coding fans ?!

ed9er 2001-02-11 04:25:00
这篇东西我昨天刚看到:
http://www.csdn.net/expert/Topic/66038.shtm

看了caoz的软件工程大论,哭笑不得,我觉得自己是一coding-fans,不过作者也忒眼睛看人低了,他笔下的coding-fans在我看来只是computer-fans,知道什么是coding-fans吗?不知道就别随便拿人不当回事。coding-fans在你眼中怎么会只是“一会学会了asp,一会儿学会了php,一会儿学会了jsp”的小玩家呢?眼界太窄,主观假定太多,得出来的结论也就不是什么东西。

作者大量的概念偷换和混合,看到最后不管你是什么人都会开始犯迷糊:“哎呀,看来我离程序员还差的远,得回去好好学学软件工程”;想要明确“程序员”的定义显然超出了我的能力范围,但我想至少不应该把“程序员”和“系统分析员”混为一谈。说的再直白一点,一个称职的“程序员”不一定要有作者所说的那些软件工程知识,如果你很了解PSP的话,就应该知道什么是称职的程序员,它和软件工程一点都不矛盾。作者甚至还把“系统分析员”和“项目经理”这两个角色的不同职责和任务搀合在一起(甚至还都放到了程序员的名下),我就懒得再细说了。

计算机科学首先是一门自然科学,而不是社会科学,不是捧本书,胡思乱想一会,写篇文章就OK的,它所有的工作都是围绕实践展开的,必须以实践为基础的,什么是“软件工程”,那不是凭空想出来的,不是什么人能够凭空领会的;而我知道很多design-fans,他们大概了解了什么叫多态,然后看了两本微软制胜策略,做过几个MIS,就开始戴着软件工程的大帽子到处唬人,实际上看过的代码还没小coding-fans写过的代码多,就开始拿支笔在黑板上画体系结构,但愿他知道他在说写什么。中国现在这样的人越来越多,才二十出头,做过几个程序,就想着不能吃青春饭,要学学管理,学学软件工程,其中一些是懒,笨,不谈了,还有很多就是受一些言论的误导,违背事物发展的规律,不知道什么叫厚积薄发,不知道做一个称职的“系统分析员”需要哪些底子,就象想“拔着自己的头发离开地球一样”。我们不是coding-fans太多,而是这样的“系统分析员”太多。

引用一段,也把自己搞的牛B一点:
“网上现在也很浮躁,一些design fans乱嚷嚷,混淆视听,实际上真正的技术专家很少在网上乱发帖子的,如笔者这样不知天高地厚的,其实实在是算不上什么高手,只不过看不惯这种对技术,对程序员的误解和胡说,只好挺身而出,做拨乱反正之言,也希望那些还沉迷于一些错误人士的design fans们能认真想想,走到正途上,毕竟那些聪明的头脑还远远没有发挥应有的价值。”

我尊重那些以写代码为乐,甚至作为人生追求和目的的coding-fans
我敬佩那些有丰富编程经验,并使用到软件工程中的系统分析员(国内很少,但愿caoz是这类)

我没空找本什么书来敲几百字让大家领会,就这样吧
“一步一个脚印”,希望能与脚踏实地的coding-fans们共勉
...全文
261 3 打赏 收藏 转发到动态 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
陆志明 2001-02-12
  • 打赏
  • 举报
回复
我支持caoz的论点,楼上的这位小妹妹也甚是可爱。
不知2.14有没有被别人约了。
sundayboys 2001-02-11
  • 打赏
  • 举报
回复
呵呵,我想坚持看下来,可还是没有,受不了啊
sundayboys 2001-02-11
  • 打赏
  • 举报
回复
呵呵,caoz的软件工程大论我想坚持看下来,可还是没有,受不了啊
内容概要:本文围绕2自由度(2DOF)机械臂的路径规划问题展开研究,重点利用Matlab工具实现路径规划算法的设计与仿真。文中系统阐述了机械臂的运动学建模方法,包括正运动学与逆运动学的数学推导与求解过程,并深入分析了其工作空间的范围与特性。研究核心在于路径规划算法的实现,涵盖了轨迹插值(如直线、圆弧插补)等核心方法,并通过Matlab编程对机械臂在复杂环境下的运动轨迹进行规划与优化,确保其能够避开障碍物并平稳、高效地到达目标位置。研究内容兼具理论深度与实践价值,通过具体案例验证了所提算法的有效性与实用性。; 适合人群:具备一定Matlab编程基础和机器人学基础知识的高校学生、科研人员及自动化、机器人相关领域的工程师;尤其适合从事机械臂控制、路径规划算法开发的技术人员。; 使用场景及目标:①用于教学演示和课程设计,帮助学生深入理解机械臂正/逆运动学求解、工作空间分析及轨迹规划的基本原理;②为工业自动化中轻型机械臂的轨迹生成与优化提供算法支持和可靠的仿真验证平台;③作为科研项目中路径规划模块的前期算法设计、对比与验证工具。; 阅读建议:建议读者结合Matlab代码同步运行文中示例,深入理解各函数模块(特别是运动学求解与轨迹生成)的作用,重点关注逆运动学的多解性处理与轨迹平滑性优化的实现逻辑,并尝试修改机械臂参数、目标点或环境条件以观察路径变化,从而掌握算法的调优方法。
内容概要:本文提出了一种基于变分模态分解(VMD)与卷积神经网络-双向长短期记忆网络(CNN-BiLSTM)相结合的电力负荷预测模型,旨在提升负荷预测的精度与稳定性。首先利用VMD对原始负荷序列进行自适应分解,将其划分为若干具有不同频率特性的本征模态函数子序列,有效降低原始数据的非平稳性与噪声干扰;随后通过CNN网络提取各子序列的局部时域特征与空间特征,再由BiLSTM网络充分捕捉长时间跨度的前后向时序依赖关系;最后将特征融合后输出最终预测结果。研究采用Python语言实现了完整的模型构建、训练与测试流程,并通过实际数据集上的对比实验证明,该混合模型在预测精度、收敛速度和泛化能力方面均优于传统单一模型及其他组合模型。; 适合人群:具备一定Python编程基础和深度学习理论知识,从事电力系统分析、能源管理、智能电网或时间序列预测等相关领域的科研人员与工程技术人员,特别适合研究生及工作1-3年的青年开发者。; 使用场景及目标:①应用于电力系统短期负荷预测,为电网调度、发电计划制定、需求响应及电力市场运营提供可靠数据支持;②为研究人员提供一种有效的VMD与深度学习融合建模范式,促进高精度负荷预测方法的复现与进一步创新。; 阅读建议:建议读者结合所提供的代码深入理解VMD分解参数设置、CNN特征提取机制与BiLSTM网络结构设计,重点关注数据预处理、模型超参数调优及多步预测策略,通过实验对比不同模块的贡献度,以全面提升模型构建与优化能力。
内容概要:本文围绕概率最小均方(Probabilistic Minimum Mean Square Error, PMSE)自适应滤波器的设计与实现展开,系统阐述了其在信号处理领域的核心原理及工程应用价值。文章首先介绍了自适应滤波器的基本架构与工作机理,重点推导了PMSE算法的数学模型,并对比分析其相较于传统最小均方(LMS)算法在收敛速度、稳态误差和抗噪性能方面的显著优势。通过Matlab平台构建仿真环境,详细展示了该滤波器在噪声抑制、系统辨识等典型场景中的建模流程与实现步骤,涵盖参数初始化、迭代更新机制、误差计算与性能评估等关键环节。文中提供了完整的Matlab代码实现路径,帮助读者深入理解算法细节,并通过具体实验验证了PMSE滤波器在电力系统信号处理、通信信道估计、路径规划数据平滑等多领域应用的可行性与有效性。; 适合人群:具备一定信号处理理论基础和Matlab编程能力,从事电子信息、自动化控制、通信工程、电力系统等相关方向研究的研发人员及高校研究生。; 使用场景及目标:①深入掌握自适应滤波器的核心原理与PMSE算法的改进机制;②学习如何利用Matlab实现滤波器的建模、仿真与性能优化;③将其应用于实际工程项目中的噪声消除、系统建模、信道估计与信号增强等任务; 阅读建议:建议结合文中提供的Matlab代码与仿真实例进行动手实践,重点关注不同参数设置(如步长因子、滤波器阶数)对算法收敛性与稳定性的影响,同时对比PMSE与其他自适应算法(如LMS、NLMS)的性能差异,以深化对理论知识的理解并提升工程实践能力。

702

社区成员

发帖
与我相关
我的任务
社区描述
提出问题
其他 技术论坛(原bbs)
社区管理员
  • community_281
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧