探讨中国特色软件过程新思路:CMM企业联合体

    探讨中国特色软件过程新思路:CMM企业联合体

    中国人有发达的头脑,理论水平是很强劲的。不过因为某些东西晚搞了一些时候,所以照成了非常被动的局面。这无疑也体现了落后的社会生产和高几个层次的精神追求的矛盾。我想中国人并不是一定要按标准来追求这些外国人总结了多少年的得出的规范。

    诸多原因决定了我们有必要考虑搞具有中国特色的东西。不是吗?我们也知道我们国家经济不如人家。我们国家多的是中小型的软件企业。软件开发这个过程中我们耗不起阿!多1个月要多多少成本?!软件成本其实是很高的,一些中小公司软件成本低的原因是因为他们不用考虑开发环境的成本。

    难道不能换个思路来考虑问题?CMM确实是先进的东西,我们是要吸取,拿来主义嘛!好事!但是不必照搬照套。我们也可以赶赶社会化大分工的潮流!一个企业搞不起CMM,那么企业联合体呢?可以把CMM分成若干个可分离的环节。每个企业在成立的时候,它可以申明自己属于哪个或者那几个环节的(在那些环节是有能力驾驭的);每个企业在运行过程中,也可以更改自己的软件过程环节属性。一个理想的目标就是你可以驾驭所有环节了!

    这种思路无疑将CMM在一个企业内部的紧耦合方式转变位企业之间的松耦合方式。我想后者是适合我们中国的。而且后者从思想方法上也是一种技术潮流。君不见从DCOM,CORBA到WEB SERVICES的微妙转变么?那正是从紧耦合到松耦合的一种过渡。未来的技术(包含CMM在内)本身就需要越来越灵活的手段来支持和发展。而且随着社会分工的越来越细密,软件的商业运用的复杂程度越来越高。软件本身定然是多企业联合完成的。也许有些大集团现在就开始向这方面发展了。但我不知道有没有人提出将CMM分解以支持企业联合这个概念。

    企业联合体并不意味着将形成一个全行业的联盟,有这种想法的人似乎应该转变一下观念,软件行业发展到一定阶段,有很多理由相信行业内部的分工细密化趋势。历史的观念使现在的软件人员更相信一套软件或者一套系统最好在一个相对独立的运作体内制作完成。笔者认为有这种观念的根源不在于参与者本身,而在于计算机的历史还处于比较苍白的阶段这个因素。如果不是一套软件而是一架飞机,相信就没有人否认从一块铁板或者一个晶体管到最后这个庞然大物在企业间环环合作最后完成这个事实。当然,如同现在的软件业来讲,莱克兄弟可能是不需要考虑这些问题的。

    最后观察一下这种思路的利弊。
    这种方法的好处在于:

    1. 适合中国的环境,尤其是中国那么多中小企业,而且并不与大企业矛盾。企业越有实力,拥有的环节越多。
    2. 分离出各个环节,有利于相同环节的企业进行有针对的竞争,从而是各个环节迅速成熟起来。从这个意义上讲,联合不是减少了竞争而是增加了竞争。
    3. 容易形成一条企业间的价值链。

    4.有利于培养在软件过程中对若干环节特别精通的横向人才.
    5. 中国软件和软件过程更加具有中国魅力!

    这种方法的难点在于:

    1.这个规则需要全行行业甚至政府的支持
    2.客户购买的软件由多个企业完成,关系和软件管理将变得复杂。


    愿我的想法与你同在!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于四种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这四种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这四种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合四种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值