墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
239平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AutoSAR（AUTomotive Open System ARchitecture）是一种开放的汽车电子系统架构，旨在提供基于标准化软件组件的汽车电子系统开发平台。在 AutoSAR 架构中，PduR（Protocol Data Unit Router）模块扮演着重要角色，负责协议数据单元（Protocol Data Units, PDUs）的路由和转换。本文将深入解析 PduR 模块的原理和功能，并附上相应的源代码示例。
PduR 模块主要负责管理来自不同ECU（Electronic Control Unit）之间的通信，通过路由和转换支持不同网络层之间的数据传输。它提供了一种灵活的方式来处理协议相关的数据单元，使得不同网络层之间的通信变得简单高效。
下面是一个简化的 PduR 模块的源代码示例，用于展示其基本原理和功能：
#include <stdio.h>
/* 定义 PDU 数据结构 */
typedef struct {
新手必看：AUTOSAR PDUR模块配置入门指南
深入讲解AUTOSAR架构下PDUR模块的配置流程与关键要点，帮助新手快速掌握通信路由机制和模块集成方法，提升开发效率。
AUTOSAR通信篇-CAN网络通信（三：PduR）
PduR提供路I-PDU(Interaction Layer Protocol Data Units)的路由服务。PduR基于静态定义的I-PDU标识符来执行I-PDU的路由，在运行期间没有I-PDU被动态路由，即PduR的路由表是静态配置，配置完成后在运行时不支持更改。PduR路由路径：静态路由路径，描述的是每个被路由I-PDU的路由属性。PduR引擎：根据PduR路由路径执行路由功能的代码，PduR引擎要处理将I-PDU从Source路由到Destination；
【AUTOSAR-CP-CAN-4】PduR 模块详解
参考自 AUTOSAR PduR SWS R21-11I-PDU：Interaction Layer Protocol Data Unit，交互层协议数据单元，可以理解为 TCP\IP 中的网络报文，包括协议控制信息和用户数据信息。使用 or APIs 的通信接口模块，例如 Com、CanIf、LinIf使用 or APIs 的传输协议模块，例如 Com、CanTp、LinTp。
AUTOSAR PDUR模块介绍
AUTOSAR PDUR模块介绍 PDUR 基本功能 AUTOSAR PDUR是AUTOSAR PDU Router，是AUTOSAR Basic Software中的一个模块，在AUTOSAR架构中位于如Figure 1所示，其主要作用是提供路由I-PDU（interaction layer - protocal data unit）的服务。 包含以下模块类型，路由是静态配置的，不能在运行时动态配置路由。 PDUR在Communication Structure中所处位置 PDUR与邻近模块关系的接口
【AUTOSAR COM PDUR】 PDU路由器模块（PduR）技术解析
AUTOSAR PDU路由器(PDUR)技术解析 PDUR是AUTOSAR通信栈的核心中间件，负责模块间数据路由与协议转换。其核心功能包括： 多协议路由：支持CAN/LIN/FlexRay等总线的跨模块通信，提供TP路由（长帧重组）和接口路由（实时转发）两种模式 网关处理：实现多总线间数据转发，含触发传输（缓存转发）和直接传输两种机制 状态管理：通过PDUR_Status状态机（UNINIT/ONLINE）控制模块生命周期，独立管理各路由路径启用状态 缓冲区机制： 传输缓冲区：支持多级FIFO队列和元数据存
VSCode上搭建C/C++开发环境（vscode配置c/c++环境）Windows系统---保姆级教程
关于VSCode上搭建C/C++开发环境的内容，到这里就结束了，这里博主感叹一下，VSCode真的挺强大的，作为一个编辑器，可以通过和编译器链接成为开发环境，将环境配置好的话，在这上面写代码似乎也是个不错的选择。大家有任何疑问，欢迎在评论区中提出，本篇博客有任何问题和错误也欢迎来和博主讨论，真心希望能和大家一起进步。最后，如果本篇博客对你有帮助的话，能不能给博主一个三连啊！
STM32版CCD线性摄像头寻线寻迹小车_stm32接ccd
目前大多数的小车寻线寻迹都是用红外对管寻线，这是比较简单也比较成熟的技术方案，且成本也低。本文将介绍使用CCD线性摄像头寻线寻迹。TSL1401 线性传感器由一个 1x128 的光电二极管阵列、相关的电荷放大电路以及一个内部像素数据保功能组成。内部像素数据保功能可以为所有像素点提供同时积分的开始和停止时间。该阵列由 128 个像素组成，每个像素的感光面积为 3,524.3 平方微米。像素之间的间隔为 8μm。内部控制逻辑简化了操作，该模块需要串行输入（SI）信号和时钟信号（CLK）。
避开SM30维护视图的坑：自动更新字段+日志记录的5个关键配置步骤
本文深入解析了SAP ABAP开发中SM30维护视图的深度定制，聚焦于实现自动更新字段与日志记录功能。文章详细阐述了从SE54配置起点到核心编码的5个关键步骤，重点讲解了如何利用事件驱动模型（如05创建事件和01保存前事件）安全操作动态数据结构，并提供了避免常见陷阱的实用技巧，帮助开发者构建稳定可靠的自动化维护机制。
MST-GAT: Enhancing Anomaly Detection in Multimodal Time Series with Intra- and Inter-Modal Attention
本文深入解析了MST-GAT模型，这是一种通过模态内与模态间注意力机制增强多模态时间序列异常检测的新方法。它通过构建图结构显式建模传感器间的复杂时空依赖，并结合时间卷积网络与联合优化策略，有效降低了传统方法中常见的误报与漏报问题，在工业监控等场景中展现出卓越性能。
芯片低功耗设计的两种常用EDA流程
如题。
2、欧洲期权的赫斯顿模型
本文详细介绍了赫斯顿随机波动率模型在欧洲期权定价中的应用。模型通过引入随机方差过程，克服了布莱克-斯科尔斯模型中波动率恒定的局限性，更贴近市场实际。文章阐述了模型的动态结构、风险中性转换、期权定价公式及其半封闭解的计算方法，并提供了基于VBA的数值实现方案。通过梯形法则与高斯积分等数值方法对比，分析了不同积分策略的精度与效率。同时验证了当波动率为零时，赫斯顿模型退化为布莱克-斯科尔斯模型的一致性。最后讨论了模型的优势、挑战及实际应用建议，强调了数值积分稳定性和参数估计的重要性。
手把手教你学Simulink--移动机器人多轮协同场景实例：基于Simulink的双轮差速PMSM轮毂电机协同驱动仿真
本文介绍了基于Simulink的双轮差速PMSM轮毂电机协同驱动仿真系统。针对移动机器人存在的电机参数不一致、负载分配不均等问题，提出主从同步+力矩补偿的协同控制策略。通过搭建包含运动学模型、PMSM电机模型和矢量控制器的仿真系统，实现了速度同步误差<0.005m/s、轨迹跟踪误差<0.8cm、能耗降低12.5%的优化效果。文章详细阐述了建模步骤、核心算法实现和性能验证，为移动机器人动力系统设计提供了实用参考方案。
js逆向-逆向部分技巧总结
js逆向-逆向部分技巧总结
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
746
扫一扫
