ISO 11898 标准资源文件仓库
简介
本仓库提供ISO 11898标准系列文件的下载,涵盖了Part 1、Part 2、Part 3、Part 4、Part 5和Part 6的新旧版本,以及CAN FD(CAN with Flexible Data-rate)标准的相关文档。这些文件对于从事汽车电子、通信协议开发以及相关领域的工程师和研究人员具有重要的参考价值。
资源文件列表
以下是本仓库提供的资源文件清单:
-
ISO 11898-1-2015.12.15.pdf
ISO 11898-1的最新版本,发布于2015年12月15日。 -
ISO 11898-2-2016.12.15.pdf
ISO 11898-2的最新版本,发布于2016年12月15日。 -
ISO 11898-1-2003.12.01.pdf
ISO 11898-1的旧版本,发布于2003年12月1日,已废止。 -
ISO 11898-2-2003.12.01.pdf
ISO 11898-2的旧版本,发布于2003年12月1日,已废止。 -
ISO 11898-3-2006.06.01.pdf
ISO 11898-3的版本,发布于2006年6月1日。 -
ISO 11898-4-2004.08.01.pdf
ISO 11898-4的版本,发布于2004年8月1日。 -
ISO 11898-5-2007.06.15.pdf
ISO 11898-5的版本,发布于2007年6月15日,已废止。 -
ISO 11898-6-2013.11.01.pdf
ISO 11898-6的版本,发布于2013年11月1日,已废止。
版本修订与发布情况
如需了解ISO 11898标准各部分的修订和发布情况,请参考以下链接:
下载方式
本仓库的资源文件以压缩包形式提供,文件名为ISO_11898 Part1_2_3_4_5_6标准_新旧版本+CANFD.7z。您可以通过以下方式下载:
- 点击仓库中的
ISO_11898 Part1_2_3_4_5_6标准_新旧版本+CANFD.7z文件进行下载。 - 使用Git命令克隆整个仓库到本地:
git clone https://github.com/your-repo-url.git
注意事项
- 本仓库提供的标准文件仅供学习和研究使用,请勿用于商业用途。
- 部分文件为已废止版本,仅供历史参考。
贡献
如果您有新的ISO 11898标准文件或相关资源,欢迎提交Pull Request,共同完善本仓库。
许可证
本仓库的资源文件遵循ISO标准的相关版权规定,仅供个人学习和研究使用。如需商业用途,请购买官方标准文件。
如有任何问题或建议,请在Issues中提出,感谢您的支持!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00