读控制论的一些思考

文章回顾了作者从依赖经验和灵感进行软件设计,到遭遇系统复杂性带来的挑战,最终意识到需采用清晰数学语言及工具进行科学判断的过程。强调了在软件开发中运用数学方法的重要性。

读控制论的一些思考 收藏

  

     "我们便在滤波器的设计工作中,把原来具有经验性的甚至有些偶然性的过程,代之以具有透彻的科学判断的过程" -控制论 by N.维纳(维纳是现代控制技术和计算机技术的创始人) 

   当我看到N.维纳写的这句话的时候,结合过去在做若干软件系统设计的过程中遇到的问题,有感而发,(个人的经验) 
   02年,我为金财工程做一个子系统开发,05年在用友做协同办公产品的设计,以及在去年为CTI软件开发流程系统的这一系列工作中,我基本上都采取着本文开头那句话的前半段"把原来具有经验性的甚至有些偶然性的过程"中的方法在处理各种需求,既是用经验和灵感在解决这些问题,这种把经验和灵感结合起来处理实际问题的办法其实很普遍,包括在其它行业里面。。。。但是随着需求的变换,随着系统的日益复杂化,甚至是应用环境的变化,这些仅仅依靠经验和灵感设计出来的系统就显示出某些困境,比如:在一个架构上面加上另外一个架构,一个重一个,一个叠一个,由很多架构搭建起来的系统,终于由于自身代码的复杂性使整个系统陷入崩溃的地步,最后只好放弃它或者就那样扔给用户勉强使用。。用户一用就BUG百出,改起来越来越困难,而且系统越改越复杂,最后连改都不敢改。。。也许我说的这种情况并不多见,但是至少我遇到过,现在看来并非水平问题,而是方法问题,其实这种问题恰恰是很多水平比较高且具有一定经验的软件工程师常常做的事情。我这里并不是要提出怎么解决这些问题,因为我还不具备这种能力,毕竟实际工作中遇到的问题很复杂,谁也不可能给用户和老板拍胸脯说“没问题”。可是怎么办呢? 为了寻找答案,我不得不回到过去(不是坐时间机器),寻找先哲们的思想。“代之以具有透彻的科学判断的过程”,这句话的意思就是说。。用经验和灵感处理问题的过程必须被彻底的科学判断方法所替代,而什么是彻底的科学判断呢? 根据我的理解,维纳所说的科学判断方法应该是一种使用非常清晰的数学语言来描述问题的方法,综合应用各种已知的数学工具把问题分析得非常清楚之后,再做出处理。。这恰恰是我们常常忽视的办法,因为项目时间紧,用户要得急,老板逼得紧这些客观原因使得我们无法这样做,但是很多情况下却是主观上我们没有往这个方面想,总觉得依靠自己的那点经验和灵感就可以解决问题,就可以完成系统的设计。。。因此在做系统设计的过程中,该做的功课,该完成的设计步骤是不能够因为时间紧而抛弃,该采用什么数学方法和工具就必须使用,不能够因为不了解和不知道就不使用,很重要的一点就是,必须自觉的把数学语言引入到系统分析和设计过程中,只有慢慢养成这种以数学语言和工具为分析与设计的基础的习惯,才能够真正使自己成长为一个合格的软件工程师,才能够真正使自己设计的软件经得起用户和市场的考验。。。。。。。

转载于:https://www.cnblogs.com/sqlite3/archive/2010/10/09/2566902.html

### 人工智能与大数据领域顶刊论文书报告示例 在撰写关于人工智能和大数据领域的顶刊论文书报告时,可以参考以下结构和内容。以下是基于该领域常见论文的书报告模板,同时结合了相关学术写作规范[^1]。 #### 1. 论文基本信息 - **标题**:明确写出论文标题。 - **作者**:列出所有作者姓名及所属机构。 - **发表期刊/会议**:注明论文发表的具体期刊或会议名称,以及出版年份。 - **DOI**(可选):提供论文的数字对象唯一标识符(DOI),便于者快速定位原文。 #### 2. 摘要概述 简要总结论文的核心贡献、研究背景及主要方法。这部分应控制在一段话内,重点突出论文的关键点,例如: ```markdown 本文探讨了一种新的深度学习框架,用于解决大规模数据集中的特征提取问题。通过引入自适应注意力机制,该模型显著提升了分类任务的准确率[^2]。 ``` #### 3. 研究背景与动机 详细描述论文的研究背景及其重要性。解释为什么选择这一主题进行深入分析,并说明其在人工智能或大数据领域的实际应用价值。 ```markdown 随着互联网技术的发展,非结构化数据量呈指数级增长,传统机器学习方法已难以应对如此庞大的数据规模。为此,研究人员提出了一系列基于深度神经网络的解决方案,其中Transformer架构因其强大的表示能力而备受关注[^3]。 ``` #### 4. 方法论 详细介绍论文采用的技术方法或算法设计。对于复杂的数学公式或代码实现,建议使用代码块展示以增强可性。 ```python # 示例代码:简单的神经网络训练过程 import torch from torch import nn, optim class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(100, 10) def forward(self, x): return self.fc(x) model = SimpleNet() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` #### 5. 实验结果与分析 总结论文中的实验设置、数据集选择以及最终结果。特别关注论文中使用的评估指标及其意义。 ```markdown 实验部分采用了ImageNet数据集对模型性能进行了全面测试。结果显示,在保持较低计算成本的同时,该模型的Top-1准确率达到了85%,优于当前主流方法约3个百分点[^4]。 ``` #### 6. 局限性与未来工作 客观评价论文的优点与不足之处,并提出可能的改进方向或后续研究思路。 ```markdown 尽管该研究取得了显著成果,但仍存在一些局限性。例如,模型对小样本数据的表现不佳,且参数调优过程较为耗时。未来工作可考虑引入迁移学习策略以缓解上述问题[^5]。 ``` #### 7. 个人见解 结合自身理解,分享对论文的看法或启发。这部分体现了者的独立思考能力,是书报告的重要组成部分。 --- ###
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