微软解决方案架构(模块八) (转)

微软解决方案架构(模块八) (转)[@more@]

11.  模块8:稳定你的解决方案XML:namespace prefix = o ns = "urn:schemas-microsoft-com:Office:office" />

1)  模块概叙

微软解决方案架构的稳定阶段

为稳定阶段测试和试运行

2)  微软解决方案架构的稳定阶段

I.  微软解决方案架构的稳定阶段的概述

目标:

为能达到发布产品可接受的标准而提高解决方案的质量

团队焦点:

l 改进解决方案的质量

l 为准备发布而表现出色的特点

l 从关注构造特性转移到关注质量

l 将解决方案转移到稳定阶段

l 准备发布

II.  微软解决方案架构的稳定阶段的里程碑和可提交的物品

错误收集->零错误反弹->用户可接受性测试完成->发布替补->产品前测试完->试运行完成

可提交的物品:

l 试运行概叙

l 以下条目的待发布版本:

源代码和可执行文件

n  脚本和安装文档

n  最终用户的帮助和训练文档

n  操作文档

n  发布注意事项

l 测试和错误报告

l 项目文档

III.  对付稳定阶段的挑战

稳定一个方案包括预测

l 预测错误数量或严重性

l 预测错误解决过程

l 估计方案每个点的质量状态

l 预测发布日期

运用有效的技术帮助做出精确的预测

l 假定一个固定的出货日期

l 将错误收敛当作稳定的指示

l 将零错误反弹当作稳定的指示

IV.  采用一个固定的出货日期

将项目的出货日期看成一个相对于真实出货日期的固定的变量

通过去除项目出货的变动日期来激励创造性

使用固定的出货日期当作做出决定的驱动

激励团队以驱动过程向前

V.  使用错误收敛作为稳定的指示

bug收敛:当解决错误的比率超过发现的错误的比率的那一点

bug收敛的倾向:

l 帮助预测什么时候解决方案可以发布

l 为过程提供客观的指示

临时里程碑:bug收敛

3)  稳定阶段的测试和试用

I.  用户可接受性测试

用户可接受性测试:确保用户同意在非实验室的环境下,解决方案能够达到用户的需要

测试过程:

l 由用户体验角色驱动

l 不要和项目结束时候的客户可接受性混淆

II.  指定一个发布替补

发布侯选:已经经过测试的创建,并准备发布试用

l 包括需要发布的所有元素(如代码,文档,支持和培训)

l 适合在质量标准之上的发布

l 成功的通过产品前测试的验证

临时里程碑:发布候选

III.  引导产品前测试:

产品前测试:验证发布候选通过了发布标准

在实验室环境下执行

包括完成和测试回归计划

和其他试用前的其他活动同步发生:

由发布管理角色驱动

临时里程碑:产品前测试完成。

IV.  在现实条件下测试

试运行:在现实条件下的测试,如:

l 产品服务器的一个子集

l 在一个用户集团中的用户子集

l 为整体产品环境做一个试验期间,包括回滚的能力

试运行目标:

l 在正在进行的稳定过程中采取下一个步骤

l 降低部署的风险

V.  准备试运行

在开始一个试运行前:

l 团队和参与人员明确试运行成功的标准

l 要有反馈过程

l 试用者被通报

l 使用检查表来验证支持过程和试用的其他方面的准备情况

测试试用的部署过程

l 部署的所有元素都要排练

VI.  执行试运行

试运行的实现:

l 明确和追踪问题

l 通过进一步的开发解决问题

评价结果

l 编译和评价试运行数据

l 明确用户常遇到的错误

l 为继续前进选择一个策略

4)  模块总结

稳定阶段的用途是降低发布产品的解决方案的风险

一个成功的稳定阶段需要团队从关注构造特性转移到关注使解决方案达到一个已知的质量状态

当解决方案从发布候选转移到试用时候,逐步转移到操作的过程发生了


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/10752019/viewspace-963708/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/10752019/viewspace-963708/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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