宝马与Ruetz系统解决方案公司联合测试过程

需积分: 12 0 下载量 98 浏览量 更新于2024-07-15 收藏 1.22MB PDF 举报
"2_Test_Process_ECU and network test.pdf - 它是关于ECU(电子控制单元)和网络测试的测试过程文档,由Thomas Kirchmeier(宝马公司)和Georg Janker(Ruetz System Solutions GmbH)共同编写。文档版本为1.0,最终定稿日期为2016年9月22日,公开于OPEN Alliance。" 在TC8-ECU和网络测试中,该文档详细阐述了汽车行业中电子控制单元和网络系统的测试流程。测试过程是确保汽车电子系统质量和可靠性的关键环节,它涵盖了从测试准备到执行,再到结果分析和反馈的整个周期。 首先,文档可能详细介绍了测试环境的建立,包括ECU的安装、配置以及网络的布线和调试。ECU测试可能涉及功能验证、性能评估、故障模拟等多种场景,以确保ECU能够正确地接收和处理来自传感器和控制器的信号,并按照预定逻辑进行响应。 网络测试则关注通信协议的合规性、数据传输的效率和稳定性。这可能包括CAN、LIN、FlexRay或以太网等不同车载网络的测试,检查它们在多ECU环境下的协同工作能力,防止数据冲突和通信错误。 在测试过程中,文档可能提到了使用的问题问卷,这是为了收集DUT(设备-under-test,即被测设备)的相关信息,如硬件配置、软件版本、预期行为等,以便更准确地制定测试计划和测试用例。 版本控制部分显示了文档的迭代历史,从0.1版的初稿合并到0.3版的反馈审查,每次更新都对测试流程进行了细化和完善。特别地,0.2版更新了ECU测试和网络测试的描述,而0.3版则根据评审反馈进行了修订,并解决了链接问题,明确了新内容将融入到官方的测试规范文档中。 最后,文档强调了所有技术成员对测试规范的正式审查和发布,以确保测试标准的严谨性和行业共识。这种协作和标准化的流程对于保持汽车行业的高质量标准至关重要。 这份文档为汽车制造商和测试机构提供了ECU与网络系统测试的全面指南,有助于提高测试效率,减少潜在问题,保障汽车电子系统的安全和可靠性。

select distinct a.EMPI_ID, a.PATIENT_NO, a.MR_NO, a.PAT_NAME, a.PAT_SEX, a.PAT_AGE, a.PAT_PHONE_NO, b.DIAG_RESULT, a.ADMIT_DATE, a.DISCHARGE_DEPT_NAME, a.ATTEND_DR from BASIC_INFORMATION a join PA_DIAG b on a.MZZY_SERIES_NO=b.MZZY_SERIES_NO join EXAM_DESC_RESULT_CODE c on a.MZZY_SERIES_NO=c.MZZY_SERIES_NO join DRUG_INFO d on a.MZZY_SERIES_NO=d.MZZY_SERIES_NO join EMR_CONTENT e on a.MZZY_SERIES_NO=e.MZZY_SERIES_NO JOIN TEST_INFO A17 ON a.MZZY_SERIES_NO = A17.MZZY_SERIES_NO where a.PAT_AGE>='18' and (to_char(a.ADMIT_DATE,'YYYY-MM-DD') >= '2021-01-01') AND (b.DIAG_RESULT LIKE '%鼻咽癌%' or b.DIAG_RESULT LIKE '%鼻咽恶性肿瘤%' or b.DIAG_CODE LIKE '%C11/900%') and d.DRUG_NAME not in (select DRUG_NAME FROM DRUG_INFO WHERE DRUG_NAME like '卡培他滨') and b.DIAG_RESULT NOT IN (SELECT DIAG_RESULT FROM PA_DIAG WHERE DIAG_RESULT LIKE '%HIV阳性%') and b.DIAG_RESULT NOT IN (SELECT DIAG_RESULT FROM PA_DIAG WHERE DIAG_RESULT LIKE '%充血性心力衰竭%') AND to_char(( A17.TEST_DETAIL_ITEM_NAME = '中性粒细胞' AND A17.TEST_RESULT >= 1.5 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '血小板' AND A17.TEST_RESULT >= 100 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '血红蛋白' AND A17.TEST_RESULT >= 9 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '丙氨酸氨基转移酶' AND A17.TEST_RESULT <= 2.5 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '天门冬氨酸氨基转移酶' AND A17.TEST_RESULT <= 2.5 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '肌酐清除率' AND A17.TEST_RESULT > 51 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '肌酐' AND A17.TEST_RESULT <=1.5 ) OR ( A17.TEST_DETAIL_ITEM_NAME = '凝血酶原时间' AND A17.TEST_RESULT <= 1.5 ))语句哪里有问题

2023-06-07 上传

import idx2numpy import numpy as np from functions import * from two_layer_network import * #导入训练集和训练集对应的标签并将其初始化 X_train,T_train=idx2numpy.convert_from_file('emnist/emnist-letters-train-images-idx3-ubyte'),idx2numpy.convert_from_file('emnist/emnist-letters-train-labels-idx1-ubyte') X_train,T_train=X_train.copy(),T_train.copy() X_train=X_train.reshape((X_train.shape[0],-1)) T_train=T_train-1 T_train=np.eye(26)[T_train] #导入测试集和测试集对应的标签标签并将其初始化 X_test,T_test=idx2numpy.convert_from_file('emnist/emnist-letters-test-images-idx3-ubyte'),idx2numpy.convert_from_file('emnist/emnist-letters-test-labels-idx1-ubyte') X_test,T_test=X_test.copy(),T_test.copy() X_test=X_test.reshape((X_test.shape[0],-1)) T_test=T_test-1 T_test=np.eye(26)[T_test] network=TwoLayerNet(input_size=784,hidden_size=45,output_size=26) train_size=X_train.shape[0] batch_size=100 iters_num=100000 learning_rate=0.01 train_loss_list=[] train_acc_list=[] test_acc_list=[] iter_per_epoch=max(train_size/batch_size,1) for i in range(iters_num): batch_mask=np.random.choice(train_size,batch_size) X_batch=X_train[batch_mask] T_batch=T_train[batch_mask] #从数据集里抽取batch_size笔数据 #grad=network.numerical_gradient(X_batch,T_batch)(跑不出来,卡在None None) grad=network.gradient(X_batch,T_batch) #计算梯度 for key in ('W1','b1','W2','b2') : network.params[key]-=learning_rate*grad[key] #误差反向传播法调整参数 loss=network.loss(X_batch,T_batch) train_loss_list.append(loss) #记录学习过程 if i % iter_per_epoch==0: train_acc=network.accuracy(X_train,T_train) test_acc=network.accuracy(X_test,T_test) train_acc_list.append(train_acc) test_acc_list.append(test_acc) print(train_acc,test_acc) #调整学习率 if i > 0 and i % 1000 == 0 and i<3000: learning_rate *= 0.1 print("learning rate reduced to " + str(learning_rate)) print(network.params) print(train_acc_list[-1],test_acc_list[-1])如果我想存储参数,该怎么做

2023-05-29 上传