OMO项目sprint11至sprint21开发周期总结

时间过的真的是太快了,一转眼OMO项目又经过了10个周期,好吧,其实是十二个只不过之前两周忙着软考的复习,参与项目的部分不是很多就不厚颜无耻的算入其中了。

技术上的收获
作为项目组开发人员,这十个周期相对于上十个周期而言进步是很明显的。能够熟练的使用VUE以及网上提供的element,vant一类的组件进行快速的项目开发是必须的。如果不够快,每个sprint周期就要爆炸了。
此外本周期对于CSS的理解也越发的深刻,CSS真的是非常的像开发者的画笔。熟练的使用CSS就能快速的进行将前端页面设计成想要的样式。配合着HTML能够很好的完成页面的开发。
对于JavaScript的学习相较于之前更加深入,这段时间基本都是在看底层的实现逻辑。在学习过程中总能发现一些之前忽视的东西,对于知识体系的补充很有效果。大概这就是由浅入深过程中的必然吧。
Vue的学习,尤大大更新了VUE3.0。VUE又出现了很多很实用的内容,需要我继续学习,学无止境啊。
这10个周期相对于上10个周期而言,还有一个非常明显的进步。就是对于代码规范以及代码质量管理的重视以及落实。我还记得第一次用sonar进行代码质量管理时,看到的异味数真的是让人头大。现在每次用合并git分支之后,就去检查下sonar,这样的行为非常有效的提升了代码质量。
此外,还有jekins等工具的学习就不一一赘述了。毕竟只能算是会用。

处理问题上的收获
在项目的开发过程中,必然会出现自己不清晰的或者不懂的问题,我还记得第一次开发IAEP项目时,刚进项目组。遇到问题时不太好意思向他人求助,但这种行为反而阻碍了自己快速提高。现在进行开发时依据248原则进行开发,即使真的遇到了解决不了的问题也不会影响整个项目的开发周期。其次将解决的问题的方法记录到笔记中,也算是一种知识管理吧。有机会我会把这

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
### 回答1: Cosamp是Compressed Sensing中的一种算法,主要用于稀疏信号恢复问题,通过求解优化问题来找到稀疏信号的近似解。Compressed Sensing(压缩感知)是一种信号采样和重构方法,它利用信号的稀疏性,通过少量的采样进行重构而不影响信号的质量。 相比于Omo(可能是指OMP算法,即Orthogonal Matching Pursuit),Cosamp算法在稀疏信号恢复上确实可以被看作是一种改进。Cosamp和OMP在原理上相似,都是迭代逐步选择和更新信号系数,然后根据选择的原子更新估计信号。然而,Cosamp在选择过程中引入了重复阈值的概念,即在每次迭代选择之后,根据重复阈值更新选择后的信号系数估计。这个重复阈值增强了Cosamp的稳健性和收敛性能。 另外,Cosamp还可以适用于信号模型非稀疏性的情况。在某些应用场景下,信号可能是部分稀疏或者具有稀疏分布的,而不是完全稀疏的。Cosamp可以通过引入稀疏和非稀疏结构相关度的概念,更好地适应这种场景,从而在非完全稀疏信号恢复中表现出更好的性能。 综上所述,Cosamp算法在稀疏信号恢复中可以被视为对OMP算法的改进,具有更好的稳健性和适应性,特别是在信号模型非稀疏性的情况下更加有效。 ### 回答2: CoSaMP(Compressive Sampling Matching Pursuit)是一种基于稀疏信号恢复的算法,而OMO(Orthogonal Matching Pursuit)也是一种类似的算法。虽然它们都属于匹配追踪算法的范畴,但CoSaMP在某些方面对OMO进行了改进。 一方面,CoSaMP引入了重构阶段的迭代过程,使得其在逼近原始信号时具有更好的稳定性和精确度。它利用迭代过程中的残差误差进行信号重构,通过不断优化误差,进一步提高恢复信号的质量。 另一方面,CoSaMP还引入了重复测量过程,以增大原始信号的测量次数。这样做的好处是,可以进一步提高稀疏信号恢复的准确性和可靠性。传统的OMO方法只进行有限的测量次数,可能无法完全捕捉到信号的稀疏结构,而CoSaMP通过增加测量次数来提高算法的性能。 此外,CoSaMP还通过添加重构步骤的稳定性选择阈值,对噪声进行稳健处理。这使得CoSaMP能够在噪声环境下更好地恢复稀疏信号,提高了算法的鲁棒性和适应能力。 综上所述,CoSaMP相对于OMO来说,在多个方面进行了改进,包括引入迭代过程、重复测量和稳定性选择阈值等。这些改进使得CoSaMP在稀疏信号恢复方面具有更好的性能和精度。 ### 回答3: COSAMP(Compressive Sampling Matching Pursuit)是一种压缩采样匹配追踪算法,它可以用于重构信号,特别适用于稀疏信号的重构问题。OMO(Orthogonal Matching Pursuit)也是一种匹配追踪算法,用于重构稀疏信号。 从功能上来看,COSAMP是对OMO的改进。COSAMP算法的核心思想是引入了一个高斯过程来估算信号的稀疏性,这使得COSAMP在重构能力方面相对于OMO更加稳定和准确。COSAMP通过迭代的方式从测量中逐步恢复出信号的稀疏表示,这一过程与OMO相似,但COSAMP在每一步的迭代中加入了更多的信息,从而使得重构的结果更加精确。 另外,COSAMP还引入了结构化矩阵概念,即将未知信号的压缩感知模型扩展到了矩阵形式。这使得COSAMP在重构矩阵信号时,相比于OMO有更高的重构精度和稳定性。因此,从算法思想和性能表现上来看,COSAMP可以被视为对OMO的一种改进或者扩展。 综上所述,COSAMP相对于OMO在重构稀疏信号方面具有更高的稳定性和准确性,而且还可以应用于矩阵信号的重构。因此,可以说COSAMP是对OMO的改进,提供了更好的信号重构能力。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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