于卡车和客车应用,其对于其他的应用也可以提供直接的支持,正如已在建筑 及农业设备和固定式的动力系统。
2022-12-14 17:09:21 1.2MB J1939 CAN 汽车
1