FZU-SE-EE308-2022秋
MU-SE:EE308-Course summary
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区MU-SE:EE308-Course summary
| The Link Your Class | https://bbs.csdn.net/forums/MUEE308FZU202201 |
|---|---|
| The Link of Requirements of This Assignment | https://bbs.csdn.net/topics/611628445 |
| MU STU ID and FZU STU ID | 20124091_832002127 |
| Video demo link | https://www.bilibili.com/video/BV1Re411c7gM/?vd_source=fe9c12bf738b616a3bca949282c6090d |
| GitHub link | https://github.com/LittleMatcher/EE308FZ-fund |
Summary and harvest
In this semester, I've learned a lot in program developing and some theories in describing the process of development. I've also learned how to solve and avoid problems that may be encountered in the project.
For the practice, I developed 2 software with coorpertaion with my teammates. One is an android app and another is an online fund management system. Both of them taking advantage of Java language and using Spring SpringMVC framework and SpringBoot to simplify the process.
Personnal Programming
This part requires me to write a C++ program to count the number of keywords in a text.
In this project, I reviewed the use of C++ and some algorithms to accomplish this task. I've also learned how to use Github and how to push a local file to the server.
Pair Programming
This lab we design a android app and make it real by using android studio.
In this project, we constrcted an Android App for Traditional Bobing game.
- In Lab 2-1, we have bulit the Prototype of our Android APP utlizing Modao (Ink Knife) and Chuangketie (for UI design).
- In Lab 2-2, we have implemented the proposed Android Bobing Game Application using various development techonology (as shown in the table above).
The developing experience of this Bobing Game App greatly improve our abilities to utilize what we have learned in lectures to real-world practice. And we have gained a lot during this Lab2 experience.
Team project
In this project, we devleop an online fund management system, which take use of Spring and Spring framework.
Technology and tools
Android Studio
In the app developmental, Android Studio is a necessary tool to visualize the UI and the relationship between each fragment.
IDEA
IDEA is a well known tool for the JAVA program development.
Spring and Spring MVC framework
We use Spring MVC framework to simplify the development of a web project.
相关推荐
风储VSG-基于虚拟同步发电机的风储并网系统Simulink仿真
内容概要：本文介绍了“Plecs全桥LLC谐振变换器仿真模型”这一技术资源，聚焦于隔离型全桥LLC谐振变换器的建模、仿真与参数设计，涵盖其在电力电子系统中的关键应用，如软启动、闭环控制、变频控制及效率优化等。该模型支持对LLC变换器在不同工作模式下的动态响应与性能表现进行深入研究，适用于探究谐振拓扑结构、磁性元件设计、谐振参数匹配以及先进控制策略的科研与工程实践。同时，文档配套提供了仿真模型、设计报告与计算书等完整资料，强化了其实用性与教学价值。; 适合人群：具备电力电子、自动化或电气工程等相关专业背景，从事电力电子变换器研发、系统仿真与控制算法设计的科研人员、工程师及研究生。; 使用场景及目标：①用于全桥LLC谐振变换器的建模、仿真与动态性能分析；②支持对软启动过程、闭环稳压控制、变频调谐及效率优化等核心技术的研究与教学；③为电力电子电源系统的工程设计、参数优化与控制策略验证提供高精度仿真平台。; 阅读建议：建议结合Plecs或Simulink等仿真工具进行动手实践，重点理解电路拓扑构建、谐振参数计算、控制器设计与系统稳定性分析，并配合文档中的设计报告与计算书，系统掌握从理论到仿真的完整流程。
国央企创新负责人如何通过平台实现科技创新资源的系统集成与高效配置？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
AltiumDesigner.zip
AltiumDesigner.zip
独立储能的现货电能量与调频辅助服务市场出清协调机制（Matlab代码实现）
内容概要：本文介绍了“Plecs全桥LLC谐振变换器仿真模型”这一技术资源，聚焦于全桥LLC谐振变换器在电力电子系统中的建模与仿真研究。该资源提供了基于Plecs平台的高精度仿真模型，完整呈现了变换器的主电路拓扑、谐振参数设计、软开关实现机制及变频控制策略，能够有效支持对系统效率、动态响应与稳态性能的深入分析。模型充分体现了LLC谐振变换器在实现零电压开关（ZVS）、降低开关损耗和提升能量转换效率方面的优势，适用于新能源发电、储能系统及高效率电源设计等应用场景。; 适合人群：具备电力电子、自动控制及电路理论基础知识，从事电力电子变换器设计、新能源系统开发或相关领域研究的研究生、高校教师及工程技术人员。; 使用场景及目标：①用于全桥LLC谐振变换器的工作原理教学与参数设计实践；②支撑软开关特性、变频控制策略、效率优化等关键技术的仿真验证与性能评估；③作为科研项目、课程设计或毕业设计中电力电子系统仿真的核心参考模型，促进理论与工程实践的结合。; 阅读建议：建议使用者在掌握LLC谐振变换器基本工作原理的基础上，结合相关电力电子教材与Plecs软件操作指南，通过调整谐振元件参数、负载条件及控制策略进行多工况仿真，深入理解其工作机理与优化方法，并结合实验数据对比验证仿真结果的准确性。
YOLO26算法日历数字识别+训练好的模型+102张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[数字(number)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 97 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9156** mAP50-95 | 0.7374 Precision | 0.8626 Recall | 0.8381 train/box_loss | 0.8790 train/cls_loss | 0.7499 val/box_loss | 0.7874 val/cls_loss | 0.6025 【训练过程分析】 训练开始后，我注意到前几轮的 loss 下降特别快，这让我有点兴奋，但随着训练的深入，loss 的降幅变得不那么明显了。在训练的第 30 轮左右，val_loss 开始趋于平稳，这让我稍微放心了一些，但同时也感觉压力倍增，因为一旦训练过早平稳，就容易陷入过拟合的泥沼。经过 97 轮的磨炼，最终 mAP50 达到了 0.9156，这让我松了一口气。不过，mAP50-95 仅有 0.7374，和 mAP50 之间有明显的差距，说明模型在低置信度的检测上还需要优化。从 loss 曲线来看，训练过程总体上比较平稳，没有明显的过拟合迹象，但也让人觉得有些枯燥。我心想，要是能早点找到一个陡峭上升的训练曲线该有多好，这样至少能让人心态更积极一些。 随着训练进行到后半段，模型开始逐渐收敛，但这个过程并不是一帆风顺的。在训... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
