9、基于用户立方体的终端用户分类研究

基于用户立方体的终端用户分类研究

1. 引言

如今的终端用户对计算技术的了解比上世纪80年代初的用户更加深入。他们不仅能开发如电子表格这样的简单应用,还能开发复杂的图形用户界面(GUI)应用和具有后端数据库连接的动态Web应用。然而,在终端用户分类这一基础领域,现有的大多数研究仍采用Rockart和Flannery在1983年提出的分类方案,该方案主要基于用户的计算知识进行分类,忽略了当代终端用户计算(EUC)环境中的其他关键维度,如控制维度。

EUC自上世纪70年代末开始出现,随着个人计算机的普及,用户对自身信息需求的控制能力增强,在组织计算中扮演着不同的角色,如应用开发者和EUC环境的控制者。但目前对终端用户的理解还不够深入,这导致了EUC管理效率低下、培训项目设计不合理以及生产力下降等问题。因此,有必要采用Cotterman和Kumar在1989年提出的用户立方体模型,从开发、操作和控制三个维度对终端用户进行分类。

2. 以往的终端用户分类方案
  • McLean的分类 :1979年,McLean将用户分为数据处理专业人员(DPP)和数据处理用户(DPU)。DPP是典型的IT人员,负责开发供他人使用的应用程序;DPU则进一步分为DP业余人员(DPAs)和非DP培训用户(NTUs),DPAs为自己开发应用,NTUs使用他人编写的应用。
  • Rockart和Flannery的分类 :1983年,他们提出了一种更细致的分类方法,被信息系统研究人员广泛接受和使用。具体分类如下:
    • 非编程终端用户:不进行编程或使用报表生成器,通
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
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