函授专科计算机应用技术毕业论文,计算机应用函授起专毕业论文 2.doc

计算机应用函授起专毕业论文 2

成人高等教育毕业设计(论文)

题目:论人事管理系统实现

学生姓名: 函授站点:

学 号: 专业名称:计算机应用

学习层次:专 科 学习形式:函 授

指导教师:栾 德 宇 审核签字:

二○一二年十二月

摘 要

随着社会信息化的发展,为了让管理更快捷、更准确,实现人事管理的信息化已经成为各个企业的当务之急。

本课题是为企业人事管理提供现代化技术支持的管理信息系统,该系统包括了员工管理、部门管理、用户管理、招聘管理等主要模块。其图形用户界面利用DELPHI进行开发,后台数据库使用SQL SERVER 2000,采用ADO数据访问方式。本文针对具体项目展开研究,首先进行需求分析、模块划分,对实施该课题的方案进行论证。然后对整个系统进行了详细的分析和设计,结合源代码详细的描述出整个项目的开发过程,最后对系统进行了功能测试。

本课题的实施将会促进企业的无纸化办公,避免人工管理中出现各种差错,提高企业管理效率,使得管理者能够更加方便的了解到企业内部人事状况。

关键字: 人事管理,图形用户界面,数据访问。 Abstract

With the development of information technology, in order to make the management faster and more correct, the most important thing of enterprises is making their personnel management computerized.

This project is a Management and Information System which offer the modern technology to support personnel management. This project covers Employee management﹑Department management﹑User management﹑Hiring management etc. Graphical User Interface is done in DELPHI, the background database is making use of SQL SERVER 2000 and the method for data-access is ADO .The author firstly evolved in the actual item then make the requirement analysis and modularization ,demonstrating from the beginning design to the last solution. In the process of analysis, the author describes the source code of the whole project. At last the thesis show the result of testing.

The advantages of applying this system are working with no paper and making personnel management more correct without manual mistakes. Improving the efficiency of management While make leaders know the personnel case very convenient.

Keywords: Personnel Management; Graphical User Interface; Data-Access;目 录

第一章 绪论1

1.1 问题背景1

1.2 研究范围及技术要求1

第二章 方案描述2

2.1 编写目的2

2.2 应用需求分析2

2.3权限功能划分2

2.4系统实现的基本功能5

2.5 设计数据库实体关系6

2.6数据库全局实体关系12

第三章 系统模型建立与比较论证14

3.1 系统总体功能结构14

3.2 登录模块的设计15

3.3 系统管理模块的设计15

3.4部门管理模块的设计17

3.5 员工信息模块的设计20

3.6考勤管理模块的设计23

3.7 招聘信息模块的设计25

3

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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