AutoSar实战进阶系列导读

AI摘要

本文介绍了一个涵盖MCAL、模式管理、诊断、通信、功能安全、信息安全及ASPICE流程的综合性AutoSar实战专栏。内容结合EB和Davinci工具,深入讲解配置开发、调试与测试实践,适用于汽车电子软件开发者系统化学习与应用。

1.系列概述

区别于之前文章中按不同模块单独开的专栏,本专栏将会把Autosar所有实战篇模块如:MCAL、通信、诊断、模式管理、OS及RTE各模块集合进来,全栈式实战开发细致讲解,此外还将会将功能安全,ASPIECE流程开发中的内容也加入进来,形成一个综合全面的AutoSar实战进阶。

本专栏会结合本人多年工作总结不断持续更新,作大家技术路线上的好搭档。

在这个知识付费的年代,如果撰写者得到了一点小的激励,输出的高质量产品的动力会得到提升,本人也经常会付费购买一些培训,讲座,自认为这是一个良性的循环。考虑到大家对研究方向的不同,关于专栏的选择有建议:

  1. 之前诊断、通信、模式管理等模块的文章也会同时更新,如果大家只需要看单独一个大模块的东西只需要选择那一个专栏即可,价格也更实惠些;
  2. 如果打算在汽车电子软件行业长期深耕,想对各模块都有更系统全面的掌握,可以选购本专栏,相对于单独叠加各个大模块的专栏,本专栏整合起来性价比更高。

此外,如果有对基础入门文章需求的同学可以通过Autosar系列文章概览及快速链接快速查阅。

另外也想提一下的是,我不希望大家是因为哪一篇写的好或者不好而冲动购买专栏,这是一个整体,一个体系,大家的侧重点不同,文章肯定是无法满足每一个读者的要求的,所以在购买前请您三思,我也不是靠卖专栏谋生,只是想在总结个人知识顺便能为自己持续去写找个激励手段。

2.已发布文章链接

2.1 MCAL实战配置篇

  1. 基于EB工具的TC3xx_MCAL配置开发01_WDG模块配置介绍
  2. 基于EB工具的TC3xx_MCAL配置开发02_ICU模块配置
  3. 基于EB工具的TC3xx_MCAL配置开发03_GPT模块配置
  4. 基于EB工具的TC3xx_MCAL配置开发04_ADC模块软件触发Demo配置
  5. 基于EB工具的TC3xx_MCAL配置开发05_ADC模块硬件Pwm触发Demo配置
  6. 基于EB工具的TC3xx_MCAL配置开发06_PWM模块配置

2.2 Autosar模式管理实战篇

  1. Autosar模式管理入门系列01-BswM[精选]
  2. Autosar模式管理入门系列02-EcuM[精选]
  3. Autosar模式管理入门系列03-WdgM[精选]
  4. Autosar模式管理实战系列01-BswM模式切换详细过程
  5. Autosar模式管理实战系列02-WdgM实战总结
  6. Autosar模式管理实战系列03-基于Davinci工具的WDGM配置
  7. Autosar模式管理实战系列04-WDGM调试篇
  8. Autosar模式管理实战系列05-基于Davinci工具的BswM模块开发(一)
  9. Autosar模式管理实战系列06-基于Davinci工具的BswM模块开发(二)
  10. Autosar模式管理实战系列07-BswM与COM模块的交互详解
  11. Autosar模式管理实战系列08-BswM与EcuM模块交互详解
  12. 如何通过Davinci Configurator来新增一个BswM仲裁规则

2.3 Autosar诊断实战篇

  1. Autosar诊断实战系列01-CanTp配置开发详解
  2. Autosar诊断实战系列02-Dem(DTC&Event)要点及配置开发详解
  3. Autosar诊断实战系列03-Dem之Event的NvM存储详解
  4. Autosar诊断实战系列04-Dem之Event的Debounce策略开发介绍
  5. Autosar诊断实战系列05-Dcm之0x27加解密服务配置开发详解
  6. Autosar诊断实战系列06-Dcm之0x2E需存储NvM的DID配置开发详解
  7. Autosar诊断实战系列07-Dcm之0x19 06扩展数据配置及工程问题讨论
  8. Autosar诊断实战系列08-Dcm之0x10会话服务配置开发详解
  9. Autosar诊断实战系列09-Dcm之0x31Routine服务配置详解
  10. Autosar诊断实战系列10-UDS 19 04读取冻结帧子服务思考
  11. Autosar诊断实战系列11-UDS 19 06故障老化次数的变化逻辑解读
  12. Autosar诊断实战系列12-UDS 0x22服务读取DID数据的几种接口类型区别详解
  13. Autosar诊断实战系列13-UDS 0x2E代码级分析及ECU-Pending期间的处理
  14. Autosar诊断实战系列14-UDS 0x27服务相关问题思考
  15. Autosar诊断实战系列15-接收到非预期N_PDU的处理方式介绍(全面)
  16. Autosar诊断实战系列16-BusOff DTC的触发逻辑及配置开发介绍
  17. Autosar诊断实战系列17-诊断处理代码级逻辑宏观分析
  18. Autosar诊断实战系列18-UDS单帧数据接收代码逻辑分析
  19. Autosar诊断实战系列19-UDS首帧数据接收及流控帧发送代码级分析
  20. Autosar诊断实战系列20-UDS连续帧(CF)数据接收代码级分析
  21. Autosar诊断实战系列21-UDS单帧/长帧发送代码级分析
  22. Autosar诊断实战系列22-DoCanFD数据链路层二三事
  23. Autosar诊断实战系列23-NRC优先级解析
  24. Autosar诊断实战系列24-Dem与BswM在ECU运行期间究竟擦出了哪些火花
  25. Autosar诊断实战系列25-基于CAPL语言的通信类诊断测试脚本开发
  26. Autosar诊断实战系列26-基于CANoe的长帧BS及STmin测试方法介绍
  27. Autosar诊断实战系列27-基于CanDiva的UDS自动化测试方法介绍
  28. Autosar诊断实战系列28-2E写DID Pending期间偶发回NRC0x13问题排查
  29. Autosar诊断实战系列29-0x28服务关通信后仍有报文发出

2.4 Autosar通信实战篇

  1. Autosar通信实战系列01-ComM模块要点及配置详解
  2. Autosar通信实战系列02-CanSM模块功能及配置开发详解
  3. Autosar通信实战系列03-NM模块要点及其配置介绍
  4. Autosar通信实战系列04-CanNM模块要点及其配置介绍
  5. Autosar通信实战系列05-CanNM模块进阶常见问题思考
  6. Autosar通信实战系列06-Com模块要点及其配置介绍(一)
  7. Autosar通信实战系列07-Com模块要点及其配置介绍(二)
  8. Autosar通信实战系列08-Com模块相关开发问题总结
  9. Autosar通信实战系列09-CanIf模块要点及其配置介绍(一)
  10. Autosar通信实战系列10-CanIf模块要点及其配置介绍(二)
  11. Autosar通信实战系列11-PduR模块要点及其配置介绍
  12. Autosar通信实战系列-CAN报文发送周期测试脚本开发及周期不准优化

2.5 信息安全实战篇

  1. 信息安全实战01_基于AES(CMAC)加密算法脚本开发
  2. 信息安全实战02_AES加密算法及AES-CMAC原理白话版系统解析
  3. 信息安全实战03-SHA256及RSA算法原理<万字细解>
  4. 信息安全实战04_ECC椭圆曲线加密算法原理详解

2.6 功能安全实战篇

  1. 功能安全实战系列-软件FEMA分析与组件鉴定
  2. 功能安全实战系列-DFA(Dependent Failure Analysis)分析
  3. 功能安全实战系列01-FlsTst(Flash Test)开发介绍
  4. 功能安全实战系列02-RamTst(RamTest)开发介绍
  5. 功能安全实战系列03-基于Davinci工具的WdgM配置
  6. 功能安全实战系列04-WdgM调试方法介绍
  7. 功能安全实战系列05-MPU(内存保护)开发介绍
  8. 功能安全实战系列06-英飞凌Tricore系列SMU详解
  9. 功能安全实战系列07-英飞凌TC3xx电源监控开发详解
  10. 功能安全实战系列08-英飞凌TC3xx ECC监控开发详解
  11. 功能安全实战系列09-英飞凌TC3xx LBIST开发详解
  12. 功能安全实战系列10-英飞凌TC3xx_SRI总线监控开发
  13. 功能安全实战系列11-英飞凌TC3xx_FPI总线监控开发
  14. 功能安全实战系列12-英飞凌TC3xx锁步核及其自检开发
  15. 功能安全实战系列13-英飞凌TC3xx Safety Flip-Flop寄存器及其自检介绍
  16. 功能安全实战系列14-英飞凌TC3xx MBIST检测理论篇
  17. 功能安全实战系列15-英飞凌TC3xx 复位类型与CHSW固件检测介绍
  18. 功能安全实战系列16-SMU AliveMonitor 监控开发
  19. 功能安全实战系列17-英飞凌TC3xx 时钟监控开发

2.7 Autosar调/测试实战篇

  1. 英飞凌Tricore问题排查01_Det/Reset/Trap排查宝典

2.8 ASPICE软件相关过程域介绍

Autosar诊断实战系列03-Dem之Event的NvM存储详解 详解Dem中Event的存储,主要话题如下:1)Dem触发NvM存储的基本流程;2)Dem触发NvM存储的layout格式及内容,Event与DTC的存储关系;3)Combined Event的存储处理。 阅读详情

相关推荐

TriCore MCAL MultiCAN控制器的配置与集成 AutoSAR

在TriCore MCAL中,MultiCAN控制器是用于CAN(Controller Area Network)通信的模块。在使用AutoSAR配置TriCore MCAL MultiCAN控制器之前,首先需要确保已安装和配置了适当版本的AutoSAR开发工具链。通过使用AutoSAR配置和集成TriCore MCAL MultiCAN控制器,开发人员可以更方便地实现CAN通信功能,并提高代码的可重用性和可维护性。根据AutoSAR配置,配置CAN控制器的参数和功能。函数演示了如何接收和处理CAN消息。

EcmFsharp的博客 356

AutoSAR系列讲解 - 前言

博主xyfx是一名汽车行业的嵌入式软件工程师,本职工作是同步电机的驱动控制(主要做FOC的,这个大家要是有兴趣,以后可以单独开一个专栏来讲解一下),由于做控制器的时候需要用到AutoSAR,所以特意的去学习了相关知识,同时博主自己也在同步提高中,有写的不合理的地方也请大家指正。我准备对AutoSAR开设两个大的方面来讲解,一是AutoSAR的入门篇,二是AutoSAR的实践篇,分别讲述AutoSAR的理论基础和工具的使用。

雪云飞星的博客 4万+

Autosar诊断实战系列导读

结合笔者在工作中的应用经验对Autosar 诊断实战开发部分进一步介绍,本篇介绍包括系列概述及文章快速链接

initiallizer的博客 3449

Autosar模式管理实战系列导读

Autosar模式管理实战系列导读及本系列已发布文章快速链接

initiallizer的博客 1448

AutoSar功能安全实战系列导读

本文是一系列关于汽车电子控制器功能安全开发的实战指南。文章以实战为主,针对英飞凌Tricore和瑞萨RH850等主流MCU,详细讲解功能安全组件开发,包括RAM/Flash自检、ECC检测、锁步核检测等模块的实现。目前已发布15篇技术文章,涵盖FMEA分析、DFA分析、MPU开发、SMU详解、电源监控、ECC监控、LBIST开发等内容。该系列将持续更新,旨在帮助工程师掌握功能安全开发技能,成为优秀的功能安全软件工程师。

initiallizer的博客 412

Autosar模式管理入门系列03-WdgM

Wdg/WdgIf/WdgM系统介绍,全面,综合,清晰易懂。

initiallizer的博客 8607

AUTOSAR CP RTE规范导读

函数中创建了软件组件和RTE,并设置了软件组件给RTE。然后,通过模拟发送数据事件和处理结果事件,展示了RTE如何根据事件来触发软件组件的执行,并实现数据的传输和处理。在软件组件设置数据和处理数据的过程中,通过进入和退出排他区域来保证数据的一致性,避免了多线程访问时的数据冲突。函数设置了软件组件。当接收到事件时,RTE根据事件类型调用相应的任务函数进行处理,实现了软件组件之间的通信和交互。在上述示例中,软件组件通过设置输入数据来触发事件,RTE接收到事件后进行数据处理,并将处理结果返回给软件组件。

898

AUTOSAR AP中Rust应用的说明导读

引言目的与受众:为用Rust编写AUTOSAR自适应应用程序的开发者提供接口相关信息,假设开发者熟悉自适应AUTOSAR概念和C++应用编程接口。动机与优势解决C++问题:C++在汽车应用中面临内存管理、多线程等挑战,Rust旨在解决这些问题,如Rust的所有权系统有助于避免内存管理错误,示例代码中对象所有权传递明确,如创建了一个被Arc包裹的Mutex,其所有权可按规则传递和共享。优势对比:在语言设计上,Rust注重正确性且有足够速度;内存管理采用正式化所有权机制,编译时检查;多线程数据保护通过。

1228

Autosar CP OS规范导读

这只是一个简单的示例,实际的AUTOSAR OS实现会更加复杂,包括更多的功能模块、错误处理、资源管理等方面的内容。这个示例旨在帮助你理解AUTOSAR OS的一些主要概念和功能,以便进行更深入的学习和研究。请注意,这只是一个简单的示例,实际的AUTOSAR OS实现要复杂得多。在主函数中,我们创建了任务管理器、中断处理对象、内存管理器和定时器,并进行相应的初始化和启动操作。类实现了定时器的功能,通过指定的时间间隔进行定时,并在定时到期时输出相应的信息。这个类模拟了内存管理的基本功能,包括内存分配和释放。

1419

AUTOSAR CP TCP/IP堆栈规范导读

请注意,这只是一个简单的示例,实际的TCP/IP堆栈实现会更加复杂,包括协议栈的各个层次、网络接口的处理、数据包的封装和解析、错误处理等功能。此外,还需要与底层的网络硬件和操作系统进行交互,以实现真实的网络通信。这个示例旨在帮助你理解TCP/IP堆栈的基本工作原理,实际应用中可能需要使用操作系统提供的网络编程接口和库来实现完整的TCP/IP通信功能。对象,并模拟发送了一个数据包。然后,将该数据包传递给。

1034

XCP实战系列导读

XCP实战系列文章导读及已发布文章快速链接

initiallizer的博客 4860

Autosar模式管理入门系列02-EcuM

对EcuM状态机切换过程及模块中重要API进行介绍。

initiallizer的博客 7099

Autosar模式管理入门系列01-BswM

Autosar架构下的模式介绍,介绍BswM中各模块含义、功能及配置进行介绍。

initiallizer的博客 7395

dxf-viewer 查看器

dxf-viewer SDK 的示例,它是一个基于 Three.js 和 Vue3 构建的基于 WebGL 的 BIM 模型查看器。它用于查看 DWG/DXF/PDF 文件。面积测量 - 角度测量 -标记。

qq_25547755的博客 870

HIC测序数据生信分析——第三节,HIC数据挂载

(取决于是否运行①prune模块,若①运行,则③运行;#HIC预处理后的比对文件Unknown_BM942-001H0001_1_val_1.Unknown_BM942-001H0001_2_val_2.hicup.bam 和contig基因组序列文件genome.fa。#HIC预处理后的比对文件Unknown_BM942-001H0001_1_val_1.Unknown_BM942-001H0001_2_val_2.hicup.bam 和contig基因组序列文件genome.fa。#这个方法简单一点。

weixin_44616693的博客 3603

排列显示阿拉伯语、数字及英文时的处理方法

这段时间参与开发沙特阿拉伯的网站模板,模板使用的语言是阿拉伯语,其显示顺序为从右到左,而中文、数字及英文的显示顺序为从左到右 ,所以当遇到一行文字内既有阿拉伯语又有数字和英文时会出现语序混乱的问题,如 期待显示的文案为: 按顺序写入,对应的代码如以下,其中currency_pay为变量,值为356SAR <span>الدفع الفعلي:{{currency_pay}}</span> 显示为 الدفع الفعلي : 356SAR 金额356和货币符号SAR分开了,这样显

llq886的博客 5807

深入解析MSPM0系列Keil开发中‘ti_msp_dl_config.h‘缺失问题的根源与修复

本文深入解析TI MSPM0系列Keil开发中'ti_msp_dl_config.h'文件缺失问题的根源与修复方法。该错误常见于编译时提示file not found,主要因SysConfig工具未正确生成或工程路径配置错误导致。文章提供了从环境检查、手动生成文件到工程配置调整的系统化解决方案,帮助开发者快速解决这一常见KEIL开发难题。

gold的博客 972

Mac上快速部署DeepSeek模型:Ollama终端操作全指南

本文详细介绍了在Mac上使用Ollama终端快速部署DeepSeek模型的完整指南。从硬件要求、Ollama安装、模型下载运行,到高级配置、可视化界面及常见问题解决,提供了全流程操作步骤与优化技巧,帮助开发者高效搭建本地AI助手,实现稳定、私密的离线使用体验。

weixin_29251567的博客 558

ASP.NET MVC5 C# Entity Framework 连接 Oracle 数据库

ASP.NET MVC5 C# Entity Framework 连接 Oracle 数据库创建数据库安装 Entity Framework配置数据库连接字符串添加实体模型类添加数据库上下文类添加控制器类运行测试 创建数据库 创建【全局数据库名】为 demodb 的Oracle数据库,用 SYSTEM 用户连接成功后创建【用户名】为 DJIANG 的用户,并授予该用户 DBA 角色 安装 Enti...

idjiang的博客 2538

富斯遥控器-ros机器人控制

富斯遥控器-ros机器人手柄控制

zkh7758的博客 1706

【基于 CasADi 的欠驱动无人船实时非线性模型预测控制(NMPC)实现与避碰仿真】MATLAB开源复现

本文提出了一种基于CasADi的欠驱动无人船实时非线性模型预测控制(NMPC)方法,实现了轨迹跟踪与避碰功能。研究采用三自由度USV动力学模型,集成静态与动态障碍物避碰约束,并满足国际海上避碰规则(COLREGS)。通过CasADi+IPOPT数值优化求解,实现了毫秒级实时控制。文章详细介绍了USV建模、NMPC控制器设计、避碰约束建模以及CasADi实现流程,包括核心求解流程和轨迹生成方法。实验结果表明,该方法能有效实现复杂环境下的轨迹跟踪与避碰功能。

vor234的博客 1400

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: Autosar诊断实战系列08-Dcm之0x10会话服务配置开发详解
下一篇: Autosar通信实战系列02-CanSM模块功能及配置开发详解
Autosar汽车电子进阶
Autosar汽车电子进阶 领域专家: 嵌入式与硬件开发技术领域 领域专家: 嵌入式与硬件开发技术领域
博客等级 码龄6年 3万+粉丝 193原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

Autosar汽车电子进阶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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