13、蜂窝车联网(C-V2X):连接自动驾驶的标准化与应用

蜂窝车联网(C-V2X):连接自动驾驶的标准化与应用

1. 标准体系概述

不同地区在C-V2X标准化方面都有各自的进展,以下是主要地区的标准情况:
- 欧洲(ETSI)
- ETSI ITS协议架构在接入层有两种选择,相关规范涵盖了LTE-V2X接入层、地理网络、智能交通系统无线电通信设备等多个方面。
- 具体规范如下表所示:
| ETSI ITS编号 | 主题 |
| — | — |
| EN 303 613 | LTE-V2X接入层 |
| EN 302 636 - 4 - 1 | 地理网络 |
| EN 302 571 | 工作在5855 MHz至5925 MHz频段的智能交通系统(ITS)无线电通信设备;符合2014/53/EU指令第3.2条基本要求的协调标准 |
| TR 103 576 - 2 | 互操作性和向后兼容性 |
| TS 102 941 | 安全 |
| TR 103 766和TR 103 667 | 同频共存 |
| TR 103 688 | 接收器要求 |
| TR 102 962 V2 | 公共移动网络框架 |
| ITS WG5 TR 103 630 | 使用蜂窝Uu接口的C-ITS通信的ITS设施层安全研究 |
| ITS WG5 TS 103 692 | 安全实体与设施层之间的接口 |

  • 美洲(SAE)
    • 2014年,SAE国际成立了DSRC技术委员会,与ETSI ITS WG1和IEEE1609 W
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值