2010年5月18日 小细节大隐患

作者分享了自己一天的研发工作经历,包括修复bug、处理产品规划、应对软件产品登记问题及解决产品使用难题等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

今天早上起来感觉状态不错,同事在窗台上养的西红柿已经结花蕾了,早上喜欢去伺候一下,仔细闻一下有很浓的柿子味道。

按照计划今天是首先修改上周周末累积的缺陷,还是比较顺手,很快就搞定了,总结来看这些问题都是编程上的一些小细节,但是今天能够统一爆发,感觉目前测试美女对边界的测试更加严格了,从之前的手工边界测试,转向了导入导出方面的边界测试,而通常研发方面对导入导出的校验是比较纠结的,过于严格则速度不能忍受,过于宽松则数据的不规范将带来灾难,平衡的点很难掌握,呵呵。

对于研发来说,通常是“3边政策”(《人人都是产品经理》语)边计划、边执行、边修改,对于每天的研发工作来说基本是这样,上午搞定了4个Bug,拒绝了一个性价比不高的缺陷后,电话就来了,需要写一份配合销售部门的产品规划,呵呵,如果是配合销售的产品规划方案,则需要考虑如下几点:

1、写的目的是什么?

2、销售给了客户承诺了什么?

3、是否已经有了草稿?

4、时间点的要求?

接到任务后第一个时间是想委托给其它人完成,但是现在大家现在的任务都太满了,而且比较紧急,与其写完之后再审核,还不如直接搞定算了,因此铺开架势开始写文档。

中间北京的同事又Q我,说软件产品登记有些问题需要看一下,登录到北京市软件行业协会后,发现在反馈中指明产品不符合规范,靠,到底有什么规范呢?在网络上查了一下,规定如下:

软件产品名称必须由下列三要素构成:品牌、产品用途与功能、产品版本号。

软件产品名称构成如下:

品牌 + 产品用途与功能+“软件” + 产品版本号

具体表示为:X…… X……软件 VXX.XX

定制软件产品名称构成如下:

品牌+客户单位名称+产品用途与功能+“软件” + 产品版本号

这是一个从2003年就开始执行的一个制度,唉,今天就撞到墙上了,这些小细节平时真的很难重视,处理了一下后继续上报等待审批,呵呵。

中间又协助同事解决一个产品使用的问题,弄了半天,关闭了360杀毒后,问题搞定,天杀的360搞个毛,前一阵和一个朋友聊天就是,你们的产品“被360”了吗?我问为什么?她说,他们现在的技术人员主要的工作就是搞定产品和360的兼容,好多都出了兼容的问题。看来这个360的确从其它方面拉动了GDP。

剩下的时间应该就是专注于写文档了,争取简单一点搞定吧。

转载于:https://www.cnblogs.com/Duiker/archive/2010/05/18/1738081.html

内容概要:该PPT详细介绍了企业架构设计的方法论,涵盖业务架构、数据架构、应用架构和技术架构四大核心模块。首先分析了企业架构现状,包括业务、数据、应用和技术四大架构的内容和关系,明确了企业架构设计的重要性。接着,阐述了新版企业架构总体框架(CSG-EAF 2.0)的形成过程,强调其融合了传统架构设计(TOGAF)和领域驱动设计(DDD)的优势,以适应数字化转型需求。业务架构部分通过梳理企业级和专业级价值流,细化业务能力、流程和对象,确保业务战略的有效落地。数据架构部分则遵循五大原则,确保数据的准确、一致和高效使用。应用架构方面,提出了分层解耦和服务化的设计原则,以提高灵活性和响应速度。最后,技术架构部分围绕技术框架、组件、平台和部署节点进行了详细设计,确保技术架构的稳定性和扩展性。 适合人群:适用于具有一定企业架构设计经验的IT架构师、项目经理和业务分析师,特别是那些希望深入了解如何将企业架构设计与数字化转型相结合的专业人士。 使用场景及目标:①帮助企业和组织梳理业务流程,优化业务能力,实现战略目标;②指导数据管理和应用开发,确保数据的一致性和应用的高效性;③为技术选型和系统部署提供科学依据,确保技术架构的稳定性和扩展性。 阅读建议:此资源内容详尽,涵盖企业架构设计的各个方面。建议读者在学习过程中,结合实际案例进行理解和实践,重点关注各架构模块之间的关联和协同,以便更好地应用于实际工作中。
资 源 简 介 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系, 详 情 说 明 独立分量分析(Independent Component Analysis,简称ICA)是近二十年来逐渐发展起来的一种盲信号分离方法。它是一种统计方法,其目的是从由传感器收集到的混合信号中分离相互独立的源信号,使得这些分离出来的源信号之间尽可能独立。它在语音识别、电信和医学信号处理等信号处理方面有着广泛的应用,目前已成为盲信号处理,人工神经网络等研究领域中的一个研究热点。 本文简要的阐述了ICA的发展、应用和现状,详细地论述了ICA的原理及实现过程,系统地介绍了目前几种主要ICA算法以及它们之间的内在联系,在此基础上重点分析了一种快速ICA实现算法一FastICA。物质的非线性荧光谱信号可以看成是由多个相互独立的源信号组合成的混合信号,而这些独立的源信号可以看成是光谱的特征信号。为了更好的了解光谱信号的特征,本文利用独立分量分析的思想和方法,提出了利用FastICA算法提取光谱信号的特征的方案,并进行了详细的仿真实验。 此外,我们还进行了进一步的研究,探索了其他可能的ICA应用领域,如音乐信号处理、图像处理以及金融数据分析等。通过在这些领域中的实验和应用,我们发现ICA在提取信号特征、降噪和信号分离等方面具有广泛的潜力和应用前景。
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