【系统分析与设计】Lesson 2 Homework

有源滤波电路设计 目录一、低通滤波器1、同相输入低通滤波器(1)一阶低通滤波电路(2)二阶低通滤波电路(压控电压源;Sallen-Key)2、反相输入低通滤波器(1)一阶低通滤波电路(2)二阶低通滤波电路(无限增益多路反馈)二、高通滤波器1、同相输入高通滤波器(1)一阶高通滤波电路(2)二阶高通滤波电路(压控电压源;Sallen-Key)2、反相输入高通滤波电路(1)二阶高通滤波电路(无限增益多路反馈) 一、低通滤波器 1、同相输入低通滤波器 (1)一阶低通滤波电路 即在一阶无源低通滤波器的基础上,加了一个集成运放。 它的 阅读详情

【系统分析与设计】Lesson 2 Homework

@(SSAD)

1、简答题
  • 简述瀑布模型、增量模型、螺旋模型(含原型方法)的优缺点。

瀑布模型:
t

优点:定义了软件开发基本流程与活动;为项目提供了按阶段划分的检查点;当前一阶段完成后,您只需要去关注后续阶段。

缺点:依赖问题,后面的工作依赖前面的工作;容错问题,如果在后面才发现前面有问题,工作量巨大;资料调配问题,知识技能需求调配,人员数量调配等。

增量模型:
t

优点:将待开发的软件系统模块化,可以分批次地提交软件产品;以组件为单位进行开发降低了软件开发的风险;开发顺序灵活。

缺点:需要软件具备开放式的体系结构;增量模型的非常灵活,过于灵活容易使软件开发过程的控制失去整体性。

螺旋模型(含原型方法)
t

优点:实现了随着项目成本投入不断增加,风险逐渐减小;加强项目的管理和跟踪,在每次迭代结束后都需要对产出物进行评估和验证,当发现无法继续进行下去时可以及早的终止项目;以小的分段来构建大型系统,使成本计算变得简单容易;客户始终参与每个阶段的开发,保证了项目不偏离正确方向以及项目的可控性。

缺点:很难让用户确信这种演化方法的结果是可以控制的;建设周期长,而软件技术发展比较快,所以经常出现软件开发完毕后,和当前的技术水平有了较大的差距,无法满足当前用户需求;复杂,管理困难。


- 简述 UP 的三大特点,其中哪些内容体现了用户驱动的开发,哪些内容体现风险驱动的开发?

  1. 用例驱动(用例驱动开发过程)。
  2. 以架构为中心。
  3. 迭代和增量的。

其中,用例驱动的特点体现了用户驱动的开发,以架构为中心和迭代和增量的特点体现了风险驱动的开发。


- UP 四个阶段的划分准则是什么?关键的里程碑是什么?

RUP中的软件生命周期在时间上被分解为四个顺序的阶段,分别是:初始阶段(Inception)、细化阶段(Elaboration)、构造阶段(Construction)和交付阶段(Transition)。每个阶段结束于一个主要的里程碑(Major Milestones);每个阶段本质上是两个里程碑之间的时间跨度。在每个阶段的结尾执行一次评估以确定这个阶段的目标是否已经满足。如果评估结果令人满意的话,可以允许项目进入下一个阶段。

划分准则:以每个阶段后的关键里程碑为划分准则。

关键里程碑:
1. 初始阶段结束时是第一个重要的里程碑:生命周期目标(Lifecycle Objective)里程碑。
2. 细化阶段结束时第二个重要的里程碑:生命周期结构(Lifecycle Architecture)里程碑。
3. 构建阶段结束时是第三个重要的里程碑:初始功能(Initial Operational)里程碑。
4. 在交付阶段的终点是第四个里程碑:产品发布(Product Release)里程碑。


  • IT 项目管理中,“工期、质量、范围/内容” 三个元素中,在合同固定条件下,为什么说“范围/内容”是项目团队是易于控制的?

因为合同已经固定,所以工期已经确定,质量也已经有所明确的要求。在IT项目中,当工期和质量已经确定,项目团队只要保证在工期内完成项目并达到要求的质量,其范围/内容是能够由项目团队根据另外两项内容进行调整的,所以也说是易于控制的。


- 为什么说,UP 为企业按固定节奏生产、固定周期发布软件产品提供了依据?
因为UP将软件生命周期在时间上被分解为四个顺序的阶段,每个阶段结束于一个里程碑,而每个阶段可以进一步被分解为迭代。一个迭代是一个完整的开发循环,产生一个可执行的产品版本,是最终产品的一个子集,它增量式地发展,从一个迭代过程到另一个迭代过程到成为最终的系统。由于UP的阶段,阶段进一步被分解为的迭代,所以可以说UP为企业按固定节奏生产、固定周期发布软件产品提供了依据。


2、项目管理使用

使用截图工具(png格式输出),展现你团队的任务 Kanban,请注意以下要求:
每个人的任务是明确的。即一周后可以看到具体成果。
每个人的任务是1-2项。
至少包含一个团队活动任务。

Tower

DSP TMS320F280049之CCS工程的建立(库函数版) TMS320F280049 DSP是TI最新出的一款C2000系列的DSP,主频为100MHZ,功能较为强大,具有较多的片上模拟外设。这一节主要讲述如何新建F280049的CCS工程。 Step1.下载文件: 下载C2000Ware软件并安装。下载地址如下: http://www.ti.com.cn/tool/cn/C2000WARE?keyMatch=C2000Ware%2... 阅读详情

相关推荐

干扰管理学习日志4-------信道估计方法 LS(最小二乘)、MMSE(最小均方误差)

信道估计,就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。如果信道是线性的话,那么信道估计就是对系统冲激响应进行估计。需强调的是信道估计是信道对输入信号影响的一种数学表示,而“好”的信道估计则是使得某种估计误差最小化的估计算法。本文主要讲述非盲信道估计中的LS估计和MMSE估计。LS全称为,即估计的信道参数与实际信道参数的差,进行平方求和后得到的误差累积最小。MMSE估计是LS估计的改进,在LS估计的最终结果的基础上乘以加权矩阵,使之与实际信道参数更为接近。

taiyuezyh的博客 1万+

软件过程管理之统一过程(UP)

一、软件过程 软件产品的质量取决于软件开发过程,具有良好软件过程的软件机构能够开发出高质量的软件产品。 软件过程是人们用于开发和维护软件及其相关产品的一系列活动,包括软件工程活动和软件管理活动。 按性质可分为三类: (1)基本过程类(软件生产直接相关过程) (2)支持过程类(有关各方按其目标所从事的一系列的支持活动) (3)组织过程类(指那些与软件生产组织有关的过程) 二、统一过程(...

abcfgh的博客 1919

SAP产品合规(Product Compliance)管理—规格主数据 CG02/CG02WB

SAP产品合规(Product Compliance)管理—规格主数据概览 CG02/CG02WB

Lucas1211的博客 1430

系统分析与设计 Homework(lesson 2)

系统分析与设计 Homework(lesson 2) 1. 简答题 1.简述瀑布模型、增量模型、螺旋模型(含原型方法)的优缺点。 瀑布模型 优点:定义了软件开发基本流程与活动。 降低软件开发的复杂程度,提高软件开发过程的透明性,提高软件开发过程的可管理性。 推迟软件实现,强调在软件实现前必须进行分析和设计工作。 以项目的阶段评审和文档控制为手段有效地对整个开发过程进行指导,保证了阶...

Valerie的博客 397

2026年9月20日 2026年CSP-S初赛真题整理

这是本次考试最难的部分,涉及Gray Code(格雷码)+ 状态压缩 + 数学推导难点解决方案关键代码问题转化将得分差转化为m−2xim - 2x[i]m−2xi高效枚举Gray Code相邻状态O(1)转移奇偶判断利用奇偶性统一条件。

weixin_51184047的博客 625

实战解析:在.NET中实现Dify API流式请求与响应的完整方案

本文详细解析了在.NET应用中对接Dify API时实现流式请求与响应的完整方案。针对传统后端“接收完才返回”的痛点,文章提供了基于ASP.NET Core的实战代码,通过配置HttpCompletionOption.ResponseHeadersRead和手动Flush响应流,构建高效的中转管道,确保AI回复能够像ChatGPT一样实时逐字推送到前端,显著提升用户体验。

weixin_29267307的博客 296

【系统分析与设计】Lesson 6 Homework

【系统分析与设计】Lesson 6 Homework @(SSAD) 1、用例建模 a. 阅读 Asg_RH 文档,绘制用例图。 按 Task1 要求,请使用工具 UMLet,截图格式务必是 png 并控制尺寸 b. 选择你熟悉的定旅馆在线服务系统(或移动 APP),如绘制用例图。并满足以下要求: 对比 Asg_RH 用例图,请用色彩标注出创新用例或子用例 尽可能识别外...

Life in Technicolor 323

【赛题解析&命令脚本配置】2023年全国职业院校技能大赛GZ073网络系统管理赛项赛题第10套模块A:网络构建 & (五)网络运维配置+(六)SDN网络配置-命令配置

【赛题解析&命令脚本配置】2023年全国职业院校技能大赛GZ073网络系统管理赛项赛题第10套模块A:网络构建 & (五)网络运维配置+(六)SDN网络配置-命令配置

君逍遥o 809

【系统分析与设计】Lesson 1 Homework

【系统分析与设计】Lesson 1 Homework @(SSAD) 1、简单题 软件工程的定义 对软件的开发、进行相应的操作并维护的系统性、规则化、可度量化方法进行相应的应用,即将工程应用在软件。 对1中所提到的方法进行的研究。 是指导计算机软件开发和维护的工程学科。采用工程的概念、原理、技术和方法来开发与维护软件,把经过实践考验而证明正确的管理技术和当前能够得到的最好的技术方...

Life in Technicolor 402

STM32G0/G4无刷电机硬件设计与FOC控制实现

无刷直流电机(BLDC)和永磁同步电机(PMSM)的矢量控制依赖于高精度电流采样、实时SVPWM调制与闭环PI调节等核心技术。其底层实现需兼顾电机本体建模、坐标变换(Clark/Park)、死区补偿及硬件资源约束。STM32G0系列凭借CORDIC协处理器与超低功耗特性,适用于成本敏感型有感FOC应用;而STM32G4集成运放、FMAC滤波器与高级定时器,可支撑高性能无感控制与多源传感融合。该技术广泛应用于机器人关节、智能云台、伺服驱动等场景,是嵌入式电机控制工程师必须掌握的工程化落地能力。

weixin_35751412的博客 121

基于深度学习的树木种类识别

本文介绍了基于深度学习的树木种类识别技术。我们将通过深度学习模型和图像处理技术实现对树木的自动识别与分类。首先,我们将介绍深度学习的基本原理和相关算法。接着,我们将详细说明树木种类识别的数据准备、模型构建和训练过程。最后,我们将给出代码示例,帮助读者深入了解和实践该技术。

一键难忘的博客 2316

系统分析与设计 Homework(lesson 7)

系统分析与设计 Homework(lesson 7) 领域建模 a. 阅读 Asg_RH 文档,按用例构建领域模型。 按 Task2 要求,请使用工具 UMLet,截图格式务必是 png 并控制尺寸 说明:请不要受 PCMEF 层次结构影响。你需要识别实体(E)和 中介实体(M,也称状态实体) 在单页面应用(如 vue)中,E 一般与数据库构建有关, M 一般与 store 模式...

Valerie的博客 441

xtop:multi_driven_net与incomplete_timing_cell fail reason 分析

man multi_driven_net”可以得知,这个问题是multi driven结构引起的,使用命令“get_failed_pins -reason multi_driven_net”,获取violation pin。“man incomplete_timing_cell”可以得知,这个fail reason的原因是缺少timing library cell,检查并补全后这个错误就显示了。这里选择的解决方法是修改lib文件,把inout改成input,重新lib2idb。通过这种方法解决了问题。

m0_61544122的博客 566

系统分析与设计 — Homework 5 (lesson 7)

系统分析与设计 — Homework 5 (lesson 7)领域建模a. 阅读 Asg_RH 文档,按用例 构建领域模型。 按 Task2 要求,请使用工具 UMLet,截图格式务必是 png 并控制尺寸 说明:请不要受 PCMEF 层次结构影响。你需要识别实体(E)和 中介实体(M,也称状态实体) 在单页面应用(如 vue)中,E 一般与数据库构建有关, M 一般与 store 模式 有关 在

Yung_Lin的博客 478

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

系统分析与设计-homework4(lesson6)

1.用例建模a.阅读 Asg_RH 文档,绘制用例图。 按 Task1 要求,请使用工具 UMLet,截图格式务必是 png 并控制尺寸b.选择你熟悉的定旅馆在线服务系统(或移动 APP),如绘制用例图。并满足以下要求: 对比 Asg_RH 用例图,请用色彩标注出创新用例或子用例 尽可能识别外部系统,并用色彩标注新的外部系统和服务 c.对比两个时代、不同地区产品的用例图,总结在项目早期,发现创新的思

ygtrece的博客 350

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

系统分析与设计 Homework(lesson 16)

系统分析与设计 Homework(lesson 16) 系统分析与设计 Homework(lesson 16) 1. 使用 ECB 实现 make reservation 用例的详细设计(包含用例简介,顺序图,类图) 2. 将逻辑设计类图映射到实际项目框架的包图。用树形结构表述实现的包和类 1. 使用 ECB 实现 make reservation 用例的详细设计(包含用例...

Valerie的博客 340

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

系统分析与设计 Homework(lesson 6)

系统分析与设计 Homework(lesson 6) 1、用例建模 a. 阅读 Asg_RH 文档,绘制用例图。 b. 选择你熟悉的定旅馆在线服务系统(或移动 APP),绘制用例图。 要求如下: 对比 Asg_RH 用例图,请用色彩标注出创新用例或子用例 尽可能识别外部系统,并用色彩标注新的外部系统和服务 c. 对比两个时代、不同地区产品的用例图,总结在项目早期,发...

Valerie的博客 598

系统分析与设计lesson16-homework

一、使用ECB实现make reservation用例的详细设计(包含用例简介、顺序图、类图)1. 用例简介用户输入城市和入住时间查询酒店,选择酒店(按需排序),选择房间,确认预定2. 顺序图3. 类图二、将逻辑设计类图映射到实际项目框架的包图。用树形结构表述实现的包和类...

weixin_40085482的博客 319

系统分析与设计-homework5(lesson7)

1、 领域建模 a. 阅读 Asg_RH 文档,按用例构建领域模型。 按 Task2 要求,请使用工具 UMLet,截图格式务必是 png 并控制尺寸 说明:请不要受 PCMEF 层次结构影响。你需要识别实体(E)和 中介实体(M,也称状态实体) 在单页面应用(如 vue)中,E 一般与数据库构建有关, M 一般与 store 模式 有关 在 java web 应用中,E 一般与数据库构建有关,

ygtrece的博客 291

系统分析与设计 Homework(lesson 13)

系统分析与设计 Homework(lesson 9) 1. 描述软件架构与框架之间的区别与联系 软件架构是软件系统组织的一系列重要的决策,它描述了系统组成的结构元素以及相应接口的选择,和这些元素在协作中特定的行为。 框架是特定语言和技术的架构应用解决方案。是具体语言和技术相关的。框架集成了代码和多种第三方解决方案的工具,使其聚焦业务逻辑代码。 区别 两者聚焦的方面不同 架构聚焦在技术...

Valerie的博客 298

系统分析与设计 --- Homework 8 (lesson 13)

系统分析与设计 --- Homework 8 (lesson 13)1 描述软件架构与框架之间的区别与联系1.1 软件架构软件架构是一个系统的草图,把系统分解为一些部件,描述这些部件的职责及它们之间的协作行为。 它决定了子系统之间的关系、分层与通讯方式、公共设计原则/风格、功能需求与非功能需求的优先级与取舍原则等。1.2 软件框架软件框架是特定语言和技术的架构应用解决方案,用于分离与业务无关的内容...

Yung_Lin的博客 348

系统分析与设计 --- Homework 7 (lesson 9)

系统分析与设计 --- Homework 7 (lesson 9)1 问题描述练习文档地址---携程火车票预订文档建模要求包括:用例图查询订单活动图领域模型状态图系统顺序图与操作协议2 解答2.1 用例图2.2 查询订单活动图2.3 领域模型2.4 状态图2.5 系统顺序图与操作协议2.5.1 系统顺序图2.5.2 操作协议契约U1:trainList(depatureCity, destinat...

Yung_Lin的博客 333

系统分析与设计 Homework(lesson 9)

系统分析与设计 Homework(lesson 9) 对Google翻译进行一系列的建模。 相应资料: 题目链接 Google翻译文档 Task 1. 用例模型 Task 2. 领域模型 Task 3. 状态建模 对待翻译的对象进行状态建模。 状态建模1 状态建模2 Task 4. 活动图 Task 5. 系统顺序图&amp;操作协议 系统顺序图...

Valerie的博客 547

系统分析与设计 Homework(lesson 1)

系统分析与设计 Homework(lesson 1) 1. 简答题 (1) 软件工程的定义。 答:软件工程是一门研究和应用如何以系统性的、规范化的、可定量的过程化方法去开发和维护软件,以及如何把经过时间考验而证明正确的管理技术和当前能够得到的最好的技术方法结合起来的学科。 软件工程是指导计算机软件开发和维护的工程学科。采用工程的概念、原理、技术和方法来开发与维护软件,把经过实践考验...

Valerie的博客 411

系统分析与设计 Homework(lesson 8)

系统分析与设计 Homework(lesson 8) 1. 使用 UML State Model 建模对象: 参考 Asg_RH 文档, 对 Reservation/Order 对象建模。 建模要求: 参考练习不能提供足够信息帮助你对订单对象建模,请参考现在 定旅馆 的旅游网站,尽可能分析围绕订单发生的各种情况,直到订单通过销售事件(柜台销售)结束订单。 2. 研究淘宝退货流...

Valerie的博客 315

系统分析与设计 --- Homework 9 (lesson 16)

1 使用 ECB 实现 make reservation 用例的详细设计(包含用例简介,顺序图,类图)make reservation 用例图:1.1 用例简介用户登入网站,根据城市搜索酒店用户填写预订酒店的信息 确认预定内容支付账单,其中支付用例需要调用外部支付接口 。1.2 顺序图1.3 类图2 将逻辑设计类图映射到实际项目框架的包图。用树形结构表述实现的包和类。...

Yung_Lin的博客 390
上一篇: 【CG】OpenGL3.3+IMGUI_绘制三角形并着色
下一篇: 【PAT】A1013. Battle Over Cities(DFS)
timsooo
博客等级 码龄11年 16粉丝 61原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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