vehicle network communication chord

2024-01-25 01:38

本文主要是介绍vehicle network communication chord,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

和弦图最早用于表现数据关联的可视化,是在生物学中基因组的比对,基于perl开发的circos工具[1]。这种可视化效果图最重要的特点就是,用类似多层极坐标的方式,描述了数据之间的结构,并用弦线表示数据之间的关联关系。

汽车上的分布式控制系统之间的通讯数据,也存在类似的结构和关联关系,例如:节点-报文-信号的组合结构关系,节点之间报文的收发关联关系等。这类通讯数据结构,往往代表了一个车型的核心协议设计。

传统的表格描述方式在展现这种复杂设计时,往往用一个大的二维矩阵,行列标题冠以各节点名称,对应单元格填上PDU(协议数据单元)的名称,这样仅能表示收发关系,通讯数据的详细信息只能用另外的表来描述。

最典型的是Excle用折叠的方式,来层层展开数据之间的组合关系,然后用多级标题矩阵来描述数据的特征。数据量一大就蔚为壮观,拖来拖去都看不到边,重复的标题和格式块占满了屏幕,要找的内容只能靠缩放来查找。

用和弦图的方式来表示汽车总线通讯矩阵其实很简单,在R中从导入dbc到用circlize成图[2],核心脚本不到20行。



以节点收发关系矩阵为例,上图中,圆周上弧度的长短表示所收发信号的bit位长度总和,Tx弧段引出的相同颜色和弦线指向接收节点。

与通信矩阵相比,由于圆周弧长与信号位长成正比,各ECU在总线上通讯的信息量就很容易看出来。发送信息量较大的BCM在弧度上占的比例就比较大,PDC和PEPS就比较小。

和表格中折叠或合并的处理方式不同,数据之间的组合关系可以更直观表现出来,用同心圆的方式从外向内套接多层弧段就可以了。如果上图表示的是CAN报文层的话,往外在套一个节点层,并调整颜色就可以表示节点与报文之间的发送关系了。报文与信号之间的包含关系类似。

更复杂一点的,还可以在弧段扇形区域,配以文字、折线图或表格等,描述更多地信号细节,如:周期、单位等。这样的话,就只能用交互图的方式,在Hint中展现细节了。

有一种说法,树是19世纪的图腾,matrix表是20世纪的图腾,21世纪该轮到网了。


转载请保持原文完整,并注明出处。


参考链接:

1. http://www.plob.org/tag/circos2

2. http://cran.r-project.org/web/packages/circlize/


这篇关于vehicle network communication chord的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/641695

相关文章

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

图神经网络框架DGL实现Graph Attention Network (GAT)笔记

参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1],该程序实现了利用图神经网络框架——DGL,实现图注意网络(GAT)。应用demo为对机器学习论文数据集——Cora,对论文所属类别进行分类。(下图摘自[3]) 1. 程序 Ubuntu:18.04

深度学习--对抗生成网络(GAN, Generative Adversarial Network)

对抗生成网络(GAN, Generative Adversarial Network)是一种深度学习模型,由Ian Goodfellow等人在2014年提出。GAN主要用于生成数据,通过两个神经网络相互对抗,来生成以假乱真的新数据。以下是对GAN的详细阐述,包括其概念、作用、核心要点、实现过程、代码实现和适用场景。 1. 概念 GAN由两个神经网络组成:生成器(Generator)和判别器(D

POJ 1018 Communication System(枚举)

题目: http://poj.org/problem?id=1018 题解: 我们可以枚举每一种B可能的值,然后寻找每一行里大于等于B里最小的P。 代码: #include<cstdio>#include<stdlib.h>struct in{double B,P;}a[101][101];double b[10001];int t[101];int cmp(cons

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

Lenze伦茨EMF2102IBC−LECOM−A/B/LI L−force Communication手测

Lenze伦茨EMF2102IBC−LECOM−A/B/LI L−force Communication手测

F12抓包05:Network接口测试(抓包篡改请求)

课程大纲         使用线上接口测试网站演示操作,浏览器F12检查工具如何进行简单的接口测试:抓包、复制请求、篡改数据、发送新请求。         测试地址:https://httpbin.org/forms/post ① 抓包:鼠标右键打开“检查”工具(F12),tab导航选择“网络”(Network),输入前3项点击提交,可看到录制的请求和返回数据。

OpenSNN推文:神经网络(Neural Network)相关论文最新推荐(九月份)(一)

基于卷积神经网络的活动识别分析系统及应用 论文链接:oalib简介:  活动识别技术在智能家居、运动评估和社交等领域得到广泛应用。本文设计了一种基于卷积神经网络的活动识别分析与应用系统,通过分析基于Android搭建的前端采所集的三向加速度传感器数据,对用户的当前活动进行识别。实验表明活动识别准确率满足了应用需求。本文基于识别的活动进行卡路里消耗计算,根据用户具体的活动、时间以及体重计算出相应活

deepcross network(DCN)算法 xdeepfm是DCN的进阶

揭秘 Deep & Cross : 如何自动构造高阶交叉特征 https://zhuanlan.zhihu.com/p/55234968 Deep & Cross Network总结 Deep和Cross不得不说的秘密 [深度模型] Deep & Cross Network (DCN) https://mp.weixin.qq.com/s/Xp_xTmcx56tJqfjMhFsArA

F12抓包04:(核心功能)Network接口抓包、定位缺陷

课程大纲 一、录制请求 ① tab导航选择“网络”(Network),即可进入网络抓包界面,进入界面默认开启录制模式,显示浏览器当前标签页的请求列表。 ② 查看请求列表,包含了当前标签页执行的所有请求和下载的资源,列表显示每条请求的相应内容。 还可以在字段行单击右键,勾选想要查看的字段。 ③ 单击列表项的“名称”,可以查看请求的详细内容。接口请