CN113259216A - 一种can总线信号解析方法及系统 - Google Patents

一种can总线信号解析方法及系统 Download PDF

Info

Publication number
CN113259216A
CN113259216A CN202110723189.7A CN202110723189A CN113259216A CN 113259216 A CN113259216 A CN 113259216A CN 202110723189 A CN202110723189 A CN 202110723189A CN 113259216 A CN113259216 A CN 113259216A
Authority
CN
China
Prior art keywords
signal
obtaining
template
message
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110723189.7A
Other languages
English (en)
Other versions
CN113259216B (zh
Inventor
陈琛
梁云鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weiqi Tianjin Information Technology Co ltd
Original Assignee
Weiqi Tianjin Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Weiqi Tianjin Information Technology Co ltd filed Critical Weiqi Tianjin Information Technology Co ltd
Priority to CN202110723189.7A priority Critical patent/CN113259216B/zh
Publication of CN113259216A publication Critical patent/CN113259216A/zh
Application granted granted Critical
Publication of CN113259216B publication Critical patent/CN113259216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/22—Parsing or analysis of headers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种CAN总线信号解析方法及系统，所述方法包括：通过对第一报文信号进行识别和静态信号过滤，获得第二报文信号；通过对所述第二报文信号进行子集切分，获得子信号集合；根据所述子信号集合，获得第一解码信号；对所述第一解码信号进行平稳性检验；获得第一模板信号；基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果。解决了现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题。

Description

一种CAN总线信号解析方法及系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种CAN总线信号解析方法及系统。
背景技术
现代乘用车包含了复杂的机电系统，汽车中各个系统通过CAN（Controller AreaNetwork）总线传输报文进行通信，以保证汽车各系统安全高效地工作，但不同的汽车制造商对通讯过程的实现却是不同的，也就是汽车制造商可以随意地选取id以及信号传输位置来代表并传输某个报文信号，而相关的id与真实信号的映射信息又是不对外公开的，为了读懂每辆车自己的语言密码，更好地掌握汽车的控制逻辑，对CAN通信进行逆向工程显得尤为重要。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题。
发明内容
本申请实施例通过提供一种CAN总线信号解析方法及系统，解决了现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题，达到了基于计算机替代人工的方式，提高信号解析效率，实现高效准确解析过程的技术效果。
鉴于上述问题，提出了本申请实施例提供一种CAN总线信号解析方法及系统。
第一方面，本申请实施例提供了一种CAN总线信号解析方法，其中，所述方法应用于一种CAN总线信号解析系统，所述方法包括：根据第一读取指令，获得第一CAN总线的第一报文信号；通过对所述第一报文信号进行识别，获得第一报文编码格式；根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；通过对所述第二报文信号进行子集切分，获得子信号集合；根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；通过对所述第一解码信号进行平稳性检验，获得第二读取指令；根据所述第二读取指令，获得第一模板信号；基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
另一方面，本申请还提供了一种CAN总线信号解析系统，所述系统包括：第一获得单元，所述第一获得单元用于根据第一读取指令，获得第一CAN总线的第一报文信号；第二获得单元，所述第二获得单元用于通过对所述第一报文信号进行识别，获得第一报文编码格式；第一过滤单元，所述第一过滤单元用于根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；第三获得单元，所述第三获得单元用于通过对所述第二报文信号进行子集切分，获得子信号集合；第一解码单元，所述第一解码单元用于根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；第一检验单元，所述第一检验单元用于通过对所述第一解码信号进行平稳性检验，获得第二读取指令；第四获得单元，所述第四获得单元用于根据所述第二读取指令，获得第一模板信号；第一计算单元，所述第一计算单元用于基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；第二计算单元，所述第二计算单元用于通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；第一输入单元，所述第一输入单元用于将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
第三方面，本发明提供了一种CAN总线信号解析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过读取第一CAN总线的报文信号，并对报文信号的编码格式进行识别获得第一报文编码格式，进行对应于编码格式完成静态信号的过滤，获得非静态信号的第二报文信号，进一步的，通过对所述第二报文信号进行信号子集切分，提取出其中所有的子信号，进而对所有的子信号进行有符号的编码，对于进行编码后的信号进行平稳性检验，当信号是平稳的信号时循环中止，之后通过动态时间规整算法将读取到的模板信号和报文信号进行信号对齐操作，输出对齐后的模板信号和报文信号，即第一输出信号，进一步的，按照皮尔逊相似性算法对模板信号和报文信号进行相似性计算，从而获得第二输出信号，并将所述第二输出信号输入构建好的第一评分训练模型中获得第一信号解析结果的方式，达到了基于计算机替代人工的方式，提高信号解析效率，实现高效准确解析过程的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种CAN总线信号解析方法的流程示意图；
图2为本申请实施例一种CAN总线信号解析系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一过滤单元13，第三获得单元14，第一解码单元15，第一检验单元16，第四获得单元17，第一计算单元18，第二计算单元19，第一输入单元20，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种CAN总线信号解析方法及系统，解决了现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题，达到了基于计算机替代人工的方式，提高信号解析效率，实现高效准确解析过程的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
现代乘用车包含了复杂的机电系统，汽车中各个系统通过CAN（Controller AreaNetwork）总线传输报文进行通信，以保证汽车各系统安全高效地工作，但不同的汽车制造商对通讯过程的实现却是不同的，也就是汽车制造商可以随意地选取id以及信号传输位置来代表并传输某个报文信号，而相关的id与真实信号的映射信息又是不对外公开的，为了读懂每辆车自己的语言密码，更好地掌握汽车的控制逻辑，对CAN通信进行逆向工程显得尤为重要。但现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种CAN总线信号解析方法，其中，所述方法应用于一种CAN总线信号解析系统，所述方法包括：根据第一读取指令，获得第一CAN总线的第一报文信号；通过对所述第一报文信号进行识别，获得第一报文编码格式；根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；通过对所述第二报文信号进行子集切分，获得子信号集合；根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；通过对所述第一解码信号进行平稳性检验，获得第二读取指令；根据所述第二读取指令，获得第一模板信号；基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种CAN总线信号解析方法，其中，其中，所述方法应用于一种CAN总线信号解析系统，所述方法包括：
步骤S100：根据第一读取指令，获得第一CAN总线的第一报文信号；
具体而言，当接受到报文时,首先就要通过CAN收发器将电信号转换成逻辑信号，一般而言，读取报文信号时本算法支持txt、blf、asc三种常用的报文格式，从报文中筛选出仲裁id、通道序号、十六进制帧数据，对于长度不足8个字节的帧数据采取填充静态0x00信号的方法补齐，然后根据输入的通道序号筛选出目标通道的所有数据，输出DataFrame格式的原始报文数据signal_org，signal_org的行号为数据帧的编号，列号为['id','data1','data2','data3','data4','data5','data6','data7','data8']。
步骤S200：通过对所述第一报文信号进行识别，获得第一报文编码格式；
具体而言，CAN信号一般采用Intel和Motorola两种编码格式。Intel编码格式的特点是低字节在前，高字节在后，字节内部低bit位在后，高bit位在前；Motorala编码格式的特点是低字节在后，高字节在前，字节内部低bit位在后，高bit位在前，解析报文之前首先要确定当前报文采用的编码格式。当编码格式作为确定条件输入时，跳过此步骤，否则就要进行编码格式的识别，首先提取signal_org中的所有仲裁id，然后循环提取每个id下的'data1'列到'data8'列；然后分别按照Intel和Motorola两种编码方式对提取的数据进行解码并转换成长度为64bit的二进制序列，转换后的结果分别对应signal0和signal1；然后从时间（列）维度分别对signal0和signal1中所有相邻两个帧数据中的每一个bit位做异或运算；得到两个列数不变、行数减1的新变量signal0_eor和signal1_eor；然后对signal0_eor和signal1_eor做时间维度的求和运算，得到两个长度为64的向量signal0_sum和signal1_sum；然后对这两个向量进行单调递增区间的提取，若从signal0_sum提取的单调区间个数较少，则该报文数据的编码格式为Intel，反之则为Motorala。
步骤S300：根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；
具体而言，从signal_org中按仲裁id进行筛选，筛选出每个id对应的信号数据signal_org_id，然后signal_org_id进行去重操作，当去重后signal_org_id尺寸等于1，则说明当前id对应的物理信号为静态信号。忽略所有的静态信号，非静态信号的signal_org_id被允许参与到接下来的匹配过程。
步骤S400：通过对所述第二报文信号进行子集切分，获得子信号集合；
具体而言，首先把signal_org_id数据里的十六进制信号转换成二进制信号；然后按照编码格式（Intel或Motorola）重新进行bit位从高到低的排序；signal_org_id信号内部的所有连续bit位组成的不同长度lenth和不同起始位置location的子信号都可以看作是一个不同的信号，从signal_org_id内部提取出所有的子信号，每一个子信号记作signal。
步骤S500：根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；
具体而言，通过对所述子信号集合中的子信号进行长度分析，详细来说，当signal中的信号长度大于等于4bit，置有符号编码标志signal_label为0，按照时间顺序从第一个数据帧开始，把当前数据帧的前4位和下一个数据帧的前4位转成十进制数，记作signal_top4和signal_next_top4。当signal_top4等于0并且signal_next_top4大于等于15，则置有符号编码标志signal_label为1，循环终止。然后按有符号编码标志对signal每个数据帧进行有符号解码或无符号解码转成十进制数，从而获得所述第一解码信号。
步骤S600：通过对所述第一解码信号进行平稳性检验，获得第二读取指令；
步骤S700：根据所述第二读取指令，获得第一模板信号；
具体而言，由于所述第一解码信号时对子信号进行编码并进行十进制转换获得的，从而对转成十进制之后的子信号进行平稳性检验，平稳序列是指时间序列的所有统计性质不会随着时间的推移而发生变化，不会呈现出趋势性、季节性或周期性。通多ADF检验获取t统计量的概率值p，若p小于0.05则认为该子信号是平稳信号，循环终止，检验下一个子信号，其中，所述ADF检验为时间序列分析的检验，又称单位根的检验，指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了，当经过检验的信号为平稳时间序列时，即获得检验通过的结果再根据所述第二读取指令获得第一模板信号；其中，所述第一模板信号是根据已经解析过的任意一品牌车型的某工况下CAN信号由专业人员构造得出的模板信号，便能解析其他所有车型的CAN信号，因此，所述第一模板信号为所述第一报文信号对应的信号。
步骤S800：基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；
步骤S900：通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；
具体而言，基于所述第二读取指令获得的所述第一模板信号完成对应的动态时间规整（Dynamic Time Warping）计算，详细来说，基于动态时间规整算法对所述第一模板信号进行计算的过程是将检验平稳的子信号与读取的第一模板信号进行DTW对齐操作，从而输出对齐后的子信号和模板信号，可表示为signal_align与curve_align，进一步的，再计算signal_align与curve_align的皮尔逊相似性，由于皮尔逊相关系数是判断两组数据与某一直线拟合程序的一种试题。它在数据不是很规范的时候，会倾向于给出更好的结果，因此通过皮尔逊相似性计算进而获得所述第二输出信号，其中，所述第二输出信号为相似性较高的对应对齐信号曲线，达到了通过动态时间规整算法可以最大程度对齐模板信号与报文信号，解决了报文采集过程中的操作误差带来的匹配偏差，通过皮尔逊相关系数代替均方根误差计算两条曲线的趋势相似性，可以计算任意尺度数据的相似性，提高数据计算准确性和智能性。
步骤S1000：将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
具体而言，所述第一评分训练模型是基于收集的DTW对齐之前的不同CAN物理信号的若干模板信号进行数据增强处理后构建的神经网络模型，然后以增强后的模板数据为训练样本，以人工标注作为标签，训练所述第一评分训练模型，其中，所述第一评分训练模型包括一个输入层、三个隐层、一个输出层，隐层以relu作为激活函数，输出层以sigmoid作为激活函数，进而将皮尔逊相似性计算获得的对应第二输出信号作为所述第一评分训练模型的输入数据输入到对应的神经网络模型，输出评分，将最高评分所对应的id、子集切分时的切分位置location和切分长度len作为结果输出，从而达到了基于计算机替代人工的方式，提高信号解析效率，实现高效准确解析过程的技术效果。
进一步而言，所述通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号，本申请实施例步骤S900还包括：
步骤S910：根据所述第一输出信号，获得第一对齐报文信号和第一对齐模板信号；
步骤S920：通过对所述第一对齐报文信号和第一对齐模板信号进行皮尔逊相似性计算，获得第一相关系数和第一检验系数；
步骤S930：基于所述第一相关系数和第一检验系数，生成第一相似指数；
步骤S940：根据所述第一相似指数，获得大于等于预设相似指数的N个相似指数，其中，N大于0且小于等于所述第一相似指数的总数量；
步骤S950：将所述N个相似指数对应的信号进行输出，生成所述第二输出信号。
具体而言，所述第一输出信号为经过动态时间规整算法获得的对应对齐信号，其中，动态规整是一个典型的优化问题，由于信号具有较大的随机性，且其影响因素较多，在这复杂的情况下，传统的信号相似算法无法满足系统准确性的需求，从而基于皮尔逊相似性计算把相似性得分最高的前N个对齐子信号曲线存储为所述第二输出信号，详细来说，所述皮尔逊相似性计算一般会输出两个系数一个是相关系数，也就是计算出来的相关系数大小；另一个是独立样本检验系数，用来检验样本一致性，进而获得计算对齐子信号和对齐模板信号之间的相关系数和检验系数，综合生成对应的相似指数，以所述预设相似指数作为第一标准进行子信号筛选，进而将获得的大于等于预设相似指数的N个相似指数作为所述第二输出信号，一般而言，所述生成所述第二输出信号的过程是将所有子信号都计算出一个与模板信号的相似指数，然后根据相似指数对子信号进行排序，输出前N个最相似的子信号，N可以根据使用者指定进行设置，一般可以取5~10。从而达到了智能化处理数据，提高模型性能的技术效果。
进一步而言，所述将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，本申请实施例步骤S1000还包括：
步骤S1010：通过对所述第一模板信号进行数据增强，获得第二模板信号；
步骤S1020：根据所述第二模板信号，构建所述第一评分训练模型；
步骤S1030：将所述第二输出信号作为输出信息输入到所述第一评分训练模型中；
步骤S1040：获得所述第一评分训练模型输出的第一评分结果；
步骤S1050：通过所述第一评分结果，获得所述第一信号解析结果。
具体而言，所述第一评分训练模型为是以神经网络模型为基础建立的模型，而神经网络是大量的神经元之间相互连接构成的一种运算模型，网络的输出则依照网络的连接方式的一种逻辑策略表达，其中，所述第二模板信号是通过对DTW对齐之前的不同CAN物理信号进行数据增强处理获得的对应信号，从而使得获得的样本信号能够与实际信号贴合，提高构建的所述第一评分训练模型的准确性，进而将输出的所述第二输出信号输入构建好的评分模型进行评分，从而基于输出的所述第一评分结果进行排序，由于所述第二输出信号中包括N组相似性高的信号，因此，所述第一评分结果同样包括N组评分结果，通过对所述第一评分结果进行按照从大到小进行排序，获得评分最高的对应信号，从而将其对应的id、子集切分时的切分位置location和切分长度len作为结果输出，获得所述第一信号解析结果，达到了基于评分排序的特征实现信号解析输出高效性和准确性的技术效果。
进一步而言，所述通过对所述第一模板信号进行数据增强，获得第二模板信号，本申请实施例步骤S1010还包括：
步骤S1011：通过对所述第一模板信号进行差分序列分析，生成第一信息域和第二信息域，其中，所述第一信息域为信号密集信息域，所述第二信息域为信号非密集信息域；
步骤S1012：获得第一信号选取规则，所述第一信号选取规则为从信号中选取局部信号的规则；
步骤S1013：根据所述第一信号选取规则，获得第一样本信号和第二样本信号；
步骤S1014：通过对所述第一模板信号进行截断处理，获得第三样本信号；
步骤S1015：通过对所述第一模板信号进行缩放处理，获得第四样本信号；
步骤S1016：根据所述第一样本信号、所述第二样本信号、所述第三样本信号和所述第四样本信号，生成所述第二模板信号。
具体而言，对所述第一模板信号进行数据增强即对DTW对齐之前的不同CAN物理信号进行数据增强，于数据增强之前首先计算信号的差分序列，其中，差分信号是用一个数值来表示两个物理量之间的差异，按照差分值将信号分成密集信息域和非密集信息域，进而生成经过处理后四个样本信号，将这些样本信号作为所述第二模板信号进行之后的网络模型分析，其中，样本信号的生成过程是基于随机选取信号局部，进而对局部的信号进行具体化的局部缩放、局部随机噪声的添加、截断处理、统一缩放等操作完后对模板信号的处理，其中，所述第三样本信号是对部分信号的起始段和结束段做截断处理后生成新样本，所述第四样本信号是对信号的所有值进行不同尺度的统一缩放后生成新样本，使得模板信号的构建具有较高的准确性，进而提高模板信号的有效使用性，从而使得对应构建的网络模型能够具备较高准确性的评分性能，达到了准确高效地代替了人工解析过程，提高解析效率的技术效果。
进一步而言，其中，所述通过对所述第一解码信号进行平稳性检验，获得第二读取指令，本申请实施例步骤S600还包括：
步骤S610：将所述第一解码信号输入到平稳性自检模型中，获得第一平稳性检验结果，所述第一平稳性检验结果包括检验通过和检验不通过；
步骤S620：若所述第一平稳性检验结果为检验不通过，获得第一检验概率；
步骤S630：根据所述第一检验概率和预设检验概率，获得第一概率差值；
步骤S640：根据所述第一概率差值，生成第一误差系数；
步骤S650：判断所述第一误差系数是否处于预设误差系数阈值中；
步骤S660：若所述第一误差系数不处于预设误差系数阈值中，获得第一提醒信息。
具体而言，所述平稳性自检模型是基于对完成十进制之后的子信号进行平稳性检验，平稳序列是指时间序列的所有统计性质不会随着时间的推移而发生变化，不会呈现出趋势性、季节性或周期性。进行平稳性检验的过程是通过ADF检验获取t统计量的概率值p，若p小于0.05则认为该子信号是平稳信号，循环终止，检验下一个子信号，其中，p值是t统计量对应的概率值，所以t和p两者是等效的，因此只需要通过对p值进行检验即可。进一步的，p值要求小于给定的显著性水平，一般是0.05、0.01等，p越接近于0越好，本申请实施例的给定的显著性水平为0.05，从而完成平稳性检验，进一步的，若所述第一平稳性检验结果为检验通过再根据所述第二读取指令读取所述第一模板信号；若所述第一平稳性检验结果为检验不通过，进而获得所述第一检验概率和所述预设检验概率的差值，判断是否处于预设差值阈值中，若处于，表示其误差为自然影响偏差内，其中，所述预设误差系数阈值为基于多影响因素获得的标准可偏差范围；若不处于，获得第一提醒信息，表示其误差可能较大，从而能够对于数据完后才能二次检验，以不会出现漏检情况，提高检验正确性。
进一步而言，所述根据所述第一信号选取规则，获得第一样本信号和第二样本信号，本申请实施例S1013还包括：
步骤S10131：根据所述第一信号选取规则对所述第一模板信号进行信号选取，获得第一局部信号；
步骤S10132：通过对所述第一局部信号进行随机缩放，获得所述第一样本信号；
步骤S10133：根据所述第一信号选取规则，获得不连续的K个信号，生成第二局部信号，其中，K大于0小于等于所述第一模板信号的总数量，所述第一局部信号和所述第二局部信号不相同；
步骤S10134：通过对所述第二局部信号进行添噪处理，获得所述第二样本信号。
具体而言，所述根据所述第一信号选取规则获得第一样本信号的过程为局部缩放过程，详细来说，局部缩放的过程是随机选取信号局部进行时间维度的基于高斯分布的随机缩放，后生成新样本即所述第一样本信号，其中，所述第一信号选取规则为随机选取信号局部时会设置成大概率选取信号密集域信号点，换句话说，在进行局部样本选取时较大概率会选取信号较为密集的区域，从而提高样本信号处理的效用。根据所述第一信号选区规则获得第二样本的过程为局部随机噪声添加的过程，详细来说，随机选取不连续的k个信号值进行数值的替换后生成新样本，适用于方向盘转速转角等容易受环境影响信号。从而达到了提前进行差分序列的计算，针对与其局部样本的选取过程进行规则逻辑处理，从而提高模板生成信号的准确性。
进一步而言，所述根据所述第二模板信号，构建所述第一评分训练模型，本申请实施例步骤S1020包括：
步骤S1021：将所述第二模板信号作为输入信息，构建所述第一评分训练模型；
步骤S1022：所述第一评分训练模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括将所述第二模板信号和作为用于标识评分结果的标识信息；
步骤S1023：获得所述第一评分训练模型的输出结果，所述输出结果用于输出信号的评分结果。
具体而言，所述第二模板信号是基于多个经过数据增强后获得的模板数据，具有高效使用性，从而将所述第二模板信号作为输入信息构建所述第一评分训练模型，其中，所述多组训练数据中的每组均包括所述第二模板信号和作为用于标识评分结果的标识信息，其中，所述第一评分训练模型的隐层以relu作为激活函数，输出层以sigmoid作为激活函数，所述第一评分训练模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，结束本组数据监督学习，进行下一组数据监督学习。当所述第一评分训练模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束，进而输出对应的结果，达到了通过所述第一访问趋势预测模型的训练使得输出所述对应预测结果更加准确，达到了进行神经网络的准确建模，提高模型评分准确性，实现提高计算效率的技术效果。
综上所述，本申请实施例所提供的一种CAN总线信号解析方法及系统具有如下技术效果：
1、由于采用了通过读取第一CAN总线的报文信号，并对报文信号的编码格式进行识别获得第一报文编码格式，进行对应于编码格式完成静态信号的过滤，获得非静态信号的第二报文信号，进一步的，通过对所述第二报文信号进行信号子集切分，提取出其中所有的子信号，进而对所有的子信号进行有符号的编码，从而达到了通过对报文信号进行语义分割可以根据在不同编码格式下分割的结果判断当前报文所属的编码格式的技术效果。
2、由于采用了对于进行编码后的信号进行平稳性检验，当信号是平稳的信号时循环中止，之后通过动态时间规整算法将读取到的模板信号和报文信号进行信号对齐操作，输出对齐后的模板信号和报文信号的方式，使得进行信号的排列组合时会考虑到所有id下所有可能的信号组合，不会出现漏检情况的技术效果。
3、由于采用了皮尔逊相似性算法对模板信号和报文信号进行相似性计算的方式，达到了通过皮尔逊相关系数代替均方根误差计算两条曲线的趋势相似性，可以计算任意尺度数据的相似性的技术效果，采用了基于动态规整算法对信号进行对齐处理，以及解决了报文采集过程中的操作误差带来的匹配偏差。
4、由于采用了基于动态规整算法对信号进行对齐处理的方式，可以最大程度对齐模板信号与报文信号，解决了报文采集过程中的操作误差带来的匹配偏差从而替代人工匹配，提高模板匹配准确性。
5、由于采用了基于对模板信号进行数据增强处理，进而建立神经神经网络模型，以提高对输入信号进行打分的准确性，从而使得输出的数据具有较高准确性，达到了准确高效地代替了人工解析过程，提高信号解析效率的技术效果。
实施例二
基于与前述实施例中一种CAN总线信号解析方法同样发明构思，本发明还提供了一种CAN总线信号解析系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于根据第一读取指令，获得第一CAN总线的第一报文信号；
第二获得单元12，所述第二获得单元12用于通过对所述第一报文信号进行识别，获得第一报文编码格式；
第一过滤单元13，所述第一过滤单元13用于根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；
第三获得单元14，所述第三获得单元14用于通过对所述第二报文信号进行子集切分，获得子信号集合；
第一解码单元15，所述第一解码单元15用于根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；
第一检验单元16，所述第一检验单元16用于通过对所述第一解码信号进行平稳性检验，获得第二读取指令；
第四获得单元17，所述第四获得单元17用于根据所述第二读取指令，获得第一模板信号；
第一计算单元18，所述第一计算单元18用于基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；
第二计算单元19，所述第二计算单元19用于通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；
第一输入单元20，所述第一输入单元20用于将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
进一步的，所述系统还包括：
第五获得单元，所述第五获得单元用于根据所述第一输出信号，获得第一对齐报文信号和第一对齐模板信号；
第六获得单元，所述第六获得单元用于通过对所述第一对齐报文信号和第一对齐模板信号进行皮尔逊相似性计算，获得第一相关系数和第一检验系数；
第一生成单元，所述第一生成单元用于基于所述第一相关系数和第一检验系数，生成第一相似指数；
第七获得单元，所述第七获得单元用于根据所述第一相似指数，获得大于等于预设相似指数的N个相似指数，其中，N大于0且小于等于所述第一相似指数的总数量；
第二生成单元，所述第二生成单元用于将所述N个相似指数对应的信号进行输出，生成所述第二输出信号。
进一步的，所述系统还包括：
第八获得单元，所述第八获得单元用于通过对所述第一模板信号进行数据增强，获得第二模板信号；
第一构建单元，所述第一构建单元用于根据所述第二模板信号，构建所述第一评分训练模型；
第二输入单元，所述第二输入单元用于将所述第二输出信号作为输出信息输入到所述第一评分训练模型中；
第九获得单元，所述第九获得单元用于获得所述第一评分训练模型输出的第一评分结果；
第十获得单元，所述第十获得单元用于通过所述第一评分结果，获得所述第一信号解析结果。
进一步的，所述系统还包括：
第三生成单元，所述第三生成单元用于通过对所述第一模板信号进行差分序列分析，生成第一信息域和第二信息域，其中，所述第一信息域为信号密集信息域，所述第二信息域为信号非密集信息域；
第十一获得单元，所述第十一获得单元用于获得第一信号选取规则，所述第一信号选取规则为从信号中选取局部信号的规则；
第十二获得单元，所述第十二获得单元用于根据所述第一信号选取规则，获得第一样本信号和第二样本信号；
第十三获得单元，所述第十三获得单元用于通过对所述第一模板信号进行截断处理，获得第三样本信号；
第十四获得单元，所述第十四获得单元用于通过对所述第一模板信号进行缩放处理，获得第四样本信号；
第四生成单元，所述第四生成单元用于根据所述第一样本信号、所述第二样本信号、所述第三样本信号和所述第四样本信号，生成所述第二模板信号。
进一步的，所述系统还包括：
第十五获得单元，所述第十五获得单元用于将所述第一解码信号输入到平稳性自检模型中，获得第一平稳性检验结果，所述第一平稳性检验结果包括检验通过和检验不通过；
第十六获得单元，所述第十六获得单元用于若所述第一平稳性检验结果为检验不通过，获得第一检验概率；
第十七获得单元，所述第十七获得单元用于根据所述第二访问趋势预测模型，获得第二预测指数；
第十八获得单元，所述第十八获得单元用于根据所述第一检验概率和预设检验概率，获得第一概率差值；
第五生成单元，所述第五生成单元用于根据所述第一概率差值，生成第一误差系数；
第一判断单元，所述第一判断单元用于判断所述第一误差系数是否处于预设误差系数阈值中；
第十九获得单元，所述第十九获得单元用于若所述第一误差系数不处于预设误差系数阈值中，获得第一提醒信息。
进一步的，所述系统还包括：
第二十获得单元，所述第二十获得单元用于根据所述第一信号选取规则对所述第一模板信号进行信号选取，获得第一局部信号；
第二十一获得单元，所述第二十一获得单元用于通过对所述第一局部信号进行随机缩放，获得所述第一样本信号；
第二十二获得单元，所述第二十二获得单元用于根据所述第一信号选取规则，获得不连续的K个信号，生成第二局部信号，其中，K大于0小于等于所述第一模板信号的总数量，所述第一局部信号和所述第二局部信号不相同；
第二十三获得单元，所述第二十三获得单元用于通过对所述第二局部信号进行添噪处理，获得所述第二样本信号。
进一步的，所述系统还包括：
第三构建单元，所述第三构建单元用于将所述第二模板信号作为输入信息，构建所述第一评分训练模型；
第二十四获得单元，所述第二十四获得单元用于所述第一评分训练模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括将所述第二模板信号和作为用于标识评分结果的标识信息；
第二十五获得单元，所述第二十五获得单元用于获得所述第一评分训练模型的输出结果，所述输出结果用于输出信号的评分结果。
前述图1实施例一中的一种CAN总线信号解析方法的各种变化方式和具体实例同样适用于本实施例的一种CAN总线信号解析系统，通过前述对一种CAN总线信号解析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种CAN总线信号解析系统的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种CAN总线信号解析方法的发明构思，本发明还提供一种CAN总线信号解析系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种CAN总线信号解析方法的任一方法的步骤。
其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种CAN总线信号解析方法，其中，所述方法应用于一种CAN总线信号解析系统，所述方法包括：根据第一读取指令，获得第一CAN总线的第一报文信号；通过对所述第一报文信号进行识别，获得第一报文编码格式；根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；通过对所述第二报文信号进行子集切分，获得子信号集合；根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；通过对所述第一解码信号进行平稳性检验，获得第二读取指令；根据所述第二读取指令，获得第一模板信号；基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。解决了现有技术中存在基于人工经验信号解析常规性重复操作的特点，从而影响人员能力发挥，造成计算效率低、准确性不高的技术问题，达到了基于计算机替代人工的方式，提高信号解析效率，实现高效准确解析过程的技术效果。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种CAN总线信号解析方法，其中，所述方法应用于一种CAN总线信号解析系统，所述方法包括：
根据第一读取指令，获得第一CAN总线的第一报文信号；
通过对所述第一报文信号进行识别，获得第一报文编码格式；
根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；
通过对所述第二报文信号进行子集切分，获得子信号集合；
根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；
通过对所述第一解码信号进行平稳性检验，获得第二读取指令；
根据所述第二读取指令，获得第一模板信号；
基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；
通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；
将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
2.如权利要求1所述的方法，所述通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号，所述方法还包括：
根据所述第一输出信号，获得第一对齐报文信号和第一对齐模板信号；
通过对所述第一对齐报文信号和第一对齐模板信号进行皮尔逊相似性计算，获得第一相关系数和第一检验系数；
基于所述第一相关系数和第一检验系数，生成第一相似指数；
根据所述第一相似指数，获得大于等于预设相似指数的N个相似指数，其中，N大于0且小于等于所述第一相似指数的总数量；
将所述N个相似指数对应的信号进行输出，生成所述第二输出信号。
3.如权利要求1所述的方法，所述将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，所述方法还包括：
通过对所述第一模板信号进行数据增强，获得第二模板信号；
根据所述第二模板信号，构建所述第一评分训练模型；
将所述第二输出信号作为输出信息输入到所述第一评分训练模型中；
获得所述第一评分训练模型输出的第一评分结果；
通过所述第一评分结果，获得所述第一信号解析结果。
4.如权利要求3所述的方法，所述通过对所述第一模板信号进行数据增强，获得第二模板信号，所述方法还包括：
通过对所述第一模板信号进行差分序列分析，生成第一信息域和第二信息域，其中，所述第一信息域为信号密集信息域，所述第二信息域为信号非密集信息域；
获得第一信号选取规则，所述第一信号选取规则为从信号中选取局部信号的规则；
根据所述第一信号选取规则，获得第一样本信号和第二样本信号；
通过对所述第一模板信号进行截断处理，获得第三样本信号；
通过对所述第一模板信号进行缩放处理，获得第四样本信号；
根据所述第一样本信号、所述第二样本信号、所述第三样本信号和所述第四样本信号，生成所述第二模板信号。
5.如权利要求1所述的方法，其中，所述通过对所述第一解码信号进行平稳性检验，获得第二读取指令，所述方法还包括：
将所述第一解码信号输入到平稳性自检模型中，获得第一平稳性检验结果，所述第一平稳性检验结果包括检验通过和检验不通过；
若所述第一平稳性检验结果为检验不通过，获得第一检验概率；
根据所述第一检验概率和预设检验概率，获得第一概率差值；
根据所述第一概率差值，生成第一误差系数；
判断所述第一误差系数是否处于预设误差系数阈值中；
若所述第一误差系数不处于预设误差系数阈值中，获得第一提醒信息。
6.如权利要求4所述的方法，所述根据所述第一信号选取规则，获得第一样本信号和第二样本信号，所述方法还包括：
根据所述第一信号选取规则对所述第一模板信号进行信号选取，获得第一局部信号；
通过对所述第一局部信号进行随机缩放，获得所述第一样本信号；
根据所述第一信号选取规则，获得不连续的K个信号，生成第二局部信号，其中，K大于0小于等于所述第一模板信号的总数量，所述第一局部信号和所述第二局部信号不相同；
通过对所述第二局部信号进行添噪处理，获得所述第二样本信号。
7.如权利要求3所述的方法，所述根据所述第二模板信号，构建所述第一评分训练模型，所述方法还包括：
将所述第二模板信号作为输入信息，构建所述第一评分训练模型；
所述第一评分训练模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括将所述第二模板信号和作为用于标识评分结果的标识信息；
获得所述第一评分训练模型的输出结果，所述输出结果用于输出信号的评分结果。
8.一种CAN总线信号解析系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于根据第一读取指令，获得第一CAN总线的第一报文信号；
第二获得单元，所述第二获得单元用于通过对所述第一报文信号进行识别，获得第一报文编码格式；
第一过滤单元，所述第一过滤单元用于根据所述第一报文编码格式对所述第一报文信号进行信号过滤，获得第二报文信号，其中，所述第二报文信号为非静态信号；
第三获得单元，所述第三获得单元用于通过对所述第二报文信号进行子集切分，获得子信号集合；
第一解码单元，所述第一解码单元用于根据所述子信号集合中信号的长度进行编码识别，获得第一解码信号，其中，所述第一解码信号包括有符号解码和无符号解码；
第一检验单元，所述第一检验单元用于通过对所述第一解码信号进行平稳性检验，获得第二读取指令；
第四获得单元，所述第四获得单元用于根据所述第二读取指令，获得第一模板信号；
第一计算单元，所述第一计算单元用于基于动态时间规整算法对所述第一模板信号进行计算，获得第一输出信号；
第二计算单元，所述第二计算单元用于通过对所述第一输出信号进行皮尔逊相似性计算，获得第二输出信号；
第一输入单元，所述第一输入单元用于将所述第二输出信号输入到第一评分训练模型中，获得第一信号解析结果，其中，所述第一信号解析结果为对所述第一CAN总线信号进行解析的结果。
9.一种CAN总线信号解析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
CN202110723189.7A 2021-06-29 2021-06-29 一种can总线信号解析方法及系统 Active CN113259216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110723189.7A CN113259216B (zh) 2021-06-29 2021-06-29 一种can总线信号解析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110723189.7A CN113259216B (zh) 2021-06-29 2021-06-29 一种can总线信号解析方法及系统

Publications (2)

Publication Number Publication Date
CN113259216A true CN113259216A (zh) 2021-08-13
CN113259216B CN113259216B (zh) 2021-09-10

Family

ID=77190021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110723189.7A Active CN113259216B (zh) 2021-06-29 2021-06-29 一种can总线信号解析方法及系统

Country Status (1)

Country Link
CN (1) CN113259216B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113708855A (zh) * 2021-09-29 2021-11-26 北京信息科技大学 基于深度学习的otfs数据驱动接收方法、系统及介质
CN114866622A (zh) * 2022-03-24 2022-08-05 江铃汽车股份有限公司 一种can总线状态信号的处理方法及系统
CN115374308A (zh) * 2022-10-21 2022-11-22 江苏赛博坦智能科技有限公司 一种自动驾驶汽车前向碰撞预警事件自动提取展示的方法
CN116301881A (zh) * 2023-02-01 2023-06-23 浙江万里扬新能源驱动有限公司杭州分公司 一种基于dbc的协议层代码生成方法及生成工具

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050180442A1 (en) * 2004-01-20 2005-08-18 Atmel Nantes Sa Process for automatically detecting the throughput of a network, particularly of the can bus type and for configuring with the detected throughput by transition analysis, and corresponding device
CN1716923A (zh) * 2005-03-30 2006-01-04 黄涛 基于can网络的红外通信网关
CN102355382A (zh) * 2011-09-28 2012-02-15 东南大学 一种控制器局域网总线分析与触发的方法
CN112637029A (zh) * 2020-12-29 2021-04-09 浙江大学 一种车辆内can数据帧信号提取方法与装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050180442A1 (en) * 2004-01-20 2005-08-18 Atmel Nantes Sa Process for automatically detecting the throughput of a network, particularly of the can bus type and for configuring with the detected throughput by transition analysis, and corresponding device
CN1716923A (zh) * 2005-03-30 2006-01-04 黄涛 基于can网络的红外通信网关
CN102355382A (zh) * 2011-09-28 2012-02-15 东南大学 一种控制器局域网总线分析与触发的方法
CN112637029A (zh) * 2020-12-29 2021-04-09 浙江大学 一种车辆内can数据帧信号提取方法与装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113708855A (zh) * 2021-09-29 2021-11-26 北京信息科技大学 基于深度学习的otfs数据驱动接收方法、系统及介质
CN114866622A (zh) * 2022-03-24 2022-08-05 江铃汽车股份有限公司 一种can总线状态信号的处理方法及系统
CN115374308A (zh) * 2022-10-21 2022-11-22 江苏赛博坦智能科技有限公司 一种自动驾驶汽车前向碰撞预警事件自动提取展示的方法
CN116301881A (zh) * 2023-02-01 2023-06-23 浙江万里扬新能源驱动有限公司杭州分公司 一种基于dbc的协议层代码生成方法及生成工具
CN116301881B (zh) * 2023-02-01 2024-05-10 浙江万里扬新能源驱动有限公司杭州分公司 一种基于dbc的协议层代码生成方法及生成工具

Also Published As

Publication number Publication date
CN113259216B (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113259216B (zh) 一种can总线信号解析方法及系统
CN107798235B (zh) 基于one-hot编码机制的无监督异常访问检测方法及装置
CN109639739B (zh) 一种基于自动编码器网络的异常流量检测方法
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
WO2023231374A1 (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN115456107A (zh) 一种时间序列异常检测系统及方法
CN115169430A (zh) 基于多尺度解码的云网端资源多维时间序列异常检测方法
CN114265882A (zh) 时序信号点异常检测方法、系统、设备及介质
CN114328106A (zh) 日志数据处理方法、装置、设备及存储介质
CN110020190B (zh) 一种基于多示例学习的可疑威胁指标验证方法及系统
CN110826616B (zh) 信息处理方法及装置、电子设备、存储介质
CN115576840B (zh) 基于机器学习的静态程序插桩检测方法及装置
CN115328753A (zh) 一种故障预测方法及装置、电子设备、存储介质
CN113836308B (zh) 网络大数据长文本多标签分类方法、系统、设备及介质
Wang et al. Normal Sinkhorn Distance: A novel metric for evaluating generated signals and its application in mechanical fault diagnosis
CN115373982A (zh) 基于人工智能的测试报告分析方法、装置、设备及介质
CN114510994A (zh) 城市地下燃气泄漏识别模型的训练方法及装置
CN113239075A (zh) 一种施工数据自检方法及系统
CN114356743B (zh) 一种基于序列重建的异常事件自动检测方法和系统
CN111859947A (zh) 一种文本处理装置、方法、电子设备及存储介质
CN112446002B (zh) 一种面向时序kpi数据的异常检测方法
CN114548325B (zh) 基于对偶对比学习的零样本关系抽取方法和系统
CN117216771B (zh) 一种二进制程序漏洞智能挖掘方法及系统
CN118068818A (zh) 一种can总线模糊测试方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant