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
4.2k累计阅读
4.2k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
软件成本 = 每行代码的平均成本×估计的源代码总行数
软件开发项目分解为若干个相对独立的任务，分别估计每个单独任务的成本； 单独任务成本 = 任务所需人力估计值×每人每月平均工资； 软件开发项目总成本估计 = 各个单独任务成本估计值之和。
采用自动估计成本的软件工具估计
成本/效应分析的方法
假设年利率为i,如果现在存入P元钱，则n年以后可以得到的钱数为：
反之，如果 n 年后能收入 F 元钱，那么这些钱现在的价值是：
第一、第二年回收：4225元
第三年回收投资要：(5000 - 4225)/1779 = 0.44 年
总的投资回收期 = 2.44 年
3. 纯收入: 9011.94 - 5000 = 4011.94 (元)
其中:
P是现在的投资额； Fi是第i年年底的效益（i=1,2,3,…,n）; n是系统的使用寿命（一般假设n=5）； j是投资回收率。
上述修改系统的工程的投资回收率是41%-42%
信息化项目成本自动估计计算器
信息化项目成本自动估计计算器
实用软件工程（吕云翔第三版）课后习题答案
选择题 判断题 填空题
STM32H743内存告急？手把手教你用CubeMX+FMC外扩32MB SDRAM（W9825G6KH-6）
本文详细介绍了如何在STM32H743上使用CubeMX和FMC外扩32MB SDRAM（W9825G6KH-6），解决内存不足问题。从硬件选型、CubeMX配置到初始化代码实现，提供完整的配置教程和性能优化技巧，帮助开发者高效扩展内存，适用于图形界面和复杂算法处理。
第2章可行性研究
可行性研究的目的：用最小的代价在尽可能短的时间内确定问题是否能够解决。
合宙Air780EP速连OneNET：AT+MQTT应用指南
本文详细讲解了合宙Air780EP使用AT指令通过MQTT接入OneNET的过程。
视觉辅助RIS波束追踪：用摄像头“看见”用户，实现毫秒级波束对准
在无线通信领域，波束成形技术是提升高频段信号覆盖与质量的核心手段，其原理是通过调整天线阵列的相位，使信号能量在特定方向相干叠加，形成高增益定向波束。这项技术的价值在于能有效克服高频信号路径损耗大、穿透性差的瓶颈，广泛应用于5G/6G、毫米波通信及室内定位等场景。然而，传统波束追踪依赖信道估计或波束扫描，存在训练开销大、实时性差的问题。本文聚焦于一种创新解决方案：将计算机视觉与可重构智能表面（RIS）相结合。通过摄像头直接感知用户位置，并利用RIS快速重构反射波束方向，实现了近乎零开销、毫秒级延迟的波束追踪，
汽车标定技术(五)--基于模型开发如何生成完整的A2L文件(1)
A2L文件的生成分为两章讲解：本文主要是讲模型开发，讲解如何把标定量、观测量放到链接文件中的指定位置。下一篇讲解如何使用matlab生成完整的A2L文件
软件工程项目中成本控制的核心是精准估算，LOC、FP、COCOMO 是三类主流且实用的估算方法
3. **COCOMO 模型（Constructive Cost Model）** - 一种经验型成本估算模型，由 Barry Boehm 提出。 - 分为三个层次： - **基本COCOMO**：快速估算，仅基于代码行数。 - **中级COCOMO**：引入成本驱动因子（如人员能力、平台限制等）。 - **详细COCOMO**：进一步细化到各开发阶段和子系统。 - 公式示例（基本COCOMO）：
手把手教你学Simulink--基于飞行控制与稳定性的场景实例：多旋翼无人机在风扰动下的稳定性分析
本文介绍了使用Simulink仿真多旋翼无人机在风扰动下稳定性的方法。通过构建包含飞行器动力学模型、PID控制系统和环境模拟模块的仿真系统，分析了无人机在不同风速条件下的飞行性能。详细说明了从创建模型、设置动力学方程、设计PID控制器到添加风扰动模型的完整流程，并提供了性能评估指标。该方法可用于验证控制系统有效性，优化飞行稳定性参数，为无人机控制系统的设计和调试提供参考。
Unity 工具 之 ZXing QRCode 二维码的生成和识别（可设置生成不同颜色的/带图标的二维码）
Unity 基础 之 ZXing QRCode 二维码的生成和识别（可设置生成不同颜色的/带图标的二维码） 目录 Unity 基础 之 ZXing QRCode 二维码的生成和识别（可设置生成不同颜色的/带图标的二维码） 一、简单介绍 二、实现原理 三、注意实现 四、效果预览 五、ZXing.net ( zxing.unity.dll ) 插件下载 六、实现步骤 七、关键代码 一、简单介绍 Unity 开发中，自己整理的一些游戏开发可能用到的功能，整理归档，方便游...
软件项目管理之（估算代码行，类比估算，自下而上估算）
1.0LOC(Lines of Code)估算代码行 本次项目是做的网上图书订阅系统，如果用C#写的话，如下图2.0WSB图所示，分为用户，图书信息等等方面，用户下边还可以细分，所以估计每一个小板块都是200行代码，大概可以细分为50个小板块。 所以： 假定代码总长度1万行代码； 开发人员成本参数：150/天； 每个功能的代码长度估算值：（200【乐观值】+4*300【可能值】+5...
sec_uid
webcast_uid转sec_uid，webcast_uid转uid，webcast_uid转dy号
软件工程 --可行性研究
可行性研究 2.1问题定义 定义为软件需求分析功能与性能的依据 一定义内容： 包括，问题背景，开发系统的现状，开发的条件与理由，总结要求，问题的性质，类型装还，什么目标，开发条件，环境要求。 二 定义的步骤 系统分析员到问题现场 2.2可行性研究 1经济可行性，2技术（重要）3操作4 法律5 时间 2.3可行性研究的步骤 1复查系统规模和目标2研究目前正在使用的系统3导出新系统...
基于STM32L4XX、HAL库的AD7124-8BCPZ模数转换器ADC驱动程序设计
/ 公式: Voltage = (adc_value / (2^23 - 1)) * Vref。// 模式控制位[7:5]=000 (连续转换模式)// 3.2 配置通道0，使其使用AIN0(+)和AIN1(-)，并关联到配置0和滤波器0。= 0x14) { // AD7124-8的ID是0x14。// 双极性操作，缓冲AINP/AINN。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
第三章 可行性研究与项目开发计划
(1)代码行技术。
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。
第二章-可行性研究
可行性研究的内容 1. 技术可行性: 使用现有的技术能否实现这个系统？ 是否有胜任开发该项目的熟练技术人员？ 能否按期得到开发该项目所需的软件、硬件资源？ 2. 经济可行性: 这个系统的经济效益能否超过它的开发成本？ 需要对项目进行价格/利益分析，即“投入/产出”分析。 由于利益分析取决于软件系统的特点，因此在软件开发之前，很难对新系统产生的效益作出精确的定量描述，所以往往采用一些估算方法。 3. 操作可行性: 操作可行性评价系统运行后会引起的各方面变化，如：对组织机构管理模式、用户工作环境等产.
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
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")
软件工程 专业课考研#2 可行性研究
例题：课时表和任务表教导处理工资事务的机房，操作员把这些数据通过终端送入电脑，数据收集程序接受并校验这些事务数据，把它们存储在磁盘上。⭐数据流图：DFD是一种图形化技术，描绘信息流和数据从输入移动到输出的过程中所接受的变换。用最小的代价在尽可能短的时间内研究并确定客户提出的问题是否有行得通的解决方法。考研大纲：可行性研究的任务和步骤，系统流程图，数据流图，数据字典。数据字典：对数据流图中包含的所有元素的定义的集合。ps：数据流图一定要会画！ 表达的是数据在系统各部件之间流动的情况。
项目管理——成本估算与进度控制
项目管理——成本估算与进度控制
软件工程理论与实践第8期-3 可行性研究
本章的目标是培养学生了解可行性研究的定义、目的和意义；掌握可行性研究的任务、内容和步骤。通过一个真实的协同电子商务平台的案例帮助学生理解系统流程图的基本概念和画法，以及可行性研究当中，技术可行性分析、经济可行性分析、社会因素可行性分析和风险分析的基本概念，由浅入深逐步帮助学生掌握可行性分析的具体方法。
【软件工程基础复习整理】第二章可行性分析（2）
软件工程基础复习整理可行性研究分析（成本估计）
软件工程——第二章 软件计划
<br />第二章软件计划<br />代码行：（line of code）<br />问题定义：<br />问题定义为软件需求分析功能和性能的依据。<br />定义内容：问题背景，开发系统的现状，开发的条件与理由，总体要求，问题性质，类型转换，什么目标，开发条件，环境要求等。<br />可行性研究：<br />包括的五个方面：经济可行性；技术可行性；操作可行性；法律可行性；时间可行性。<br />可行性研究具体内容：问题识别，市场调查，分析准备，环境分析，物理分析，功能分析，信息分析，动态分析，确立系统方案
3.2、可行性研究
可行性研究： 对项目涉及到的领域、投资的额度、投资效益、采用的技术、所处的环境、融资的措施、产生的社会效益等多方面进行全面的评价，以确定项目投资价值。 1、可行性研究内容 技术可行性分析 经济可行性分析 运行环境可行性分析 其他方面的可行性分析 2、可行性研究步骤 确定项目规模和目标 研究正在运行的系统 建立新系统的逻辑模型 导出和评价各种方案 推荐可行性方案 编写可行性研究报告 递交可行性研究报告 3、初步可行性研究 3.1、初研定义 进行调查后，对项目的前景进行初步评估。 其主要目的有二：一是输
软件工程第三章习题
可行性研究判断项目值得开发，仅说明项目在技术、经济、操作等方面具备可行性，但未对项目实施过程详细规划。可行性研究任务包括：技术可行性研究，评估现有技术能否满足项目需求，涉及技术资源、新技术采用风险等；经济可行性研究，分析项目成本和收益，包括开发成本、运行维护成本、潜在收益等，判断经济合理性；解析：技术可行性研究要评估现有技术能否实现项目需求，涉及新技术采用、技术风险等，往往难度较大，是可行性研究关键。解析：可行性研究通过对项目在技术、经济、操作等方面分析论证，判断项目是否可行，也可称为项目论证过程。
软件工程--可行性研究
可行性研究的系统流程图：（System Flowchart）是描绘系统物理模型的传统工具。它的基本思想是用图形符号以黑盒子形式描绘系统里面的每个部件(程序、文件、数据库、表格、人工过程等），表达信息在各个部件之间流动的情况。 基本符号: 可行性研究目的：用最小的代价在最小的时间内确定问题是否能够解决。 可行性研究的步骤： 1.复查系统规模和目标（确保分析...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
