第七周个人周报-197242-孙瑜欣

197242 孙瑜欣 2026-05-11 14:42:26

一、本周计划任务和本周实际完成的任务

任务计划时间实际时间
头像展示功能最终优化与真机测试2h2.5h
私信功能优化(含消息重发、错误处理)2h2h
编写个人负责功能的测试文档(头像+私信)1.5h2h
合并需求文档(3.1节需求分析整理)2h2h
编写团队实习报告第一、二大标题及3.1节2h2.5h
编写个人实习报告1.5h1.5h
TAPD任务与用户故事最终检查1h1h
整理并提交所有会议纪要(标注顺序)1h1h

二、个人工作中存在的问题以及应对措施

问题:
在最后一周编写团队实习报告时,初期对“需求分析文档整理”的范畴理解不够清晰,导致第一版内容偏重功能列表而缺少需求背景描述。同时,在合并所有人的测试文档时,发现部分成员的测试用例格式不统一(如缺少预期结果或实际结果列)。另外,结队编程文档需要回顾之前的工作细节,回忆起来有一定时间成本。

应对措施:
及时与小组其他成员沟通,参照课程提供的实习报告模板重新组织了3.1节的内容,补充了用户需求和系统需求两部分。对于测试文档格式问题,我在群内发布了一个统一的测试用例模板(Excel样式),大家按模板重新填写后合并。结队编程部分,我翻看了之前的Git提交记录和会议纪要,梳理出与石文进共同完成的私信功能开发过程,按照“问题—方案—收获”结构完成文档。

三、个人学习的新知识点以及学习途径和方法

新知识:

  • 掌握了团队实习报告和个人实习报告的撰写规范,特别是需求分析文档如何从功能点抽象为系统需求描述。

  • 学习了测试文档中“测试用例”的标准化写法,包括前置条件、输入数据、操作步骤、预期结果和实际结果,以及如何用缺陷跟踪表记录问题。

  • 通过整理会议纪要并标注顺序,理解了项目过程文档的归档方法,对项目整体演进有了更系统的认识。

  • 在TAPD最终检查中,学会了如何审查用户故事的完整性(包括验收标准、优先级和任务拆分粒度)。

学习途径:

  • 利用Git历史记录和TAPD任务面板回顾了结队编程的协作细节。

  • 与小组成员定期线上讨论,互相校对文档内容,学习了他人需求描述的表述方式。

四、个人对本周工作的感悟

最后一周虽然主要精力从代码开发转向了文档编写和收尾工作,但工作量丝毫不减。我深刻体会到,一个完整的软件项目不仅要有能跑通的代码,还要有规范、可追溯的文档支撑。在撰写团队实习报告和个人报告的过程中,我重新审视了这几周的工作,发现自己对需求分析的理解比项目开始时深了很多——从一开始只知道“要做哪些功能”,到现在能说清楚“为什么要做这些功能、用户怎样使用它们”。整理会议纪要时,看到我们团队每周的进步和每次解决问题的过程,很有成就感。最后,通过TAPD最终检查,我意识到任务管理和用户故事编写对团队协作效率的提升非常明显。虽然项目结束了,但这些文档将成为我今后参与开发工作的一笔宝贵经验。感谢团队每一位成员的配合,我们顺利完成了一个完整的小程序项目。

 

...全文
210 回复 打赏 收藏 转发到动态 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:本文提出了一种基于直方图的自动模糊C-均值聚类(FCM)算法,用于遥感图像分割,该方法通过Matlab代码实现。该算法创新性地结合图像灰度直方图信息,自动确定聚类数目和初始聚类中心,有效克服了传统FCM算法对初始参数敏感以及需预先设定聚类数的固有局限。通过深入分析直方图的波峰与波谷分布特征,实现聚类参数的自适应初始化,并融合优化的隶属度矩阵更新策略,从而显著提升了图像分割的精度与算法收敛速度。实验验证表明,该方法在多种复杂的遥感图像数据上均表现出优异的分割效果和强鲁棒性,尤其适用于地物类别未知、分布复杂或背景干扰严重的遥感图像处理任务。; 适合人群:具备一定图像处理基础和Matlab编程能力,从事遥感科学、地理信息系统(GIS)、计算机视觉或模式识别等相关领域研究的研发人员和研究生。; 使用场景及目标:①解决遥感图像自动分割中聚类数目难以预先确定的关键问题;②提升模糊C-均值聚类算法在无监督图像分割中的自动化水平和分割精度;③为缺乏先验知识的实际图像分析任务提供一种高效、可靠的自适应聚类解决方案。; 阅读建议:读者应结合提供的Matlab代码,深入理解直方图分析与FCM算法融合的具体实现步骤,重点关注聚类数自动确定和初始中心选取的逻辑推导过程,并通过实际遥感图像数据进行调试与验证,以全面掌握该方法的核心原理与应用技巧。
内容概要:本文提出了一种基于改进粒子群算法的多无人机协同航迹规划方法,并提供了完整的Matlab代码实现。该方法针对多无人机系统在复杂动态环境中的协同飞行需求,通过改进的粒子群优化(PSO)算法解决航迹规划问题,重点优化路径最优性、飞行安全性及多机协作冲突规避能力。文中系统阐述了算法的设计原理、改进策略及其在多无人机协同场景下的应用流程,通过引入动态障碍物建模与任务约束机制,增强了算法在实际任务中的适应性。仿真实验验证了该方法在降低飞行能耗、提升路径质量、加快收敛速度以及增强系统鲁棒性方面的显著优势,适用于侦察、巡检、灾害救援等多无人机集群任务场景。; 适合人群:具备一定编程基础和智能优化算法知识,从事无人机控制、路径规划、智能调度或群体智能相关研究的研发人员及研究生,尤其适合工作1-3年的科研与工程技术人员。; 使用场景及目标:①解决多无人机在复杂环境下协同避障与高效路径规划问题;②提升传统粒子群算法在高维、多约束航迹规划中的搜索效率与全局寻优能力;③为无人机集群执行多样化任务(如区域覆盖、目标搜索、编队飞行)提供稳定可靠的路径规划解决方案; 阅读建议:建议读者结合所提供的Matlab代码进行仿真实践,按照文档结构逐步理解算法实现细节,重点关注粒子群算法的改进机制、多无人机协同约束建模与适应度函数设计部分,同时可通过调整环境参数与无人机数量深化对算法性能的认知与优化能力。

259

社区成员

发帖
与我相关
我的任务
社区描述
CUG软件工程基础学习社区
团队开发软件工程敏捷流程 高校 湖北省·武汉市
社区管理员
  • EasonBeckham
  • Lucky_Limp
  • h6ldZywoo
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