大型信息系统

文章讲述了大型信息系统的特性,如规模庞大、分布广泛,以及规划方法,强调了规划应支持企业战略目标,包括分析现状、制定战略和规划方案。同时,提到了规划工具,如PERT图、甘特图和BSP方法在规划中的应用。

一、大型信息系统

信息系统规划(也称为信息系统战略规划)是一个组织有关信息系统建设与应用的全局性谋划,主要包括战略目标、策略和部署能内容。
信息化规划是企业信息化建设的纲领和指南,是信息系统建设的前提和依据。

信息系统(战略)规划关注的是如何通过信息系统来支撑业务流程的运作,进而实现企业的关键业务目标,其重点在于对信息系统远景,组成架构,各部分逻辑关系进行规划。

大型信息系统是以信息技术和通信技术为支撑的大系统,具有规模庞大,分布广阔,采用多级网络结构,跨越多个安全域;处理海量的,复杂且形式多样的数据,提供多种类型应用等特征。其特点包括:
(1) 规模庞大:包含子系统甚多

(2) 跨地域性:分布广阔,部署不集中

(3) 网络结构复杂:多级网络结构、跨多个安全域、网络关系复杂、接口众多

(4) 业务种类多:种类多、处理逻辑复杂、业务之间关联关系复杂

(5)数据量大:信息量大、内容多

(6)用户多:使用者多、角色多,系统访问、操作多

二、信息系统的规划方法

规划原则:
(1)规划要支持企业的战略目标
(2)规划整体上着眼于高层管理,兼顾各管理层,各业务层的要求。
(3)规划中涉及的各个信息系统结构要有好的整体性和一致性
(4)信息系统应该适应企业组织结构和管理体系的改变,弱化信息系统对组织机构的依从性,提高信息系统的应变能力
(5)便于实施

企业实施信息系统规划主要包括以下步骤:
(1)分析企业信息化现状
(2)制定企业信息化战略
(3)信息系统规划方案拟定和总体架构设计。包括技术路线,实施方案,运行和维护方案等。

信息系统规划(ISP) 方法经历了三个主要阶段:
第一个阶段主要以数据处理为核心,围绕智能部门需求的信息系统规划;
第二个阶段主要以企业内部管理信息系统为核心,围绕企业整体需求进行的信息系统规划;
第三个阶段的方法在综合考虑企业内外环境的情况下,以集成为核心。

信息系统规划就是要做顶层设计!顶层设计非常重要,设计要先验证后推广
顶层设计 --> 局部试点 --> 试点总结 --> 推广 --> 顶层测试 --> … 循环

企业系统规划(BSP)方法主要用于大型信息系统的开发。对大型信息系统而言,BSP采取的是自上而下的系统规划,而实现是自下向上分布进行。BSP方法是通过全面调查,分析企业信息需求,制定信息系统总结方案的一种方法。其流程见图:
BSP方法的步骤

考了好几次

三、信息系统的规划工具

(1)在制订计划时, 可以利用PERT图和甘特图。

(2)访谈时,可以应用各种调查表和调查提纲。

(3)在确定各部门、各层管理人员的需求,梳理流程时,可以采用会谈和正式会议的方法。

(4)为把企业组织结构与企业过程联系起来,说明每个过程与组织的联系,指出过程决策人, 可以采用建立过程/组织(Process/Organization, P/O) 矩阵的方法。

(5)为定义数据类,在调查研究和访谈的基础上,可以采用实体法归纳出数据类。实体法首先列出企业资源, 再列出一个资源/数据(Resource/Data, R/D) 矩阵

(6)功能法也称为过程法,它利用所识别的企业过程,分析每个过程的输入数据类和输出数据类,与RD矩阵进行比较并调整,最后归纳出系统的数据类。功能法可以用IPO(Input Process-Output, 输入-处理-输出) 图表示。

在这里插入图片描述

(7)创建/使用(Creat-User, CU)矩阵。企业过程和数据类定义好后,可以企业过程为行,以数据类为列,按照企业过程生成数据类关系填写C(Create) , 使用数据类关系填写U(User) , 形成CU矩阵。
在这里插入图片描述

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值