答题玩家——β冲刺Day7

答题玩家团队账号 2025-11-29 22:42:56
这个作业属于哪个课程2501_CS_SE_FZU
这个作业要求在哪里团队作业β冲刺
这个作业的目标记录冲刺阶段每一天的进程
其他参考文献暂无

目录

  • SCRUM部分
  • 1、站立式会议
  • 2、各成员进展总结
  • 3、代码签入记录
  • 4、测试截图
  • PM部分
  • 5、项目燃尽图
  • 6、运行截图
  • 7、工作量总结

SCRUM部分

1、站立式会议

会议内容概要:
更新服务器接口,并且讨论修改部分bug。

img

2、各成员进展总结

学号姓名任务进展存在困难/问题明日安排心得体会
102300113叶佳康文章模块转接服务器接口,解决文章图片显示问题暂无完成后续模块优化无
102300423骆泽权修复文章,排名等bug无准备其他优化部分无
102300120覃俊源完善排行榜优化无继续优化无
102300129柯振宇测试整体小程序实现情况及可能出现的前端bug暂无完成其余部分的测试无
102300208蔡少钦更改我的考试对顺序训练和题型选题的历史查询,修复图片问题暂无解决剩下可能存在的bug无
102300209蔡宇鹏部署服务器,创建图床,与前端解决头像上传和文章封面从图床获得问题暂无解决剩下可能存在的bug无
102300222苏忠朝重整数据库暂无修复题目种类和题库id对应错误,题库id和题目对应错误的bug无
102300224王上政题目收藏和取消的实时显示和错题详情的跳转无继续优化其他功能无

3、代码签入记录

前后端皆使用gitee进行版本控制
前端gitee代码签入链接

img

后端gitee代码签入链接

img

4、测试截图

img

img

PM部分

5、项目燃尽图

img

6、运行截图

img

img

img

7、工作量总结

任务量统计(按时间估算)

项目工时估算说明
预期总任务量182工时按7天×8人×3小时/天计算 + 新增工作量
已完成工作量190工时第七天完成(8人×3.5小时,有空闲时间完成任务)
剩余工作量0工时剩余0天需要完成

任务量变化

新增工作量来源工作量增加预估
技术栈学习成本+1工时
前后端交接必要用时+1工时
学习搭建服务器,审核小程序+3工时
...全文
128 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文研究了一种面向燃料电池系统建模的极化曲线参数辨识方法,通过将人工蜂群算法(ABC)与Amphlett电化学模型相耦合,实现对质子交换膜燃料电池(PEMFC)关键性能参数的高精度全局优化辨识,并引入不确定性量化分析以评估参数估计的置信水平。研究系统阐述了Amphlett模型的物理机制与数学表达,构建了以实验测得的极化曲线数据为基准的目标函数,将参数反演问题转化为高维非线性优化问题,并利用人工蜂群算法强大的全局搜索能力和避免陷入局部最优的特性进行高效求解。文中深入分析了算法的收敛特性、参数敏感性及可辨识性,验证了该方法在提升燃料电池模型精度、鲁棒性与泛化能力方面的显著优势,为燃料电池系统的精确仿真、动态性能预测、控制策略设计与健康状态评估提供了坚实可靠的模型基础; 适合人群:具备一定电化学、热力学及优化算法理论基础,从事新能源技术、燃料电池建模与仿真、能源系统优化等相关领域的研究生、科研人员及工程技术人员; 使用场景及目标:①实现质子交换膜燃料电池半经验模型(如Amphlett模型)中关键参数的精确辨识;②学习并掌握群体智能优化算法(特别是人工蜂群算法)在复杂工程反问题中的应用方法;③开展燃料电池系统建模过程中的不确定性量化分析,评估模型参数的可靠性与稳健性;④为燃料电池的性能评估、故障诊断、寿命预测及系统级仿真与控制提供高保真度的数学模型支持; 阅读建议:此资源以Matlab代码实现为核心载体,深度融合了电化学理论、优化算法与数值计算,读者在学习过程中应重点理解Amphlett模型的构建逻辑、目标函数的设计原则以及人工蜂群算法的实现细节与关键参数设置,并强烈建议动手运行、调试代码,通过改变初始种群、实验数据集或模型结构等方式,深入探究参数辨识过程的收敛行为、算法性能差异及模型的适应性。
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[大豆(soybean)] · 训练集:777 张 · 验证集:0 张 · 测试集:0 张 · 总计:777 张 该数据集聚焦农业科研领域,针对温室环境下大豆幼苗的精准检测需求,为植物生长监测与自动化管理提供高质量数据支撑。训练集777张,验证集和测试集为0张,符合农业科研场景中对特定生长阶段样本集中训练的需求,确保模型在目标场景下的泛化能力。所有样本均采用精准的边界框标注,标注规范统一,确保了数据集在大豆幼苗检测任务中的高精度与可靠性。该数据集可应用于农业科研机构的植物生长监测系统、智能温室管理平台等场景,... 【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 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9922** mAP50-95 | 0.9141 Precision | 0.9771 Recall | 0.9710 train/box_loss | 0.4231 train/cls_loss | 0.1829 val/box_loss | 0.3920 val/cls_loss | 0.1737 【训练过程分析】 100 轮训练后 mAP50 达到 0.9922,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。mAP50-95 为 0.9141,和 mAP50 差距仅 0.08,框的定位精度也很扎实。 【模型性能评估】 Precision 0.9771、Recall 0.9710,精召双高,模型对大豆的检测能力强。...
内容概要:本文研究了利用数字相控阵雷达技术抑制风力涡轮机对雷达系统造成的杂波干扰问题,并提供了基于Matlab的完整仿真代码实现。通过建立风力涡轮机雷达回波模型,分析其运动部件(如叶片)产生的多普勒频移与闪烁效应所导致的复杂杂波特性,提出采用数字相控阵雷达的空间波束成形、自适应波束控制和空时滤波等信号处理方法,有效增强主瓣指向性、抑制旁瓣干扰并提升目标分辨能力。研究涵盖雷达系统参数设计、杂波建模、阵列信号处理算法开发及仿真结果可视化等关键环节,验证了该技术在提升风电场周边雷达探测性能方面的可行性与优越性。; 适合人群:具备雷达信号处理、电子信息系统或电磁兼容等相关专业背景,熟悉Matlab编程,从事新能源与雷达兼容性研究、智能感知系统开发、空中交通监视系统设计的科研人员及研究生。; 使用场景及目标:①解决风力发电场密集区域对民用航空雷达、气象雷达等探测系统的电磁干扰问题;②提升复杂电磁环境下雷达系统对低空慢速目标的检测与跟踪能力;③为雷达工程师提供一套可复现、可扩展的杂波抑制算法仿真平台,用于优化雷达抗干扰策略; 阅读建议:建议读者结合Matlab代码逐模块运行与调试,重点理解雷达回波建模中风力涡轮机运动特性的数学表达,以及波束成形与自适应滤波算法的实现逻辑,建议配合雷达原理与阵列信号处理教材深入学习,以全面掌握技术细节并开展二次开发。

103

社区成员

发帖
与我相关
我的任务
社区描述
2501_CS_SE_FZU
软件工程 高校
社区管理员
  • FZU_SE_LQF
  • 木村修
  • 心态773
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