【摘 要】
：
软件和信息技术行业迎来了前所未有的发展机遇,有效培养应用性、创新性和复合性的软件工程人才迫在眉睫。遵循IEET国际工程教育理念和标准,软件工程专业在专业教育目标设定、专业课程体系构建、教学成效及评量等方面强调以学生为中心、以产出为导向,并制定有效的质量监督和持续改进机制,为后续的专业建设工作提供有力的保障。
【基金项目】
：
北京理工大学珠海学院质量工程项目:软件工程专业综合改革试点(No.2015006TSZY)。
论文部分内容阅读
软件和信息技术行业迎来了前所未有的发展机遇,有效培养应用性、创新性和复合性的软件工程人才迫在眉睫。遵循IEET国际工程教育理念和标准,软件工程专业在专业教育目标设定、专业课程体系构建、教学成效及评量等方面强调以学生为中心、以产出为导向,并制定有效的质量监督和持续改进机制,为后续的专业建设工作提供有力的保障。
其他文献
针对传统颜色校正算法难以将严重偏色画面的白平衡恢复到正常的水平值和将画面的真实信息从偏色图像中恢复出来等问题,设计一种基于RGB色彩通道混合的颜色校正算法。首先,通过分析图像的偏色通道及偏色程度,设定颜色R、G、B三通道的混合系数,再根据混合系数计算出RGB通道上的增量;结合亮度混合原理对RGB通道的数值进行重计算,以完成对偏色图像的校正。实验结果表明,该方法对严重偏色的图像有比较好的校正效果。
人脸识别广泛应用于身份认证系统中,但是容易受到伪造人脸攻击。人脸活体检测可以检测并拒绝伪造数据,是计算机视觉的重要应用与研究热点。将人脸活体检测方法分为传统方法和基于深度学习的方法,介绍每种方法的基本思想,并对现有人脸活体检测数据集进行整理与介绍,最后对人脸活体检测的发展趋势与面临的问题进行总结。
水声网络具有高延时、低带宽、能量有限、高节点移动性的独有特性,这使得水声网络中MAC协议的设计面临巨大的挑战.本文对水声网络中MAC协议进行综述性研究与分析,介绍水声网
本文针对软件和硬件实现方式各自的优点及不足,提出遗传算法的软硬件协同设计方法,并且将这种方法在FPGA上进行具体的实现。首先根据软硬件的不同特点以及设计实现的目标,对遗传算法的功能模块进行软硬件划分,然后对硬件实现的部分进行详细的介绍,包括模块之间的连接、模块的内部状态机、模块的端口、所有硬件模块的功能仿真。同时,为了保证软硬件之间正常通讯,本文提出一种新的软硬件交互通讯协议,通过实验验证本设计的可行性。
针对含噪周期性故障声信号和周期性脉冲故障声信号的去噪处理问题,小波阈值函数去噪技术能起到很好的作用,但由于传统阈值函数存在函数不连续和重构精度不够的缺陷,去噪效果
随着网络信息技术的飞速发展,就业招聘已不再仅限于传统的线下招聘,招聘信息发布途径变得多样化、复杂化,在校大学生在面对海量的就业信息时,手动翻页搜索就业信息不仅时间成本高,且不能对就业信息做出全面的分析统计,使得求职者往往获取不到关键信息。因此,提出基于网络爬虫的就业信息获取办法,通过编写Python爬虫代码,获取特定的就业信息,并生成可视化图表,以期为广大在校生搜索分析就业信息提供一定的参考价值。
由于摄像机或相机的镜头自身凸透镜的固有特性,使得所拍摄得到的图像一般会产生一定程度的非线性畸变,这就会导致拍摄图像中物体的几何位置精度受到影响,使其在图像识别、图像匹配等对几何精度要求较高的领域失去应用价值,因此需要对图像进行畸变校正,也就有了相应的畸变校正模型。在校正过程中,很多会忽略混叠的产生,应该引入抗混叠操作,使校正的效果达到最佳。
正则表达式难以在非计算机专业人士中使用的原因主要是难以学习掌握、写出和更改。为了使更多非计算机专业人士可使用正则表达式强大的功能,正则表达式需要通过一个基于交互式的、简易的、有效的算法来生成,从而允许不了解正则表达式的人也可以记录下某个特定的字符串匹配需求或者将生成的正则表达式提交给某个系统使用。对于那些了解正则表达式的人同样可以使用该算法从而减轻构造正则表达式带来的负担。
深度学习模型的进步很大程度上归功于收集到的数据集,在数量和数据多样性的增加。数据增广是研究人员不用实际收集数据的情况下,能够显著提升训练模型性能的有效方法之一。诸如裁剪、填充和水平翻转等数据增广技术通常被用于训练大型神经网络。然而,训练神经网络的大多数方法仅仅使用了基本类型的数据增广技术。一种增广技术在不同数据集上并不能通用,并且耗时。目前研究人员,在特征空间寻找简单的数据增广方法,解决训练耗时,力求方法通用性,减少人工成本而努力。本文将在数据增广的框架下总结近年来各种数据增广方法,以便相关领域的研究人员
在进行家兔解剖实验过程中,需要随时识别家兔的位置以及其他一些器具,如麻醉针头、止血钳、体重秤等。只有准确识别这些物体,才能正确判断接下来的解剖实验步骤是否正确。所以,准确快速地识别这些物体成为了至关重要的一环。在研究过程中,决定采用神经网络的方式,即利用MobileNet-SSD目标检测框架来进行检测。由于神经网络模型的泛化能力远超传统图像处理方法,并且模型复杂度较低,使得模型可以在纯CPU环境下