墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.2k累计阅读
3.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
1.1编写目的
[说明编写这份概要设计说明书的目的，指出预期的读者。]
1.2背景
a.[待开发软件系统的名称；]
b.[列出本项目的任务提出者、开发者、用户。]
1.3定义
[列出本文件中用到的专门术语的定义和外文首字母组词的原词组。]
1.4参考资料
[列出有关的参考资料。]
2.1需求规定
[说明对本系统的主要的输入输出项目、处理的功能性能要求。包括]
2.1.1系统功能
2.1.2系统性能
2.1.2.1精度
2.1.2.2时间特性要求
2.1.2.4可靠性
2.1.2.5灵活性
2.1.3输入输出要求
2.1.4数据管理能力要求
2.1.5故障处理要求
2.1.6其他专门要求
2.2运行环境
[简要地说明对本系统的运行环境的规定。]
2.2.1设备
[列出运行该软件所需要的硬设备。说明其中的新型设备及其专门功能。]
2.2.2支持软件
软件工程各类开发文档的作用
一、《可行性研究报告》 可行性研究报告是在制定研发项目之前，以全面、系统的分析为主要方法，经济效益为核心，对本项目实施的可能性、有效性、技术方案及技术政策进行具体、深入、细致的技术论证和经济评价，以求确定一个在技术上合理、经济上合算的最优方案和最佳时机。分析项目是否具备开发的必要性与可行性。 可行性研究报告的预期读者为系统管理人员、开发与运维人员。 简而言之，就是分析可行性，确定最优方案
软件工程文档总结
在学习软工这个阶段的时候，看视频写文档，刚开始真的不知道该如何去写。然后参照模板一个一个的去写，尽量贴合，看别人的博客，看看他们是怎么写的。只要写了一个就感觉后面的很轻松了。下面是对软工文档的总结，欢迎批评指正： 一、总介绍： 软件工程文档是贯穿整个软件工程生命周期的相关记录，在整个软件的定义、开发、维护阶段起着至关重要的总用。我理解的软工文档是为软件设计的计划...
软件工程文档编写标准包括哪些内容
在项目开发过程中，应该按要求编写好十三种文档，文档编制要求具有针对性、精确性、清晰性、完整性、灵活性、可追溯性。 ◇ 可行性分析报告：说明该软件开发项目的实现在技术上、经济上和社会因素上的可行性，评述为了合理地达到开发目标可供选择的各种可能实施方案，说明并论证所选定实施方案的理由。 ◇ 项目开发计划：为软件项目实施方案制订出具体计划，应该包括各部分工作的负责人员、开发的进度、开发经费的
软件工程之学习总结
软件工程之相关文档。
【软件工程】——软工文档（GB8567--88）
一.简介 软件工程是一门研究用工程化方法构建和维护有效的、实用的和高质量的软件的学科。它涉及程序设计语言、数据库、软件开发工具、系统平台、标准、设计模式等方面。 软工中主要的六阶段：制定计划，需求分析和定义，软件设计，软件程序编写，软件测试，运行和维护。这也就是软件开发所要经历的一个过程。文档在这六个阶段中起着连线的作用。这些文档记录了开发过程中的开发轨迹，是开发人员工作的依据，也是用
软件工程之文档篇（各文档的宏观把控）
一、可行性研究报告 第一部分：引言（背景，编写目的） 第二部分：前提（目标，要求，方法，评价） 第三部分：现有系统分析（处理流程、工作负荷、开支、人员） 第四部分：建议模块分析（处理流程、改进之处，各方面影响、局限性、技术可行性） 第五部分：可选择的其他方案 第六部分：投资与效益分析（投入与产出） 第七部分：法律可行性、使用方面可行性 第八 部分：结论（是否可行） 综述： 该软...
【软件工程】软件需求说明书、概要设计说明书、详细设计说明书参考模板
软件工程报告文档编写模板
ISO软件工程模板-概要设计说明书
1．引言 1.1编写目的 [说明编写这份概要设计说明书的目的，指出预期的读者。] 1.2背景 a.[待开发软件系统的名称；] b.[列出本项目的任务提出者、开发者、用户。] 1.3定义 [列出本文件中用到的专门术语的定义和外文首字母组词的原词组。] 1.4参考资料
软件工程之文档标准
1.软件生存周期与各种文档的编制 2.文档读者及其关系 3.文档的主要内容 1）.可行性与计划研究阶段 可行性研究报告：在可行性研究与计划阶段内，要确定该软件的开发目标和总的要求，要进行可行性分析、投资一收益分析、制订开发计划，并完成应编制的文件。 项目开发计划：编制项目开发计划的目的是用文件的形式，把对于在开发过程中各项工作的负责人员、开
《软件工程文档攻略：解锁软件开发的“秘籍”》：此文为AI自动生成
在当今的软件开发领域中，软件工程文档有着至关重要且不可替代的地位，其发挥的关键作用贯穿于软件开发的整个过程。
人力资源管理系统(Delphi)--概要设计说明书
概要设计说明书 樊永伟1． 引言1．1 编写目的在人力资源管理系统项目的前一阶段，也就是需求分析阶段中，已经将系统用户对本系统的需求做了详细的阐述，这些用户需求已经在上一阶段中对公司、客户的实地调研中获得，并在需求规格说明书中得到详尽得叙述及阐明。本阶段已在系统的需求分析的基础上，对人力资源管理系统做概要设计。主要解决了实现该系统需求的程序模块设计问题
软件工程概要文档书写模板
概要设计说明书 概要设计说明书又可称系统设计说明书，这里所说的系统是指程序系统。编制的目的是说明对程序系统的设计考虑，包括程序系统的基本处理。流程、程序系统的组织结构、模块划分、功能分配、接口设计。运行设计、数据结构设计和出错处理设计等，为程序的详细设计提供基础。编制概要设计说明书的内容要求如下： 1引言 1.1编写目的 1.2背景 1.3定义 1.4参考
软件开发详细设计说明书（示例）
软件开发详细设计说明书（示例）1、上传 用户通过关联系统将图片、电子保单、电子文档等上传至影像进行永久保留。 2、下载 用户通过IE浏览器调阅、Applet调阅、出单系统调阅等方式获取并查看保存在影像系统中的图片和文件。 3、文件同步 网络运行和存储维护过程中，经常会出现一些难以预料的一些因素导致数据的丢失，为了保证上传至影像系统的文件不缺失，必须根据影像数据的特性和用户对影像调阅的规律对影像数据进行实时的备份。为此影像系统采取的是深圳上海的存
Windows下快速搭建Kettle开发环境：基于9.4.0.0版本的保姆级教程
本文提供Windows系统下Kettle 9.4.0.0开发环境的详细搭建指南，涵盖源码获取、Maven配置优化、高效编译及部署运行全流程。通过实战验证的步骤和常见问题解决方案，帮助数据工程师快速完成环境配置，提升ETL开发效率。
TOGAF9.2/10 认证基础知识点概览表
（考点解析：业务场景是一种重要的技术，可以在企业架构的各个阶段使用，主要是架构愿景和业务架构，但如果需要，也可以在其他架构域中使用，以直接从业务的高级需求中派生架构的特征。“哪里”可以看作是对相关企业的界定、“为什么”可以被视为组织环境中的关键驱动因素和要素、“谁”是指确定发起人利益相关者和受业务指令影响的其他主要利益相关者，以创建企业架构，并确定他们来自企业的需求和优先级、他们与企业的关系以及彼此之间所需的工作行为。它是业务驱动和业务主导的，它结 合了所有业务线的必要努力，以实现所需的能力。
DDR Study - LPDDR5 Power-Up and Initialization Sequence
本文深入解析LPDDR5内存的上电初始化流程，涵盖电源斜坡、复位信号释放和初始化训练等关键阶段。通过实际案例分享，详细探讨了电源轨时序、RESET信号处理、ZQ校准和CA总线训练等核心技术要点，帮助硬件工程师规避常见设计陷阱，确保DDR内存稳定运行。
保姆级教程：在RK3568上搞定PR2100K+GC2385双摄（从DTS配置到HAL层补丁）
本文详细介绍了在RK3568平台上调试PR2100K+GC2385双摄系统的完整流程，从DTS配置到HAL层补丁。涵盖硬件连接、媒体控制器拓扑验证、Camera3配置、HAL层特殊补丁及性能优化等关键步骤，帮助开发者快速解决双摄调试中的常见问题，提升嵌入式视觉系统开发效率。
当传统CFD遇上AI：PINN如何帮我们省下90%的仿真计算时间？
本文探讨了物理信息神经网络（PINN）在计算流体力学（CFD）中的应用，如何通过无网格方法节省90%的仿真计算时间。PINN将物理定律编码到神经网络中，显著减少传统CFD中的网格生成和计算时间，同时保持高精度。文章还对比了PINN与传统方法的性能，并讨论了其独特优势和当前局限。
全景相机APP
以下是一款**全景相机APP**的完整源码，支持全景照片拍摄（多帧拼接）、全景预览、鱼眼矫正、图片保存/分享、360°全景查看等核心功能，基于Android原生Camera2 API（替代过时的Camera API） + OpenCV（图像拼接） + GLSurfaceView（全景预览）实现，适配Android 8.0+设备，可直接编译运行。runOnUiThread(() -> tvFrameCount.setText("已拍摄：" + frameCount + "帧"));// X轴旋转（上下）
手把手教你学Simulink——基于Simulink的无迹卡尔曼滤波（UKF）控制仿真建模示例
本文详细介绍了在Simulink中实现无迹卡尔曼滤波(UKF)控制倒立单摆系统的完整过程。通过对比扩展卡尔曼滤波(EKF)，重点阐述了UKF在处理强非线性系统时的优势：采用无迹变换(UT)通过确定性采样捕捉非线性特性，精度可达三阶泰勒展开且无需计算雅可比矩阵。文章分步骤讲解了状态空间定义、UKF参数设计、Simulink实现方法，以及结合LQR控制器的闭环系统搭建，并通过仿真验证UKF在大角度偏移情况下具有更优的估计精度和控制性能。最后还讨论了工程实践要点和扩展方向，为非线性系统控制提供了实用解决方案。
【YOLOv12多模态融合改进】| TFAM：时序融合注意力模块 | 引入通道 - 空间双分支注意力机制，解决双模态特征融合中时序关联不足的问题
TFAM模块通过时序信息驱动的注意力机制，解决了双时相特征融合中时序关联不足的问题，实现了更精准的变化区域定位和特征表示。其结构轻量、泛化性强，为变化检测任务提供了一种高效的特征融合解决方案。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6132
扫一扫
