フーリエ変換には角周波数を扱うものと周波数を扱うものがある。角周波数と周波数の間には角度と1回転という差があるのみ。よって、周波数に2πをかければ角周波数となる。
シミュレーションで実物を扱わなくても仕事ができる環境を目指す。つまり家に引きこもって外に出なくてもOKな世界。
AUTOSAR-Dcmのインターフェース関数復習。AUTOSAR-Dcmのインターフェース関数を実装してみた。
AUTOSAR-Dcmの仕様書(r3.3)を確認。AUTOSAR-Dcmのインターフェース確認。NRC$78はAUTOSAR-CanTpとしては単なるSingleFrame。
AUTOSAR-Dcmシミュレーション構成復習。AUTOSAR-Dcmシミュレーションで使用するサービス確認。具体的に確認したい項目も。responsePendingCountというNRC$78の返信回数規定も含める。
WriteDataByIdentifierサービスの具体的送受信例。NRC$78を含めた送受信例も。
WriteDataByIdentifierサービスのリクエストメッセージの説明。ReadDataByIdentifierサービスと異なりDIDは一個固定。WriteDataByIdentifierサービスのレスポンスメッセージの説明。実際に
WriteDataByIdentifierサービスの説明。利用シーン。不揮発性メモリに紐づいた通信上の特性。
シングルDIDの送受信を見た。マルチDIDの送受信を見た。一部のDIDが未定義なパターンも。
ReadDataByIdentifierサービスのリクエストメッセージの説明。複数DIDが設定できる。設定できるDIDの個数制限がある場合があり、それを超えるとエラー。レスポンスメッセージが4095byteを超える場合もエラー。ReadDa
ReadDataByIdentifierサービスの利用シーンを説明。車両の状態モニタ(開発中の検証、市場に出た後の不具合解析)。車両組み立て時の強制動作状態監視。故障検知時のフリーズデータ取得。
TesterPresentサービスのメッセージについて説明。suppressPosRspMsgIndicationBitについて説明。PositiveResponse抑制。NegativeResponseは返す。NRC$78後のPositi
TesterPresentサービスという何もしないサービスがある。TesterPresentサービスは以下の利用シーンがある。疎通確認。ノード有無確認。セッション維持。TesterPresentサービスは必ずサポートしなければならないサービ
SecurityAccessサービスはわざとメンドクサイ手順を踏ませており、これがセキュリティ強度になっている。事前に非defaultSessionに遷移している必要あり。IGon後10秒待たないとダメ。解除ミスをしたら一旦IGoffしない
SecurityAccessサービスは大きく2種類のメッセージパターンがある。requestSeed。sub-functionが奇数。sendKey。sub-functionが偶数。
P2時間の復習。P2時間は1秒P2*時間の説明P2*時間は5秒。オフボードテスタはNRC$78を受信するとP2時間からP2*時間に切り替わる。オフボードテスタは再度NRC$78を受信すると、そこからP2*時間分延長。
PositiveResponseの説明。Response SIDはRequest SIDに0x40とORを取ったものをセットする。NegativeResponseの説明。0x7F 0x10 0x12のような感じ。ResponsePendin
DiagnosticSessionControlのISOで定義されているセッションについて説明DiagnosticSessionControlのリクエストメッセージ。DiagnosticSessionControlのレスポンスメッセージ該当
UDSシミュレーションで実現するサービスは5つDiagnosticSessionControl。SecurityAccess。TesterPresent。ReadDataByIdentifier。WriteDataByIdentifier。
USDシミュレーションの全体構成発表。A-COMSTACKはAUTOSAR r3.x系でOpenSARはAUTOSAR r4.x系。よって、違法建築。
ISO14229に対応するAUTOSAR-BSWはDCM。A-COMSTACKにはDCMは含まれていない。OpenSARという別のオープンソースAUTOSARがあり、それにはDCMが含まれている。
TesterPresentサービスという何もしないサービスがある。TesterPresentサービスは以下の利用シーンがある。疎通確認。ノード有無確認。セッション維持。TesterPresentサービスは必ずサポートしなければならないサービ
SecurityAccessサービスの基本フローを説明。SecurityAccessサービスの基本フローに於ける実際のメッセージを説明。セキュリティが掛かるのはリソース。サービス。DID。
Routineの説明。主に開発時に使用するような機能で利用される。Upload/Downloadの説明。データ転送用で圧縮と暗号化も出来るサービス群。
Stored Data Transmissionの説明。DTC及びフリーズデータの取得とクリア。Input/Output Controlの説明。ECUのI/O制御。便利な反面、車両状態によっては危険なこともあるので、セーフティ機能含めて考え
診断サービスは6つの機能単位というカテゴリに分類される。Diagnostic and Communications Managementの説明。セッション、セキュリティ、通信制御。Data Transmissionの説明。メモリアドレス、D
P2時間について図解説明。P2*タイムアウトは追々説明。S3時間について図解説明。セッションについては追々説明。各種サービスを知らないと難しい。
故障診断通信レイヤの復習。レスポンスメッセージタイムアウトパラメータはP2時間。セッションタイムアウトパラメータはS3時間。
FC(FlowControl)のBS(BlockSize)パラメータを弄ったシミュレーション実施。シリーズのまとめ。CANoeとPythonの共存したテスト環境とか便利かもしれない。
シミュレーション構成の復習。疑似ECU側のコード扱い。現状は非公開で勘弁してね。SF-SF,SF-MF,MF-MFの通信ログ確認。
Python can-isotpのリクエスト用スクリプトを修正。一応ISO14229-1に準拠したリクエストにしている。AUTOSAR-CanTp側も実装。こちらもSO14229-1に準拠したレスポンスにしている。一身上の都合でコードは未公
AUTOSAR-CanTpの具体的なコンフィグレーション構造体を定義した。CanIfとやり取りする際にPduIdという番号を使用する。今回の場合は以下。0：0x18DAF110 の送信。1：0x18DA10F1 の受信。2：0x18DA10
「ブログリーダー」を活用して、KEIさんをフォローしませんか？
フーリエ変換には角周波数を扱うものと周波数を扱うものがある。角周波数と周波数の間には角度と1回転という差があるのみ。よって、周波数に2πをかければ角周波数となる。
動画作成関連のバックナンバー用ページ。立ち絵を作ったり、動画作ったり、アイキャッチ画像作ったりなどを掲載していく。
MATLAB,Python,Scilab,Julia比較するシリーズの第4章。第4章では分類問題で最終的にはニューラルネットワークや最適化アルゴリズムの話だった。第5章はフーリエ解析学から高速フーリエの話がメインとなる。
立ち絵の配置: PSDファイルをAviUtlに配置し、画面サイズやフレームレートを設定。のっぺらぼう化: 目と口を消して、アニメーション効果を追加。アニメーション効果: 目パチと口パクの設定を行い、リップシンクを調整。
フーリエ変換を定義。フーリエの積分公式の一部を抜き出す。逆フーリエ変換を定義。フーリエの積分公式にフーリエ変換を代入するだけ。
Δωで刻みにしたので、極限を利用して連続系へ。数式上は連続ではあるが、一般的な表現ではない。区分求積法とリーマン積分について。フーリエの積分公式を導出した。
VOICEVOXとAivisSpeechキャラと一緒に！AviUtlを使った動画作成 バックナンバーはじめに以前、AivisSpeechのAnneliというキャラの立ち絵を作成した。さらにそこに加えて、AivisSpeechのアイコン画像を...
PSDToolKitプラグインの導入の仕方を説明。PSDファイルを探してGIMPで内容を確認。GIMPで瞬き用、口パク用のレイヤー編集。
フーリエに積分公式は複素フーリエ級数と複素フーリエ係数から導出する。周期2Lの波の数を示すnを周期2πに於ける波の数である角周波数ωに変換。角周波数ωの刻みであるΔωについて説明。Δωを定義することで、離散的な係数算出が連続的な角周波数算出に近づけていっている。
区分求積法とリーマン積分について。離散と連続の分け目。フーリエの積分公式を導出した。演算したはずなのに変化しない。つまり変換、逆変換が成立することを示している。
Δωで刻みにしたので、極限を利用して連続系へ。数式上は連続ではあるが、一般的な表現ではない。よって、一般的な表現に書き換える必要がある。
角周波数ωの刻みであるΔωについて説明。Δωを定義することで、離散的な係数算出が連続的な角周波数算出に近づけていっている。
周期2Lの波の数を示すnを周期2πに於ける波の数である角周波数ωに変換。ω=nπ/Lを使用して変換するだけ。これにより少し数式がシンプルになった。
VOICEVOXとAivisSpeechキャラと一緒に！AviUtlを使った動画作成 バックナンバーはじめに以前、AivisSpeechのAnneliというキャラの立ち絵を作成した。ほぼ独自に作成したが、Anneliの画像自体はAivisS...
フーリエに積分公式は複素フーリエ級数と複素フーリエ係数から導出する。変換を想定した式に変換。複素指数関数との積と積分、総和を経由すると元に関数に戻るというイメージが重要。
AviUtlのセットアップと拡張編集Pluginの導入を行った。mp4ファイルの入力と出力の方法を説明。アニメーションgifの対応方法を説明。
分数は割り算の別表現として理解しやすく、逆数を掛けることで計算が簡単になる。これにより、小数の掛け算や割り算の理解が深まる。一次関数の数式をグラフにすることや、グラフから数式を導くことは、データのトレンド分析や物理現象の理解に役立つ。微分は関数の変化率を求める手法であり、数値微分を使って近似的に求めることができる。これにより、物理学や経済学など多くの分野で応用可能。
Youtube動画やブログ記事のアイキャッチ用に作成した、VOCEIVX(四国めたん、ずんだもん、春日部つむぎ)、AivisSpeech(Anneli)の画像たち。Stable Diffusionで生成＆少しペン入れ＆GIMPによる補正したものになります。
各種フーリエについてまとめてみた。いままでは級数→係数の順番でやっていたため、逆フーリエ変換→フーリエ変換の順番が自然。実際には「フーリエの積分公式を求める」ことになるが、これは逆フーリエ変換そのものである。
各種フーリエについてまとめてみた。いままでは級数→係数の順番でやっていたため、逆フーリエ変換→フーリエ変換の順番が自然。実際には「フーリエの積分公式を求める」ことになるが、これは逆フーリエ変換そのものである。
モーメンタムを確認するプログラムの方針を確認。 以前の勾配降下法のプログラムをベースにする。 隠れ層のユニット数は4。 プログラムのフローを確認。 モーメンタム項とパラメータ更新が基本的な差分となる。
モーメンタムの更新式について確認。 指数移動平均を利用して直近の値を重視する。 モーメンタムの動作イメージについて確認。 最初は大きく更新して、最適解が近いと小さく更新。 勾配降下法で言うところの学習率が可変と同義な動きになる。
勾配降下法の更新式を確認。 勾配降下法の動作イメージを確認。 学習率が大きい場合と小さい場合で挙動が変わる。 ちょうど良い学習率を人間の手で探す。 これにより、一般的なパラメータとは異なるハイパーパラメータというカテゴリになる。
最適化アルゴリズムを取り扱う。 今回のネットワークだとさほど恩恵はないが知っていて損はない。 まずはモーメンタムから解説＆実験をしていく。 最初は復習を兼ねて勾配降下法についても確認する。
モーメンタムを確認するプログラムの方針を確認。 以前の勾配降下法のプログラムをベースにする。 隠れ層のユニット数は4。 プログラムのフローを確認。 モーメンタム項とパラメータ更新が基本的な差分となる。
モーメンタムの動作イメージについて確認。 動作イメージの表現は難しい。 最初は大きく更新して、最適解が近いと小さく更新。 勾配降下法で言うところの学習率が可変と同義な動きになる。
モーメンタムの更新式について確認。 指数移動平均を利用して直近の値を重視する。 実際の指数移動平均とは異なっているので、その点は注意。
勾配降下法の動作イメージを確認。 学習率が大きい場合と小さい場合で挙動が変わる。 ちょうど良い学習率を人間の手で探す。 これにより、一般的なパラメータとは異なるハイパーパラメータというカテゴリになる。
今回改めてまじめに更新式を確認。 勾配降下法の更新式が一番シンプルなので今後の最適化アルゴリズムの更新式を見る際は比較対象になりやすい。
最適化アルゴリズムを取り扱う。 今回のネットワークだとさほど恩恵はないが知っていて損はない。 まずはモーメンタムから解説＆実験をしてい 最初は復習を兼ねて勾配降下法についても確認する。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたJuliaコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたScilabコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたPythonコードで分類を実施。 大きく2パターンの分類パタ やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたMATLABコードで分類を実施。 大きく2パターンの分類パターン やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたJuliaコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたScilabコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたPythonコードで分類を実施。 大きく2パターンの分類パターンがある。 やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を2から4に変えたMATLABコードで分類を実施。 大きく2パターンの分類パターンがある やや複雑な分類パターンが4ユニットにすることで出てきたもの。
多層パーセプトロンの隠れ層のユニット数を増やす。 表現力が上がるはず。 局所最適解にハマらないというより大域最適解に近い局所最適解が増えるというイメージ。 プログラム上の修正点確認。 ベクトル、行列演算ができるため修正範囲は極小。
多層パーセプトロンの隠れ層のユニット数を増やす。 表現力が上がるはず。 局所最適解にハマらないというより大域最適解に近い局所最適解が増えるというイメージ。 プログラム上の修正点確認。 ベクトル、行列演算ができるため修正範囲は極小。
